Санкт-Петербург, Россия
сотрудник
Аннотация. Целью работы являлась возможность использования нейронных сетевых структур системы искусственного интеллекта для обработки фотометрических данных дистанционного зондирования посевов озимой ржи, выращенных в условиях Ленинградской области на поле учебно-опытного сада СПбГАУ в 2014–2015 гг. Методология и методы исследования. В процессе культивирования растений были применены различные виды обработок: внесение минеральных удобрений, микроэлементов и микробного биопрепарата. Для обработки фотометрических данных был применен персептрон Розенблатта, анализирующий сходство и различия фотометрических NDVI-профилей посевов озимой ржи, полученных с разных вариантов опыта. Результаты. По числовым показателям вегетационных индексов удалось построить фазовые портреты траектории их перемещения на координатной плоскости поля. Дальнейший кластерный анализ полученных данных, преобразованных в квадратную матрицу парных евклидовых дистанций, позволил выделить на дендрограмме группировку вариантов, связующим компонентов в которых являлось применение микробиологического инокулянта. При применении биопрепарата происходит более полное развитие растений в посевах и улучшается их выравненность в поле. Минимальный показатель коэффициента вариации при этом наблюдался для варианта без применения биопрепарата, но с совместным использованием комплекса всех минеральных удобрений (50 фосмука + 50 KCl + 50 аммиачная селитра) и микроэлементов в дозе 250 кг/га. Научная новизна. По итогу проведенного анализа можно сделать вывод, что образы траекторий точек NDVI-профилей предоставляют качественную информацию, отражающую динамику фаз онтогенеза растений озимой ржи. На основании характера выбранных участков этих траекторий можно создать цифровую карту опытного поля, с помощью которой вести протокол дистанционной диагностики состояния продуктивности посевов и делать прогноз их урожайности времени уборки.
пространственный фотометрический NDVI-профиль, озимая рожь; персептрон Розенблатта
1. Каргатова А. М., Степанов С. А., Ермолаева Т. Я., Нуждина Н. Н. Биологические особенности продуктивности различных селекционно-генетических форм озимой ржи // Известия Саратовского университета. Новая серия. Серия: Химия. Биология. Экология. 2017. Т. 17. № 1. С. 48-52.
2. Турсумбекова Г. Ш. Аллелопатическое влияние вытяжек сорных растений на семена и проростки зерновых культур // Агропродовольственная политика России. 2014. № 4 (28). С. 38-40.
3. Сторчак И. Г., Шестакова Е. О., Ерошенко Ф. В. Связь урожайности посевов озимой пшеницы с NDVI для отдельных полей // Аграрный вестник Урала. 2018. № 6. C. 64-68. DOI:https://doi.org/10.25930/awm3-sw92.
4. Михайленко И. М., Воронков И. Н. Научно-методические и алгоритмические основы оценивания показателей продуктивности и фитосанитарного состояния посевов по данным дистанционного зондирования земли // Агрофизика. 2016. № 1. С. 32-42.
5. Paul K., Chatterjee S. S., Pai P., Varshney A., Juikar S., Prasad V., Dasgupta S. Viable smart sensors and their application in data driven agriculture // Computers and Electronics in Agriculture. 2022. Vol. 198. Article number 107096. DOI:https://doi.org/10.1016/j.compag.2022.107096.
6. Muñoz-Huerta R. F., Guevara-Gonzalez R. G., Contreras-Medina L. M., Torres-Pacheco I. L., Prado-Olivarez J., Ocampo-Velazquez R. V. A Review of Methods for Sensing the Nitrogen Status in Plants: Advantages, Disadvantages and Recent Advances // Sensors. 2013. Vol. 13. Pp. 10823-10843. DOI:https://doi.org/10.3390/s130810823.
7. Абрамов Н. В., Семизоров С. А., Шерстобитов С. В., Гунгер М. В., Петухов Д. А. Использование беспилотного летательного аппарата для мониторинга за состоянием агроценозов и составления электронных карт полей // Земледелие. 2021. № 8. С. 8-12. DOI:https://doi.org/10.24412/0044-3913-2021-8-8-12.
8. Wang R., Cherkauer K., Bowling L. Corn Response to Climate Stress Detected with satellite based NDVI series // Remote sensing. 2016. Vol. 23. Рp. 269-287. DOI:https://doi.org/10.3390/rs8040269.
9. Ghanem M. E., Marrou H., Sinclair T. R. Physiological phenotyping of plants for crop improvement // Trends in Plant Science. 2015. Vol. 20. No. 3. Pp. 139-144. DOI:https://doi.org/10.1016/j.tplants.2014.11.006.
10. Koptilina D., Bulgakov A., Aleshina A. “Big data” and the “Internet of things”, or what accelerates the development of the agro-industrial complex // IOP Conference Series: Earth and Environmental Science. 2019. Vol. 274. No. 1. Article number 012058. DOI:https://doi.org/10.1088/1755-1315/274/1/012058.
11. Zolkin A. L., Burda A. G., Avdeev Y. M., Fakhertdinova D. I. The main areas of application of information and digital technologies in the agro-industrial complex // IOP Conference Series: Earth and Environmental Science. 2021. Vol. 677. No. 3. Article number 032092. DOI:https://doi.org/10.1088/1755-1315/677/3/032092.
12. Стовба Е. В., Шарафутдинов А. Г., Горбунова О. С., Арасланбаев И. В., Стовба А. В., Даминева Э. Р. Роль цифровых технологий в развитии деятельности сельскохозяйственных товаропроизводителей // Вестник Алтайской академии экономики и права. 2021. № 3-2. С. 225-232.
13. Якушев В. П., Якушев В. В., Матвеенко Д. А. Интеллектуальные системы поддержки технологических решений в точном земледелии // Земледелие. 2020. № 1. С. 33-37. DOI:https://doi.org/10.24411/0044-3913-2020-10109.
14. Van Klompenburg T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review // Computers and Electronics in Agriculture. 2020. Vol. 177. Article number 105709. DOI:https://doi.org/10.1016/j.compag.2020.105709.
15. Malhi G. S., Kaur M., Kaushik P. Impact of climate change on agriculture and its mitigation strategies: A review // Sustainability. 2021. Vol. 13. No. 3. Article number 1318. DOI:https://doi.org/10.3390/su13031318.
16. Karimi V., Karami E., Keshavarz M. Climate change and agriculture: Impacts and adaptive responses in Iran // Journal of Integrative Agriculture. 2018. Vol. 17. No. 1. DOI:https://doi.org/10.1016/S2095-3119(17)61794-5.
17. Brühl C. A., Zaller J. G. Biodiversity decline as a consequence of an inappropriate environmental risk assessment of pesticides // Frontiers in Environmental Science. 2019. Vol. 7. Article number 177. DOI:https://doi.org/10.3389/fenvs.2019.00177.
18. Wu Y., Feng J. Development and application of artificial neural network // Wireless Personal Communications. 2018. Vol. 102. Pp. 1645-1656. DOI:https://doi.org/10.1007/s11277-017-5224-x.
19. Saltykov M., Yakubailik O., Bartsev S. Identification of vegetation types and its boundaries using artificial neural networks // IOP Conference Series: Materials Science and Engineering. 2019. Vol. 537. No. 6. Article number 062001. DOI:https://doi.org/10.1088/1757-899X/537/6/062001.
20. Esau T. J., Hennessy P. J., MacEachern C. B. Artificial intelligence and deep learning applications for agriculture // Precision Agriculture. Academic Press, 2023. Pp. 141-167. DOI:https://doi.org/10.1016/B978-0-443-18953-1.00003-9.
