Автоматизированная диагностика сельскохозяйственных дренажных систем по мультимодальным данным дистанционного зондирования с использованием машинного обучения

Системы гидромелиоративного дренажа выступают критически важным фактором устойчивого сельскохозяйственного производства. Однако их пространственное распределение и текущее функциональное состояние на глобальном уровне остаются систематически неизвестными, что затрудняет как эксплуатацию действующих угодий, так и вовлечение в оборот заброшенных земель. В работе представлен двухэтапный метод на основе машинного и глубокого обучения для автоматизированной локализации дренажных сетей и оценки степени их деградации по открытым данным дистанционного зондирования Земли и климатическим пространственно-временным рядам.
На первом этапе использована мультимодальная модель семантической сегментации (TerraMind), обученная на геопространственных данных США и Канады, обеспечивающая классификацию пикселей с пространственным разрешением 30 м по трем классам: «искусственный дренаж», «естественный дренаж» и «фоновые объекты». Кросс-региональная валидация продемонстрировала среднее значение коэффициента mIoU в диапазоне 0.65-0.67, подтверждая пространственную инвариантность модели при переносе между географически независимыми территориями.
На втором этапе задача оценки функционального состояния дренажа сформулирована в терминах дельта-регрессии объемной влажности почвы. Для исключения погрешностей, вызванных пропусками во временных рядах из-за облачности и других факторов, модель градиентного бустинга (CatBoost) была обучена на парных контрастных наблюдениях глобальной сети ISMN, определяющих динамику осушения почвы в интервале между выпадением осадков и последующей фазой просыхания. Модель показала высокую точность (R² = 0.736, коэффициент ранговой корреляции Спирмена ρ = 0.83), что позволяет количественно дифференцировать работоспособные и деградировавшие участки дренажной сети.
Апробация метода на тестовых сельскохозяйственных объектах в России и Чехии подтвердила пространственное совпадение локализованных проблемных зон с результатами независимых наземных изысканий. Результаты глобальной стратифицированной оценки зафиксировали устойчивость работы алгоритма при валидации на не вошедших в обучающую выборку географических локациях, временных периодах и типах почвенных профилей.
Предлагаемый подход воспроизводим на базе исключительно открытых источников данных, обладает глобальной масштабируемостью без необходимости локального переобучения и существенно снижает ресурсные затраты по сравнению с традиционными методами инспекции.