ИИ превращает простые снимки растений в ранние предупреждения о засухе, давая посевам голос в борьбе с водным стрессом

Что, если бы растения могли говорить, когда им хочется пить?

Сельское хозяйство, по сути, — это диалог между культурами, почвой и климатом. Однако засуха, самый коварный фактор стресса, остаётся в значительной степени незамеченной, пока её последствия не станут очевидными.

Фермеры и исследователи давно полагались на трудоёмкие и разрозненные подходы для обнаружения засухи — будь то пожелтевшие листья, выборочный сбор образцов или дорогостоящие инструменты. Но что, если бы мы могли расшифровать ранние, скрытые признаки стресса, вызванного засухой — быстрее, дешевле и в больших масштабах, используя только обычные снимки растений?

Этот вопрос вдохновил на сотрудничество между Институтом сельскохозяйственных исследований имени ИКЭР в Индии, Образовательным и исследовательским институтом Миссии Рамакришны Вивекананды (RKMVERI) и Университетом Квинсленда, Австралия. В результате была создана новая платформа под названием Intelligent Decision Support for Drought Stress (IDSDS).

Интегрированная система поддержки принятия решений при стрессе, вызванном засухой

Эта система объединяет искусственный интеллект, дистанционное зондирование и физиологию растений, чтобы превратить простые RGB-изображения в мощные инструменты мониторинга засухи.

Совместная команда под руководством доктора Суманты Даса из RKMVERI опубликовала своё новаторское исследование под названием «Интеллектуальная поддержка принятия решений при стрессе, вызванном засухой (IDSDS): интегрированный конвейер дистанционного зондирования и искусственного интеллекта для количественной оценки стресса, вызванного засухой, у растений» в журнале «Компьютеры и электроника в сельском хозяйстве».

Проблема засухи в сельском хозяйстве

Засуха является одной из самых безжалостных угроз для сельского хозяйства во всём мире. В Индии почти 42% пахотных земель испытывают засуху, а 6% в последние годы были классифицированы как исключительно сухие. Существующие методы обнаружения, такие как измерение содержания воды в листьях, проводимости устьиц или флуоресценции хлорофилла, точны, но дороги, медленны и непрактичны в больших масштабах.

В отличие от них, RGB-съёмка дешёва, широко доступна и становится всё более доступной через смартфоны. Однако RGB-изображения предоставляют лишь общие визуальные сигналы, в основном цвет, который часто искажается из-за множественных стрессов. Это ограничивает их прямое применение в точном земледелии.

Решение: использование модели глубокого обучения

Идея была обманчиво проста: использовать модель глубокого обучения для реконструкции гиперспектральных данных из обычных RGB-изображений. Гиперспектральная съёмка фиксирует сотни узких спектральных полос, каждая из которых соответствует физиологическим характеристикам, таким как содержание воды, концентрация пигментов или старение. Но гиперспектральные камеры дороги и редко доступны большинству исследователей или фермеров.

Поэтому мы спросили: могут ли модели глубокого обучения вывести эту скрытую информацию только из трёх цветовых каналов?

Ответ оказался положительным. IDSDS использует свёрточные нейронные сети (CNN), обученные на парных RGB- и гиперспектральных наборах данных пшеницы, выращенной как в условиях засухи, так и при достаточном поливе.

Результаты

Из более чем 4800 RGB-изображений и 400 гиперспектральных кубов мы обучили модели для реконструкции недостающих спектральных деталей с поразительной точностью. Наша наиболее эффективная модель достигла значения спектрального углового картографа (SAM) всего 0,12, что означает, что реконструированные спектры близко соответствуют истинным гиперспектральным сигнатурам.

Коэффициент зелёности (GC)

Команда также признала необходимость в интуитивно понятных инструментах, которые фермеры и агрономы могли бы интерпретировать без специальной подготовки. Это привело к созданию коэффициента зелёности (GC), нового показателя фенотипирования, который конденсирует зелёность из цветового пространства HSV в шкалу от 0 до 500.

GC подчёркивает едва заметные вариации, невидимые невооружённым глазом, и позволяет локализовать стресс в разных частях растения, эффективно создавая цифровую карту здоровья для сельскохозяйственных культур.

IDSDS выходит за рамки зелёности. Используя реконструированные гиперспектральные полосы, она рассчитывает набор спектральных индексов: NDVI, PRI, PSRI, ARI, WBI и т. д. Вместе эти индексы обеспечивают мультимодальный взгляд на стресс, вызванный засухой.

Классификация стресса

Извлечение признаков — это только половина дела. IDSDS также переводит их в действенные классификации. Были протестированы несколько классификаторов машинного обучения, включая деревья решений, логистическую регрессию и машины опорных векторов.

Random Forest оказался наиболее надёжным, достигнув точности классификации около 99% с AUC, равным 1,0, по семи категориям стресса, вызванного засухой, начиная от оптимального здоровья и заканчивая тяжёлым стрессом.

Чтобы сделать результаты интерпретируемыми, IDSDS генерирует цифровую карту стресса (DSC), показывающую пространственное распределение стресса внутри растений. Эта прозрачность не только повышает доверие, но и позволяет фермерам понять, какая часть растения находится в состоянии стресса, почему и насколько сильно.

Выводы

Актуальность IDSDS обусловлена фоном климатических изменений. Нерегулярные осадки, длительные засушливые периоды и непредсказуемые погодные условия делают своевременное обнаружение стресса, вызванного засухой, крайне важным. Задержка в обнаружении приводит к потерям урожая, неэффективным мерам вмешательства и снижению устойчивости.

IDSDS предлагает путь к раннему, уверенному и масштабируемому обнаружению. Представьте себе фермера, который делает снимок ряда посевов с помощью смартфона, загружает его в систему и получает классификацию стресса вместе с картами пространственного распределения стресса.

Долгосрочная цель ясна: «Превратить каждую камеру в научный инструмент для повышения устойчивости сельскохозяйственных культур, а каждого фермера — в специалиста по принятию решений на основе данных», — говорит доктор Дас.

Когда мы начали этот путь, нашей целью было не просто создать ещё один алгоритм, но и переосмыслить то, как мы воспринимаем стресс, вызванный засухой, у растений. IDSDS воплощает это видение: сочетая доступность, точность и интерпретируемость в одной комплексной системе.

Доктор Суманта Дас — доцент Школы управления окружающей средой и стихийными бедствиями Образовательного и исследовательского института Миссии Рамакришны Вивекананды (RKMVERI), Индия. Он получил докторскую степень в области сельского хозяйства и продовольственной устойчивости в Университете Квинсленда, Австралия. Он обладает обширным опытом в области феномики растений, объединяя дистанционное зондирование и искусственный интеллект/машинное обучение, а также точное земледелие. Его академические и исследовательские интересы охватывают решение проблем сельского хозяйства и продовольственной безопасности, решение проблем устойчивого развития, снижение экологических и стихийных рисков, а также геопространственные технологии.

Источник