EOS SAT-1 será lanzado en:
Días
Horas
Minutos
Segundos
68954
Saber más
    1. Inicio
    2. EOS Crop Monitoring
    3. Soluciones Personalizadas
  1. Soluciones Personalizadas

Predicción del Rendimiento de los Cultivos

El equipo de científicos e ingenieros de datos de EOSDA ha desarrollado técnicas eficaces para estimar el rendimiento de los cultivos mediante modelos de teledetección y aprendizaje automático. Nos basamos en datos de observación de la Tierra obtenidos por satélite para cubrir áreas que van desde explotaciones individuales hasta regiones.

recolección de datos de rendimiento por satélite
Estadísticas

Predicción del Rendimiento en Números

Precisión
hasta el 95%

La precisión de la estimación del rendimiento depende de la calidad de los datos estadísticos y puede variar entre el 85% y el 95%.

Previsiones
con hasta 3 meses de antelación

Previsión del rendimiento en la temporada actual con hasta 3 meses de antelación

Tipos de cultivos
100 +

Predicción del rendimiento para más de 100 tipos de cultivos.

Velocidad del proyecto
hasta 14 días

La producción de la predicción del rendimiento con un 95% de precisión requiere dos semanas o menos, dependiendo de la complejidad del proyecto.

Entradas por cultivo
0 - 100 campos

El modelo de prónostico del rendimiento WOFOST no requiere ninguna entrada.

Fuentes de datos
10 +

Nos aseguramos de que las predicciones se basen en el análisis de datos más completo.

Metodología

Nuestro Enfoque

Para lograr la máxima eficacia y precisión en la predicción del rendimiento de los cultivos, fusionamos dos tipos diferentes de modelos de predicción del rendimiento: biofísico y estadístico. Este enfoque "híbrido" nos permite afrontar proyectos más complejos.

Modelo biofísico de predicción del rendimiento

  • Recopilación de datos (parámetros meteorológicos, análisis del suelo, estado del cultivo, datos fenológicos, etc.).
  • Calibración del modelo y la asimilación del LAI para garantizar la precisión de la predicción del rendimiento de los cultivos en ausencia de datos estadísticos y para aumentar la variabilidad de los valores.
  • Simulación de los parámetros de productividad biológica (TAGP, WSO, humedad relativa del suelo, consumo total de agua y otros) para estimar el rendimiento.
  • Actualización de los datos una vez cada 14 días para aumentar la precisión. Esto está relacionado con las actualizaciones meteorológicas.

Modelo estadístico de predicción del rendimiento

  • Recopilación de datos para crear un conjunto de datos de predicción del rendimiento de los cultivos y su combinación con algunos posibles predictores (precipitaciones, temperatura, humedad, tipo de suelo y otros).
  • Selección del modelo de aprendizaje automático adecuado para el proyecto (por ejemplo, regresión lineal, Random Forest, LightGBM, XGBoost, CatBoost, por nombrar algunos).
  • Ajuste del modelo para responder a las necesidades específicas del proyecto en cuestión para obtener los mejores resultados.

Fase de fusión de los modelos

La fase de fusión es necesaria si queremos alcanzar la máxima precisión posible del 95%. Fusionamos los 2 modelos de predicción del rendimiento descritos anteriormente.

EOS Crop Modeling + Asimilación LAI

  • Conjunto de escenarios de modelos

  • Acquisición de datos 1

  • Acquisición de datos 2

  • Acquisición de datos 3Selección del escenario más probable y reinicialización del estado del sistema modelado con el escenario

  • Acquisición de datos 4Observaciones de LAI

  • Acquisición de datos 5

  • Cosecha

La aplicación de la asimilación del LAI nos permitió alcanzar el 95% de precisión en el 30% de los campos. En los campos marcados en rojo se alcanzó una precisión inferior al 80%, mientras que la precisión de la predicción del rendimiento en los campos marcados en verde superó la marca del 80%.

Precisión del modelado de cultivos EOS
EOS Crop Modeling
Modelado de cultivos EOS + Precisión de asimilación LAI
EOS Crop Modeling + Asimilación LAI
Casos de Uso

Algunos de Nuestros Exitos

Predicción del rendimiento para una gran explotación agrícola en Ucrania

En 2020, pusimos en marcha un proyecto de predicción de rendimiento para 6 grandes cultivos: Cebada de invierno, colza de invierno, trigo de invierno/primavera, girasol, soja y maíz.

Se generaron dos informes diferentes:

  • 45 días antes de la cosecha
  • 2 semanas antes de la cosecha
  • menos del 80% de precisión
  • más del 80% de precisión
Predicción del rendimiento WOFOST
Modelo de aprendizaje automático de predicción de rendimiento de EOSDA - WOFOST (aportación/resultado) + LAI (Sentinel-2)
Precisión (WOFOST)Precisión (WOFOST + LAI)
Maíz
Maíz0.750.91
Soja
Soja0.780.86
Girasol
Girasol0.710.88
Cebada de invierno
Cebada de invierno0.530.82
Trigo de invierno
Trigo de invierno0.750.92
Al mejorar el modelo con la asimilación del LAI desarrollado por el equipo, conseguimos aumentar la precisión de la predicción del rendimiento en el 30% de los campos en comparación con el enfoque tradicional de WOFOST.

La siguiente tabla muestra la correlación entre la precisión de la predicción del rendimiento, el cultivo objetivo y el número de campos. Por ejemplo, la predicción del rendimiento de la cebada de invierno tuvo una precisión superior al 90% en 52 campos.

Número de campos
Cultivo / Precisión
Cultivo / Precisión<70%70-75%75-80%80-85%85-90%>90%
Cebada de invierno


Número de campos

Cebada de invierno2775222352
Trigo de invierno


Número de campos

Trigo de invierno3317192119102
Colza de invierno


Número de campos

Colza de invierno26620142722
Girasol


Número de campos

Girasol121112141922
Soja


Número de campos

Soja282229583786

Previsión del rendimiento de los cultivos para una compañía de seguros canadiense

Objetivo: Datos fiables sobre el rendimiento previsto de cada cliente para reducir los riesgos de los seguros.

Datos de entrada: Más de 100 campos en 20 explotaciones.

Tarea 1.
Estimar el rendimiento medio de los 6 principales tipos de cultivos que crecen en cada campo de las 20 explotaciones y compararlo con el informe de rendimiento real.

modelo de predicción del rendimiento frente al rendimiento real por tipo de cultivo dado en %.

  • Canola > 98,03
  • Maíz > 87, 59
  • Guisantes > 76,25
  • Soja > 95,94
  • Girasol > 98,21
  • Trigo > 98,63
CultivoRendimiento modeladoRendimiento real
Canola
Canola41,8141,00
Maíz
Maíz123,65110,00
Guisantes
Guisantes30,9425,00
Soja
Soja22,8922,00
Girasol
Girasol1767,731800,00
Trigo
Trigo53,7253,00
Suma general
Suma general95,694,47
Tarea 2.
Predicción del rendimiento 14 días antes de la cosecha de 2020.

modelo de predicción del rendimiento frente al rendimiento real por tipo de cultivo dado en %.

  • Canola > 96,96
  • Corn > 91,69
  • Avena > 99,98
  • Centeno de Otoño > 85,85
  • Girasol de Confitería > 85,36
  • Aceite de Girasol > 98,06
  • Trigo > 94,95
CultivoRendimiento modeladoRendimiento real (Farm 4)
Canola
Canola40,1939,00
Maíz
Maíz119,14110,00
Avena
Avena125,03125,00
Centeno de otoño
Centeno de otoño64,3975,00
Girasol de confitería
Girasol de confitería2063,601800,00
Aceite de girasol
Aceite de girasol1834,191800,00
Trigo
Trigo61,7365,00
Suma general
Suma general584,34528,00
Tarea 3.
Proporcionar al cliente datos de predicción del rendimiento de los cultivos para permitir una planificación más eficiente de la rotación de cultivos y, como resultado, reducir significativamente las situaciones de riesgo.

El gráfico muestra el rendimiento previsto para los cultivos objetivo en 3 campos seleccionados en bushel/ha.

  • SE-2-6-28-W1

    Nombre del campo
    SE-2-6-28-W1
    Canola
    58,68
    Maíz
    194,33
    Soja
    41,45
    Girasol
    2208,85
    Trigo
    72,49
  • SW-36-7-28-W1

    Nombre del campo
    SW-36-7-28-W1
    Canola
    30,91
    Maíz
    169,49
    Soja
    14,42
    Aceite de girasol
    1146,91
    Trigo
    46,24
  • W-34-5-27-W1

    Nombre del campo
    W-34-5-27-W1
    Canola
    38,77
    Maíz
    151,58
    Soja
    24,71
    Aceite de girasol
    1476,83
    Trigo
    59,82
Nombre del campoCanolaMaízSojaAceite de girasolTrigo
SE-2-6-28-W158,68194,3341,452208,8572,49
SW-36-7-28-W130,91169,4914,421146,9146,24
W-34-5-27-W138,77151,5824,711476,8359,82
Se utilizó la técnica de remuestreo Jackknife. Es decir, omitiendo sistemáticamente cada observación de un conjunto de datos, calculamos la predicción y luego descubrimos la media de los cálculos. Para excluir los factores climáticos y tecnológicos, sólo utilizamos los datos de los últimos 6 años.

El periodo de cosecha de los cultivos objetivo en Canadá suele durar de agosto a septiembre. Sabiendo esto, pudimos predecir el rendimiento dos meses antes de la cosecha, logrando una precisión de más del 82%. La precisión fue aumentando a medida que se acercaba la cosecha hasta alcanzar el 90% justo dos semanas antes de la misma, tal y como esperábamos.

EOSDA es líder en la aplicación de tecnologías de teledetección con fines empresariales y medioambientales en más de 22 sectores, haciendo especial hincapié en la agricultura y la silvicultura. Hasta ahora, más de 700.000 clientes de todo el mundo han sacado partido a los productos de observación por satélite de EOSDA. Estamos a punto de lanzar nuestra propia constelación de satélites que proporcionará imágenes en 11 canales espectrales para los agricultores de todo el mundo. Puede encargarnos la predicción del rendimiento de los cultivos en un área tan pequeña como un campo y tan grande como un país. Utilizando 10 fuentes distintas de datos, junto con modelos de redes neuronales entrenados, nuestro equipo de científicos de I+D ayudará a su negocio a prosperar de forma sostenible.

¡Estamos aquí para ayudar!

nuestros expertos

Mejore su experiencia agrícola gracias a un equipo agrícola gestionado a distancia mejor que lo que siempre ha soñado