Искусственному интеллекту находят все более широкое применение во всех сферах экономики и нашей страны. Методы компьютерного зрения оказываются полезными и для решения задач аграрного сектора, например, экономии воды.
Изменение климата требует разработки стратегий оптимизации использования этого ограниченного ресурса. Обычные системы орошения основаны на равномерном распределении потока по полю, рассматриваемому как единая пространственная единица. Но поля неоднородны по почвенным характеристикам, рельефу, микроклимату и развитию культур. Поэтому орошению с учетом состояния культуры на конкретном участке ученые уделяют большое внимание: дифференцирование орошения способно обеспечить более рациональное использование воды.
Ученые Департамента информационной безопасности Финансового университета при Правительстве РФ под руководством Алексея Осипова разработали интеллектуальную систему орошения пахотных земель, которая делает возможным оптимизацию полива сельскохозяйственных культур благодаря фитоиндикации на основе методов компьютерного зрения.
Самым сложным в разработке прикладных решений является выявление закономерностей и формирование на их основе алгоритмов. Нейросетевые методы (от многослойных искусственных нейронных сетей до распознавания образов и сверточных нейронных сетей) способны создавать динамические карты поливных предписаний с использованием регулярного мониторинга состояния посевов и окружающей среды, с помощью фитоиндикации, прогнозирования динамики влагообеспеченности, а также уже созданной базы знаний об оптимальных параметрах орошения сельскохозяйственных культур в регионе. В исследовании участвовали также ученые Государственного университета управления, Московского политехнического университета и Warsaw University of Life Sciences – SGGW (Польша). Экспериментальная часть проводилась на полях учебно-опытного хозяйства Саратовского ГАУ.
Новая разработка ученых позволяет получить карту орошения (на примере кукурузы) в режиме реального времени. Технически решение предусматривает монтаж на установках центрального кругового полива восьми IP-камер, подключенных к цифровому видеорегистратору.
Поступающая с них информация проходит обработку на подключенном ноутбуке. Первый этап предполагает предварительную обработку изображения с применением интегрированного индекса разницы избыточного зеленого и избыточного красного цветов (ExGR).
На завершающем этапе нейронная сеть, обученная по методу Resilient Propagation, определяет скорость полива растений в текущем секторе дождевателя. Нейросеть продемонстрировала точность 92 % (на тренировочном наборе) и 87 % (на тестовом). В целом точность системы в определении растений достигает 93 %, стадий роста – до 92 %, а производительность достигает 100 растений в секунду.
Разработчики предполагают, что уже внедренные системы управления агробизнесом, такие как «Агросигнал», делают более доступным использование сложных методов ИИ.
Результаты использования системы продемонстрировали снижение пространственной изменчивости растений и повышение урожайности кукурузы на экспериментальном поле (+7 – 9 %). Применение датчиков, дистанционное зондирование и нейронные сети доказали свою эффективность при определении зон динамического контроля оказались привлекательны из-за простоты, с которой они могут быть реализованы в масштабе поля.
Этот относительно простой подход остается доступным для фермера, но может быть реализован и в больших масштабах, способствуя повышению эффективности использования воды в сельском хозяйстве. Данная цель остается актуальной не только в контексте глобального потепления и сокращения доступной для сельского хозяйства воды, но и с точки зрения минимизации производственных затрат.
