Универсальная модель на основе ИИ предсказывает состояние пшеницы на разных типах почв по данным дронов

Точная оценка Индекса Площади Листа (LAI) пшеницы с помощью мультиспектральных данных с беспилотных летательных аппаратов (БПЛА) важна для мониторинга здоровья и роста сельскохозяйственных культур. Традиционные методы измерения LAI точны, но трудоемки.

Гибридные методы, сочетающие модели радиационного переноса с машинным обучением, показали свою эффективность. Однако они сталкиваются с трудностями на разнородных почвенных фонах, где требуются специфичные для почвы модели, которые плохо масштабируются.

Исследование сосредоточено на создании "устойчивой к фону" модели для стабильной и точной оценки LAI на различных типах почв, что особенно полезно в регионах с переменчивыми характеристиками почвы и низким LAI, например, в засушливых зонах.

В мае 2023 года журнал Plant Phenomics опубликовал статью "A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background".

Целью исследования была разработка универсальной модели на основе машинного обучения для прогнозирования LAI пшеницы на разных почвенных фонах в течение всего сезона роста, что улучшает предыдущие почвенно-специфичные модели.

Производительность модели сначала тестировалась на независимых синтетических данных. Модели регрессии на случайных лесах (RFR), обученные на синтетических данных, показали разную эффективность в зависимости от схожести отражательной способности почвы. Базовая модель достигла R² = 0.8 на схожих почвах, но показатель упал до 0.2 на непохожих почвах.

Расширение диапазона отражательной способности почв для обучения улучшило устойчивость модели, но более эффективным для стабильного прогноза LAI на разных почвах оказалось улучшение спектральных показателей растительного покрова. В экспериментах модели RFR тестировались на синтетических и дополненных данных на разных стадиях роста.

Улучшение прогноза LAI было более выраженным при модификации спектральных показателей растительного покрова, а не только при расширении диапазона отражательной способности почв для обучения. Модель defaultMulti2.VIc3, использующая расширенный диапазон отражательной способности и улучшенные спектральные индикаторы растительного покрова, была выбрана для дальнейшей оценки из-за ее стабильности на разных почвах и меньшего числа входных переменных.

Она продемонстрировала хорошую точность оценки для разных почвенных фонов, но имела тенденцию завышать LAI для значений между 2 и 5 и занижать LAI свыше 5. Модель была дополнительно оценена на разных стадиях роста в течение сезона, показав существенное улучшение точности прогноза, особенно на ранних и поздних стадиях. Она надежно отражала сезонную динамику LAI при различных условиях (генотипы, плотность посадки, управление водой и азотом).

Исследование пришло к выводу, что устойчивую к фону модель можно эффективно создать с использованием имитационных данных. Она обеспечивает стабильный и точный прогноз LAI по отдельным мультиспектральным изображениям с БПЛА в течение сезона роста пшеницы на разнородных почвах в полевых условиях. Эта модель представляет собой значительный шаг вперед в прогнозировании LAI без необходимости наземной калибровки, что делает ее перспективным инструментом для сельскохозяйственного мониторинга и управления.