Оперативная оценка засоленности почвы с применением маловысотных беспилотных летательных платформ (RASS — AP23488745 2024-2026)
- Общая концепция проекта
2.1. Вводная часть
Засоление почвы является существенным фактором, ограничивающим развитие растениеводства. Временная и пространственная изменчивость затрудняет выбор оптимальных решений по управлению агропроизводством на почвах подверженных засолению. Имеющиеся методы оценки засоленности почв имеют как правило низкое пространственное разрешение, являются не полными, дорогостоящими и медленными. Они не предназначены для оперативного выявления локальных участков засоления. С целью преодоления указанных ограничений предлагается исследовать возможности и методы оперативной оценки засоленности с высоким пространственным разрешением на базе применения БПЛА и алгоритмов машинного обучения. Проект выполняется на стыке следующих научных направлений: искусственного интеллекта, растениеводства, дистанционного зондирования Земли, управления автономными роботехническими системами.
2.2. Цель проекта.
Разработка метода оперативной оценки засоленности земель на базе машинного обучения с применением беспилотных летательных платформ.
2.3. Задачи проекта.
Для достижения цели проекта необходимо решить 4 основных (1-4) и одну вспомогательную задачу (5):
- Разработка беспилотной летательной платформы.
- Сбор и подготовка данных.
- Разработка и\или адаптация и настройка моделей машинного обучения.
- Разработка прототипа системы картирования засоленности поверхностного слоя почвы.
- Формирование итогового отчета. Подготовка и опубликование статей в научных изданиях согласно требованиям конкурсной документации.
В результате выполнения задачи 1 будет разработана беспилотная летательная платформа для выполнения задачи получения снимков полей для картирования и оценки засоленности. В рамках задачи 2 будут выполнены полевые исследования со сбором образцов почвы и получением мультиспектральных снимков полей с помощью разработанного БЛП (задача 1). Электропроводность образцов почвы будет измерена в лабораторных условиях. На основании полученных данных будут сформированы наборы данных для обучения и настройки моделей машинного обучения. Результаты задачи 2 будут использованы при выполнении задачи 3, где разработанные наборы данных будут использованы для вычислительных экспериментов по настройке и обучению алгоритмов машинного обучения. Полученные результаты в виде обученных моделей и кодов программ будут использованы для решения задачи 4, в рамках которой будет разработана система картирования засоленности. Результаты задач 1- 4 будут использоваться при выполнении задачи 5 для формирования итогового отчета по проекту и для подготовки научных публикаций.