Ученые создадут сеть для повышения урожайности

Междисциплинарная группа учёных Томского государственного университета (ТГУ)– почвоведы, физики и метеорологи – разрабатывает систему маркеров для использования в точном земледелии. Основным источником информации выступают данные дистанционного зондирования Земли – космические снимки, на которых исследователи выделяют визуальные характеристики, свойственные тем или иным показателям почвы. Библиотека собранных данных станет основой для обучения компьютерной модели, которая будет проводить цифровой анализ полей и поможет повысить на них урожайность.

«Физико-химические показатели почвы – это один из главных параметров, от которых зависит состояние посевов, динамика их роста и в конечном итоге объём урожая, а значит, производительность и прибыль сельскохозяйственных компаний, – объясняет руководитель проекта, доцент кафедры почвоведения и экологии почв ТГУ Олег Мерзляков. – Методики анализа, которые используются сегодня, не позволяют получать детальную информацию по всей площади поля, поскольку, согласно ГОСТу, его делят на большие участки – 10 га, откуда берут пробы для анализа. В итоге получают усредненные данные, которые столь же информативны, как средняя температура по больнице».

Подход, разрабатываемый учёными ТГУ, позволит получать целостную картину по всему полю независимо от его масштабов. В основе нового метода лежит анализ спектральной оптической отражаемости и почвенных индексов. Коэффициент отражаемости даёт информацию о количестве гумуса в почве, её гранулометрическом составе, степени влажности и других агрофизических показателях. Информация с привязкой к координатам позволяет выделить проблемные участки поля, например, где почва имеет повышенную кислотность либо недостаточное содержание азота.
На этапе создания библиотеки маркеров будет идти активная полевая работа. Выезды в поле необходимы учёным для того, чтобы определить, соответствует ли идентификация по космическим снимкам реальной действительности. Когда библиотека данных получит достаточное наполнение, проектная группа перейдёт к машинному обучению компьютерной модели. Искусственный интеллект на основе имеющегося материала будет учиться вычленять специфические визуальные характеристики, свидетельствующие о недостатке тех или иных элементов, о состоянии почвы на каждом отдельном участке. Поскольку все участки имеют привязку к системе координат, итоговый результат анализа, проведённого нейросетью, покажет «слабые» места с такой привязкой.

«Эту картинку можно загружать в беспилотную сельхозтехнику и использовать, к примеру, для точечного внесения удобрений. Это экономически и экологически более выгодно, нежели посыпать удобрением всё поле, как это нередко делается сейчас, Это не только не даёт желаемого результата, но может пагубно сказаться на посевах, поскольку переизбыток микроэлементов столь же нежелателен, как их дефицит, – говорит Олег Мерзляков. – Данные, полученные с помощью нового подхода, могут иметь и другую точку приложения. Например, для анализа участков, с которых собрано меньше урожая. Если наложить цифровую картинку, полученную после анализа, проведенного искусственным интеллектом, можно определить причины низкой урожайности и подобрать варианты решения этой проблемы».