Фото: із відкритих джерел
У науковому огляді про захищений ґрунт описано, як поєднання машинного зору, спектральних сенсорів, даних середовища та моделей ШІ поступово замінює руйнівні відбори проб для оцінки біомаси й прогнозування врожаю овочів.
Про це повідомляє сайт Аграрії разом з посиланням на Hortidaily.
Точні дані про біомасу та врожайність овочевих культур у захищеному ґрунті потрібні для оцінки росту рослин, регулювання умов вирощування, вибору оптимального часу збирання та планування виробництва. Як зазначено в огляді, розвиток машинного зору, спектрального зондування та інструментів штучного інтелекту зміщує фокус досліджень від руйнівного відбору проб і «разових» оцінок до безконтактного багатоджерельного безперервного моніторингу та динамічного прогнозування.
Огляд зосереджений на листових і плодових овочах у захищеному ґрунті. Автори узагальнюють показники біомаси та врожайності й методи отримання «еталонних» (ground-truth) вимірювань, а також порівнюють можливості різних джерел даних: RGB-зображень, тривимірного бачення, спектральних сенсорів і параметрів середовища.
Що саме оцінюють і прогнозують
За даними огляду, для листових овочів дослідження охоплюють:
- оцінювання біомаси;
- безперервний моніторинг росту;
- прогнозування часу та обсягів збирання.
Для плодових овочів у фокусі — задачі, пов’язані з формуванням урожаю:
- виявлення квіток і плодів (flower and fruit sensing);
- підрахунок плодів;
- оцінка маси окремого плоду;
- прогнозування врожаю з урахуванням стадії розвитку (stage-specific harvest yield prediction).
Які дані використовують
В огляді порівнюються підходи на основі:
- RGB-візуалізації (звичайні зображення);
- 3D-бачення;
- спектрального зондування;
- даних середовища (environmental data).
Загальна тенденція, яку відзначають автори, — розширення підходів від статичної оцінки на рівні окремої рослини до моніторингу процесу росту та прогнозування врожаю з прив’язкою до стадій розвитку.
Ключові виклики, які стримують впровадження
Попри прогрес, огляд підкреслює низку проблем, що залишаються актуальними для практичних систем:
- завади від складного середовища вирощування (interference from complex environments);
- складність просторово-часового узгодження багатоджерельних даних (spatiotemporal alignment of multisource data);
- неповнота безперервної інформації (incomplete continuous information);
- обмежена адаптивність моделей (limited model adaptability).
Куди рухаються дослідження
Як зазначено в огляді, подальші роботи мають бути спрямовані на підвищення надійності сенсорингу в складних умовах, розвиток динамічного багатоджерельного злиття даних (multisource fusion) та інтеграцію механістичних і data-driven підходів. Мета — перейти від оцінок на рівні окремих рослин до динамічного моніторингу одиниць вирощування та підтримки виробничих рішень.
Для тепличних господарств такі підходи потенційно можуть означати більш регулярне отримання даних про ріст і формування врожаю без руйнівних відборів проб, а також точніше планування збирання та виробничих операцій — у межах можливостей і обмежень, які описані в огляді.
Джерело: оглядова стаття Zhang Xiaodong, Guo Chuandong, Song Shifang, Han Xiangyu, Leng Zonghua, Zhang Yixue (2026) «Non-Destructive Sensing and Modeling for Biomass Estimation and Yield Prediction of Protected Vegetables: A Review», Agriculture.