Искусственный интеллект для агропланирования

Сегодня в России насчитывается 386 млн гектаров земель сельхозназначения. Распоряжаться ими непросто, как непросто и вести на этих территориях постоянный или периодический мониторинг их состояния: людей катастрофически не хватает. Сколько земель зарастает бурьяном? Какие земли пустуют, но все еще пригодны для обработки? Как составить «паспорт» плодородия» для полей? Эта тема в большей мере касается крупных агрокомплексов, владеющий сотнями тысяч гектаров земель. Единственный возможный способ проводить на таких площадях учёт и планирование – это автоматизация, рассказал Иван Петров. Осуществлять ее можно разными способами – например, при помощи беспилотных/пилотируемых летательных аппаратов. «Это сопряжено с рядом трудностей: значительными финансовыми вложениями, наличием летчиков, разрешением на полёты, обработкой информации. Крупные агрохолдинги этим занимаются, но средние и малые хозяйства этого делать не будут», отметил эксперт. Другое дело – пользоваться таким информационным каналом как космические данные. Здесь есть и открытые (бесплатные) данные, есть закрытые (платные); но и открытых каналов, как говорит Иван Петров, уже достаточно для некоторого анализа. К тому же, спутники фотографируют конкретный участок земли периодически, от пролета к пролету, а значит, по этим снимкам можно оценить изменения, произведенные с даты последнего пролета.

 

Искусственный интеллект и индекс вегетации

 

«На первом этапе, когда коллеги начали применять дистанционное зондирование земли, – раскрывает Петров предысторию вопроса, – они использовали так называемый дешифровочный метод, просто сравнивая два снимка вручную.  Удобно это только для небольших территорий, к тому же, значительно завязано на человеческий фактор: тут играет роль и настроение, и самочувствие оператора, не исключая и корыстных интересов. Это основной отрицательный момент любого неавтоматизированного процесса. Поэтому и для обработки больших территорий, и чтобы исключить человеческий фактор, начали применять методы искусственного интеллекта, нейросетевых машин, машинного обучения и некоторые средства автоматизации, с помощью которых можно определить основные агроэкологические показатели территорий».

 

Сначала специалисты применяли так называемый индекс вегетации, NDVI (Normalized Difference Vegetation Index), который показывает ход роста агрокультуры. Этот индекс используют многие организации, занимающиеся автоматизацией сельского хозяйства, – его достаточно для того, чтобы понять, что на поле произрастает хоть что-то. Однако для того, чтобы понять, какая именно культура растет на поле правильно, скажем, рожь, лён или пшеница, нужно строить средневзвешенные показатели. «Это график, который показывает ход роста в предыдущих периодах, – поясняет Иван Петров. – То есть, необходимо брать обучающую выборку по полям (отдельно по каждой культуре), смотреть, как культура росла на конкретном поле в предыдущие периоды и сравнивать с существующим. Если происходит отклонение от нормы, система сигнализирует, что что-то не так. Самым важным при использовании методов искусственного интеллекта является наличие датасета, обучающей выборки по конкретному региону. Если выборки нет, сделать ничего не получится». При этом нужно учитывать, что в каждом субъекте Российской Федерации свои агроэкологические показатели роста, одна и та же рожь в каждом регионе, в каждой климатической зоне на космических снимках будет смотреться по-разному, а значит, датасет нужно использовать согласно этим особенностям.

 

NDVI и средневзвешенные показатели доступны в Единой федеральной информационной системе учёта земель сельхозназначения, в которую может получить доступ любой российский гражданин и любое юридическое лицо – резидент Российской Федерации. С 2022 года эти данные будут доступны по всей России, а на данный момент можно смотреть информацию по девяти регионам.

 

Дифференцировать внесение удобрений по космоснимкам

 

Благодаря космических снимкам можно получать многие данные. Из последних околонаучных разработок, которые апробируются сейчас, рассказал Иван Петров, это почвенные показатели. «Тема эта крайне актуальна. Дело в том, что мало кто знает, какие типы почв присутствуют на конкретных полях, где ощущается нехватка того или иного минерального элемента или где, скажем, недостаточная увлажнённость, особенно, когда площади этих полей обширные. А от этого напрямую зависит урожайность культур, а значит, маржинальность посевов. Поэтому если будет возможность определять по космическим снимкам почвенные показатели сельхозземель, это существенно улучшит ситуацию в агрокомплексе», заключает специалист. Определить таким образом можно содержание фосфора, бора, органических веществ, тип почв, увлажненность – все то, что позволит сделать внесение удобрений дифференцированным, при этом на территории до 0,1 га. Это прямая помощь сельхозтоваропроизводителю в повышении урожайности.  Используют для этого совместно с обучающей выборкой другой индекс, NDSI, термодинамический показатель. Подобным образом можно определить и более глобальные процессы, к примеру, темпы почвенной эрозии, в научном сообществе сегодня есть и такие разработки.

 

Из космоса, как говорит эксперт, хорошо наблюдаются основные агроэкологические показатели земель. «Каждый элемент экосистемы (почва или фитомасса над ней) принимает на себя солнечную радиацию – часть поглощает, а часть отдает обратно. Отраженная радиация хорошо видна через инфракрасный режим космических аппаратов. Мы с коллегами определили зависимость степень отражения радиации от состояния экосистемы – учитывали и деревья, и кустарники, и сельхозкультуры, и почвы. На основе этой зависимости и можно определять все основные агроэкологические показатели. Технология разрабатывалась 15 лет; мы организовывали экспедиции по всей России, и за это время на множестве площадей построили большое количество датасетов». 

 

Преимущество технологии состоит еще и в том, что если нужно получить данные по почвам полей на самый актуальный момент, то можно это сделать в любое время: в доступе есть вся историческая съемка – например, можно взять снимки за весь последний месяц вегетационного периода этого года и посмотреть, что происходило в этот месяц с полем. После анализа с помощью искусственного интеллекта производитель может обратиться к производителю удобрений за конкретным количеством удобрений для своих полей, действуя не наугад, а учитывая нехватку минеральных элементов, и закупить их уже к началу весенних работ.

 

На основе этого анализа, как было отмечено, также можно выбирать для своего хозяйства наиболее маржинальные культуры и распределять их по наиболее плодородным полям. Дело в том, комментирует Иван Петров, что урожайность во многом зависит от типа почвы. «И если вы посеете супермаржинальную культуру в бедную гумусом почву, то урожай высоким не будет. А благодаря информации о ваших почвах вы можете подкорректировать и севооборот. Напомню, что правильно подобранные удобрения увеличивают урожай на 20-25%, особенно при грамотном севообороте».

 

Тема искусственного интеллекта относится к федеральным проектам – она включена в госпрограмму. Но к ней, отмечает Иван Петров, причастны и региональные власти. Например, данные нейросети и дистанционное зондирование земли активно используют в Татарстане. Этой темой озабочены и крупные сельхозпроизводители – постольку поскольку их занимает проблема урожайности.

 

Углеродные полигоны

 

С помощью этой технологии, рассуждает Иван Петров, также можно определять территории, наиболее пригодные для формирования лесоклиматических проектов. Отметим, что лесоклиматический полигон – это территория, на которой растет древесная или древесно-кустарниковая растительность. Объем секвестрации углерода зависит от того, какой состав пород деревьев произрастает на конкретном участке. Так, сосна секвестрирует на одном гектаре примерно полтонны углерода, а, скажем, тополь – до пяти тонн. Наиболее эффективно секвестрация углерода происходит в возрасте древостоя от 5 до 35 лет. Много углерода секвестрирует и почва. «Наша технология позволяет определять объем и возраст фитомассы, ее состав и породы деревьев – так, что в последующем можно представить, во-первых, объемы поглощаемого на этой территории углерода, в во-вторых, почвенный состав, по которому тоже можно сказать, сколько он будет секвестрировать углерода. Например, идеальный полигон – это болото. Песчаник, напротив ничего не может секвестрировать. Так вот, все это – предварительная эксплуатационная часть формирования углеродного полигона. В России эта тематика стала популярной только года полтора назад. Скоро она войдет в полную силу, а пока мы оттачиваем и улучшаем наши технологии – за последние семь лет мы сделали большой шаг в направлении этого», – завершает эксперт.

 

Беседу вела Людмила Старостина

 

Читайте также: 

 

• Картирование урожайности: как определить рентабельность поля
• Как российские пастбища могут спасти мир от глобального потепления
• Роботизированное агрохимическое обследование
• Использование цифровых технологий в области консервации углерода на примере «СкайСкаут»
• Цифровизация сельского хозяйства не закончится никогда
• Дроны в сельском хозяйстве