Достоверная пространственная информация о сельскохозяйственных угодьях – основа современного точного земледелия. Точная площадь поля определяет нормы расхода семян, удобрений и средств защиты растений, а также параметры дозирования технологических жидкостей системами автоматического управления электрооборудованием агромашин. Погрешность в 5% для поля площадью 500 га соответствует неучтённым 25 га, что влечёт прямые экономические потери и нарушение регламентов точного применения агрохимикатов. В условиях электрификации и автоматизации АПК ошибка исходных данных транслируется в ошибку работы всей технологической цепочки.
Три основных подхода к измерению площади полей принципиально различаются по точности, стоимости и применимости. Кадастровый учёт юридически значим, но недостаточно оперативен. Открытые спутниковые данные Sentinel-2 (10 м/пикс) бесплатны и охватывают обширные территории, обеспечивая погрешность 5–15%. Аэросъёмка БПЛА даёт сантиметровое разрешение при умеренной стоимости. Развитие методов глубокого обучения – архитектур семантической сегментации U-Net и DeepLabV3+ – открывает возможности для высокоточного автоматизированного выделения границ полей. Целью работы является разработка и экспериментальная верификация методики автоматизированного определения и сравнительной оценки точности площади полей по данным ДЗЗ, БПЛА и кадастра, а также создание программного комплекса для её интеграции в системы управления агропредприятием.
Методика исследования
Исследование выполнено по схеме сравнительного полевого эксперимента: площадь 12 полей различной конфигурации (прямоугольные, полигональные, сложные) определялась тремя независимыми методами, результаты сопоставлялись с кадастровым эталоном ЕГРН. Выборка намеренно охватывает широкий диапазон площадей (5,6–575,25 га) для проверки устойчивости методики на экстремальных значениях. Точность оценивалась системой из пяти метрик: относительная (RE, MRE) и абсолютная (MAE) погрешности, среднеквадратическая погрешность (RMSE), коэффициент корреляции Пирсона (r) и систематическое смещение (Bias).
Спутниковые снимки Sentinel-2 L2A (облачность < 10%) обрабатывались моделью U-Net с энкодером ResNet-34, дообученной на датасете FieldSAT (IoU = 0,882). Аэрофотосъёмка выполнялась комплексом DJI Matrice 300 RTK с камерой Zenmuse P1 (GSD 3,5 см); ортофотопланы обрабатывались моделью DeepLabV3+ с энкодером ResNet-50 (IoU = 0,914). Кадастровые данные получены через публичную кадастровую карту и API Росреестра. Для устранения систематической погрешности реализован механизм автокалибровки наземного разрешения (GSD) по кадастровым значениям.
Результаты и обсуждение.
Сводные показатели точности трёх методик приведены в таблице 1. Метод БПЛА с моделью DeepLabV3+ показал наивысшую точность (MRE = 0,6%, r = 0,9999), практически совпадающую с кадастровым эталоном. Спутниковый метод с U-Net обеспечил MRE = 4,6%, снижаемую до 2,3% при калибровке по кадастру.
Таблица
Сводные показатели точности методик
Метрика | U-Net (без кал.) | U-Net (с кал.) | DeepLabV3+ (БПЛА) |
MRE, % | 4,6 | 2,3 | 0,6 |
MAE, га | 3,8 | 1,9 | 0,56 |
RMSE, га | 7,65 | 3,83 | 1,2 |
r (корреляция) | 0,981 | 0,988 | 0,9999 |
Bias, га | +3,8 | +0,7 | +0,4 |
Средний IoU | 0,882 | 0,882 | 0,935 |
Важным результатом является выявленная зависимость погрешности от конфигурации поля, выраженной индексом формы SI = P / (2√(πS)). Для модели U-Net установлена статистически значимая связь RE с индексом формы (R² = 0,54, p < 0,01): погрешность возрастает для полей со сложными вогнутыми контурами (SI > 1,30). У модели DeepLabV3+ такая зависимость отсутствует (R² = 0,10, p = 0,34), что свидетельствует об устойчивости метода БПЛА к форме поля. Все попарные различия в точности методик статистически значимы по критерию Вилкоксона (p < 0,05).
Для автоматизации обработки разработан программный комплекс FieldCompareBot v4.1 на платформе Telegram (Python 3.11, PyTorch 2.2), интегрирующий обе нейросетевые модели и механизм калибровки. Производственное тестирование в агропромышленном предприятии (112 снимков, 12 пользователей) показало: время обработки 18 с (спутник) и 34 с (БПЛА), успешность 97,3%, оценку интерфейса 4,3 из 5,0 и сокращение трудоёмкости определения площади в 12–40 раз по сравнению с ручным дешифрированием. Полученные данные о площади передаются в систему нормирования ресурсов для автоматического расчёта доз удобрений, программирования маршрутов агромашин и планирования нагрузки на электрооборудование оросительных систем.
Выводы:
- Ни один из трёх методов не является универсальным: кадастровый учёт наиболее точен и юридически значим, но неоперативен; БПЛА обеспечивает наилучшее соотношение точности и оперативности; спутник оптимален по критерию «стоимость – охват». Нейросетевые модели U-Net и DeepLabV3+ существенно превосходят геометрический алгоритм Собеля + ConvexHull.
- На выборке 12 полей метод БПЛА (DeepLabV3+) достиг MRE = 0,6%, спутниковый метод (U-Net) – 4,6% (2,3% с калибровкой). Впервые количественно установлена зависимость погрешности U-Net от индекса формы поля, отсутствующая у DeepLabV3+.
- Разработанный программный комплекс FieldCompareBot v4.1 внедрён в производство и сокращает трудоёмкость определения площади в 12–40 раз, что подтверждает практическую значимость предложенной методики для задач агроинженерии и точного земледелия.
