Selain menyembur dan menabur, salah satu kegunaan drone yang paling berpotensi ialah pemantauan tanaman. Dengan kamera khas, drone boleh “melihat” perkara yang tidak dapat dilihat oleh mata manusia, seperti kekurangan nitrogen sebelum daun menguning. Artikel ini merumuskan kajian tentang penggunaan drone untuk memantau kesihatan tanaman, status baja dan meramal hasil.
Bagaimana Drone Memantau Tanaman?
Drone yang dilengkapi sensor multispektral telah menjadi alat penting dalam pengurusan pertanian kerana keupayaan pemantauan masa nyata, fleksibiliti dan keberkesanan kos [1]. Ulasan menyatakan penderiaan jauh dengan drone ialah “pengubah permainan” dalam pertanian tepat kerana resolusi spektrum, ruang dan masa yang belum pernah dicapai sebelum ini, serta data ketinggian tumbuhan [2].
Indeks tumbuhan
Kamera multispektral mengukur pantulan cahaya pada pelbagai panjang gelombang. Daripada data ini, indeks tumbuhan seperti NDVI dikira untuk menilai kesihatan dan pertumbuhan tanaman. Ulasan mendapati indeks tradisional seperti NDVI, GNDVI dan SAVI telah matang penggunaannya merentas pelbagai tanaman [1].
Kegunaan Utama
Ulasan 2025 mengenal pasti empat bidang utama [1]:
1. Pemantauan pertumbuhan tanaman.
2. Pengenalpastian perosak dan penyakit.
3. Penilaian status nutrien.
4. Ramalan hasil.
Ulasan lain turut menyenaraikan pemantauan tekanan kemarau serta pengesanan rumpai dan patogen [2].
Mengesan Status Nitrogen
Kajian padi menggunakan imej multispektral drone dan pembelajaran mesin mencapai ketepatan keseluruhan 90.0% dalam mengelaskan tahap baja nitrogen (kurang baja, optimum dan berlebihan) [3].
Kajian tebu di kawasan Tropika Basah Australia menggunakan drone LiDAR dan multispektral untuk meramal biojisim dan kandungan nitrogen daun. Ramalan terbaik dicapai awal musim, iaitu 100 hingga 142 hari selepas tuaian sebelumnya, ketika campur tangan pengurusan masih boleh dilakukan [4].
Kajian membandingkan dua kamera multispektral mendapati ketepatan data bergantung kepada kaedah kalibrasi yang betul [5].
Meramal Hasil
Padi
Kajian di sawah kecil di selatan China menggabungkan indeks tumbuhan, ketinggian kanopi dan liputan kanopi daripada imej drone untuk meramal hasil bijirin padi dengan ketepatan tinggi. Peringkat awal pembungaan ialah masa terbaik untuk ramalan [6].
Pelbagai bijirin
Ulasan sistematik 76 artikel mendapati imej multispektral ialah sumber maklumat utama untuk ramalan hasil bijirin, dan model “random forest” serta rangkaian neural konvolusi menunjukkan prestasi terbaik dalam kebanyakan kes [7].
Kecekapan Pemantauan
Kajian yang melibatkan 223 penerbangan drone kecil dengan sensor multispektral mendapati kecekapan pengukuran tertinggi kira-kira 19.8 hektar setiap 10 minit pada ketinggian 100 m. Peta NDVI dapat mengenal pasti perbezaan peringkat kematangan dan kawasan padi rebah, serta membezakan tahap baja padi dan gandum [8].
Daripada Pemantauan kepada Tindakan
Data drone boleh digunakan untuk pembajaan kadar berubah. Kajian gandum menggunakan imej drone bersayap tetap untuk mengesyorkan kadar nitrogen mengikut keadaan tanaman mendapati indeks tuaian dan kecekapan agronomi nitrogen meningkat sebanyak 3.1% dan 11.9%, dengan input nitrogen dikurangkan sebanyak 15.4% tanpa mengurangkan hasil [9].
Kajian hiperspektral gandum pula mendapati, melebihi jumlah nitrogen tertentu, pembajaan tambahan tidak semestinya meningkatkan hasil [10].
Cabaran
Walaupun berpotensi besar, terdapat cabaran:
Masalah dalam pemerolehan, pemprosesan dan aplikasi data telah membantutkan perkembangan teknologi ini, dan lebih banyak usaha diperlukan dalam kaedah kalibrasi dan pemprosesan [5].
Ulasan mencadangkan penyelidikan masa depan memberi tumpuan kepada ketepatan algoritma, aliran kerja pemprosesan data dan kerjasama antara disiplin [1].
Isu jumlah data, pemilihan ciri, penentuan peringkat pertumbuhan optimum dan had drone sendiri masih wujud [7].
Untuk Pekebun Kecil
Ulasan skop tentang penggunaan drone di ladang kecil mendapati drone sebahagian besarnya digunakan untuk memantau pertumbuhan tanaman, membimbing pengurusan baja dan pemetaan tanaman. Dengan kemajuan teknologi dan penurunan kos pemilikan, terdapat sebab untuk optimis tentang penggunaannya pada masa hadapan [11].
Panduan Praktikal
1. Gunakan pemantauan drone untuk mengesan masalah awal [2].
2. Kalibrasi kamera dengan betul untuk data yang tepat [5].
3. Gabungkan data drone dengan pemeriksaan lapangan sebelum mengambil tindakan.
4. Pertimbangkan pembajaan kadar berubah untuk menjimatkan baja [9].
5. Gunakan hanya racun perosak berdaftar dengan Lembaga Racun Makhluk Perosak dan ikut arahan label.
6. Dapatkan nasihat Jabatan Pertanian dan MARDI tentang tafsiran data drone.
Pemantauan Pokok Sawit dan Tanaman Kekal
Selain tanaman bijirin, drone juga digunakan untuk tanaman kekal. Di ladang sawit di Sarawak, data drone digunakan untuk mengenal pasti pokok dan mengukur ketinggian batang dengan ketepatan tinggi [12]. Kajian lain mendapati anggaran potensi pengeluaran sawit menggunakan drone tidak berbeza dengan ketara berbanding bancian lapangan [13]. Dapatan ini menunjukkan teknologi pemantauan drone relevan untuk industri perladangan utama di Malaysia, dan dibincangkan dengan lebih lanjut dalam artikel tentang drone dalam industri sawit.
Ringkasan
Pemantauan drone membolehkan keputusan berasaskan data, tetapi hasilnya bergantung kepada kalibrasi, algoritma dan pengesahan di lapangan [5][7].
Kesimpulan
Drone yang dilengkapi kamera multispektral boleh memantau kesihatan tanaman, mengesan status nitrogen dan meramal hasil dengan ketepatan yang tinggi. Data ini boleh membantu petani mengurangkan penggunaan baja tanpa menjejaskan hasil. Namun, kalibrasi, pemprosesan data dan kepakaran tafsiran masih menjadi cabaran.
Penafian: Artikel ini untuk pengetahuan umum sahaja dan bukan nasihat teknikal khusus. Kebanyakan kajian dijalankan di luar Malaysia. Rujuk Jabatan Pertanian dan MARDI.
Rujukan
[1] Shuang Zhang et al. (2025). A Review of the Application of UAV Multispectral Remote Sensing Technology in Precision Agriculture. Smart Agricultural Technology. DOI: 10.1016/j.atech.2025.101406.
[2] W. Maes et al. (2019). Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture. Trends in plant science. DOI: 10.1016/j.tplants.2018.11.007.
[3] Ming-Der Yang et al. (2025). Precision monitoring of rice nitrogen fertilizer levels based on machine learning and UAV multispectral imagery. Comput. Electron. Agric.. DOI: 10.1016/j.compag.2025.110523.
[4] Yuri Shendryk et al. (2020). Fine-scale prediction of biomass and leaf nitrogen content in sugarcane using UAV LiDAR and multispectral imaging. Int. J. Appl. Earth Obs. Geoinformation. DOI: 10.1016/j.jag.2020.102177.
[5] L. Deng et al. (2018). UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS Journal of Photogrammetry and Remote Sensing. DOI: 10.1016/j.isprsjprs.2018.09.008.
[6] Liang Wan et al. (2020). Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer – a case study of small farmlands in the South of China. Agricultural and Forest Meteorology. DOI: 10.1016/j.agrformet.2020.108096.
[7] Jiang-Hao Yuan et al. (2024). Grain Crop Yield Prediction Using Machine Learning Based on UAV Remote Sensing: A Systematic Literature Review. Drones. DOI: 10.3390/drones8100559.
[8] Sen-Lin Guan et al. (2019). Assessing Correlation of High-Resolution NDVI with Fertilizer Application Level and Yield of Rice and Wheat Crops Using Small UAVs. Remote. Sens.. DOI: 10.3390/rs11020112.
[9] Jiayi Zhang et al. (2021). In-season variable rate nitrogen recommendation for wheat precision production supported by fixed-wing UAV imagery. Precision Agriculture. DOI: 10.1007/s11119-021-09863-2.
[10] Martin Kanning et al. (2018). High-Resolution UAV-Based Hyperspectral Imagery for LAI and Chlorophyll Estimations from Wheat for Yield Prediction. Remote. Sens.. DOI: 10.3390/rs10122000.
[11] S. Gokool et al. (2023). Crop Monitoring in Smallholder Farms Using Unmanned Aerial Vehicles to Facilitate Precision Agriculture Practices: A Scoping Review and Bibliometric Analysis. Sustainability. DOI: 10.3390/su15043557.
[12] D. Fawcett et al. (2019). Unmanned aerial vehicle (UAV) derived structure-from-motion photogrammetry point clouds for oil palm (Elaeis guineensis) canopy segmentation and height estimation. International Journal of Remote Sensing. DOI: 10.1080/01431161.2019.1591651.
[13] Charloq Charloq et al. (2024). Estimating oil palm (Elaeis guineensis) production potential using Unmanned Aerial Vehicle. Biodiversitas Journal of Biological Diversity. DOI: 10.13057/biodiv/d250919.
