Китайские ученые разработали систему на базе глубокого обучения, которая с высокой точностью оценивает эффективность фотосинтеза сельскохозяйственных культур по гиперспектральным изображениям. Новый метод позволяет одновременно анализировать более десятка параметров и может значительно ускорить селекцию сортов, устойчивых к изменению климата. Результаты исследования опубликованы в журнале Artificial Intelligence in Agriculture.
До сих пор для измерения фотосинтеза селекционерам приходилось вручную обрабатывать каждый лист растения с помощью портативных газоанализаторов. Это медленный и трудоемкий процесс, который не позволяет проводить массовую оценку посевов. Исследователи из Центра молекулярных наук о растениях Китайской академии наук предложили альтернативу, основанную на анализе изображений.
В основе их разработки лежит нейросеть MTI-Net. Ключевой особенностью подхода стало формирование обучающей выборки: вместо того чтобы усреднять данные по всему листу, ученые обрабатывали каждый пиксель гиперспектрального снимка как отдельный образец. Это позволило увеличить объем данных с нескольких сотен до десятков тысяч, что критически важно для эффективного обучения нейросети. Эксперименты проводили на двух культурах: карликовых томатах в теплице и 33 сортах риса на открытых участках с разным уровнем азотных удобрений.
Система продемонстрировала точность, сопоставимую с прямыми измерениями. Для томатов коэффициент детерминации (R²) в среднем составил 0,91, а для риса – 0,96. Модель научилась определять широкий спектр показателей, включая скорость фотосинтеза, содержание хлорофилла и азота, а также эффективность использования воды. Она превзошла по точности все ранее применявшиеся для этих задач статистические методы и алгоритмы машинного обучения.
Ученые также выяснили, что для достижения высокой точности модели требуется не менее 5 тыс. пиксельных образцов – это первый количественный ориентир для планирования подобных исследований. Кроме того, они создали вспомогательную нейросеть, которая отбирает наиболее информативные участки спектра. Оказалось, что для качественного анализа достаточно 60 спектральных полос из 273, что в перспективе позволит создавать более дешевые и специализированные сенсоры для агрономов.
Авторы признают, что технология пока имеет ограничения. Испытания проходили в контролируемых условиях, и ее предстоит адаптировать для работы в поле, где на качество снимков влияют погода и переменное солнечное освещение. Также модель, обученная на одном виде растений, плохо справляется с анализом другого из-за различий в морфологии листьев. Тем не менее, исследование доказывает, что новый подход способен кардинально повысить скорость и масштабы оценки состояния посевов.