Мониторинг сельскохозяйственных полей, отслеживание развития растений и выявление проблем до появления заметных симптомов имеют решающее значение для успешного урожая. Современные технологии позволяют получать спутниковые изображения хозяйств по всему миру, делая наблюдение простым и доступным. Самый популярный среди фермеров вегетационный индекс — нормализованный разностный вегетационный индекс (NDVI). Мониторинг снимков NDVI в сельском хозяйстве может служить индикатором здоровья растений.

Что такое снимки NDVI, о чём говорят значения индекса и чем они полезны?

NDVI — это метод дистанционного зондирования для оценки здоровья и биомассы сельскохозяйственных культур. Индекс измеряет разницу между отражением растительностью видимого и ближнего инфракрасного света. Отражательная способность культур зависит от площади листьев, содержания хлорофилла, возраста листьев, плотности растительного покрова и типа почвы. NDVI часто используют со спутниковыми снимками высокого разрешения, полученными из космоса. Спутники сделали этот метод доступнее для фермеров во всём мире: им может воспользоваться любой человек с подключением к интернету. Мониторинг NDVI для оценки здоровья культур существует уже несколько десятилетий. Однако широкую популярность он приобрёл лишь недавно благодаря спутникам и аэрофотосъёмке высокого разрешения, которые позволяют часто повторять наблюдения. Он даёт точную оценку растительной биомассы и индекса листовой поверхности (LAI) без сбора наземных данных или ручной интерпретации.

Как рассчитывается индекс NDVI?

NDVI рассчитывается по следующей формуле:

NDVI = (NIR-Red) / (NIR+Red)

Здесь NIR — ближний инфракрасный свет, а Red — видимый красный свет. Значения NDVI находятся в диапазоне от -1 до 1. Участки с песком, камнями или снегом имеют значения 0,1 и ниже. Редкая растительность, например стареющие посевы, характеризуется умеренными значениями NDVI от 0,2 до 0,5. Высокие значения от 0,6 до 0,9 соответствуют густой растительности.

Как получить снимки NDVI?

Агрио — приложение для Андроид и айОС. С Агрио мониторинг полей становится очень простым и не требует предварительных знаний. Такие приложения позволяют нарисовать границы полей на карте и начать наблюдение. После указания местоположения полей вы будете регулярно получать снимки и их интерпретацию.

Как читать и анализировать снимки NDVI?

Изучая снимки NDVI, можно лучше понять состояние полей и обнаружить участки с возможными признаками стресса. Например, обратите внимание на оттенки зелёного на изображении ниже: они показывают разные стадии развития растений на отдельных полях и неоднородность внутри каждого поля.

Снимки NDVI пшеничных полей
Снимки NDVI пшеничных полей

Обратите внимание на отдельные зелёные пятна на преимущественно оранжевом фоне: они указывают на развитие сорняков.

Сравнивая снимки NDVI за последовательные дни, можно обнаружить участки, которые развиваются не так, как ожидалось, и требуют немедленного внимания. Например, рассмотрите изображение ниже и обратите внимание на красные пятна на полях, где растения находятся на ранних стадиях развития и значения NDVI должны со временем увеличиваться.

Отслеживайте ежедневные изменения на снимках NDVI
Отслеживайте ежедневные изменения на снимках NDVI

Ограничения снимков NDVI в сельском хозяйстве

NDVI слабо коррелирует с содержанием хлорофилла. Этот недостаток особенно заметен на поздних стадиях роста, когда индекс достигает насыщения. Насыщение связано с увеличением площади листьев и плотности растительного покрова. Поэтому на этой стадии нужен индекс, тесно связанный с содержанием хлорофилла в листьях и менее чувствительный к структуре листьев и растительного покрова.

Хлорофилл играет ключевую роль в фотосинтезе, в том числе в поглощении света. Поэтому его содержание может служить индикатором различных видов стресса. Другие спектральные диапазоны, например красный край, позволяют рано обнаружить изменения в работе хлорофилла. Они возникают до фактического снижения его концентрации в листьях. Мониторинг таких изменений может стать ранним индикатором развития биотического и абиотического стресса.

Почему технологический прогресс делает выбор конкретных вегетационных индексов менее важным?

Мы научились эффективно обучать компьютеры распознавать закономерности в больших объёмах данных, поэтому выбор определённого индекса уже не является обязательным. Искусственный интеллект может анализировать весь спектр отражённого света и извлекать полезную информацию. Раньше для обучения машин классификации закономерностей в данных приходилось заранее разрабатывать признаки. Сегодня мы умеем программировать машину так, чтобы она выбирала наиболее подходящие признаки непосредственно в процессе обучения.

Вегетационные индексы удобны, когда снимки изучают специалисты. Человеку трудно интерпретировать большой объём информации, содержащийся во всём спектре. Поэтому представление знакомых экспертам индексов по-прежнему полезно. Но большие площади наблюдения и высокая частота повторных пролётов спутников делают ручной анализ менее удобным для фермеров и агрономов.

То, что изначально было выбором из-за технических ограничений, стало общепринятым подходом в отрасли.

Использование искусственного интеллекта для выявления аномалий на спутниковых снимках

Рассмотрев преимущества мониторинга спектральной отражательной способности, необходимо обсудить практическое применение этого подхода. Одна из сложностей использования спектрального анализа для выявления стресса — точное определение закономерностей на спутниковых снимках, указывающих на стресс у растений. Даже если специалист умеет анализировать снимки вручную, при больших площадях эта работа становится трудоёмкой.

Благодаря последним технологическим достижениям искусственный интеллект всё шире применяется в сельском хозяйстве и помогает преодолевать эти трудности. Он выявляет аномалии, принимая решения на основе закономерностей, усвоенных при обучении на больших наборах данных.

Весь спектр света, который могут регистрировать спутниковые датчики, содержит полезную информацию для раннего выявления стресса.
Весь спектр света, который могут регистрировать спутниковые датчики, содержит полезную информацию для раннего выявления стресса.

Разработку инструментов раннего выявления можно ускорить, если удаётся недорого собирать большие объёмы качественных данных. Для этого мы использовали коллективный сбор данных и создали инструмент, который позволяет фермерам определять болезни растений по фотографиям со смартфона. Фермеры получают прямую пользу от сервиса и одновременно помогают обучать алгоритмы раннего выявления — возможности, которая в долгосрочной перспективе может принести им ещё больше пользы. Фотографии с географическими метками служат наземными эталонными данными и помогают обучать алгоритмы определять проблемы непосредственно по спутниковым снимкам. Компьютеру показывают снимки, для которых известно, какие участки поля поражены болезнью. Возможность собирать большие объёмы качественных данных позволяет нам быстро продвигаться вперёд.

Такие данные позволяют изучать характерные закономерности отражения света при различных проблемах растений. На этой основе мы разрабатываем простые в использовании решения для мониторинга. Фермеры, использующие Агрио, могут очень легко наблюдать за здоровьем своих полей. Достаточно указать местоположение поля, нарисовав многоугольник по его границам. Затем мы начинаем постоянное наблюдение и уведомляем вас о появлении нового снимка.

Заключение

Спутниковый мониторинг применяется в сельском хозяйстве уже много лет. Однако за последнее десятилетие использование спутниковых технологий для наблюдения за полями значительно выросло. Такой мониторинг может повысить урожайность и точность работы, а также помочь раньше обнаруживать проблемы с культурами.

На нашей платформе доступны снимки спутников Сентинел и Планетскоуп. Мы применяем к изображениям наш алгоритм, чтобы отслеживать развитие культур, находить проблемы на полях и предупреждать фермеров, когда требуется вмешательство.

Предлагаем использовать эти возможности, чтобы избегать потерь, выращивать лучше и сокращать опрыскивания.