Методы машинного обучения для определения оптимального времени орошения кукурузы

Глобальный прогноз увеличения производства продуктов питания на орошаемых землях ставит задачу оптимизации орошения. Экономия водных ресурсов особенно важна в засушливых областях, где очень важно понимать четко понимать, что поливать, когда и в каком количестве. В статье предложен метод оптимизации процесса орошения сельскохозяйственных культур с использованием системы контроля на основе видимых и гиперспектральных изображений. Нами предложен алгоритм и разработана система получения карты орошения кукурузы в режиме малой временной задержки. Система может быть установлена на круговой спринклер и состоит из 8 IP-камер, подключенных к видеорегистратору, подключенному к портативному компьютеру и гиперспектральной камеры, синхронизируемой с одной из IP-камер. Алгоритм установления норм полива состоит из трех этапов. Этапа установления средней стадии роста растений (площадка 6–8 растений), этапа определения количества воды в растениях на этой площадке и непосредственно этапа установления норм полива растений. В первом случае мы использовали модифицированную сверточную нейросеть DenseNet121 с блоком сжатия и возбуждения (SE), обученную на видимых изображениях с IP-камеры и позволяющую с точностью до 92% выделить стадию роста по шкале Biologische Bundesanstalt, Bundessortenamt und CHemische Industrie (BBCH). Во втором случае мы использовали гиперспектральные изображения, которые в совокупности с данными по стадии развития определяют количество воды в растениях. Гиперспектральные изображения преобразовывались в 2D-модель с помощью вейвлет-преобразований, а потом классифицировались с помощью капсульной нейронной сети 2D-CapsNet. Точность выявления недостатка или избытка воды в растениях составила 94%. На третьем этапе полученные с двух предыдущих этапов данные и ряд характеристик, связанных с текущим состоянием атмосферы и поля, сводились в отдельный классификатор на основе нейронной сети- многослойный перцептрон, который и размечал участки поля с повышенной и пониженной нормой полива. Полученная карта использовалась в дальнейшем при орошении этого поля. Это сократило объем расходуемой воды на 7,4%. При этом эффективность использования оросительной воды, увязанная с урожайностью сельскохозяйственных культур на единицу использованной воды, повысилась за счет увеличения урожайности на 8,4%.