ИИ-модель улучшает мониторинг роста сельхозкультур с минимальными полевыми данными

Новый метод, использующий синтетические наборы данных и трансферное обучение для преодоления дефицита и вариативности данных, значительно превосходит традиционные техники в многолетних полевых испытаниях.

Индекс листовой поверхности (LAI) — ключевой показатель роста и продуктивности сельхозкультур, играющий важнейшую роль в дистанционном зондировании в сельском хозяйстве. Традиционные методы определения LAI с использованием эмпирических моделей и одномерных моделей переноса излучения (RTM) часто сталкиваются с трудностями из-за изменчивости окружающей среды и структурной сложности, особенно при применении в разные годы и на разных стадиях роста. Для решения этих проблем исследователи всё чаще обращаются к глубокому обучению. Однако такие модели обычно требуют больших размеченных наборов данных, сбор которых в сельскохозяйственных условиях трудоёмок и дорог.

Исследование, опубликованное в Plant Phenomics 28 февраля 2025 года командой Хао Яна из Пекинской академии сельскохозяйственных и лесных наук, предлагает революционное решение для точного земледелия, позволяющее проводить масштабируемый, точный и недорогой мониторинг LAI в течение сезонов, используя только мультиспектральные данные с БПЛА.

Для обеспечения точного определения LAI в разные годы и на разных стадиях роста исследователи сначала сгенерировали и проверили синтетические спектральные наборы данных с помощью трёхмерной модели переноса излучения (3D RTM), гарантируя, что значения отражательной способности охватывают широкий диапазон физиологической и экологической изменчивости. Эти наборы данных, включающие разнообразную архитектуру полога кукурузы и биохимические признаки, хорошо согласуются с многолетними наблюдениями с БПЛА, эффективно дополняя ограниченный объём полевых измерений.

На этой основе свёрточная нейронная сеть с управляемыми знаниями (KGCNN) была предварительно обучена на синтетических данных и дообучена с использованием трансферного обучения (TL) на измеренных полевых образцах 2021 года. Модель продемонстрировала сильную способность к обобщению при динамическом определении LAI для 2022 и 2023 годов, достигнув значений R² до 0.53 при RMSE всего 0.49, хотя наблюдалась некоторая недооценка на стадиях плотного полога из-за спектрального насыщения.

По сравнению с 1D RTM-моделью на основе PROSAIL, которая достигла максимального R² всего 0.55 и страдала от смещений в виде недо- и переоценки, KGCNN на основе 3D RTM показала значительное улучшение как в точности, так и в согласованности. Альтернативные модели, такие как RNN, LSTM и случайный лес, также уступали, особенно в обобщении на невидимые наборы данных.

В отличие от них, модель KGCNN + TL стабильно превосходила эти методы, демонстрируя превосходную точность определения за несколько лет. Более того, модели, обученные исключительно на измеренных данных без предварительного обучения, показали заметно более низкую производительность, что подчёркивает ценность смоделированных данных.

Эксперименты по абляции архитектуры KGCNN показали, что увеличение количества свёрточных каналов улучшает обучение признакам и устойчивость модели. Лучшая конфигурация достигла R² 0.87 и RMSE 0.54, подтвердив правильность проектирования архитектуры. В целом, интеграция 3D RTM-моделирования, специализированного дизайна нейронной сети и трансферного обучения предлагает мощную основу для надёжного и масштабируемого мониторинга LAI сельхозкультур в изменчивых полевых условиях.

Объединяя смоделированные данные передового трёхмерного моделирования переноса излучения с методами глубокого и трансферного обучения, это исследование предлагает высокоточный и переносимый метод определения LAI. Фреймворк KGCNN + TL устанавливает новый стандарт для межгодового мониторинга сельхозкультур, демонстрируя потенциал для революции в том, как фермеры, исследователи и агрономы отслеживают и управляют ростом культур в меняющихся условиях окружающей среды.