EOS SAT-1 será lançado em:
dias
Horas
Minutos
Segundos
68954
Saiba mais
    1. Início
    2. EOSDA Crop Monitoring
    3. Previsão de rendimentos
  1. Previsão de rendimentos

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.

satélite coletando dados de rendimento
Números

Previsão de Rendimento das Culturas em Números

Exatidão
até 95%

A precisão do rendimento estimado depende da qualidade dos dados estatísticos e pode variar entre 85% e 95%.

Previsões
Até um período de 3 meses

As previsões de rendimento da temporada atual são de até 3 meses de antecedência.

Tipos de cultura
100 +

Rendimento previsto para mais de 100 tipos de culturas.

Velocidade do projeto
até 14 dias

Produziremos uma previsão de rendimento com 95% de precisão em duas semanas ou menos, dependendo da complexidade do projeto.

Entradas por Cultura
0 a 100 fields

O modelo de estimativa de rendimento WOFOST não requer nenhuma entrada.

Fontes de dados
10 +

Garantimos que as previsões sejam baseadas na mais abrangente análise de dados.

Metodologia

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.

EOS 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%.

Precisão de modelagem de corte EOSDA
EOSDA Crop Modeling
EOSDA Crop Modeling + precisão de assimilação de LAI
EOSDA Crop Modeling + precisão de assimilação de LAI
Casos de utilização

As Nossas Histórias bem Sucedidas

A Previsão de rendimento para uma grande exploração agropecuária na Ucrânia

Em 2020, implementamos um projeto de previsão de rendimentopara 6 grandes culturas: Cevada de Inverno, Colmada de Inverno, Trigo de Inverno/Primavera, Girassol, Soja e Milho.

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
Predição do rendimento WOFOST
Predição do rendimento WOFOST
Modelo de aprendizado de máquina da predição do rendimento da EOSDA - WOFOST (entradas/saídas) + LAI (Sentinel-2)
Modelo de aprendizado de máquina da predição do rendimento da EOSDA - WOFOST (entradas/saídas) + LAI (Sentinel-2)
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
Ao melhorar o modelo com assimilação LAI, que foi desenvolvida pela equipe, conseguimos aumentar a precisão da estimativa de rendimento em 30% dos campos em comparação com a abordagem WOFOST tradicional.

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.

Tarefa 1
Estimando o rendimento médio de 6 grandes tipos de culturas crescendo em todos os campos em todas as 20 fazendas e comparando-o com o relatório real de rendimento.

modelo de estimativa de rendimento vs rendimento real por tipo de cultura dado em %

  • Canola > 98,03
  • Milho > 87, 59
  • Ervilhas > 76,25
  • Soja > 95,94
  • Girassol > 98,21
  • Trigo > 98,63
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
Tarefa 2
Estimando o rendimento 14 dias antes da colheita de 2020.

modelo de estimativa de rendimento vs rendimento real por tipo de cultura dado em %

  • Canola > 96,96
  • Milho > 91,69
  • Aveia > 99,98
  • Centeio de outono > 85,85
  • Girassol de confeitaria > 85,36
  • Azeite de girassol > 98,06
  • Trigo > 94,95
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
Tarefa 3
Fornecer ao cliente os dados de previsão de rendimento de culturas para permitir um planejamento mais eficiente da rotação da cultura e, como resultado, reduzir significativamente os riscos do seguro.

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
A técnica de reamostragem de canivete foi usada. Ou seja, ao omitir sistematicamente cada observação de um conjunto de dados calculamos a estimativa e, em seguida, descobrimos a média dos cálculos. Para excluir fatores climáticos e tecnológicos, só usamos os dados dos últimos 6 anos.

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!

nossos especialistas

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