От состояния осушительных мелиоративных систем зависит продуктивность возделываемых сельскохозяйственных культур. Деградация осушительных мелиоративных систем приводит к избыточному переувлажнению почв и потере урожайности. При ремонте и реконструкции осушительных систем необходимо опираться на проектные схемы и карты мелиоративных систем, которые, к сожалению, в большинстве случаев утеряны. Использование данных дистанционного зондирования позволяет эффективно определять расположение осушительных дренажных систем и их неисправности. В работе рассмотрены основные этапы получения и обработки данных дистанционного зондирования с помощью беспилотного летательного аппарата, которые используются для определения местоположения осушительной дренажной системы на сельскохозяйственном поле. Для решения этой задачи использовались нейросетевые архитектуры: базовая и модифицированная U-Net, а также TransUNet. Для обучения нейросетей была произведена разметка аэрофотоснимков, применены алгоритмы увеличения количества обучающих изображений. Были проведены вычислительный эксперимент и качественное сравнение работы выбранных нейросетевых архитектур.
Введение
Сельское хозяйство в нашей стране развивается в различных климатических зонах: от избыточно увлажненных до острозасушливых. Дефицит атмосферных осадков наблюдается на 80% площади земель, используемых в сельскохозяйственном производстве, свыше 10% пахотных земель размещено в зоне избыточного увлажнения. В засушливые и избыточно влажные годы не реализуется потенциал высокопродуктивных сортов сельскохозяйственных культур, интенсивных аграрных технологий, что приводит к снижению урожайности культур и валового сбора сельскохозяйственной продукции. Риски снижения продуктивности угодий связаны с рядом неблагоприятных природно-климатических и антропогенных факторов.
Из имеющихся сельскохозяйственных угодий значительные площади (более 70%) подвержены различным процессам деградации: водной и ветровой эрозии, подтоплению и заболачиванию, засолению, подкислению, закустариванию, опустыниванию и другим негативным процессам. Ежегодный недобор сельскохозяйственной продукции составляет до 47,0 млн тонн зерновых единиц, в том числе: засуха — 24,1 млн тонн; деградация почв земель сельскохозяйственного назначения — 21,7 млн тонн, из них водная эрозия — 13,2 млн тонн, ветровая эрозия — 4,7 млн тонн и др.
Мелиорация земель является одним из главных приемов интенсификации и стабилизации сельскохозяйственного производства, гарантирующих получение эколого-экономически целесообразного урожая при любых сложившихся погодных условиях, предотвращения неблагоприятного воздействия климатических изменений и (стабилизации) повышения устойчивости сельскохозяйственного производства.
Следует отметить, что статистические данные практически всех регионов свидетельствуют о том, что мелиорированные земли, составляя менее 8% площади пашни, в различные годы дают от 10 до 20% всего урожая.
Одним из основных природных факторов, сдерживающих развитие сельскохозяйственного производства в Нечерноземной зоне России, является переувлажнение и заболачивание сельскохозяйственных угодий. Задача продовольственной безопасности Российской Федерации может быть решена только при широком развитии комплексных сельскохозяйственных мелиораций и дальнейшего подъема и интенсификации сельского хозяйства Нечерноземной зоны РФ. Одновременно с высокой агротехникой мелиорация земель призвана сыграть основную роль в улучшении водно-воздушного режима почв, создании оптимальных условий для роста и развития растений, в превращении земель Нечерноземной зоны РФ в высокопроизводительные сельскохозяйственные угодья. Для решения этих задач наиболее перспективными сегодня являются фундаментально-прикладные разработки в области оценки и управления агроклиматическими рисками; управления водным стоком на сельскохозяйственных угодьях и двойного регулирования водного режима мелиорируемых земель, а также агромелиоративной обработки почв; восстановление эффективного плодородия почв мелиорированных земель и дистанционного мониторинга агромелиоративного состояния сельскохозяйственных земель и состояния объектов осушительной сети для решения задач управления земельными ресурсами и восстановления работоспособности осушительных систем.
Для восстановления работоспособности осушительных систем необходимо наличие схем и карт мелиоративных систем, которые в большинстве своем утеряны. Дистанционные методы позволяют эффективно определять расположение дренажных систем и их неисправностей. На фотоснимке поверхности вспаханного поля дренажные линии видны в виде белых (за счет более быстрого просыхания почвы над дренами) или темных линий (за счет более интенсивного развития растительности над дренами).
Определение расположения дренажных линий дистанционными методами в пять-шесть раз дешевле наземных способов. В советское время эти подходы получили широкое распространение при картировании старых дренажных систем, когда отсутствуют схемы и документация, но выполнялись они вручную на основе аэрофотосъемки с летательных аппаратов. В последние десятилетия с развитием информационных и коммуникационных технологий появилась возможность подключения нейросетевых алгоритмов к задаче обработки большого количества изображений и поиска на них интересующих объектов. Применение нейросетей при оценке состояния дренажных систем позволяет решить две практические задачи: выявить местоположение дренажных линий и составить план дренажных систем, если таковые отсутствуют; выявить площади, подвергшиеся наиболее длительному переувлажнению и тем самым обнаружить неисправные части дренажной системы.
Цель исследований
Исследовать возможности использования современных нейросетевых подходов к анализу результатов аэрофотосъемки сельскохозяйственных полей для мониторинга состояния осушительных мелиоративных систем.
Материалы и методы
Работы по мониторингу и оценке мелиоративного состояния полей проводились авторами на опытных полях Меньковского филиала Агрофизического института (Ленинградская область, Гатчинский район, д. Меньково), а именно мониторинг осушительной мелиоративной сети. Общая площадь хозяйства составляет 538 га, координаты центра хозяйства 59°25’ с. ш. 30°01 ’ в. д.
Для получения данных дистанционного зондирования о состоянии мелиоративных объектов использовалось беспилотное воздушное судно (БВС) Геоскан 401 с установленными на борту двумя цифровыми камерами Sony RX-1 и Sony А6000, а также программное обеспечение Agisoft Metashape. Беспилотный комплекс позволяет оперативно получать качественную дистанционную информацию о состоянии объектов мелиоративных систем.
Процесс получения данных дистанционного зондирования с помощью БВС состоит из трех основных этапов.
- Построение плана полета.
В специализированном программном обеспечении планирования полетов Geoscan Planner 2.8 отмечаются границы территории, которую необходимо обследовать, задается требуемое разрешение конечного снимка и процент перекрытия снимков, после чего рассчитывается высота полета и автоматически формируется план полета. В результате сформированный план загружается в память БВС.
- Полет и съемка.
В имеющейся комплектации этот этап полностью автоматизирован. После проведения предстартовой подготовки взлет и посадка производятся автономно. В процессе полета БВС автоматически делает снимки с помощью бортовой камеры. Для каждого снимка записывается координата, где была произведена съемка. Также, установленный на борту БВС GNSS-приемник регистрирует сигналы, поступающие от спутников глобальной системы позиционирования.
- Обработка результатов аэрофотосъемки.
Программное обеспечение Agisoft Metashape позволяет из мозаики полученных изображений автоматически построить ортофотоплан в формате Geotiff и цифровую модель местности. За счет того, что на БВС установлен двухчастотный GNSS-приемник, постобработка сигналов глобальной системы позиционирования позволяет получать ортофотопланы сантиметровой точности. На рисунке 1 показан фрагмент полученного изображения сельскохозяйственного поля с осушительной мелиоративной системой.
Рисунок 1. Фрагмент сельскохозяйственного поля с осушительной дренажной системой
Отсутствие документации на обследуемый участок осушительной мелиоративной сети, а также интерес к автоматизации процесса восстановления схемы дренажа, авторами была предпринята попытка применения методов машинного обучения для обработки аэрофотоснимков. До появления нейросетевых моделей существовало множество традиционных методов, предназначенных для решения задач классификации и семантической сегментации изображений. Типичные традиционные алгоритмы включают методы на основе порога, методы на основе кластеризации, случайный лес и метод опорных векторов.
Из-за отсутствия возможности обобщения традиционные алгоритмы сегментации трудно применить для практических приложений. Методы глубокого обучения широко используются в области поиска объектов на изображении из-за их превосходной производительности. Их практическое применение включает в себя классификацию, обнаружение и семантическую сегментацию.
Полносверточная нейронная сеть (Fully Convolution Network) предоставляет ключевые идеи для разработки архитектуры кодировщик-декодер. Важная идея состоит в том, чтобы ввести изображение произвольного размера и получить вывод того же размера за счет эффективного обучения и вывода модели. В таких архитектурах полносвязный слой заменен сверточным слоем. Чтобы сохранить тот же размер, что и исходное изображение для процесса сегментации, слой деконволюции используется для билинейной интерполяции карты признаков. Классификация выполняется для каждого пикселя, и пространственная информация сохраняется.
Результаты и обсуждение
Для обучения нейросети был создан набор размеченных данных, который содержал 510 изображений, размеченных на уровне пикселей (осушенный, не осушенный). Изображения имеют размер 256*256 пикселей с пространственным разрешением 10 см и тремя каналами (RGB).
Набор данных был разделен на 256 обучающих изображений, которые были увеличены до 3072 и 254 проверочных изображений. Для увеличения количества обучающих изображений был применен алгоритм аугментации, который включает в себя горизонтальные и вертикальные перевороты и случайное вращение, регулировку яркости и масштабирование исходных изображений.
Для обучения использовали три распространенные сверточные нейросети: базовую U-Net, модифицированную U-Net и TransUNet.
Базовая U-Net представляет собой сверхточную нейронную сеть, которая изначально создавалась для анализа медицинских изображений, но впоследствии нашла применение во многих сферах, в которых требуется сегментация изображений. Базовая U-Net обучалась в течение 500 эпох с ранней остановкой при потере проверки и 50-кратной выдержкой, пока не достигла потери при обучении 0,37 и потери при проверке 0,46.
Усовершенствованная U-Net была обучена на 100 эпохах. Начальная скорость обучения установлена на 0,001, которая уменьшается вдвое каждые 16 эпох. Модель содержит около миллиона параметров.
TransUNet включает в себя кодер и декодер для кодирования и декодирования информации об изображении с целью получения сегментации. В отличие от традиционных сетей U-Net, TransUNet использует гибридную архитектуру сверточная сеть-трансформер в качестве кодировщика для получения, как информации о пространственных параметрах высокого разрешения от сверточной сети, так и сведений глобального контекста от трансформеров. Архитектура кодера усовершенствована с помощью пропускных соединений, чтобы сохранить низкоуровневые функции для таких задач, как сегментация. В результате получается архитектура, подобная U-Net.
Количественные результаты вычислительных экспериментов можно увидеть в таблице (табл. 1). Базовая модель U-Net обеспечивает наилучшую валидационную потерю, однако с точки зрения сходимости и точности улучшенная модель U-Net и TransUNet превосходят базовую модель, причем TransUNet превосходит базовую и улучшенную U-Net по обоим показателям.
Таблица 1. Результаты вычислительного эксперимента
| Архитектура | Валидационная потеря | Коэффициент сходимости | Точность |
| Базовый U-Net | 0,46 | 0,55 | 0,76 |
| Модифицированный U-Net | 0,79 | 0,68 | 0,80 |
| TransUnet | 0,79 | 0,70 | 0,81 |
В качестве примера TransUNet получила точность на 5% и 1% больше, чем базовая и улучшенная U-Net, соответственно. Качественные результаты можно увидеть на рисунке 2. Первая строчка показывает пример, в котором все модели дают почти идеальное предсказание. В этом случае все модели способны отличить осушительную дрену и дорогу, даже если на изображении они обе выглядят как прямая линия. На второй строчке изображения показана тенденция базовой U-Net создавать рассеянные линии, при этом улучшенная U-Net и TransUNet достаточно уверенно определяют дренажные линии. На третьей строчке изображения базовый U-Net обнаруживает прерывистую дрену, а модифицированная U-Net и TransUNet имеют несколько ложноположительных прогнозов, обнаруживая дренажную трубу там, где ее не должно быть. Однако ложноположительный результат даже для человеческого глаза трудно отличить от признака дрены.
Рисунок 2. Сравнение качества работы алгоритмов: а) исходное изображение; б) размеченное (обучающее) изображение; в) базовая U-net; г) модифицированная U-net; д) TransUnet
Выводы
Применение алгоритмов машинного обучения для восстановления карт-схем мелиоративных осушительных систем по данным аэрофотосъемки является перспективным методом. Компьютерный эксперимент показал, что использование сверточных сетей в задачах поиска осушительного дренажа позволяет с большой долей достоверности определить местоположение осушительной мелиоративной сети.
Дальнейшее развитие этого направления позволит создать алгоритмы мониторинга осушительных мелиоративных систем для определения не только наличия дренажа, но и его состояния.
Ссылки на источники, используемые в статье, были удалены. Библиография доступна в оригинальной публикации.
Авторы статьи: А. Ф. Петрушин, канд. техн. наук (ФГБНУ «Агрофизический научно-исследовательский институт»); Ю.Г. Янко, канд. техн. наук (ФГБНУ «Агрофизический научно-исследовательский институт»); А.В. Доброхотов, канд. биол. наук (ФГБНУ «Агрофизический научно-исследовательский институт»); Ю.И. Блохин (ФГБНУ «Агрофизический научно-исследовательский институт»).
Опубликовано в журнале «Рисоводство», 2024, т. 23, № 1(62), с. 88–93