EOSDA предлагает индивидуальные карты продуктивности
  • Решения для агробизнеса

Карты Продуктивности EOSDA Для Повышения Урожайности

Надежное отслеживание урожайности культур играет важную роль в сельскохозяйственном бизнесе, способствуя оптимизации производства, улучшению управления цепочками поставок и соблюдению нормативных требований. Исследования показывают, что урожайность таких востребованных культур, как пшеница, безпрерывно растет с середины XX века . Однако статистика указывает на рост количества применяемых удобрений, что может привести к эрозии почвы и сокращению срока ее жизни. Срок жизни 16% почв составляет менее 100 лет. Это означает, что в некоторых регионах осталось собрать всего около 100 урожаев прежде, чем земля станет неплодородной . Применение устойчивых методов ведения сельского хозяйства, которые позволяют повышать производительность, сохраняя при этом здоровье и плодородие почв, важно как никогда.

Аналитика данных дистанционного зондирования помогает визуализировать и сравнивать урожайность сельскохозяйственных культур и факторы, которые на нее влияют. Мы поговорили с Александром Джевагой, менеджером по работе с партнерами компании EOSDA, и Алексеем Кривобоком, главным научным экспертом EOS Data Analytics, о новом решении, над которым они работают, – “Карты продуктивности на основе комбинированного индекса продуктивности”.

Почему Аграриям Нужны Инструменты На Основе ИИ Для Оценки Продуктивности Сельскохозяйственных Культур?

Александр Джевага: Спрос на оптимизированную аналитику в сельском хозяйстве растет по разным причинам. Например, в соответствии со стратегией ЕС Farm to Fork Strategy необходимо сократить потери питательных веществ на 50% до 2030 г., а использование удобрений – на 20% при сохранении плодородия почвы . Реализация данной стратегии включает в себя ряд директив, обязательных для исполнения всеми сельскохозяйственными предприятиями на территории ЕС. Кроме того, в связи с различными факторами: от изменения климата до баланса между импортом и экспортом, сельхозпроизводители вынуждены искать инструменты, которые помогут им сохранить производительность экологичным и экономически эффективным способом.

Список задач, которые можно решить с помощью ИИ в сельском хозяйстве, включает в себя:

  1. Прогнозирование состояния посевов.
  2. Быстрый анализ данных и предоставление ценных рекомендаций.
  3. Оптимизация графиков полива, внесения удобрений и других важнейших операций на ферме, влияющих на урожайность.
  4. Обнаружение и прогнозирование вредителей и болезней сельскохозяйственных культур.
  5. Снижение погодных рисков и получение информации о влажности почвы, температуре, влажности воздуха, осадках и т.д. для принятия обоснованных решений.

Применение инструментов на основе ИИ позволяет более точно и эффективно оценить продуктивность и здоровье культур. Использование продвинутой аналитики способствует оптимизации урожайности, снижению рисков и принятию решений на основе данных для совершенствования методов ведения сельского хозяйства.

Что Представляют Собой Карты Продуктивности На Основе Комбинированного Индекса Продуктивности Как Индивидуальное Решение Компании EOSDA?

Алексей Кривобок: Карты продуктивности на основе комбинированного индекса продуктивности (далее – КП) создаются на основе исходных данных из разных источников, включая спутниковые снимки и биофизические модели. КП позволяют определить, в каких частях поля продуктивность (растительность) была стабильно высокой, а в каких – стабильно низкой.

В итоге получается карта, дополненная визуализацией на основе NDVI (Нормализованный разностный индекс растительности) и результатами биофизического моделирования, в которых учитывается ряд дополнительных факторов (тип культуры, погодные условия, тип почвы, рельеф и т.д.). Это позволяет проводить более точный анализ, так как для получения выходного значения учитывается большее количество переменных. Кроме того, комбинированный индекс продуктивности можно использовать для оценки особенностей каждой культуры по отдельности, то есть пользователь может получить разные карты продуктивности для разных культур.

Александр Джевага: Да, наших клиентов интересует развитие такой разносторонней аналитики. Это очень важно, поскольку для получения хорошего урожая каждый тип культур требует определенных условий.

Спутниковые Данные Представлены В Виде Чисел/Пикселей, А Урожай Измеряется В Единицах Веса. Какие Единицы Измерения Вы Используете Для Оценки Продуктивности?

Алексей Кривобок: Индекс продуктивности – это величина без единиц измерения. Это связано с тем, что наша методика объединяет два разных источника данных с разными единицами измерения:

  • Индекс продуктивности рассчитывается на основе спутниковых снимков (а именно на основе индексов растительности), которые принимают значение от 0 до 1.
  • Продуктивность сельскохозяйственных культур рассчитывается по результатам биофизического моделирования в таких единицах как кг/га.

Итоговый (комбинированный) индекс представляет собой величину, полученную в результате биофизического моделирования, умноженную на индекс продуктивности, рассчитанный по спутниковым данным.

Поэтому данный индекс продуктивности не имеет конкретных единиц измерения. Мы можем как-нибудь сравнить значение индекса продуктивности с кг/га, но это будет не совсем корректно. Лучшее применение данного индекса – кластеризация, то есть сравнение продуктивности различных областей интереса (AOI) по единой шкале. Затем, оценив полученные результаты, можно понять, какая зона более продуктивна, а какая – менее (с учетом нескольких параметров, указанных выше).

Для лучшего понимания обратимся к примеру (кукуруза):

  • Индекс продуктивности по спутниковым данным для пикселя/зоны = 0,8
  • Результат биофизического моделирования = 10 000 (предположительно кг/га)
  • Итоговый взвешенный (комбинированный) индекс продуктивности пикселя/зоны = 8 000 (без единиц измерения)

Что Такое Кластеризация В Картах Продуктивности И Как Ее Можно Использовать?

Александр Джевага: В исходном варианте (без дополнительной постобработки) карты продуктивности представляют собой изображения с географической привязкой, состоящие из наборов пикселей, каждый из которых содержит значение комбинированного индекса продуктивности. Эти данные не всегда удобно использовать в таком формате, особенно когда они применяются для сельскохозяйственной техники или высокоуровневого анализа большой территории.

Для более удобного использования карт продуктивности в целях, указанных выше, обычно проводится кластеризация (или зонирование). Кластеризация – это разделение карты продуктивности на несколько однородных зон в зависимости от значений индекса, которые имеют пиксели. Это означает, что пиксели с одинаковыми значениями индекса объединяются в одну зону, т.е. кластер.

Алексей Кривобок: Для разных случаев мы можем выбрать разное количество кластеров. Например, можно выделить 5 кластеров (очень высокая продуктивность, высокая продуктивность, средняя продуктивность, умеренная продуктивность и низкая продуктивность). Затем для каждого кластера нужно выбрать интервал значений индекса. И если значение индекса в каком-либо пикселе попадает в выбранный интервал, то пиксель будет отнесен к кластеру, как показано на рисунке ниже.

Пример карты продуктивности
Пример карты продуктивности сельскохозяйственных культур, построенной на основе набора интервалов значений индекса. Изображение: EOS Data Analytics

Алексей Кривобок: Такие кластеры в дальнейшем удобнее использовать, например, для дифференцированного внесения удобрений. Кластеризованная карта продуктивности загружается в сельхоз технику и для каждого класса задается норма внесения удобрений (например, для кластера с низкой продуктивностью задается самая высокая норма внесения удобрений, а для кластера с очень высокой продуктивностью – самая низкая). Техника использует навигацию и географическую привязку карты продуктивности, поэтому попадая в зону низкой продуктивности, количество вносимых удобрений увеличивается, и регулируется в зависимости от зоны, в которой она находится.

Модели ИИ Не Стабильны. Если Модель Обучена На Одном Объекте, Она Может Быть Ошибочной На Другом. Как Обеспечить Точность В Разных Областях Интереса?

Алексей Кривобок: В основе комбинированного индекса продуктивности лежит два компонента: результаты расчетов вегетационного индекса (NDVI) и результаты биофизического моделирования. Чтобы обучить индивидуальную модель для КП, необходимо обучить отдельные модели для каждого из этих двух компонентов, а затем объединить полученные результаты.

Что касается расчетов вегетационного индекса, тут все достаточно просто. Расчет индекса проводится на основе многоспектральных спутниковых снимков, на которых фиксируется отражение определенной длины волны от поверхности Земли. При изменении характеристик земной поверхности (например, в другом регионе) эти спектральные отражательные характеристики меняются вместе со значениями индексов. Формулы и подходы к расчету индексов разработаны давно и проверены по различным критериям многими сообществами ученых.

Александр Джевага: С биофизическим моделированием дело обстоит несколько иначе. Здесь используется хорошо известный метод – модель WOFOST, которая была адаптирована учеными EOSDA для расчета карт продуктивности на основе комбинированного индекса продуктивности. Наша версия этой динамической модели, дополненная знаниями об экологических и климатических условиях, помогает оценить нереализованный потенциал сельскохозяйственных культур.

Алексей Кривобок: Это возможно благодаря локальным данным о типах почв, погоде, особенностях развития культур (фенологические данные) в конкретном регионе, которые и служат входными параметрами модели. Это означает, что модель получает специфические параметры, присущие конкретной местности в качестве входных данных. Например, фенологические данные изучаются командой разработчиков EOSDA отдельно для каждого агроклиматического региона. В результате можно доработать алгоритм таким образом, чтобы он учитывал специфику региона, для которого проводится анализ.

В дальнейшем модель можно проверить и откалибровать при наличии достоверных наземных данных в выбранных регионах, включая данные о погоде с наземных метеостанций, данные о фактической урожайности культур, карты почв в высоком пространственном разрешении и т.д.

Как Заказать Карты Продуктивности У Команды Eosda?

Алексей Кривобок: Нам необходимо получить определенные данные, чтобы начать обучать модель. В случае с картами продуктивности на основе комбинированного индекса продуктивности нам необходимы следующие данные:

  1. Область интереса: Для проверки качества и возможности моделирования рекомендуется предоставить AOI как минимум из двух регионов с различными климатическими и почвенными характеристиками.
  2. Основные культуры и фенологические данные по целевым культурам в AOI (при наличии)
  3. Данные о типе почвы в AOI (при наличии)
  4. Данные о рельефе местности в AOI (при наличии)
  5. Исторические данные о погоде (при наличии)

Александр Джевага: Карты продуктивности – это индивидуальный проект, а каждый индивидуальный проект уникален. Обычно аграрии, заинтересовавшиеся разработкой модели, обращаются к нам, и мы вместе обсуждаем, как можно реализовать их проект в соответствии с требованиями. Все разработки по индивидуальным решениям выполняются нашей командой ученых, в которую входят доктора и профессора, в общей сложности 60 штатных специалистов по работе с данными и GIS специалистов. После первичной консультации заказчик получает детальное предложение с указанием примерной стоимости, продолжительности и ожидаемых результатов проекта.

Какие Виды Работ Могут Включать В Себя Такие Индивидуальные Проекты?

Александр Джевага: Выделю некоторые из потенциальных задач, которые мы можем решить в рамках индивидуального проекта Productivity Mapping.

  • Доработка автоматизированных систем/конвейеров (биофизическое моделирование, погодные данные и т.д.)
  • Анализ растительности и климатических особенностей уникальной области интереса клиента
  • Запуск и мониторинг работы конвейеров/автоматизированных систем, например, поиск, загрузка и комбинирование спутниковых снимков, расчет индекса продуктивности на основе спутниковых данных
  • Биофизическое моделирование для целевых культур на заданной территории в определенный периода
  • Объединение результатов расчетов и получение комбинированного индекса продуктивности
  • Постобработка результатов, поиск и коррекция аномалий (при наличии), растеризация данных, кластеризация данных, визуализация
  • Формирование отчетов по результатам обучения модели.

Это некоторые из примеров того, что мы часто делаем в рамках наших проектов. Однако возможности индивидуальных КП значительно шире.

Можете Ли Вы Привести Несколько Недавних Примеров Успешного Использования КП? Каковы Были Цели Клиентов И Как Мы Помогли Их Достичь?

Александр Джевага: Недавно мы успешно выполнили заказ на разработку карт продуктивности для крупной международной научно-технической компании в США, которая занимается сельским хозяйством. Мы сотрудничали непосредственно с их отделом исследований и разработок (R&D) и разработали карты продуктивности в соответствии с их требованиями.

Алексей Кривобок: Основной целью проекта было подтвердить высокое качество и точность решений EOSDA по КП, сгенерированных с помощью комбинированного подхода на основе спутниковых данных и данных биофизической модели. Результат успешно прошел внутреннюю валидацию, проведенную клиентом, что особенно ценно, учитывая масштабы данного бизнеса.

Итак, Модель ИИ Для Индивидуальных Карт Производительности Обучена – Что Происходит Дальше? Каким Образом Клиент Может Интегрировать Ее В Собственные Рабочие Процессы И Программное Обеспечение?

Алексей Кривобок: Это зависит от формата результата. Существует два основных формата, в которых мы можем предоставлять Карты продуктивности для выбранной области интереса:

  • Векторная маска, которая делит AOI на зоны продуктивности в соответствии со значениями индекса продуктивности. Для получения более точных данных область интереса, скорее всего, будет разделена на меньшие участки (поля/секции), в пределах которых будут отображаться зоны.
  • Растровая маска, которая отображает значение индекса производительности для каждого пикселя. В случае необходимости эти индексы для каждого пикселя можно изъять для дальнейшего анализа.

Александр Джевага: Клиент может самостоятельно выбрать формат данных и отображать результаты с помощью своего программного обеспечения (например, для консультирования своих клиентов) или использовать эти данные для дальнейших экспериментов и разработок (поскольку мы предоставляем очень подробные по-пиксельные данные и исчерпывающие инструкции для правильной интерпретации).

В Чем Конкурентное Преимущество Карт Продуктивности от EOSDA?

Александр Джевага: О конкурентных преимуществах на уровне бизнеса можно судить по основным сферам применения карт продуктивности:

  1. КП можно использовать для дифференцированного высева. Например, в более продуктивной зоне можно посеять больше семян, а в менее продуктивной – меньше, чтобы получить больше урожая.
  2. Также с их помощью фермеры могут определять участки для отбора проб почвы. Отбор образцов почвы необходим для оптимизации роста культур и может осуществляться различными способами. Наличие индивидуальной КП позволяет брать меньшее количество образцов благодаря тому, что они отбираются не по сетке, а из зон с разной продуктивностью. Этот метод является более точным и экономически целесообразным.
  3. Такие карты используются для внесения калийных и фосфорных удобрений. Эти удобрения нужно вносить реже, чем азотные (в зависимости от состава почвы, климата и т.д.), поскольку они дольше вымываются из почвы, а следовательно, анализ полей проводится за более длительные периоды наблюдений.
  4. КП позволяют анализировать потенциал определенных территорий с точки зрения урожайности для различных типов сельхозкультур. Это важный инструмент для агропредприятий, которые анализируют целесообразность инвестиций и расширения деятельности на новые территории.

Алексей Кривобок: Если говорить об алгоритмической части модели, то наше преимущество заключается в том, что мы обучаем модель на нескольких наборах данных с кросс-валидацией, благодаря чему она делает более точные аналитические выводы.

Кроме того, наши технологии проверены временем, что, безусловно, позволяет нам опережать конкурентов. Наши специалисты по обработке данных – это опытные разработчики нейронных сетей, которые могут создавать математические модели, выходящие за рамки традиционных подходов, существующих на рынке. Опыт ГИС-специалистов, почвоведов и экспертов по фенологии дополняет эти модели.

Кстати, новейшие результаты наших разработок зарегистрированы в Бюро патентов и торговых марок США, что является весомым доказательством исключительной работы нашей научной команды. В частности, одно из наших зарегистрированных открытий используется в EOSDA Crop Monitoring.

Тот факт, что мы можем настраивать нейронные сети в соответствии с потребностями наших клиентов, позволяет нам называть КП индивидуальными проектами. По сути, каждая вторая модель может превратиться во что-то новое. Кроме того, она будет воспроизводимой – мы можем помочь оптимизировать код и процессы таким образом, чтобы индивидуальная КП не была одноразовой, а приносила пользу регулярно.

Итак, Карты Продуктивности EOSDA Существуют Как Индивидуальное Решение И Как Одна Из Функций EOSDA Crop Monitoring. Чем они отличаются?

Алексей Кривобок: Карты продуктивности как индивидуальное решение основано на комбинированном индексе продуктивности, который содержит данные вегетационного индекса, полученные со спутниковых снимков, а также данные биофизического моделирования. Для создания индивидуальных КП нам нужно адаптировать биофизическую модель для конкретной географической местности (климатические данные, почва, параметры культур и т.д.) в каждом отдельном случае. В то время как карты производительности, доступные на платформе EOSDA Crop Monitoring, автоматически рассчитывают среднее из самых высоких значений NDVI за определенный период времени, выбранный пользователем. Эта процедура занимает не более минуты. В общем, карты продуктивности на платформе являются быстрым решением для внесения удобрений и семян с переменной нормой, а также для определения участков для отбора образцов почвы. В то время как индивидуальные КП являются более точными, поскольку учитывают больше параметров, но для их создания требуется время и опыт.

Понятно! И Напоследок, Как EOSDA Планирует Развивать Индивидуальные Карты Продуктивности Дальше?

Алексей Кривобок: После успешной проверки концепции мы уверены, что наше решение является жизнеспособным и масштабируемым. Мы разработали набор конвейерных методологий, которые позволяют нашей команде эффективно рассчитывать комбинированный индекс продуктивности для больших площадей. Поэтому в ближайших планах – обучение индивидуальных моделей на более обширных площадях, чем во время проверки концепции, а также более масштабная работа с биофизическим моделированием.

Александр Джевага: Также существует возможность повысить точность моделирования, благодаря следующим данным:

  1. Статистика урожайности: Если клиент может предоставить исторические данные об урожайности в области интереса, это может улучшить модель (благодаря более надежным параметрам модели), а также приблизить единицы измерения к кг/га (но в любом случае они не будут абсолютно такими же).
  2. Погодные данные: Используя метеорологическую сетку с высоким разрешением, а еще лучше – данные с наземных станций (при наличии у заказчика), мы можем повысить точность и равномерность результатов.
  3. Данные о типах почв и топографии: Это дополнительные факторы, которые могут повысить точность при условии наличия точных оцифрованных карт почв и рельефа местности с высоким разрешением. Также существует альтернативное решение: EOSDA может потенциально улучшить пространственное разрешение имеющихся карт почв.
  4. Другие данные: Любые другие точные наземные данные, которые можно использовать как дополнительные параметры модели.

Алексей Кривобок: Именно так, потому что наш подход базируется на биофизических моделях, и мы можем работать даже с экзотическими растениями при наличии соответствующих данных о них (фенологии и параметров культур). Разработанная методика позволяет EOS Data Analytics при необходимости расширять список поддерживаемых культур независимо от того, это распространенные культуры или редкие.

Вам понравилась эта статья?
Спасибо за ваш отзыв!

Об авторе:

Рим Элайджа Вице-президент по продажам в EOS Data Analytics

Рим Элайджа получила двойную степень в области делового администрирования и политологии в Стокгольмском университете. Будучи вице-президентом по продажам, она курирует все аспекты разработки и внедрения бизнес-моделей, а также расширения глобального присутствия EOSDA. Рим удалось установить ряд успешных стратегических партнерств с упором на предоставление устойчивых решений в Африке и Азии.

Последние cтатьи

Ложная Мучнистая Роса: Определение И Борьба С Болезнью
  • Управление посевами

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
  • Сельскохозяйственные практики

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.

Фузариоз: Как Предотвратить И Победить Патоген
  • Управление посевами

Фузариоз: Как Предотвратить И Победить Патоген

Споры фузариоза могут сохраняться в почве и заражать основные культуры, что делает его одним из самых стойких патогенов в сельском хозяйстве. Узнайте, как защитить свои посевы от этого возбудителя.