Гигабайты над полем не спасают урожай

Фото: Shutterstock

Беспилотник может за один полёт получить подробные данные о состоянии сельскохозяйственного поля и показать участки, которые отличаются от окружающей растительности. Но само отличие ещё не сообщает агроному его причину. Изменение спектрального сигнала может быть связано с обеспеченностью растений элементами питания, стадией развития, влажностью, повреждением или другими факторами, причём несколько причин способны проявляться сходным образом. Поэтому между съёмкой и агрономическим решением необходимы наземные измерения, обработка данных и проверка связи между тем, что зарегистрировал прибор, и реальным состоянием растений.

Такая схема используется в исследовательском проекте Российского научного фонда № 24-16-00203. Учёные объединяют мульти- и гиперспектральную съёмку посевов с агрофизическими, агрохимическими и биологическими измерениями непосредственно на поле. В 2025 году на посевах яровой пшеницы в Ленинградской области были заложены площадки с разной обеспеченностью почвы азотом, магнием и серой, а растения и почву исследовали в нескольких фазах развития. Параллельно в те же даты проводилась спектральная съёмка, чтобы связать характеристики изображения с измеренными параметрами растений.

В таких проектах беспилотная авиационная система становится инструментом сбора информации, а не самостоятельным «электронным агрономом». Аппарат доставляет камеру к нужной территории, позволяет повторять съёмку и получать сведения сразу о большой площади. Интерпретация начинается уже после полёта, когда результаты сопоставляют с наземными пробами и данными о самой культуре. Как устроена эта цепочка, почему увеличение количества спектральных каналов одновременно даёт новые возможности и усложняет обработку и какие специалисты работают между беспилотником и сельскохозяйственной техникой, рассказываем в рамках проекта «Как это работает?», реализуемого при поддержке Минобрнауки России в рамках Десятилетия науки и технологий.

Поле стало картой, но не инструкцией

Обычная цифровая камера работает прежде всего с видимой частью спектра — красным, зелёным и синим диапазонами. Такого изображения достаточно, чтобы увидеть крупные пропуски растений, полегание, изменение окраски или другую заметную неоднородность. Но одинаковый цвет не означает одинаковое физиологическое состояние, а изменение окраски не указывает автоматически на конкретную причину. Даже в научных системах дистанционного мониторинга спектральный показатель рассматривается как измерительный признак, который необходимо интерпретировать в контексте культуры и стадии её развития.

Мультиспектральная камера расширяет набор измеряемых диапазонов и может регистрировать ближнее инфракрасное излучение, невидимое человеческому глазу. Зелёная растительность интенсивно поглощает красный свет и значительно сильнее отражает ближний инфракрасный, поэтому сочетание этих диапазонов используется при расчёте вегетационных индексов. Один из самых распространённых — NDVI — рассчитывается по значениям красного и ближнего инфракрасного каналов и характеризует различия в «зелености» растительного покрова. USGS отдельно подчёркивает, что такие индексы являются оценочными показателями состояния поверхности, а не непосредственным измерением конкретного биохимического параметра растения.

Поэтому снижение или рост NDVI нельзя автоматически переводить в команду «полить» или «внести удобрение». На значение влияют количество зелёной биомассы и стадия развития растений, а изменения во времени могут отражать как стресс, так и естественную сезонную динамику. Дистанционный индекс позволяет обнаружить место, где поведение растительности отличается от ожидаемого, но дальнейшая диагностика требует дополнительной информации. Именно такое разделение между обнаружением внутриполевой неоднородности и установлением её причин заложено и в проект РНФ по точному земледелию.

Для более детального спектрального анализа используют гиперспектральные системы. В отличие от мультиспектрального прибора с несколькими сравнительно широкими каналами, они регистрируют большое количество узких соседних диапазонов и формируют практически непрерывную спектральную характеристику объекта. Такой набор данных позволяет искать более тонкие различия, связанные с физиологическими и биохимическими свойствами растений. Одновременно резко увеличиваются объём информации, её избыточность и требования к математической обработке.

Как исследователи смогли «увидеть» серу

В проекте РНФ возможности спектрального анализа проверяют на контролируемых полевых опытах. В хозяйстве «Остроговицкое» в Ленинградской области исследователи заложили площадки с различной обеспеченностью почвы азотом, магнием и серой. В 2025 году образцы растений и почвы брали в фазы кущения, выхода в трубку, колошения и цветения, а затем определяли содержание соответствующих элементов в лаборатории. Мульти- и гиперспектральную съёмку проводили одновременно с отбором проб, в том числе с помощью БАС «Геоскан» Gemini.

Отдельным результатом стал способ дистанционной оценки обеспеченности яровой пшеницы серой. Для эксперимента анализировали спектральные данные растений, выращенных при разных дозах серосодержащего удобрения, и сопоставляли их с фазой развития культуры. Всего исследователи обработали 127 200 оптических измерений, после чего статистическими методами выделили информативные спектральные признаки, связанные с уровнем серы. Результаты опубликованы в журнале «Современные проблемы дистанционного зондирования Земли из космоса» и представлены в 2026 году Санкт-Петербургским политехническим университетом.

— Используя математические методы обработки большого количества данных, нам удалось «увидеть» серу, — рассказал руководитель проекта, академик РАН Виктор Якушев.

Слово «увидеть» в данном случае не означает, что камера непосредственно фотографирует атомы серы в листе. Исследователи нашли статистически значимые особенности спектральных данных, связанные с уровнями обеспеченности растений этим элементом в условиях проведённого эксперимента. Для установления связи понадобились контролируемое внесение удобрений, спектральная съёмка, лабораторный анализ и статистическая проверка. Поэтому сам результат представляет собой метод измерения, разработанный на основе совмещённых дистанционных и наземных данных.

Та же работа показывает, почему нельзя игнорировать фазу развития культуры. В проекте РНФ специальные наборы данных формировались с привязкой к биохимическим параметрам и фенологическим стадиям растений. Спектральные свойства пшеницы меняются по мере её естественного развития, поэтому модель должна различать изменение, связанное с ростом растения, и изменение, связанное с исследуемым фактором. Снимки, полученные в разные даты, интерпретируются вместе с информацией о состоянии культуры в момент съёмки.

Почему больше спектральных каналов не всегда означает лучший результат

Гиперспектральное изображение содержит одновременно пространственную и спектральную информацию. Каждому участку изображения соответствует не три значения цвета, как в обычной фотографии, а десятки или сотни спектральных каналов. Такая структура позволяет обнаруживать различия, которые теряются в широких диапазонах мультиспектральной камеры, но создаёт проблему избыточности: соседние каналы могут содержать сильно коррелирующую информацию, а часть измерений искажается шумом. Исследователи относят предварительную обработку к ключевым этапам анализа таких данных.

В 2025 году специалисты Южного федерального университета представили метод Random Reflectance для предобработки гиперспектральных данных. Его проверяли на задаче классификации трёх видов клёна по лабораторным гиперспектральным изображениям листьев. Для алгоритма Random Forest относительный прирост F1-score в экспериментах разных лет составлял от 8,8 до 11,8%, а для Gradient Boosting — от 6,5 до 17,4%. Поэтому распространённую в пересказах формулировку «точность выросла на 15%» корректнее воспринимать как упрощённое описание отдельных результатов, а не как универсальную характеристику метода.

Российский научный фонд, рассказывая об этой работе, также указывает, что метод предназначен для уменьшения влияния шумов и выделения информативных спектральных характеристик. При этом сама научная публикация ограничивает эксперимент конкретной задачей классификации растений и прямо предусматривает дальнейшую проверку метода с другими алгоритмами. Поэтому результат нельзя переносить без дополнительных испытаний на любую культуру, камеру или задачу сельскохозяйственного мониторинга.

Проект РНФ № 24-16-00203 решает похожую проблему уже непосредственно для зерновых культур. В отчёте за 2025 год указано создание программного прототипа фильтрации гиперспектральных снимков яровой пшеницы и двух специализированных датасетов, привязанных к содержанию азота, магния и серы. Данные собирались одновременно со спектральной съёмкой и биохимическими измерениями, благодаря чему каждый цифровой пример получил физически измеряемую характеристику. Именно такие сопоставленные наборы необходимы для проверки алгоритма на агрономически осмысленной задаче.

Почему беспилотнику нужен специалист на земле

Воздушная съёмка позволяет обследовать значительную территорию значительно быстрее, чем последовательный осмотр каждого растения человеком. Однако положение камеры ограничивает доступные ракурсы, а спектральный отклик не всегда позволяет установить источник изменения. Наземное обследование решает другую задачу: специалист может рассмотреть отдельное растение с близкого расстояния, исследовать почву, взять образец и проверить предположение, возникшее после анализа снимка. Поэтому дистанционный мониторинг и контактная диагностика в исследованиях используются совместно.

Такое разделение функций применяется и в сельскохозяйственной робототехнике. В СПбГУ с 2025 года разрабатывают робота-агроскаута, который должен автоматически перемещаться по полям, собирать изображения зерновых и картофеля, искать признаки болезней, сорняки и насекомых-вредителей и получать сведения о верхнем слое почвы. В проекте используются алгоритмы искусственного интеллекта, а сама платформа должна строить карту территории и привязывать наблюдения к месту их обнаружения. Это разработка, а не серийная система: на официальной странице проекта её возможности сформулированы как задачи создаваемой машины и планы команды.

Особенность наземного робота разработчики связывают в том числе с возможностью получать изображения растений с разных сторон. Беспилотнику доступен преимущественно вид сверху, тогда как наземная платформа может приблизиться к растениям и обследовать участки, закрытые для воздушной камеры. Для отдельных вредителей и болезней такой ракурс способен дать дополнительную информацию, которую невозможно получить с высоты. При этом вывод о состоянии культуры всё равно формируется по результатам анализа данных и не сводится к факту проезда робота между рядами.

— Возможность производить сбор данных как сверху, так и снизу — ещё одно преимущество нашей разработки, — рассказал менеджер проекта Евгений Кручинин.

В проекте робота-агроскаута участвуют специалисты с разной подготовкой: программисты C++, инженер, специалист по базам данных и исследователи СПбГУ. На странице разработки перечислены студенты программ по программированию, искусственному интеллекту, машинному обучению и Big Data. Прикладная сельскохозяйственная задача здесь требует не одной нейросети, а сочетания механической платформы, навигации, сенсоров, базы данных и программ обработки. Для оценки агрономической достоверности результатов к этой технической цепочке требуется добавить специалистов по самим растениям и почвам.

Когда карта превращается в действие

Точное земледелие строится на различии условий внутри одного поля. В проекте РНФ его принцип описан как дифференциация технологических воздействий в соответствии с внутриполевой изменчивостью условий формирования урожая. Для этого сначала необходимо обнаружить неоднородность, затем количественно её описать и определить границы участков с различающимися характеристиками. Только после получения такой информации можно обосновывать различное воздействие на отдельные зоны.

Исследование серной обеспеченности пшеницы показывает один из возможных путей к такому решению. Если спектральный метод после проверки позволяет выделять участки с различным уровнем исследуемого элемента, эти сведения могут использоваться при планировании адресного внесения соответствующих удобрений. Авторы работы именно с такой задачей связывают практическую перспективу метода. Однако применение должно опираться на валидированную модель, а не только на визуальное различие участков на карте.

Тот же принцип ограничивает применение любого вегетационного индекса. NDVI показывает особенности отражения красного и ближнего инфракрасного излучения и помогает сравнивать растительность во времени и пространстве, но сам индекс не устанавливает конкретный дефицит элемента питания или возбудителя заболевания. USGS прямо отмечает, что вегетационные индексы являются оценками состояния поверхности и не привязаны автоматически к одному биофизическому параметру. Поэтому карта отклонений может служить основанием для дополнительной диагностики, но не заменяет её.

По мере накопления подтверждённых данных часть перехода от наблюдения к действию можно автоматизировать. Но для этого требуется заранее установить, какое измерение соответствует определённому состоянию культуры и какое технологическое воздействие допустимо при таком состоянии. Проект РНФ поэтому включает не только съёмку, но и статистический анализ, полевые опыты и лабораторные исследования. Без этой связки большой массив изображений остаётся источником признаков, а не готовым планом агротехнических мероприятий.

Почему одному алгоритму мало данных только из одного поля

Алгоритм машинного обучения выявляет закономерности в примерах, на которых его обучают. Если набор данных получен только для одной культуры, одной стадии развития или одного типа условий, область подтверждённой применимости модели остаётся соответствующей этому набору. Именно поэтому в проекте РНФ измерения проводят в нескольких фенологических фазах, создают тестовые площадки с различной обеспеченностью элементами питания и формируют специализированные датасеты. Такой эксперимент позволяет отделять часть факторов друг от друга и проверять устойчивость найденных спектральных признаков.

Большое количество исходных измерений само по себе эту проблему не решает. Если тысячи примеров описывают практически одинаковые условия, модель получает большой массив данных, но небольшое разнообразие ситуаций. В работе Южного федерального университета отдельной проблемой гиперспектрального анализа названы одновременно избыточность информации, шум, сильная корреляция соседних каналов и ограниченное число обучающих образцов. Поэтому подготовка данных включает не только их накопление, но и фильтрацию, отбор признаков и независимую проверку результата.

В сельскохозяйственной задаче к этому добавляется биология растения. Состояние культуры меняется по мере развития, а спектральный сигнал формируется под действием нескольких факторов одновременно. В исследовании серной обеспеченности учёные специально сравнивали данные между различными стадиями развития и уровнями внесения удобрения и статистически проверяли различия между группами. Такой способ работы позволяет устанавливать именно измеряемую закономерность, а не объяснять найденное алгоритмом различие уже после получения результата.

Поэтому специалисты по данным и представители предметной области работают над одной моделью с разных сторон. Программист отвечает за обработку и алгоритм, специалист по дистанционному зондированию — за свойства измерений, а агроном, агрохимик или физиолог растений определяет, какие наземные параметры необходимо проверить. При отсутствии одного из этих уровней модель может технически различать изображения, но её результат будет сложнее переводить в конкретную сельскохозяйственную характеристику.

Кто работает между камерой и агрономом

Первый блок профессий связан с самим беспилотником. Инженеры БАС занимаются конструкцией аппарата, навигацией и интеграцией полезной нагрузки, а специалисты по системам управления обеспечивают выполнение маршрута и получение данных в заданных условиях. От измерительной аппаратуры зависят диапазоны спектра, пространственная детализация и формат исходных данных. Поэтому даже до начала анализа требуется согласовать задачу наблюдения с возможностями конкретной камеры и летательной системы.

Второй блок относится к обработке информации. Здесь работают специалисты по компьютерному зрению, машинному обучению, геоинформационным системам и дистанционному зондированию. Они подготавливают изображения, связывают их с пространственными координатами, рассчитывают спектральные показатели и создают модели для классификации или количественной оценки параметров. Проект РНФ показывает, что при гиперспектральной съёмке к этим задачам добавляется статистический и вариограммный анализ больших массивов данных.

Третий блок формируют специалисты по предметной области. В исследовании яровой пшеницы вместе со специалистами по дистанционному зондированию работают исследователи, выполняющие агрохимические и биологические измерения. Образцы почвы и растений анализируют на содержание азота, магния и серы, после чего результаты связывают со спектральными данными. Таким способом цифровой признак получает проверяемое агрономическое содержание.

Состав команды наземного агроскаута СПбГУ отражает похожую междисциплинарность со стороны робототехники. В проекте участвуют разработчики программного обеспечения, специалист по базам данных и инженер, а сам робот должен соединять перемещение по полю, сенсорную информацию и алгоритмы искусственного интеллекта. Ни одна из этих компетенций не охватывает систему целиком, поэтому проекты цифрового сельского хозяйства развиваются на стыке БАС, робототехники, анализа данных и аграрных наук.

Где учиться обработке данных с беспилотников

В МАИ действует программа специализированного высшего образования 09.04.01 «Обработка данных полезных нагрузок беспилотных авиационных систем». В актуальном описании программы указаны обработка изображений на борту БПЛА, машинное обучение для данных полезной нагрузки, анализ результатов лётных испытаний и цифровая обработка разнородной бортовой информации. Обучение рассчитано на два года и сочетает программирование с изучением устройства беспилотной авиационной системы.

Программа не специализируется только на сельском хозяйстве. Те же компетенции нужны при мониторинге инфраструктуры, картографировании, поисковых работах и других задачах, в которых полезная нагрузка БАС собирает данные о внешней среде. Для работы именно с аграрной тематикой выпускнику дополнительно требуется понимание предметной области либо работа в междисциплинарной команде с агрономами и исследователями растений. Это соответствует устройству реальных научных проектов, где обработчики дистанционных данных работают совместно со специалистами, выполняющими наземные измерения.

Для дополнительной подготовки действует федеральный проект «Кадры для БАС». В 2025 году МАИ вновь вошёл в число его образовательных провайдеров и продолжил программы, связанные с проектированием, 3D-моделированием, программным обеспечением и эксплуатацией беспилотных систем. Проект ориентирован не на одну исходную специальность: дополнительное профессиональное образование позволяет развивать компетенции уже работающим специалистам. В 2026 году в МАИ также продолжилась подготовка кадров для БАС по отдельным профессиональным программам.

Опыт первого этапа проекта показывает и возрастной состав слушателей. В 2024 году 25% прошедших обучение в МАИ составляли студенты и специалисты до 25 лет, 65% — работающие специалисты из БАС, авиации, ИТ и других областей, ещё 10% были старше 50 лет. Эти данные относятся именно к конкретному набору программ федерального проекта и не устанавливают возрастную норму для отрасли, однако подтверждают возможность дополнительного входа в БАС после уже сложившейся профессиональной траектории.

В 2026 году цифровое земледелие развивается сразу на нескольких уровнях: проект РНФ связывает спектральную съёмку с биохимическими измерениями посевов, исследователи разработали метод дистанционной оценки содержания серы в яровой пшенице, СПбГУ продолжает проект наземного робота-агроскаута, а университетские программы готовят специалистов по обработке данных БАС. Во всех этих случаях результат возникает не на этапе получения максимального количества изображений, а после сопоставления измерений с реальным объектом и проверки метода на конкретной задаче. Поэтому объём собранной информации становится рабочим ресурсом только тогда, когда для него определены измеряемый параметр, способ проверки и дальнейшее применение.