TERRA COVER
ဂြိုဟ်တုနှင့် စက်သင်ယူမှု (Machine Learning) ကို အသုံးပြုထားသော ရေသွင်းလိုအပ်ချက်နှင့် မြေဆီလွှာစိုထိုင်းဆ ခွဲခြမ်းစိတ်ဖြာသည့် ပလပ်ဖောင်း
TERRA COVER သည် ဂြိုဟ်တုပုံရိပ်များနှင့် စက်သင်ယူမှုပုံစံများကို အသုံးပြု၍ လယ်ယာမြေများ၏ မြေဆီလွှာစိုထိုင်းဆ အခြေအနေနှင့် သီးနှံရေသွင်းလိုအပ်ချက်များကို ခန့်မှန်းပေးပါသည်။ ၎င်း၏ အဓိကသဘောတရားမှာ - လယ်ကွင်းထဲတွင် အာရုံခံကိရိယာ (Sensors) များ အပြည့်စိုက်ထူမည့်အစား (စရိတ်စကကြီးခြင်း၊ ပျက်စီးလွယ်ခြင်း၊ အမှတ်တစ်ခုစာကိုသာ ကိုယ်စားပြုနိုင်ခြင်း) ဂြိုဟ်တု၏ Multi-spectral နှင့် Thermal Infrared လှိုင်းအလျားများကို အသုံးပြု၍ လယ်ကွင်းတစ်ကွက်လုံး၏ အစိုဓာတ်အခြေအနေကို ပြန်လည်တွက်ချက်ခြင်းဖြစ်ပြီး၊ ရာသီဥတုအချက်အလက်များနှင့် ပေါင်းစပ်ကာ «ဒီရက်ပိုင်းအတွင်း ရေဘယ်လောက်သွင်းသင့်သလဲ» ဆိုသည်ကို တွက်ချက်ပေးပါသည်။
အဓိကလုပ်ဆောင်ချက်များနှင့် သင့်လျော်သောကဏ္ဍများ
အဓိကစွမ်းဆောင်ရည်များတွင် မြေဆီလွှာစိုထိုင်းဆ ပြန်လည်တွက်ချက်ခြင်း၊ သီးနှံရေလိုအပ်ချက် ခန့်မှန်းခြင်း၊ ရေသွင်းအချိန်ဇယား အကြံပြုချက်နှင့် လယ်ကွင်းအတွင်းပိုင်း ကွဲပြားမှုမြေပုံများ ပါဝင်ပါသည်။ ကွဲပြားမှုမြေပုံသည် အထူးပင် လက်တွေ့ကျပါသည်။ လယ်ကွင်းတစ်ကွက်တည်းပင်ဖြစ်သော်လည်း နေရာဒေသအလိုက် ရေထိန်းသိမ်းနိုင်စွမ်းမှာ ကွာခြားမှုရှိတတ်ရာ နေရာတိုင်းကို တူညီသောပမာဏဖြင့် ရေသွင်းခြင်းသည် ရေကို အလဟဿဖြစ်စေပြီး အချို့နေရာများတွင် ရေပြတ်လပ်မှုကို ဖြစ်စေပါသည်။ ထို့ကြောင့် နေရာအလိုက် ကွဲပြားစွာ ရေသွင်းခြင်းသည် တိကျသေချာသော စိုက်ပျိုးရေး (Precision Agriculture) တွင် ငွေကြေးအသက်သာဆုံး နည်းလမ်းဖြစ်ပါသည်။
အလတ်စားနှင့် အကြီးစား မန်နေဂျာလယ်ယာများ၊ ရေသွင်းစက်ပစ္စည်း ပံ့ပိုးပေးသူများနှင့် စိုက်ပျိုးရေး አማካሪများအတွက် သင့်လျော်ပါသည်။ မကြာသေးမီနှစ်များအတွင်း ရေရှားပါးမှုနှုန်း မြင့်တက်လာပြီး စိုက်ပျိုးရေးသုံး ရေသုံးစွဲမှု αναλογία မြင့်မားနေချိန်တွင် ဤကဲ့သို့သော «အဝေးမှ အာရုံခံစနစ် (Remote Sensing) ဖြင့် အာရုံခံကိရိယာ အများအပြားသုံးစွဲမှုကို အစားထိုးသည့်» နည်းလမ်းသည် စပါးခင်းများနှင့် သစ်သီးဝလံခြံများ၏ အပိုင်းလိုက် ရေသွင်းစီမံခန့်ခွဲမှုအတွက် ကိုးကားစရာ တန်ဖိုးရှိပါသည်။
အဓိကလုပ်ဆောင်ချက်များ
- ဂြိုဟ်တု မြေဆီလွှာစိုထိုင်းဆ ပြန်လည်တွက်ချက်ခြင်း
- သီးနှံရေလိုအပ်ချက် ခန့်မှန်းခြင်း
- ရေသွင်းအချိန်ဇယား အကြံပြုချက်
- လယ်ကွင်းအတွင်းပိုင်း ကွဲပြားမှုမြေပုံ
- ရာသီဥတု အချက်အလက်များ ပေါင်းစပ်ခြင်း
အသုံးများသော နေရာများ
- ဧရိယာအကျယ်အဝန်းကြီးမားသော လယ်ယာများ၏ ရေသွင်းစီမံခန့်ခွဲမှု
- ရေရှားပါးသည့် ကာလများအတွက် ရေအရင်းအမြစ် ခွဲဝေချထားမှု
- တိကျသေချာသော စိုက်ပျိုးရေးအတွက် အပိုင်းလိုက် ရေသွင်းခြင်း
- စိုက်ပျိုးရေး ရေပိုင်ဆိုင်ခွင့် အကဲဖြတ်ခြင်း
အဓိက အင်္ဂါရပ်များ
- ဂြိုဟ်တု မြေဆီလွှာစိုထိုင်းဆ ပြန်လည်တွက်ချက်ခြင်း
- သီးနှံရေလိုအပ်ချက် ခန့်မှန်းခြင်း
- ရေသွင်းအချိန်ဇယား အကြံပြုချက်
- လယ်ကွင်းအတွင်းပိုင်း ကွဲပြားမှုမြေပုံ
- ရာသီဥတု အချက်အလက်များ ပေါင်းစပ်ခြင်း
အားသာချက်များ
- လယ်ကွင်းအတွင်း အာရုံခံကိရိယာ အများအပြား တပ်ဆင်ရန် မလိုပါ
- ဧရိယာကျယ်ကျယ်ပြန့်ပြန့် လွှမ်းခြုံနိုင်ပြီး ကုန်ကျစရိတ်ကို ထိန်းချုပ်နိုင်သည်
- အပိုင်းလိုက် ရေသွင်းရန် အကြံပြုချက်များသည် ရေကို လက်တွေ့ကျကျ ချွေတာနိုင်သည်
အားနည်းချက်များ
- တိမ်ထူထပ်ပါက အလင်းတန်းပုံရိပ်များ၏ အရည်အသွေးကို ထိခိုက်စေနိုင်သည်
- ပြန်လည်တွက်ချက်မှု ရလဒ်များသည် မော်ဒယ်ခန့်မှန်းချက်များဖြစ်ပြီး မြေပြင်တွင် အတည်ပြုချက် (Ground truth) လိုအပ်သည်
- သေးငယ်သော လယ်ကွင်းငယ်များအတွက် ရုပ်ထွက် (Resolution) မလုံလောက်နိုင်ပါ
အသုံးပြုမှုများ
- ဧရိယာအကျယ်အဝန်းကြီးမားသော လယ်ယာများ၏ ရေသွင်းစီမံခန့်ခွဲမှု
- ရေရှားပါးသည့် ကာလများအတွက် ရေအရင်းအမြစ် ခွဲဝေချထားမှု
- တိကျသေချာသော စိုက်ပျိုးရေးအတွက် အပိုင်းလိုက် ရေသွင်းခြင်း
- စိုက်ပျိုးရေး ရေပိုင်ဆိုင်ခွင့် အကဲဖြတ်ခြင်း
အယ်ဒီတာမှတ်ချက်
တိကျသေချာသော စိုက်ပျိုးရေး (Precision Agriculture) အကြောင်းကို ဆယ်စုနှစ်တစ်ခုကျော် ပြောဆိုခဲ့ကြသော်လည်း လက်တွေ့တွင် အအောင်မြင်ဆုံးမှာ ရေသွင်းခြင်းကဏ္ဍ ဖြစ်နေဆဲ ဖြစ်ပါသည် - အကြောင်းမှာ ရေခွန်နှင့် လျှပ်စစ်မီးခွန်သည် တောင်သူများအတွက် လစဉ် မြင်တွေ့နေရသော ကုန်ကျစရိတ်ဖြစ်သောကြောင့် ဖြစ်သည်။ ချွေတာနိုင်သော ငွေပမာဏမှာ အလွန်လက်တွေ့ကျပြီး ဤအချက်သည် သီးနှံအထွက်နှုန်း တိုးတက်လာကြောင်း ပြောဆိုခြင်းထက် ပိုမိုယုံကြည်ေစနိုင်ပါသည်။
မေးလေ့ရှိသောမေးခွန်းများ
Taiwan's fields are so small — is the resolution enough?
This is a real issue. The pixel size of public satellite imagery may be too coarse for Taiwan's common small plots, better suited to large contiguous farming; before adopting, be sure to confirm the minimum recognizable unit for your target fields.
What about clouds on rainy days?
Optical imagery is indeed blocked by clouds; usually radar imagery or model interpolation fills the gap, but data quality drops during continuous rainy spells — a common limitation of all satellite agriculture services.