🔹

Исследовательская группа Национального института сельскохозяйственных технологий Аргентины разработала и успешно протестировала программный комплекс на базе машинного обучения, способный с высокой точностью изолировать полезную площадь люцерны от конкурирующей сорной растительности. 

Новаторство метода заключается в использовании стандартных оптических сенсоров массового рынка, что позволяет мелким и средним животноводческим хозяйствам проводить глубокий фитосанитарный аудит пастбищ без закупки специализированных мультиспектральных авиасистем.

Методологической сложностью при оценке засоренности люцерны традиционно считался сценарий под названием «зеленое на зеленом», когда культурные растения и сорняки находятся в фазе активного вегетационного роста. На обычных аэрофотоснимках они имеют практически идентичные оптические характеристики, из-за чего агрономам ранее приходилось арендовать дорогостоящие тепловизионные или инфракрасные камеры для детекции видового состава поля. 

Аргентинские специалисты Лаура Кано и Карлос Наварро обошли это экономическое ограничение, объединив доступный квадрокоптер DJI Air 3S с возможностями алгоритма классификации CatBoost и картографических платформ с открытым исходным кодом. Система была обучена распознавать едва заметные текстурные и геометрические паттерны распределения листьев, разделяя полезный травостой и сорные очаги на стандартных цифровых фотографиях.

Экспериментальная проверка технологии включала в себя 2 контрольных вылета беспилотника на фиксированной высоте 40 метров с интервалом в 45 дней. 

Первый этап съемки зафиксировал поле в состоянии максимального переплетения зеленой массы, а второй проход выполнялся уже после планового укоса люцерны, когда оставшиеся сорняки вступили в фазу естественного увядания и создали цветовой контраст для валидации данных. Финальный компьютерный анализ продемонстрировал временную стабильность и точность вычислений: в первый вылет чистая площадь люцерны была оценена алгоритмом в 45.2%, а после укоса этот показатель скорректировался всего до 49.1%. Минимальная погрешность вычислений в пределах 3.9% доказала, что нейросеть безошибочно идентифицирует скрытую угрозу даже в условиях визуально однородного зеленого ковра.

Практическое внедрение данной методологии дает фермерам инструмент оперативного реагирования для спасения деградирующих или стареющих пастбищ, где сорные виды незаметно вытесняют кормовую базу. 

Точный попиксельный расчет полезной площади позволяет своевременно принимать решения о локальном точечном внесении гербицидов или необходимости полной перепашки и пересева кормового клина. Доступность программного обеспечения и независимость от импорта тяжелых промышленных сканеров кардинально снижают барьер входа в технологии точного земледелия для региональных кооперативов, помогая оптимизировать затраты на корма и существенно повысить общую рентабельность мясного и молочного животноводства.

Использование бесплатного программного обеспечения с открытым исходным кодом — WebODM и QGIS — позволяет воссоздать аргентинскую методику анализа полей без затрат на коммерческие лицензии. Процесс обработки снимков с обычного дрона делится на два последовательных этапа: сшивка ортофотоплана и его последующий пространственный анализ.

Этап 1. Создание ортофотоплана в WebODM

WebODM (Web OpenDroneMap) отвечает за фотограмметрию — он берет сотни отдельных фотографий с квадрокоптера и превращает их в один единый высокоточный снимок поля с географической привязкой.

• Подготовка и загрузка. Вы загружаете массив изображений, полученных в ходе полетного задания. Для качественной сшивки критически важно, чтобы перекрытие кадров при съемке составляло не менее 70–80%.

• Настройка пресета. В интерфейсе WebODM выбирается встроенный профиль обработки Field (Поле) или Agricultural (Сельскохозяйственный). Эти настройки оптимизированы для распознавания однородных зеленых поверхностей и минимизируют появление визуальных «артефактов» на травостое.

• Экспорт результатов. После завершения расчета система генерирует файл в формате GeoTIFF (ортофотоплан) и цифровую модель высот. Для дальнейшего поиска сорняков вам понадобится только экспортированный файл GeoTIFF, содержащий стандартные каналы видимого спектра (RGB: красный, зеленый, синий).

Этап 2. Выделение сорной растительности в QGIS

QGIS (Quantum GIS) — это географическая информационная система, в которой происходит непосредственно математический анализ полученного изображения и классификация пикселей по типу растительности («зеленое на зеленом»).

• Импорт данных. Вы импортируете файл GeoTIFF из WebODM в рабочее пространство QGIS как растровый слой. Карта сразу привязывается к реальным координатам на земной поверхности.

• Калькулятор растров (Raster Calculator). Так как съемка велась на обычную RGB-камеру без инфракрасного канала (NIR), для отделения сорняков применяются индексы видимого спектра. Наиболее эффективным для детекции травянистой массы является индекс VARI (Visible Atmospherically Resistant Index). В калькуляторе растров задается формула: (Green - Red) / (Green + Red - Blue). На выходе получается монохромное изображение, где интенсивность белого цвета напрямую указывает на плотность и здоровье хлорофилла.

• Обучение классификатора. Для автоматического разделения люцерны и сорняков используется бесплатный плагин Semi-Automatic Classification Plugin (SCP) или Dzetsaka. Вы вручную кликаете по карте и создаете «обучающие выборки» (ROI) — указываете алгоритму несколько эталонных полигонов с чистой люцерной, несколько полигонов с пятнами сорняков и участки с голой почвой.

• Запуск классификации (Метод случайного леса или К-ближайших). Программа анализирует текстурные паттерны и яркость пикселей в обучающих зонах и автоматически окрашивает всё остальное поле в три соответствующих цвета. Сорняки, имеющие отличную от люцерны форму листьев и плотность, четко обособляются в отдельные кластеры.

Этап 3. Создание финальной карты засоренности

Финальный шаг позволяет превратить абстрактную цветную схему в рабочий документ для агронома или карту-задание для опрыскивателя.

• Векторизация и подсчет площади. Полученный растр классификации переводится в векторный формат (полигоны). Через «Таблицу атрибутов» QGIS автоматически рассчитывает точную площадь каждого контура сорняков и выводит итоговое процентное соотношение чистой культуры и засоренных участков.

• Оформление карты. С помощью модуля Макет компоновки (Print Layout) добавляются элементы топографической графики: масштабная линейка, стрелка севера, координатная сетка и легенда, где расписаны зоны сильной, средней и слабой засоренности. Карта экспортируется в PDF для печати или в формат SHP/KML для загрузки в бортовой компьютер трактора или дрона-опрыскивателя для точечного (дифференцированного) внесения гербицидов.

Оригинал статьи на AgroXXI.ru