Консорциум европейских исследовательских центров представил и разместил в открытом доступе один из крупнейших в мире наборов изображений для изучения жизненных циклов яблони. База данных DeepPhenoTree-Apple Edition призвана научить искусственный интеллект точно определять стадии развития плодовых деревьев – от спящей почки до созревающего плода.
Фенология, наука о сезонных биологических явлениях, лежит в основе решений, которые принимает каждый садовод. От точного понимания фазы развития дерева зависит время обрезки, полива, внесения удобрений и борьбы с вредителями. Традиционно мониторинг проводят люди, что требует много времени, больших трудозатрат и не исключает субъективных ошибок. В условиях изменения климата, сбивающего привычные аграрные календари, потребность в быстрых и надёжных методах наблюдения резко возросла.
Новый набор данных решает одну из ключевых проблем машинного обучения в агросекторе – нехватку качественных и разнообразных данных для тренировки моделей. Он включает более 48 тыс. снимков, сделанных в четырёх яблоневых садах в Испании, Бельгии, Швейцарии и Италии. Местоположения выбрали специально, чтобы охватить разные климатические условия, сорта яблок и агротехнологии. Такой подход позволяет создавать ИИ-модели, устойчивые к реальным полевым условиям, а не только к стерильной среде одного экспериментального участка.
Для обеспечения высокого качества материала все снимки делали со специальной тракторной платформы со встроенной фотовспышкой. Это позволило стандартизировать освещение, избавиться от теней и сделать изображения из разных регионов полностью сопоставимыми. Эксперты вручную разметили более 240 тыс. объектов на отобранных фотографиях, используя международную шкалу фенологического развития BBCH.
Проект, который финансировала программа Евросоюза Horizon Europe, объединил учёных и компании из Франции, Италии, Испании, Швейцарии и Бельгии. База данных доступна по лицензии Creative Commons, что позволяет исследовательским группам по всему миру свободно использовать её для разработки собственных алгоритмов. Ожидается, что наработки можно будет применить и для других плодовых культур, например винограда и косточковых.
В будущем технологии, обученные на подобных данных, смогут в реальном времени создавать для аграриев фенологические карты садов. Это позволит точнее планировать полевые работы, оптимизировать ресурсы и эффективнее отбирать сорта, адаптированные к меняющемуся климату.