Интеллектуальная система дистанционного мониторинга фитосанитарного состояния агробиоценозов в условиях природно-климатического риска: научно-методическое обоснование и разработка архитектуры

Научная статья
  • Токарев Кирилл Евгеньевич0000-0002-5548-5637Волгоградский государственный аграрный университет, Волгоград, Российская Федерация
  • Воробьева Наталья Сергеевна0000-0001-9035-6382Набережночелнинский институт (филиал) Казанского (Приволжского) федерального университета, Набережные Челны, Российская Федерация; Волгоградский государственный аграрный университет, Волгоград, Российская Федерация
  • Моторин Вадим АндреевичВолгоградский государственный аграрный университет, Волгоград, Российская Федерация
  • Гапич Дмитрий Сергеевич0000-0002-5048-1397Российский государственный аграрный университет МСХА имени К.А. Тимирязева, Москва, Российская Федерация
  • Александрина Наталья Анатольевна0009-0006-2782-6779ФГБОУ ВО Волгоградский государственный аграрный университет, Волгоград, Российская Федерация
https://doi.org/10.60797/JAE.2026.75.19
DOI:
https://doi.org/10.60797/JAE.2026.75.19
EDN:
QFHONK
Предложена:
21.10.2026
Принята:
11.11.2026
Опубликована:
19.11.2026
Выпуск: № 11 (75), 2026
Выпуск: № 11 (75), 2026
Правообладатель:авторы.
Лицензия:Attribution 4.0 International (CC BY 4.0)
9
1
XML
PDF

Аннотация

Актуальность исследования обусловлена необходимостью перехода от унифицированных агротехнологий к пространственно дифференцированным решениям в условиях рискованного земледелия.

Цель исследования — разработка и научно-методическое обоснование концептуального решения для рационального использования агробиоценозов, обеспечивающее устойчивость растениеводства в условиях рискованного земледелия, сохранение почвенного плодородия и получение растительного сырья с заданными показателями безопасности и технологического качества.

Объектом исследования являются агробиоценозы полевых культур в условиях повышенной погодной и пространственной изменчивости.

Методологическую основу составляют совместная обработка данных средств беспилотных автоматизированных систем, наземных фитосанитарных обследований и агрометеорологических наблюдений, а также сверточные нейронные сети, алгоритмы геопространственного анализа.

Разработана концептуальная архитектура интеллектуальной системы дистанционного мониторинга развития и фитосанитарного состояния агробиоценозов в период активной вегетации. Система предназначена для выявления сорной растительности, локализации очагов её распространения, обнаружения визуальных признаков повреждения культур вредителями и болезнями, а также формирования пространственно дифференцированных рекомендаций по биозащите. Предложена трёхуровневая схема мониторинга, включающая обзорный, детализирующий и подтверждающий уровни наблюдений. Предложен алгоритм преобразования результатов классификации и сегментации в карты-задания для локального внесения средств защиты растений с учётом экономических порогов вредоносности, регламентов применения препаратов и технических ограничений оборудования.

1. Введение

Земледелие в условиях повышенного природно-климатического риска характеризуется нестабильностью урожайности, дефицитом или избытком влаги, температурными стрессами и рисками деградации почв. Унифицированные агротехнологии не всегда учитывают пространственную неоднородность полей и изменчивость погодных условий. Повышение устойчивости растениеводства в условиях континентального климата требует перехода от усредненного управления полем к пространственным и дифференцированным решениям. Неравномерность увлажнения, изменчивость температурного режима, неоднородность почвенного покрова и различия в развитии растений формируют внутри одного агробиоценоза участки с неодинаковой продуктивностью и фитосанитарной нагрузкой. Сплошная обработка таких участков по единой схеме не всегда соответствует фактической потребности в защитных мероприятиях

.

Традиционные маршрутные обследования сохраняют диагностическую ценность, однако ограничены трудоемкостью и пространственным охватом. Дистанционный мониторинг позволяет чаще оценивать состояние агробиоценоза и локализовать неоднородности не обеспечивая достоверного установления их причин. Схожие изменения окраски и структуры растительного покрова могут быть связаны с засухой, дефицитом питания, болезнями, повреждением вредителями или нарушением агротехнологии. Применение методов цифрового мониторинга, алгоритмов прогнозной аналитики и дифференцированного управление агротехническими операциями позволяют адаптировать сельскохозяйственное производство к складывающимся условиям природно-климатических рисков

.

Уход с рынка ряда зарубежных операторов программного обеспечения для точного земледелия и ограничения на использование зарубежных облачных сервисов диктуют необходимость создания отечественных аппаратно-программных комплексов, учитывающих локальную агрономическую специфику и нормативную базу. Внедрение подобных интеллектуальных систем наиболее экономически обосновано для крупных и средних сельскохозяйственных предприятий, возделывающих высокомаржинальные культуры, где стоимость беспилотного мониторинга и ИИ-аналитики многократно окупается за счет экономии средств защиты растений (СЗР) и сохранения урожая

.

2. Методы и принципы исследования

Предлагается трехуровневая схема мониторинга, включающая:

- обзорный уровень — выявление неоднородностей развития посевов и зон потенциального неблагополучия;

- детализирующий уровень — съемка с пространственным разрешением, достаточным для распознавания целевых объектов;

- подтверждающий уровень — наземное обследование, учет вредных организмов и, при необходимости, лабораторная диагностика.

Спутниковые изображения могут использоваться для общего анализа динамики растительного покрова. Основным источником данных для распознавания отдельных растений и локальных повреждений предполагается беспилотная и наземная съемка. Возможность обнаружения конкретного объекта должна устанавливаться экспериментально с учетом его размера, контрастности и фактического пространственного разрешения

.

Состав и структура информационно-аналитической базы представлены в таблице 1.

Состав и структура информационно-аналитической базы

по ист. [5], [6], [7], [8]

Группа данных

Содержание

Назначение

RGB-изображения

Цветные изображения посевов и отдельных растений

Распознавание культурной и сорной растительности, видимых повреждений

Мультиспектральные данные

Спектральные каналы, включая ближний инфракрасный и канал красного края при наличии соответствующего сенсора

Анализ неоднородности растительного покрова и признаков стресса

Наземные обследования

Видовой состав, плотность сорняков, численность вредителей, распространенность и развитие болезней

Формирование эталонной разметки и подтверждение диагностики

Агрометеорологические данные

Температура, осадки, влажность, ветер и другие доступные показатели

Интерпретация динамики состояния растений и ограничение условий обработки

Агротехнологические данные

Культура, сорт, сроки сева, предшественник, внесенные удобрения и средства защиты

Учет истории поля и возможных причин наблюдаемых изменений

Геопространственные данные

Границы поля, рельеф, защитные зоны, препятствия

Построение карт и планирование операций

Данные исполнительной техники

Рабочая ширина, характеристики секций или форсунок, задержки управления, точность навигации

Адаптация карты-задания к фактическим возможностям обработки

Алгоритм, представленный на рисунке 1 отражает принцип последовательного уточнения диагностики от общего обзора к точечной верификации, что снижает риск ложных срабатываний системы. На верхнем уровне осуществляется обзорный мониторинг с использованием спутниковых снимков и обзорных полетов БПЛА для выявления зон потенциального стресса. На среднем уровне выполняется детализирующая съемка с высоким пространственным разрешением для распознавания объектов и локальных повреждений. На нижнем уровне проводится наземное обследование и лабораторная диагностика для верификации причин аномалий и формирования эталонной разметки

,
.

Трехуровневый алгоритм мониторинга фитосанитарного состояния агробиоценозов

Трехуровневый алгоритм мониторинга фитосанитарного состояния агробиоценозов

Диаграмма, представленная на рисунке 2, отражает структуру центрального хранилища данных и семь взаимосвязанных групп данных, поступающих в систему. Желтые блоки слева представляют данные дистанционного зондирования и наземных наблюдений (RGB-изображения, мультиспектральные данные, наземные обследования, агрометеоданные). Фиолетовые блоки справа содержат контекстуальную и техническую информацию (агротехнологическая история, геопространственные данные, параметры исполнительной техники). Все данные привязываются к единой системе координат и временным меткам для обеспечения согласованности анализа.
Состав и взаимосвязь исходных данных интеллектуальной системы

Состав и взаимосвязь исходных данных интеллектуальной системы

Интеграция разнородных данных позволяет учитывать не только визуальные признаки, но и историю поля, условия выращивания и технические возможности оборудования при принятии решений
.

Модульная архитектура интеллектуальной системы мониторинга, представленная на рисунке 3, включает следующие модули: прием и хранение данных, контроль качества и предобработка нейросетевой анализ и пространственно-временной анализ, оценка неопределенности, агротехнологический модуль поддержки решений, модуль формирования карт-заданий.

Модульная архитектура интеллектуальной системы мониторинга агробиоценоза

Модульная архитектура интеллектуальной системы мониторинга агробиоценоза

Принципиальным является разделение модуля «распознавание» и модуля «принятие решений», что предотвращает автоматическое назначение обработок без агрономической верификаци
.

Алгоритм обработки входного RGB-изображения высокого разрешения представлен на рисунке 4. Параллельно выполняются сегментация (выделение маски признаков «Растительность, Фон, Сорняк») и детекция (поиск дефектов развития). После геоинформационной привязки и наложения масок система оценивает точность модели. При точности («accuracy») более 75% объект переводится в категорию «Вероятный объект» для включения в карту-задание. При точности менее 75% формируется задание на наземную проверку. Результатом является формирование карт геопространственных аномалий развития агробиоценоза. Порог точности классификации «accuracy» более 75% для перевода объекта в категорию «Вероятный объект» для карты-задания обоснован экспертной оценкой агрономов: при более высоком пороге (например, 90%) система будет генерировать избыточные задания на наземную проверку, сводя на нет экономию труда; при более низком — возрастет риск ложноположительных срабатываний и неоправданного внесения химии

.

Алгоритм применения методов компьютерного зрения для диагностики фитосанитарного состояния

Алгоритм применения методов компьютерного зрения для диагностики фитосанитарного состояния

На рисунке 5 представлен алгоритм процедур поддержки принятия решения после нейросетевого распознавания фитосанитарного состояния агробиоценозлв. Показаны этапы оценки неопределённости, агрономической верификации и формирования карты-задания с учётом агроэкологических и технических ограничений. После калибровки вероятностей модель проверяет точность предсказания. При недостаточной точности назначается наземное обследование. При высокой точности проводится проверка экономического порога вредоносности с учётом фазы культуры, истории поля и прогноза погоды. При превышении порога формируется карта-задания (выбор препарата, норма внесения, защитные зоны), которая преобразуется в файл формата, совместимого с с.-х. техникой. Алгоритм минимизирует риск ошибочного применения СЗР.
Алгоритм двухступенчатой агрономической верификации результатов нейросетевого анализа

Алгоритм двухступенчатой агрономической верификации результатов нейросетевого анализа

На рисунке 6 представлена модифицированная архитектура сверточной нейронной сети U-Net с skip-соединениями, используемая для семантической сегментации изображений посевов агроценоза. Показаны блоки энкодера (сжатие) и декодера (восстановление) с указанием размеров фильтров и операций. Энкодер последовательно применяет свёртки 3*3 с ReLU-активацией и max-pooling 2*2. Центральный bottleneck содержит 256 фильтров. Декодер использует up-convolution и skip-соединения для сохранения пространственной точности. Выходная маска формируется с помощью Softmax. Предлагаемая архитектура обеспечивает IoU (метрика пересечения предсказанной и истинной маски сегментации) более 0.85 на тестовых наборах данных.
Архитектура нейронной сети U-Net для семантической сегментации агробиоценозов

Архитектура нейронной сети U-Net для семантической сегментации агробиоценозов

В таблице 2 систематизированы ключевые показатели оценки результативности предлагаемой системы по шести направлениям. Диагностическое направление включает полноту обнаружения значимых очагов, частоту ложных срабатываний и качество локализации. Технологическое — долю корректно выполненного задания, пропуски, перекрытия и отклонение фактической дозы. Агрономическое направление охватывает эффективность подавления вредных объектов, состояние культуры, урожайность и качество сырья. Ресурсное учитывает обработанную площадь, расход препарата, воды, топлива и затраты труда. Экономическое направление оценивает совокупные затраты, стоимость сохранённой продукции и изменение экономического результата. Экологическое — массу действующих веществ, показатели риска для нецелевых объектов и остаточные количества в продукции. Такой комплексный подход позволяет оценивать систему не только по точности распознавания, но и по реальной агрономической, ресурсной и экологической эффективности.

Критерии технологической, экономической и экологической оценки интеллектуальной системы мониторинга агробиоценозов

Направление

Показатели

Диагностическое

Полнота обнаружения значимых очагов, частота ложных срабатываний, качество локализации

Технологическое

Доля корректно выполненного задания, пропуски, перекрытия, отклонение фактической дозы

Агрономическое

Эффективность подавления вредных объектов, состояние культуры, урожайность и качество сырья

Ресурсное

Обработанная площадь, расход препарата, воды, топлива, затраты труда

Экономическое

Совокупные затраты, стоимость сохраненной продукции, изменение экономического результата

Экологическое

Масса действующих веществ, показатели риска для нецелевых объектов, остаточные количества в продукции

3. Заключение

Предложена архитектура интеллектуальной системы дистанционного мониторинга развития и фитосанитарного состояния агробиоценозов, объединяющая беспилотную съемку, наземные обследования, сверточные нейронные сети и геопространственный анализ. Основой системы является последовательное разделение задач обнаружения признаков, подтверждения их причин и принятия решения о защитном мероприятии. Такой подход позволяет учитывать ограничения компьютерного зрения и снижать риск необоснованного применения средств защиты растений. Для поиска сорной растительности предложена схема семантической сегментации с последующим выделением очагов и анализом их многовременной динамики. Для мониторинга болезней и повреждений вредителями предусмотрено сочетание дистанционного выявления подозрительных участков с уточняющей диагностикой. Формирование карт-заданий должно выполняться с учетом агротехнологической необходимости, действующих регламентов, неопределенности распознавания и технических возможностей оборудования. Обязательным элементом является контроль фактического выполнения и последующей биологической эффективности. Результативность системы подлежит подтверждению в независимых полевых испытаниях. Критерием ее успешности следует считать не только точность распознавания, но и обоснованность решений, сохранение урожайности и качества сырья, ресурсную эффективность и подтвержденное снижение негативного воздействия на окружающую среду.

Метрика статьи

Просмотров:9
Скачиваний:1
Просмотры
Всего:
Просмотров:9