Как нейросети помогают узнать, сколько удобрений нужно вносить в почву

Санкт-Петербургский университетHi-Tech

Нейросети-растениеводы

Урожайность растений можно повысить с помощью удобрений. Сколько полезных веществ для этого нужно внести в почву, помогут узнать нейросети.

Автор: Евгения Орлова

Freepik

Ученые Санкт-Петербургского университета и Агрофизического научно-исследовательского института (АФИ) научили искусственный интеллект по фотографиям с полей определять, какие участки удобрены недостаточно, а где, наоборот, присутствует избыток питательных элементов.

Зеленый цвет в норме?

Исследования, посвященные применению математических методов в растениеводстве, специалисты СПбГУ и АФИ ведут уже более 50 лет. В рамках одной из последних работ ученые решили выяснить, можно ли улучшить мониторинг сельскохозяйственных земель Северо-Западного региона с помощью внедрения нейросетевых технологий. Научный коллектив выбрал десять нейросетей и проверил их эффективность в отслеживании азотного статуса растений, то есть уровня содержания в них азота.

«Мы сосредоточились на этой задаче, поскольку азот играет ключевую роль в процессе роста и развития сельскохозяйственных культур. Недостаток этого элемента вызывает у растений стресс, приводит к уменьшению урожайности и снижению качества продукции. Аналогичные последствия наблюдаются и при избытке азота», — объясняет Иван Станиславович Блеканов, доцент СПбГУ, заведующий кафедрой технологии программирования.

По словам исследователя, изменение азотного статуса сказывается и на внешнем виде сельскохозяйственных культур. Азот участвует в образовании хлорофилла — пигмента, который придает растениям зеленый цвет. Поэтому если у них начинается азотное голодание, то окраска листьев становится бледно-зеленой, позже желтой, а впоследствии бурой. Вместе с этим листва становится мелкой и узкой. При избытке азота листья растений темнеют, а их края постепенно становятся коричневыми из-за некроза тканей. Затем листовые пластинки скручиваются, вянут и опадают.

Ценные культуры

Ученые СПбГУ и АФИ учили нейросети определять баланс и дисбаланс азота в растениях как раз по изменению их цвета. Для этого исследователи в 2020–2021 годах вели фотосъемку двух сельскохозяйственных полей Агрофизического научно-исследовательского института, расположенных в Гатчинском районе Ленинградской области. Для проведения работ были выбраны земли с зерновыми культурами.

«Наша группа остановилась на зерновых неспроста, — отмечает Иван Блеканов. — Во-первых, они входят в число наиболее важных для обеспечения продуктовой безопасности России культур. Во-вторых, по данным Food and Agriculture Organization, по экспорту зерновых Российская Федерация является мировым лидером, и важно сохранять этот статус, следовательно, необходимо следить за хорошим состоянием растений, в том числе за их азотным питанием».

Данные об азотном статусе культур на полях Ленобласти исследователи получали с помощью беспилотных летательных аппаратов. БПЛА позволили научной группе вести фотографирование в разных погодных условиях, в том числе при высокой облачности, и оперативно получать высокоточные снимки большого разрешения, чего не удалось бы добиться при использовании спутников.

Увидеть скрытое

В результате исследователи получили более 20 тысяч мультиспектральных изображений — многослойных снимков, каждый слой которых представляет объекты в определенном спектральном диапазоне: зеленом, синем, красном, ближнем инфракрасном и дальнем красном. Такие фотографии позволяют установить не только видимые особенности растений, но и присущие им характеристики, проявляющиеся в невидимом невооруженным глазом спектре.

Пятислойные изображения ученые далее объединили в ортофотопланы — фотографические планы местности, на которых все объекты имеют точную привязку к системе координат. На получившиеся карты исследователи добавили слой с информацией о тестовых площадках — участках полей, на которые аграрии ранее внесли точно известные объемы азота: 0, 40, 80, 120, 160 и 200 килограммов на гектар. Это было необходимо, чтобы нейросеть могла понять и запомнить, как меняется внешний вид зерновых культур при разном уровне содержания азотсодержащих удобрений — от нулевого до избыточного. Спектральные характеристики растений с тестовых площадок ученые обозначили для искусственного интеллекта как эталонные.

Но для корректного обучения нейросетей информации об участках-эталонах оказалось недостаточно. Требовалось больше изображений с известными параметрами азотного питания. Чтобы вручную проанализировать состояние полей и посадок на них, понадобилось бы много времени и финансовых вложений, поскольку общая площадь изучаемых территорий составляла более 50 гектаров. Поэтому исследователи решили на основе ортофотопланов и данных с тестовых площадок искусственно генерировать для изучаемой местности дополнительный набор из 15 тысяч изображений. «Для их создания мы разработали специальные алгоритмы. Этот подход позволил сымитировать разброс данных, приближенный к реальному распределению агроэкологических показателей по всей обследуемой территории», — объясняет Иван Блеканов.

В помощь аграриям

Завершив формирование обучающей выборки, исследователи приступили к обучению выбранных нейросетевых моделей. В ходе этой работы ученые экспериментировали с количеством загружаемых в нейросети за один подход изображений, а также с числом и комбинациями их слоев. Так научный коллектив выяснил, при каких параметрах повышается качество обучения искусственного интеллекта.

Из десяти выбранных для исследования нейросетей пять показали хорошие результаты. В оценочных тестах им удавалось с высоким процентом точности определить, каков уровень содержания азота в зерновых, представленных на предложенных снимках. «Среди всех нейросетевых моделей более устойчивой и надежной для работы с разными видами культур оказалась нейронная сеть Attention R2U-Net (t2) — ее точность составила 97,59–99,96 %», — рассказывает Иван Блеканов.

Исследование ученых показало, что съемка беспилотными летательными аппаратами в сочетании с использованием нейронных сетей — действенный метод для мониторинга азотного статуса зерновых культур. К тому же он позволяет снизить стоимость и повысить оперативность мониторинга сельскохозяйственных земель за счет автоматизации процесса.

По словам Ивана Блеканова, обученная научным коллективом нейросеть даст аграриям возможность в онлайн-режиме, в сжатые сроки и без дополнительных трудозатрат узнавать о недостатке или переизбытке удобрений на различных участках полей. На основе этих данных искусственный интеллект также сможет формировать карты-задания с указанием индивидуальных норм внесения питательных веществ для каждого отрезка земли. Этот файл можно будет загружать в бортовой компьютер сельскохозяйственной техники, которая по созданному нейросетью плану выполнит уход за зерновыми культурами.

Разработка ученых СПбГУ и АФИ дополнительно сделает выращивание растений более экологичным, потому что аграрии смогут предотвращать излишнее попадание агрохимикатов в окружающую среду. Это также поможет предприятиям устранить проблему перерасхода удобрений, а значит, сэкономит средства на их закупку.

С помощью разработки ученых СПбГУ и АФИ аграрии смогут оперативно формировать для сельскохозяйственной техники карты-задания с указанием норм удобрения растений на разных участках земли. Freepik

Улучшенная модель

В настоящее время научный коллектив совершенствует разработку для успешного внедрения в практику. «На данном этапе наша команда приступает к тестированию нейросетей уже не на искусственно сгенерированных, а на реальных данных, — говорит Ольга Александровна Митрофанова, доцент СПбГУ (кафедра технологии программирования). — Их сбор проводился в 2023 году на одном из полей с пшеницей биополигона АФИ. Там мы, как и ранее, заложили тестовые участки с известным азотным статусом растений и предусмотрели 100 геопривязанных точек для отбора проб по всей площади поля. Научный коллектив собирал в этих точках образцы почвы и растений на разных фазах их развития — от образования надземных побегов до созревания. Дополнительно мы измеряли уровень содержания азота с помощью специальных приборов, например N-тестера».

Данные, которые ученые получат после анализа собранных материалов в агрохимической лаборатории, будут нанесены на новые ортофотопланы и предоставлены нейросетям для обработки. Это позволит исследователям убедиться в надежности созданных ими нейросетевых методов перед выводом разработки на рынок.

В дальнейшем научный коллектив планирует научить нейросети определять не только азотный статус растений, но и другие агроэкологические параметры, например водный стресс и количество сорняков на полях. Также исследователи намерены расширить количество культур, с которыми могут работать нейросетевые модели, и сделать возможным применение метода для разных регионов и климатических условий.

В сельском хозяйстве сбор данных с помощью беспилотных летательных аппаратов сегодня также используется для обнаружения сорняков и болезней растений, прогнозирования урожайности.

«Мы уже получили для тестирования данные по зерновым культурам от коллег из Федерального научного центра риса в Краснодарском крае. А с начала 2023 года стали сотрудничать с Харбинским политехническим институтом в Китае. Планируем проверить применимость наших нейросетевых методов для их территорий, в том числе для зон рискованного земледелия — тех, где ведение сельского хозяйства затруднено из-за особенностей климата», — отмечает Иван Блеканов.

По его словам, нейросетевая модель, прошедшая дополнительное обучение, затем будет подключена к масштабной единой геоинформационной веб-системе, которую параллельно разрабатывает научный коллектив. С помощью сервиса пользователи смогут получать для сельскохозяйственной техники готовые карты-задания на разные аграрные операции. Для этого потребуется лишь загрузить данные, которые сможет проанализировать искусственный интеллект, например аэрофото или спутниковые снимки, и сделать запрос на проведение желаемого анализа.

Freepik

Авторы исследования:

Иван Станиславович Блеканов, кандидат технических наук, доцент СПбГУ, заведующий кафедрой технологии программирования, руководитель образовательной программы магистратуры СПбГУ «Технологии искусственного интеллекта и Big Data», руководитель IT-клиники Университета;

Александр Евгеньевич Молин, аспирант СПбГУ (программа «Математическая кибернетика»);

Евгений Павлович Митрофанов, кандидат технических наук, доцент СПбГУ (кафедра технологии программирования), младший научный сотрудник Агрофизического научно-исследовательского института;

Ольга Александровна Митрофанова, кандидат технических наук, доцент СПбГУ (кафедра технологии программирования);

Чжан Дачжи, профессор Харбинского политехнического университета (факультет математики);

Ли Инь, доцент Харбинского политехнического университета (факультет математики).

При нормальном азотном питании

У растений повышается синтез белков, ускоряется рост и частично замедляется старение. Культуры образуют мощные стебли и листья с интенсивно зеленой окраской, что приводит к увеличению урожайности.

При этом качество урожая зависит от формы азота, поступающего в растения. Так, при аммиачном питании повышается восстановительная способность растительной клетки, образуется больше восстановленных органических соединений, например эфирных масел в перечной мяте. При нитратном питании, наоборот, преобладает окислительная способность клеточного сока, больше образуется органических кислот, в частности лимонной кислоты в махорке.

Источник: А. А. Корчагин, М. А. Мазиров, Н. А. Комарова. Система удобрений: учебное пособие. 2018 год

Подробнее об исследовании ученых СПбГУ можно прочитать в статье Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches, опубликованной в журнале Computers and Electronics in Agriculture.

Хочешь стать одним из более 100 000 пользователей, кто регулярно использует kiozk для получения новых знаний?
Не упусти главного с нашим telegram-каналом: https://kiozk.ru/s/voyrl

Авторизуйтесь, чтобы продолжить чтение. Это быстро и бесплатно.

Регистрируясь, я принимаю условия использования

Рекомендуемые статьи

Классика по-московски Классика по-московски

Спокойный, выдержанный, элегантный интерьер квартиры в центре Москвы

SALON-Interior
На чем цвет стоит На чем цвет стоит

Осени к лицу желтый цвет, чего не скажешь о ваших зубах. Как сделать их белыми?

Men Today
ЗОЖ: «лазоревые» регионы долголетия ЗОЖ: «лазоревые» регионы долголетия

Продолжительность жизни можно увеличить, изменив пищевые привычки

Агроинвестор
Башенные и безбашенные Башенные и безбашенные

Актуальные часы на башнях и стенах столицы

Men Today
«Слава Богу, что я на земле без отчизны остался» «Слава Богу, что я на земле без отчизны остался»

Знал ли Бродский, стоя в аэропорту, что никогда больше не увидит родителей?

Дилетант
5 признаков того, что вашей жизнью правит озлобленный внутренний ребенок 5 признаков того, что вашей жизнью правит озлобленный внутренний ребенок

Как понять, что вашей жизнью управляет травмированный, злой внутренний ребенок

Psychologies
Аденоиды: удалять или нет? Аденоиды: удалять или нет?

Единого мнения, нужно ли удалять аденоиды, у врачей до сих пор нет

Лиза
Павел Дуров обвинил Ирину Болгар в недостаточно роскошной жизни. Как строить отношения, если партнер гораздо богаче вас? Павел Дуров обвинил Ирину Болгар в недостаточно роскошной жизни. Как строить отношения, если партнер гораздо богаче вас?

Как финансовый статус партнера влияет на отношения

Psychologies
Фонотека Фонотека

Композиторы, чей вклад в создание киношедевра не уступает режиссерскому

Правила жизни
Миллион голосов от Опры: как поддержка звезд меняла исход президентских выборов Миллион голосов от Опры: как поддержка звезд меняла исход президентских выборов

Когда Голливуд стал частью предвыборных компаний кандидатов в президенты США?

Forbes
Нелегкие испытания Нелегкие испытания

История мужчины, столкнувшегося с одним из самых агрессивных видов рака

Men Today
Почему буксует всегда одно колесо – и еще 3 необычных факта о дифференциале автомобиля Почему буксует всегда одно колесо – и еще 3 необычных факта о дифференциале автомобиля

Дифференциал: что это за устройство, зачем он нужен?

ТехИнсайдер
Алкоголик, мизогин, благородный узник ГУЛАГа: каким был поэт Николай Заболоцкий Алкоголик, мизогин, благородный узник ГУЛАГа: каким был поэт Николай Заболоцкий

О том, как Заболоцкий в ГУЛАГе стал примером человеческого достоинства

СНОБ
Наталья Зубаревич: «Произошло перераспределение инвестиционных потоков между регионами» Наталья Зубаревич: «Произошло перераспределение инвестиционных потоков между регионами»

Наталья Зубаревич — к какому кризису стоит готовиться бизнесу

РБК
Аврора: «Возраст скрывают люди, неуверенные в себе» Аврора: «Возраст скрывают люди, неуверенные в себе»

Телеведущая Аврора о нутрициологии, блефаропластике и роли эндокринолога

Здоровье
«Кровавый зуб» «Кровавый зуб»

...Из-под ног вспорхнули рябчики. Кто-то удивлённо спросил: «Это что, кровь?»

Наука и жизнь
Боль клиента: как частные компании заменяют полицию в странах Глобального Юга Боль клиента: как частные компании заменяют полицию в странах Глобального Юга

Могут ли частные охранные компании влиять на глобальную стабильность?

Forbes
Стенка на стенку Стенка на стенку

Если уж чем-то и мериться, то почему бы не... кремлями!

КАНТРИ Русская азбука
Азия в фокусе Азия в фокусе

Куда поехать осенью за теплом и морем – выбрали 5 достойных внимания направлений

Лиза
Гений вне морали, или Смертоносная красота. Как Оскар Уайльд и эстетизм проиграли современному миру Гений вне морали, или Смертоносная красота. Как Оскар Уайльд и эстетизм проиграли современному миру

За что викторианская эпоха выбрала Уайльда козлом отпущения

СНОБ
«Не отрекаются любя»: 5 популярных ретропесен, в которых поется о нездоровых отношениях «Не отрекаются любя»: 5 популярных ретропесен, в которых поется о нездоровых отношениях

Далеко не все ретропесни имеют позитивный, с точки зрения психологии, посыл

Psychologies
Взять вино на себя Взять вино на себя

Почему гибрид – это свобода, а электромобиль – скорее наоборот

Автопилот
Кто в океане правит бал Кто в океане правит бал

На земле всё начинается с растений, а как обстоят дела в морях и океанах?

Наука и жизнь
«В реальности жести побольше» «В реальности жести побольше»

Зака Абдрахманова о своем дебюте «Папа умер в субботу»

Weekend
Не переношу критику Не переношу критику

Как научиться спокойно воспринимать замечания руководства

Лиза
Кино Кино

Значимые направления кинематографа, причины их возникновения и заката

Правила жизни
Китайская доходность: что происходит с облигациями в юанях Китайская доходность: что происходит с облигациями в юанях

Рынок юаневых облигаций мог бы заменить закрытый рынок евробондов

Forbes
Когда Африку разрезали как пирог… Когда Африку разрезали как пирог…

Как дикий империализм, облачившись в «цивилизованный костюм», делил Африку

Знание – сила
Ядовитая смесь: 5 пар чистящих средств, которые ни в коем случае нельзя смешивать Ядовитая смесь: 5 пар чистящих средств, которые ни в коем случае нельзя смешивать

Не пытайтесь примерить на себя роль химика: эта игра может закончиться печально

ТехИнсайдер
Как фирма иммигрантки из Турции обошла Boeing в разработке самолетов «Судного дня» Как фирма иммигрантки из Турции обошла Boeing в разработке самолетов «Судного дня»

Как компания Эрен Озмен планирует производить уникальные самолеты

Forbes
Открыть в приложении