Научный коллектив Томского госуниверситета (ТГУ) составляет систему маркеров, которая поможет нейросети делать более качественный цифровой анализ сельскохозяйственных полей; результатом применения разработки должно стать повышение урожайности, сообщила в четверг пресс-служба вуза.
Уточняется, что в проекте участвуют почвоведы, физики и метеорологи ТГУ – они разрабатывают систему-библиотеку маркеров для использования в точном земледелии. Согласно открытым источникам, точное земледелие – комплексная система сельскохозяйственного менеджмента, включающая в себя географические информационные системы, технологии оценки урожайности, "интернет вещей" и так далее.
Исследовать поле вдоль и поперек
"Основным источником информации (для проекта ТГУ) выступают данные дистанционного зондирования Земли – космоснимки, 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", – говорится в сообщении.
Отмечается, что физико-химические показатели почвы – это один из главных параметров, от которых зависит состояние посевов, динамика их роста и в конечном итоге объем урожая, а значит, производительность и прибыль сельскохозяйственных компаний.
Методики анализа, которые используются сегодня, не позволяют получать детальную информацию по всей площади поля, поскольку, согласно ГОСТу, его делят на большие участки – 10 гектаров, откуда берут пробы для анализа. В итоге получают усредненные данные.
Подход, разрабатываемый в 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 дает информацию о количестве гумуса в почве, ее 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", – говорится в сообщении.
Библиотека полезных данных
Как отмечает пресс-служба, на этапе создания библиотеки маркеров будет идти активная полевая работа. Выезды в поле необходимы ученым для того, чтобы определить, соответствует ли идентификация по космоснимкам реальной действительности."Когда библиотека данных получит достаточное наполнение, проектная группа перейдет 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", – говорится в сообщении.
Добавляется, что, поскольку все участки имеют привязку к системе координат, итоговый результат анализа, проведенного нейросетью, покажет "слабые" места с такой привязкой.
"Эту картинку можно загружать в беспилотную сельхозтехнику и использовать, к примеру, для точечного внесения удобрений. Что экономически и экологически более выгодно, нежели посыпать удобрением все поле, как это нередко делается сейчас", – цитируется в сообщении руководитель проекта Олег Мерзляков.
Ученые рассчитывают, что 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", – говорится в сообщении.
По информации пресс-службы, проектом заинтересовалась компания Cognitive Technologies – разработчик систем управления для беспилотной сельхозтехники. В настоящее время ученые и производители обсуждают механизмы испытания и внедрения технологии в производство.Источник: РИА Томск