МОДЕЛІ РАННЬОГО ПРОГНОЗУВАННЯ СТРЕСОВИХ СТАНІВ РОСЛИН НА ОСНОВІ МУЛЬТИМОДАЛЬНИХ IoT-ДАНИХ ТА ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ

МОДЕЛІ РАННЬОГО ПРОГНОЗУВАННЯ СТРЕСОВИХ СТАНІВ РОСЛИН НА ОСНОВІ МУЛЬТИМОДАЛЬНИХ IoT-ДАНИХ ТА ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ Анотація.У статті представлено комплексний підхід до раннього прогнозування стресових станів рослин, заснований на інтеграції мультимодальних даних, що включають високочастотні часові ряди IoT-сенсорів, спектральні індекси та візуальні RGB / мультиспектральні зображення.Обґрунтовано актуальність цієї проблематики в умовах розвитку цифрового землеробства, де своєчасне виявлення фізіологічних відхилень є ключовим чинником підвищення урожайності та раціонального використання ресурсів.Підкреслено, що традиційні одномодальні методи, орієнтовані здебільшого на аналіз окремих джерел даних, не здатні повною мірою враховувати багатофакторну природу стресу, який одночасно формується під впливом водних, температурних, поживних і патогенних чинників.Запропоновано архітектуру мультимодальної моделі глибинного навчання, що передбачає окрему обробку візуальних, спектральних та сенсорних сигналів із подальшим їхнім об'єднанням у спільному латентному просторі за допомогою гібридного механізму ф'южну та механізму уваги.Такий підхід забезпечує підвищену чутливість до ранніх маркерів стресу, які ще не проявляються на морфологічному рівні.Експериментальна оцінка моделі проведена на великомасштабному датасеті, що включає понад 120 тис.зображень, мільйони точок часових рядів та масив спектральних вимірювань.Результати демонструють значне зростання точності прогнозування порівняно з одномодальними підходами, особливо у випадках теплового та водного стресу.Модель показала здатність передбачати розвиток стресу за кілька днів до появи видимих симптомів, що є критично важливим для прийняття оперативних рішень.Окреслено перспективи впровадження розробленої системи у практичні рішення агроіндустрії, зокрема в автоматизовані системи поливу, тепличні комплекси, безпілотні системи моніторингу та цифрові двійники полів.Визначено напрями подальших досліджень, серед яких -розширення спектра модальностей, використання генеративних моделей для моделювання