Може ли снимката на листата да покаже недостиг на азот при царевицата?
Снимаме пожълтелите листа, качваме изображението в приложение и получаваме оценка за състоянието на растението. Подобен подход изглежда удобен, особено когато трябва бързо да се обходят големи площи. По-трудният въпрос е какво можем да направим с получения отговор: достатъчен ли е за решение за торене, или само насочва към проблем, който трябва да проверим?
Изследване в BMC Plant Biology разглежда именно възможностите и ограниченията на разпознаването по снимка при азотното хранене на царевицата.
Какво показва изследването?
В публикацията от 14 октомври 2026 г. Kilumile и съавтори оценяват три модела с изкуствен интелект чрез 3241 изображения на царевица, отглеждана при пет нива на азотно торене. Най-добрият модел достига 93,3% точност при оценяването върху експерименталните данни.
При външна проверка със снимки от 303 стопанства в Танзания точността за определяне на конкретната категория спада до 58–64% спрямо листна цветна скала и до 37–40% спрямо оценките на фермерите. Моделите обаче запазват добра способност да подреждат растенията според азотния им статус.
Съществено ограничение е, че външната проверка използва визуални оценки, а не лабораторно потвърдени концентрации на азот. Авторите разглеждат технологията като средство за първоначална оценка, особено на силно изразен недостиг, а не като самостоятелна система за определяне на торова норма.
Разпознаването на проблем не е препоръка за торене
За практиката е полезно да разграничаваме три въпроса: изглежда ли растението различно, свързана ли е промяната с азотното хранене и каква намеса е оправдана.
Това не са взаимозаменяеми въпроси. Отговорът „вероятен азотен недостиг“ все още не казва колко азот трябва да се внесе, кога и по какъв начин. Затова резултат от приложение не бива да се превежда директно в килограми тор на декар.
При обсъждането на подобни технологии със земеделски производители е по-коректно да говорим за подпомагане на диагностиката, а не за автоматично изготвяне на програма за хранене. Това разграничение запазва полезността на инструмента, без да му приписва функции, които не са доказани.
Как да използваме подобна оценка в българско стопанство?
Следващите насоки са практическа интерпретация за работата на полето, а не изпитана в изследването технология за България.
Като сигнал за допълнителен оглед
Резултатът от снимката може да бъде повод агрономът да обърне внимание на конкретен участък. Полезно е изображението да се запази заедно с датата, местоположението и информацията за културата. Така оценката остава свързана с действителното растение и може да бъде проследена, вместо да се превърне в изолиран отговор на екрана.
Като част от разговора, не като последна дума
При консултация е по-полезно да се представят снимката и изходният резултат, отколкото вече да е взето решение за третиране. Въпросът към агронома е „Как да проверим тази оценка?“, а не „Кой тор отговаря на показаното съобщение?“.
Това е особено важно, когато приложението не обяснява какво означават категориите му или с каква увереност е направена класификацията.
С проверка на приложимостта към конкретната култура
Преди включването на подобен инструмент в работата на стопанството е разумно да се поиска информация за независимите му изпитвания. За кои култури е предназначен? В какви условия е проверен? С какъв метод са потвърдени оценките му?
Тези въпроси са по-полезни от самостоятелното рекламно твърдение за „висока точност“.
Какво да изискваме от обещанието за точна диагностика?
Числото за точност има смисъл само когато знаем какво стои зад него. Разпознаване на предварително зададена категория, измерване на съдържание на елемент и препоръка за торене са различни задачи. Добър резултат при едната не трябва да се представя като доказателство за останалите.
Същият подход е необходим и при избора на решения за растително хранене: първо се уточнява какво действително е установено, след това какво още трябва да се провери и едва тогава се обсъжда конкретната намеса.
За Grand Agro това е основателният начин да се говори за новите технологии в храненето на културите: с интерес към възможностите им и с ясно разграничение между наблюдение, диагноза и агрономическо решение.
Научен източник
Kilumile, D. D., Lyimo, L. D. & Kajumula, S. M. (2026). Image-based classification of fertilizer-induced nitrogen variation in maize leaves (Zea mays L.) through deep neural networks. BMC Plant Biology, публикувано на 14 октомври 2026 г. Рецензирана, приета публикация, достъпна в ранна редакционна версия.