IEEE Access: цифровая ирригация побеждает засуху

России не придётся импортировать воду для полива из Израиля

Невесёлая участь Иордана, закупка воды для сельскохозяйственных работу Израиля, не угрожает России: предотвратить засуху и неурожай помогут новые отечественные наукоёмкие технологии ирригации. Технологии искусственного интеллекта находят широкое применение во всех приоритетных отраслях отечественной экономики, интеллектуальные системы орошения и методы компьютерного зрения позволяют решать аграриям самые трудные задачи.

ЛОКАЛЬНАЯ РЕГУЛИРОВКА КЛИМАТА

Изменение климата напрямую влияет на доступность воды, что требует разработки стратегий оптимизации ее использования. Обычные системы орошения основаны на применении равномерного потока по полю, рассматриваемому как единая пространственная единица. Однако поля часто могут иметь пространственную неоднородность по почвенным характеристикам, рельефу, микроклимату и развитию культур.

Повышение эффективности водопользования – одна из основных задач, стоящих сегодня перед руководителями фермерских хозяйств. Большая площадь посевов с круговой системой орошения как в России, так и в мире требует дифференцированного подхода к управлению орошением.Исследование направлено на разработку нейросетевых методов (от многослойных искусственных нейронных сетей до распознавания образов и сверточных нейронных сетей) для оптимизации орошения за счет создания динамических карт поливных предписаний с использованием:
1) регулярного мониторинга состояния посевов и окружающей среды с помощью фитоиндикации;
2) прогнозирования динамической изменчивости состояния водоснабжения,
3) базы знаний об оптимальных параметрах орошения сельскохозяйственных культур в регионе.

Система  состоит из восьми IP-камер, подключенных к цифровому видеорегистратору, подключенному к ноутбуку и может быть установлена на центральном круговом поливе. Алгоритм состоит из трех этапов. Этап предварительной обработки изображения ‑ применение интегрированного индекса разницы избыточного зеленого и избыточного красного (ExGR). Этап классификации представляет собой применение того метода, который выбираем в зависимости от условий работы системы.

УПРОЩЕНИЕ ЛЕГКОДОСТУПНО

На завершающем этапе используется нейронная сеть, обученная по методу Resilient Propagation, которая определяет скорость полива растений в текущем секторе расположения дождевателя. Выбранные методы предобработки и классификации позволили добиться точности определения растений до 93 %, стадий роста - до 92 % (при рыхлом посеве кукурузы и хорошем освещении). Производительность системы до 100 растений в секунду, что превышает производительность аналогичных систем.

Нейросеть показала точность 92% на тренировочном наборе и 87% на тестовом наборе. Динамический анализ пространственной и временной изменчивости приводит к повышению производительности и эффективности использования воды. Кроме того, учитывая повсеместное распространение систем управления агробизнесом, такой подход достаточно просто реализовать в условиях фермерского хозяйства.

Поскольку системы управления агробизнесом, такие как система «Агросигнал», сейчас часто используются аграриями, использование сложных методов искусственного интеллекта становится более доступным. Результаты внедрения показали положительную динамику снижения пространственной изменчивости и повышения урожайности кукурузы на этом поле. Информация датчиков, дистанционное зондирование и методы нейронных сетей доказали свою эффективность при определении зон динамического контроля и привлекательны из-за простоты, с которой они могут быть реализованы в масштабе поля.

Этот относительно простой подход является довольно недорогим для фермера и может быть реализован в больших масштабах, что представляет собой важный и устойчивый вклад в повышение эффективности использования воды в сельском хозяйстве, особенно в текущем сценарии глобального потепления и сокращения доступной воды для сельского хозяйства. В исследовании приняли участие ученые из Государственного университета управления (Россия), Московского политехнического университета, Warsaw University of Life Sciences—SGGW (Poland).

КОММЕНТАРИИ ЭКСПЕРТОВ

Владимир СОЛОВЬЕВ,
профессор Финансового университета:
– Нейросетевые технологии заняли прочное место в решении задач в приоритетных отраслях экономики, в том числе и цифровом сельском хозяйстве. Применение современных алгоритмов компьютерного зрения для идентификации яблок на дереве приведено в моём докладе на Международном симпозиуме по нейросетевым технологиям Advances in Neural Networks – ISNN 2020.

Сергей ГАТАУЛЛИН,
зам. декана факультета информационных технологий и анализа больших данных по международным проектам Финансового университета:
– В нашем исследовании предложена методика оптимизации процесса полива сельскохозяйственных культур с использованием системы фитоиндикации на основе методов компьютерного зрения. Учеными предложен алгоритм и разработана система получения карты орошения кукурузы в режиме реального времени. Изложение результатов по применению компьютерного зрения для решения задач ирригации опубликовано в научном журнале IEEE Access.

Екатерина ПЛЕШАКОВА,
первый заместитель руководителя Департамента информационной безопасности по проектам Финансового университета:
– В ирригации широко применяются робототехнические средства, для которых применимы параллельные вычислительные алгоритмы, подробное исследование с моим участием опубликовано в научном журнале Mathematics.

#засуха #исследования #ирригация #голод #продовольствие