Jak wykryć stres roślin w bardzo wczesnym stadium za pomocą analizy obrazów hiperspektralnych?

Wykrywanie stresu roślin w początkowych etapach jest kluczowe dla skutecznego zarządzania zasobami wodnymi w rolnictwie, szczególnie w kontekście zmian klimatycznych, które prowadzą do częstszych okresów suszy. Współczesne technologie, takie jak analiza obrazów hiperspektralnych oraz uczenie maszynowe, umożliwiają wczesne identyfikowanie objawów stresu roślin, zanim jeszcze staną się widoczne dla ludzkiego oka. W tej pracy przedstawiamy podejście, które łączy przetwarzanie obrazów hiperspektralnych, transformację PCA (analizę głównych składowych) oraz model 1D-CNN (jednowymiarową sieć neuronową konwolucyjną) do wykrywania stresu roślin związanego z niedoborem wody.

Do analizy wykorzystano dane uzyskane z obserwacji roślin, które podzielono na dwie grupy: zdrowe rośliny (WW) oraz rośliny narażone na postępujący stres wodny (PD). Na każdym etapie eksperymentu obliczono proporcję spektrów zdrowych roślin (klasa WW) dla każdej grupy roślin w kolejnych dniach eksperymentu. Hipoteza zakładała, że w miarę wzrostu stresu rośliny, proporcja zdrowych spektrów w grupie PD będzie malała. Do oceny różnic między grupami zastosowano jednoczynnikową analizę wariancji (ANOVA), która pozwala określić, czy dane z kilku grup mają wspólną średnią. P-wartość uzyskana z testu ANOVA była istotna statystycznie (poniżej poziomu 0,05) od trzeciego dnia eksperymentu, co sugeruje znaczną różnicę w proporcji zdrowych spektrów między roślinami zdrowymi a tymi narażonymi na stres.

Wyniki potwierdziły skuteczność zastosowanej metody w wykrywaniu początkowych objawów stresu. Po siedmiu dniach od rozpoczęcia eksperymentu w grupie PD zaczęła występować tendencja do poprawy, co może świadczyć o częściowej regeneracji roślin po nawodnieniu. W przypadku grupy zdrowych roślin (WW) proporcja zdrowych spektrów pozostała stabilna przez cały okres eksperymentu. Dodatkowo, wykorzystanie transformacji PCA przed wprowadzeniem danych do modelu 1D-CNN pozwoliło na wcześniejsze wykrycie zmian w proporcji zdrowych spektrów, co nie było możliwe w przypadku zastosowania surowych danych spektralnych.

Porównanie wyników uzyskanych z wykorzystaniem PCA i bez niego pokazało wyraźną przewagę transformacji PCA w kontekście precyzyjnego wykrywania stresu roślin na wczesnym etapie. Model z transformacją PCA osiągnął dokładność na poziomie 84,3%, podczas gdy bez PCA ta wartość wynosiła jedynie 78,1%. To pokazuje, jak ważna jest redukcja wymiarowości w analizie dużych zbiorów danych spektralnych, umożliwiająca lepsze uchwycenie istotnych cech różnicujących zdrowe rośliny od narażonych na stres.

Dzięki zastosowaniu modelu 1D-CNN możliwe stało się wyodrębnienie cech charakterystycznych dla roślin zdrowych i zestresowanych, co w kontekście wczesnej detekcji stresu może mieć ogromne znaczenie praktyczne. Obserwowane wyniki wskazują, że model może być użyty nie tylko do wykrywania objawów suszy, ale także do monitorowania stanu zdrowia roślin w realnych warunkach polowych, gdzie dostęp do tradycyjnych metod diagnostycznych może być ograniczony.

Równocześnie należy zauważyć, że choć przedstawiony model ma ogromny potencjał w zakresie wczesnego wykrywania stresu roślin, nie dostarcza on jeszcze pełnej interpretacji zjawisk fizjologicznych, które mogą leżeć u podstaw tych zmian. Przyszłe badania powinny skupić się na zrozumieniu, które konkretne pasma spektralne odpowiadają za zmiany w cechach fizjologicznych roślin, takich jak zawartość wody czy stan zdrowia komórek roślinnych. Warto także zbadać, jak model radzi sobie z różnymi gatunkami roślin oraz w różnych warunkach środowiskowych. Poszerzenie bazy danych o różne czynniki stresowe i testowanie modelu w różnych klimatach zwiększyłoby jego uniwersalność i przydatność w praktyce rolniczej.

Jak zastosować techniki przetwarzania obrazów hiperspektralnych do klasyfikacji roślinności?

Techniki przetwarzania obrazów hiperspektralnych stały się kluczowe w analizie roślinności, zwłaszcza w kontekście monitorowania zdrowia roślin, zawartości chlorofilu oraz aktywności fotosyntetycznej. Wykorzystanie zaawansowanych metod, takich jak transformacje intensywności oraz indeksy wegetacyjne, pozwala na precyzyjne uchwycenie szczegółowych cech roślinności w obrazie hiperspektralnym, co znacząco poprawia wyniki klasyfikacji.

Pierwszym krokiem w obróbce obrazu jest zastosowanie funkcji transformacji do wartości intensywności pikseli. Funkcja ta ma na celu zwiększenie kontrastu obrazu, przy jednoczesnym zachowaniu lokalnych relacji między intensywnościami pikseli. Dzięki tej technice, jak pokazano w równaniu 4.3, zachowywana jest struktura obrazu, co jest kluczowe dla dalszej analizy. Odpowiednia transformacja zapewnia, że proces wzmocnienia kontrastu nie zniekształca istotnych wzorców i struktur, a także umożliwia adaptację do specyficznych cech każdego obrazu.

Po przetworzeniu obrazu, w celu dalszej analizy zdrowia roślinności, wykorzystuje się szereg indeksów wegetacyjnych, takich jak TCARI, OSAVI, TCARI/OSAVI, BGI2, PRI, NDVI, RDVI czy MCARI2. Każdy z tych wskaźników obliczany jest na podstawie specyficznych wartości odbicia w różnych pasmach spektralnych. Indeksy te oferują cenne informacje na temat zdrowia roślinności, zawartości chlorofilu i ogólnej witalności roślin. Na przykład, TCARI (Transformed Chlorophyll Absorption in Reflectance Index) mierzy absorpcję chlorofilu w różnych pasmach, podczas gdy NDVI (Normalized Difference Vegetation Index) jest powszechnie stosowanym wskaźnikiem do oceny stanu roślinności, zwłaszcza pod kątem zdrowia i aktywności fotosyntetycznej.

Indeksy wegetacyjne są kluczowe w klasyfikacji roślinności, a ich analiza w kontekście obrazów hiperspektralnych umożliwia dokładne rozróżnienie między różnymi typami roślin oraz ocenę ich stanu zdrowia. Oprócz tego, dodatkowe cechy teksturalne, takie jak różnice w maksymalnej intensywności, mogą pomóc w identyfikacji specyficznych cech środowiskowych lub fizjologicznych roślin.

Wybór odpowiednich cech do dalszej analizy odbywa się często za pomocą algorytmów optymalizacyjnych, takich jak algorytm Levy Reptile Search Optimization (LRSO). Algorytm ten, wykorzystując metodę lotu Levy’ego, zapobiega przedwczesnej konwergencji i pomaga w efektywnym wyborze cech, co jest kluczowe w zadaniach związanych z rozpoznawaniem wzorców w obrazach hiperspektralnych. Dzięki tej technice, można uzyskać zestaw cech, który najlepiej reprezentuje analizowane dane i umożliwia skuteczną klasyfikację.

Ważnym elementem analizy jest również ocena wydajności modelu klasyfikacyjnego. W przypadku klasyfikacji obrazów hiperspektralnych, wydajność modelu mierzy się przy pomocy różnych miar, takich jak dokładność, precyzja, czułość (recall) oraz F1-score. Wysoka dokładność klasyfikacji może być myląca, zwłaszcza w przypadku niezrównoważonych zestawów danych, dlatego ważne jest uwzględnienie innych miar. Precyzja, na przykład, jest szczególnie istotna w zastosowaniach takich jak monitorowanie środowiska czy wykrywanie celów wojskowych, gdzie unikanie fałszywych alarmów jest kluczowe. Czułość, z kolei, koncentruje się na unikaniu fałszywych negatywów, co jest szczególnie ważne w klasyfikacji materiałów rzadkich lub trudnych do wykrycia.

Zastosowanie architektury STRNN (Shortcut Residual Neural Network) w klasyfikacji obrazów hiperspektralnych opiera się na wykorzystaniu sieci resztkowych z połączeniami skróconymi. Ta technika pozwala na efektywne przepływanie gradientów, co eliminuje problem zanikania gradientu i poprawia efektywność uczenia modelu. Architektura STRNN, łącząc warstwy konwolucyjne z połączeniami skróconymi oraz warstwami w pełni połączonymi, umożliwia ekstrakcję zarówno przestrzennych, jak i spektralnych cech obrazu, a także skuteczne klasyfikowanie danych hiperspektralnych.

Za pomocą tej architektury oraz technik optymalizacyjnych, takich jak transfer learning i augmentacja danych, można osiągnąć wysoką dokładność klasyfikacji, nawet w przypadku ograniczonej liczby etykietowanych próbek. Transfer learning pozwala na fine-tuning wstępnie wytrenowanych warstw sieci, co może znacząco przyspieszyć proces uczenia oraz poprawić wyniki modelu.

Zrozumienie i zastosowanie tych technik w kontekście obrazów hiperspektralnych jest kluczowe dla efektywnej klasyfikacji roślinności, szczególnie w zadaniach związanych z monitorowaniem stanu ekosystemów, rolnictwem precyzyjnym czy ochroną środowiska. Dzięki połączeniu zaawansowanych metod przetwarzania obrazów, jak transformacje intensywności, oraz algorytmów optymalizacyjnych, możliwe jest uzyskanie dokładnych wyników, które mają szerokie zastosowanie w praktyce.

Jak najnowsze technologie obrazowania hiperspektralnego wspierają dochodzenia sądowo-entomologiczne i analizę kryminalistyczną?

Obrazowanie hiperspektralne (HSI) staje się jednym z najnowocześniejszych narzędzi w kryminalistyce, oferując szereg korzyści w analizie dowodów z miejsca zbrodni, w tym w ocenie przedziału post-mortem (PMI) oraz innych procesów dekompozycji. Dzięki rozwoju technologii, wykorzystanie HSI w entomologii sądowej stało się bardziej precyzyjne i efektywne, oferując nowe możliwości w pracy biegłych w sprawach związanych z morderstwami.

Jednym z najbardziej obiecujących osiągnięć w tej dziedzinie jest integracja systemów obrazowania hiperspektralnego z bezzałogowymi statkami powietrznymi (UAV), które umożliwiają monitorowanie procesów rozkładu ciał w trudno dostępnych lub odległych miejscach. UAV wyposażone w czujniki hiperspektralne umożliwiają bezinwazyjne zbieranie danych na dużych obszarach, co jest szczególnie istotne w terenach, gdzie tradycyjne metody zbierania dowodów są utrudnione. Połączenie takich technologii z danymi termalnymi i LiDAR pozwala na precyzyjniejsze określenie czynników wpływających na procesy rozkładu ciała, takich jak zmiany temperatury czy kontekst przestrzenny (np. wykrywanie miejsc pochówków).

Wprowadzenie nowych algorytmów obróbki danych oraz rozwoju technologii kamer hiperspektralnych umożliwiło również osiągnięcie wyższej rozdzielczości zarówno przestrzennej, jak i spektralnej. W praktyce oznacza to, że specjaliści są w stanie uchwycić nawet najdrobniejsze szczegóły, które mogą mieć znaczenie dla analizy dowodów. Dodatkowo, mobilne urządzenia do obrazowania hiperspektralnego pozwalają na przeprowadzenie szybkiej analizy w miejscu zdarzenia, co istotnie przyspiesza proces dochodzeniowy.

Postęp w algorytmach przetwarzania danych ma równie duże znaczenie. Dzięki zastosowaniu sztucznej inteligencji i uczenia maszynowego, analiza danych hiperspektralnych jest teraz bardziej precyzyjna i szybka, a także mniej podatna na błędy ludzkie. Automatyczne wykrywanie i klasyfikowanie materiałów oraz substancji stało się standardem, co upraszcza procedury identyfikacyjne i umożliwia szybsze uzyskanie wyników.

Jednym z najnowszych zastosowań technologii HSI w kryminalistyce jest ustalanie wieku plam krwi na miejscu zbrodni. Badania wykazały, że zmiany w spektralnych właściwościach składników krwi w czasie mogą dostarczyć cennych informacji o czasie, który upłynął od momentu zbrodni. Podobne zastosowania znalazły się także w analizie resztek materiałów wybuchowych, identyfikacji substancji chemicznych, a także w badaniach związanych z analizą odcisków palców czy śladów po kulach.

Integracja danych hiperspektralnych z innymi typami obrazowania, takimi jak obrazowanie wielospektralne czy termalne, stanowi istotny krok w kierunku jeszcze bardziej kompleksowej analizy kryminalistycznej. Takie połączenie różnych źródeł informacji pozwala na uzyskanie pełniejszego obrazu sytuacji, a tym samym zwiększa dokładność dochodzenia.

Warto także zwrócić uwagę na rozwój baz danych hiperspektralnych dedykowanych dla celów kryminalistycznych. Te zbiory danych zawierają charakterystyki spektralne różnych materiałów i substancji, co znacząco wspomaga proces identyfikacji i analizy dowodów na miejscu zbrodni. Dzięki tym bazom dane uzyskane z różnych miejsc mogą zostać porównane i zinterpretowane w kontekście szerszych badań, co stanowi ogromną pomoc w dochodzeniu.

Obrazowanie hiperspektralne wchodzi w erę, w której jest stosowane nie tylko do identyfikacji materiałów, ale również do bardziej złożonych analiz, takich jak wykrywanie substancji niebezpiecznych, śladów broni palnej czy innych śladów biologicznych, które mogą być kluczowe w rozwiązaniu sprawy. Dzięki postępom w tej dziedzinie, technologia ta ma potencjał, by stać się nieocenionym narzędziem w walce z przestępczością i wspomaganiu sprawiedliwości.

Jak hyperspektralna kamera może pomóc w diagnozowaniu ukrytego zakażenia gruźlicą?

Hyperspektralne obrazowanie (HSI) stanowi innowacyjne narzędzie w diagnostyce medycznej, oferując możliwość szczegółowego badania struktury tkanek ludzkich w sposób, który nie jest dostępny dla tradycyjnych metod obrazowania. W badaniu, które posłużyło za podstawę do analizy, zastosowano kamerę hyperspektralną IQ Specim, która rejestruje obrazy w 204 pasmach długości fali, rozciągających się od 397 do 1003 nm. Tak szerokie spektrum umożliwia uzyskanie szczegółowych informacji na temat właściwości tkanek, które są niewidoczne dla ludzkiego oka. Zastosowanie tej technologii w kontekście testu tuberkulinowego (TST) pozwala na precyzyjne zidentyfikowanie i mapowanie zmian skórnych związanych z reakcją na tuberkulinę, które mogą być trudne do uchwycenia tradycyjnymi metodami.

Podstawową ideą wykorzystania hyperspektralnego obrazowania w diagnostyce gruźlicy jest stworzenie tzw. "hiperkostek" (hypercubes) – zbiorów danych przestrzennych i spektralnych, które reprezentują różne właściwości badanego obszaru skóry. Każdy taki hiperkostek składa się z pikseli, których intensywność w poszczególnych pasmach widma jest analizowana, umożliwiając wyodrębnienie specyficznych cech tkanek. W przypadku TST, hiperkostek obejmuje obszary skórne z zaczerwienieniem (erythema), stwardnieniem (induracja) oraz normalną skórą. Przy odpowiedniej kalibracji i przetwarzaniu tych danych, możliwe jest precyzyjne zidentyfikowanie granic stwardnienia, co w tradycyjnym odczycie TST może być trudne.

W badaniu tym, światło emitowane przez diody LED o zakresie długości fali od 400 do 1000 nm oświetlało obszar skóry pacjenta, który był następnie analizowany przez kamerę. Aby uniknąć zakłóceń wynikających z oświetlenia otoczenia, specjalnie zaprojektowane urządzenie zostało umieszczone nad skórą pacjenta, a do zdjęć wykorzystywano panel referencyjny Spectralon®. Jest to materiał, który odbija prawie 99% padającego światła, co umożliwia dokładne określenie spektralnego podpisu oświetlenia w danym obrazie.

Proces analizy obrazów w tym przypadku polega na subtrakcji sygnałów zakłócających, takich jak szum tła (Idark), co pozwala na uzyskanie oczyszczonych danych o właściwościach skóry. Stworzenie kalibracji danych jest kluczowe dla dokładności pomiaru i wymaga uwzględnienia zarówno światła odbitego od skóry, jak i naturalnych cech samego czujnika kamery. Dzięki temu możliwe jest uzyskanie danych o skórach, które wykazują zmiany związane z reaktywnością na tuberkulinę.

Badania opierają się na analizie hiperkostek z 20 osobami, które przeszły test tuberkulinowy. W grupie tej 12 osób wykazywało odczuwalne stwardnienia, a 8 nie miało żadnych zmian. Zbiory te zostały podzielone na dwie grupy: treningową i testową, aby zapewnić reprezentatywność wyników. Obrazowanie hyperspektralne, jak pokazuje przykład badania, może dokładnie zmapować obszary zmian na skórze, co w połączeniu z tradycyjnymi odczytami testu Mantoux daje pełniejszy obraz reakcji organizmu.

Ważnym aspektem tego badania jest fakt, że tradycyjne pomiary wykonane w ramach testu Mantoux dostarczają tylko ogólnych informacji o obecności lub braku stwardnienia, ale nie określają dokładnych granic zmiany. Dzięki technologii hyperspektralnej możliwe jest wyodrębnienie tych granic z niezwykłą precyzją, co może mieć istotne znaczenie w diagnozowaniu i monitorowaniu przebiegu infekcji gruźliczej.

PCA (Principal Component Analysis), czyli analiza głównych składowych, jest techniką, która została zastosowana do analizy hyperspektralnych danych w tym badaniu. PCA pozwala na redukcję wymiarowości danych i identyfikację naturalnych skupisk spektralnych, które mogą odpowiadać poszczególnym charakterystykom tkanek. Technika ta umożliwia wyodrębnienie skupisk, które odpowiadają skórze z induracją i innych zmian skórnych, co w przypadku klasycznych metod diagnostycznych jest trudne do uchwycenia.

Kluczowe w tym procesie jest zastosowanie technik uczenia maszynowego do generowania precyzyjnych etykiet dla poszczególnych pikseli w hiperkostkach. Dzięki zastosowaniu takich algorytmów możliwe jest automatyczne przypisanie określonych etykiet do poszczególnych fragmentów obrazu, co pozwala na dokładną segmentację zmiany skórnej i łatwiejsze zrozumienie jej granic. Proces ten eliminuje subiektywność wynikającą z ręcznego pomiaru, który może być zależny od doświadczenia klinicysty i jego interpretacji zmiany.

Znaczenie tej technologii wykracza poza tylko diagnostykę TST. Może być wykorzystane w szerokim zakresie, od monitorowania reakcji skórnych na różne substancje, przez precyzyjne określanie granic stanów zapalnych, aż po bardziej zaawansowane analizy, jak określanie etapów chorób skórnych w oparciu o zmiany w odbiciach spektralnych.

Technologia hyperspektralna pozwala więc na uzyskanie dokładniejszych i bardziej obiektywnych wyników w diagnostyce medycznej, zwłaszcza w przypadku chorób, które wymagają precyzyjnego określenia zmienionych tkanek. Zastosowanie tej technologii w diagnostyce gruźlicy może zrewolucjonizować sposób, w jaki monitorujemy reakcje na testy, oraz otworzyć drzwi do nowych metod leczenia i monitorowania chorób zapalnych.

Jak skutecznie przetwarzać dane hiperspektralne w analizie obrazów rolniczych?

Przetwarzanie i analiza danych hiperspektralnych (HSI) stały się niezwykle istotnymi narzędziami w badaniach rolniczych, szczególnie w kontekście monitorowania upraw i wykrywania zmian w fazach wzrostu roślin. W tym kontekście istotne staje się zrozumienie technik, które pozwalają na wydobycie najbardziej wartościowych informacji z danych hiperspektralnych, poprzez odpowiednie przetwarzanie i redukcję wymiarowości.

Jednym z najważniejszych aspektów analizy HSI jest preprocessowanie danych, które może obejmować różnorodne metody, takie jak normalizacja czy techniki poprawy jakości obrazu. W kontekście przetwarzania hiperspektralnych danych o uprawach, jedną z kluczowych metod jest wykorzystanie techniki PCA (Principal Component Analysis). PCA pozwala na redukcję wymiarowości poprzez eliminację szumów i mniejszych komponentów, co skutkuje bardziej zwartą i użyteczną reprezentacją danych. Zastosowanie PCA ułatwia również integrację pikseli mieszanych, co w konsekwencji zwiększa ilość danych treningowych, co może znacząco wpłynąć na efektywność klasyfikatora.

Inną metodą jest NMF (Non-negative Matrix Factorization), która pozwala na jeszcze bardziej efektywne wyodrębnienie fundamentalnych źródeł danych. NMF jest szczególnie przydatne w kontekście hiperspektralnych obrazów, ponieważ umożliwia dokładniejsze odwzorowanie składników fundamentalnych, unikając problemu z negatywnymi fluksami, który występuje przy PCA. Wykorzystanie NMF do redukcji wymiarowości pozwala na tworzenie bardziej spójnych reprezentacji danych, co może znacząco poprawić efektywność analizy.

Podczas procesu analizy danych, niezwykle ważna jest selekcja cech. W kontekście analizy obrazów hiperspektralnych, różne etapy rozwoju upraw mogą manifestować się poprzez specyficzne zmiany w spektrum odbicia, a także w innych cechach danych. Dlatego też analiza wariancji (ANOVA) i analiza wariancji wielowymiarowej (MANOVA) są użytecznymi technikami, które pozwalają na identyfikację istotnych różnic w danych pomiędzy różnymi typami upraw oraz etapami ich wzrostu. Poznanie tych zależności pozwala na lepsze zarządzanie uprawami i podejmowanie bardziej świadomych decyzji w zakresie ochrony roślin czy planowania zbiorów.

W ramach selekcji cech, choroplety są efektywnym narzędziem wizualizacyjnym, które umożliwiają ukazanie rozprzestrzenienia upraw na większych obszarach. Analiza danych spektralnych może obejmować także wizualizację wykresów rozrzutu spektralnego, które pozwalają na identyfikację zależności między wartością odbicia powierzchni a różnymi zmiennymi agrotechnicznymi, takimi jak rodzaj upraw czy etap wzrostu.

Poza przetwarzaniem danych, kluczowym elementem jest także zastosowanie odpowiednich modeli klasyfikacyjnych, które pozwalają na automatyczną analizę i klasyfikację danych. XGBoost to przykład skutecznego modelu opartego na nauczaniu z użyciem drzew decyzyjnych, który umożliwia uzyskanie wysokiej dokładności klasyfikacji. Dzięki regularizacji parametrów i wykorzystaniu drzew trenowanych w sposób sekwencyjny, XGBoost skutecznie minimalizuje błąd i pozwala na osiągnięcie lepszych wyników niż tradycyjne algorytmy, takie jak LDA czy QDA.

Proces normalizacji danych, za pomocą metod takich jak MSC (Multiplicative Scatter Correction), odgrywa kluczową rolę w analizie danych hiperspektralnych. Ta technika pozwala na dopasowanie spektrum do wzorca referencyjnego, co jest niezbędne w przypadku dużych odchyleń w oświetleniu. Pozwala to na eliminację zniekształceń wynikających z warunków atmosferycznych czy różnic w czasie zbioru, co umożliwia uzyskanie bardziej precyzyjnych wyników analizy.

Aby analiza była jeszcze bardziej precyzyjna, wykorzystuje się także analizę statystyczną, na przykład metodę ANOVA, która pozwala na określenie, jakie różnice w odbiciach spektralnych są istotne w kontekście różnych rodzajów upraw czy faz wzrostu. Dodatkowo, MANOVA, w przypadku pracy z wieloma pasmami spektralnymi, pozwala na bardziej zaawansowaną analizę zależności pomiędzy wieloma zmiennymi.

Znajomość powyższych metod jest kluczowa dla każdego, kto zajmuje się analizą danych hiperspektralnych w kontekście monitorowania upraw. Warto jednak pamiętać, że sukces w analizie HSI zależy również od odpowiedniego przetwarzania wstępnego danych, wyboru właściwych cech oraz zastosowania odpowiednich technik klasyfikacyjnych. Właściwa integracja tych elementów pozwala na uzyskanie bardziej precyzyjnych wyników, które mogą zostać wykorzystane w praktyce rolniczej, ułatwiając podejmowanie decyzji dotyczących ochrony roślin, nawożenia czy planowania zbiorów.