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

Как стартапы ищут бизнес-ангелов и зачем инвесторы рискуют своими деньгами. Отвечаем на базовые вопросы про инвестиции Как стартапы ищут бизнес-ангелов и зачем инвесторы рискуют своими деньгами. Отвечаем на базовые вопросы про инвестиции

Разбираемся в мифах, которые окружают стартап-культуру

Inc.
Мы его теряем! Мы его теряем!

14 необычных способов похудеть

Лиза
Яркий сжатый вакуум сгенерировал высокие гармоники Яркий сжатый вакуум сгенерировал высокие гармоники

Физики сгенерировали высокие гармоники в магний-легированном ниобате лития

N+1
Почему россияне так стремительно выгорают: новое исследование Почему россияне так стремительно выгорают: новое исследование

Профессиональное выгорание становится похожим на эпидемию

Psychologies
Екатерина Стриженова: «Мы каждый год решаем с мужем: да, живем дальше» Екатерина Стриженова: «Мы каждый год решаем с мужем: да, живем дальше»

Если мужа надо пасти, то зачем он такой мне нужен? Вот я так живу

Караван историй
Город, сбросивший историческую память Город, сбросивший историческую память

Архангельск: морозное процветание новой стабильности

Weekend
Суздаль Суздаль

Суздаль — город-музей с забавной традицией праздновать День огурца

КАНТРИ Русская азбука
(Не)уязвимый лес (Не)уязвимый лес

Что грозит лесным массивам России

Санкт-Петербургский университет
Синдром внезапной гениальности: почему о нем не стоит мечтать? Синдром внезапной гениальности: почему о нем не стоит мечтать?

Синдром внезапной гениальности плохо изученное, но вполне реальное состояние

Psychologies
Какой стороной стелить фольгу — глянцевой или матовой? Вопрос, на который многие затрудняются ответить Какой стороной стелить фольгу — глянцевой или матовой? Вопрос, на который многие затрудняются ответить

Какой стороной фольги правильно оборачивать продукты — матовой или глянцевой?

ТехИнсайдер
Сны про это Сны про это

Как расшифровать эротические сновидения и всегда ли они о сексе

Лиза
«Гоголя почитайте, камон,— все то же самое» «Гоголя почитайте, камон,— все то же самое»

Куда смотрит Ленин спустя 100 лет после своей смерти

Weekend
Станция «Кузнечное» Станция «Кузнечное»

Кузнечное дело во Владимире с инструкцией по выковке гвоздя

КАНТРИ Русская азбука
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
От Джона Леннона до королевы Елизаветы: 10 знаменитых кадров фотографа Энни Лейбовиц От Джона Леннона до королевы Елизаветы: 10 знаменитых кадров фотографа Энни Лейбовиц

10 лучших снимков американского фотографа Энни Лейбовиц

Forbes
7 комнатных растений, которые можно выращивать в обычной банке 7 комнатных растений, которые можно выращивать в обычной банке

Как в банке вырастить комнатный цветок?

VOICE
Пропала энергия? Какие продукты помогут зарядить вас Пропала энергия? Какие продукты помогут зарядить вас

Почему уже в середине дня вы умираете с голоду?

ТехИнсайдер
Как управлять через сигналы и не доводить до кризисов Как управлять через сигналы и не доводить до кризисов

Распространенные ошибки руководителей из книги «Менеджмент глазами ресторатора»

Forbes
Гаспар Ноэ: Я хочу создавать кино, которое пугает, вызывает эрекцию и заставляет плакать Гаспар Ноэ: Я хочу создавать кино, которое пугает, вызывает эрекцию и заставляет плакать

Интервью с Гаспаром Ноэ — о сексе, лени и идеальном кино

СНОБ
Художник Константин Сутягин про средневековый реализм, счастье, чудо и Москву Художник Константин Сутягин про средневековый реализм, счастье, чудо и Москву

Художник Константин Сутягин — случайности в искусстве и средневековой традиции

СНОБ
Осенняя уборка! Вещи, от которых нужно избавиться Осенняя уборка! Вещи, от которых нужно избавиться

Какие вещи стоит регулярно выбрасывать из дома?

VOICE
Чувствительная милиционерка Чувствительная милиционерка

«Сантош»: драма о невозможности правосудия

Weekend
Особняк с историей Особняк с историей

Книга о доме, в котором родился Владимир Набоков

Санкт-Петербургский университет
Траектория невозврата Траектория невозврата

Как «Бег» Михаила Булгакова показал необратимость эмиграции

Weekend
Страшное слово ОАС Страшное слово ОАС

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

Дилетант
Лоскутная сборка Лоскутная сборка

Техника пэчворк и лоскутные работы костромских мастериц

КАНТРИ Русская азбука
Юбилейный сезон — юбилейная премьера Юбилейный сезон — юбилейная премьера

Феликс Михайлов о работе над шоу и планах на юбилейный сезон ОK!

OK!
Сладкая жизнь Марчелло Мастроянни Сладкая жизнь Марчелло Мастроянни

11 интересных фактов о легенде кино Марчелло Мастроянни

Лиза
«Черноногие» «Черноногие»

Существует несколько версий того, откуда появилось выражение «черноногие»

Дилетант
Взять вино на себя Взять вино на себя

Почему гибрид – это свобода, а электромобиль – скорее наоборот

Автопилот
Открыть в приложении