Искусственный интеллект может оценивать урожайность риса

Проблема: Растущий спрос на продукты растениеводства требует внедрения устойчивых методов интенсификации сельского хозяйства. Однако традиционные методы оценки урожайности (опросы, выборочные обмолоты) в развивающихся странах имеют ограничения, а технологии дистанционного зондирования используются не в полной мере.

Решение: Исследователи из Японии использовали искусственный интеллект, в частности сверточные нейронные сети (CNN), для оценки урожайности риса по наземным цифровым изображениям. Исследование опубликовано в Plant Phenomics.

Методология:

• Создана обширная база данных: 4 820 показателей урожайности и 22 067 изображений рисового полога, собранных в 20 локациях в семи странах.
• Изображения делались цифровыми камерами с расстояния 0,8–0,9 метра над пологом.
• Разработана CNN-модель для оценки урожайности по каждому изображению.
• Для интерпретации работы модели использовался метод визуальной окклюзии (маскирования частей изображения).

Результаты:

• Модель объяснила около 68%–69% вариаций урожайности в проверочных и тестовых наборах данных.
• Окклюзионная визуализация показала ключевую роль метёлок (соцветий) в оценке урожайности.
• Модель точно предсказывала урожай на стадии созревания, распознавая зрелые метёлки, а также определяла различия в урожайности из-за сорта и режима орошения.
• Точность модели снижалась с уменьшением разрешения изображений, но оставалась стабильной при разных углах съёмки и времени суток.

Выводы и перспективы:

• CNN-модель показала многообещающую, экономически эффективную альтернативу трудоёмким методам.
• Для широкого применения необходима адаптация модели для условий низкой урожайности и дождливого климата.
• Технология уже доступна фермерам и исследователям через простое мобильное приложение «HOJO» (iOS и Android).
• Метод может улучшить управление рисовыми полями и ускорить селекционные программы, способствуя глобальной продовольственной безопасности.