
EOSDA Улучшила PySawit Для Повышения Ее Точности
Производители масличных пальм, обычно растущих в Азиатско-Тихоокеанском регионе, теперь сталкиваются со все большими опасностями из-за изменения климата. Резкие погодные явления приводят к падению урожайности и заставляют производителей задуматься — есть ли этому конец? Что им делать дальше, преодолевать условия или сдаться? Конечно, первый вариант гораздо разумнее.
Первое, что приходит на ум, — это изучить проблему, т. е. лучше понять влияние изменения климата на урожайность пальмового масла. Для этого производителям нужны надежные инструменты прогнозирования урожайности. Современные технологии уже позволяют им собирать исторические данные и получать представление о том, чего ожидать в предстоящем сезоне. EOS Data Analytics, глобальный поставщик аналитики спутниковых изображений на основе ИИ, предлагает одно из таких решений — помочь производителям масличных пальм точно прогнозировать урожайность.
Рынок Пальмового Масла
Рынок пальмового масла уже сейчас довольно большой и продолжает расти. Общий размер рынка в 2023 году составил 68 миллиардов долларов, где Азиатско-Тихоокеанский регион сгенерировал более 73% доли выручки . В 2024 году эта цифра только выросла, что обусловлено ростом спроса на пальмовое масло в пищевой, косметической и биотопливной промышленности . Из всех стран региона, Индонезия является крупнейшим производителем пальмового масла не только локально, но и во всем мире, используя его в производстве биотоплива и стараясь максимально уменьшить воздействие отрасли на окружающую среду .
Перспективы роста многообещающие, с прогнозом увеличения рынка на 57 миллиардов долларов в период с 2024 по 2028 год . Precedence Research сообщает, что рынок пальмового масла, как ожидается, достигнет около 121,80 миллиарда долларов к 2034 году, увеличиваясь на 5,4% в год с 2024 по 2034 год. Цифры ошеломляют, и все больше игроков выходят на рынок, чтобы пожинать эти прекрасные плоды. Неудивительно, что производители постоянно ищут новые способы получить конкурентное преимущество. Но какими бы ни были эти способы, нужно оценить их прибыльность, прежде чем менять процесс выращивания пальм. Именно здесь инструмент прогнозирования урожайности будет наиболее полезен.
В результате в EOS Data Analytics мы заметили, что прогнозы урожайности стали критически важным требованием для различных заинтересованных сторон в индустрии пальмового масла. Государственные и неправительственные организации полагаются на точные прогнозы урожайности для мониторинга тенденций производства, оценки усилий по обеспечению устойчивости и принятия обоснованных политических решений для минимизации воздействия на окружающую среду. Аналогичным образом, компании, прошедшие IPO, полагаются на точные данные об урожайности для улучшения своих методов мониторинга и отчетности по бизнесу. Эти прогнозы необходимы для обеспечения прозрачности для акционеров, выполнения обязательств по соблюдению требований и демонстрации приверженности компании устойчивой и эффективной деятельности, особенно в секторе, который подвергается пристальному вниманию из-за своего экологического и социального воздействия.
Ручные Методы Прогнозирования Урожайности Масличных Пальм
Для прогнозирования урожайности можно использовать несколько методов. Исторически при прогнозировании урожайности учитывались такие факторы, как возраст пальмы, тип почвы, тестирование листьев и почвы, а также параметры роста пальмы. Давайте рассмотрим их подробнее. Возраст пальм влияет на урожайность и скорость производства гроздей. Тип почвы влияет на рост пальмы, ее здоровье и развитие плодов. Тестирование листьев и почвы — это метод оценки питательных веществ. А параметры роста пальмы включают физические измерения, которые коррелируют с потенциалом урожайности. Использовались такие методы, как подсчет черных гроздей, спелых и незрелых гроздей и плодов, а также оценка на основе возраста. И все это выполняется вручную, по одной штуке за раз, конечно же.
Однако эти методы все сложнее использовать. Высокая зависимость от рабочей силы и потенциальная нехватка людей, медленный сбор данных, который задерживает принятие решений, а также неточные и непоследовательные ручные записи — вот причины, по которым производители пальмового масла ищут новые, более технологичные и автоматизированные способы расчета прогноза урожайности.
Когда я общался с клиентами в Малайзии, они подчеркивали серьезную проблему нехватки рабочей силы. Все сложнее найти людей, готовых работать в поле, поскольку многие теперь предпочитают комфорт офисной работы физически тяжелому труду. Эта проблема также очевидна в Индонезии, где появляются похожие тенденции. Ручная работа в поле не только отнимает много времени, но и очень требовательна, особенно для крупных производителей пальмового масла, управляющих сотнями тысяч гектаров.
Ручные записи данных также ненадежны, поскольку данные часто искажаются, заменяются и в конечном итоге теряются. Однако есть способ использовать биофизику и вычислять все автоматически, а не вручную, используя моделирование данных.
Новая И Более Точная Модель Прогнозирования Урожайности
Модель PySawit — это усовершенствованный подход к прогнозированию урожайности масличной пальмы, основанный на биофизике. Она использует биофизические отношения и основана на информации о погоде, свойствах почвы, плотности посадки, водном и температурном стрессе и других параметрах для прогнозирования урожайности. Исходные компоненты модели включают метеорологические данные, данные об урожае, влажности почвы, энергетическом балансе и фотосинтезе. Эти данные используются для различных функций модели:
- Метеорологические данные используются для обновления информации на текущий день и расчета вторичных параметров, необходимых для моделирования.
- Данные по урожаю основаны на моделировании моделей роста пальм и учитывают мероприятия по обслуживанию, такие как обрезка и удобрение.
- Данные о влажности почвы позволяют рассчитывать влажность почвы по слоям, оценивать уровни водного стресса и влияние грунтовых вод на влажность почвы.
- Энергетический баланс помогает рассчитать температуру полога для расчета оптимальных условий фотосинтеза и анализа баланса между входами и выходами энергии, которые влияют на метаболизм растений.
- Наконец, данные по фотосинтезу используются для моделирования усвоения CO₂ во время фотосинтеза и определения дальнейших стадий роста на основе фотосинтетической активности.
EOS Data Analytics решила улучшить точность модели PySawit до 90% с 78%, которые она уже позволяла. Научная команда EOSDA добавила дополнительные компоненты, а затем перекалибровала обновленную модель. Они реализовали полуавтоматический подход, позволяющий вносить корректировки на основе таких параметров, как сорт пальмы, и повышающий точность и вариативность.
Обновленная модель использует преимущества источников метеорологических данных с более высоким разрешением для повышения точности климатических прогнозов. Данные вегетационных индексов, полученные со спутниковых снимков, также повышают точность модели. Наконец, индикаторы влажности почвы помогают точнее выявлять водный стресс растений по сравнению с возможностями исходной модели.
Характеристика | Улучшеная модель PySawit | Ручной подход |
---|---|---|
Точность | Достигает точности до 90% за счет автоматизированного моделирования. | Зависит от качества труда; подвержен человеческим ошибкам. |
Частота обновления | Предлагает обновления дважды в неделю, ежемесячно и ежеквартально за счет автоматизации. | Нерегулярный; привязанный к доступности полевых работников. |
Зависимость от рабочих | Снижает потребность в обширной ручной работе, устраняя дефицит рабочей силы. | Требует значительных трудовых ресурсов; уязвимый к их нехватке. |
Интеграция данных | Объединяет спутниковые снимки с данными об окружающей среде для мониторинга. | Ограниченый ручными наблюдениями без спутниковых данных. |
Мониторинг окружающей среды | Отслеживает более 5 погодных параметров, данные о почве, историческую урожайность и температуру полога. | Фокусируется на возрасте пальмы, типе почвы и основных параметрах роста. |
Подход | Использует биофизические предикторы, такие как LAI, влажность почвы, температура полога и уровень CO₂. | Опирается на физическое наблюдение и ручной подсчет гроздей. |
По мере включения в модель все большего количества параметров она становится более точной. Для иллюстрации, если первоначальный PySawit использовал данные о погоде с пространственным разрешением около 9 км или 5 км, то наша команда использовала данные поставщика погоды с пространственным разрешением 90 м. Это позволило нам получить информацию для каждой конкретной плантации, а не для всего блока плантаций или целого региона.
Важно добавить в модель информацию о погоде, поскольку есть такая особенность региона — фермеры могут пересаживать посевы из-за неблагоприятных погодных условий. Таким образом, для точности модели необходимо знать как дату пересева, так и погодные условия на участке.
Дополнительные параметры и входные данные могут повлиять на точность модели. Однако каждый проект уникален и вносит свои особенности в процесс калибровки, поэтому не может быть универсального решения для окончательного обновления модели.
Параметры, Используемые Для Калибровки Модели
Реализация проекта подразумевает несколько наборов данных. Основные данные включают возраст и темпы пересадки, плотность посадки, стратегию прореживания, контуры области интереса (AOI) и историческую урожайность. Плотность посадки также включает общее количество деревьев на гектар. Стратегия прореживания должна быть учтена, если когда-либо использовалась. Контуры AOI включают векторный формат, количество насаждений и гектаров. И последнее, но не менее важное: необходима историческая урожайность за последние 3-5 сезонов, включая ежемесячные, квартальные или годовые данные.
С другой стороны, дополнительные данные не так важны, но они позволят еще больше откалибровать модель. Здесь будет достаточно карт и состава почвы, глубины уровня грунтовых вод, среднего веса на пальму, данных с метеорологических станций или датчиков почвы и любых данных по управлению урожаем, включая удобрение, орошение и обработку почвы.
Использование нашей улучшенной модели PySawit имеет несколько преимуществ. Ее повышенная точность приводит к улучшению финансового планирования, поддержке устойчивости, оптимизированному планированию урожая, управлению рисками, рыночной конкурентоспособности, снижению затрат и оптимизации распределения ресурсов. Гибкая частота моделирования позволяет принимать решения на основе данных, экономить время и точно управлять цепочкой поставок.
Модель В Действии: Как Ее Можно Использовать
Один из самых известных клиентов, использующих нашу усовершенствованную модель PySawit, находится в Индонезии. Они управляют поместьем площадью около 15-17 тысяч гектаров и хотели узнать ожидаемую урожайность сезона 2024-2025. Вот как выглядят исходные данные модели — в частности, векторный слой прогнозируемой урожайности на разных участках поля.

Опытные фермеры, привыкшие к традиционным методам ведения сельского хозяйства, часто с опаской относятся к новым технологиям, так как их преимущества не всегда очевидны, а результаты не всегда надежны. Однако, несмотря на сложность самой модели PySawit, ее использование максимально просто — в итоге вы получаете данные о прогнозируемой урожайности в виде, похожем на тот, который вы получали ранее при ручных расчетах, только точность будет значительно выше.
Мир движется вперед, и то же самое должны делать и земледельцы. Еще совсем недавно люди не знали, что такое интернет, но теперь мы используем его во всех аспектах нашей жизни. То же самое касается точного земледелия и его методов — однажды фермеры даже не поймут, что было время, когда люди вручную считали свои пальмы и таким образом подсчитывали урожайность.
Наша команда гибкая и готова принять любой вызов, который встанет на нашем пути.
Мы готовы менять модель на основе ваших данных. Мы хотим улучшить точность, сделав несколько итераций и доказать, что PySawit может быть намного эффективнее любой модели, которую вы используете сейчас.
Если вы рассматриваете возможность изменения подхода к выращиванию масличных пальм, давайте поговорим. Наши эксперты, такие как Сергей и Алексей, могут помочь вам определить, какие данные необходимы для проекта. С ростом спроса на рынке и ужесточением погодных условий разумно смотреть в будущее и принимать обоснованные решения. EOSDA здесь, с вами, чтобы протянуть руку помощи. Давайте расти и меняться вместе.
Об авторе:
Ксения Кунах имеет более 6 лет опыта написания текстов, работая в различных сферах, включая бизнес, образование и медиа-тексты. Предыдущий опыт Ксении как менеджера по развитию в украинской эко-НПО и менеджера по подбору персонала в ІТ-компании делает ее идеальным сочетанием человека, который увлекается эко-технологическими инновациями и умеет легко о них рассказывать.
Последние cтатьи

Обзор И Тенденции Рынка Агротехнологий На 2024-2030
Артём Анисимов, CEO EOSDA, представляет аналитический доклад о текущих тенденциях в сельском хозяйстве до 2030 года и обсуждает интересные для клиентов компании идеи в области агротехнологий.

Ложная Мучнистая Роса: Определение И Борьба С Болезнью
Ложная мучнистая роса - болезнь, требующая ранней диагностики и быстрого принятия мер. Профилактика проведенная вовремя, поможет сохранить культуру и благоприятно скажется на показателях урожая.

Дифференцированное Внесение Удобрений: Использование и Преимущества
Технология внесения удобрений с переменной нормой — лучшее решение для полей и фермеров. Узнайте больше о точном земледелии и особенностях дифференцированного внесения удобрений.