В интервью «Своему фермерству» Иван Петров, руководитель управления геоинформационных систем «Аналитического центра Минсельхоза России», кандидат экономических наук, рассказал о современных подходах к мониторингу сельхозземель с использованием дистанционного зондирования и искусственного интеллекта. Эти технологии позволяют оптимизировать использование ресурсов и повышать эффективность агропроизводства.
В России под сельскохозяйственные нужды отведено 386 миллионов гектаров земли. Осуществлять постоянный контроль за состоянием таких огромных территорий силами человека практически невозможно — для этого просто не хватит специалистов. Возникают закономерные вопросы: какие площади зарастают сорняками, где земля простаивает, но ещё пригодна для обработки, как объективно оценить плодородие каждого поля? Особенно остро эти проблемы стоят перед крупными агрохолдингами, владеющими сотнями тысяч гектаров. Единственным разумным решением, по словам Ивана Петрова, становится автоматизация процессов мониторинга и планирования.
Один из методов — использование беспилотных или пилотируемых летательных аппаратов. Однако этот подход сопряжён со значительными затратами: требуются дорогостоящая техника, квалифицированные пилоты, разрешения на полёты и сложная обработка собранных данных. Крупные компании могут себе это позволить, но для средних и малых хозяйств такой вариант часто недоступен. Альтернативой являются данные дистанционного зондирования Земли (ДЗЗ) со спутников. Существуют как платные, так и открытые (бесплатные) источники информации. Как отмечает эксперт, даже общедоступных спутниковых снимков уже достаточно для проведения первичного анализа. Важное преимущество космической съёмки — её периодичность. Сравнивая снимки одного и того же участка, сделанные в разное время, можно отслеживать динамику изменений и оперативно реагировать на них.
От ручного дешифрирования к искусственному интеллекту
«На заре применения дистанционного зондирования в сельском хозяйстве коллеги использовали так называемый дешифровочный метод, — рассказывает Петров. — Он заключался в визуальном, ручном сравнении двух снимков». Такой подход был приемлем только для небольших участков и сильно зависел от человеческого фактора: усталости, внимательности и даже добросовестности оператора. Для анализа обширных территорий и исключения субъективных ошибок потребовались автоматизированные решения. Сегодня для обработки больших массивов данных и определения ключевых агроэкологических показателей активно применяются методы искусственного интеллекта, машинного обучения и нейронные сети.
Индекс NDVI и важность обучающих выборок
Первым и широко распространённым инструментом стал индекс вегетации NDVI (Normalized Difference Vegetation Index). Он показывает активность роста растительности и помогает понять, есть ли на поле вообще какая-либо биомасса. Однако для точной идентификации культуры — будь то пшеница, рожь или лён — требуется более глубокий анализ.
«Необходимо строить средневзвешенные показатели, — поясняет Иван Петров. — Это график, отражающий ход роста культуры в предыдущие сезоны. Система сравнивает текущие данные с исторической нормой и сигнализирует о любых отклонениях». Ключевым условием успешной работы алгоритмов искусственного интеллекта является наличие качественного датасета — обучающей выборки для конкретного региона. Без неё система не сможет корректно распознавать культуры. Важно учитывать, что агроэкологические условия сильно различаются даже в пределах одной страны. Одна и та же культура в разных климатических зонах на спутниковых снимках будет выглядеть по-разному, поэтому датасеты должны быть адаптированы под местные особенности.
Данные по индексу NDVI и средневзвешенным показателям сегодня доступны в Единой федеральной информационной системе учёта земель сельхозназначения. Доступ к системе открыт для всех граждан и юридических лиц — резидентов России. Если в 2022 году эти сведения стали доступны по всей стране, то на момент интервью информация предоставлялась по девяти пилотным регионам.
Точное земледелие: дифференцированное внесение удобрений
Космические снимки открывают возможности для решения более сложных задач. Одна из перспективных разработок, находящихся на стадии апробации, — определение почвенных показателей дистанционными методами.
«Эта тема крайне актуальна, — подчёркивает Петров. — Часто аграрии не знают точного типа почв на своих полях, где наблюдается дефицит минеральных элементов или недостаточная увлажнённость». Эти факторы напрямую влияют на урожайность и, как следствие, на рентабельность производства. Возможность дистанционно определять состав почвы может кардинально улучшить ситуацию в агросекторе.
С помощью специальных алгоритмов и индексов (например, термодинамического индекса NDSI) в сочетании с обучающими выборками можно оценить содержание фосфора, бора, органических веществ, тип почвы и уровень её увлажнённости. Это позволяет перейти к дифференцированному внесению удобрений с точностью до 0,1 гектара, что является прямой помощью фермеру в повышении урожайности. Аналогичные технологии позволяют отслеживать и более глобальные процессы, такие как почвенная эрозия.
Принцип работы и преимущества технологии
«Каждый элемент экосистемы — будь то почва или растения — поглощает и отражает солнечную радиацию, — объясняет эксперт. — Отражённое излучение хорошо фиксируется в инфракрасном диапазоне спутниковыми аппаратами». Специалисты выявили зависимость между спектром отражённого излучения и состоянием экосистемы. На основе этой зависимости, отработанной за 15 лет исследований и многочисленных экспедиций по стране, и строятся модели для определения агроэкологических показателей.
Главное преимущество технологии — оперативность и доступ к историческим данным. Чтобы получить актуальную информацию о состоянии полей, не нужно ждать или организовывать специальную съёмку. Можно проанализировать архив снимков за последний месяц вегетационного периода. На основе этого анализа аграрий может точно рассчитать потребность в удобрениях, закупить необходимые минеральные элементы к началу сезона и применять их целенаправленно, а не наугад.
Кроме того, понимание почвенного состава помогает оптимизировать севооборот. «Урожайность сильно зависит от типа почвы, — комментирует Иван Петров. — Если посеять высокомаржинальную культуру на бедной гумусом земле, высокого урожая не будет». Информация о почвах позволяет корректировать планы посевов, размещая культуры на наиболее подходящих для них полях. Грамотный севооборот в сочетании с точным внесением удобрений способен увеличить урожайность на 20-25%.
Развитие технологий искусственного интеллекта для сельского хозяйства поддерживается на государственном уровне в рамках федеральных проектов. Активно внедряют эти решения и в регионах, например, в Татарстане. Крупные сельхозпроизводители также заинтересованы в подобных инновациях, так как они напрямую влияют на ключевой показатель — урожайность.
Новое направление: углеродные полигоны
Технология дистанционного зондирования находит применение и в новой, быстро развивающейся сфере — формировании лесоклиматических проектов и углеродных полигонов. Углеродный полигон — это территория с древесной или кустарниковой растительностью, способная поглощать (секвестрировать) углекислый газ из атмосферы.
Объём поглощаемого углерода зависит от породы и возраста деревьев. Например, сосна секвестрирует около 0.5 тонн углерода с гектара, а тополь — до 5 тонн. Наиболее активен этот процесс у древостоя в возрасте от 5 до 35 лет. Значительный вклад в секвестрацию вносит и почва.
«Наша технология позволяет дистанционно определять объём, возраст, состав фитомассы и породы деревьев, — говорит Иван Петров. — Это даёт возможность спрогнозировать, сколько углерода сможет поглотить данная территория». Так, идеальным природным поглотителем углерода являются болота, а песчаные почвы практически не выполняют этой функции. Дистанционный анализ становится важным инструментом предварительной оценки при создании углеродных полигонов — направления, которое активно развивается в России в последние полтора года.
Беседу вела Людмила Старостина
#искусственный интеллект #технологии #сельское хозяйство #стартап #фермер #космос #спутник #животноводство #растениеводство #агроном
Еще по теме здесь: Фермер.
Источник: Искусственный интеллект для агропланирования.