Data IoT Mendorong Pertanian Presisi: Meningkatkan Hasil dan Menghemat Biaya

Catatan Editor: Artikel ini oleh pengurus global kami Rich Quinnell adalah bagian dari Proyek Khusus AspenCore Media tentang 'Teknologi Pertanian', yang mengeksplorasi bagaimana IoT, analitik, dan teknologi sensor mengubah pertanian dan produksi pangan.

Sementara IoT dan analitik mendominasi berita di industri dan infrastruktur, pertanian diam-diam menjadi perbatasan berikutnya. Dengan mengintegrasikan jaringan sensor dan analitik data real-time, petani dapat meningkatkan hasil, mengurangi kerugian, dan memotong biaya operasional melalui manajemen sumber daya yang lebih tepat.

Dasar pertanian presisi adalah data. Sensor, jaringan nirkabel, dan analitik canggih menyediakan wawasan yang dapat ditindaklanjuti yang memungkinkan aplikasi yang ditargetkan pupuk, air, dan pestisida.

Tiga kategori platform utama mempengaruhi ekosistem data ini: udara, mobile berbasis tanah, dan sistem stasioner. Setiap platform menggunakan suite sensor dan teknologi jaringan yang berbeda, namun semua berbagi tujuan yang sama—menangkap data yang dapat ditindaklanjuti dengan resolusi tinggi di seluruh lanskap pertanian yang beragam.

Gambar 1 – Drone multi-rotor adalah platform udara yang semakin populer untuk pertanian presisi di bidang kecil hingga menengah. (Sumber: ublox)

Platform udara mengumpulkan data dari atas menggunakan sensori jarak jauh. Sementara pesawat bermutu dan satelit masih melayani survei skala besar, kendaraan udara tanpa awak (UAV)—baik sayap tetap maupun multi-copter—dengan cepat menggantikan mereka untuk operasi skala menengah. Dilengkapi dengan modul GNSS presisi tinggi seperti Ublox F9, drone dapat melakukan penilaian kesehatan tanaman detail di bidang yang akan sulit dipantau.

Sensor kunci untuk kesehatan tanaman adalah kamera multi-spektral yang mampu menangkap citra resolusi tinggi di pita terlihat dan infra merah dekat (NIR). Sebagian besar sensor citra CMOS memiliki sensitivitas NIR inherent, tetapi kamera konsumen biasanya memblokir rentang ini untuk menghasilkan warna yang alami. Dengan menghapus filter NIR, sensor CMOS dapat berfungsi sebagai kamera NDVI, seperti yang ditunjukkan oleh Sentera AGX710.

Gambar 2 – Sensor citra warna tipikal juga mencakup sensitivitas NIR yang kamera umumnya mencoba untuk menyaring. (Sumber: ON Semiconductor)

Dalam pemantauan kesehatan tanaman, refleksi NIR adalah indikator kuat dari kekuatan vegetasi. Daun sehat lebih banyak memantulkan NIR dan lebih banyak menyerap cahaya merah, yang mengarah pada Indeks Vegetasi Perbedaan Normal (NDVI) yang banyak digunakan = (NIR-Merah)/(NIR+Merah). Dengan pemfilteran dan pemrosesan citra yang tepat, sensor CMOS standar dapat menghitung nilai NDVI, memungkinkan petani untuk menentukan area yang memerlukan air atau pupuk tambahan.

Gambar 3 – Survei NDVI menyediakan wawasan detail tentang kesehatan tanaman di seluruh bidang, menyoroti di mana sumber daya seperti air dan pupuk perlu diterapkan lebih atau lebih sedikit.