А ви ніколи не замислювалися звідки беруться прогнозні ціни на агропродукцію на найбільших біржах світу? Як розраховують обсяги майбутнього врожаю? Відповідь проста – на основі індексів розвитку рослин. Давайте разом розберемося, що таке індекси, які вони, що показують та звідки беруться. І, головне, нащо вони нам потрібні.
Найбільш «розкрученим та модним» в останні роки став NDVI, який прийшов в агро з лісного господарства для розрахунку зеленої маси.
Нормалізований диференційний вегетаційний індекс у сільському господарстві використовується для вимірювання біомаси. До речі, в лісному господарстві він використовується для кількісної оцінки лісопоставки та індексу площі листя.
То чого ж сам фізичний показник, наприклад у 0,87, взагалі нічого не скаже агроному. Тому що рослина повністю провегетувала до індекса 1.0, після чого вона підсихає і можна збирати врожай. Тобто відмітку 0.87 індекс проходить двічі: до та після повної вегетації. Але дивлячись тільки на числовий індекс без графіка вегетації, чи можна сказати про стан рослини? Ні.
Для агро існують багато індексів рослин, якими треба користуватися комплексно, а не брати до уваги тільки NDVI. Розглянемо 5 додаткових індексів стану рослин: EVI2, GRVI, GNDVI, VARI, TGI.
- EVI2 Enhanced Vegetation Index – використовує додаткові довжини хвиль світла для корекції неточностей NDVI.
- GRVI Calculate green-red vegetation index – індекс зелено-червоної рослинності.
- GNDVI (Green Normalized Difference Vegetation Index) – показник фотосинтетичної активності рослинного покриву. Найбільш часто використовуваний при оцінці вмісту вологи та концентрацій азоту в листках рослин. GNDVI більш чутливий до концентрацій хлорофілу, у порівнянні з індексом NDVI.
- VARI – індекс видимої атмосферостійкости – це індекс RGB для покриття листя. Цей індекс використовується для оцінки частки рослинності в зображенні з низькою чутливістю до атмосферних впливів.
- TGI – індекс трикутної зелені – індекс RGB для чутливості до хлорофілу. Індекс TGI заснований на значеннях відбивної здатності на видимих довжинах хвиль. Це досить хороший показник вмісту хлорофілу в областях з високим листовим покривом.
Треба пояснити, що означає абревіатура RGB (абревіатура англійських слів red, green, blue – червоний, зелений, синій), або ЧЗС – адитивна кольорова модель, що описує спосіб кодування кольору для відтворення кольору за допомогою трьох кольорів, які прийнято називати основними. Вибір основних кольорів обумовлений особливостями фізіології сприйняття кольору сітківкою ока.
Простіше кажучи, людське око сприймає тільки три кольори, а людський мозок обробляє інформацію так, що ми розрізняємо тисячі відтінків, в основі яких лежать червоний, зелений, синій кольори.
Перейдемо від спектрів до рослин.
Спектральні характеристики рослин визначаються, головним чином, оптичними характеристиками листя, поглинанням (у фіолетовій, синій,блакитній і червоній частинах спектра) і пропусканням падаючого випромінювання.
Хлорофілом поглинаються сонячні промені у синій і червоній зонах спектра довжини хвиль 0,4-0,48 мкм і 0,6-0,7 мкм відповідно), і дуже слабо у зеленій зоні спектра.
У листях різних видів рослин в деяких спектральних областях коефіцієнти відображення досить добре корелюють між собою. Коли у них з’являються додаткові пігменти така кореляція порушується. Завдяки цьому можна оцінити ступінь побуріння за спектрами відображення і вдається виявити ознаки захворювання листя.
Тож зрозуміло, що індекси вираховуються програмним забезпеченням на основі знімків з усього, що літає над поверхнею землі: дронів, літаків, супутників.
Які бувають методи аерофотозйомки та дистанційного зондування землі (ДЗЗ) та ґрунтово-рослинного покриву.
Основні види дистанційних досліджень з космосу були спочатку розроблені і випробувані як аерометоди, тому весь арсенал космічних методів дистанційного зондування Землі (далі – ДЗЗ) застосовується у групі аерометоди.
Розвиток безпілотних авіаційних систем (далі – БПЛА) отримав широке застосування в аграрній сфері експлуатації.
Є космічні методи дистанційного зондування рослинного покриву.
Аналіз сучасного стану питання спектральної вивченості природних об’єктів і методів автоматизації дешифрування рослинного покриву на космічних знімках дозволяє зробити наступні висновки, або як це працює з наукової точки зору.
Спектральні характеристики рослин визначаються, головним чином, оптичними характеристиками листя, поглинанням і пропусканням падаючого випромінювання. Промені різного кольору (довжини хвилі) поглинаються неоднаково в різних зонах спектра, на це впливає наявність різних пігментів, таких як хлорофіл, каротиноїди та ін. Зміни вмісту хлорофілу та інших пігментів, а також вологи в листі, призводять до різниці спектральних характеристик на різних стадіях вегетації.
Спектрально-відбивні характеристики ґрунтів дуже сильно залежать від вологості ґрунтів і хімічного складу елементів, які у них містяться.
Неоднорідність фізико-хімічних властивостей ґрунтів має суттєвий вплив на зміну інтенсивності відбитого світла в певних довжинах хвиль рослинами одного виду, що виростають на таких ґрунтах.
Неоднорідність ґрунтів впливає на яскравість фону ґрунту, що створює «забруднюючий ефект» для правильної оцінки яскравості фону біомаси, що росте на таких ґрунтах.
Мінливість спектрально-відбивних властивостей окремих видів рослинних угруповань залежить від великої кількості факторів. Так спектри рослин одного виду розрізняються за відсутності (наявності) азотного стресу – зафіксований факт зміщення (зсуву) червоного кордону поглинання хлорофілом (680 … 750) нм, у сторону коротких довжин хвиль. При розпаді хлорофілу, внаслідок несприятливих факторів, або досягнення рослиною певної фази розвитку, знижується поглинання світлового потоку у червоній і відображення у зелених зонах спектра, тобто спостерігається поступова деградація спектра рослинності до спектру ґрунту.
Найбільш інформативні для цілей класифікації на космічному знімку зони спектра 480-550-670-890 нм. Залежно від умов зростання і особливостей розвитку рослин використовується процедура попіксельної трансформації зображення шляхом обчислення вегетаційних індексів.
У зв’язку з цим, зроблено висновок про необхідність проведення одночасного або паралельного обліку різноманіття різних ознак і процесів у ґрунтово-рослинному покриві при вивченні спектральних властивостей підстильної поверхні.
Неодноразово ми звертали увагу, що замість очікуваного полегшення роботи, цифрові рішення можуть приносити лише клопіт агрономам, котрі «тонуть» у даних.
Зібрати масу даних з датчиків на техніці про стан ґрунту, про погоду – це перший крок.
Ось що робити далі з цими даними – то як показало життя, є великою і, найчастіше, нерозв’язаною проблемою. Агроном чи фермер лишаються один на один з цією проблемою.
Розумно буде звертатися до спеціалізованих компаній, які знаються як на програмному забезпеченні для агро, так і вміють аналізувати дані за допомогою різноманітних програм, в котрих з’являються все нові і нові опції для аналітики.
Будуть, звісно, невеликі похибки в розрахунках, тому що агро – це дуже складна галузь. Дуже багато факторів, що впливають на кінцевий результат. Але пробувати новітні рішення та технології треба.
Інновації у вигляді програмного забезпечення коштують копійки. Також вже існує багато і з’являються нові мобільні застосунки, які теж приносять користь.
Сучасні рішення можуть бути ефективними у боротьбі зі зміною клімату і тими несприятливими явищами, що спостерігаються зараз (посуха, пилові бурі, обміління рік), а саме предиктивна аналітика, на яку, скільки нас не попереджали кліматологи та метеорологи, ми не звертали уваги і вважали, що ніяка посуха до нас не прийде. Результат відомий.
Наразі вже працює у тестовому режимі наш український державний портал Дистанційного Зондування Землі (ДЗЗ). Цілком безкоштовно.
Що нового?
Штучний інтелект та гіперспектральні зображення
Мультиспектральні камери можуть вимірювати загальні характеристики, наприклад, чи є рослина здоровою чи ні, але гіперспектральні зображення можуть піти ще далі, і діагностувати точну причину цього стану. Це тому, що додаткові смуги світла, які вони може виявити, можуть бути пов’язані з певними фізіологічними особливостями рослини.
Щоб розробити цей аналітичний продукт для конкретної проблеми, культури і регіону, потрібні зразки ґрунту з кожного регіону для введення у свій алгоритм і тоді через машинне навчання отримаємо програму аналітики штучним інтелектом.
Як тільки це буде зроблено, подальша вибірка не потрібна, і продукт може бути розгорнутий на регіональному рівні. Продукти можуть бути далі узагальнені та масштабовані по більш широким регіонам після отримання достатньої статистики. У майбутньому ми плануємо впровадити платформу, яка забезпечить місцевим агрономічним консультантам простий робочий процес для розробки нестандартних аналітичних продуктів.
Отже, технологія – це інструментарій, що дозволяє прискорити процес перетворення даних в інформацію. Штучний інтелект – відмінний приклад такої технології. Однак штучний інтелект не може перетворити інформацію на знання без людського інтелекту. Надалі найбільші інновації з’являться у здатності перетворювати інформацію на знання.
Ірина КРАВЕЦЬ,
член експертного комітету з розвитку сфери штучного інтелекту Міністерства Цифрової трансформації України,
керуючий партнер CleverAgri
