Previsão de Rendimentos das Culturas
A equipe de cientistas e engenheiros de dados da EOSDA desenvolveu técnicas eficazes para a estimativa de rendimento das culturas usando modelos de sensoriamento remoto e aprendizado de máquina. Estamos contando com os dados de observação da Terra recuperados de satélites para cobrir áreas que vão de fazendas individuais a regiões completas.

Previsão de Rendimento das Culturas em Números
A precisão do rendimento estimado depende da qualidade dos dados estatísticos e pode variar entre 85% e 95%.
As previsões de rendimento da temporada atual são de até 3 meses de antecedência.
Rendimento previsto para mais de 100 tipos de culturas.
Produziremos uma previsão de rendimento com 95% de precisão em duas semanas ou menos, dependendo da complexidade do projeto.
O modelo de estimativa de rendimento WOFOST não requer nenhuma entrada.
Garantimos que as previsões sejam baseadas na mais abrangente análise de dados.
Benefícios de Estimativa de Rendimento
- Maior velocidade de tomada de decisão relacionada às operações de colheita, armazenamento e transporte.
- Dados sobre a rentabilidade da cultura em sua área de interesse com base na estimativa de rendimento.
- Oportunidade de fortalecer a segurança alimentar global introduzindo a previsão de produção de culturas para os países em desenvolvimento - ajudando-os a prevenir a fome, impulsionar as economias locais e implementar práticas agrícolas sustentáveis.

- Melhor compreensão do mercado agrícola e decisões mais bem informadas sobre a gestão de estoques, importações e exportações, de acordo com a PAC e outras políticas semelhantes.
- Uma compreensão muito melhor dos efeitos cumulativos das condições hostis do campo (pragas, doenças, deficiências de nutrientes e outros) no desenvolvimento das culturas.

A Nossa Abordagem
Para eficiência máxima e precisão da previsão do rendimento das culturas, fundimos dois tipos diferentes de modelos de previsão de rendimento - biofísico e estatístico. Essa abordagem "híbrida" nos permite assumir projetos mais complexos.
Modelo de previsão de rendimento biofísico
- Coletar dados (parâmetros meteorológicos, análise do solo, estado da cultura, dados fenológicos, etc.).
- Calibrar o modelo e realizar a assimilação LAI para garantir a exatidão de uma previsão de rendimento da cultura na ausência de dados estatísticos e aumentar a variabilidade dos valores.
- Simule os parâmetros de produtividade biológica (TAGP, WSO, umidade relativa do solo, consumo total de água, entre outros) para estimar o rendimento.
- tualize os dados uma vez a cada 14 dias para aumentar a precisão. Isso tem a ver com as atualizações meteorológicas.
Modelo de previsão de rendimento estatístico
- Coleta de dados para criar um conjunto de dados de previsão de rendimento safra e combiná-lo com possíveis preditores (chuva, temperatura, umidade, tipo de solo, entre outros).
- Escolhendo o modelo de ML certo para o projeto - por exemplo, regressão linear, Floresta Aleatória, LightGBM, XGBoost, CatBoost, para citar alguns.
- Ajustando o modelo para responder às necessidades específicas do projeto em questão para melhores resultados.
Fase de fusão de modelos
O estágio de fusão é necessário se quisermos alcançar a maior precisão possível de 95%. Fundimos o modelo de previsão de rendimento biofísico com o modelo estatístico descrito acima.
EOSDA Crop Modeling + assimilação LAI
-
Conjunto de cenários modelos
-
Aquisição de dados 1
-
Aquisição de dados 2
-
Aquisição de dados 3Seleção do cenário mais provável e reinicialização do estado do sistema modelado com o cenário
-
Aquisição de dados 4Observaçoes de LAI
-
Aquisição de dados 5
-
Colheta
A aplicação da assimilação LAI nos permitiu alcançar a precisão de 95% em 30% dos campos. Para os campos marcados em vermelho, a precisão de menos de 80% foi alcançada, enquanto a precisão da previsão de rendimento da cultura para os campos marcados pelo verde ultrapassou a marca de 80%.


As Nossas Histórias bem Sucedidas
A Previsão de rendimento para uma grande exploração agropecuária na Ucrânia
Dois relatórios diferentes foram gerados:
- 45 dias antes da colheita
- Duas semanas antes da colheita
- menos de 80% de precisão
- mais de 80% de precisão


Precisão (WOFOST) | Precisão (WOFOST + LAI) | ||
---|---|---|---|
Milho | |||
Milho | 0.75 | 0.91 | |
Soja | |||
Soja | 0.78 | 0.86 | |
Girassol | |||
Girassol | 0.71 | 0.88 | |
Cevada do Inverno | |||
Cevada do Inverno | 0.53 | 0.82 | |
Trigo do Inverno | |||
Trigo do Inverno | 0.75 | 0.92 |
A tabela abaixo mostra a correlação entre a precisão da estimativa de rendimento, a cultura-alvo e o número de campos. Por exemplo, o rendimento previsto da cevada de inverno teve um precisão superior a 90% para 52 campos.
Número de campos | ||||||
---|---|---|---|---|---|---|
Cultivo / Precisão | ||||||
Cultivo / Precisão | <70% | 70-75% | 75-80% | 80-85% | 85-90% | >90% |
Cevada do Inverno Número de campos | ||||||
Cevada do Inverno | 27 | 7 | 5 | 22 | 23 | 52 |
Trigo do Inverno Número de campos | ||||||
Trigo do Inverno | 33 | 17 | 19 | 21 | 19 | 102 |
Colza do Inverno Número de campos | ||||||
Colza do Inverno | 26 | 6 | 20 | 14 | 27 | 22 |
Girassol Número de campos | ||||||
Girassol | 12 | 11 | 12 | 14 | 19 | 22 |
Soja Número de campos | ||||||
Soja | 28 | 22 | 29 | 58 | 37 | 86 |
Previsão de rendimento de Culturas para uma seguradora canadense
Objetivo Dados confiáveis de rendimento predito em cada cliente para reduzir os riscos do seguro.
Dados de entrada: Mais de 100 campos em 20 fazendas.
modelo de estimativa de rendimento vs rendimento real por tipo de cultura dado em %
Cultivo | Rendimento modelada | Rendimento real | |
---|---|---|---|
Canola | |||
Canola | 41,81 | 41,00 | |
Milho | |||
Milho | 123,65 | 110,00 | |
Ervilhas | |||
Ervilhas | 30,94 | 25,00 | |
Soja | |||
Soja | 22,89 | 22,00 | |
Girassol | |||
Girassol | 1767,73 | 1800,00 | |
Trigo | |||
Trigo | 53,72 | 53,00 | |
Total geral | |||
Total geral | 95,6 | 94,47 |
modelo de estimativa de rendimento vs rendimento real por tipo de cultura dado em %
Cultivo | Rendimento modelada | Rendimento real |
---|---|---|
Canola | ||
Canola | 40,19 | 39,00 |
Milho | ||
Milho | 119,14 | 110,00 |
Aveia | ||
Aveia | 125,03 | 125,00 |
Centeio de outono | ||
Centeio de outono | 64,39 | 75,00 |
Girassol de confeitaria | ||
Girassol de confeitaria | 2063,60 | 1800,00 |
Azeite de girassol | ||
Azeite de girassol | 1834,19 | 1800,00 |
Trigo | ||
Trigo | 61,73 | 65,00 |
Total geral | ||
Total geral | 584,34 | 528,00 |
O gráfico mostra o rendimento previsto para culturas-alvo em 3 campos selecionados em alqueires/ha.
-
SE-2-6-28-W1
- Nome do campo
- SE-2-6-28-W1
- Canola
- 58,68
- Milho
- 194,33
- Soja
- 41,45
- Azeite de girassol
- 2208,85
- Trigo
- 72,49
-
SW-36-7-28-W1
- Nome do campo
- SW-36-7-28-W1
- Canola
- 30,91
- Milho
- 169,49
- Soja
- 14,42
- Azeite de girassol
- 1146,91
- Trigo
- 46,24
-
W-34-5-27-W1
- Nome do campo
- W-34-5-27-W1
- Canola
- 38,77
- Milho
- 151,58
- Soja
- 24,71
- Azeite de girassol
- 1476,83
- Trigo
- 59,82
Nome do campo | Canola | Milho | Soja | Azeite de girassol | 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 |
O período de colheita das culturas-alvo no Canadá geralmente dura de agosto a setembro. Sabendo disso, conseguimos prever o rendimento dois meses antes da colheita, alcançando uma precisão superior a 82%. A precisão aumentou constantemente à medida que a colheita se aproximava até chegar a 90% apenas duas semanas antes da colheita, como era esperado.
A EOSDA é uma líder na aplicação de tecnologias de observação da terra para fins empresariais e ambientais em mais de 22 indústrias, dando ênfase especial à agricultura e à silvicultura. Até agora, mais de 950.000 clientes em todo o mundo beneficiaram dos produtos de monitoramento por satélite da EOSDA. Estamos prestes a lançar nossa própria constelação de satélites que fornecerá imagens em 13 canais espectrais para agrônomos em todo o mundo. Você pode nos dar a tarefa de estimativa de rendimento de cultura para uma área tão pequena como um campo e tão grande quanto um país. Usando 10 fontes separadas de dados, juntamente com modelos de rede neural treinados, nossa equipe de cientistas de RnD ajudará o seu negócio a prosperar de forma sustentável.
Estamos aqui para ajudar!

Melhore sua experiência agrícola graças a uma equipe agrícola gerida à distância