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.
Predicción del Rendimiento en Números
La precisión de la estimación del rendimiento depende de la calidad de los datos estadísticos y puede variar entre el 85% y el 95%.
Previsión del rendimiento en la temporada actual con hasta 3 meses de antelación
Predicción del rendimiento para más de 100 tipos de cultivos.
La producción de la predicción del rendimiento con un 95% de precisión requiere dos semanas o menos, dependiendo de la complejidad del proyecto.
El modelo de prónostico del rendimiento WOFOST no requiere ninguna entrada.
Nos aseguramos de que las predicciones se basen en el análisis de datos más completo.
Vea el vídeo sobre nuestra solución de predicción del rendimiento
La seguridad alimentaria mundial depende de la eficacia de las prácticas de gestión de alimentos, como la predicción del rendimiento, que permite a los agricultores cultivar de forma más sostenible. La solución de predicción del rendimiento de EOSDA, desarrollada a partir de los últimos avances tecnológicos en aprendizaje automático y análisis geoespacial, proporciona a agricultores, explotaciones agrícolas, empresas de seguridad alimentaria y otros responsables de la toma de decisiones los datos cruciales necesarios para una producción de cultivos sostenible y rentable.
Beneficios de la Predicción del Rendimiento
- Aumento de la velocidad en la toma de decisiones relacionadas con las operaciones de cosecha, almacenamiento y transporte.
- Datos sobre la rentabilidad en su zona de interés basados en la predicción del rendimiento de los cultivos.
- Una gran oportunidad de reforzar la seguridad alimentaria mundial mediante la introducción de la predicción del rendimiento de los cultivos en países en desarrollo, ayudándoles a prevenir hambrunas, impulsar la economía locale e implementar prácticas agrícolas sostenibles.
- Mejor entendimiento del mercado agrícola y una toma de decisiones mejor sobre la gestión de las existencias, las importaciones y las exportaciones, de acuerdo con la PAC y otras políticas similares.
- Una comprensión mucho mayor de los efectos acumulativos de las condiciones hostiles del campo (plagas, enfermedades, deficiencias de nutrientes y otras) en el desarrollo de los cultivos.
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.
EOSDA 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%.
Algunos de Nuestros Exitos
Predicción del rendimiento para una gran explotación agrícola en Ucrania
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
| Precisión (WOFOST) | Precisión (WOFOST + LAI) | ||
|---|---|---|---|
| Maíz | |||
| Maíz | 0.75 | 0.91 | |
| Soja | |||
| Soja | 0.78 | 0.86 | |
| Girasol | |||
| Girasol | 0.71 | 0.88 | |
| Cebada de invierno | |||
| Cebada de invierno | 0.53 | 0.82 | |
| Trigo de invierno | |||
| Trigo de invierno | 0.75 | 0.92 | |
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 invierno | 27 | 7 | 5 | 22 | 23 | 52 |
| Trigo de invierno Número de campos | ||||||
| Trigo de invierno | 33 | 17 | 19 | 21 | 19 | 102 |
| Colza de invierno Número de campos | ||||||
| Colza de invierno | 26 | 6 | 20 | 14 | 27 | 22 |
| Girasol Número de campos | ||||||
| Girasol | 12 | 11 | 12 | 14 | 19 | 22 |
| Soja Número de campos | ||||||
| Soja | 28 | 22 | 29 | 58 | 37 | 86 |
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.
modelo de predicción del rendimiento frente al rendimiento real por tipo de cultivo dado en %.
| Cultivo | Rendimiento modelado | Rendimiento real | |
|---|---|---|---|
| Canola, lb/ac | |||
| Canola, lb/ac | 41,81 | 41,00 | |
| Maíz, fanegas por acre | |||
| Maíz, fanegas por acre | 123,65 | 110,00 | |
| Guisantes, q/ac | |||
| Guisantes, q/ac | 30,94 | 25,00 | |
| Soja, fanegas por acre | |||
| Soja, fanegas por acre | 22,89 | 22,00 | |
| Girasol, lb/ac | |||
| Girasol, lb/ac | 1767,73 | 1800,00 | |
| Trigo, fanegas por acre | |||
| Trigo, fanegas por acre | 53,72 | 53,00 | |
| Suma general | |||
| Suma general | 95,6 | 94,47 | |
modelo de predicción del rendimiento frente al rendimiento real por tipo de cultivo dado en %.
| Cultivo | Rendimiento modelado | Rendimiento real (Farm 4) |
|---|---|---|
| Canola | ||
| Canola | 40,19 | 39,00 |
| Maíz | ||
| Maíz | 119,14 | 110,00 |
| Avena | ||
| Avena | 125,03 | 125,00 |
| Centeno de otoño | ||
| Centeno de otoño | 64,39 | 75,00 |
| Girasol de confitería | ||
| Girasol de confitería | 2063,60 | 1800,00 |
| Aceite de girasol | ||
| Aceite de girasol | 1834,19 | 1800,00 |
| Trigo | ||
| Trigo | 61,73 | 65,00 |
| Suma general | ||
| Suma general | 584,34 | 528,00 |
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 campo | Canola | Maíz | Soja | Aceite de girasol | Trigo |
|---|---|---|---|---|---|
| SE-2-6-28-W1 | 58,68 | 194,33 | 41,45 | 2208,85 | 72,49 |
| SW-36-7-28-W1 | 30,91 | 169,49 | 14,42 | 1146,91 | 46,24 |
| W-34-5-27-W1 | 38,77 | 151,58 | 24,71 | 1476,83 | 59,82 |
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 950.000 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 13 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!
Mejore su experiencia agrícola gracias a un equipo agrícola gestionado a distancia mejor que lo que siempre ha soñado
