Details

Данная работа посвящена разработке автоматизированной системы прогнозирования 12 типов риска болезней и стрессов для 4 культур (пшеница, ячмень, кукуруза, рис) на основе спутникового вегетационного индекса NDVI и метеорологических данных. В ходе исследования проведен анализ существующих аналогов (Cropin, OneSoil, ВЕГА-PRO). Сформирован набор данных из 80 полей, размеченных вручную в Google Earth Engine. Предложена методика, включающая ансамблевую классификацию культуры (Random Forest, Extra Trees, Gradient Boosting, CatBoost), многошаговый прогноз NDVI на 16 дней с помощью LSTM-сети и расчет вероятностей 12 типов угроз (8 грибных заболеваний, 3 абиотических стресса, бактериоз) с использованием 12 LSTM-моделей. Программная реализация выполнена на языке Python. Создано веб-приложение на Flask с картографическим интерфейсом Leaflet, интегрированное с GEE и Open-Meteo API. Результаты работы: ансамбль достиг точности 0.89; прогноз NDVI – R^2 = 0.75; для моделей рисков получены значения R_pos^2 от 0.54 до 0.98. Работоспособность системы подтверждена на примере реального поля ячменя. Область применения – сельскохозяйственные предприятия, фермерские хозяйства, образовательные и научные учреждения. Выводы: разработанная бесплатная веб-система позволяет пользователю без специальной подготовки получать прогноз рисков и практические рекомендации, что подтверждает достижение поставленной цели.

This work is devoted to the development of an automated system for predicting 12 types of disease and stress risks for 4 crops (wheat, barley, corn, rice) based on the satellite vegetation index NDVI and meteorological data. The study includes an analysis of existing analogues (Cropin, OneSoil, VEGA-PRO). A dataset of 80 fields manually labeled in Google Earth Engine was created. A methodology is proposed that includes ensemble crop classification (Random Forest, Extra Trees, Gradient Boosting, CatBoost), multi-step 16-day NDVI forecasting using an LSTM network, and probability calculation for 12 types of threats (8 fungal diseases, 3 abiotic stresses, and bacteriosis). The software is implemented in Python. A web application with a Leaflet map interface is built on Flask, integrated with GEE and Open-Meteo API. Results: the ensemble achieves an accuracy of 0.89; NDVI forecast – R^2 = 0.75; risk models yield R_pos^2 from 0.54 to 0.98. The system’s performance is demonstrated on a real barley field. Application area: agricultural enterprises, farms, educational and research institutions. Conclusions: the developed free web-based system enables users without special training to obtain risk forecasts and practical recommendations, confirming that the goal has been achieved.