1. Accueil
    2. Produits
    3. EOSDA Crop Monitoring
  2. Solutions Agricoles

Prévision du rendement des cultures

Spécialistes d'EOSDA chargés du traitement des données et les ingénieurs ont développé les techniques efficaces pour estimer le rendement d'une culture à l'aide de modèles de télédétection et d'apprentissage automatique. Nous utilisons les données d'observation par satellites de la Terre pour couvrir de diverses zones de petites exploitations agricoles:

Collecte des données satellitaires sur le rendement agricole
NOMBRES

Prévision du rendement des cultures en chiffres

Précision

jusqu'à 95%
Précision de l'estimation des rendements dépend de la qualité des données statistiques et peut varier de 85 % à 95 %.

Prévision des rendements agricoles

Jusqu'à 3 mois à l'avance
Prévision des rendements pour la saison donnée en cours jusqu'à 3 mois à l'avance.

Types de cultures

100 +
Rendement prévu pour plus de 100 types de cultures.

Durée du projet

jusqu'à 14 jours
Nous faisons un prévision des rendements avec précision de 95 % en deux semaines ou moins, selon la complexité du projet.

Nombre champs pour une culture

0 à 100 champs
Modèle d'estimation des rendements WOFOST ne nécessite aucunes données.

Sources de Données

10 +
Nous nous assurons que les prévisions sont basées sur l'analyse de données la plus complète.

Regardez la vidéo sur notre solution de prévision du rendement

La sécurité alimentaire mondiale dépend de l'efficacité des pratiques de gestion des aliments, telles que la prévision du rendement, ce qui permet aux agriculteurs de cultiver les plantes de manière plus stable. La solution de prévision du rendement d'EOSDA développée sur la base des dernières technologies avancées d’apprentissage machine et d'analyse géospatiale fournit aux agriculteurs, aux exploitations agricoles, aux entreprises de sécurité alimentaire et aux autres parties prenantes impliquées dans la prise de décision les données importantes nécessaires à l’agriculture stable et rentable.

Avantages

L'estimation des rendements et ses avantages

  • Augmentation de la vitesse de prise des décisions liées aux opérations de récolte, de stockage et de transport.
  • Données sur la performance agricole dans votre zone d'intérêt basées sur l'estimation des rendements.
  • Opportunité de renforcer la sécurité alimentaire mondiale en introduisant la prévision du rendement des cultures dans les pays en développement en les aidant à prévenir la famine, à stimuler les économies locales et à mettre en œuvre des pratiques agricoles durables.
informations pour les prévisions des rendements
  • Meilleure compréhension du marché agricole et décisions mieux informées sur la gestion des stocks, des importations et des exportations, conformément à la PAC et à d'autres politiques similaires.
  • Meilleure compréhension des effets cumulatifs des conditions de terrain hostiles (ravageurs, maladies, carences en éléments nutritifs et autres) sur le développement des cultures.
simulations de rendement des cultures
MÉTHODOLOGIE

Notre approche

Afin d'obtenir l'efficacité et la précision maximales des prévisions du rendement des cultures, nous fusionnons deux types différents de modèles de prévision des rendements: biophysiques et statistiques. Cette approche «hybride» nous permet d'aborder des projets plus complexes.

Prévision des rendements: modèle biophysique

  • Collecte des données (paramètres météorologiques, analyse du sol, état de la culture, données phénologiques, etc.).
  • Calibration du modèle et l'assimilation du LAI pour assurer l'exactitude de la prévision du rendement des cultures en l'absence de données statistiques et pour augmenter la variabilité des valeurs.
  • Simulation des paramètres de la productivité biologique (TAGP, WSO, humidité relative du sol, consommation totale d'eau et autres) pour estimer le rendement futur.
  • Mise à jour des données une fois tous les 14 jours pour augmenter la précision. Cela est lié au changement des conditions météorologiques.

Prévision des rendements: modèle statistique

  • Collecter des données pour créer l'ensemble de données de prévision du rendement des cultures et le combiner avec des prédicteurs possibles (pluies, température, humidité, type de sol, etc.).
  • Choix du bon modèle ML pour le projet, par exemple, Régression linéaire, Random Forest, LightGBM, XGBoost, CatBoost, pour n'en nommer que quelques-uns.
  • Ajustage du modèle pour répondre aux besoins spécifiques du projet et afin d'obtenir les meilleurs résultats.
Étape de fusion de modèles
L'étape de fusion est nécessaire si l'on veut atteindre la précision la plus élevée possible de 95 %. Nous fusionnons le modèle de prédiction de rendement biophysique avec le modèle statistique décrit ci-dessus.
Modélisation des cultures EOSDA + Assimilation LAI

  • Ensemble de scénarios du modèle

  • Asquisition 1

  • Asquisition 2

  • Asquisition 3Sélection du scénario le plus probable et réinitialisation de l'état du système modélisé avec le scénario

  • Asquisition 4Observations du LAI

  • Asquisition 5

  • Récolte

Application de l'assimilation LAI nous a permis d'atteindre une précision de 95 % dans 30 % des champs. Pour les champs marqués en rouge, la précision de moins de 80 % a été atteinte, tandis que la précision des prévisions de rendement des cultures pour les champs marqués en vert a dépassé la barre des 80 %.

Précision de la modélisation des cultures sur la plate-forme EOSDA
Modélisation des cultures sur la plate-forme EOSDA
Modélisation des cultures EOSDA + précision d'assimilation LAI
Modélisation des cultures EOSDA + précision d'assimilation LAI
CAS D'UTILISATION

Nos réussites

Prévision des rendements sur demande d'une grande agroholding en Ukraine

En 2020, nous avons mis en place le projet de prévision des rendements de 6 cultures importantes: Orge d'hiver, Colza d'hiver, Blé d'hiver/de printemps, Tournesol, Soja et Maïs.
Deux rapports différents ont été générés:
  • 45 jours avant la récolte
  • 2 semaines avant la récolte.
  • précision inférieure à 80 %
  • précision supérieure à 80 %
WOFOST Prévision du rendement
WOFOST Prévision du rendement
WOFOST (entrées/sorties) + LAI (Sentinel-2)
Modèle d'apprentissage automatique de prévision des rendements EOSDA WOFOST (entrées/sorties) + LAI (Sentinel-2)
Précision (Wofost) Précision (Wofost + Lai)
Maïs 0.75 0.91
Soja 0.78 0.86
Tournesol 0.71 0.88
Orge d’hiver 0.53 0.82
Blé d’hiver 0.75 0.92
En améliorant le modèle avec assimilation LAI, qui a été développé par l'équipe, nous avons réussi à augmenter la précision de l'estimation des rendements dans 30 % des champs par rapport à l'approche WOFOST traditionnelle.
Tableau ci-dessous montre la corrélation entre la précision de l'estimation des rendements, la culture cible et le nombre de champs. Par exemple, le rendement prévu de l'orge d'hiver était précis à plus de 90 % pour 52 champs.
Nombre de champs
Culture / Précision <70% 70-75% 75-80% 80-85% 85-90% >90%
Orge d’hiver 27 7 5 22 23 52
Blé d’hiver 33 17 19 21 19 102
Colza d’hiver 26 6 20 14 27 22
Tournesol 12 11 12 14 19 22
Soja 28 22 29 58 37 86

Prévision du rendement des cultures sur demande de la compagnie d'assurance canadienne

Objectif: Données fiables du rendement prévue pour chaque client afin de réduire les risques d'assurance.

Données d'entrée : Plus de 100 champs sur 20 fermes.

Tache 1.
Estimation des rendements moyens pour 6 principaux types de cultures poussant dans chaque champ des 20 fermes et comparaison avec le rapport sur le rendement réel.
yield estimation model vs actual yield by crop type given in %
  • Colza
    > 98,03
  • Maïs
    > 87, 59
  • Petits pois
    > 76,25
  • Soja
    > 95,94
  • Tournesol
    > 98,21
  • Blé
    > 98,63
Culture Rendement modélisé Rendement réel
Colza, lbm/ac 41,81 41,00
Maïs, BPA 123,65 110,00
Petits pois, q/ac 30,94 25,00
Soja, BPA 22,89 22,00
Sunflower, lbm/ac 1767,73 1800,00
Wheat, BPA 53,72 53,00
Total 95,6 94,47
Tache 2.
Estimation des rendements 14 jours avant la récolte en 2020.
Modèle d'estimation des rendements et rendement réel par type de culture donné en %
  • Colza
    > 96,96
  • Maïs
    > 91,69
  • Avoine
    > 99,98
  • Chute de seigle
    > 85,85
  • Confiseries Tournesols
    > 85,36
  • Huiles de Tournesol
    > 98,06
  • Blé
    > 94,95
Culture Rendement modélisé Rendement réel (Ferme 4)
Colza 40,19 39,00
Maïs 119,14 110,00
Avoine 125,03 125,00
Chute de seigle 64,39 75,00
Confiseries Tournesols 2063,60 1800,00
Huiles de Tournesol 1834,19 1800,00
Blé 61,73 65,00
Total 584,34 528,00
Tache 3.
Fourniture au client de données de prévision du rendement des cultures afin de permettre d'effectuer la planification plus efficace de la rotation des cultures et, par conséquent, afin de réduire considérablement les risques d'assurance.
Graphique montre le rendement prévu pour les cultures cibles dans 3 champs sélectionnés en bushels/ha.
Nom du champ Colza Maïs Soja Huiles de Tournesol Blé
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
Technique de rééchantillonnage Jackknife a été utilisée. À savoir, en omettant systématiquement chaque observation d'un ensemble de données, nous avons calculé l'estimation, puis découvert la moyenne des calculs. Pour exclure les facteurs climatiques et technologiques, nous n'avons utilisé que les données des 6 dernières années.

Période de récolte des cultures ciblées au Canada dure habituellement d'août à septembre. Sachant cela, nous avons pu prévoir le rendement deux mois avant la récolte, atteignant une précision de plus de 82 %. La précision augmentait régulièrement à mesure que la récolte approchait jusqu'à ce qu'elle atteigne 90 % deux semaines seulement avant la récolte, comme prévu.

Solutions personnalisées pour une agriculture intelligente

Analyse avancée de l'humidité du sol image

Analyse avancée de l'humidité du sol
Suivi des récoltes image

Suivi des récoltes
Détection des limites du champ image

Détection des limites du champ
Classement des cultures image

Classement des cultures