Нерівномірний розподіл бур’янів у полі змушує аграріїв переплачувати за суцільні обробки. Дані випробувань у Великій Британії та Європі свідчать: за наявності точних карт бур’янів цільове обприскування може зменшувати витрати гербіцидів на 50–80% без втрати ефективності контролю. Про це повідомляє сайт Аграрії разом з посиланням на Agropages.

Ключова перешкода для масштабування такого підходу — дані: без точних карт розміщення бур’янів у полі неможливо підготувати коректне завдання для spot-sprayer або змінної норми внесення.

Чому ручний обхід поля не дає потрібної точності

У статті підкреслюється, що ручне обстеження зазвичай охоплює лише 2–5% великого комерційного поля, а решта карти формується шляхом інтерполяції. За такого підходу забур’яненість часто фіксують у грубих категоріях (легка/середня/сильна), що підходить для загальних рішень, але недостатньо для точкового внесення або формування детальної prescription map.

Наслідок — суцільні обробки: гербіцид вноситься там, де він може бути не потрібним, і водночас можуть залишатися «пропуски» в осередках, куди скаутинг не дійшов.

Від польоту дрона до карти забур’яненості: як працює конвеєр

Описаний у матеріалі підхід базується на зйомці з БПЛА: камери на дроні можуть обстежувати сотні гектарів із сантиметровою роздільною здатністю за один виліт, що робить реалістичним виявлення бур’янів на рівні окремих рослин. Далі завдання — швидко перетворити тисячі фрагментів зображень на геоприв’язані карти бур’янів, щоб рішення щодо обприскування не втратило актуальності через зміну умов.

У статті наведено приклад пайплайна, який Omdena розробила для компанії з даних точного землеробства. Він складається з трьох послідовних етапів:

• Покращення якості зображень: розмиті кадри з високої висоти або за несприятливих умов автоматично «підчищаються», щоб розширити робочий діапазон зйомки без втрати точності.
• Детекція бур’янів: модель знаходить рослини бур’янів на реальних дрон-знімках; у матеріалі вказано, що на даних із полів буряка, кукурудзи та осоту досягнуто приблизно двох третин точності виявлення.
• Піксельна класифікація зон: система визначає не лише «центр» осередку, а й площу ураження на рівні пікселів, щоб відрізняти поодинокі рослини від щільних плям — це впливає на рішення щодо норми та способу внесення.

Результат — GPS-узгоджена карта розміщення та щільності бур’янів, сумісна з обладнанням для змінної норми або точкового внесення.

Дані для навчання моделі: синтетика не замінює поле

Окремо автори матеріалу акцентують на якості навчальних даних. Розмітка дрон-знімків дорога: один виліт дає тисячі тайлів, а зображення з бур’янами потребують експертного маркування. У наведеному порівнянні модель, навчена лише на синтетичних даних, показала 0,079 mAP на реальних польових фото, тоді як модель, навчена на реальних розмічених даних, — 0,661 mAP. У статті це описано як 8,4-разовий розрив, що фактично означає: синтетичні рендери не можуть повноцінно замінити реальну польову розмітку.

Щоб зробити розмітку масштабованою, у матеріалі описано застосування active learning: система стартує з базового набору даних, далі відбирає зображення, щодо яких модель найменш упевнена, і спрямовує їх на розмітку першими. Розмітники коригують запропоновані моделлю мітки замість того, щоб наносити їх «з нуля», що, за даними статті, скорочує час розмітки на 60–80% на одне зображення.

Що це дає господарству на практиці

У прикладі «репрезентативного» впровадження 52-гектарне поле після дрон-обстеження поділили на три зони забур’яненості: чиста, легка та щільна. Prescription map дозволила точковому обприскувачу повністю пропустити 34 гектари, а загальний обсяг гербіциду зменшився на 65% порівняно із суцільною обробкою.

Окрім економії препарату, карти бур’янів формують польовий «хімічний» запис, який може бути важливим у контексті посилення регуляторних вимог. Також багатосезонні карти допомагають бачити повторювані осередки та пов’язувати їх із особливостями поля, що може впливати на рішення щодо сівозміни, обробітку ґрунту чи дренажу — саме такі приклади використання згадуються в матеріалі.

Обмеження та умови застосування

У статті зазначається, що щільні злакові бур’яни та види з тонким листям складніше класифікувати, а карти першого сезону для «прикордонних» ділянок варто сприймати як орієнтовні. Водночас автори вказують, що накопичення польових даних з часом зменшує це обмеження, а поточний рівень результатів уже достатній для комерційного застосування.

Як підсумок, у матеріалі робиться висновок: бар’єр змістився від «заліза» до інтеграції — потрібно з’єднати вихідні карти з наявним обприскувальним обладнанням і нарощувати розмічені датасети під різні культури та регіони.