Прогнозирование Урожайности Сельскохозяйственных Культур

Команда ученых и инженеров в области больших данных EOSDA разработала эффективные методы оценки урожайности сельскохозяйственных культур с помощью дистанционного зондирования и моделей машинного обучения. Мы опираемся на данные наблюдения Земли со спутников, покрывающие территории от отдельных ферм до целых регионов.

спутник, собирающий данные об урожайности

Статистика

Прогнозирование Урожайности Сельскохозяйственных Культур в Цифрах

Точность

до 95%

Точность оценки расчета урожайности зависит от качества статистических данных и может составлять от 85% до 95%.

Прогнозы

До 3 месяцев вперед

Прогнозы урожайности на текущий сезон на период до 3 месяцев вперед.

Типы культур

100 +

Прогноз урожайности для более чем 100 видов культур.

Скорость реализации проекта

до 14 дней

Мы подготовим заблаговременный прогноз урожайности с точностью 95% за две недели или меньше, в зависимости от сложности проекта.

Данные по одной культуре

0 - 100 fields

Модель расчета урожайности WOFOST вообще не требует статистических данных.

Источники данных

10 +

Мы следим за тем, чтобы прогнозы основывались на наиболее полном анализе данных.

Преимущества

Что Дает Оценка Урожайности

Увеличение скорости принятия решений по сбору, хранению и транспортировке урожая.
Данные о рентабельности культур в области интереса на основе заблаговременного прогноза урожайности.
Возможность укрепления глобальной продовольственной безопасности путем внедрения прогнозирования урожайности в развивающихся странах - это поможет предотвратить голод, поднять экономику и внедрить устойчивые методы ведения сельского хозяйства.

Улучшение понимания сельскохозяйственного рынка и принятие более обоснованных решений по управлению запасами, импортом и экспортом в соответствии с CAP (Единая сельскохозяйственная политика Европейского союза) и другими подобными политиками.
Более глубокое понимание кумулятивного воздействия неблагоприятных полевых условий (вредители, болезни, дефицит питательных веществ и др.) на развитие сельскохозяйственных культур.

Методология

Наш Подход

Для достижения максимальной эффективности и точности прогнозирования урожайности сельскохозяйственных культур мы объединяем два различных типа моделей прогнозирования урожайности - биофизическую и статистическую. Такой "гибридный" подход позволяет нам браться за более сложные проекты.

Биофизическая модель прогнозирования урожайности

Сбор данных (погодные параметры, анализ почвы, состояние культуры, фенологические данные и т.д.).
Калибровка модели и проведение ассимиляции LAI для обеспечения точности прогноза урожайности в отсутствие статистических данных и увеличения вариабельности значений.
Симулировать параметры биологической продуктивности (TAGP, WSO, относительная влажность почвы, общее водопотребление и другие) для оценки урожайности.
Обновлять данные раз в 14 дней для повышения точности. Это связано с обновлением погоды.

Статистическая модель прогнозирования урожайности

Сбор данных для создания набора данных для прогнозирования урожайности и комбинирование их с возможными предикторами (осадки, температура, влажность, тип почвы и другие).
Выбор подходящей ML-модели для проекта - например, линейная регрессия, Random Forest, LightGBM, XGBoost, CatBoost и др.
Настройка модели в соответствии с конкретными потребностями проекта для достижения наилучших результатов.

Этап слияния моделей

Этап слияния моделей необходим, если мы хотим достичь максимально возможной точности в 95%. Мы объединяем биофизическую модель прогнозирования урожайности со статистической моделью, описанной выше.

Алгоритм моделирования урожая EOSDA + LAI ассимиляция

Ансамбль сценариев модели
Сбор данных 1
Сбор данных 2
Сбор данных 3Подбор самого реалистичного сценария прогноза урожая и сравнение полученной модели с реальным сценарием
Сбор данных 4Наблюдения за LAI
Сбор данных 5
Урожай

Применение LAI - ассимиляции позволило нам достичь 95% точности на 30% полей. Для полей, отмеченных красным цветом, была достигнута точность менее 80%, в то время как точность прогноза урожайности для полей, отмеченных зеленым цветом, превысила отметку 80%.

Точность моделирования урожая EOSDA — Алгоритм моделирования урожайности EOSDA

EOSDA Crop Modeling + точность ассимиляции LAI

Истории наших клиентов

Успешные Примеры Использования

Прогноз урожайности для крупного агрохолдинга в Украине

В 2020 году мы реализовали проект по прогнозированию урожайности для 6 основных культур: Озимый ячмень, Озимый рапс, Озимая/Весенняя пшеница, Подсолнечник, Соя и Кукуруза.

Были сгенерированы два различных отчета:

за 45 дней до сбора урожая
за 2 недели до сбора урожая

точность менее 80%
точность более 80%

Модель машинного обучения прогноза урожайности от EOSDA - WOFOST (вводные/результаты) + LAI (Sentinel-2)

	Точность (WOFOST)	Точность (WOFOST + LAI)
	Кукуруза
Кукуруза	0.75	0.91
	Соевые бобы
Соевые бобы	0.78	0.86
	Подсолнух
Подсолнух	0.71	0.88
	Ячмень озимый
Ячмень озимый	0.53	0.82
	Озимая пшеница
Озимая пшеница	0.75	0.92

Усовершенствовав модель с помощью ассимиляции LAI (Индекс листовой поверхности), разработанной командой, нам удалось повысить точность оценки урожайности для 30% полей по сравнению с традиционным подходом WOFOST.

В таблице ниже показана корреляция между точностью оценки урожайности, целевой культурой и количеством полей. Например, урожайность озимого ячменя была спрогнозирована с точностью более чем 90% на 52 полях

	Количество полей
	Культура / Точность
Культура / Точность	<70%	70-75%	75-80%	80-85%	85-90%	>90%
	Ячмень озимый Количество полей
Ячмень озимый	27	7	5	22	23	52
	Озимая пшеница Количество полей
Озимая пшеница	33	17	19	21	19	102
	Рапс озимый Количество полей
Рапс озимый	26	6	20	14	27	22
	Подсолнух Количество полей
Подсолнух	12	11	12	14	19	22
	Соевые бобы Количество полей
Соевые бобы	28	22	29	58	37	86

Прогнозирование урожайности сельскохозяйственных культур для канадской страховой компании

Цель: надежные данные по прогнозируемой урожайности по каждому клиенту для снижения страховых рисков.

Исходные данные: Более 100 полей на 20 фермах.

Задача 1

Оценка средней урожайности для 6 основных видов культур, растущих на каждом поле на всех 20 фермах, и сравнение ее с фактическим отчетом об урожайности.

модель оценки урожайности в сравнении с фактической урожайностью по видам культур, приведенной в %

Канола > 98,03
Кукуруза > 87, 59
Горох > 76,25
Соевые бобы > 95,94
Подсолнух > 98,21
Пшеница > 98,63

Культура	Смоделированная урожайность	Фактическая урожайность
	Канола
Канола	41,81	41,00
	Кукуруза
Кукуруза	123,65	110,00
	Горох
Горох	30,94	25,00
	Соевые бобы
Соевые бобы	22,89	22,00
	Подсолнух
Подсолнух	1767,73	1800,00
	Пшеница
Пшеница	53,72	53,00
	Общая сумма
Общая сумма	95,6	94,47

Задача 2

Определение урожайности за 14 дней до сбора урожая 2020 года.

модель расчета урожайности в сравнении с фактической урожайностью по видам культур в %

Канола > 96,96
Кукуруза > 91,69
Овёс > 99,98
Озимая рожь > 85,85
Кондитерский подсолнечник > 85,36
Подсолнечник масличный > 98,06
Пшеница > 94,95

Культура	Смоделированная урожайность	Фактическая урожайность
	Канола
Канола	40,19	39,00
	Кукуруза
Кукуруза	119,14	110,00
	Овёс
Овёс	125,03	125,00
	Озимая рожь
Озимая рожь	64,39	75,00
	Кондитерский подсолнечник
Кондитерский подсолнечник	2063,60	1800,00
	Подсолнечник масличный
Подсолнечник масличный	1834,19	1800,00
	Пшеница
Пшеница	61,73	65,00
	Общая сумма
Общая сумма	584,34	528,00

Задача 3

Предоставление клиенту данных прогноза урожайности культур для более эффективного планирования севооборота и, как следствие, значительного снижения страховых рисков.

На графике показана прогнозируемая урожайность целевых культур на 3 выбранных полях в бушелях/га.

SE-2-6-28-W1

Название поля

SE-2-6-28-W1

Канола

58,68

Кукуруза

194,33

Соевые бобы

41,45

Подсолнечник масличный

2208,85

Пшеница

72,49
SW-36-7-28-W1

Название поля

SW-36-7-28-W1

Канола

30,91

Кукуруза

169,49

Соевые бобы

14,42

Подсолнечник масличный

1146,91

Пшеница

46,24
W-34-5-27-W1

Название поля

W-34-5-27-W1

Канола

38,77

Кукуруза

151,58

Соевые бобы

24,71

Подсолнечник масличный

1476,83

Пшеница

59,82

Название поля	Канола	Кукуруза	Соевые бобы	Подсолнечник масличный	Пшеница<
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

Была использована техника выборки Складного ножа (Jackknife resampling). Способ заключается в следующем: для каждого элемента вычисляется среднее значение выборки без учёта данного элемента, а затем — среднее всех таких значений.Чтобы исключить климатические и технологические факторы, мы использовали данные только за последние 6 лет.

Период сбора урожая целевых культур в Канаде обычно длится с августа по сентябрь. Зная это, мы смогли спрогнозировать урожайность за два месяца до сбора урожая, достигнув точности более 82%. Точность неуклонно росла по мере приближения сбора урожая, пока не достигла 90% всего за две недели до сбора урожая, как и ожидалось.

EOSDA является лидером в применении технологий наблюдения Земли для коммерческих и экологических целей в 22+ отраслях, с фокусом на сельское и лесное хозяйство. На сегодняшний день более 950 000 клиентов по всему миру воспользовались продуктами спутникового мониторинга EOSDA. В ближайшее время мы запускаем собственную спутниковую группировку для сельського хозяйства, которая предоставит агрономам снимки в 13 спектральных каналах по всему миру. Вы можете поручить нам оценку урожайности сельскохозяйственных культур как для небольшого поля, так и на уровне страны. Используя 10 отдельных источников данных и обученные модели неронных сетей, наша команда ученых исследователей и разработчиков поможет вашему бизнесу устойчиво развиваться.

Мы готовы помочь!

Повысьте эффективность управления фермой благодаря удаленному управлению агрокомандой вашей мечты