В поле выходит цифровой агроном

Ученые Кокшетауского университета имени Шокана Уалиханова разработали платформу на основе нейросетей и дронов для точного определения зрелости кормовых культур.

Современное сельское хозяйство невозможно представить без цифровых технологий. Искусственный интеллект, беспилотные летательные аппараты постепенно меняют облик полей, делая работу фермеров более предсказуемой и урожайной. Молодые ученые Кокшетауского университета имени Шокана Уалиханова совместно с командой Института умных систем и искусственного интеллекта (ISSAI) в течение двух лет проводили масштабные исследования в Акмолинской области.

“Северный Казахстан – регион с резко континентальным климатом, где короткое лето и неустойчивый режим осадков диктуют жесткие сроки полевых работ. Для животноводческих хозяйств, особенно тех, кто работает с высокопродуктивной голштинской породой коров, качество кормов имеет решающее значение. От того, насколько правильно выбран момент укоса таких культур, как овес, горох, вика или суданская трава, зависит питательная ценность корма и, в конечном счете, надои молока. Традиционный метод оценки зрелости заключается в визуальном осмотре и ручном отборе проб. При больших площадях и разнообразии культур такой подход отнимает много времени и не всегда объективен. Именно здесь на помощь приходят технологии точного земледелия. Ученые Кокшетауского университета предложили решение, которое объединяет возможности беспилотников, мультиспектральной съемки и передовых алгоритмов искусственного интеллекта”, – рассказывает ассоциированный профессор, руководитель департамента науки и подготовки научных кадров Марден Байдалин.

Исследования проводились в течение вегетационных периодов 2024 и 2025 годов на базе ТОО “Жаксылик АГРО” в Зерендинском районе. Для сбора данных использовался мультиспектральный дрон DJI Phantom 4 Multispectral, который в отличие от обычной камеры фиксирует не просто изображение в привычном RGB-формате, а пять спектральных диапазонов.

На основе этих данных ученые сформировали карты вегетационных индексов, каждый из которых по-своему чувствителен к состоянию растений: один лучше показывает плотность растительного покрова, другой – содержание хлорофилла, третий – ранние признаки старения. Вместе они дают полную картину физиологического состояния посевов.

Команда исследователей разработала и обучила нейронную сеть на основе архитектуры ResNet-18. Эта модель глубокого обучения анализирует не усредненные показатели, а пространственные карты индексов, сохраняя всю детализацию каждого участка. Точность прогнозирования для индекса зрелости культур составила коэффициент детерминации R² = 0,985, а погрешность оценки не превысила 1,09%. Это означает, что искусственный интеллект способен определять момент оптимальной готовности кормов к уборке практически с лабораторной точностью.

“Результаты работы должны быть доступны аграриям, поэтому мы разработали веб-платформу поддержки. Пользователю достаточно загрузить пять мультиспектральных снимков в формате TIFF, полученных с дрона. Система автоматически вычисляет индексы растительности, запускает обученную нейросеть и выдает результат. На интерактивном графике отображается прогнозируемая траектория созревания культуры. Цветовая индикация показывает, на какой стадии находится поле: красный цвет – до начала уборочной кампании, зеленый – в оптимальное время укоса, фиолетовый – послеуборочная стадия”, – делится Марден Байдалин.

Платформа также позволяет вести мониторинг в динамике. Загружая данные с дрона последовательно, в течение всего сезона, агроном может накапливать фенологическую историю поля и видеть, как меняется состояние культур день ото дня. Это дает возможность своевременно корректировать планы и выходить в поле именно тогда, когда кормовая масса содержит максимум питательных веществ.

Разработка кокшетауских ученых вписывается в мировой тренд внедрения искусственного интеллекта в аграрный сектор. Сегодня ИИ становится ключевым инструментом для решения задач, которые раньше требовали огромных временных и трудовых затрат: оценка зрелости культур, прогнозирование урожайности, обнаружение болезней растений. Достоинства такого подхода – в его масштабируемости. Фермер получает объективные данные по всему полю, а не по нескольким точечным пробам. Система не зависит от человеческого фактора и может работать с любыми типами смесей кормовых культур.

В планах команды – дальнейшее расширение базы данных. Сбор мультиспектральных снимков в течение нескольких сезонов позволит сделать модель еще более устойчивой к различным погодным условиям. Также рассматривается возможность включения в систему других типов сельскохозяйственных культур и прогнозирования дополнительных параметров, таких как биомасса и урожайность.