Мультимодальное ДЗЗ и глубокое обучение для точного земледелия

В журнале Sensors опубликован обзор современных подходов к объединению данных дистанционного зондирования и алгоритмов глубокого обучения для задач точного земледелия. Авторы рассматривают, как использовать данные оптических, тепловых, радиолокационных и LiDAR-сенсоров для оценки состояния сельскохозяйственных культур и поддержки управленческих решений.

Разные типы съёмки дают взаимодополняющую информацию. Оптические данные помогают анализировать спектральные и визуальные характеристики растительности, тепловые наблюдения — оценивать температурные особенности и водный стресс, SAR — получать информацию независимо от освещённости и при наличии облачности, а LiDAR — изучать трёхмерную структуру растительного покрова.

Авторы рассматривают развитие методов обработки — от свёрточных нейронных сетей до пространственно-временных моделей, архитектур Transformer и новых моделей на основе пространств состояний. Особое внимание уделено тому, как объединять данные с разным пространственным и временным разрешением и преобразовывать результаты анализа в практические решения, например карты-задания для дифференцированного внесения ресурсов.

При этом увеличение количества источников и сложности модели не гарантирует повышения надёжности. На результат могут влиять пропуски наблюдений, шум, различия между сенсорами и условиями съёмки, а также перенос модели между регионами и сезонами. Для практического применения важны не только точность прогнозов, но и устойчивость моделей, интерпретируемость, вычислительные затраты и совместимость с сельскохозяйственной техникой.

Источник