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.
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.
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.
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