एक समीक्षा में पाया गया कि अंगूर के बागों के ड्रोन मॉडल मौसमों के साथ कमजोर पड़ते हैं

जर्नल Computers and Electronics in Agriculture में प्रकाशित एक नई समीक्षा कहती है कि मानवरहित हवाई वाहन (UAV) आधारित रिमोट सेंसिंग अंगूर के बागों के लिए एक व्यावहारिक उपकरण बनने के और करीब पहुंच रही है, लेकिन शोधकर्ताओं का कहना है कि खेतों में इसके व्यापक उपयोग के रास्ते में अभी भी बड़ी तकनीकी और परिचालन समस्याएँ बनी हुई हैं।

यह पेपर, “From growth monitoring to berry quality prediction: Advances and challenges in UAV remote sensing for precision viticulture,” Jinyu Yang, Mengyuan Wei और सहयोगियों ने लिखा है। यह देखता है कि पिछले लगभग एक दशक में अंगूर के बागों में ड्रोन, ऑनबोर्ड सेंसर और आर्टिफिशियल इंटेलिजेंस तरीकों का उपयोग कैसे हुआ है, और तब क्षेत्र अभी भी कहाँ पीछे रह जाता है जब उत्पादकों को मौसमों, स्थलों और अंगूर किस्मों के बीच भरोसेमंद निर्णयों की जरूरत होती है।

यह समीक्षा ऐसे समय में आई है जब शराब उत्पादकों पर खेतों की अधिक निकटता से निगरानी करने का दबाव बढ़ रहा है। International Organization of Vine and Wine द्वारा पेपर में उद्धृत आंकड़ों के अनुसार, 2024 में वैश्विक अंगूर-बाग क्षेत्र 7.1 मिलियन हेक्टेयर तक पहुंच गया और वाइन उत्पादन 225.8 मिलियन हेक्टोलिटर रहा। अंगूर की बेलें जलवायु, जल-आपूर्ति, कीट, रोग और प्रबंधन प्रथाओं के प्रति अत्यंत संवेदनशील होती हैं, जिससे समय पर खेत की जानकारी उपज और फल-गुणवत्ता दोनों के लिए महत्वपूर्ण हो जाती है।

लेखकों का तर्क है कि ड्रोन आकर्षक बन गए हैं क्योंकि वे मैदानी निरीक्षण और सैटेलाइट इमेजिंग के बीच की कमी भरते हैं। पारंपरिक फील्ड चेक सटीक हो सकते हैं, लेकिन वे श्रम-प्रधान होते हैं और सीमित क्षेत्र को कवर करते हैं। सैटेलाइट सिस्टम व्यापक क्षेत्रीय डेटा एकत्र कर सकते हैं, लेकिन उनमें अक्सर वह रिज़ॉल्यूशन और लचीलापन नहीं होता जो अंगूर-बाग ब्लॉकों के लिए चाहिए, खासकर जब उत्पादकों को किसी खास समय पर या बदलती मौसम स्थितियों में तस्वीरें चाहिए हों। कम ऊंचाई पर उड़ते हुए, ड्रोन उच्च-रिज़ॉल्यूशन डेटा अधिक तेजी से और ऐसे कोणों से कैप्चर कर सकते हैं जो अंगूर की पंक्तियों और कैनोपी संरचना से बेहतर मेल खाते हैं।

समीक्षा बताती है कि अब अंगूर के बागों का सर्वेक्षण RGB, multispectral, hyperspectral, thermal infrared और LiDAR सेंसर लगे ड्रोन से किया जा रहा है। ये प्रणालियाँ ऑर्थोमोज़ाइक चित्र, तापमान मानचित्र, वनस्पति सूचकांक और 3D प्वाइंट क्लाउड तैयार कर सकती हैं। शोधकर्ताओं ने इन आउटपुट्स का उपयोग पोषक-तत्व आकलन, वृद्धि और विगर मैपिंग, रोग और कीट पहचान, जल-तनाव निगरानी, उपज अनुमान और कटाई से पहले बेरी गुणवत्ता की भविष्यवाणी के प्रयासों में किया है।

पेपर में बेरी गुणवत्ता की भविष्यवाणी को इस क्षेत्र के सबसे कम परिपक्व क्षेत्रों में से एक बताया गया है। लेखकों के अनुसार बेरी गुणवत्ता एक उच्च-आयामी परिणाम है, जो शरीरक्रिया, जैवरसायन, किस्म, वृद्धि-चरण, माइक्रोक्लाइमेट, मिट्टी और अंगूर-बाग प्रबंधन से प्रभावित होता है। इसी जटिलता के कारण, जो मॉडल एक बाग या एक मौसम में अच्छा प्रदर्शन करते हैं, वे अक्सर कहीं और इस्तेमाल करने पर टिक नहीं पाते। समीक्षा कहती है कि यह कमजोर ट्रांसफरेबिलिटी परिचालन उपयोग के सबसे बड़े अवरोधों में से एक बनी हुई है।

अध्ययन deep learning के साथ रोग पहचान और बेरी निगरानी को मौजूदा शोध का एक हॉटस्पॉट भी बताता है। कंप्यूटिंग पावर और ओपन-सोर्स सॉफ्टवेयर में प्रगति ने अंगूर-बाग विश्लेषण को साधारण सांख्यिकीय रिग्रेशन से हटाकर मशीन लर्निंग और डीप लर्निंग प्रणालियों की ओर धकेला है, जो छवियों और सेंसर डेटा से अधिक विशेषताएँ निकाल सकती हैं। कुछ मामलों में इससे भविष्यवाणी की सटीकता बेहतर हुई है। लेकिन लेखकों का कहना है कि केवल सटीकता पर्याप्त नहीं है, अगर मॉडल की व्याख्या कठिन हो, उन्हें चलाना महंगा हो, या वे अलग-अलग खेत स्थितियों में काम करने के लिए बहुत नाज़ुक हों।

समीक्षा तैयार करने के लिए शोधकर्ताओं ने Web of Science डेटाबेस में UAV, drone, grapevine, vineyard और viticulture सहित शब्दों का उपयोग करके खोज की। इसके बाद उन्होंने हार्डवेयर, प्रीप्रोसेसिंग, कैनोपी सेगमेंटेशन, फीचर इंजीनियरिंग और मॉडलिंग पद्धतियों से जुड़े अध्ययनों का आकलन किया। पेपर में 105 संदर्भ दिए गए हैं और पूर्व कार्य को छह मुख्य अनुप्रयोग क्षेत्रों में संगठित किया गया है: पोषण स्थिति निगरानी, वृद्धि और विगर निगरानी, कीट और रोग पहचान, जल-तनाव निगरानी, उपज पूर्वानुमान और बेरी गुणवत्ता आकलन।

मुख्य निष्कर्षों में से एक यह है कि अंगूर-बाग की परिस्थितियाँ इमेज विश्लेषण के लिए विशेष समस्याएँ पैदा करती हैं। अधिक समान आवरण वाली कुछ पंक्ति-फसलों के विपरीत, अंगूर के बागों में अक्सर असतत कैनोपी, खुली मिट्टी, पंक्तियों के बीच खरपतवार, असमान भू-आकृति और तीव्र छायाएँ होती हैं। यदि सॉफ्टवेयर बेल की कैनोपी को पृष्ठभूमि से भरोसेमंद ढंग से अलग नहीं कर पाता, तो ये कारक स्पेक्ट्रल और थर्मल संकेतों को दूषित कर सकते हैं। समीक्षा कहती है कि यह समस्या विश्लेषण के लगभग हर बाद के चरण को प्रभावित कर सकती है, वनस्पति सूचकांकों से लेकर मशीन लर्निंग पूर्वानुमानों तक।

लेखक यह भी नोट करते हैं कि अंगूर-बाग प्रबंधन स्वयं मॉडलों को अस्थिर कर सकता है। छंटाई, शूट थिनिंग, पत्ती हटाना और कैनोपी प्रशिक्षण जैसी प्रथाएँ बेल की संरचना और परावर्तनशीलता को तेजी से बदल सकती हैं। एक अवस्था की छवियों पर प्रशिक्षित मॉडल, उसी ब्लॉक में भी, अलग हस्तक्षेप के बाद अपनी सटीकता खो सकता है। इससे बहु-कालिक निगरानी के लिए दोहराए जाने योग्य उड़ान-योजना और कैनोपी-सचेत डेटा संग्रह विशेष रूप से महत्वपूर्ण हो जाता है।

लागत और लॉजिस्टिक्स एक और बाधा बने हुए हैं। उच्च-रिज़ॉल्यूशन इमेजरी, थर्मल डेटा और 3D उत्पादों के लिए पर्याप्त डेटा स्टोरेज और कंप्यूटिंग संसाधनों की जरूरत होती है। हाइपरस्पेक्ट्रल इकाइयों और LiDAR सहित अधिक उन्नत सेंसर एकत्र किए गए डेटा की विस्तृतता और प्रकार को बेहतर बना सकते हैं, लेकिन वे सिस्टम लागत और प्रोसेसिंग मांगों को भी बढ़ाते हैं। समीक्षा कहती है कि इससे अपनाने की रफ्तार सीमित हो सकती है, खासकर तब जब उत्पादकों से जटिल वर्कफ्लो चलाने या ऐसे सिस्टमों के लिए भुगतान करने की उम्मीद की जाए जो अभी तक स्थिर आर्थिक प्रतिफल नहीं देते।

पेपर यह भी चिंता उठाता है कि अध्ययनों का मूल्यांकन कैसे किया जाता है। लेखकों के अनुसार, कई प्रकाशित परिणाम एक ही स्थल पर उच्च प्रदर्शन पर बहुत अधिक ध्यान देते हैं, जबकि वर्षों, क्षेत्रों या अंगूर किस्मों के बीच मॉडल कैसा चलता है, इस बारे में कम जानकारी देते हैं। इससे व्यावसायिक उपयोग के लिए तैयारी की एक अत्यधिक आशावादी तस्वीर बन सकती है। समीक्षा अधिक पारदर्शी डेटा अधिग्रहण, प्रीप्रोसेसिंग, कैनोपी हैंडलिंग और वैलिडेशन डिजाइन रिपोर्टिंग का आह्वान करती है, ताकि परिणामों की तुलना अध्ययनों के बीच की जा सके।

सेंसर और प्लेटफॉर्म के आकलन में, लेखकों का कहना है कि मल्टीरोटर ड्रोन अंगूर-बाग शोध में प्रमुख भूमिका निभाते हैं क्योंकि वे लचीले हैं, कम ऊंचाई पर चलाना आसान है और विशिष्ट ब्लॉकों पर दोहराई जाने वाली उड़ानों के लिए उपयुक्त हैं। स्पेक्ट्रल सेंसर अभी भी विशेष रूप से महत्वपूर्ण हैं, लेकिन समीक्षा का सुझाव है कि अगला कदम केवल अधिक डेटा जोड़ना नहीं है। इसके बजाय, क्षेत्र को समय के साथ एकत्र किए गए कई प्रकार के डेटा के बेहतर एकीकरण से सबसे अधिक लाभ मिल सकता है, उदाहरण के लिए स्पेक्ट्रल, थर्मल और संरचनात्मक जानकारी को मिलाकर मजबूती बढ़ाना।

समीक्षा यह भी कहती है कि व्याख्येयता पर अधिक ध्यान देने की जरूरत है। डेटा-चालित प्रणालियाँ उपयोगी पैटर्न पहचान सकती हैं, लेकिन सिंचाई, छिड़काव या कटाई योजनाओं में बदलाव करने से पहले उत्पादकों और कृषि-विशेषज्ञों को अक्सर यह जानना होता है कि मॉडल किसी नतीजे पर क्यों पहुँचा। लेखकों का इशारा रेडिएटिव ट्रांसफर मॉडलों और फसल मॉडलों की ओर जाता है, जो पूर्वानुमानों को समझाना आसान बनाने का एक तरीका हो सकते हैं, खासकर जब उन्हें मशीन लर्निंग तरीकों के साथ जोड़ा जाए, न कि प्रतिस्पर्धी दृष्टिकोणों के रूप में देखा जाए।

पेपर में चलने वाला एक और विषय मानकीकरण है। लेखकों का कहना है कि उड़ान ऊंचाई, सेंसर कैलिब्रेशन, प्रकाश स्थितियों, समय, इमेज सुधार और मॉडल परीक्षण में अंतर तब भी परस्पर विरोधी परिणाम दे सकते हैं, जब शोधकर्ता दिखने में एक ही समस्या का अध्ययन कर रहे हों। उनका तर्क है कि यदि ड्रोन सेंसिंग को शोध प्लॉट से नियमित अंगूर-बाग प्रबंधन तक ले जाना है, तो क्षेत्र को अधिक सुसंगत अधिग्रहण और मूल्यांकन प्रोटोकॉल की जरूरत है।

समीक्षा भविष्य के काम के लिए कई प्राथमिकताएँ चिन्हित करती है। इनमें बहु-कालिक और बहु-मोडल डेटा फ्यूज़न, साइटों के बीच सामान्यीकरण सुधारने के लिए ट्रांसफर लर्निंग और डोमेन अडैप्टेशन, छोटे डेटासेट के लिए लक्षित डेटा ऑगमेंटेशन या सिंथेटिक सैंपल जनरेशन, और कम लागत वाले सेंसरों के साथ हल्के मॉडल का विकास शामिल हैं। लेखकों का सुझाव है कि ये कदम ड्रोन-आधारित अंगूर-बाग निगरानी को प्रयोगों या विशेषीकृत संचालन तक सीमित एक उपकरण के बजाय बड़े पैमाने पर उपयोग के लिए अधिक व्यावहारिक बना सकते हैं।

पेपर ड्रोन सेंसिंग को निगरानी के सभी अन्य रूपों के विकल्प के रूप में नहीं, बल्कि ऐसे सिस्टम के रूप में प्रस्तुत करता है जिसकी उपयोगिता अंगूर के बागों के भीतर विविधता को जल्दी और गैर-विनाशकारी ढंग से मैप करने में बढ़ रही है। इसका संदेश है कि तकनीक शुरुआती इमेज संग्रह से आगे बढ़कर अधिक विस्तृत फसल निगरानी तक पहुंच गई है, फिर भी कार्यप्रवाह के प्रमुख हिस्सों को अभी भी अधिक स्थिर, सस्ता और एक अंगूर-बाग सेटिंग से दूसरे में स्थानांतरित करने योग्य बनना होगा, उससे पहले कि उत्पादक सिंचाई, रोग नियंत्रण, कटाई समय और फल-गुणवत्ता प्रबंधन पर नियमित निर्णयों के लिए इस पर भरोसा कर सकें।