Умная система орошения и раннее обнаружение болезней растений с использованием IoT и новой нелинейной самоорганизующейся карты на базе искусственной нейронной сети

Почему важны более разумный полив и мониторинг растений

Кормление растущего мира зависит от того, насколько быстро фермеры замечают проблемы с посевами до их распространения и как бережно они расходуют дефицитную воду. В этом исследовании внимание сосредоточено на сахарном тростнике — ключевом источнике сахара и биотоплива — и показано, как сочетание полевых датчиков, камер на беспилотниках и современных вычислительных алгоритмов позволяет рано обнаруживать болезни листьев и оптимизировать орошение. Результат — более надёжные урожаи, меньше потерь воды и практическое представление о том, как «умные фермы» могут работать в повседневных условиях.

Наблюдение за полем с земли и с неба

Исследователи разработали систему, постоянно контролирующую растения сахарного тростника с двух точек зрения. В почве и вокруг растений небольшие устройства, подключённые к интернету, фиксируют температуру, влажность воздуха, влажность почвы и теневое покрытие листьев. С воздуха беспилотные летательные аппараты (БПЛА) снимают чёткие цветные и ближнеинфракрасные изображения листьев. Тонкие изменения в текстуре и окраске листа могут сигнализировать об инфекциях, таких как красная гниль, смут или ржавчина, до того как они станут заметны невооружённым глазом. Собирая как данные окружающей среды, так и аэрофотоснимки из трёх основных регионов выращивания сахарного тростника в Индии, команда построила богатую картину состояния растений в разных климатах, на разных почвах и в разные фазы роста.

Очистка и выделение признаков

Сырые данные с полей бывают шумными. Датчики могут дрейфовать или фиксировать помехи, а снимки с дронов страдать от изменения освещения или смаза. Поэтому система начинает с фильтрации и нормализации измерений, удаления случайных всплесков и приведения всех параметров к общей шкале. Аэрофотоснимки усиливают резкость и контраст, чтобы пятна, полосы и обесцвеченные участки листьев выделялись более явно. Из улучшенных изображений программа извлекает компактные описания текстуры и цвета, а стандартный вегетационный индекс подчёркивает силу роста каждой части посева. Эти выделенные признаки объединяются с показателями температуры и влажности в единый набор данных, суммирующий состояние каждой части поля.

Как цифровой «мозг» обучается распознавать болезни

В основе системы лежит цифровой «мозг», собранный из взаимосвязанных вычислительных узлов, вдохновлённых биологическими нейронами. Первый этап организует смешанные признаки изображений и датчиков в карту повторяющихся паттернов, размещая похожие случаи рядом и расширяя свою структуру при встрече новых комбинаций. Это помогает выявить сложные, нелинейные взаимосвязи между погодой, состоянием почвы и внешним видом листьев, которые обычно указывают на болезнь. На втором этапе, обучаясь на тысячах размеченных примеров, система определяет, какие паттерны соответствуют здоровым растениям, а какие сигнализируют о конкретных заболеваниях. Благодаря способности модели представлять искривлённые и сложные границы между классами, она умеет различать сходные по виду состояния, которые более простые методы могли бы спутать.

От раннего предупреждения к более разумному поливу

После обучения система не только маркирует каждый участок тростника как здоровый или больной, но и оценивает, насколько инфекция вероятно снизит урожайность. Она делает это, соотнося тяжесть болезни на изображениях вместе с уровнями температуры и влажности с историческими записями об объёмах уборки. В испытаниях на 10 000 образцах растений подход правильно выявлял болезни сахарного тростника более чем в 95% случаев и снижал количество ложных срабатываний по сравнению с другими передовыми методами. Прогнозы потерь урожая также оказались более точными, что позволяло рекомендовать, когда и где корректировать орошение или применять обработки. В зонах, отмеченных как стрессовые, система указывала на целевой полив, тогда как в здоровых зонах можно было избежать лишнего расхода воды.

Что это значит для фермеров и продовольственной безопасности

Для фермеров исследование указывает на будущее, в котором набор недорогих датчиков, дроны и прикладное программное обеспечение будут обеспечивать постоянную проверку состояния посевов и помогать принимать решения по орошению. Раннее выявление болезней сахарного тростника и привязка этих данных к ожидаемому урожаю помогают сосредоточить внимание и ресурсы там, где они наиболее важны. На практике это означает более высокое и стабильное производство при меньшем расходе воды и сокращении беспорядочных обработок. Хотя работа сосредоточена на сахарном тростнике, те же идеи могут быть адаптированы для многих других культур, делая прецизионное земледелие более доступным и помогая защищать продовольственные ресурсы в условиях потепления и дефицита воды.

Цитирование: Gorijavolu, D., Sharma, K. & Rao, N.S. Smart irrigation system and early plant disease detection using IoT and novel non-linear growing self-organizing map based artificial neural network. Sci Rep 16, 9488 (2026). https://doi.org/10.1038/s41598-025-33323-w

Ключевые слова: умное орошение, обнаружение болезней посевов, IoT в сельском хозяйстве, аэрофотосъёмка дронами, урожайность сахарного тростника