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

Научная мозаика Научная мозаика

Что скрыто под марсианским льдом?

Санкт-Петербургский университет
Страшное слово ОАС Страшное слово ОАС

Аббревиатура ОАС в начале 1960-х наводила ужас на всю Францию

Дилетант
«Суперджет» стал еще роднее «Суперджет» стал еще роднее

Полет нормальный: сможет ли «Суперджет» окончательно приземлиться в России?

Монокль
Не колой единой Не колой единой

Вспоминаем вкус домашнего кваса, морсов и «газировки» из СССР

Лиза
Письмо приглашенного главного редактора Письмо приглашенного главного редактора

Как подружиться с деньгами и попасть в правильный финансовый поток?

Psychologies
Яркость на максимум! Яркость на максимум!

Лаундж-студия KOKO loft для занятий танцами и йогой

SALON-Interior
Элементы красоты Элементы красоты

Как улучшить состояние кожи при кожных заболеваниях – рекомендации нутрициолога

Лиза
Продается ипотека Продается ипотека

Как выставить на продажу залоговое жилье без досрочного погашения кредита

Лиза
«Когда Бунина называют “русским Прустом”, мне хочется поправить: это Пруст — французский Бунин» — Андрей Новиков-Ланской о русском писателе и аристократе «Когда Бунина называют “русским Прустом”, мне хочется поправить: это Пруст — французский Бунин» — Андрей Новиков-Ланской о русском писателе и аристократе

Почему Бунин токсично отзывался о современниках

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
Инна Чурикова: «Мы с Глебом похожи на персонажей полотен Шагала, когда две головы прорастают из одного туловища» Инна Чурикова: «Мы с Глебом похожи на персонажей полотен Шагала, когда две головы прорастают из одного туловища»

Последнее интервью Инны Чуриковой и фрагменты ее архивов

Коллекция. Караван историй
Будет вам наукой Будет вам наукой

Семь свежих исследований, чтобы вы держали руку на пульсе актуальных знаний

Men Today
12 способов, которыми ты портишь маникюр, сама об этом не зная 12 способов, которыми ты портишь маникюр, сама об этом не зная

Почему лак на следующий же день после маникюра скалывается?

VOICE
Жизнь на Венере может развиваться в серной кислоте Жизнь на Венере может развиваться в серной кислоте

Биомолекулы, липиды, могут сохранять свою структуру в серной кислоте Венеры

ТехИнсайдер
Необычная история изобретения тату-машинок: при чем тут Томас Эдисон? Необычная история изобретения тату-машинок: при чем тут Томас Эдисон?

Кто придумал тату-машинку?

ТехИнсайдер
Искусственный отбор: что не так с венчурными фондами в России Искусственный отбор: что не так с венчурными фондами в России

Почему российский венчурный рынок пока существенно отстает от мировых лидеров

Forbes
Лагерные бараки, бандитская любовь и потомственная печница — какое кино показали на фестивале «Маяк» Лагерные бараки, бандитская любовь и потомственная печница — какое кино показали на фестивале «Маяк»

Фильмы «Маяка», которые точно стоит увидеть

СНОБ
«Можно весь день у телевизора сидеть, а мы выбрали наполненную жизнь»: как старший возраст становится временем для самореализации «Можно весь день у телевизора сидеть, а мы выбрали наполненную жизнь»: как старший возраст становится временем для самореализации

Как перестать бояться старости и научиться воспринимать новый для себя период.

СНОБ
Мыльный кутюр Мыльный кутюр

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

Weekend
«Мы всегда готовы ко всему»: что мешает и помогает женщинам строить карьеру и бизнес «Мы всегда готовы ко всему»: что мешает и помогает женщинам строить карьеру и бизнес

Как женщины строили бизнес и карьеру в 2000-х, несмотря на гендерные стереотипы

Forbes
Как сумчатые подделали хищников Как сумчатые подделали хищников

В Южном полушарии у саблезубых кошек были крайне экзотические аналоги

Наука и техника
Кофе во время беременности не нарушил нервно-психическое развитие детей Кофе во время беременности не нарушил нервно-психическое развитие детей

Употребление кофе во время беременности не связано с нарушениями у детей

N+1
5 распространенных ошибок при считывании языка тела 5 распространенных ошибок при считывании языка тела

Пять распространенных ошибок, связанных с чтением языка тела других людей

Psychologies
Андрей Соколов: «То, что я не попал в самолет, может быть, меня от чего-то спасло» Андрей Соколов: «То, что я не попал в самолет, может быть, меня от чего-то спасло»

«Говорю себе всегда так: что Бог ни делает, все к лучшему»

Коллекция. Караван историй
Спуститься с небес: как технологии космоса влияют на нашу жизнь Спуститься с небес: как технологии космоса влияют на нашу жизнь

Как навигатор, упаковки для кофе и сковородки связаны с космосом?

СНОБ
Дизайнер Даниил Анциферов про секс, ЗОЖ, диско и свой «план Б» — интервью на «Снобе» Дизайнер Даниил Анциферов про секс, ЗОЖ, диско и свой «план Б» — интервью на «Снобе»

Дизайнер Даниил Анциферов — об инвестициях, диско и патриотизме

СНОБ
В Испании выделили еще одну индустрию начального этапа верхнего палеолита В Испании выделили еще одну индустрию начального этапа верхнего палеолита

Археологи проанализировали каменные артефакты из памятника Куэва-Мильян

N+1
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
Историк о диалоге как пути мировой культуры Историк о диалоге как пути мировой культуры

Какую роль играет умение обращать свои мысли к собеседнику?

РБК
Засыпать карьеру Засыпать карьеру

Перипетии непредсказуемой актерской судьбы на примере известных фильмов

Правила жизни
Открыть в приложении