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

Где на самом деле похоронен Александр Великий: посмертная тайна легендарного полководца Где на самом деле похоронен Александр Великий: посмертная тайна легендарного полководца

Ученые пытаются разобраться, где мог быть похоронен Александр Македонский

ТехИнсайдер
Многоликий Ян Многоликий Ян

Ян Гинзбург: разархивирование настоящего

Weekend
Ставки сделаны Ставки сделаны

Уставший от войны народ жаждет зрелищ — и получает их сполна

Дилетант
Город Геркулеса Город Геркулеса

Геркуланум уничтожило – и сохранило для нас – то же извержение Везувия

Вокруг света
Что такое эффект Стрейзанд: как работать с компроматами Что такое эффект Стрейзанд: как работать с компроматами

Эффект Стрейзанд: что это такое и можно ли с ним совладать?

Psychologies
Материнская смертность у японских макак оказалась ниже человеческой Материнская смертность у японских макак оказалась ниже человеческой

Средний уровень материнской смертности у макак не превышает и процента

N+1
Как написаны «Старосветские помещики»: отрывок из книги Как написаны «Старосветские помещики»: отрывок из книги

Отрывок из книги «Базаров порезал палец»

СНОБ
Новая модель ChatGPT o1: шаг вперед или не до конца проработанная революция? Новая модель ChatGPT o1: шаг вперед или не до конца проработанная революция?

ChatGPT o1 обещает стать большим прорывом в мире искусственного интеллекта

ТехИнсайдер
Чувство полета Чувство полета

Роскошный современный интерьер с арт-акцентами

SALON-Interior
Японцы представили 16-килограммовую робособаку с открытой архитектурой Японцы представили 16-килограммовую робособаку с открытой архитектурой

Робособаку MEVIUS можно собрать из коммерчески доступных компонентов

N+1
Что стало вдохновением для Джокера Хита Леджера? Узнайте о пугающем художнике Фрэнсисе Бэконе! Что стало вдохновением для Джокера Хита Леджера? Узнайте о пугающем художнике Фрэнсисе Бэконе!

Как Фрэнсис Бэкон повлиял на образ Джокера в "Темном рыцаре"?

ТехИнсайдер
Несут какой-то вред Несут какой-то вред

Чем сложнее подход к тренингу, тем больше неверных шагов можно сделать

Men Today
Чем опасны кредитные карты и когда их не стоит оформлять? Чем опасны кредитные карты и когда их не стоит оформлять?

Все чаще рекламные ролики банков кредитным картам. Для чего же банки это делают?

Наука и техника
Африканская пропасть Африканская пропасть

Англо-бурская война как историческая неизбежность

Знание – сила
«Архитектура без архитектора. Вернакулярные районы городов мира» «Архитектура без архитектора. Вернакулярные районы городов мира»

Как Порвоо сохранил исторический облик при Российской империи

N+1
Доля цифры: какую роль искусственный интеллект играет в росте ВВП Доля цифры: какую роль искусственный интеллект играет в росте ВВП

О корреляции между внедрением цифровых технологий и динамикой ВВП

Forbes
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
Юра Борисов и Макар Хлебников пускаются в бега под хит «Кино». Какой получилась драма «Кончится лето»? Юра Борисов и Макар Хлебников пускаются в бега под хит «Кино». Какой получилась драма «Кончится лето»?

Владимир Мункуев и Максим Арбугаев создают мужскую версию «Тельмы и Луизы»

Правила жизни
Цифровой рубль — это просто Цифровой рубль — это просто

Как мы будем пользоваться новой формой национальной валюты

Монокль
Проклятье отсталости и разворот фортуны Проклятье отсталости и разворот фортуны

Масштабная попытка анализа вековых разрывов в благосостоянии между странами

Монокль
О чем говорит форма бутылки вина О чем говорит форма бутылки вина

Почему у бутылок вина разные формы и что по ним можно узнать о напитке

СНОБ
Борьба с вирусом: как быстро вылечить простуду Борьба с вирусом: как быстро вылечить простуду

Когда простуду можно вылечить самостоятельно?

ТехИнсайдер
Дизайнер Никита Калмыков — про свой бренд ODOR, реализм и вдохновение — интервью на «Снобе» Дизайнер Никита Калмыков — про свой бренд ODOR, реализм и вдохновение — интервью на «Снобе»

Никита Калмыков о фаст-фешене, старинных кружевах и объемах продаж

СНОБ
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
«Серьезно?!» ИК-обогреватель крутая штука, но он может быть опасен – как избежать вреда «Серьезно?!» ИК-обогреватель крутая штука, но он может быть опасен – как избежать вреда

Как пользоваться инфракрасными обогревателями

ТехИнсайдер
Ольга Нижельская: Слушать рок после классики — это как поесть жареной картошки после японского ресторана Ольга Нижельская: Слушать рок после классики — это как поесть жареной картошки после японского ресторана

Ольга Нижельская: как усталость от чужих текстов побуждает написать свой

СНОБ
Семья разведчиков, которая спасла Сталина, Рузвельта и Черчилля: история Гоар и Геворка Вартанянов Семья разведчиков, которая спасла Сталина, Рузвельта и Черчилля: история Гоар и Геворка Вартанянов

В советское время супруги Вартанян были ценными разведчиками

ТехИнсайдер
Где и зачем белых медведей сажают в тюрьму? Вам стоит узнать, как живут эти свирепые косолапые Где и зачем белых медведей сажают в тюрьму? Вам стоит узнать, как живут эти свирепые косолапые

Трудно представить, что медведи могут находиться в тюрьме, но они туда попадают

ТехИнсайдер
От Аристотеля до Альтмана: почему «эмерджентность» — ключевой термин для понимания ИИ От Аристотеля до Альтмана: почему «эмерджентность» — ключевой термин для понимания ИИ

Веками продолжавшиеся споры вокруг понятия эмерджентности

Forbes
Когда спорт не на пользу Когда спорт не на пользу

Но излишнее рвение в спорте, особенно у начинающих, может обернуться проблемами

Лиза
Открыть в приложении