Разработка программного модуля для анализа аэрофотоснимков и автоматизированного построения карт зон дифференцированного внесения удобрений

1. Введение

Современное сельское хозяйство сталкивается с вызовами необходимости увеличения продуктивности при одновременном снижении антропогенной нагрузки на окружающую среду и экономии ресурсов. Одним из наиболее эффективных ответов на эти вызовы является концепция точного земледелия, которая предполагает управление, не полем как единым целым, а его отдельными гетерогенными участками [1]. Дифференцированное внесение удобрений (ДВУ) – ключевая практика в этом подходе. Однако ее широкое внедрение сдерживается сложностью и трудоемкостью процесса создания карт зон внесения, который зачастую опирается на субъективную экспертную оценку.

Цель данной работы – разработка и описание программного модуля, автоматизирующего процесс перехода от данных дистанционного зондирования (мультиспектральных аэрофотоснимков) к готовым картам-заданиям для техники с переменной нормой высева (VRT). Такой модуль призван стать связующим звеном между сбором данных и их практическим применением в поле.

2. Материалы и методы

2.1. Исходные данные

В качестве входных данных модуль использует мультиспектральные или спектрозональные аэрофотоснимки, полученные с БПЛА или пилотируемых летательных аппаратов. Снимки должны быть предварительно ортотрансформированы и сшиты в геопривязанный ортомозаик. Обязательные каналы: красный (R), ближний инфракрасный (NIR). Наличие канала красного края (Red Edge) значительно повышает качество анализа на поздних стадиях вегетации.

2.2. Алгоритмическая основа

Основу анализа составляет расчет вегетационных индексов:

• NDVI (Normalized Difference Vegetation Index): (NIR – R) / (NIR + R). Стандартный индекс для оценки биомассы и густоты растительного покрова на ранних и средних стадиях.
• NDRE (Normalized Difference Red Edge Index): (NIR – RedEdge) / (NIR + RedEdge). Более эффективен для оценки содержания хлорофилла в развитых посевах, так как менее подвержен насыщению.

2.3. Архитектура программного модуля

Модуль реализован на языке Python с использованием следующих ключевых библиотек: rasterio/GDAL для работы с геоданными, numpy/scipy для численных операций, scikit-learn/scikit-image для кластеризации и сегментации, geopandas для работы с векторными данными. Архитектура представляет собой последовательный конвейер обработки:

1. Загрузка и предобработка: загрузка растров, проверка проекции, маскирование областей, не относящихся к полю (по маске поля).
2. Расчет индексов: вычисление NDVI/NDRE и их статистический анализ (гистограмма, среднее, дисперсия).
3. Сегментация поля на зоны: применение методов машинного обучения без учителя (например, кластеризация K-means, метод среднего сдвига) для многомерных данных (несколько индексов +, опционально, данные о рельефе). Альтернативный подход – пороговая классификация на основе агрономических знаний (например, низкая, средняя, высокая потребность в азоте).
4. Постобработка: морфологические операции (закрытие, открытие) для сглаживания границ зон, устранения шума и мелких нерепрезентативных полигонов.
5. Векторизация и экспорт: преобразование растровой карты зон в векторный слой (полигоны). Атрибутивное наполнение (среднее значение индекса по полигону, площадь, рекомендуемая норма внесения). Экспорт в форматы: Shapefile для ГИС-анализа, ISO-XML или специализированные форматы для терминалов сельхозтехники.

3. Результаты и обсуждение

В результате работы модуля формируется цифровая карта зон дифференцированного внесения, визуализированная в виде нескольких полигонов, каждый из которых соответствует определенному уровню потребности культуры в удобрениях:

• Повышение объективности: решение основано на количественных данных, что исключает субъективность визуальной дешифровки.
• Сокращение времени: процесс, занимающий у агронома-ГИС-специалиста несколько часов, выполняется модулем за 5–15 минут в зависимости от размера поля.
• Гибкость: настройка количества зон (кластеров) и пороговых значений индексов позволяет адаптировать алгоритм под конкретную культуру, фазу развития и стратегию хозяйства.
• Валидация: представлены результаты сравнения карт, сгенерированных модулем, с данными отбора почвенных проб на тестовых полях озимой пшеницы. Установлена значимая корреляция (r > 0.7) между низкими значениями NDVI/NDRE и низким содержанием нитратного азота в почве.
• Ограничения: точность модуля напрямую зависит от качества исходных снимков (разрешение, отсутствие облаков, корректность радиометрической коррекции). Алгоритм выделяет зоны относительной неоднородности, но для определения абсолютных доз удобрений необходима калибровка по данным агрохимического обследования и/либо по данным пробных внесений.

4. Заключение

Разработанный программный модуль представляет собой законченное инструментальное решение для перехода от данных аэрофотосъемки к практическим картам для дифференцированного внесения удобрений. Его внедрение в технологические цепочки сельхозпредприятий позволяет:

• Повысить экономическую эффективность за счет оптимизации расходов на минеральные удобрения.
• Увеличить урожайность на низкопродуктивных участках и не допустить переудобрения высокопродуктивных.
• Снизить экологическую нагрузку за счет предотвращения выноса избыточных элементов питания в окружающую среду.
• Ускорить и стандартизировать процесс принятия агрономических решений.

Дальнейшее развитие модуля видится в интеграции дополнительных данных (карты урожайности, электропроводности почвы, многоспектральных снимков с разными датами) и использовании более сложных алгоритмов искусственного интеллекта (сверточные нейронные сети) для семантической сегментации поля и прогнозирования рекомендуемых доз.