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

Елена Лядова: «Дом — не дом, если там холодно и нет любви» Елена Лядова: «Дом — не дом, если там холодно и нет любви»

Крыло горит, я на высоте, а вся группа — внизу

Караван историй
Почему мы откладываем жизнь на потом? Почему мы откладываем жизнь на потом?

О синдроме отложенной жизни рассказывает психолог-консультант

Psychologies
Через голову Через голову

Мы попробовали взглянуть на секс и оргазм глазами наших подруг

Men Today
«Она смотрела на меня серьезно и опасливо всю дорогу, пока не задремала и не стала теплой». Отрывок повести Любы Макаревской «Март, октябрь, Мальва» «Она смотрела на меня серьезно и опасливо всю дорогу, пока не задремала и не стала теплой». Отрывок повести Любы Макаревской «Март, октябрь, Мальва»

Отрывок повести Любы Макаревской о взаимоотношениях человека и собаки

Правила жизни
Гаджеты на колесах Гаджеты на колесах

Во сколько обходятся россиянам автомобильные инновации

Деньги
Русский Зондервег? Или немецкий «особый путь»? Русский Зондервег? Или немецкий «особый путь»?

«Особый путь» (нем. Sonderweg) — понятие столь же русское, сколь и немецкое

Дилетант
Геологоразведке нужны гарантии Геологоразведке нужны гарантии

Структура добычи углеводородов в России может существенно измениться

Деньги
Иду в отказ Иду в отказ

Как отказать мужчине, чтобы его не обидеть: 5 эффективных способов

Лиза
Бедный Павел Бедный Павел

О драматической судьбе Павла Первого и о его отношениях с матерью

Знание – сила
Ешь, молись, люби Ешь, молись, люби

«Лапти» из картофеля по рецепту одной семьи из Иваново

КАНТРИ Русская азбука
Autodesk ушел в историю: чем заменить? Autodesk ушел в историю: чем заменить?

Американская компания Autodesk покинула российский рынок еще в 2022 году

Наука и техника
«Джеймс Уэбб» увидел растущую изнутри наружу галактику в ранней Вселенной «Джеймс Уэбб» увидел растущую изнутри наружу галактику в ранней Вселенной

Как космический телескоп «Джеймс Уэбб» обнаружил галактику в эпоху Реионизации

N+1
Как понять, что вам нужно мыть голову чаще Как понять, что вам нужно мыть голову чаще

Как понять, что вы моете кожу головы недостаточно часто?

ТехИнсайдер
«Белая дача». Чехов в Ялте «Белая дача». Чехов в Ялте

Почему Чехов решил построить себе дачу на юге?

Караван историй
Ставки сделаны Ставки сделаны

Уставший от войны народ жаждет зрелищ — и получает их сполна

Дилетант
Когда Африку разрезали как пирог… Когда Африку разрезали как пирог…

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

Знание – сила
Родитель своим родителям: что делать, если в семейной системе нарушены роли Родитель своим родителям: что делать, если в семейной системе нарушены роли

Знакома ли вам ситуация, когда ребенок в семье занимает место взрослого?

Psychologies
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
Пережил айсберги и военный конфликт, а утонул прямо в порту: странная история советского теплохода “Башкирия” Пережил айсберги и военный конфликт, а утонул прямо в порту: странная история советского теплохода “Башкирия”

«Башкирия» — что особенного было в этом советском теплоходе?

ТехИнсайдер
«История как наука и политика: Эксперименты в историографии и Советский проект» «История как наука и политика: Эксперименты в историографии и Советский проект»

Как Вавилов стал посредником между научным сообществом и большевиками

N+1
Синяя акула выжила с пробитой меч-рыбой головой Синяя акула выжила с пробитой меч-рыбой головой

Первый случай, когда синюю акулу пронзила меч-рыба, и она выжила

N+1
Вы поразитесь! Вот для чего на самом деле была изобретена пузырчатая пленка Вы поразитесь! Вот для чего на самом деле была изобретена пузырчатая пленка

Раньше знаменитую «пупырку» использовали совершенно иначе

ТехИнсайдер
3 фактора, снижающих либидо у женщин: что делать 3 фактора, снижающих либидо у женщин: что делать

Что влияет на женское либидо и получение удовольствия от секса?

Psychologies
Тимофей Гриднев: «Бульдозерная выставка» — это не противостояние, это акт идентификации Тимофей Гриднев: «Бульдозерная выставка» — это не противостояние, это акт идентификации

Тимофей Гриднев вспоминает свою встречу с организатором «Бульдозерной выставки»

СНОБ
Чем больше контента вы смотрите, тем хуже для психического здоровья Чем больше контента вы смотрите, тем хуже для психического здоровья

Чем больше времени вы проводите в сети, тем хуже становится психическое здоровье

ТехИнсайдер
Саддам Хусейн, отец нации Саддам Хусейн, отец нации

Самым печально известным из кровавых диктаторов Ирака былл Саддам Хусейн

Дилетант
Гениальные изобретатели, которые так и не смогли прославиться и разбогатеть: 5 грустных историй Гениальные изобретатели, которые так и не смогли прославиться и разбогатеть: 5 грустных историй

Блестящий изобретательский ум и предпринимательская жилка не всегда идут в паре

ТехИнсайдер
Пицца, суши, роллы: что делает бизнес, чтобы люди заказывали и считали еду модной и необходимой Пицца, суши, роллы: что делает бизнес, чтобы люди заказывали и считали еду модной и необходимой

Как бизнес сохраняет интерес к одним и тем же людям в течении многих лет?

Inc.
«Жертвы» одного хита: как складываются судьбы музыкантов с одной популярной песней «Жертвы» одного хита: как складываются судьбы музыкантов с одной популярной песней

Psychologies вспоминает судьбы нескольких «артистов одного хита»

Psychologies
От малограмотного мальчика до успешного книгоиздателя: история Ивана Сытина От малограмотного мальчика до успешного книгоиздателя: история Ивана Сытина

История Ивана Сытина — крестьянского сына, который стал успешным бизнесменом

ТехИнсайдер
Открыть в приложении