В условиях точного земледелия необходимо принимать во внимание, что даже в пределах одного поля урожайность сельскохозяйственных культур и их общее состояние могут существенно варьироваться. Омар Цукаев, студент Санкт-Петербургского государственного аграрного университета, занимается разработкой методики, основанной на анализе спутниковых изображений для оценки продуктивности каждого конкретного участка и формирования цифровой карты поля.

«Использование среднего значения урожайности не позволяет выявить различия между отдельными участками посевов. Наличие визуальной карты этих различий значительно облегчит агроному планирование работ и распределение ресурсов», — отметил Омар Цукаев.

Определение степени неоднородности имеет принципиальное значение для эффективности точного земледелия, поскольку унифицированный подход к обработке может оказаться неоптимальным при существенных различиях в продуктивности различных участков поля. Данная карта позволит визуализировать зоны с повышенными или пониженными показателями и учитывать эту информацию при проведении сельскохозяйственных работ.

В настоящее время для оценки неоднородности применяются агрохимические, почвенные обследования и агроэкологическая оценка. Эти методы связаны с определенными затратами, проводятся периодически, обычно не чаще одного раза в пять лет, и могут быть недоступны для обработки обширных сельскохозяйственных территорий. Более экономичным вариантом может стать ретроспективный анализ спутниковых снимков: он позволит отследить изменения на поле за несколько месяцев или лет и оценить продуктивность его отдельных участков.

Метод базируется на применении нейронной сети, предназначенной для анализа спутниковых изображений и сопоставления полученных данных с картами урожайности, формируемыми системами картирования, установленными на зерноуборочных комбайнах. Для обучения модели используются последовательности оптических индексов, вычисленных для каждого пикселя снимка в течение определенного временного интервала. Полученные данные нормализуются и приводятся к единому диапазону значений от 0 до 1.

Используемые индексы отражают различные характеристики растительности и сельскохозяйственных угодий. NDVI (нормализованный относительный индекс растительности), EVI (улучшенный индекс растительности), NDMI (показатель влажности), REP (индекс положения красного края) и SR (простой вегетационный индекс) совместно предоставляют модели информацию о состоянии мельчайших участков поля в различные периоды времени.

В процессе обучения нейросеть получает последовательности индексов, относящиеся к пикселям снимка, и соответствующие значения урожайности с карты. После завершения этапа обучения нейронная сеть сможет определять для каждого пикселя показатель продуктивности, варьирующийся от 0 до 1. Размер обрабатываемого элементарного участка будет соответствовать площади одного пикселя, то есть разрешению спутникового снимка. На основе рассчитанных значений поле можно будет разделить на зоны с различным уровнем продуктивности и визуализировать их в виде цифровой карты.

Омар Цукаев предлагает метод выделения однородных участков на основе кластеризации снимков, применяя разделение смеси вероятностных распределений. Данный подход позволяет избежать необходимости предварительного определения количества и местоположения этих зон, ограничиваясь лишь указанием максимального числа возможных кластеров. Оптимальное количество зон и их точное расположение определяются непосредственно в процессе анализа имеющихся данных.

Ключевым аспектом проекта является применение мульти- и гиперспектральных снимков высокого разрешения, включая данные, полученные со спутника «Лобачевский». Малый космический аппарат формата CubeSat 16U оборудован мульти- и гиперспектральными камерами для получения данных дистанционного зондирования Земли. Запуск спутника на околоземную орбиту состоялся в декабре 2025 года. Подтверждение предварительной договоренности о предоставлении снимков зафиксировано в письме поддержки Нижегородского государственного университета имени Н.И. Лобачевского.

Применение этих данных позволит расширить возможности ретроспективного нейросетевого анализа сельскохозяйственных угодий. В дальнейшем цифровые карты продуктивности смогут использоваться для более детальной оценки внутриполевой неоднородности и разработки планов работ, основанных на принципах точного земледелия.

Информация предоставлена пресс-службой СПбГАУ