למידת מכונה לחיזוי יבול כותנה בשלב הפריחה המוקדם באמצעות תמונות רחפן

מחקר זה מציג מתודולוגיה דו-שלבית לחיזוי יבול כותנה בשלב הפריחה המוקדם, כ-100 ימים לפני הקטיף, תוך שימוש בתמונות RGB שנאספו באמצעות רחפן. בניגוד למחקרים קודמים המתמקדים בשלבי גידול מאוחרים יותר, גישה זו מאפשרת חיזוי מוקדם ומדויק יותר של היבול, דבר המאפשר לחקלאים לקבל החלטות מושכלות בזמן אמת ולשפר את יעילות הגידול.

בשלב הראשון, פותחה גישת למידה חלשה (Weakly Supervised Learning) לזיהוי וספירת פרחי כותנה, המבוססת על רשתות נוירונים קונבולוציוניות (CNNs), שיטת Grad CAM++ ואלגוריתם Watershed. גישה זו, מאפשרת להימנע מהצורך בסימון ידני מקיף של נתונים, אך מרחיבה את היכולות לחיזוי יבול. המחקר כלל שימוש בייצוג צבע לפי HSV ועיבוד תמונה מתקדם ליצירת מסיכת קרקע אשר שיפרה את דיוק זיהוי הפרחים.

בשלב השני, פותחה מתודולוגיה ייחודית לעיגון גיאוגרפי אוטומטי של תמונות בודדות, המאפשרת התאמה בין תמונות הרחפן למפות היבול, בשונה משיטות קיימות המיועדות לפסיפסים. נבחנו מספר מודלים של למידת מכונה כולל רגרסיה ליניארית עם מאפיינים פולינומיים ו-Extreme Gradient Boosting (XGB), תוך בחינת רגישות על מגוון מערכי נתונים ברמות גרנולריות שונות של התמונות.

המחקר נערך בשדה כותנה בגודל מסחרי ( 130 דונם) במרכז מחקר גילת. הצילומים בוצעו באמצעות רחפן Mavic Pro המצויד במצלמת RGB. בהשוואה בין ספירת הפרחים ובין יבול שנמדד באמצעות קטפת שוקלת נמצא כי המודל האופטימלי, המשתמש בתמונות המחולקות לשני אריחים עם טרנספורמציית לוג של משתנה המטרה, השיג R² של 0.91 ו-RMSE של 60 ק”ג/דונם, שיפור משמעותי ביחס למחקרים קודמים לחיזוי בשלבים מוקדמים. המחקר מדגים כי שילוב של מידע על ספירת הפרחים יחד עם מאפייני צבע, אינדקס ExG ואחוז קרקע, משפר משמעותית את דיוק החיזוי בהשוואה לשימוש בספירת פרחים בלבד, ותורם לשיפור תהליכי קבלת החלטות בגידול כותנה.