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

Брить или не брить: 17 вех из истории бороды Брить или не брить: 17 вех из истории бороды

Как жители разных уголков мира относились к растительности на лице

Вокруг света
Озон под угрозой из космоса Озон под угрозой из космоса

Природные факторы, ослабляющие озоновый слой Земли

Санкт-Петербургский университет
Чем привлекает SERES M7? Прежде всего запахом Чем привлекает SERES M7? Прежде всего запахом

Тест-драйв премиального китайского кроссовера SERES M7

4x4 Club
«Газпром»: спасение достояния «Газпром»: спасение достояния

Возможные направления программы развития крупнейшей российской газовой компании

Монокль
«Папа умер в субботу»: драма о том, как понять и простить собственную семью «Папа умер в субботу»: драма о том, как понять и простить собственную семью

Как картина «Папа умер в субботу» оказывается пронзительным фильмом о прощении

Forbes
Как устроен фильм «Паразиты». Отрывок из книги о режиссере Пон Джун-хо Как устроен фильм «Паразиты». Отрывок из книги о режиссере Пон Джун-хо

Отрывок из книги корейского кинокритика Ли Дон-чжина «Миры Пон Джун-хо»

СНОБ
Мыльный кутюр Мыльный кутюр

«Модный дом»: скандалы, интриги и повестка фэшн-индустрии

Weekend
Дожди еще впереди: как выбрать качественный зонт, который не подведет в плохую погоду Дожди еще впереди: как выбрать качественный зонт, который не подведет в плохую погоду

На какие факторы нужно обращать внимание при покупке зонта

ТехИнсайдер
Ростов Великий Ростов Великий

Ростов Великий и его главные богатства

КАНТРИ Русская азбука
Сначала птерозавры лазали по деревьям и только потом поднялись в небо Сначала птерозавры лазали по деревьям и только потом поднялись в небо

Конечности птерозавров ранней мезозойской эры приспособлены для деревьев

ТехИнсайдер
Вирусы: из врагов в союзники Вирусы: из врагов в союзники

Новые методы борьбы с онкологическими заболеваниями

Наука и техника
Имитация голодания и еще 8 стрессов, которые омолодят организм Имитация голодания и еще 8 стрессов, которые омолодят организм

Виды стресса, которые пойдут на пользу вашему организму

Psychologies
Евгений Шмидт: «Многие используют Германию в целях обогащения» Евгений Шмидт: «Многие используют Германию в целях обогащения»

Правящая партия Германии сознательно проводит политику привлечения мигрантов

Монокль
Слонихи из зоопарка вспомнили запахи бывших смотрителей Слонихи из зоопарка вспомнили запахи бывших смотрителей

Слоны способны долго хранить воспоминания о знакомых людях

N+1
Как владелец Киржачской типографии вкладывает в родной город сотни миллионов рублей Как владелец Киржачской типографии вкладывает в родной город сотни миллионов рублей

Как предприниматель Евгений Федоров возвращает жизнь в родной Киржач

Forbes
Десерт, который свел с ума весь мир: в чем феномен дубайского шоколада и как его приготовить Десерт, который свел с ума весь мир: в чем феномен дубайского шоколада и как его приготовить

В чем же секрет сладости, штурмом захватившей интернет, и каков ее рецепт?

ТехИнсайдер
4 шага, чтобы научиться ценить себя и признавать свои достижения 4 шага, чтобы научиться ценить себя и признавать свои достижения

Почему мы не ценим свои успехи и как наконец научиться это делать?

Psychologies
«Я-ловушка» и еще 4 тренда дейтинг-приложений, которые ждут нас в 2025 году «Я-ловушка» и еще 4 тренда дейтинг-приложений, которые ждут нас в 2025 году

Пять тенденций в сфере знакомств, которые будут актуальны в 2025 году

Psychologies
Как Аватар пришел на помощь Чебурашке Как Аватар пришел на помощь Чебурашке

Как пиратский прокат фильмов позволяет кинотеатрам закрывать финансовую брешь

Монокль
Будь как Элтон Джон: почему люди отказываются от новых смартфонов ради ретрогаджетов Будь как Элтон Джон: почему люди отказываются от новых смартфонов ради ретрогаджетов

Что такое цифровая усталость и почему люди переходят на кнопочные телефоны

Forbes
«Не могу ни спать, ни работать, пока муж в командировке» — это уже созависимость? «Не могу ни спать, ни работать, пока муж в командировке» — это уже созависимость?

Где грань между привязанностью и созависимыми отношениями

Psychologies
Большие связи: как с помощью психологии налаживать общение с разными людьми Большие связи: как с помощью психологии налаживать общение с разными людьми

Простые и полезные для повседневной жизни коучинговые упражнения

Psychologies
У меня лапки: что такое вооруженная некомпетентность и почему удобно быть беспомощным У меня лапки: что такое вооруженная некомпетентность и почему удобно быть беспомощным

Как мнимая беспомощность оказывается оружием для защиты собственных интересов

Forbes
«В нашем браке есть все, кроме секса. Мужа устраивает, но я не могу с этим смириться»: нашей читательнице отвечает эксперт «В нашем браке есть все, кроме секса. Мужа устраивает, но я не могу с этим смириться»: нашей читательнице отвечает эксперт

Почему из отношений уходит то, ради чего их начинали мужчина и женщина?

Psychologies
Нажать «рестарт» Нажать «рестарт»

Камбэк и новый вектор развития бренда Victoria Andreyanova

Grazia
Новая физика рождается под землёй Новая физика рождается под землёй

Приключение за неуловимой нейтрино в недра Баксанской нейтринной обсерватории

Наука и жизнь
Огромные бани с мозаичными полами найдены в древнеримском городе на Сицилии Огромные бани с мозаичными полами найдены в древнеримском городе на Сицилии

Археологи обнаружили термальные ванны в древнеримском городе Халеса Архонидеа

ТехИнсайдер
Нелегкие испытания Нелегкие испытания

История мужчины, столкнувшегося с одним из самых агрессивных видов рака

Men Today
Азия в фокусе Азия в фокусе

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

Лиза
Что такое «мужской грипп» и существует ли он: только наука Что такое «мужской грипп» и существует ли он: только наука

Болеют ли мужчины как-то особенно?

ТехИнсайдер
Открыть в приложении