Professional Documents
Culture Documents
GKNB_INTM003
Precíziós mezőgazdaság
Joós Tibor
G04H4D
Győr, 2019-20/2
Tartalomjegyzék
1 Bevezetés ........................................................................................................................... 3
2 A mezőgazdaság klasszikus problémái .............................................................................. 4
2.1 Területek elhatárolása, feltérképezése......................................................................... 4
2.1.1 Területek elhatárolásának problémája ................................................................. 4
2.1.2 Területek feltérképezésének problémája.............................................................. 4
2.2 Kárfelmérés problémái ................................................................................................ 4
2.2.1 Vadkár .................................................................................................................. 4
2.2.2 Vízkár ................................................................................................................... 5
2.2.3 Tűzkár .................................................................................................................. 6
2.3 Terményállapotok meghatározásának problémái ........................................................ 6
2.4 Műtrágyázás kapcsán felmerülő problémák ................................................................ 6
2.4.1 Növények letaposása ............................................................................................ 6
2.4.2 Kijuttatás nehézségei ........................................................................................... 7
3 Drónok alkalmazási területei a precíziós mezőgazdaságban ............................................. 8
3.1 Drónokról általánosságban .......................................................................................... 8
3.2 Drónok a mezőgazdaságban ........................................................................................ 8
3.3 Területmérés és térképkészítés .................................................................................... 9
3.3.1 Területmérési módszerek ..................................................................................... 9
3.4 Térképkészítés ortofotókból ...................................................................................... 10
3.4.1 Georeferálás ....................................................................................................... 10
3.4.2 Domborzati térkép készítése .............................................................................. 10
3.5 Fizikális vizsgálatok .................................................................................................. 11
3.5.1 Vizuális felmérés ............................................................................................... 11
3.5.2 Károk felmérése/becslése................................................................................... 11
3.5.3 Tőszámlálás........................................................................................................ 13
3.6 Élettani vizsgálatok ................................................................................................... 15
3.6.1 Vegetációs indexek[11] ..................................................................................... 15
3.6.2 Stresszállapot felmérése ..................................................................................... 16
3.7 Permetezés drónok segítségével ................................................................................ 17
4 Automatikus kormányzás................................................................................................. 20
4.1 Kormányautomatika [23] .......................................................................................... 20
4.2 Robot kormánymű [23] ............................................................................................. 20
4.3 Munkagépkormányzás .............................................................................................. 20
4.4 Automatikus vezetési módok .................................................................................... 21
5 Precíziós gazdálkodás technikai háttere........................................................................... 21
i
6 Összefoglalás és konklúzió .............................................................................................. 22
7 Felhasznált irodalom ........................................................................................................ 23
ii
Precíziós mezőgazdaság
1 Bevezetés
A dolgozatom témája a Precíziós mezőgazdaság. Azért választottam ezt a témát, mivel rendkívül
érdeklődő vagyok a mezőgazdasági témákban, főleg, ha az informatikával is keveredik. Emellett úgy
érzem a mai világban fontos, hogy az informatika elterjedjen az élet minden területére, így igenis a
mezőgazdaságnak is szüksége van haladni a korral.
A személyes motivációmhoz még továbbá az is hozzátartozik, hogy a jövőben szeretnék a
mezőgazdaságban található informatikai megoldásokkal foglalkozni, így szeretnék minél mélyebb és
sokrétűbb ismeretre szert tenni. Mivel úgy gondolom a mezőgazdaság jövője a precíziós
mezőgazdaságban így ezen a területen szeretnék minél több tudást elsajátítani.
A precíziós mezőgazdaság főbb területeit a GPS alapú technológiák adják. GPS alapú technológiának
köszönhető, hogy a földeken ma már automatikus kormányzású traktorokat láthatunk. Emellett a másik
fő haszonélvezői a technológiának a mezőgazdasági drónok.
A precíziós mezőgazdaság az utóbbi években Magyarországon is nagy fejlődést mutat. [21] Ennek
köszönhetően a gazdálkodók jelentős része az utóbbi években elkezdte földjein a precíziós
gazdálkodást. Érdekesség, hogy egy 2018-as felmérés alapján a legtöbbet a drón technológiát és az
automatikus kormányzást használnák szívesen.
A továbbiakban szeretnék pár klasszikus mezőgazdasági problémát ismertetni, melyre a modern
technológiák megoldást nyújtanak ma már. Ezt követően pedig szeretnék részletesebben is kitérni a
dróntechnológiára, illetve az automatikus kormányzásra.
3
Precíziós mezőgazdaság
4
A mezőgazdaság klasszikus problémái
2.2.2 Vízkár
A megváltozott éghajlat egyik, ha nem a legnagyobb mértékben a mezőgazdaságban érezteti hatását.
Ennek köszönhető, hogy a híradásokban is egyre többször hallani, hogy hol túl sok, hol túl kevés a
csapadék a mezőgazdaság számára. Ez sajnos valódi probléma, mert ugyan megvan a már évtizedek
óta megszokott csapadékmennyiség, de rendkívül szélsőségesen.
A víz (csapadék) okozta kár kétféle lehet: belvíz és apály. Természetesen teljesen másféle védekezést,
megelőzést igényel mindkettő. Az apályos állapot megszüntetése különösen folyók, tavak közelében
megoldható klasszikus megoldásokkal, vagy akár modern automatizált öntözőberendezésekkel is.
A belvíz okozta károk ellen védekezni, illetve a károkat elhárítani már nehezebb megoldást igényel. A
belvíz okozta károk általában csak a földek szélein láthatóak, az, hogy mit okozott a föld közepén a
víz már rejtély. Klasszikus módon a belvíz megelőzése, vagy ha már megtörtént a baj a megszüntetése
céljából vízelvezető árkokat ásnak, amely kisebb-nagyobb hatékonysággal bizonyul sikeresnek.
5
A mezőgazdaság klasszikus problémái
A szemmel látható problémákon kívül azonban a legnagyobb gondot az jelenti, hogy a növény nem a
neki megfelelő mennyiségű vizet tudja magába elraktározni. Erre kifejezett klasszikus megoldás nem
is létezik, így a növények nedvességtartalmának ellenőrzésére hő és nedvességmérő pálcát lehetséges
használni.
2.2.3 Tűzkár
A tűzkárok elsősorban nem a mezőgazdaságra vannak negatív hatással, ám itt is előfordulnak
tűzesetek. Elsősorban ezek az esetek a nagy nyári melegben fordulnak elő, szerencsésebb esetben
betakarítás után, szerencsétlenebb esetben még a betakarítást megelőzően. Ezen károkat igazából
megelőzni nem lehet, míg a becslésére csak a klasszikus terület bejárás szolgálhat. Erre nyújtanak
napjainkban már egyszerűbb megoldást a drónok.
6
A mezőgazdaság klasszikus problémái
mezőgazdasági gépek letapossák. A letaposás elkerülése érdekében a gépgyártók előálltak külön erre
a célra szolgáló permetező gépekkel, illetve keskeny kerekeket ajánlanak műtrágyázáshoz. Ezek a
megoldások csökkentik a taposás mértékét főként például a kukorica- és napraforgótáblák esetében,
ám a búzaféle termények esetén ez sem megoldás. Az ilyen termények esetében a megoldást permetező
helikopterek, illetve repülőgépek jelentik. Ezen gépek esetében azonban felvetődik a
környezetvédelem fontossága, illetve a kijuttatás sikeressége is, melyet főleg a szél tud befolyásolni.
7
Precíziós mezőgazdaság
A jövő mezőgazdaságában várhatóan egyre nagyobb területet fognak majd kapni a drónok, hiszen a
földmunkáláson kívül nem sok olyan feladat van, melyet ne tudnának megoldani. Személy szerint úgy
8
Drónok alkalmazási területei a precíziós
mezőgazdaságban
érzem ez egy jó irány, hiszen a fenntartható mezőgazdaságnak a modern technológia nélkülözhetetlen
kelléke kell hogy legyen.
9
Drónok alkalmazási területei a precíziós
mezőgazdaságban
A határvonallal párhuzamosan végzett mérési módszer szintén viszonylag szabályos alakú
földterületek esetén lehet hasznos. A módszer előnye, hogy nehezen megközelítő földterületek is
elérhetőek vele, csak rendkívül pontosan kell elvégezni az eltolást. Ez a módszer már feltételez egy
másik, előzetes földmérési módszert.
A kombinált módszer talán a lehető legpontosabb eredményt képes adni, hiszen ötvözi a körbejárás és
a sarokpont mérési technikákat. Ez azért kifejezetten előnyös, mivel szabálytalan alakú földterületeken
is alkalmazható, ám ha vannak egyenes részei is a földnek, akkor egyszerűsítő lehetőséget biztosít. Ez
a leggyakrabban használt földmérési módszer.
A kivett terület mérése módszer klasszikus alkalmazási területe lehet egy hagyatéki tárgyalás alapját
képző mérés. Ilyenkor ugyanis egy nagyobb földterület egy kisebb részét szeretnénk kimérni. Ez a
módszer a fentebb említett módszerek valamelyikét használja.
3.4.1 Georeferálás
A geoferefálás alapját nem is maguk a fotók, hanem a fotókhoz rendelt koordináták képzik. A minél
nagyobb pontosság elérése érdekében célszerű minél több pontot felvenni a térképen, de általában
négy-hat pont elegendő. Kezdetben érdemes négy ponttal kezdeni, így már a térkép nagyjából be lesz
határolva. A tájolást a modern szoftverek általában két pont után képesek beállítani, ám a biztos
pontosságot öt pont megadásával érhetjük el.. A további pontosításhoz érdemes további pontokat is
hozzáadni.[5]
Az így kapott térképen már meg tudunk különböző pontokat jelölni, készíthetünk hozzá adatbázist stb.
A térkép által pedig az egész terület kimérési procedúra kap egy vizuális eredményt is.
10
Drónok alkalmazási területei a precíziós
mezőgazdaságban
A felmérés során szükség van a területen készült fotókból álló és GPS koordinátákkal ellátott
adathalmazra. A készült fotókat érdemes alacsonyabb magasságból készíteni, hiszen így a felbontás
növelhető. A nagyobb felbontásnak köszönhetően végeredményként az elkészült domborzati térkép is
pontosabb eredményt fog adni. A fotók elkészítéséhez elegendő egy hagyományos kamerával ellátott
drón is. A végeredményt valamilyen erre kifejlesztett szoftverrel tudjuk előállítani, majd ezalapján már
kezdődhet is a megelőző védekezés kialakítása.[6]
A természetben a növénnyel borított, illetve növénnyel nem borított területek határa nem különíthető
el élesen. Ezért az anyaggyűjtés során használt képeket klaszterezni kell. A klaszterezés lényege, hogy
egymás jól elkülöníthető részhalmazokat hoz létre. A részhalmazokon belül az elemek valamelyest
hasonlítanak egymáshoz. Tehát a klaszterezés egy felosztást végez el, melynek eredményeként több,
egymástól különböző részhalmazt kapunk. Klasszikus Klaszterezés esetén tehát minden elem csak egy
részhalmazban helyezkedhet el, ám ez a fuzzy logika megjelenésével megszűnt. A fuzzy logika
alkalmazásával már egy elem több részhalmazban is elhelyezkedhet. Az kárfelmérési vizsgálatok több
esetben is a c-mean klaszterezési módszert használja. [8]
A fuzzy c-mean algoritmus az egyik legjobb ismert klaszterezési algoritmus. Az algoritmus n darab
ponthoz k darab klasztert rendel. Az algoritmus megkeresi a klaszter közepét, majd summázza a
klaszterben található pontok távolságát a középső ponttól. A képszegmentálás eljárással kapjuk meg
az eredeti kép úgynevezett szürke árnyalatú képét, melyet az algoritmus fog használni. Ezt követően a
képeket összevetve az algoritmus színkód alapján régiókra osztja a pixeleket. Végül az eredeti és a
szegmentálással előállított képből összeáll a végeredmény. [9] A Fuzzy C-Mean eljárásnak van
korlátja. Akkor működik helyesen, ha a kapott osztályok mérete és alakja hozzávetőlegesen
hasonló.[8]
12
Drónok alkalmazási területei a precíziós
mezőgazdaságban
A klaszterezés után szükség van egy színszűrő programra is. A programnak egy tartománytól eltérő
színeket előre meghatározott színekre kell cserélnie. Azonban még a színszűrés után sem pontosan
mérhető az eredmény, mivel az adott színű pixel több helyen is előfordulhat, így a mérést le kell
szűkíteni egy adott területre. Tapasztalat alapján azt a pixelt szabad keresett színűnek tekinteni, melyet
körülvesz még legalább öt azonos színű pixel. Így már elkezdhetjük a pixelszámolást. Az összeszámolt
pixelek számát arányítva az eredeti kép pixeleinek számával kaphatunk egy közel tökéletes becslést,
hogy a föld mekkora részét érte a kár.
A vadkárok megállapításához is alkalmazható a fenti algoritmus alkalmazása, hiszen az eljárás
hasonló, csak a jogi háttér más. A vadkár jogosságának megállapításához ajánlott szakember
véleményét kérni. A vadkár többféle is lehet: taposáskár, túráskár, döntéskár.[7]
A károk (különösen a vízkár) enyhülésének, illetve megszűnésének vizsgálatához ajánlott az idősoros
képösszehasonlítást alkalmazni. A technika annyiból áll mindösszesen, hogy az adott területről több
időpontban készítünk azonos mérési paraméterekkel (például magasság) rendelkező képet. A több kép
színeinek összehasonlításából hamar kiderül, hogy a kár nő, csökken, vagy épp megszűnt-e. Az
idősoros technológia még a későbbiekben, az NDVI képeknél elő fog kerülni.
3.5.3 Tőszámlálás
A tőszámlálás módszere a már fejlődésben lévő, legalább 15-20 cm magasságot elért növényeknél
alkalmazható. A módszer kizárólag az egymástól jól elkülönített tővel rendelkező növényeknél
alkalmazható, a szálas növények esetében nem. A számlálás segít pontosítani a különböző károkból
keletkezett veszteségeket, a kelési veszteséget, a vetési hiányosságokat és jó alapot biztosít egy korai
hozambecsléshez.[10]
13
Drónok alkalmazási területei a precíziós
mezőgazdaságban
A tőszámlálás elvégzéséhez kellően jó kinőségű RGB érzékelőkkel rendelkező drón szükséges. A
sikeres mérés eléréséhez az ajánlott repülési magasság általában tíz méter. A számlálás
nélkülözhetetlen adata, az excess green index (ExG). Ez az indexszám segít elkülöníteni egymástól a
zöld és a háttér pixeleket. Ezen index használata mellett a méréskor használnak egy kétoldalú szűrőt
is, mely segít a zöld objektumot szélét élesíteni. Egy morfológiai operátor implementálása tovább
könnyíti a zöld körvonalak izolálását a képen. Az izolálást különböző számítások alapján végzik a
körvonalak és a háttér között. Egy Otsu küszöb eljárással a drónokon lévő szoftver áttranszformálja az
ExG szürke skáláját bináris képpé a megkülönböztető kritériumok használatával az ExG skálán. Az
eljárás automatikusan megtalálja az optimális küszöb értékeket a zöld színek és a háttér osztályok
között az osztályokon belül szórás lehető legnagyobb minimalizálásával. [19][20]
A sorok detektálásához szükséges egy térkép struktúra implementálása, ami tartalmazza a kontrasztos
ExG indexet a képen. Forgatásos transzformációk segítségével megállítja a UAV a háttéren a kép
tájolási szögét. A helyes szög kiválasztását egy szavazásos eljárás végzi. Az eljárás az összes
lehetséges szöget kiszámolja a forgatott vonalak és a kép referenciául szolgáló vízszintes tengelye
között. Az a szög, amely a legtöbb szavazatot kapja, az a szög fog érvényes lenni az egész képre. Ezt
követően az ExG indexet ki kell vetíteni a kép függőleges tengelyére. A Savitzky-Golay szűrő segít
még tisztábban elkülöníteni a lokális maximum csúcsokat, így jobb célpontot adva a sorok
lokalizálásához. A relatív küszöbcsúcsértékek meghatározzák azokat a csúcsokat, amelyek
meghatározzák a sorokat. Az ExG index bevonásával kiválasztott csúcsok ezt követően már
megmutatják a növények sorait a képen. Hasonló módon a sorok szélessége mindenhol egyforma lesz.
Az eljárás során nincs szükség külső beavatkozásra, így a módszer lehetővé teszi az automatikus
sorfelismerést. [19]
A fenti eljárásokat követően már csak két osztály marad a képen, amely vagy növény osztály tagja,
vagy a nem növény osztályhoz tartozik. Ez a feltétel szükséges feltétele a további lépéseknek. A
továbbiak az osztályzás úgy működik, hogy a sorban lévő körvonalak a növény osztályhoz fognak
tartozni, míg a sorközi körvonalak a nem növény osztályhoz. Minden növény körvonalához tartozik
egy geometriai leírásokból álló készlet. A különválasztó eljárás így ezen tulajdonságok alapján képes
megkülönböztetni a növényt a környezetben lévő egyéb dolgoktól, például a gyomoktól. A
különválogató eljárás után, az adatok kinyerésével máris el lehet kezdeni az adatokat kiértékelni,
konklúziókat levonni az ültetés sikerességéről. [19]
14
Drónok alkalmazási területei a precíziós
mezőgazdaságban
A kutatók azt az metódust keresték, amely megjósolja a vegetációs törést és a növény terület indexét
az érzékelő visszaverődő jeleiből. A kutatócsoport az egész növekedési fázison keresztül figyelte a
különböző színek jeleit, végül az eredmények magas statisztikai hasonlóságot mutattak a VARIgreen és
a VARIRedEdge között and a LAI and VF között búza és kukorica esetén.
Háromszög zöldesség index (TGI) a növénylevek klorofill szintjének és a növény nitrogénszintjének
jelzéséhez készült. A technika a látható spektrumú képalkotókat használja. Ez a módszer megadja egy
háromszög területét, melyhez a képalkotók által visszavert jeleket használja fel. A kutatás során egy
általános CMOS szenzor hullámhosszait alkalmazták. Az indexszámításhoz ebben az esetben is egy
matematikai formulát alkalmaztak.
𝑇𝐺𝐼 = 𝑅𝑔𝑟𝑒𝑒𝑛 − 0.39 ∗ 𝑅𝑟𝑒𝑑 − 0.61 ∗ 𝑅𝑏𝑙𝑢𝑒 (2)
A módszer hatékonyságának mérése érdekében a klorofillszint méréseket elvégezték kézi
mérőeszközök segítségével is. A kamera általi eredményeket az optikai és a matematikai sávszélesség
kombinálásával szimulálták. Eredményként közel húsz különböző vegetációs indexet megvizsgálva ez
a módszer bizonyult az egyik legjobbnak, hozzátévő, hogy a TGI eredményeit nem folyásolta be a
növény mérete.
A három módszer összevetése esetén megállapítható, hogy TGI és VARI értékek általában
felülbecsültek az NDVI értékekhez képest, melyek a viszonyítási értékek. A jól bevált NDVI módszer
valóban az egyik legjobb jelenlegi élettan vizsgálati mutató, míg a VARI kiválóan alkalmas a
növények méretének megállapításához, míg a TGI jobbára a klorofillszint méréséhez alkalmas.
15
Drónok alkalmazási területei a precíziós
mezőgazdaságban
16
Drónok alkalmazási területei a precíziós
mezőgazdaságban
A permetező drónok legnagyobb ellenfele a szél. Azonban a modern technológiának köszönhetően ezt
könnyen kezelni tudják. A szél hatására a drónban lévő rotorok szabályozzák a kijuttatás erejét.
Szélcsend esetén egy előre beállított, konstans nyomással juttatja ki a drón a permetet. A kijuttatás
erősségét egy zártkörű arányos integrálszámító algoritmus szabályozza. A nyomás erősségét
fizikálisan egy szolenoid szelep szabályozza, mely igény esetén nyit, illetve zár. [15]
17
Drónok alkalmazási területei a precíziós
mezőgazdaságban
Mivel egy azon földön különböző mennyiségű permet kijuttatására van szükség, így a klasszikus
lineáris rotációs modell nem volt megfelelő. Ennek kiküszöböléséhez létre kellett hozni egy dinamikus
modellt, mely rugalmas képes változtatni a kijuttatási mennyiséget a befolyásoló tényezős és a terület
igényei alapján. A szél, mint befolyásoló tényező hatásainak vizsgálatát egy szélcsatornában végezték
fel. Itt egy vízre érzékeny papír segítségével vizsgálták, hogy az adott területre mekkora mennyiségű
permet jutott ki. Eredményként arra a megállapításra jutottak, hogy a szélsebesség, a repülési magasság
és a cseppméret a fő befolyásoló tényező. A rotor légáramlási szintén fontos tényező, ám mégis
kevésbé fontos, mint az előbb említettek. A kísérlet alapján viszont kiderült, hogy a permetezési szög
nem szignifikáns tényező. A teszt végén felállítottak egy konkrét sorrendet is, melyből kiderül, hogy
nem meglepő módon a szélsebesség a legnagyobb befolyásoló tényező. [16]
A dinamikus rendszer kialakítására az egyik, ha nem a legjobban megfelelő módszer egy mesterséges
neurális hálózat létrehozása az egyik legmegfelelőbb módszer. A neurális hálózat egy jól skálázható,
párhuzamos nem egyvonalú dinamikus rendszer. Emellett ezek a hálózatok, olyan matematikai
modellek, melyek komplex összefüggések segítségével figyelik a bemenetek és a kimenetek közötti
összefüggéseket. A neurális hálózat bemenő adatainak a magasságot, a légáramlást, a nyomást, és a
szélsebességet kell megadni. A hálózat kimenete pedig a cseppek térfogata és átmérője lesz. [15]
A kutatás során használt neurális hálózat három rejtett réteggel rendelkezik. Bementként nyolc adatot
(neuront) kap, mint például a szélsebesség. Kimenetét a csepp lerakódás képezi. A rétegek között pedig
kialakításra kerültek a kapcsolatok. A működés során ez a hálózat öntanuló folyamatot végez. Az adott
bemenetek alapján számít egy kimeneti értéket. Amennyiben a kimeneti érték nem a hibatartományba
esik, abban az esetben eltárolódik, míg amíg a hibatartományba esik a hálózat újabb számításokat fog
végezni. A hálózat betanítását egy szélcsatornában végezték változó körülmények között. Az
eredmények kiértékeléséhez keromekote papírt használtak, mely melyfelelő gép segítségével képes
megállapítani a kijuttatott permetmennyiséget. A kapott eredmények kiértékelése után a helyes
eredmények már adoptálhatók, így legközelebb a drón már képes lesz felismerni, hogy az adott
körülmények között, milyen paraméterekkel kell kijuttatnia a permetet. [15]
A permetező drónok működési elvéről érdemes megemlíteni, hogy az általuk használt bementi
paraméterek egy részét előre beállított fizikai adatok, míg a másik részét, a környezeti tényezőket valós
idejű adatok képzik. Ahhoz, hogy később meg tudjuk nézni a kijuttatás eredményét az aktuális pozíciót
és a repülési paramétereket GPS technológia segítségével rögzíteni. A kijuttatott cseppek térfogatát a
lokális neurális hálózat döntési modulja határozza meg, míg az áramlási sebességet a drón hajtásának
amplitúdója és a repülési sebessége alapján számítható ki. Az impulzusszélesség-modulációt
(PWM)[17] az STM32 kontroller generálja, mely alapján a pumpák szabályozzák a rendszer áramlási
sebességét. Az összefüggés a mikropumpák áramlási sebessége és a PWM négyzethullám terhelési
aránya között egy köbös polinom segítségével adható meg.
𝐷 = (20.776𝑣 3 − 21.452𝑣 2 + 8.242𝑣 − 0.431) ∗ 100% (3)
A képletben a v jelöli az áramlási sebesség egy szórófejnek L/perc-ben megadva, a D pedig a PWM
négyzethullám terhelési aránya %-ban. A rendszer működése közben a repülési paraméterek és az
aktuális pozíciót, amiket a dróntól kap egy GPS kommunikációs protokollon keresztül
(NMEA0183[18]) szerzi. Az aktuális permetezési értékeket a drón az aktuális repülési pozícióval
egyeztetve határozza meg. Az aktuális információkat valós időben továbbítja a UAV a légi vezérlőnek.
Az adatok egyesítése után az adatok bemenetként szolgálnak a neurális hálózat számára, amely ezek
alapján kiszámolja a várható kijuttatási mennyiséget. A kijuttatást végző rendszer az áramlás mértékét
a repülési sebesség és a jósolt kijuttatási mennyiség kombinálásával állítja be. A folyamat végén pedig
elkészül a PWM négyszöghullám. A rendszer tesztelése során pedig kiderült, hogy a változó
permetezési technológia a BP neurális hálózat technológiával kombinálva valós időben előre tudja
jelezni a szükséges kijuttatási mennyiséget. Ennek alátámasztásaképp a tesztek során kiderült, hogy a
becsült és a tényleges lerakódás között kevesebb mint húsz százalék különbség volt, ami rendkívül
18
Drónok alkalmazási területei a precíziós
mezőgazdaságban
jónak mondható. Emellett a rendszer pozitívuma, hogy a beérkező adatok változása és a szabályozott
áramlás közötti válaszidő 0,25 másodpercen belül megvalósul. [15]
19
Precíziós mezőgazdaság
4 Automatikus kormányzás
Az automatikus kormányzás ma már a fejlett technológiáknak köszönhetően magas szinteken
működik. A piacon már számos intelligens megoldással lehet találkozni, vannak már gyártók is, akik
saját ilyen megoldással rendelkeznek, például a New Holland. [22] Az automatikus kormányzás
elősegíti az üzemanyagköltségek csökkentését, a dupla földmunkálást, illetve növeli a földterület
hatékonyságát is hosszútávon.
Az automatikus kormányzás technológiája a műholdas navigáció segítségével működik. A lényege,
hogy a kormányrendszer a beprogramozott útvonalon tartja a gépet. Ez az útvonal egy előre
megtervezett útvonal, melyet egy pendrive vagy farmpilot segítségével lehet a gép monitorján található
ISO-BUS terminálra juttatni. Ez a beprogramozás nem kíván hatalmas szakértelmet, így ha valaki egy
kicsit is jártas az informatika területén, az könnyedén képes megoldani.
A mezőgazdasági erőgépek automatikus kormányrendszerei két nagy csoportba sorolhatók úgy, mint
a kormánykereket elmozdító kormányautomatikára és a kormányzott kerekeket elfordító robot-
kormányműre. Az utóbit robotpilóta-rendszereknek is nevezik. Mindkét rendszer a műholdak jelvevő
elektronikájával feldolgozott jelek alapján navigálja az erőgép kormányzását, de működésük között
jelentős különbség van. [23]
4.3 Munkagépkormányzás
Természetesen a traktoron kívül szükség lehet a munkagép kormányzárása is. Ez különösen a kapás
növények (például: kukorica, napraforgó) esetében lehet fontos. Ugyanis itt, ha vetés közben nem
születik kielégítő eredmény, akkor a további munkálatok során terményvesztés jelentkezhet. Ennek
megoldására létezik passzív és aktív munkagépkormányzás. Passzív kormányzás esetén a
munkagépről érkező GPS jelek alapján a traktor kormányzása próbálja úgy módosítani az irányt, hogy
20
Precíziós gazdálkodás technikai háttere
21
Precíziós mezőgazdaság
6 Összefoglalás és konklúzió
A dolgozatban reményeim szerint sikerült bemutatnom a precíziós mezőgazdaság számos előnyét,
alkalmazási területét, illetve az alkalmazás során használt háttéreljárások egy részét. A célom az volt,
hogy ismereteimet elmélyítsem a témában, illetve hogy az olvasónak bemutathassam, hogy az
informatika bizony a mezőgazdaság területére is komolyan betört. A személyes célom úgy érzem
sikerült elérnem, hiszen sok új és hasznos ismeretre tehettem szert. Emellett úgy érzem, hogy aki
elolvassa ezt a dolgozatot már viszonylag jó alap rálátással fog rendelkezni a precíziós mezőgazdaság
területén.
Összességében úgy gondolom, hogy nagy jövője lehet a precíziós mezőgazdaságnak. Erre számos jel
mutat már napjainkban is, és a fejlődés állandó és felfelé ívelő. Véleményem szerint a jövőben a
mezőgazdaság szükség lesz legalább annyi informatikusra is, mint amennyire kétkezű munkásra,
hiszen ezeket a komplex rendszereket karban is kell tudni tartani. A jövőben remélem láthatunk majd
a földeken teljesen önvezető, akár sofőr nélküli traktorokat is. Furcsa élmény lesz először látni ilyen
gépeket, de a jövő bennük rejlik.
Úgy gondolom a folyamatos fejlődésnek köszönhetően a mezőgazdaság évről-évre jobb eredményeket
érhet el. Remélem ezek az eredmények úgy fognak folyamatos fejlődést mutatni, hogy a bio
gazdálkodás sem tűnik el a mindennapi életből. Végső gondolatként várom, hogy mit fog hozni a jövő
mezőgazdaság területén, és remélem még sok hasznos megoldással találkozhatok majd az idők során.
22
Precíziós mezőgazdaság
7 Felhasznált irodalom
[1] A drón fogalma Retrieved 01 May. 2020, from https://doe.hu/mi-az-a-dron
[2] Rajnai Zoltán 2019. Kiberbiztonság-Cybersecurity 2 19-20
[3] A drónok hazatérés funkciói Retrieved 01 May. 2020, from https://www.djiars.hu/blog/a-
nelkulozhetetlen-hazateres-funkcio-7
[4] Területmérési módszerek Retrieved 02 May. 2020, from https://digiterra.hu/megoldasok/gps-
teruletmeres/
[5] L.M.D. Santos, G.A.S. Ferraz, M.T. Andrade, L.S. Santana, B.D.S. Barbosa, D.T. Maciel and Giuseppe
Rossi 2019. Analysis of flight parameters and georeferencing of images with different control points
obtained by RPA 2054-2063
[6] Domborzati térkép készítés Retrieved 02 May 2020, from https://agrontech.hu/domborzati-digitalis-
terkep/
[7] Vadkár felmérés Retrieved 02 May 2020, from https://agrontech.hu/vadkar-felmeres/
[8] Teschner Gergely – Nyéki Anikó – Gombkötő Nóra 2019. Drónnal végzett mezőgazdasági területmérés
színszűrés és Fuzzy logika segítségével 121-128
[9] S. Rahimi, M. Zargham, A Thakre, D. Chhillar 2004. A parallel Fuzzy C-Mean Algorithm for Image
Segmentation
[10] Tőszámlálás Retrieved 02 May 2020, https://agrontech.hu/toszamlalas/
[11] Tom McKinnon 2017. Comparing RGB-Based Vegetation Indices With NDVI For Drone Based
Agricultural Sensing
[12] Monitoring drónok a növényvédelemben – hazai fejlesztésű vizsgálati megoldások Retviered 05 May
2020, from http://www.mgk.u-szeged.hu/download.php?docID=99203
[13] Csákvári Edina, Berke József, Gyulai Ferenc 2018. Növényi stressztényezők vizsgálata multispektrális
eszközökkel 185-188
[14] Permezető drónok jogi környezete Retrieved 06 May 2020, from https://www.nak.hu/agazati-
hirek/mezogazdasag/146-novenytermesztes/98804-meg-szabalyozatlan-a-permetezo-dronok-
hasznalatanak-jogi-kornyezete
[15] Sheng Wen, Quanyong Zhang, Xuanchun Yin, Yubin Lan, Jiantao Zhang, and Yufeng Ge 2019. Design
of Plant Protection UAV Variable Spray System Based on Neural Networks
[16] Wang Ling, Chen Du, Yao Ze, Ni xindong, Wang Shumao 2018. Research on the prediction model and
its influencing factors of droplet deposition area in the wind tunnel environment based on UAV spraying
[17] Halász Sándor, Kádár István, Schmidt István, Veszprémi Károly, Vincze Gyuláné 2007.
Hálózatszennyezést megszüntető impulzusszélesség-modulációs áramirányítók fejlesztése
[18] Richard B. Langley 1995. NMEA 0183: A GPS Receiver Interface Standard
[19] Sebastian Varela, Pruthvidhar Reddy Dhodda, William H. Hsu, P. V. Vara Prasad, Yared Assefa, Nahuel
R. Peralta, Terry Griffin, Ajay Sharda, Allison Ferguson and Ignacio A. Ciampitti 2018. Early-Season
Stand Count Determination in Corn via Integration of Imagery from Unmanned Aerial Systems (UAS)
and Supervised Learning Techniques
[20] Joshua C. O. Koh, Matthew Hayden, Hans Daetwyler & Surya Kant 2019. Estimation of crop plant
density at early mixed growth stages using UAV imagery
[21] A precíziós mezőgazdaság terjedése Magyarországon Retrieved 09. May 2020, from
https://enet.hu/hirek/idehaza-is-hodit-a-precizios-mezogazdasag-kutyukkel-a-jobb-hozamert/
[22] Intellisteer rendszer Retrieved 09. May 2020, from https://agriculture.newholland.com/apac/en-
au/precision-land-management/products/guidance-steering/intellisteer-system
[23] Dr. Demes György 2016, Traktorok automatikus kormányzása
23
Felhasznált irodalom
[24] Koncz Miklós Tamás 2007, Az EGNOS rendszer és alkalmazása során szerzett tapasztalatok
[25] RTK pontossság Retrieved 09. May 2020, from http://rtk-mindenkinet.hu/rtk-fogalma/
24