Повышение продуктивности агрофитоценозов на основе оперативного мониторинга и интеллектуальных аналитических систем для критических этапов онтогенеза в условиях Юга России
Повышение продуктивности агрофитоценозов на основе оперативного мониторинга и интеллектуальных аналитических систем для критических этапов онтогенеза в условиях Юга России
Аннотация
Статья посвящена решению комплексной проблеме повышения продуктивности орошаемых и неполивных агрофитоценозов в условиях динамических климатических и антропогенных трансформаций агроэкосистем Юга России (ЮФО, Волгоградская область). Обобщены результаты серии исследований по созданию интеллектуальной технологии оперативного мониторинга посевов с использованием камер 4K, онтологической систематизации графических признаков и гибридных нейросетевых архитектур (14-слойная комбинированная ИНС, Conv2D, Swin-Transformer). Обосновано применение детерминированного подхода к инициализации весов искусственной нейронной сети (ИНС) для стабильного обучения на ограниченных агрономических выборках. Сформулированы практические рекомендации по дифференцированному управлению продукционным процессом и биозащите в критические фенологические фазы.
1. Введение
Агропромышленный комплекс Южного федерального округа (ЮФО), и в частности Волгоградской области, функционирует в условиях высокой изменчивости климатических факторов, выражающейся в нарастании засушливости, дефиците водных ресурсов и неравномерности осадков в ключевые периоды вегетации сельскохозяйственных культур. Обеспечение устойчивого роста урожайности зерновых и пропашных культур требует перехода от традиционных нормативных технологий к системам точного земледелия и адаптивно-интегрированного управления агрофитоценозами. В соответствии с положениями Доктрины продовольственной безопасности РФ и национального проекта «Экономика данных», внедрение искусственного интеллекта (ИИ) и беспилотных летательных аппаратов является ключевым вектором интенсификации аграрного производства.
Формирование конечной продуктивности посевов зерновых культур (например, озимой пшеницы) в аридных условиях Нижнего Поволжья в решающей степени определяется их состоянием в критические фенологические фазы (кущение, выход в трубку). Именно после перезимовки посевы демонстрируют высокую пространственную неоднородность, связанную с локальными вымоканиями, вымерзанием, дефицитом питательных элементов и развитием сорной растительности. Традиционный наземный визуальный мониторинг на больших площадях (сотни и тысячи гектаров) трудоемок, субъективен и не обеспечивает необходимой оперативности для принятия корректирующих агротехнических решений.
Современные методы дистанционного зондирования Земли (ДЗЗ) на базе БПЛА в сочетании с алгоритмами компьютерного зрения (CV) и глубокого обучения (Deep Learning, DL) позволяют в режиме реального времени получать спектральные и ортофотопланы с пространственным разрешением до единиц сантиметров. Однако практическое развертывание нейросетевых моделей на бортовых вычислителях БПЛА и мобильных киберфизических системах (КФС) сталкивается с рядом фундаментальных ограничений: высокой вычислительной сложностью глубоких архитектур, проблемой переобучения на ограниченных агрономических обучающих выборках и неустойчивостью обучения из-за стохастического выбора начальных весов нейросети
, , .1.1. Научная гипотеза
Применение гибридной нейросетевой архитектуры (сочетающей сверточные слои и механизмы внимания Vision Transformer) в комбинации с онтологической систематизацией признаков и детерминированным методом инициализации весов позволит минимизировать влияние стохастичности обучения, устранить проблему «зависания» в локальных минимумах и обеспечить точность классификации состояний посевов выше 90–95% даже в условиях дефицита обучающих данных, что создаст основу для оперативной оптимизации агроприемов в рискованных условиях земледелия.
Целью исследования является разработка и обобщение научных основ, алгоритмического обеспечения и практических рекомендаций по созданию высокоточных интеллектуальных систем оперативного мониторинга состояния посевов в критические фазы вегетации для адаптации агроэкосистем Волгоградской области и регионов ЮФО к климатическим рискам.
2. Материалы и методы
2.1. Объект исследования и аппаратурно-программное обеспечение
Экспериментальные исследования проводились на опытных полях УНПЦ «Горная поляна» Волгоградского ГАУ (Волгоградская область, ЮФО). Объектом исследования являлись посевы озимой пшеницы и однолетних полевых культур в критическую фазу вегетации (кущение). Сбор высокодетализированных графических данных осуществлялся с помощью бесплотных летальных аппаратов, оснащенных 4K RGB-камерами высокого разрешения. Аэрофотосъемка проводилась на высотах 15–50 метров, что обеспечивало пространственное разрешение от 0.5 до 2 см/пиксель
, .2.2. Онтология классов агрофитоценозов и база данных
На основе экспертно-аналитического анализа цветоколористических, текстурных и морфологических признаков растений была сформирована системная онтология классов RGB-изображений посевов озимой пшеницы после перезимовки
, :- оптимальное развитие: участки с равномерным зеленым покровом высокой интенсивности и максимальной вегетационной активностью, характеризующиеся: плотным и однородным стоянием растений; насыщенным зеленым цветом (индикатор высокого содержания хлорофилла); отсутствием видимых проплешин и разреженности; равномерным распределением биомассы по площади.
- локальное компенсаторное развитие: участки с пятнистой, неоднородной структурой растительного покрова, но без явных признаков дефекта развития, характеризующиеся чередованием зон с разной плотностью и интенсивностью развития, наличием как здоровых, так и ослабленных растений в пределах одной зоны, а также переходными областями между оптимальными и дефектными участками.
- ослабленные, угнетенные растения: участки с разреженным светло-зеленым или желтоватым покровом, характеризующиеся разреженным стоянием, низкой плотностью биомассы, а также отставанием в росте и развитии.
- дефектные участки: зоны с полным или частичным отсутствием растительности, вызванные болезнями, вредителями, технологическими нарушениями или неблагоприятными почвенными условиями, включающие видимые проплешины коричневого цвета (открытая почва), отсутствие всходов или гибель растений, резкие границы между здоровыми и поврежденными участками.
Для систематизации аэрофотоснимков разработана реляционная база данных (Свидетельство о гос. регистрации БД № 2026622000), содержащая таблицы групп культур, фаз вегетации, сезонов и аннотированных фрагментов. Предобработка включала нормализацию цветовых RGB-каналов и масштабирование изображений к размеру 300×300 и 500×500 пикселей
.2.3. Архитектура нейронной сети и детерминированная инициализация весов
В качестве базовой модели разработана 14-слойная комбинированная искусственная нейронная сеть (43 млн обучаемых параметров), включающая сверточные слои Conv2D(32, (3,3), activation='relu'), слои субдискретизации MaxPooling2D(2,2), слои регуляризации Dropout(0.25) и выходной полносвязный слой Dense(4, activation='softmax'). Дополнительно исследована гибридная архитектура, объединяющая ветвь CNN для локальных текстур и блок Vision Transformer (Swin-Transformer) с механизмами внимания в сдвигающихся окнах для учета глобального контекста агроландшафта. Главной проблемой при обучении глубоких нейросетей на ограниченных выборках является стохастичность случайной инициализации весов, ведущая к «зависанию» целевой функции в окрестностях локальных минимумов. Для устранения этого эффекта при использовании полулинейной функции активации ReLU(x) = max(0, x) применим детерминированный подход к расчету начальных весов W, учитывающий детерминированный коэффициент инициализации весовой матрицы слоя; количество нейронов на текущем слое и количество нейронов на следующем слое
.Оценка надежности предсказаний модели на мобильных устройствах осуществлялась с помощью показателей энтропии H(p) и максимальной вероятности Softmax (MSP), где низкие значения энтропии свидетельствуют о высокой уверенности модели в распознанном классе.
3. Основные результаты
Проведенная серия вычислительных экспериментов на обучающей (80%), проверочной (10%) и тестовой (10%) выборках подтвердила высокую эффективность разработанной гибридной ИНС и метода детерминированной инициализации. Сравнительные результаты параметризации разработанной архитектуры с использованием детерминированной инициализации весов ИНС для стабильного обучения на ограниченных агрономических выборках, представлены в таблице 1.
Результаты параметризации нейросетевой модели
Выборка / Модель | Средняя точность (Accuracy) | Макс. точность | Функция потерь (Loss) | Время сходимости, эпохи |
Обучающая выборка | 0,958 | 0,967 | 0,14 - 0,18 | 12 эпох |
Проверочная (валидация) | 0,912 | 0,926 | 0,23 - 0,28 | 8 - 10 эпох |
Анализ матриц рассеяния (Confusion Matrix) показал, что применение аугментации (повороты, вариации яркости ±10%, кадрирование) и нормализованной инициализации весов позволило снизить системную путаницу между сложными классами («ослабленные растения» и «локальное компенсаторное развитие») с 24% до 14%. Точность классификации эталонного класса А («Оптимальное развитие») достигла 96%, а класса C («Ослабленные посевы») — 86%.
На основе полученных научных результатов авторами сформирован комплекс программно-аналитических систем и зарегистрированы следующие интеллектуальные продукты:
1. Программа для ЭВМ № 2025618970: «Информационно-аналитическая система для идентификации болезней культурных растений с WEB-интерфейсом»
.2. Программа для ЭВМ № 2025619912: «Поддержка принятия решений по активизации роста культурных растений с формированием рекомендаций по их биозащите»
.3. Программа для ЭВМ № 2026661030: «Генерация аугментированных наборов данных цветных изображений для обучения систем компьютерного зрения в растениеводстве»
.4. База данных № 2026622000: «Набор исходных и аугментированных оптических изображений посевов однолетних полевых культур для обучения и тестирования систем компьютерного зрения»
.4. Обсуждение
Сравнительный мета-анализ полученных результатов с данными мировых исследований (Kamilaris et al., Cao et al., Srihith) показывает высокую конкурентоспособность разработанного подхода. В таблице 2 приведено сопоставление характеристик различных нейросетевых архитектур, используемых в мировом агромониторинге , , , .
Сопоставление характеристик различных нейросетевых архитектур, используемых в мировом агромониторинге
Архитектура ИНС | Область применения в агросекторе | Точность (Accuracy / mAP), % | Особенности и ограничения |
VGG16 / VGG19 | Классификация стрессов зерновых, болезни риса/картофеля | 92,89 - 97,8 | Высокая точность, но массивность параметров и падение до 60% при малых выборках |
Inception V2 / V3 | Детекция сорняков, болезни яблони и томатов | 95,4 - 98,0 | Эффективные блоки параллельных сверток, низкий риск переобучения |
Swin-Transformer + YOLOv5s | Детекция малых объектов на аэроснимках (БПЛА) | mAP 74,7 (до 81,9 P) | Отличный учет глобального контекста через сдвигающиеся окна внимания |
Предлагаемая гибридная ИНС | Мониторинг агрофитоценозов ЮФО, дефекты кущения | 91,2 (валидация), до 96 класс | Детерминированная инициализация весов, адаптация к БПЛА и малым выборкам |
Сравнение классических подходов и методов машинного обучения (SVM, SIFT, HOG), чувствительных к изменениям освещенности и сложности фонового покрова, гибридная сверточно-трансформерная сеть обеспечивает устойчивое извлечение признаков в плотных агроландшафтных сценах. Детерминированный метод инициализации весов устраняет необходимость в трудоемком предварительном обучении (pre-training) на миллионных датасетах и предотвращает зависание модели в локальных минимумах. В то же время ограничением применимости описанного подхода является необходимость его дополнительного исследования на конкретных датасетах в рамках проблемы «domain shift».
Основными преимуществами детерминированной инициации весов являются контроль сравнений (ablation studies), при этом исключается дисперсия, вносимая случайной инициализацией. Это позволяет атрибутировать наблюдаемые различия метрик непосредственно варьируемым факторам. Кроме того, снижается общая дисперсия оценок качества модели; упрощается анализ чувствительности метода оптимизации к прочим источникам стохастичности.
Однако недостатками такого подхода является проблема симметрии, когда детерминированная константная инициализация (включая нулевуя) не нарушает перестановочную симметрию нейронов одного слоя. Также результат, полученный при одной инициализации, не позволяет судить об устойчивости (робастности) метода. Возможна также потеря эффектов стохастической регуляризации, когда ансамблевый эффект, вносимый случайной инициализацией (неявный ансамбль по пространству начальных условий), не реализуется.
На рисунке 1 представлен алгоритм принятия управленческих решений в системе точного земледелия, обеспечивающий переход от оперативного мониторинга к практической реализации дифференцированных агротехнологий.

Алгоритм формирования научно-обоснованных управленческих решений в условиях рискованного земледелия
5. Заключение
Проведенные исследования подтвердили состоятельность сформулированной научной гипотезы: сочетание онтологического моделирования классов агрофитоценозов, гибридной нейросетевой архитектуры и детерминированной инициализации весов обеспечивает оперативное выявление дефектов развития посевов с точностью выше 91.2%.
Практические рекомендации для агропредприятий ЮФО и Волгоградской области:
1. Регламент БПЛА-мониторинга в критические фазы: проводить аэрофотосъемку с БПЛА в фазу кущения озимых культур (10-14 дней после возобновления весенней вегетации) на высоте 20-30 м для карты-схемы дефектов.
2. Дифференцированное подкармливание и биозащита: на основе распознанных зон класса C («ослабленные посевы») применять адресное внесение азотных удобрений и микроэлементов, предотвращая перерасход химикатов на 15–20%.
3. Интеграция с веб-системами принятия решений: использовать разработанное ПО (Свидетельства № 2025618970, № 2025619912) для автоматической генерации технологических рекомендаций мелиораторам и агрономам.
4. Адаптация к детекции сорняков: применять стратегию Transfer Learning (заморозка сверточных слоев и дообучение Dense-слоя для расширения ареала и повышения оперативности обнаружения сорной растительности.
5. Детерминированная инициализация целесообразна на этапах отладки, сравнительного анализа и воспроизведения результатов, однако для оценки статистической значимости выводов требуется дополнение стохастическими запусками с варьированием запусков и последующей статистической обработкой (например, доверительными интервалами).
