An intelligent system for the remote monitoring of the phytosanitary state of agrobiocenoses under conditions of natural and climatic risk: scientific and methodological substantiation and development of the architecture
An intelligent system for the remote monitoring of the phytosanitary state of agrobiocenoses under conditions of natural and climatic risk: scientific and methodological substantiation and development of the architecture
Abstract
The relevance of the research is due to the need to move away from standardised agricultural practices towards spatially differentiated solutions in the context of risky farming.
The aim of the study is to develop and provide a scientific and methodological basis for a conceptual approach to the rational use of agrobiocenoses, ensuring the sustainability of crop production under conditions of high-risk farming, the preservation of soil fertility, and the production of plant-based raw materials meeting specified safety and processing quality standards.
The subject of the study is the agrobiocenoses of arable crops under conditions of increased climatic and spatial variability.
The methodological framework consists of the joint processing of data from unmanned automated systems, ground-based phytosanitary surveys and agrometeorological observations, as well as convolutional neural networks and geospatial analysis algorithms.
A conceptual architecture has been developed for an intelligent system for the remote monitoring of the development and phytosanitary state of agrobiocenoses during the active growing season. The system is designed to identify weeds, localise foci of their spread, detect visual signs of crop damage caused by pests and diseases, and generate spatially differentiated recommendations for biological control. A three-tier monitoring scheme has been suggested, comprising overview, detailed and confirmatory levels of observation. An algorithm is offered for converting classification and segmentation results into application maps for the local application of plant protection products, taking into account economic damage thresholds, product application regulations and technical limitations of the equipment.
1. Введение
Земледелие в условиях повышенного природно-климатического риска характеризуется нестабильностью урожайности, дефицитом или избытком влаги, температурными стрессами и рисками деградации почв. Унифицированные агротехнологии не всегда учитывают пространственную неоднородность полей и изменчивость погодных условий. Повышение устойчивости растениеводства в условиях континентального климата требует перехода от усредненного управления полем к пространственным и дифференцированным решениям. Неравномерность увлажнения, изменчивость температурного режима, неоднородность почвенного покрова и различия в развитии растений формируют внутри одного агробиоценоза участки с неодинаковой продуктивностью и фитосанитарной нагрузкой. Сплошная обработка таких участков по единой схеме не всегда соответствует фактической потребности в защитных мероприятиях
.Традиционные маршрутные обследования сохраняют диагностическую ценность, однако ограничены трудоемкостью и пространственным охватом. Дистанционный мониторинг позволяет чаще оценивать состояние агробиоценоза и локализовать неоднородности не обеспечивая достоверного установления их причин. Схожие изменения окраски и структуры растительного покрова могут быть связаны с засухой, дефицитом питания, болезнями, повреждением вредителями или нарушением агротехнологии. Применение методов цифрового мониторинга, алгоритмов прогнозной аналитики и дифференцированного управление агротехническими операциями позволяют адаптировать сельскохозяйственное производство к складывающимся условиям природно-климатических рисков
.Уход с рынка ряда зарубежных операторов программного обеспечения для точного земледелия и ограничения на использование зарубежных облачных сервисов диктуют необходимость создания отечественных аппаратно-программных комплексов, учитывающих локальную агрономическую специфику и нормативную базу. Внедрение подобных интеллектуальных систем наиболее экономически обосновано для крупных и средних сельскохозяйственных предприятий, возделывающих высокомаржинальные культуры, где стоимость беспилотного мониторинга и ИИ-аналитики многократно окупается за счет экономии средств защиты растений (СЗР) и сохранения урожая
.2. Методы и принципы исследования
Предлагается трехуровневая схема мониторинга, включающая:
- обзорный уровень — выявление неоднородностей развития посевов и зон потенциального неблагополучия;
- детализирующий уровень — съемка с пространственным разрешением, достаточным для распознавания целевых объектов;
- подтверждающий уровень — наземное обследование, учет вредных организмов и, при необходимости, лабораторная диагностика.
Спутниковые изображения могут использоваться для общего анализа динамики растительного покрова. Основным источником данных для распознавания отдельных растений и локальных повреждений предполагается беспилотная и наземная съемка. Возможность обнаружения конкретного объекта должна устанавливаться экспериментально с учетом его размера, контрастности и фактического пространственного разрешения
.Состав и структура информационно-аналитической базы представлены в таблице 1.
Состав и структура информационно-аналитической базы
по ист. [5], [6], [7], [8]
Группа данных | Содержание | Назначение |
RGB-изображения | Цветные изображения посевов и отдельных растений | Распознавание культурной и сорной растительности, видимых повреждений |
Мультиспектральные данные | Спектральные каналы, включая ближний инфракрасный и канал красного края при наличии соответствующего сенсора | Анализ неоднородности растительного покрова и признаков стресса |
Наземные обследования | Видовой состав, плотность сорняков, численность вредителей, распространенность и развитие болезней | Формирование эталонной разметки и подтверждение диагностики |
Агрометеорологические данные | Температура, осадки, влажность, ветер и другие доступные показатели | Интерпретация динамики состояния растений и ограничение условий обработки |
Агротехнологические данные | Культура, сорт, сроки сева, предшественник, внесенные удобрения и средства защиты | Учет истории поля и возможных причин наблюдаемых изменений |
Геопространственные данные | Границы поля, рельеф, защитные зоны, препятствия | Построение карт и планирование операций |
Данные исполнительной техники | Рабочая ширина, характеристики секций или форсунок, задержки управления, точность навигации | Адаптация карты-задания к фактическим возможностям обработки |
Алгоритм, представленный на рисунке 1 отражает принцип последовательного уточнения диагностики от общего обзора к точечной верификации, что снижает риск ложных срабатываний системы. На верхнем уровне осуществляется обзорный мониторинг с использованием спутниковых снимков и обзорных полетов БПЛА для выявления зон потенциального стресса. На среднем уровне выполняется детализирующая съемка с высоким пространственным разрешением для распознавания объектов и локальных повреждений. На нижнем уровне проводится наземное обследование и лабораторная диагностика для верификации причин аномалий и формирования эталонной разметки
, .
Трехуровневый алгоритм мониторинга фитосанитарного состояния агробиоценозов

Состав и взаимосвязь исходных данных интеллектуальной системы
Модульная архитектура интеллектуальной системы мониторинга, представленная на рисунке 3, включает следующие модули: прием и хранение данных, контроль качества и предобработка нейросетевой анализ и пространственно-временной анализ, оценка неопределенности, агротехнологический модуль поддержки решений, модуль формирования карт-заданий.

Модульная архитектура интеллектуальной системы мониторинга агробиоценоза
Алгоритм обработки входного RGB-изображения высокого разрешения представлен на рисунке 4. Параллельно выполняются сегментация (выделение маски признаков «Растительность, Фон, Сорняк») и детекция (поиск дефектов развития). После геоинформационной привязки и наложения масок система оценивает точность модели. При точности («accuracy») более 75% объект переводится в категорию «Вероятный объект» для включения в карту-задание. При точности менее 75% формируется задание на наземную проверку. Результатом является формирование карт геопространственных аномалий развития агробиоценоза. Порог точности классификации «accuracy» более 75% для перевода объекта в категорию «Вероятный объект» для карты-задания обоснован экспертной оценкой агрономов: при более высоком пороге (например, 90%) система будет генерировать избыточные задания на наземную проверку, сводя на нет экономию труда; при более низком — возрастет риск ложноположительных срабатываний и неоправданного внесения химии
.
Алгоритм применения методов компьютерного зрения для диагностики фитосанитарного состояния

Алгоритм двухступенчатой агрономической верификации результатов нейросетевого анализа

Архитектура нейронной сети U-Net для семантической сегментации агробиоценозов
Критерии технологической, экономической и экологической оценки интеллектуальной системы мониторинга агробиоценозов
Направление | Показатели |
Диагностическое | Полнота обнаружения значимых очагов, частота ложных срабатываний, качество локализации |
Технологическое | Доля корректно выполненного задания, пропуски, перекрытия, отклонение фактической дозы |
Агрономическое | Эффективность подавления вредных объектов, состояние культуры, урожайность и качество сырья |
Ресурсное | Обработанная площадь, расход препарата, воды, топлива, затраты труда |
Экономическое | Совокупные затраты, стоимость сохраненной продукции, изменение экономического результата |
Экологическое | Масса действующих веществ, показатели риска для нецелевых объектов, остаточные количества в продукции |
3. Заключение
Предложена архитектура интеллектуальной системы дистанционного мониторинга развития и фитосанитарного состояния агробиоценозов, объединяющая беспилотную съемку, наземные обследования, сверточные нейронные сети и геопространственный анализ. Основой системы является последовательное разделение задач обнаружения признаков, подтверждения их причин и принятия решения о защитном мероприятии. Такой подход позволяет учитывать ограничения компьютерного зрения и снижать риск необоснованного применения средств защиты растений. Для поиска сорной растительности предложена схема семантической сегментации с последующим выделением очагов и анализом их многовременной динамики. Для мониторинга болезней и повреждений вредителями предусмотрено сочетание дистанционного выявления подозрительных участков с уточняющей диагностикой. Формирование карт-заданий должно выполняться с учетом агротехнологической необходимости, действующих регламентов, неопределенности распознавания и технических возможностей оборудования. Обязательным элементом является контроль фактического выполнения и последующей биологической эффективности. Результативность системы подлежит подтверждению в независимых полевых испытаниях. Критерием ее успешности следует считать не только точность распознавания, но и обоснованность решений, сохранение урожайности и качества сырья, ресурсную эффективность и подтвержденное снижение негативного воздействия на окружающую среду.
