📄 agriculture

Spatiotemporal Canopy Temperature Forecasting for Precision Irrigation Management

यह शोध पत्र UAV-linear को प्रस्तुत करता है, जो एक नवीन स्थानिक-कालिक (spatio-temporal) मॉडल है जो उच्च-रिज़ॉल्यूशन वाले कैनोपी तापमान पूर्वानुमान उत्पन्न करने के लिए इन-सीटू (in-situ) सेंसरों को UAV थर्मल इमेजरी के साथ एकीकृत करता है, जो पारंपरिक समान धारणाओं (uniform assumptions) से काफी बेहतर प्रदर्शन करता है और कपास की फसलों के लिए अधिक सटीक सिंचाई प्रबंधन को सक्षम बनाता है।

मूल लेखक: Stephen Rogers, Huidong Jin, Rose Roche, Danielle Way

प्रकाशित 2026-06-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Stephen Rogers, Huidong Jin, Rose Roche, Danielle Way

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कपास उगाने वाले किसान हैं जो यह तय करने की कोशिश कर रहे हैं कि अपने खेतों को कब पानी देना है। वर्षों से, मानक सलाह यही रही है: "अपने खेत के एक ही स्थान में एक अकेला थर्मामीटर लगा दें। यदि वह एक स्थान बहुत गर्म हो जाता है, तो पूरे खेत में पानी डाल दें।"

समस्या यह है कि कपास का खेत एक सपाट, एकसमान पैनकेक नहीं है। यह एक पैचवर्क क्विल्ट (रंग-बिरंगे कपड़ों से बनी चादर) की तरह है जहाँ कुछ हिस्से सूखे और गर्म हैं, जबकि कुछ ठंडे और नम हैं। यदि आप केवल एक हिस्से की जाँच करते हैं, तो आप पूरे खेत में पानी डाल सकते हैं जबकि केवल आधे हिस्से को ही इसकी आवश्यकता थी, या इससे भी बुरा, आप प्याले पैच (ज़रूरत वाले हिस्सों) को पूरी तरह से अनदेखा कर सकते हैं। इससे पानी की बर्बादी होती है और फसलें भी खुश नहीं रहतीं।

यह शोध पत्र इस प्रकार के बेहतर प्रबंधन के लिए एक नया तरीका पेश करता है जिसे UAV-linear कहा जाता है। इसे एक "आपके खेत के तापमान के लिए मौसम पूर्वानुमान" के रूप में समझें जो केवल एक स्थान के बजाय पूरे परिदृश्य को ध्यान में रखता है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. समस्या: "एक थर्मामीटर" का जाल

वर्तमान में, 60% ऑस्ट्रेलियाई कपास किसान सिंचाई के निर्णय लेने के लिए एक एकल सेंसर का उपयोग करते हैं। यह शोध पत्र तर्क देता है कि यह एक पूरे शहर के तापमान को केवल एक सड़क के कोने पर लगे थर्मामीटर को देखकर समझने की कोशिश करने जैसा है।

वास्तविकता: मिट्टी के अंतर, जड़ों की गहराई और पानी के प्रवाह के कारण, कपास के दो पौधे जो बिल्कुल एक-दूसरे के बगल में स्थित हैं, उनके तापमान में 2-3 डिग्री का अंतर हो सकता है।
परिणाम: इस छोटे से अंतर का अर्थ है कि एक पौधा "तनाव" (पानी की आवश्यकता) में हो सकता है जबकि उसका पड़ोसी ठीक है। यदि आप केवल "ठीक" वाले को देखते हैं, तो आप तनावग्रस्त वाले को पानी नहीं दे पाते। यदि आप केवल "तनावग्रस्त" वाले को देखते हैं, तो आप पूरे खेत में ज़रूरत से ज़्यादा पानी डाल सकते हैं।

2. समाधान: "ड्रोन + थर्मामीटर" की टीम

शोधकर्ताओं ने UAV-linear नामक एक मॉडल बनाया है। यह तापमान के तनाव का एक हाई-डेफिनिशन मैप बनाने के लिए दो प्रकार के डेटा को जोड़ता है:

ग्राउंड टीम (इन-सीटू सेंसर्स): ये मौजूदा थर्मामीटर हैं जिनका किसान पहले से ही उपयोग करते हैं। मॉडल सामान्य मौसम पैटर्न और प्रति घंटा तापमान परिवर्तन को समझने के लिए इनमें से केवल तीन सेंसरों के डेटा का उपयोग करता है।
स्काई टीम (UAV थर्मल इमेजेस): सप्ताह में एक बार, एक ड्रोन (या सैटेलाइट) खेत के ऊपर उड़कर थर्मल तस्वीर लेता है। यह तस्वीर हीट मैप के एक "स्नैपशॉट" की तरह काम करती है, जो दिखाती है कि कौन से क्षेत्र अधिक गर्म या ठंडे हैं।

3. यह जादू कैसे होता है (एक उपमा)

कल्पना कीजिए कि आप एक बड़े घर के हर कमरे के तापमान की अगले एक सप्ताह के लिए भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन आपके पास केवल किचन, लिविंग रूम और बेडरूम में थर्मामीटर हैं।

पुराना तरीका: आप अनुमान लगाते हैं कि बाथरूम का तापमान किचन के समान ही होगा। (यह वह "समान धारणा" है जिसकी यह शोध पत्र आलोचना करता है)।
UAV-linear तरीका:
1. आप तीन थर्मामीटरों का उपयोग यह अनुमान लगाने के लिए करते हैं कि अगले सप्ताह घर में समग्र मौसम कैसे बदलेगा (जैसे, "दोपहर 2 बजे गर्मी बढ़ने वाली है")।
2. आप एक विशेष हीट कैमरा के साथ घर की साप्ताहिक फोटो लेते हैं। यह फोटो आपको बताती है कि बाथरूम लगातार किचन की तुलना में 2 डिग्री अधिक गर्म है, जबकि हॉलवे 1 डिग्री ठंडा है।
3. मॉडल इन दोनों को जोड़ता है: यह थर्मामीटरों से प्राप्त "भविष्य के मौसम के पूर्वानुमान" को लेता है और ड्रोन फोटो का उपयोग करके इसे समायोजित करता है।
4. परिणाम: अब आपके पास घर के हर एक कमरे के लिए सटीक, प्रति घंटा तापमान का पूर्वानुमान है, यहाँ तक कि उन कमरों के लिए भी जहाँ थर्मामीटर नहीं हैं।

4. उन्होंने क्या पाया

शोधकर्ताओं ने इसका परीक्षण वास्तविक कपास फार्मों पर किया जहाँ हजारों एकड़ और सैकड़ों सेंसर मौजूद थे।

बेहतर सटीकता: नए मॉडल ने पुराने "एक थर्मामीटर" वाले तरीके की तुलना में "तनाव घंटों" (वह समय जब फसलें बहुत गर्म रहती हैं) की भविष्यवाणी 25-35% बेहतर तरीके से की।
वास्तविक प्रमाण: 50,000 हेक्टेयर के वास्तविक फार्मों के विशाल डेटासेट पर परीक्षण करने पर, इसने पुराने तरीके की तुलना में भविष्यवाणियों में 22% का सुधार किया।
दक्षता: इसने केवल कुछ सेंसरों और साप्ताहिक ड्रोन छवियों का उपयोग करके यह उच्च सटीकता प्राप्त की, जिससे यह व्यावहारिक और अत्यधिक महंगा नहीं रहा।

5. यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि यह विधि किसानों को "अनुमान" लगाने से "सटीकता" की ओर ले जाने में सक्षम बनाती है। पूरे खेत में एक स्थान के आधार पर पानी डालने के बजाय, वे देख सकते हैं कि खेत के कौन से हिस्से तनाव में हैं और जिन्हें पानी की आवश्यकता है।

लाभ: इससे पानी की बचत होती है, फसल के नुकसान को रोका जा सकता है और संभावित रूप से पैदावार बढ़ सकती है।
चुनौती: यह मॉडल तब सबसे अच्छा काम करता है जब खेत में एक साझा सिंचाई प्रणाली (जैसे फरो सिंचाई) हो जहाँ पानी का वितरण कुछ हद तक सुसंगत हो। यह पूरी तरह से अलग फार्मों और अलग फसलों/मिट्टी की तुलना करने पर उतना सटीक नहीं है, लेकिन फिर भी, यह केवल एक सेंसर के उपयोग से बेहतर है।

संक्षेप में, UAV-linear एक धुंधले, सिंगल-पॉइंट अनुमान को एक स्पष्ट, हाई-डेफिनिशन पूर्वानुमान में बदल देता है, जिससे किसानों को उनकी फसलों को ठीक वहीं और तभी पानी देने में मदद मिलती है जहाँ उन्हें इसकी आवश्यकता होती है।

तकनीकी सारांश: सटीक सिंचाई प्रबंधन के लिए स्थानिक-कालिक कैनोपी तापमान पूर्वानुमान (Spatiotemporal Canopy Temperature Forecasting)

समस्या विवरण
कैनोपी तापमान ( $T_c$ ) कपास में जल और ताप तनाव (water and heat stress) का एक महत्वपूर्ण शारीरिक संकेतक है, जिसका उपयोग ऑस्ट्रेलिया और अमेरिका में "स्ट्रेस-आवर्स" (वे संचयी घंटे जहाँ $T_c > 28^\circ\text{C}$ हो) के माध्यम से सिंचाई निर्धारित करने के लिए व्यापक रूप से किया जाता है। वर्तमान में, लगभग 60% ऑस्ट्रेलियाई कपास उत्पादक पूरे प्रबंधन क्षेत्र का प्रतिनिधित्व करने के लिए एक एकल इन-सीटू (in-situ) $T_c$ सेंसर पर निर्भर करते हैं। यह "समान धारणा" (uniform assumption) गैर-समान जल वितरण, मृदा विषमता और सूक्ष्म जलवायु के कारण $T_c$ में होने वाली पर्याप्त स्थानिक परिवर्तनशीलता को समझने में विफल रहती है। फरो-सिंचाई (furrow-irrigated) प्रणालियों में, आस-पास की फसलों के $T_c$ में $2-3^\circ\text{C}$ का अंतर हो सकता है, जिससे सिंचाई संबंधी निर्णय भिन्न हो सकते हैं (एक सीजन में दो सिंचाई घटनाओं तक का अंतर) और जल अनुप्रयोग उप-इष्टतम हो सकता है। हालांकि अनमैन्ड एरियल व्हीकल (UAV) और उपग्रहों के माध्यम से स्थानिक $T_c$ सेंसिंग संभव है, मौजूदा विधियाँ अक्सर पूर्वव्यापी (retrospective) होती हैं या उनके लिए अत्यधिक महंगी, उच्च-रिज़ॉल्यूशन स्थानिक-कालिक डेटा (जैसे निरंतर थर्मल इमेजिंग) की आवश्यकता होती है जो अधिकांश खेतों के लिए उपलब्ध नहीं है। एक भविष्योन्मुखी, स्थानिक-कालिक (ST) पूर्वानुमान मॉडल की आवश्यकता है जो व्यावहारिक डेटा बाधाओं (कुछ सेंसर, साप्ताहिक इमेजरी, मौसम पूर्वानुमान) का उपयोग करके परिवर्तनीय-दर सिंचाई निर्णयों को सक्षम कर सके।

कार्यप्रणाली: UAV-linear मॉडल
लेखक UAV-linear का प्रस्ताव करते हैं, जो एक अभिनव स्थानिक-कालिक पूर्वानुमान मॉडल है जिसे 7-दिवसीय क्षितिज के लिए उच्च-रिज़ॉल्यूशन प्रति घंटा स्थानिक $T_c$ पूर्वानुमान उत्पन्न करने के लिए डिज़ाइन किया गया है। यह मॉडल तीन डेटा स्रोतों को एकीकृत करता है:

इन-सीटू सेंसर: मौजूदा ग्राउंड-आधारित $T_c$ सेंसरों की एक छोटी संख्या (आमतौर पर 3–4)।
रिमोट सेंसिंग: साप्ताहिक थर्मल इन्फ्रारेड (TIR) इमेजरी (सिम्युलेटेड या वास्तविक) जो स्थानिक स्नैपशॉट प्रदान करती है।
मौसम पूर्वानुमान: भविष्य कहनेवाला मौसम डेटा (वायु तापमान, आर्द्रता, सौर विकिरण, हवा की गति)।

कार्यप्रणाली दो चरणों में आगे बढ़ती है:

कालिक पूर्वानुमान (Temporal Forecasting): सटीक टाइम-सीरीज मॉडल (विशेष रूप से lightGBM, auto-ARIMA, और periodiCTs) का उपयोग मौसम सहचरों (weather covariates) के आधार पर संदर्भ इन-सीटू सेंसरों के लिए $T_c$ का पूर्वानुमान लगाने के लिए किया जाता है।
स्थानिक इंटरपोलेशन (Spatial Interpolation): एक सामान्यीकृत स्केलिंग और हार्मोनिक दृष्टिकोण संदर्भ पूर्वानुमान को अपरिभाषित स्थानों तक अनुकूलित करता है। मॉडल यह मानता है कि एक संदर्भ सेंसर और एक लक्ष्य स्थान के बीच का स्थानिक अंतर एक साप्ताहिक अंतराल के दौरान अपेक्षाकृत स्थिर रहता है। यह साप्ताहिक अवलोकन (साप्ताहिक छवि से प्राप्त) से संदर्भ सेंसर और लक्ष्य सेंसर के माध्य मिडडे $T_c$ के बीच के अंतर का उपयोग करके एक अवशिष्ट हार्मोनिक समायोजन (residual harmonic adjustment) लागू करता है।

लक्ष्य स्थान $ctx $के लिए समय$ t $पर पूर्वानुमान, संदर्भ सेंसर$ cts$ के आधार पर, इस प्रकार परिभाषित है:
$\hat{T}_{ctx}(cts, t) = \begin{cases} a_1 \hat{T}_{cts}(t) + a_2 [g(t) * (\bar{T}_{ctx}(t_i) - \bar{T}_{cts}(t_i))] + a_3 t_{day} + a_4, & \text{यदि } 9 \le t_{hour} \le 21 \\ \hat{T}_{cts}(t), & \text{अन्यथा} \end{cases}$
जहाँ $g(t)$ एक साइन वेव फंक्शन है जो 14:00 बजे शिखर पर पहुँचता है, और $\bar{T}$ साप्ताहिक अवलोकनों (11:00–14:00 से प्राप्त) से प्राप्त $T_c$ का माध्य है। यह दृष्टिकोण उच्च-घनत्व सेंसर नेटवर्क या जटिल भू-सांख्यिकीय मॉडलों की आवश्यकता को समाप्त करता है जिन्हें मजबूत स्थानिक ऑटोकोरिलेशन की आवश्यकता होती है, जो स्थानीय गैर-रेखीय प्रभावों के कारण कृषि क्षेत्रों में अक्सर कमजोर होता है।

प्रमुख योगदान और परिणाम
अध्ययन दो सिंगल-फार्म डेटासेट (उच्च-सिंचाई और निम्न-सिंचाई) और 50,000 हेक्टेयर के 22 स्थानों को कवर करने वाले एक बड़े पैमाने के व्यावहारिक डेटासेट का उपयोग करके UAV-linear का मूल्यांकन करता है।

बेसलाइन के विरुद्ध प्रदर्शन: UAV-linear मानक "नो-ट्रांसफर" दृष्टिकोण (पूरे फार्म के लिए एक ही सेंसर का उपयोग करना) की तुलना में काफी बेहतर प्रदर्शन करता है। निम्न-सिंचाई (उच्च-तनाव) परिदृश्यों में, इसने समान धारणा की तुलना में स्ट्रेस-आवर भविष्यवाणी में 25–35% का सुधार किया।
आदर्श मॉडलों के साथ तुलना: उल्लेखनीय रूप से, UAV-linear ने "आदर्श" स्वतंत्र मॉडलों के समान सटीकता प्राप्त की जो सभी सेंसरों से विस्तृत ऐतिहासिक डेटा पर प्रशिक्षित थे। उदाहरण के लिए, निम्न-सिंचाई डेटासेट में, केवल 3 सेंसरों के साथ UAV-linear का $T_c > 28^\circ\text{C}$ के लिए माध्य पूर्ण त्रुटि (MAE), सभी सेंसर इतिहास का उपयोग करने वाले स्वतंत्र मॉडल के $0.05^\circ\text{C}$ के भीतर था।
व्यावहारिक सत्यापन: 22 व्यावहारिक स्थानों (विविध फार्मों और प्रबंधन प्रथाओं का प्रतिनिधित्व करते हुए) में, UAV-linear ने समान धारणा के सापेक्ष स्ट्रेस-आवर भविष्यवाणी में 22% का सुधार किया, जबकि ऐतिहासिक बेंचमार्क के समान सटीकता बनाए रखी। इसने सिंचाई निर्णयों में अनिश्चितता को कम कर दिया, जिसमें त्रुटि का मानक विचलन एकल-सेंसर दृष्टिकोण की तुलना में तीन गुना कम था।
मजबूती (Robustness): मॉडल ने प्रदर्शित किया कि साप्ताहिक "सिम्युलेटेड इमेजेस" (मिडडे सेंसर औसत से प्राप्त) 7-दिवसीय पूर्वानुमान के लिए $T_c$ की स्थानिक संरचना को कैप्चर करने के लिए पर्याप्त हैं, बशर्ते कि उच्च तापमान का स्थानिक पैटर्न स्थिर रहे।

महत्व और दावे
यह शोध दावा करता है कि UAV-linear फरो-सिंचित कपास प्रणालियों में विभेदित परिशुद्ध प्रबंधन (differentiated precision management) के लिए एक व्यावहारिक, कम लागत वाला ढांचा प्रदान करता है। कुछ इन-सीटू डेटा को साप्ताहिक रिमोट सेंसिंग के साथ जोड़कर, यह पद्धति 'लुक-अहेड कैनोपी टेम्परेचर मैनेजमेंट' को बिंदु मापों (point measurements) से पूरे-फार्म निर्णय लेने की क्षमता तक विस्तारित करती है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण एक महत्वपूर्ण अंतर को संबोधित करता है: विशिष्ट स्थानों पर तनाव होने से पहले सिंचाई निर्णय लेने में सक्षम बनाना, बजाय इसके कि केवल बिंदु मापों पर प्रतिक्रिया दी जाए जो खेत का प्रतिनिधित्व नहीं करते हैं। अध्ययन निष्कर्ष निकालता है कि हालांकि मॉडल सरल है और जटिल स्थानिक अंतःक्रियाओं को कैप्चर नहीं करता है (जिसके लिए डीप लर्निंग और सघन डेटा की आवश्यकता होगी), यह जल-उपयोग दक्षता और फसल उपज में सुधार करने के लिए पर्याप्त स्तर की सटीकता प्रदान करता है। यह कार्य सुझाव देता है कि वर्तमान एकल-सेंसर अभ्यास उप-इष्टतम हैं और स्थानिक-कालिक पूर्वानुमान को एकीकृत करने से ऑस्ट्रेलियाई कपास उत्पादकों के लिए मापने योग्य आर्थिक और कृषि संबंधी लाभ मिल सकते हैं।