Точное земледелие требует учитывать, что даже на одном поле урожайность и состояние растений могут заметно различаться. Студент Санкт-Петербургского государственного аграрного университета Омар Цукаев разрабатывает метод, который позволит оценивать продуктивность каждого участка по спутниковым снимкам и создавать цифровую карту поля.
«Средняя урожайность не показывает, насколько отличаются друг от друга отдельные участки. Если увидеть эти различия на карте, агроному будет проще учитывать их при планировании работ и распределении ресурсов», — пояснил Омар Цукаев.
Такая оценка важна, потому что от точности определения внутриполевой неоднородности зависит эффективность точного земледелия. Если разные участки поля отличаются по продуктивности, единый подход к ним может оказаться недостаточно эффективным. Карта поможет увидеть, где показатели выше или ниже, и учитывать эту информацию при работе с полем.
Сейчас неоднородность оценивают, в частности, с помощью агрохимических и почвенных обследований, а также агроэкологической оценки. Такие методы требуют затрат, проводятся раз в пять лет или реже и не всегда доступны для больших площадей сельскохозяйственных угодий. Более доступным способом может стать ретроспективный анализ спутниковых снимков: он позволит изучить изменения на поле за несколько месяцев или лет и оценить продуктивность его отдельных участков.
В основе метода — нейросеть, которая будет анализировать спутниковые снимки и сопоставлять их с картами урожайности, полученными с помощью систем картирования на зерноуборочных комбайнах. Для обучения модели используют последовательности оптических индексов, рассчитанных для каждого пикселя снимка за определенный период. Данные приводят к единому масштабу от 0 до 1.
Индексы характеризуют разные свойства растительности и поля. NDVI — нормализованный относительный индекс растительности, EVI — улучшенный индекс растительности, NDMI — показатель влажности, REP — индекс положения красного края, а SR — простой вегетационный индекс. Вместе эти показатели дают модели информацию о состоянии элементарных участков поля в разные моменты времени.
На этапе обучения модель получает последовательности индексов для пикселей снимка и соответствующие им значения с карты урожайности. После обучения нейросеть сможет рассчитать для каждого пикселя показатель продуктивности от 0 до 1. Размер элементарного участка будет соответствовать площади пикселя, то есть разрешению спутникового снимка. По рассчитанным значениям поле можно будет разделить на зоны с разным уровнем продуктивности и отобразить их на цифровой карте.
Для выделения таких зон Омар Цукаев предлагает использовать кластеризацию снимков на основе разделения смеси вероятностных распределений. Подход не требует заранее задавать точное количество однородных зон и их расположение на поле. Задается только верхняя граница возможного числа зон, а их количество и локализация определяются по результатам анализа данных.
Особенность проекта — использование мульти- и гиперспектральных снимков высокого разрешения, в том числе со спутника «Лобачевский». Малый космический аппарат формата CubeSat 16U оснащен мульти- и гиперспектральными камерами для получения данных дистанционного зондирования Земли. Спутник вывели на околоземную орбиту в декабре 2025 года. Предварительная договоренность о получении снимков подтверждена письмом поддержки Нижегородского государственного университета имени Н. И. Лобачевского.
Использование этих данных расширит возможности ретроспективного нейросетевого анализа сельскохозяйственных полей. В перспективе цифровые карты продуктивности можно будет применять для более точной оценки внутриполевой неоднородности и планирования работ в системе точного земледелия.
Пресс-служба
