Категория: Мониторинг урожая

Кукуруза — самая производимая в мире зерновая культура по объему производства, причем только в Соединенных Штатах ее посевы занимают более 80% территории. Примерно 35 миллионов гектаров, производство 390 миллионов метрических тонн в 2023 году.. Управление урожаем в таких масштабах требует большего, чем просто пеший осмотр. Вегетационные индексы для мониторинга роста кукурузы — математические формулы, выведенные из того, как растительный покров отражает и поглощает свет, — стали краеугольным камнем современного управления урожаем, поскольку они преобразуют спектральные данные в полезную информацию о состоянии растений. Они делают это быстро, в больших масштабах и без воздействия на каждый лист.

Технологии дистанционного зондирования, доступные сегодня через спутники, дроны и портативные датчики, передают спектральные данные в режиме реального времени в эти индексы на каждом этапе вегетационного периода кукурузы. Фермер или агроном может обнаружить азотный стресс на стадии V6 до того, как листья пожелтеют, выявить дефицит воды во время налива зерна до падения урожайности или откалибровать внесение удобрений с переменной нормой, используя карты растительного покрова, созданные в ту же неделю, когда культуре требуется подкормка.

Что такое растительные индексы? Как они работают?

Индекс растительности (VI) — это безразмерная количественная величина, вычисляемая путем математического объединения значений отражательной способности двух или более спектральных диапазонов, регистрируемых датчиком. В результате получается единое число, которое выделяет и усиливает определенные биологические характеристики растительного покрова — такие как концентрация хлорофилла, площадь листьев или содержание воды — подавляя при этом помехи от почвы, атмосферы и тени.

Преимущество индекса растительности заключается в его способности стандартизировать измерения, полученные с помощью различных датчиков, на разных полях и в разные даты. Вместо сравнения необработанных значений отражательной способности, которые меняются в зависимости от условий освещения, индекс растительности предоставляет более стабильное и биологически значимое соотношение или разницу. Это позволяет сравнивать состояние растительного покрова на разных полях, в разные сезоны и даже на спутниковых платформах.

Растения поглощают определенные длины волн света для фотосинтеза и отражают другие. Здоровая зеленая растительность поглощает большую часть красного света (около 660–680 нм) для фотосинтеза, осуществляемого хлорофиллом, и сильно отражает ближний инфракрасный (ИК) свет благодаря своей клеточной структуре.

Разреженный или ослабленный растительный покров поглощает меньше красного света и отражает больше, а также отражает меньше ближнего инфракрасного излучения. Индексы растительности математически отражают этот контраст, позволяя количественно оценить, насколько зеленым, густым и здоровым является растительный покров в данный момент времени.

Спектральные диапазоны, используемые в индексах растительности

Различные спектральные диапазоны предоставляют различную диагностическую информацию о культуре. Каждый диапазон нацелен на определенный биологический процесс, поэтому многодиапазонные датчики обеспечивают более полные данные, чем простые RGB-камеры. Шесть диапазонов, наиболее важных для мониторинга кукурузы, это:

• Красный (620–700 нм): Интенсивно поглощается хлорофиллом. Снижение поглощения красного света свидетельствует о снижении фотосинтетической активности, что указывает на стресс, дефицит питательных веществ или раннее старение растительного покрова.
• Зеленый (520–560 нм): Растения отражают зеленый свет сильнее, чем красный, поэтому они кажутся зелеными. Коэффициент отражения зеленого света коррелирует с концентрацией хлорофилла и используется в таких индексах, как GNDVI и VARI.
• Синий (450–490 нм): Поглощается каротиноидами и хлорофиллом. В основном используется в индексах на основе RGB, таких как VARI, где доступны только видимые диапазоны.
• Ближний инфракрасный диапазон (ИК, 750–900 нм): Отражение в ближнем инфракрасном диапазоне (NIR) сильно отражается губчатой мезофилловой тканью внутри здоровых листьев. NIR-отражение является основой индексов NDVI, EVI и большинства широкополосных индексов. Густой, здоровый кукурузный полог демонстрирует высокое отражение в ближнем инфракрасном диапазоне.
• Красный край (700–740 нм): Переходная зона между красным поглощением и отражением в ближнем инфракрасном диапазоне. Концентрация хлорофилла и содержание азота оказывают сильное влияние на этот диапазон, что делает его очень чувствительным для обнаружения дефицита питательных веществ на ранних стадиях, до того, как он станет визуально заметным.
• Коротковолновое инфракрасное излучение (SWIR, 1400–2500 нм): Поглощается жидкой водой внутри растительных тканей. Индексы, основанные на ближнем инфракрасном диапазоне (SWIR), измеряют содержание воды в растительном покрове и выявляют засушливый стресс, что делает их ценными в период налива зерна, когда дефицит воды напрямую влияет на урожайность.

Почему вегетационные индексы важны для мониторинга роста кукурузы

1. Мониторинг состояния здоровья растений

Состояние здоровья сельскохозяйственных культур включает в себя множество взаимосвязанных факторов: концентрацию хлорофилла, индекс листовой поверхности (LAI — отношение общей площади листьев к площади поверхности земли), водный баланс растений и температуру растительного покрова. Ни один полевой осмотр не может одновременно охватить все эти факторы на сотнях гектаров.

Индексы растительности сводят эту сложность к измеримым значениям, которые можно многократно отслеживать в течение вегетационного периода, чтобы обнаружить упадок до того, как он перерастет в снижение урожайности.

Исследование, опубликованное в Сельское хозяйство В исследовании 2023 года с помощью установленных на БПЛА датчиков NDVI исследователи отслеживали состояние трех гибридов кукурузы в условиях засухи и орошения. Еженедельно, от начала всходов до созревания, исследователи оценивали состояние растительного покрова и обнаружили, что значения NDVI значительно различались между орошаемыми и неорошаемыми участками уже на стадии V8, за несколько недель до появления видимых симптомов стресса. Такая ранняя дифференциация позволяет своевременно принимать меры.

2. Измерение жизнеспособности растений

Жизнеспособность растений — общая скорость роста и накопление биомассы культуры — напрямую предсказывает потенциальную урожайность. Такие индексы, как NDVI и EVI, тесно коррелируют с индексом листовой поверхности (LAI) и надземной сухой биомассой кукурузы.

Мониторинг состояния растений на ключевых стадиях вегетации позволяет агрономам выявлять зоны с низкой урожайностью и соответствующим образом корректировать внесение удобрений и средств защиты, вместо того чтобы применять единое управленческое решение ко всей территории с различной плотностью застройки.

3. Выявление стресса до появления визуальных симптомов.

Возможно, это наиболее ценная с коммерческой точки зрения возможность использования вегетационных индексов. У растения кукурузы, испытывающего дефицит азота, водный стресс или раннее развитие болезни, изменения спектральной отражательной способности — особенно в красном крае спектра и ближнем инфракрасном диапазоне — проявляются за несколько дней или недель до того, как листья начинают желтеть, увядать или появляются видимые поражения.

Индексы, основанные на красном крае спектра, особенно NDRE и CI Red Edge, особенно чувствительны к субвизуальному азотному стрессу и снижению содержания хлорофилла. Джанг и др. (ScienceDirect, 2024) обнаружили, что сочетание Индексы NDVI, NDRE и GNDVI с использованием множественной линейной регрессии значительно улучшилась точность прогнозирования урожайности кукурузы по сравнению с любым отдельным индексом.

Фермеры, полагающиеся на один индекс, упускают из виду аддитивную прогностическую силу, которую обеспечивают многоиндексные подходы, особенно на критических этапах репродуктивного периода.

4. Улучшение прогнозирования урожайности

Показатели растительности, собранные на стратегически важных стадиях роста — особенно в период цветения и образования рыльцев, — являются надежными индикаторами конечной урожайности зерна. Исследование опубликовано в Дистанционное зондирование В 2023 году было проведено объединение многовременных данных с БПЛА, включая NDVI, NDRE, SAVI и EVI, на разных стадиях вегетативного и репродуктивного развития, и разработана модель прогнозирования урожайности кукурузы. Коэффициент детерминации R² равен 0,78, а среднеквадратичная ошибка rRMSE равна 8,27%., превосходя модели, построенные на основе одноэтапных данных.

Ключевой вывод: использование нескольких индексов на разных стадиях роста позволяет охватить гораздо более широкий спектр факторов, определяющих урожайность, чем однократное измерение.

5. Поддержка точного земледелия

Точное земледелие опирается на данные о пространственной изменчивости для определения необходимых для конкретного участка параметров обработки почвы. Карты индексов растительности, созданные на основе снимков с дронов или спутников, позволяют выявить внутриполевые различия в урожайности, которые не видны при усредненных полевых измерениях.

Эти карты напрямую интегрируются в системы внесения удобрений с переменной нормой, позволяя фермерам вносить больше удобрений там, где это необходимо культуре, и меньше там, где это не нужно, одновременно снижая затраты и воздействие на окружающую среду.

Этапы роста кукурузы, на которых вегетационные индексы наиболее полезны.

“Правильный индекс на правильной стадии роста позволяет получить информацию о состоянии посевов, которую просто невозможно получить с помощью сплошного обследования, — и время сбора этих данных так же важно, как и выбранный индекс”.”

1. Этап возникновения

На стадии всходов растительный покров разреженный, и на изображении преобладает почва. Стандартный индекс NDVI здесь показывает себя плохо, поскольку фоновый шум почвы заглушает слабый сигнал от растительного покрова. В этой фазе подходящими инструментами являются индексы, скорректированные с учетом почвы, такие как SAVI и MSAVI.

Они применяют поправочный коэффициент для уменьшения влияния открытой почвы на значение индекса, что позволяет проводить точные измерения плотности растений и равномерности их приживаемости на ранних стадиях.

2. Вегетативный рост (V стадии)

Начиная с V3 и до V12, листовой покров кукурузы быстро расширяется. Это наиболее важный период для управления азотным питанием, поскольку потребность культуры в азоте резко возрастает.

Индексы NDRE и CI Green наиболее чувствительны в этот период, поскольку красная полоса спектра обнаруживает незначительное снижение содержания хлорофилла раньше, чем происходят более широкие изменения сигнала NDVI. Полеты БПЛА на скоростях V6 и V10, приуроченные к решениям о внесении азотных удобрений, обеспечивают наибольшую отдачу от инвестиций в данные.

3. Пришивание кисточек и шелка.

Выцветание (VT) и образование рыльцев (R1) — наиболее чувствительные к урожайности стадии всего жизненного цикла кукурузы. На этом этапе смыкание листового покрова практически завершено, а это значит, что индексы NDVI и EVI теперь могут считывать данные по всему листовому покрову без влияния почвы.

Оба индекса достигают пика примерно на стадии VT у здоровых растений. Любое плато или раннее снижение значений индекса на этой стадии является надежным индикатором стресса, который приведет к гибели зерен и снижению урожая.

4. Наполнение зерном

В период налива зерна (R3–R5) основная задача управления смещается на борьбу с водным стрессом и болезнями. В этот период стандартный набор методов дополняется индексом NDWI (нормализованный разностный водный индекс, рассчитываемый по диапазонам NIR и SWIR) и термическими индексами, которые позволяют выявлять снижение содержания воды в растительном покрове, предшествующее видимому увяданию.

Значения NDVI начинают естественным образом снижаться по мере созревания культуры, поэтому для интерпретации траекторий индекса необходимо сравнивать их с ожидаемой сезонной закономерностью для выращиваемого гибрида.

5. Зрелость

На стадии физиологической зрелости (R6) все основные вегетационные индексы снижаются по мере старения растительного покрова и деградации хлорофилла. Данные об индексах на стадии зрелости в основном используются для ретроспективного анализа — сопоставления сезонных траекторий индексов с фактическими данными об урожайности для проверки моделей прогнозирования и улучшения показателей будущих сезонов. Анализ временных рядов кривых индексов от появления всходов до зрелости обеспечивает наиболее полную базу данных для построения моделей урожайности, специфичных для конкретного поля.

Распространенные индексы растительности, используемые для мониторинга роста кукурузы.

1. NDVI (Нормализованный разностный индекс растительности)

NDVI — наиболее широко используемый в сельском хозяйстве индекс растительности. Он измеряет контраст между отражением в ближнем инфракрасном и красном диапазонах и рассчитывается следующим образом:

NDVI = (NIR − Red) / (NIR + Red)

Значения NDVI варьируются от −1 до +1. Здоровые, густые посевы кукурузы обычно имеют показатель от 0,7 до 0,9 на пике зелени. Наилучшие области применения включают отслеживание развития листового покрова от стадии V6 до цветения, выявление зон с низкой урожайностью и корреляцию с индексом листовой поверхности (LAI) и надземной биомассой.

Основной недостаток NDVI заключается в насыщении сигнала в густом растительном покрове — как только индекс листовой поверхности (LAI) превышает примерно 3 м²/м², увеличение площади листьев приводит к уменьшению изменений в сигнале NDVI, снижая чувствительность в пик роста листвы.

Исследование 2024 года, опубликованное в Сельское хозяйство Компания MDPI, используя мониторинг NDVI с помощью беспилотных летательных аппаратов в течение двух вегетационных сезонов в Венгрии, обнаружила, что Наиболее сильная корреляция между индексом NDVI и урожайностью наблюдалась на стадии после цветения. (R = 0,638 в 2023 году и R = 0,634 в 2024 году), что подтверждает надежность NDVI как индикатора урожайности в течение вегетационного периода в этот конкретный период роста.

2. GNDVI (Зеленый NDVI)

В режиме GNDVI красная полоса заменяется зеленой: GNDVI = (NIR − Green) / (NIR + Green). Зеленый канал более чувствителен к концентрации хлорофилла, чем красный, что делает GNDVI более эффективным для обнаружения умеренных колебаний концентрации хлорофилла в зрелых, густых зарослях, где NDVI достиг насыщения.

Основное применение этого метода в кукурузе — оценка содержания азота в организме на средней вегетативной и репродуктивной стадиях. Исследование опубликовано в НаукаПрямой (2024) подтвердили, что GNDVI в сочетании с NDRE в моделях многоиндексной регрессии существенно повышает точность прогнозирования урожайности кукурузы, особенно на предцветочных стадиях.

3. EVI (Улучшенный индекс растительности)

EVI превосходит NDVI за счет включения синего диапазона и применения коэффициентов атмосферной коррекции: EVI = 2,5 × [(ИК − Красный) / (ИК + 6 × Красный − 7,5 × Синий + 1)]. Эта формула одновременно снижает атмосферный шум и фоновые помехи от почвы, что делает EVI более чувствительным, чем NDVI, в условиях густого растительного покрова, где NDVI достигает насыщения.

Индекс EVI является предпочтительным индексом для мониторинга структуры листового покрова кукурузы от стадии цветения до начала налива зерна, когда растительный покров практически полностью сформирован. Это основной индекс в спутниковых продуктах MODIS и широко используется для мониторинга кукурузы в региональном масштабе.

Исследование в Сельское хозяйство В исследовании (2024 г.), проведенном с использованием данных MODIS MOD09A1 по провинции Цзилинь, Китай, было установлено, что Сочетание нескольких индексов растительности, включая EVI, с моделью формы значительно повысило точность определения фенологической стадии. в ключевые периоды роста кукурузы по сравнению с подходами, основанными на одном индексе.

Для крупномасштабного регионального мониторинга урожая объединение индекса EVI с другими индексами в моделях временных рядов обеспечивает более надежное отслеживание фенологических процессов, чем любой отдельный индекс.

4. SAVI (Почвенный индекс растительности)

SAVI вводит в формулу NDVI поправочный коэффициент яркости почвы (L): SAVI = [(NIR − Red) / (NIR + Red + L)] × (1 + L), где L = 0,5 для типичных почвенных условий. За счет уменьшения вклада отражательной способности голой почвы, SAVI обеспечивает более точные измерения растительного покрова на ранних стадиях роста кукурузы, когда площадь почвенного покрова составляет менее 50%. Это стандартный метод мониторинга приживаемости растений, однородности посевов и ранней активности вегетационного периода, от появления всходов до стадии V4.

5. NDRE (Нормализованная разница красных краев)

В стандарте NDRE используются диапазоны красного края спектра и ближнего инфракрасного излучения: NDRE = (NIR − Red Edge) / (NIR + Red Edge). Красная полоса спектра находится в области, где небольшие изменения концентрации хлорофилла приводят к значительным изменениям отражательной способности, что делает NDRE более чувствительным, чем NDVI, к изменениям концентрации хлорофилла, вызванным азотом.

Исследование, опубликованное в Датчики В исследовании (2024 г.), проведенном с использованием фотограмметрии с помощью БПЛА на исследовательской станции LSU AgCenter, было установлено, что Показатель NDRE через 87 дней после посадки прогнозировал урожайность зерна кукурузы с коэффициентом детерминации R² равным 0,9097., Исключительно прочная взаимосвязь, которая подчеркивает ценность NDRE для управления азотным питанием в конце сезона и прогнозирования урожайности.

6. MSAVI (модифицированный индекс растительности, скорректированный с учетом состава почвы)

MSAVI превосходит SAVI за счет того, что коэффициент L является динамическим, а не фиксированным, поэтому он автоматически подстраивается под степень растительного покрова: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Red))] / 2.

Благодаря этой самонастройке MSAVI точнее, чем SAVI, на всем диапазоне развития растительного покрова, от появления листьев на голой почве до полного покрытия при цветении. Она не требует предположений о яркости почвы, что делает ее более применимой в различных полевых условиях и для разных типов почв.

7. VARI (Видимый атмосферно-устойчивый индекс)

В VARI используются только видимые диапазоны (красный, зеленый, синий): VARI = (Зеленый − Красный) / (Зеленый + Красный − Синий). Его ценность заключается в возможности обработки данных со стандартных RGB-камер — тех, которые устанавливаются на большинстве коммерческих дронов и стоят недорого.

Хотя индекс VARI не обладает такой же чувствительностью к азоту и биомассе, как мультиспектральные индексы, он обеспечивает удобную предварительную оценку зелени растительного покрова, что делает его доступным для фермеров, у которых еще нет возможности использовать мультиспектральные датчики.

Исследование опубликовано в НаукаПрямой (2025) подтвердили, что VARI является одним из полезных входных параметров VI в моделях машинного обучения для прогнозирования урожайности кукурузы в различных условиях выращивания.

8. OSAVI (Оптимизированный индекс растительности, скорректированный с учетом состава почвы)

OSAVI — это упрощенная версия SAVI с фиксированным значением L, равным 0,16, оптимизированная для условий частичного покрытия растительностью: ОСАВИ = (БИК − Красный) / (БИК + Красный + 0,16).

Это конкретное значение L было определено эмпирически для минимизации влияния фонового воздействия почвы в широком диапазоне плотности растительности. OSAVI демонстрирует хорошие результаты от версии V2 до V6, заполняя пробел между полезностью SAVI в начале сезона и точностью NDVI в пиковый сезон.

9. CI Green (зеленый индекс хлорофилла)

CI Green оценивает содержание хлорофилла непосредственно по отражательной способности: CI Green = (NIR / Green) − 1. Поскольку хлорофилл является основным пигментом, запасающим азот в листьях, CI Green отслеживает содержание азота в кроне без необходимости использования красной каймы.

Это делает его ценным инструментом в случаях, когда доступен только стандартный зеленый диапазон, например, на снимках Sentinel-2, и он надежно работает на этапах от V6 до стадии цветения, что позволяет принимать решения по управлению азотным питанием в середине сезона.

10. Красный край индекса хлорофилла (CI Red Edge)

В системе CI Red Edge зеленая полоса заменена красной краевой полосой: CI Red Edge = (NIR / Red Edge) − 1. Эта замена делает его значительно более чувствительным к изменениям содержания хлорофилла, чем CI Green, особенно на средних и поздних стадиях вегетативного роста, когда растительный покров становится достаточно густым, и сигнал зеленого диапазона начинает насыщаться. CI Red Edge — один из наиболее эффективных индексов для обнаружения тонких градиентов содержания азота в различных зонах обработки поля при выращивании кукурузы.

Сравнение индексов растительности для мониторинга кукурузы

1. Лучший индекс для раннего роста

Индексы SAVI и MSAVI неизменно превосходят NDVI и EVI на ранних стадиях развития кукурузы (от всходов до стадии V4), поскольку они снижают фоновый шум почвы, который в противном случае доминировал бы в сигнале индекса, когда сомкнутость растительного покрова ниже 40%. OSAVI предлагает полезный промежуточный вариант, когда почвенные условия на поле изменчивы.

2. Лучший показатель для обнаружения азота

NDRE и CI Red Edge — наиболее эффективные индексы для выявления дефицита азота у кукурузы. Оба используют высокую чувствительность полосы красного края спектра к концентрации хлорофилла. На стадии V6–V10 — наиболее критическом периоде для принятия решений о внесении азотных удобрений — эти индексы выявляют дефицит за 7–14 дней до того, как NDVI покажет какую-либо измеримую реакцию, обеспечивая значительное время для принятия корректирующих мер.

3. Лучший индекс для оценки биомассы

NDVI и EVI являются наиболее проверенными индексами для оценки надземной сухой биомассы кукурузы. Исследование с использованием мультиспектральных изображений, полученных с помощью БПЛА, в сочетании с текстурными характеристиками в ПМК В исследовании (2023 г.) было установлено, что индексы растительности, основанные на красном (650 нм), красно-краевом (705 нм) и ближнем инфракрасном (842 нм) диапазонах, показали самую высокую корреляцию с индексом листовой поверхности (LAI) — тесно связанным показателем накопления биомассы в вегетационный период.

4. Лучший индекс для густых крон деревьев.

Индекс EVI является предпочтительным, когда листовой покров кукурузы полностью сомкнут, обычно от стадии цветения до начала налива зерна. Там, где индекс NDVI достигает насыщения при LAI приблизительно равном 3, индекс EVI продолжает реагировать на дополнительные изменения площади листьев и содержания хлорофилла, поскольку его поправки на атмосферные и почвенные факторы предотвращают насыщение сигнала при высоких уровнях биомассы.

5. Лучший индекс для оценки засушливого стресса

Совместное использование индексов NDWI (индекс водного баланса на основе ближнего и коротковолнового инфракрасного диапазонов) и NDVI является наиболее эффективной комбинацией для выявления засушливого стресса у кукурузы. NDWI напрямую отслеживает изменения содержания воды в тканях, в то время как NDVI отражает вторичное влияние водного стресса на зелень растительного покрова. Мультиспектральные датчики, включающие возможности измерения в коротковолновом инфракрасном диапазоне, приносят здесь наибольшую пользу, хотя такие датчики остаются дороже стандартных пятидиапазонных мультиспектральных систем.

Применение вегетационных индексов в производстве кукурузы

Полезность индекса растительности определяется лишь тем, какое решение он позволяет принять — цель всегда состоит в том, чтобы преобразовать спектральные данные в полевое действие, которое повышает урожайность, снижает затраты или и то, и другое.

1. Оценка биомассы

Значения NDVI и EVI сильно коррелируют с надземной сухой биомассой на протяжении всего вегетационного периода кукурузы. Повторные полеты БПЛА или пролеты спутников с двухнедельными интервалами позволяют построить кривые накопления биомассы, которые показывают, приближается ли поле к своему потенциальному урожаю или отстает от ожидаемой траектории роста для данного сезона.

2. Измерение содержания хлорофилла

CI Green и CI Red Edge предоставляют неразрушающие оценки содержания хлорофилла на уровне растительного покрова, позволяющие отслеживать фотосинтетическую способность культуры. Исследование опубликовано в ПМК (2024) с использованием оценки SPAD (показания хлорофиллометра) на основе БПЛА в кукурузе подтвердили, что модифицированный индекс отношения красного края достиг... Коэффициент детерминации R² равен 0,87 для прогнозирования содержания хлорофилла в листьях на средней стадии роста, демонстрируя практическую точность, которую обеспечивают индексы красного края спектра для этого применения.

3. Оценка содержания азота в организме

Азот — это питательное вещество, которое наиболее непосредственно ограничивает урожайность кукурузы, и его содержание колеблется в течение сезона в зависимости от потребностей культуры. Исследование 2025 года, опубликованное в [ссылка на исследование]. Границы науки о растениях В 2024 году были интегрированы спутниковые снимки Sentinel-2A, мультиспектральные данные, полученные с помощью БПЛА, и наземные наблюдения на четырех стадиях роста кукурузы, а также разработана новая региональная модель инверсии содержания азота с использованием множественных индексов растительности в сочетании с коррекцией полос.

Разработанная система продемонстрировала высокую точность проверки по 48 независимым точкам отбора проб, показав, как объединение спутниковых и беспилотных летательных аппаратов расширяет масштабируемость управления азотным питанием на основе индекса растительности за пределы отдельных полей, охватывая масштабы фермерских хозяйств и регионов.

4. Выявление водного стресса

Водный стресс у кукурузы сначала снижает устьичную проводимость, затем содержание воды в листьях и, наконец, зеленую биомассу — три процесса, которые последовательно влияют на разные спектральные диапазоны. На ранних стадиях водный стресс проявляется в данных теплового диапазона и индексах на основе SWIR до снижения NDVI.

Мониторинг сочетания индексов NDWI и NDVI в течение периода налива зерна — когда водный стресс оказывает наибольшее влияние на урожайность — позволяет планировать орошение на основе фактической потребности культуры, а не по календарным правилам.

5. Мониторинг заболеваний

Грибковые заболевания, такие как северная пятнистость листьев кукурузы и серая пятнистость листьев, изменяют спектральную характеристику пораженных листьев еще до того, как крупные поражения станут видимыми для человеческого глаза. Инфицированная ткань демонстрирует характерное снижение отражения в ближнем инфракрасном диапазоне и смещение положения красной границы спектра.

Многовременной мониторинг индекса витреоретинопатии позволяет выявлять локализованные спектральные аномалии, указывающие на усиление патологического воздействия, что дает возможность целенаправленного применения фунгицидов вместо опрыскивания всего поля.

6. Выявление повреждений, нанесенных вредителями.

Повреждение листьев в результате питания вредителей снижает индекс листовой поверхности (LAI), что напрямую снижает значения NDVI и EVI на пораженных участках. Например, заражение гусеницами совки создает характерные пространственные закономерности снижения индекса, которые можно обнаружить на снимках с дронов до того, как заражение распространится на соседние участки поля.

Полеты беспилотных летательных аппаратов с высоким разрешением (расстояние до поверхности земли менее 5 см) обеспечивают пространственную детализацию, необходимую для различения повреждений, вызванных насекомыми, от других причин изменения растительного покрова.

7. Оценка урожайности

Значения индекса растительности, измеренные на определенных критических стадиях роста — особенно V12, VT и R3 — являются надежными предикторами конечной урожайности зерна при сочетании с историческими картами урожайности и данными о погоде. Многоиндексные подходы неизменно превосходят модели с одним индексом.

Сочетание индексов GNDVI, NDRE и SCCCI (упрощенный индекс содержания хлорофилла в листовом покрове) в предцветочный период продемонстрировало особенно высокую точность прогнозирования урожайности в опубликованных исследованиях кукурузы. НаукаПрямой (2026).

Исследование, проведенное в Венгрии в течение двух вегетационных сезонов, выявило коэффициенты корреляции 0,638 и 0,634 между индексом NDVI после цветения и конечной урожайностью зерна. Многоиндексные модели, включающие NDRE и GNDVI, еще больше повышают точность прогнозирования.

8. Внесение удобрений с переменной нормой высева.

Карты растительного покрова, созданные на основе индексов растительности с помощью дронов, используются непосредственно для построения карт предписаний для систем внесения азотных удобрений с переменной нормой. Поля делятся на зоны управления на основе значений индексов, и каждая зона получает дозу азота, откалиброванную в соответствии с конкретными потребностями культуры.

В совокупности дистанционное зондирование и технология переменной нормы внесения удобрений обеспечили... Доля рынка технологий точного земледелия в 2025 году составит 581 тыс. тонн. (Precedence Research, 2026), что отражает, насколько важным стал этот рабочий процесс в коммерческом производстве кукурузы.

Исследование 2025 года в Сельское хозяйство (MDPI) обнаружил, что умеренные дозы азота 120–180 кг га⁻¹ обеспечил оптимальный уровень питания для кукурузы, увеличив урожайность до 5,086 т га⁻¹ По сравнению с контрольными участками без удобрений, мониторинг на основе NDVI оказался эффективным не только для оптимизации урожайности, но и для целенаправленного определения стратегий внесения удобрений с учетом особенностей конкретного участка.

Управление внесением азота на основе индекса NDVI на стадии после цветения (когда корреляция между индексом VI и урожайностью достигает пика) может заменить традиционные подходы к внесению удобрений, основанные только на анализе почвы, и значительно повысить как эффективность использования ресурсов, так и урожайность зерна.

Платформы, используемые для сбора данных по индексу растительности.

1. Спутниковые снимки

Спутники, такие как Sentinel-2 (разрешение 10 м, периодичность наблюдений 5 дней) и спутники Planet Labs (разрешение 3 м, периодичность наблюдений 3 дня), обеспечивают стабильные спектральные данные на больших территориях при благоприятных погодных условиях и низкой стоимости за гектар.

Включение полос красного края спектра (B5, B6, B7 на длинах волн 705, 740, 783 нм) в данные Sentinel-2 делает его особенно ценным для расчетов NDRE и CI Red Edge в рамках региональных программ мониторинга кукурузы. Ограничением является облачность: облачный период в критический период роста может привести к пробелам в данных, которые нарушают временной мониторинг.

2. Дистанционное зондирование с использованием дронов

Беспилотные летательные аппараты с неподвижным крылом и многороторные дроны, оснащенные мультиспектральными камерами, позволяют получать изображения в масштабе поля с разрешением 2–10 см на пиксель. Такой уровень детализации позволяет различать отдельные ряды растений, что дает возможность измерять внутрирядные различия в состоянии растительного покрова.

Обследования с помощью дронов можно планировать по запросу, независимо от времени пролета спутника, что делает их идеальными для сбора данных в точно определенные агрономические моменты, такие как подкормка азотом или планирование полива.

3. Мультиспектральные камеры для БПЛА

Мультиспектральные камеры, такие как MicaSense RedEdge, Parrot Sequoia и DJI Zenmuse P1, одновременно захватывают изображения в пяти или более узких спектральных диапазонах, включая красный, зеленый, синий, край красного спектра и ближний инфракрасный диапазон.

Эти системы включают в себя калиброванную панель измерения отражательной способности и датчик солнечного света для нормализации данных с учетом изменяющихся условий освещения во время полета, что крайне важно для получения точных и воспроизводимых значений индекса, а не для относительных сравнений.

4. Портативные датчики для измерения параметров урожая

Активные оптические датчики, такие как GreenSeeker и CropCircle, излучают собственный источник света и измеряют отражательную способность отдельных растений на близком расстоянии, исключая влияние переменного солнечного света.

Эти датчики используются для быстрой оценки содержания азота в полевых условиях в конкретных точках отбора проб. Полученные с их помощью данные дополняют снимки, сделанные с помощью дронов и спутников, предоставляя данные наземных измерений, которые подтверждают значения индексов дистанционного зондирования в известных местах.

5. Датчики, устанавливаемые на трактор.

Установленные на тракторе активные датчики, такие как John Deere Hagie и Trimble GreenSeeker RT, непрерывно сканируют кукурузный покров по мере движения трактора по полю и передают данные NDVI в режиме реального времени непосредственно в контроллер переменной нормы внесения удобрений. Эта замкнутая система позволяет корректировать норму внесения удобрений на ходу, основываясь на данных о состоянии посевов в режиме реального времени, без отдельного этапа обработки данных между измерением и внесением.

Факторы, влияющие на точность индекса растительности на кукурузных полях

1. Характеристики почвы

Открытая почва имеет свою собственную спектральную сигнатуру, которая смешивается с сигналом растительного покрова, особенно когда плотность растительного покрова ниже 50%. Индексы, скорректированные с учетом типа почвы (SAVI, MSAVI, OSAVI), разработаны для минимизации этого эффекта, но цвет почвы, влажность и содержание органического вещества все еще влияют на значения индексов на изображениях, полученных в начале сезона. Калибровка пороговых значений индексов для конкретных типов почв в регионе повышает точность интерпретации.

2. Облачность

Облака блокируют солнечное излучение и вызывают переменное затенение на поверхности земли, что делает измерения отражательной способности ненадежными для пассивных датчиков на спутниках и беспилотных летательных аппаратах.

Активные датчики невосприимчивы к облачности, поскольку они обеспечивают собственное освещение. Облачность является наиболее важным фактором, ограничивающим эффективность спутникового мониторинга растительных индексов в регионах с высокой частотой облачности в течение вегетационного периода.

3. Угол наклона солнца

Низкие углы наклона солнца увеличивают долю тени в растительном покрове, искусственно занижая отражательную способность в ближнем инфракрасном диапазоне и искажая значения индекса. Полеты БПЛА, проводимые в период с 10:00 до 14:00 по местному солнечному времени, минимизируют влияние тени и позволяют получать более согласованные данные. Постоянство времени полета при повторных обследованиях так же важно, как и абсолютное время, поскольку оно позволяет проводить осмысленное сравнение между датами.

4. Плотность посадки

Плотность посадки напрямую влияет на смыкание листового покрова и, следовательно, на скорость повышения значений индекса вегетации (VI) от момента посадки до полного смыкания листового покрова. На полях с меньшей плотностью посадки листовой покров смыкается позже, что продлевает период, в течение которого фоновый уровень почвы влияет на показания индекса. Карты плотности посадки, полученные на основе изображений всходов, позволяют корректировать пороговые значения VI с учетом локальных изменений плотности.

5. Стадия роста

Одно и то же значение индекса растительности (VI) означает разные вещи на разных стадиях роста. Значение NDVI 0,5 на стадии V6 может указывать на здоровый, хорошо развивающийся полог, в то время как значение NDVI 0,5 на стадии VT будет сигнализировать о значительном стрессе.

Интерпретация значений индекса вегетации без учета стадии развития приводит к неправильной классификации состояния урожая. Анализ временных рядов, сравнивающий текущие значения с ожидаемыми сезонными кривыми, корректирует это, помещая каждое показание в контекст траектории развития культуры.

6. Разрешение сенсора

Датчики с более низким разрешением смешивают спектральные сигналы от посевов, почвы и краев поля в пределах одного пикселя — проблема, называемая “смешанными пикселями”. При разрешении Sentinel-2 в 10 м один пиксель покрывает 100 м² земли, которая часто включает в себя несколько рядов посевов и междурядья почвы.

Изображения, полученные с помощью дронов с более высоким разрешением (5 см на пиксель), исключают смешанные пиксели и обеспечивают гораздо более чистый спектральный сигнал растительного покрова, но за счет увеличения объема данных и времени обработки.

Ограничения использования индексов растительности для мониторинга кукурузы

1. Насыщение в густых кронах деревьев

Индекс NDVI, наиболее широко используемый индекс, достигает насыщения при значениях LAI выше примерно 3 м²/м², чего обычно достигает кукуруза к стадии V10. Выше этого порога дальнейшее увеличение зелени или биомассы растительного покрова приводит к незначительным изменениям NDVI. Индексы EVI, GNDVI и NDRE разработаны для решения этой проблемы, но требуют большего количества спектральных диапазонов, чем NDVI, и не всегда доступны в недорогих датчиках.

2. Зависимость от погоды

Пассивные системы дистанционного зондирования зависят от постоянного солнечного освещения. Облачность, дымка и атмосферные аэрозоли поглощают и рассеивают поступающее солнечное излучение до того, как оно достигнет посевов, и снова на пути обратно к датчику, искажая значения отражательной способности.

Алгоритмы атмосферной коррекции, применяемые в процессе обработки данных, уменьшают, но не устраняют этот эффект. В тропических регионах выращивания кукурузы с продолжительным облачным сезоном пробелы в данных могут быть достаточно частыми, чтобы поставить под угрозу мониторинг временных рядов.

3. Смешанные пиксели

При низком пространственном разрешении пиксели улавливают сигналы как от растительного покрова, так и от почвы, дорог, ирригационного оборудования или краев поля. В результате получается смешанная отражательная способность пикселей, значения индекса которой не отражают только растительный покров. Маскирование границ поля и использование датчика с максимально возможным пространственным разрешением являются стандартными методами для минимизации этой ошибки.

4. Требования к калибровке

Для получения точных и воспроизводимых значений индекса требуется радиометрическая калибровка датчика, коррекция атмосферных эффектов и нормализация с учетом переменной освещенности во время полетов дронов. Пропуск этих шагов приводит к созданию относительных карт индекса растительности, которые нельзя сравнивать между датами или по полям, что ограничивает их полезность для мониторинга временных рядов и сравнительной оценки нескольких полей.

5. Необходимость проверки достоверности данных.

Вегетационные индексы — это косвенные измерения. Они позволяют оценить свойства сельскохозяйственных культур — содержание хлорофилла, азота, биомассы — путем сопоставления спектральных характеристик с биологическими показателями, а не путем их прямого измерения.

Любая оценка состояния урожая на основе визуальных признаков выигрывает от проверки на местности: физических измерений содержания азота в листьях, показаний хлорофиллометра или деструктивных проб биомассы, взятых в репрезентативной выборке мест по всему полю. Данные на местности служат основой для интерпретации результатов дистанционного зондирования и предотвращают ошибочную диагностику.

Передовые методы использования вегетационных индексов на кукурузных полях

1. Выбор правильного указателя

Выбор индекса должен соответствовать цели мониторинга и имеющемуся датчику. Для оценки содержания азота выбирайте NDRE или CI Red Edge, если доступен диапазон красного края полосы. Для оценки состояния насаждений в начале сезона используйте SAVI или MSAVI.

Для мониторинга растительного покрова в пиковый сезон и прогнозирования урожайности используйте EVI или NDVI в сочетании с GNDVI или NDRE. Избегайте использования только NDVI в начале сезона или при высокой плотности растительного покрова — его ограничения в обоих случаях хорошо известны.

2. Выбор правильной стадии роста

Своевременный сбор данных в моменты принятия агрономических решений позволяет максимально повысить ценность данных о растительной флоре и фауне для управления посевами. Практический график мониторинга кукурузы может включать в себя:

1. V2–V4 (проверка всхожести): Используйте SAVI или MSAVI для оценки однородности насаждений и определения зон повторной посадки.
2. V6 (решение о внесении азотных удобрений в качестве подкормки): Используйте NDRE или CI Red Edge для определения состояния азотного баланса и составления плана внесения удобрений с переменной нормой.
3. V10–V12 (смыкание крон): Используйте NDVI и EVI для оценки биомассы и выявления зон с низкой эффективностью управления.
4. VT (образование метелок): Используйте NDVI и GNDVI для оценки пика опыления и выявления участков, подверженных риску стресса во время опыления.
5. R3 (молочная стадия): Используйте NDVI и NDWI для выявления водного стресса и оценки прогресса налива зерна.
6. R6 (зрелость): Используйте данные индекса для сопоставления сезонной траектории VI с урожайностью для калибровки модели.

3. Объединение нескольких индексов

Ни один отдельный индекс не может в полной мере отразить всю сложность состояния посевов кукурузы. Комбинирование двух или более индексов, нацеленных на различные биологические сигналы, позволяет получить более полные диагностические карты. Сочетание NDRE для оценки азотного статуса, NDVI для оценки общей биомассы и NDWI для оценки содержания воды охватывает три наиболее распространенных лимитирующих фактора в производстве кукурузы. Многоиндексное объединение в моделях машинного обучения обеспечивает заметно более высокую точность прогнозирования урожайности, чем любой подход с использованием одного индекса.

4. Интеграция наземных наблюдений

Карты индексов вегетации (VI) всегда следует интерпретировать в совокупности с результатами полевых наблюдений. Если на карте, полученной с помощью дрона, появляется аномалия индекса вегетации, то физический осмотр этого места позволяет подтвердить, отражает ли спектральный сигнал реальную агрономическую проблему — дефицит азота, уплотнение почвы, переувлажнение, повреждения вредителями — или же это артефакт, вызванный шумом датчика, тенями или изменчивостью почвы. Наземные наблюдения также предоставляют данные, необходимые для калибровки локальных пороговых значений индексов вегетации для конкретных гибридов, почв и систем управления.

5. Использование анализа временных рядов

Отдельный снимок индекса жизнеспособности (VI) — это моментальный снимок. Временной ряд снимков, от появления всходов до созревания, — это целая история. Построение графика значений индекса во времени позволяет выявить траектории роста, определяющие стрессовые события по дате их возникновения, степени тяжести и продолжительности. Данные временных рядов также позволяют сравнивать текущий сезон с историческими показателями, предоставляя контекст, недоступный для снимков, сделанных в отдельные даты.

Будущие тенденции в мониторинге роста кукурузы

1. Искусственный интеллект

Алгоритмы искусственного интеллекта все чаще применяются к данным индексов растительности для автоматизации задач интерпретации, которые в настоящее время требуют оценки агронома. Модели глубокого обучения, обученные на больших наборах данных индексов растительности, могут классифицировать тип, степень тяжести и пространственную протяженность стресса по мультиспектральным изображениям за считанные секунды, отмечая зоны, требующие принятия мер, для проверки агрономом, вместо того чтобы проводить полный ручной анализ каждого изображения.

Рынок искусственного интеллекта в сельском хозяйстве оценивался в Объем рынка составил 2,1 млрд долларов США в 2023 году и, согласно прогнозам, будет расти со среднегодовым темпом роста более 241 тыс. тонн до 2032 года. (GMI, 2025), что отражает скорость коммерциализации этой возможности.

2. Модели машинного обучения

Применение алгоритмов Random Forest, XGBoost и сверточных нейронных сетей (CNN) к многоиндексным и многовременным наборам данных неизменно превосходит традиционные модели доходности на основе регрессии.

Достигнуты результаты исследования по использованию градиентных бустинговых машин (GBM) для прогнозирования урожайности кукурузы. Значение R² равно 0,78 При интеграции временных рядов VI с метеорологическими данными, этот метод превосходит более простые регрессионные подходы.

Эти модели позволяют изучать сложные нелинейные взаимосвязи между спектральными паттернами и агрономическими результатами, которые линейные модели не могут воспроизвести.

3. Гиперспектральная визуализация

Гиперспектральные датчики одновременно регистрируют данные об отражательной способности в сотнях узких спектральных диапазонов, в отличие от пяти-десяти диапазонов типичных мультиспектральных камер. Такая спектральная плотность позволяет обнаруживать сигналы стресса у растений, попадающие в узкие спектральные окна, невидимые для широкополосных датчиков.

В настоящее время активно проводится валидация гиперспектральных индексов для обнаружения заболеваний, стресса, вызванного тяжелыми металлами, и дефицита микроэлементов в кукурузе, при этом коммерческие гиперспектральные системы на базе БПЛА становятся все более доступными по цене.

4. Мониторинг урожая в режиме реального времени

Сочетание миниатюризации датчиков, расширения спутниковой группировки и возможностей подключения 5G ведет к мониторингу состояния урожая в режиме реального времени, когда данные о вегетационных показателях доступны непрерывно в течение всего вегетационного периода, а не еженедельно или раз в две недели.

Благодаря ежедневной частоте повторного облета спутников компанией Planet Labs и развертыванию полевых датчиков с поддержкой IoT, передающих данные на облачные платформы, первые пользователи уже могут получить возможность мониторинга практически в режиме реального времени.

Системы дистанционного зондирования на основе дронов компании DJI сообщили о... 67,78% сокращение объемов входящего химического сырья когда карты предписаний, полученные на основе данных VI, используются в системах опрыскивания с переменной нормой внесения (Mordor Intelligence, 2026).

5. Интеграция с системами точного земледелия.

Следующим шагом в мониторинге VI кукурузы станет бесшовная интеграция между сбором данных, их обработкой, интерпретацией и полевыми действиями. Облачные платформы управления фермерскими хозяйствами уже напрямую связывают потоки спутниковых и беспилотных изображений с программным обеспечением контроллеров для систем переменной нормы внесения, сокращая время от сбора данных до полевых действий с дней до часов.

По мере стандартизации API-интерфейсов между поставщиками изображений, агрономическим программным обеспечением и сельскохозяйственной техникой, рабочий процесс от “полета дрона” до “внесения удобрений с переменной нормой” станет доступным для производителей всех масштабов.

Часто задаваемые вопросы

Какой индекс растительности лучше всего подходит для кукурузы?
Универсально наилучшего индекса не существует. NDRE лучше всего подходит для оценки содержания азота, SAVI — для мониторинга на ранних стадиях, EVI — для условий густого растительного покрова, а NDVI — для корреляции общей биомассы и урожайности. Комбинирование двух или трех индексов, подобранных в соответствии с целью мониторинга, неизменно превосходит любой отдельный индекс.

Как часто следует отслеживать показатели растительности?
Для управления посевами кукурузы в течение всего вегетационного периода рекомендуется проводить мониторинг с интервалом от 7 до 14 дней в периоды V4–R3. Критические периоды принятия решений (V6 для определения потребности в азоте, VT для оценки стресса, R3 для орошения) оправдывают использование авиарейсов или спутниковых данных независимо от стандартного графика мониторинга.

Какой индекс растительности лучше всего подходит для ранних стадий роста кукурузы?
SAVI и MSAVI показывают наилучшие результаты от стадии всходов до стадии V4, поскольку они уменьшают влияние открытой почвы на значение индекса, обеспечивая значимые измерения растительного покрова даже при уровне почвенного покрова ниже 30%.

Могут ли индексы растительности выявлять заболевания до появления симптомов?
Исследования показывают, что листовые заболевания изменяют спектральную характеристику пораженных листьев еще до появления видимых поражений. Индексы, основанные на красном крае спектра, являются наиболее чувствительными для раннего обнаружения заболеваний, поскольку они реагируют на деградацию хлорофилла в пораженной ткани. Время обнаружения зависит от типа и тяжести заболевания, но в контролируемых исследованиях было продемонстрировано раннее обнаружение за 5–10 дней до появления видимых симптомов.

Заключение

Индексы растительности для мониторинга роста кукурузы давно вышли за рамки простого научного интереса. Теперь это практические, проверенные в полевых условиях инструменты, позволяющие фермерам и агрономам выявлять стресс для растений, дефицит азота и факторы, ограничивающие урожайность, за несколько недель до того, как эти проблемы станут очевидными — и до того, как они приведут к необратимым потерям урожая. Выбор правильного индекса для каждой стадии роста — это не просто техническая деталь; это разница между обнаружением реальной проблемы и получением вводящих в заблуждение данных. Комбинирование нескольких индексов — NDRE для азота, EVI для биомассы густого растительного покрова, NDWI для водного баланса — позволяет получить диагностическую картину, которую не может дать ни одно отдельное измерение. Интеграция этой спектральной картины с физическими полевыми наблюдениями позволяет соотнести данные с агрономической реальностью и предотвратить неверную интерпретацию, возникающую при использовании только дистанционного зондирования.

Беспилотные летательные аппараты (БПЛА), или дроны, преобразуют современное сельское хозяйство, обеспечивая быстрый обзор полей с воздуха. Они используются для сканирования посевов на предмет состояния здоровья, стадии роста, вредителей, сорняков и оценки урожайности. Например, в Китае сейчас эксплуатируется более 250 000 сельскохозяйственных дронов, а в Таиланде к 2023 году около 301 тонны сельскохозяйственных угодий были обработаны дронами для опрыскивания или мониторинга. Эти БПЛА повышают эффективность сельского хозяйства, быстро выявляя проблемы (такие как вспышки вредителей или нехватка воды), которые могут быть пропущены на земле.

Однако небольшие БПЛА обладают очень ограниченными вычислительными мощностями и временем автономной работы. Поэтому запуск сложных алгоритмов обработки изображений с использованием ИИ в режиме реального времени представляет собой сложную задачу. Традиционные облегченные модели обнаружения объектов (например, миниатюрные детекторы на основе YOLO или MobileNet) лишь частично удовлетворяют этим потребностям: они часто жертвуют точностью или скоростью и требуют значительной ручной настройки. Этот пробел мотивирует разработку метода поиска нейронной архитектуры с учетом условий эксплуатации (NAS): автоматизированного метода проектирования, который адаптирует модели глубокого обучения к точным требованиям БПЛА, используемых в полевых условиях.

Современное точное земледелие использует беспилотные летательные аппараты (БПЛА) для обследования полей и мониторинга состояния посевов. Пролетая над большими территориями, дроны могут собирать изображения высокого разрешения растений, почвы и структуры поля. Эти изображения передаются алгоритмам компьютерного зрения, которые обнаруживают сорняки среди культур, оценивают урожайность (например, подсчитывая плоды или колосья) или выявляют ранние признаки болезней или дефицита питательных веществ. Например, дроны позволяют проводить целенаправленное опрыскивание гербицидами сорных участков, сокращая использование химикатов и затраты.

Однако небольшие бортовые компьютеры дронов (часто потребляющие всего несколько ватт мощности) с трудом справляются с работой больших нейронных сетей на скорости полета. Это затрудняет анализ в реальном времени: если дрон обнаруживает проблему, ему необходимо быстро отреагировать или записать данные до того, как разрядится батарея. Современные легкие детекторы (например, YOLOv8 nano, YOLO-tiny, MobileNets) разрабатываются вручную и часто предполагают компромиссы: уменьшение размера модели ускоряет процесс, но может снизить точность.

В результате возникает острая необходимость в методах, которые автоматически находят наилучшую возможную модель с учетом ограничений БПЛА. Система NAS, учитывающая особенности развертывания, отвечает этой потребности, осуществляя поиск архитектур нейронных сетей, которые совместно оптимизируют точность обнаружения и использование ресурсов (задержка, мощность, память) в реальных условиях эксплуатации БПЛА. Такой подход позволяет создавать специализированные модели, эффективно работающие на оборудовании дронов и при этом сохраняющие высокую точность для задач мониторинга сельскохозяйственных культур.

Требования к обнаружению объектов беспилотными летательными аппаратами при мониторинге сельскохозяйственных культур.

Сельскохозяйственные БПЛА выполняют ряд задач визуального обнаружения, каждая из которых имеет свои особенности:

1. Выявление состояния здоровья и стрессовых факторов у растений: Дроны используют RGB, тепловизионные или мультиспектральные камеры для выявления растений, находящихся в состоянии стресса, дефицита питательных веществ или симптомов заболеваний. Алгоритмы, работающие в режиме реального времени, могут отображать изменчивость поля, направляя орошение или внесение удобрений. Точное обнаружение признаков стресса у растений позволяет своевременно принимать меры для сохранения урожая.

2. Идентификация сорняков: Обнаружение сорняков среди посевов позволяет фермерам опрыскивать только нежелательные растения, экономя гербициды. Например, в исследовании на хлопковых полях с использованием изображений, полученных с помощью БПЛА и детектора на основе YOLOv7, была достигнута точность около 83% при различении сорняков от хлопка. Однако визуальное различение похожих сорняков и культур остается сложной задачей на загроможденных изображениях полей.

3. Выявление вредителей и болезней: Беспилотные летательные аппараты (БПЛА) могут обнаруживать вспышки численности вредителей (например, саранчи, насекомых или грибковых заболеваний) раньше, чем люди, передвигающиеся пешком. Дроны также помогают составлять карты зон, зараженных вредителями, с помощью мультиспектральной съемки, что превосходит возможности съемки только в формате RGB. Быстрое и точное обнаружение вредителей имеет решающее значение для предотвращения их распространения.

4. Оценка урожайности: Подсчет фруктов, колосьев или растений с воздуха помогает прогнозировать объемы урожая. Модели, обученные обнаруживать яблоки, дыни или колосья пшеницы на изображениях, полученных с помощью БПЛА, могут ускорить оценку урожайности. Например, нейронные сети на изображениях, полученных с дронов, использовались для подсчета урожая арбузов и дынь на полях.

5. Геодезические работы и картография: Дроны также создают карты полей (топография, различия в почве), которые помогают планировать обработку почвы. Хотя это и не совсем обнаружение объектов, это является частью мониторинга с помощью БПЛА.

Эти задачи часто требуют обработки данных практически в реальном времени: дрону, летающему над полями, может потребоваться обрабатывать видеокадры на лету (несколько кадров в секунду), чтобы решения по управлению (например, корректировка высоты или включение опрыскивателя) принимались немедленно. В других случаях небольшие задержки (в секундах) могут быть допустимы, если данные регистрируются и анализируются после посадки.

Важно отметить, что система машинного зрения БПЛА должна учитывать изменчивость окружающей среды: яркий солнечный свет, тени, размытие изображения из-за движения, вызванное ветром, перекрытие объектов листьями или изменения высоты и угла обзора. Размеры объектов различаются (сорняки крупным планом против скоплений вредителей на расстоянии), поэтому детекторы должны обрабатывать многомасштабные особенности.

Наконец, в сельскохозяйственных миссиях с использованием БПЛА необходимо соблюдать строгий компромисс между точностью, задержкой и энергопотреблением. Высокая точность обнаружения необходима для того, чтобы не пропустить сорняки или вредителей, но работа с очень разветвленной сетью может быстро разрядить батарею. Поэтому модель обнаружения должна быть быстрой и энергоэффективной, при этом достаточно точной для выполнения задачи. Эти жесткие требования подчеркивают необходимость специализированного проектирования моделей для БПЛА в сельском хозяйстве.

Легкие детекторы объектов для беспилотных летательных аппаратов

Легковесные детекторы объектов — это нейронные сети, специально разработанные для работы на оборудовании с ограниченными ресурсами. Они часто используют небольшие архитектуры (например, MobileNet или ShuffleNet), уменьшенную ширину слоев или упрощенную конструкцию “шеи”/“головы”. Например, модели семейства YOLO включают «нано» и «миниатюрные» версии (например, YOLOv8n, YOLOv5s), которые имеют меньше параметров и требуют меньшего количества операций (FLOPs).

Подобные детекторы могут работать со скоростью в десятки кадров в секунду на встроенном оборудовании, таком как NVIDIA Jetson Nano или Google Coral. Например, Ag-YOLO — это специально разработанный на основе YOLO детектор пальмовых плантаций, который работал со скоростью 36,5 кадров в секунду на Intel Neural Compute Stick 2 (потребляя всего 1,5 Вт) и достиг высокой точности (F1 = 0,9205). Эта модель использовала примерно в 12 раз меньше параметров, чем YOLOv3-Tiny, при этом удвоив свою скорость.

Эти примеры демонстрируют компромиссы в проектировании моделей: уменьшение размера или сложности модели (например, меньшее количество слоев или каналов) обычно ускоряет вывод и снижает энергопотребление, но может снизить точность. Ag-YOLO пожертвовала частью своих возможностей ради повышения скорости и эффективности, но при этом сохранила высокий показатель F1, равный 0,92, в своей задаче.

Аналогичным образом, были сравнены три варианта YOLOv7 для обнаружения сорняков: полная версия YOLOv7 достигла точности 83%, в то время как более компактная сеть YOLOv7-w6 показала точность 63%. Это иллюстрирует ограничение универсальных облегченных детекторов: модели, настроенные для одной среды или типа объекта, могут работать хуже в другой. Детектор, оптимизированный для скорости, может пропускать тонкие признаки (например, мелкие или замаскированные сорняки), что снижает его надежность в различных условиях.

В сельском хозяйстве эти универсальные легковесные сети могут оказаться неоптимальными без дополнительной корректировки. Например, модель YOLOv7, предварительно обученная на распространенных наборах данных, может не идеально обрабатывать уникальные текстуры и масштабы изображений сельскохозяйственных культур. Следовательно, необходима оптимизация архитектуры модели с учетом специфики задачи и платформы. Ручная настройка (изменение слоев, фильтров и т. д.) для каждого нового типа дрона или сорта культуры является трудоемким процессом. Это мотивирует использование автоматизированных методов, таких как NAS с учетом развертывания, для поиска оптимального баланса размера, точности и надежности для конкретной платформы БПЛА и сельскохозяйственного применения.

Поиск нейронной архитектуры в системах машинного зрения на базе БПЛА

Поиск нейронной архитектуры (NAS) — это автоматизированный метод проектирования архитектур нейронных сетей. Вместо ручной установки количества слоев, фильтров и связей, NAS использует алгоритмы (обучение с подкреплением, эволюционные методы или градиентный поиск) для исследования пространства возможных вариантов проектирования и поиска тех, которые оптимизируют выбранную целевую функцию (например, точность).

Технология NAS уже применялась для создания сетей, оптимизированных для мобильных устройств. Например, MnasNet от Google стала новаторской “платформенно-ориентированной” NAS-сетью, которая напрямую учитывала реальную задержку устройства в целевой функции. MnasNet измеряла время выполнения на телефоне Google Pixel для каждой модели-кандидата во время поиска и балансировала точность с учетом этой измеренной задержки. В результате было создано семейство сверточных нейронных сетей (CNN), которые были одновременно быстрыми и точными на мобильном оборудовании, превосходя вручную разработанные модели MobileNet и NASNet на ImageNet.

Однако стандартные подходы к обнаружению объектов на основе нейронных сетей, такие как MnasNet, ориентированы на общие задачи компьютерного зрения (классификация ImageNet или обнаружение объектов COCO) и стандартное оборудование (например, мобильные телефоны). Для мониторинга сельскохозяйственных культур с помощью БПЛА проблема более специфична. Нам нужны детекторы, оптимизированные для конкретных классов объектов (растения, сорняки, вредители) и адаптированные к датчикам БПЛА и профилю полета. Стандартный подход к обнаружению объектов на основе нейронных сетей, оптимизирующий только точность или общую задержку, может игнорировать такие нюансы, как обнаружение мелких объектов или ограничения по энергии.

Кроме того, традиционные методы NAS могут быть очень ресурсоемкими с точки зрения вычислений (часто требуют нескольких дней работы на больших кластерах GPU), что не всегда практично для исследователей в области сельского хозяйства. Поэтому для задач компьютерного зрения с использованием БПЛА необходимы специализированные фреймворки NAS. Они должны учитывать критерии, актуальные для БПЛА, и быть максимально эффективными.

Во всех случаях учет ограничений имеет решающее значение: система NAS должна быть осведомлена об ограничениях целевого устройства (аналогично MnasNet) и требованиях к задачам, выполняемым БПЛА в полете в режиме реального времени. Если поиск слишком медленный или игнорирует энергопотребление, полученная модель может оказаться неэффективной в полевых условиях.

На практике, в алгоритмах NAS для систем машинного зрения БПЛА, задержка и энергопотребление оборудования будут напрямую учитываться в метрике поиска. Например, можно измерить частоту кадров детектора-кандидата на самом компьютере дрона (например, NVIDIA Jetson) и использовать это значение в качестве оценки. Это отличается от использования простых аппроксимаций, таких как FLOPs, которые не отражают реальную скорость.

Таким образом, NAS может обнаруживать архитектуры, которые наилучшим образом используют возможности устройства. Вкратце, NAS предлагает способ автоматического проектирования детекторов для БПЛА, но его необходимо адаптировать с учетом специфических задач БПЛА и требований к эффективности.

NAS с учетом особенностей развертывания: основные принципы

NAS с учетом условий развертывания расширяет возможности NAS с учетом аппаратного обеспечения, включая контекст развертывания и ограничения окружающей среды в процесс проектирования. Другими словами, он учитывает не только аппаратное обеспечение дрона (скорость ЦП/ГП, ограничения памяти, энергетический бюджет), но и то, с чем БПЛА фактически столкнется в полевых условиях. Это означает явную оптимизацию таких показателей, как задержка обработки данных на целевом устройстве, энергопотребление и объем используемой памяти, при этом сохраняя высокую точность обнаружения.

Например, в ходе NAS можно было бы развернуть каждую модель-кандидат на устройстве Jetson Nano, прикрепленном к БПЛА, и зафиксировать время ее работы в реальных условиях, а также энергопотребление. Эта эмпирическая обратная связь помогает направлять поиск моделей, которые действительно соответствуют критериям развертывания.

NAS-системы, учитывающие аппаратное обеспечение (например, MnasNet), фокусируются на метриках устройства, тогда как NAS-системы, учитывающие развертывание, идут дальше: они могут учитывать характеристики входных данных от датчиков (например, разрешение изображения, многоспектральные каналы) и целевые значения задержки приложения (необходимое количество кадров в секунду). Они даже могут учитывать ограничения, связанные с условиями полета, такие как максимально допустимый объем памяти, или включать оценки в условиях имитации тряски от ветра или размытия изображения при движении.

Система NAS, учитывающая особенности развертывания, может наказывать архитектуры, потребляющие, скажем, более 5 Вт энергии или требующие больше памяти, чем есть у дрона. Таким образом, поиск естественным образом смещается в сторону практических моделей для полевых условий эксплуатации БПЛА. По сути, система NAS, учитывающая особенности развертывания, замыкает цикл между проектированием модели и реальным использованием. Вместо того чтобы выбирать архитектуру изолированно и надеяться на ее работоспособность, она систематически включает тестирование на реальных устройствах в процессе поиска.

Например, Керец и др. (2026) использовали подобную структуру для поиска детектора БПЛА: они основывались на базовой модели YOLOv8n, но включили в поиск задержку и энергопотребление Jetson Nano. Полученная модель имела на 371 Тл.3Т меньше ГФЛОПС и на 611 Тл.3Т меньше параметров, чем YOLOv8n, при этом снижение mAP составило всего 1,961 Тл.3Т. Это наглядно демонстрирует, как ограничения развертывания привели к созданию гораздо более легкой и быстрой сети NAS.

Роль сетевых станций с учетом развертывания в мониторинге точного земледелия

Сети автоматического обнаружения, учитывающие особенности местности, могут значительно улучшить мониторинг посевов с помощью БПЛА, адаптируя детекторы к сельскохозяйственным условиям. Например, поиск может отдавать предпочтение архитектурам, которые превосходно обнаруживают мелкие, тонкие объекты (такие как узкие сорняки или тонкие всходы кукурузы) или различают растения на фоне почвы. Они могут регулировать глубину сети и рецептивные поля в соответствии с типичной высотой полета: на малой высоте объекты заполняют изображение и могут требовать высокой детализации, тогда как на большей высоте сеть должна хорошо справляться с обнаружением мелких объектов. Сеть автоматического обнаружения, учитывающая особенности местности, может закодировать эти требования в своем пространстве поиска.

Скорость имеет решающее значение в полевых условиях. Представьте, что дрон обнаруживает вспышку вредителей; если модель достаточно быстрая, чтобы обрабатывать видео, скажем, со скоростью 30 кадров в секунду, она может предупредить пилота или инициировать немедленные действия по борьбе с вредителями. В ходе испытаний модель, разработанная NAS, работала на Jetson Nano на 28% быстрее, чем стандартная YOLOv8n, благодаря оптимизированной архитектуре. Она также потребляла на 18,5% меньше энергии в режиме работы ONNX, что означает, что дрон может летать дольше на той же батарее. Эти преимущества делают принятие решений в полете более осуществимым и увеличивают продолжительность миссии.

Еще одно преимущество — надежность. Поскольку NAS, учитывающий особенности развертывания, включает в себя реальную оценку устройств, поиск может включать тесты в различных условиях. Например, он может имитировать низкую освещенность или включать обучающие изображения, полученные на рассвете и в сумерках, гарантируя, что окончательный детектор сохранит точность при реальных изменениях погоды и освещения. В работе было показано, что детектор, полученный с помощью NAS, хорошо обобщается: его протестировали на двух разных наборах данных по культурам (колосья пшеницы и саженцы хлопка) и обнаружили высокую производительность в обоих случаях.

Это говорит о том, что NAS с учетом особенностей местности помогла выявить общие, полезные характеристики для сельского хозяйства, улучшив возможность обобщения на новые области. В целом, NAS с учетом особенностей местности помогает сбалансировать точность и время полета. За счет сокращения вычислительных ресурсов дроны потребляют меньше энергии и могут охватывать большую площадь на одном заряде батареи, при этом надежно обнаруживая посевы и вредителей.

Проектирование поискового пространства для сельскохозяйственных БПЛА-детекторов

Важной частью сетевых хранилищ, учитывающих особенности развертывания, является пространство поиска — набор возможных вариантов сетевой архитектуры, которые оно рассматривает. Для детекторов урожая, используемых БПЛА, пространство поиска может быть сформировано таким образом, чтобы включать перспективные архитектуры для этой области. Ключевые элементы включают:

1. Архитектура магистральной сети: Основой является механизм извлечения признаков. Для БПЛА можно использовать облегченные сверточные блоки, такие как свертки с разделяемой по глубине структурой (как в MobileNet) или инвертированные остаточные блоки. Инвертированные остаточные блоки и линейные узкие места (в стиле MobileNetV2) хорошо известны своей эффективностью на мобильных устройствах. Пространство поиска может позволять варьировать ширину (количество каналов) и глубину каждого блока в соответствии с вычислительным бюджетом БПЛА. Модули внимания или модули, вдохновленные трансформерами, также могут быть включены, если БПЛА может позволить себе их использование при низком энергопотреблении.

2. Конструкция грифа: Многие детекторы объектов используют пирамиды признаков (FPN) или сети агрегации путей для объединения многомасштабных признаков. В рамках исследования можно рассмотреть упрощенные FPN или облегченную агрегацию признаков. Например, можно использовать одномасштабный блок вместо многомасштабных. Возможно, стоит рассмотреть использование слоев пулинга или пропускных соединений, которые помогут обнаруживать объекты разных размеров.

3. Конструкция головы: Блок обнаружения (слои классификации и регрессии ограничивающих рамок) также может быть различным. Для БПЛА, работающих на однородных полях, может быть достаточно более простого блока. Но для обнаружения мелких сорняков поиск может включать дополнительные сверточные слои или различные схемы привязки.

4. Легковесные операции: Пространство поиска может явно разрешать только операции с низкой стоимостью. Например, выбор между сверткой 3×3 и более дешевой факторизованной сверткой 1×3+3×1, или включение модулей GhostNet. Оно также может допускать небольшие размеры ядра или уменьшенную размерность для ограничения вычислений. Все эти решения определяются аппаратным обеспечением. Пространство может запрещать любую конфигурацию слоев, превышающую лимит памяти дрона или ожидаемый энергетический порог.

Тщательно спроектированное пространство поиска направляет процесс NAS к созданию эффективных и экономичных архитектур. Результатом может стать новая комбинация блоков, не рассматриваемая в стандартных моделях. Лучший из найденных детекторов использовал пользовательские блоки, которые сократили количество GFLOPs на 37% и количество параметров на 61% по сравнению с YOLOv8n.

Это стало возможным благодаря тому, что система NAS могла комбинировать основные и головные элементы в рамках ограничений, накладываемых БПЛА. В целом, область поиска детекторов для сельскохозяйственных БПЛА сосредоточена на масштабируемых, легких строительных блоках и многомасштабной обработке, и все это в пределах возможностей бортового оборудования.

Цели и ограничения оптимизации

При разработке систем распознавания сорняков с учетом условий развертывания (NAS) необходимо учитывать множество факторов. Основной целью обычно является точность обнаружения (например, средняя точность, mAP), измеряемая на наборах данных мониторинга сельскохозяйственных культур. Например, mAP@50 (точность при 50% IOU) является распространенным показателем. Оптимизированная с помощью NAS модель показала снижение mAP@50 всего на 1,96% по сравнению с базовой моделью YOLOv8n, что является очень незначительной потерей по сравнению с достигнутыми результатами. Также учитываются точность и полнота (или F1-мера) для ключевых классов (сорняки, сельскохозяйственные культуры).

В то же время необходимо оптимизировать задержку и энергопотребление. Задержка — это время обработки одного изображения; для встроенного графического процессора она может составлять 20–50 мс или более. Меньшая задержка означает более высокую частоту кадров. Энергопотребление (джоули на кадр) имеет решающее значение для продолжительности полета. Объем памяти (количество параметров, размер модели) — еще одно ограничение; модели должны помещаться в оперативную память устройства. Поэтому NAS обычно устанавливает целевое значение или штраф за эти ограничения.

Например, любая модель, работающая медленнее определенного порога или превышающая допустимый диапазон параметров, может быть понижена в рейтинге. Это фактически превращает задачу NAS в задачу многоцелевой оптимизации: максимизировать точность при минимизации задержки, энергопотребления и размера.

На практике это можно сделать с помощью взвешенной суммы целей или жестких ограничений. Некоторые методы предусматривают значительный штраф для любого кандидата, превышающего лимит мощности БПЛА. Другие явно вычисляют энергетический показатель: модели тестировались в среде выполнения ONNX для измерения “энергетической эффективности”, и лучшая модель оказалась на +18,5% более энергоэффективной, чем YOLOv8n. Это была одна из целей, которыми руководствовались исследователи.

Обнаруженные компромиссы можно визуализировать на границе Парето: на одном конце — чрезвычайно быстрые небольшие модели с низкой точностью; на другом — большие точные модели, которые слишком медленны или энергозатратны для дрона. NAS, учитывающая особенности развертывания, стремится найти оптимальную точку на этой границе, соответствующую реальным приоритетам миссии (например, небольшая потеря точности при значительном ускорении). В целом, NAS должна учитывать метрики точности (mAP, F1) и ограничения вывода (мс на кадр, джоули на кадр, память) одновременно. Именно эта сбалансированная оптимизация делает модель действительно готовой к развертыванию в БПЛА.

Обучение и оценка в реалистичных сельскохозяйственных условиях

Для эффективной работы детекторов, созданных с помощью NAS, их необходимо обучить и протестировать на реалистичных сельскохозяйственных данных. Это означает использование наборов данных, отражающих изменчивость реальных полей: различные виды культур, стадии роста, сезоны, условия освещения и высоты. Например, обучение на изображениях только молодых побегов кукурузы может не дать результатов при обучении на зрелых колосьях пшеницы. Репрезентативные для поля наборы данных гарантируют, что модель изучит особенности, важные на ферме. В процессе обучения также можно применять аугментацию данных (случайные изображения культур, изменения яркости, размытие при движении), чтобы имитировать движение дрона и освещение.

При оценке важно тестировать модель в максимально реалистичных условиях. Инструменты моделирования могут помочь (например, виртуальный полет дрона над трехмерными полями), но реальные летные испытания являются золотым стандартом. Бортовое тестирование проводится путем запуска модели на реальном оборудовании БПЛА. После NAS они развернули модель-кандидат на Jetson Nano и зафиксировали более высокую скорость вывода результатов на 28,11 ТТ3Т (по сравнению с базовой моделью YOLOv8n) и лучшее энергопотребление. Такая обратная связь с реального устройства подтверждает, что в результате поиска была получена модель, действительно отвечающая требованиям.

Обобщение также имеет решающее значение. Модель может быть обучена на одной культуре (например, пшенице), но фермерам нужны детекторы, работающие на разных полях. Исследование продемонстрировало сильную межкультурную обобщаемость: детектор, полученный с помощью NAS и обученный на одной задаче, по-прежнему хорошо работал на другом наборе данных по культурам (саженцы хлопка) без переобучения. Это говорит о том, что NAS, учитывающий особенности развертывания, может создавать надежные архитектуры. Однако смена предметной области (например, переход от кукурузных полей к садам) может потребовать тонкой настройки или дальнейшего поиска. Также рекомендуется тестирование в разные сезоны (летние и осенние изображения).

Наконец, перед развертыванием каждую новую модель следует протестировать на платформе БПЛА. Это включает в себя регистрацию точности и скорости работы дронов, проверку на отсутствие перегрева оборудования и оценку энергопотребления. Только после этого фермеры могут доверять ей для критически важного мониторинга. Сочетая обучение, соответствующее полевым условиям, и тщательную оценку оборудования, NAS, учитывающая особенности развертывания, позволяет создавать детекторы, которые не только теоретически эффективны, но и доказали свою эффективность в полевых условиях.

Преимущества перед детекторами БПЛА, разработанными вручную.

Системы сетевого хранения данных (NAS), учитывающие особенности развертывания, обладают рядом очевидных преимуществ перед традиционными моделями, разработанными вручную для беспилотных летательных аппаратов:

1. Более выгодный компромисс в производительности: Модели, найденные с помощью NAS, как правило, обеспечивают более высокие показатели точности, скорости и энергоэффективности. Например, лучшая модель работала на Jetson Nano на 28% быстрее и потребляла на 18,5% меньше энергии, чем выбранная вручную базовая модель YOLOv8n, при этом теряя всего около 2% в показателе mAP обнаружения. Достичь такого баланса вручную было бы очень сложно.

2. Улучшенная обобщаемость: Модели, обнаруженные NAS, могут лучше адаптироваться к новым условиям, поскольку поиск может включать разнообразные данные или цели. Автоматически разработанный детектор хорошо обобщается на различные типы сельскохозяйственных культур (пшеница и хлопок) и условия освещения. Такая высокая устойчивость имеет решающее значение, когда во время полетов встречаются неожиданные ситуации.

3. Сокращение трудозатрат на проектирование: NAS автоматизирует множество проб и ошибок. Вместо ручной настройки размеров слоев и тестирования множества вариантов, NAS, учитывающий особенности развертывания, итеративно исследует варианты и находит оптимальную для вас конфигурацию. Это экономит время и опыт разработчиков, упрощая обновление детекторов для новых задач или оборудования.

4. Масштабируемость: После настройки структуру NAS можно использовать для различных платформ БПЛА или миссий. Например, одна и та же NAS, учитывающая особенности развертывания, может искать детектор, настроенный на другое разрешение камеры или модель дрона, просто изменив входные параметры ограничений. Это гораздо более масштабируемо, чем перепроектирование сетей с нуля для каждого сценария.

Проблемы и ограничения

NAS-системы, учитывающие особенности развертывания, — это мощный инструмент, но не панацея. Их следует применять обдуманно, с учетом требуемых ресурсов и изменчивости целевой среды. Несмотря на свои перспективы, NAS-системы, учитывающие особенности развертывания, имеют свои проблемы:

1. Высокая стоимость поиска: Поиск в архитектурном пространстве может потребовать значительных вычислительных ресурсов. Даже при использовании эффективных алгоритмов поиск может занять много часов работы графического процессора (или специализированных вычислительных ресурсов). При отсутствии тщательного управления накладные расходы на поиск могут оказаться непомерно высокими для некоторых команд.

2. Смещение данных и сдвиг в предметной области: Эффективность NAS зависит от качества используемых данных. Если обучающие изображения не отражают полевые условия, найденная архитектура может оказаться неэффективной в реальности. Например, модель, настроенная на один тип культуры или один географический регион, может не идеально подходить для другого без дополнительной адаптации.

3. Аппаратная гетерогенность: Аппаратное обеспечение БПЛА бывает разных типов (различные встроенные графические процессоры, центральные процессоры, ПЛИС). Модель, оптимизированная для одной платы, может быть неоптимальной для другой. NAS-системы, учитывающие особенности развертывания, должны либо повторно запускать поиск для каждой платформы, либо использовать консервативные ограничения, подходящие для всех, что может ограничивать производительность.

4. Практические ограничения: Внедрение систем в реальных условиях сельского хозяйства сопряжено с такими проблемами, как обновление сети по беспроводной связи, интеграция системы с системой управления полетом и сертификация безопасности. Даже лучшая модель NAS должна быть интегрирована в полноценную систему дронов. Координация обновлений модели, получение разрешений от регулирующих органов и обучение фермеров представляют собой нетехнические препятствия.

Перспективы на будущее

В будущем, вероятно, произойдет еще более тесная интеграция проектирования моделей, сенсорных технологий и управления БПЛА. Системы NAS с учетом условий развертывания останутся ключевым инструментом в этом процессе совместного проектирования. Заглядывая в будущее, открываются несколько интересных направлений:

1. Онлайн- и адаптивная сетевая карта хранения данных (NAS): Вместо одноразового поиска в автономном режиме, будущие системы смогут корректировать сеть в режиме реального времени или между полетами. Например, дрон мог бы начать с базовой модели и, используя облегченные алгоритмы сетевого управления, на лету адаптироваться к новым условиям освещения или рельефа местности. Такая “сетевая ориентация на устройстве” — очень сложная задача, но она может значительно повысить адаптивность.

2. Совместная разработка датчиков и моделей: В будущих системах точного земледелия можно будет совместно оптимизировать выбор камеры (RGB, мультиспектральная, инфракрасная) и нейронной сети. Системы NAS, учитывающие особенности развертывания, смогут расширить свои возможности, включив в поиск параметры датчиков (например, используемые спектральные диапазоны), чтобы найти наилучшее сочетание оборудования и модели.

3. Многоспектральная/гиперспектральная интеграция: Как показывает исследование болезней хлопчатника, интеграция мультиспектральных изображений может повысить эффективность обнаружения, особенно проблем на ранних стадиях. В будущем NAS могла бы изучить многопотоковые модели, объединяющие каналы RGB и ближнего инфракрасного диапазона, для более надежного обнаружения незначительных изменений в растениях.

4. Автономные конвейеры принятия решений: В конечном итоге, оптимизированные для NAS детекторы могут способствовать достижению полной автономности. Например, дрон может автоматически генерировать план опрыскивания или оповещать управляющих фермами, если обнаружит определенные условия. NAS, учитывающий особенности развертывания, может быть распространен на сквозные конвейеры (модели обнаружения + действия), оптимизируя всю систему.

5. Этические и экологические соображения: По мере того как возможности БПЛА становятся все более совершенными, необходимо учитывать вопросы конфиденциальности, безопасности воздушного пространства и воздействия на сельскохозяйственный труд (как отмечают Агравал и Арафат). Обеспечение ответственного использования дронов, оптимизированных для использования в несущей воздушной зоне, в сельском хозяйстве является важной задачей на будущее.

Заключение

NAS с учетом условий развертывания представляет собой мощный подход к созданию легковесных детекторов объектов для мониторинга урожая с помощью БПЛА. Встраивая в процесс поиска ограничения оборудования БПЛА и миссии, он создает модели, которые экономят вычислительные ресурсы и энергию без существенной потери точности. Например, недавние исследования показали, что детектор, разработанный с помощью NAS, использует на 371 ТБ меньше операций с плавающей запятой и на 611 ТБ меньше параметров, чем эталонный YOLOv8n, при этом его показатель mAP снизился всего на ~21 ТБ.

На реальном оборудовании дронов это означало в 28% разгон вычислительных параметров и в 18% повышение энергоэффективности. Такие преимущества приводят к увеличению времени полета, ускорению анализа и более оперативной поддержке сельского хозяйства. По сравнению с моделями, созданными вручную, NAS с учетом развертывания обеспечивает лучшую обобщаемость производительности, меньшие затраты на ручную настройку и масштабируемость для новых платформ БПЛА.

В контексте точного земледелия эти усовершенствования могут сделать мониторинг урожая с помощью БПЛА более практичным и эффективным. Дроны, оснащенные оптимизированными для NAS детекторами, могут более надежно обнаруживать сорняки, вредителей или признаки стресса, что позволяет своевременно принимать меры, экономить ресурсы и повышать урожайность. По мере того, как сельское хозяйство продолжает внедрять дроны и ИИ, NAS с учетом развертывания будет играть центральную роль в обеспечении эффективности, точности и готовности к работе в полевых условиях моделей, работающих на этих дронах. Это устраняет разрыв между передовыми исследованиями в области нейронных сетей и практическими потребностями фермеров, способствуя развитию точного земледелия на основе данных в будущем.

Мелкие фермеры играют решающую роль в мировом производстве продуктов питания, но сталкиваются с многочисленными проблемами, от ограниченности ресурсов до непредсказуемых экологических факторов. В эпоху технологического прогресса беспилотные летательные аппараты (БПЛА), широко известные как дроны, стали преобразующей силой в мелком фермерстве.

Эти летательные аппараты предлагают решения, которые потенциально могут произвести революцию в сельскохозяйственной практике и улучшить жизнь мелких фермеров.

Чтобы по-настоящему понять потенциал и влияние дронов на мелкомасштабное сельское хозяйство, исследователи провели углубленный анализ существующих исследований и тенденций в этой области. Полученные результаты проливают свет на захватывающую роль, которую беспилотные летательные аппараты играют в сельскохозяйственных инновациях.

Исследования показывают, что использование дронов в мелкомасштабном сельском хозяйстве растет. За последние несколько лет значительно возрос интерес и инвестиции в эту технологию. Со среднегодовым темпом роста около 311 тыс. тонн с 2016 года эта тенденция свидетельствует о растущем признании ценности дронов в сельском хозяйстве.

Лидерство в сотрудничестве и влияние

Использование дронов в сельском хозяйстве становится ключевым направлением исследований, что находит отражение в академическом сообществе. Такие журналы, как “Drones” и “Remote Sensing”, стали лидерами в публикации исследований, связанных с применением БПЛА в сельском хозяйстве, на их долю приходится около 351 ТБ3Т от общего числа публикаций в этой области. Среди этих журналов “Drones” выделяется наибольшим количеством цитирований, что подчеркивает его значимость.

В глобальном масштабе применения беспилотных летательных аппаратов в мелкомасштабном сельском хозяйстве исследователи выявили 14 стран, являющихся активными участниками этого процесса. Примечательно, что Китай, Южная Африка, Нигерия, Швейцария и США находятся в авангарде этих исследований.

Китай неизменно входит в пятерку лидеров по количеству цитирований, что свидетельствует о его сильных позициях в этой области. Хотя большая часть исследований проводится в пределах национальных границ, начинают появляться некоторые международные формы сотрудничества.

Кроме того, исследование подчеркивает вклад 131 автора, оказавших значительное влияние на эту область благодаря своим 23 публикациям. Известные авторы, такие как Вимбайи Чимоньо, Алистер Клулоу, Тафадзванаше Мабхауди и Мбулиси Сибанда, активно участвовали в продвижении использования дронов в мелкомасштабном сельском хозяйстве.

Что касается цитируемости, то Ола Холл и Магнус Йирстрём входят в число наиболее известных, что свидетельствует об их значительном влиянии на данную тему.

Революционизация мониторинга урожая

Мониторинг развития сельскохозяйственных культур и оценка урожайности становятся основными областями применения БПЛА в мелкомасштабном сельском хозяйстве. Дроны предоставляют уникальную возможность оценить состояние и жизнеспособность культур на протяжении всего вегетационного периода.

Они позволяют выявлять такие проблемы, как нехватка воды, болезни и дефицит питательных веществ. Анализируя данные об отражательной способности сельскохозяйственных культур, мелкие фермеры могут своевременно принимать меры и предотвращать значительные потери урожая. Индексы растительности, полученные с помощью БПЛА, включая NDVI, EVI и SAVI, играют ключевую роль в оценке развития сельскохозяйственных культур.

1. Тонкая настройка управления внесением удобрений

Оптимизация использования удобрений является важнейшим аспектом точного земледелия. Беспилотные летательные аппараты помогают мелким фермерам в этом, оценивая содержание хлорофилла в листьях, которое тесно связано с содержанием азота в листьях.

Эта информация помогает фермерам принимать обоснованные решения о внесении удобрений. Исследования показали, что данные, полученные с помощью БПЛА, могут повысить эффективность внесения удобрений примерно на 101 тонну на 3 тонны.

2. Составление карты посевов для эффективного управления

Точное картографирование — еще одна область, где дроны демонстрируют свои преимущества. С помощью изображений высокого разрешения и машинного обучения беспилотные летательные аппараты помогают мелким фермерам точно картировать свои поля. Эта технология имеет центральное значение для точного земледелия, поскольку она позволяет планировать землепользование и составлять карты посевов.

В рассмотренных исследованиях методы обучения алгоритмов обычно включали использование наземных съемок или изображений высокого разрешения. Для классификации изображений используются такие алгоритмы, как случайный лес, машины опорных векторов и глубокие нейронные сети, что делает картирование сельскохозяйственных культур более точным.

Вызовы и возможности

Хотя потенциал дронов в мелкомасштабном сельском хозяйстве очевиден, важно понимать проблемы, связанные с их внедрением.

1. Недостаток достаточных данных, полученных непосредственно на месте.Многие модели зависят от наличия качественных данных, полученных непосредственно на месте, для их разработки и проверки. Такие данные не всегда легкодоступны и могут быть ограничены по объему.

2. Разнообразие типов БПЛА и полезной нагрузки: Беспилотники бывают разных размеров и типов, каждый из которых обладает своими уникальными возможностями. Время полета и грузоподъемность могут оказаться недостаточными для крупномасштабных сельскохозяйственных работ.

3. Чувствительность к погодным условиямПогодные условия могут существенно повлиять на сбор данных дронами. Сильный ветер и дождь могут создавать проблемы для сбора данных.

4. Доступность по ценеЭксплуатация дронов и приобретение программного обеспечения для обработки данных могут быть дорогостоящими, особенно для мелких фермеров, испытывающих нехватку средств.

5. Техническая экспертиза: Эксплуатация и техническое обслуживание дронов, а также обработка данных требуют специальных навыков, которые не всегда доступны.

6. Нормативно-правовая базаЖесткие правила, обусловленные потенциальными рисками, связанными с эксплуатацией БПЛА, могут ограничивать их использование или требовать получения пилотских лицензий.

7. Вычислительные ресурсыОбработка огромных объемов данных, генерируемых дронами, может быть вычислительно сложной задачей, потенциально требующей дополнительных ресурсов и обучения.

Однако эти вызовы сопровождаются многочисленными возможностями:

1. Разнообразные области применения в точном земледелии: Беспилотники находят широкое применение в точном земледелии, выходя за рамки мониторинга и картирования посевов, включая комплексную борьбу с сорняками, оценку водопотребления, оценку качества и количества оросительной воды, картирование характеристик почвы и составление карт с дифференцированной нормой внесения пестицидов.

2. Многогранные данные для поддержки принятия решений: Разнообразные данные, получаемые с помощью дронов, открывают возможности для разработки инструментов поддержки принятия решений, способных одновременно решать множество задач.

3. Передовые платформы облачных вычисленийТакие платформы, как Google Earth Engine, открывают новые возможности для обработки и анализа данных, полученных с помощью беспилотных летательных аппаратов.

4. Взаимодействие между беспилотниками и спутниками.Беспилотники и спутники могут предоставлять взаимодополняющие данные для различных применений, и необходимы исследования для раскрытия их потенциального синергетического эффекта.

5. Подходы к работе в условиях дефицита данных: Инновации помогают снизить проблему нехватки данных, что демонстрируют подходы, требующие минимального объема данных, полученных непосредственно на месте, и методы трансферного обучения.

6. Анализ затрат и выгод: Сравнение стоимости беспилотных технологий и других методов дистанционного зондирования позволит оценить их доступность и преимущества.

7. Расширение прав и возможностей женщин в сельском хозяйстве: Внедрение точного земледелия с использованием дронов может расширить возможности женщин в мелком фермерском хозяйстве и повысить их способность справляться с трудностями и неопределенностью будущего.

8. Вовлечение молодежи: Модернизация сельского хозяйства с использованием беспилотных летательных аппаратов для точного земледелия может стимулировать интерес молодежи к фермерству, тем самым укрепляя долгосрочную устойчивость и жизнеспособность сектора.

Заключение

В заключение, интеграция дронов в мелкомасштабное сельское хозяйство имеет потенциал для преобразования жизни миллионов мелких фермеров. Предоставляя инновационные решения для мониторинга урожая, управления удобрениями и картографирования, дроны дают фермерам ценную информацию для принятия обоснованных решений. Несмотря на трудности, будущее мелкомасштабного сельского хозяйства с использованием дронов полно возможностей. Быстро развивающаяся технология в сочетании со снижением ее стоимости открывает новые перспективы для сельскохозяйственного сектора и обещает продовольственную безопасность, экологическую устойчивость и экономическое благополучие для фермерских сообществ по всему миру.