Компьютерное зрение и мультиспектральные снимки для почвенного анализа

AI анализ почвы: где ломается полевая диагностика

Ручной отбор проб устроен просто: одна-две точки на несколько гектаров и один визит за сезон. Точность полевых замеров при этом упирается не в прибор, а в неоднородность участка — на одном поле соседствуют зоны с разной гранулометрией, влагоудержанием и остаточным питанием. Средняя по редким точкам не описывает ни одну из них, но именно по ней строят карту внесения на всю площадь.

Второй сбой — несопоставимость замеров между сменами и подрядчиками. Разная глубина отбора, разная влажность на момент замера, разная тара и время до лаборатории дают разброс, который потом читают как динамику. Без опорной пробы и единого порядка калибровки два отчёта за соседние месяцы сравнивать нельзя: тренд оказывается шумом, а ошибки ручного отбора проб накапливаются в базе и переносятся в решения.

Третий — решения по неполным данным. Часть точек теряется, часть полей закрыта облачностью в момент съёмки, часть участков просто не обошли. Пропуски достраивают интерполяцией, и на карте появляются зоны, которых в поле нет; по ним вносят материал и получают перерасход там, где он не нужен.

Диагностика состояния почвы ломается не на модели, а на входных данных: редкая сетка, несведённые калибровки, дыры в покрытии. AI анализ почвы перестаёт быть гаданием только тогда, когда замеры привязаны к координатам, сведены по влажности и глубине, а карта честно показывает, где данных нет. Разбираем, как это закрывается на практике.

Измеримый эффект: скорость, точность, охват

Эффект считаем до старта: фиксируем базовые значения по трём метрикам — время обследования поля, доля площади под регулярным наблюдением и сходимость карты состояния с контрольными пробами. После ввода в работу сравниваем с теми же метриками, поэтому спор «стало лучше» переводится в числа, а не в впечатления от демонстрации.

Что меняется в цифрах

Скорость обследования полей задаёт маршрут съёмки, а не количество выездов. Один проход по контуру закрывает участок сплошным покрытием, тогда как ручной отбор проб растягивает работу на недели, а часть полей не попадает в план вовсе.

Точность карт состояния проверяем на контрольных пробах, которые не участвовали в построении модели. Если расхождение по ключевым показателям выходит за допуск, участок переснимают в другом режиме — поэтому доля повторных замеров снижается, а не растёт вместе с площадью.

Охват площади съёмкой перестаёт упираться в трудоёмкость: под наблюдением оказывается весь контур, а не выборочные 10–15% полей. Наземные пробы остаются для калибровки и спорных зон, а не как основной способ получить данные.

Актуальность данных о почве держится на регулярной съёмке: открытые мультиспектральные снимки Sentinel-2 дополняют облёт полей там, где нужна свежесть между кампаниями. Класс ошибок «решение принято по прошлогодней карте» уходит — состояние участка видно на текущий сезон.

Сравнение подходов к съёмке и обработке данных

Выбор способа съёмки определяют три параметра: площадь поля, требуемая детализация карты и частота обновления. Лабораторная проба даёт эталонный состав, но описывает точку, а не поле. Дистанционные методы покрывают всю площадь, однако их показания привязывают к наземным измерениям — иначе карта остаётся красивой, но недоказуемой.

На практике выбирают между четырьмя рабочими схемами и их сочетанием.

Гибридная схема обычно выигрывает: спутниковые снимки полей дают регулярный фон и обзор, съёмка с беспилотника уточняет проблемные зоны за считанные часы, а ручной отбор проб калибрует модель и подтверждает выводы. После калибровки расхождение между прогнозом и лабораторией падает в несколько раз — карта становится основой решений, а не иллюстрацией. Опишите площадь и частоту контроля: вернёмся с оценкой и планом съёмки.

Этапы внедрения: от аудита почвы до передачи модели

Порядок работ строится от данных, а не от модели: сначала мы понимаем, что уже известно об участках, и только затем выбираем сенсоры и режимы съёмки. Такой порядок экономит недели на пересъёмке и не даёт обучить модель на признаках, которых в поле нет. Ниже — этапы, по которым идёт внедрение мониторинга полей.

1. Аудит участка и данных. Проверяем границы полей, историю культур, имеющиеся обследования и карты урожайности. Фиксируем, что именно нужно измерять и с какой периодичностью.
2. Схема съёмки участка. Подбираем носитель, высоту и перекрытие кадров, спектральные каналы и точки привязки, привязываем съёмку к фенофазе. Получается маршрут, воспроизводимый в следующем сезоне.
3. Сбор и разметка полевых данных. Снимки приводим к единой проекции и калибруем по эталону, затем размечаем контуры полей, зоны угнетения и точки отбора проб. Разметку проверяет второй специалист — расхождения разбираем до обучения.
4. Обучение и настройка модели. Учим модель на размеченном наборе, отдельно настраиваем пороги чувствительности под культуру и тип почвы. По каждому полю сохраняем показатели качества, чтобы видеть границы применимости.
5. Проверка на контрольных участках. Прогоняем модель на полях, не попавших в обучение, и сверяем результат с лабораторными пробами. Ошибку считаем по каждому показателю отдельно и фиксируем в отчёте.
6. Передача решения заказчику. Отдаём модель, схему съёмки, скрипты обработки и регламент обновления, настраиваем выгрузку карт в вашу систему. Обучаем агрономов и ИТ-команду — решение остаётся рабочим без нас.

Документация, модели и регламенты обработки

Модель без документации быстро превращается в чёрный ящик: через сезон уже никто не помнит, на каких снимках она обучена и почему на одном участке даёт уверенный прогноз, а на соседнем — нет. Поэтому вместе с результатом передаём пакет, по которому задачу продолжит ваша команда или другой подрядчик.

• Паспорт модели — какие каналы съёмки подаются на вход, как нормируются значения, какой порог уверенности считается рабочим и на каких участках ошибки предсказуемы.
• Правила подготовки снимков — калибровка, отсечение облачности и теней, приведение к единой сетке координат и порядку каналов: новый снимок проходит тот же путь, что и обучающий набор.
• Карты состояния почвы — послойно по показателям (влага, органическое вещество, уплотнение), с контурами проблемных зон, легендой и единицами измерения.
• Регламент повторных съёмок — окно сезона и фаза развития культуры, при которых сравнение с предыдущим сезоном корректно, и допустимый разброс условий съёмки.
• Инструкции для полевой команды — контрольный список перед выездом, реперные точки на участке, маркировка рядов, действия при облачности и сдвиге сроков.
• Регламент обновления модели — когда накопленных данных достаточно для переобучения и как проверяется, что качество прогноза не просело.
• Журнал версий — что изменилось, на каком наборе проверялось, какие метрики получены и к какому участку применима конкретная версия.

Пакет собран так, чтобы через сезон не пришлось восстанавливать логику по переписке: по этим документам новый инженер повторяет обработку, сверяет результат с эталонными картами и продолжает съёмки без нас.

Кейс: точность диагностики до и после внедрения

Хозяйство с полями разной длины гона и неоднородным плодородием: часть участков держала урожайность, часть проваливалась по краям и в понижениях рельефа. Диагностику вели ручными выборками — один смешанный образец на несколько десятков гектаров, раз в сезон. Проблемные зоны находили по факту, когда растения уже отставали в развитии, а отдельные пятна в выборку не попадали вовсе.

Что изменили

Перешли на регулярную съёмку: мультиспектральные снимки Sentinel-2 дополняли облётом спорных квадратов, кадры приводили к единой сетке и калибровали по наземным измерениям. Дальше — расчёт индексов вегетации по спектральным каналам и классификация на зоны: стабильные, угнетённые, требующие проверки. На выходе — карты по всей площади поля, а не по отдельным точкам, и послойное сравнение снимков между датами.

Что подтвердили метрики

• Покрытие: точечные пробы на доле процента площади → карта по всему контуру поля.
• Срок выявления: проблемные зоны становились видны на 2-3 недели раньше, до внешних признаков угнетения.
• Сходимость: расхождение прогноза с наземным контролем сократилось примерно с четверти до 8-10%.
• Динамика: состояние каждого участка видно в одном ряду дат — устойчивый тренд отделяется от сезонных колебаний.
• Выезды агронома стали адресными: проверяются зоны с расхождением, а не всё поле целиком.

Ключевое в кейсе — не разовый снимок, а регулярность: именно серия дат даёт динамику состояния участков и позволяет планировать работы по зонам, а затем проверять, подействовало ли внесённое решение.

Чем отличается мультиспектральная съёмка от обычной?

Обычная камера фиксирует три широких канала — красный, зелёный, синий — и смешивает их в привычную картинку. Такая съёмка уверенно отвечает на вопросы «где граница поля», «какой контур листа», «есть ли тень», но состояние растений в ней почти не читается: два участка с разным содержанием хлорофилла дают близкий цвет, а разница тонет в балансе белого и переменном освещении.

Мультиспектральная съёмка делит тот же участок спектра на узкие диапазоны и добавляет ближний инфракрасный и красный край. Именно здесь появляются вегетационные признаки, которых нет в цветной картинке: сдвиг красного края, соотношение отражения в инфракрасном и красном каналах, глубина водных полос поглощения. Угнетённое растение меняет эти соотношения заметно раньше, чем становится визуально жёлтым, поэтому стресс ловится на этапе, когда решение ещё дешёвое.

С грунтом логика та же. Органическое вещество, влажность, засоление и минеральный состав по-разному проявляются в отдельных спектральных каналах и почти не различимы в трёх широких. Поэтому сравнение типов съёмки — это не про «лучшую камеру», а про то, какие физические свойства поверхности вообще попадают в измерения и какие остаются невидимыми.

Для модели критичны не сами снимки, а согласованность данных: каналы, совмещённые по геометрии, радиометрическая калибровка под меняющееся солнце, привязка к наземным пробам агрохимии. Без этого признаки смещаются между вылетами, и сеть учится на освещении вместо состояния почвы. Цветная съёмка при этом не выбрасывается — по ней строят маски посадок и геометрию, на которые накладываются спектральные слои.

Технические сомнения перед стартом проекта

Сомнения на этапе оценки обычно касаются не алгоритмов, а устойчивости результата на реальном поле. Ниже — короткие ответы по пунктам, которые чаще всего всплывают до старта. Если что-то расходится с вашим контуром, разберём отдельно.

Что делать с облачностью и тенями?

Съёмка планируется в окна с минимальным покрытием, кадры с облачными тенями отбраковываются по маске. Карта собирается из нескольких проходов за сезон — берутся только чистые участки. Если окно не закрывается, непокрытые зоны помечаются на карте, а не достраиваются по догадке.

Как снимки стыкуются с лабораторными пробами?

Точки отбора привязываются к координатам, каждая проба получает индекс зоны и дату. Спектральные значения берут из снимка, ближайшего по времени к отбору, — иначе влажность и фаза роста дают смещение. На выходе таблица соответствий, по которой расчёт можно перепроверить.

Как часто нужна съёмка?

Для карт плодородия хватает двух-трёх проходов за сезон: до посева и в ключевые фазы роста. Под подкормку по зонам съёмку берут чаще, но калибровка всё равно опирается на наземные пробы — частота съёмок их не заменяет.

Кому принадлежат данные и модель?

Данные, разметка и обученная модель остаются вашими и передаются в открытых форматах с описанием признаков. Облачный контур оформляется на ваши учётные записи, наши доступы закрываются после сдачи проекта.

Обсудим задачу: какие данные подготовить к старту

До разговора полезно собрать то, что определит объём работ: от полноты исходных данных зависит, сможем ли мы сразу посчитать этапы и не закладывать лишние итерации на уточнение. Ниже — минимальный набор, которого обычно хватает, чтобы перейти от обсуждения задачи к плану работ и оценке.

• Границы участков — векторные контуры полей в любом удобном виде: GeoJSON, shape-файл, выгрузка из агро-платформы, треки объезда или точки по углам. Если точных границ нет, восстановим по снимкам.
• История обработки полей за несколько сезонов: культуры, даты сева и уборки, внесённые удобрения и средства защиты. Это то, с чем модель сверяет спектральные признаки.
• Прошлые замеры: протоколы агрохимического анализа, точки и даты отбора проб, результаты по отдельным полям. Даже разрозненные данные дают калибровку.
• Архив снимков, если он есть: мультиспектральные съёмки с дрона или спутниковые сцены за прошлые сезоны с датами. Не критично — при отсутствии соберём сами.
• Сопутствующие слои: почвенные карты, рельеф, зоны увлажнения, данные ближайших метеостанций.
• Люди на местах: кто подтвердит границы, проведёт отбор проб и сопроводит на поле, кто отвечает за агрономию и будет принимать результат.

Из этого набора мы собираем план работ: этапы съёмки и калибровки модели, перечень карт на выходе, сроки и оценку трудозатрат. Опишите задачу — вернёмся с планом и оценкой.