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.

Прогнозирование Урожайности Сельскохозяйственных Культур в Цифрах
Точность
Прогнозы
Типы культур
Скорость реализации проекта
Данные по одной культуре
Источники данных
Смотрите видео о нашем решении для прогнозирования урожайности
Мировая продовольственная безопасность зависит от эффективности методов управления продовольственным снабжением, таких как прогнозирование урожайности, которое способствует более устойчивому выращиванию сельскохозяйственных культур. EOSDA разработала решение для оценки урожайности, опираясь на последние достижения в области машинного обучения и геопространственной аналитики, чтобы предоставлять фермерам, агрохолдингам, компаниям, обеспечивающим продовольственную безопасность, и другим организациям, ответственным за принятие решений, важные данные, необходимые для прибыльного и устойчивого производства культур.
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.

Наш Подход
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.
-
Ансамбль сценариев модели
-
Сбор данных 1
-
Сбор данных 2
-
Сбор данных 3Подбор реального 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%.


Успешные Примеры Использования
- за 45 дней до сбора урожая
- за 2 недели до сбора урожая
- точность менее 80%
- точность более 80%


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 |
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 |
Цель: надежные данные по прогнозируемой урожайности по каждому клиенту для снижения страховых рисков.
Исходные данные: Более 100 полей на 20 фермах.
-
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, фунт/акр | |||
Канола, фунт/акр | 41,81 | 41,00 | |
Кукуруза, бушель/акр | |||
Кукуруза, бушель/акр | 123,65 | 110,00 | |
Горох, ц/акр | |||
Горох, ц/акр | 30,94 | 25,00 | |
Соевые бобы, бушель/акр | |||
Соевые бобы, бушель/акр | 22,89 | 22,00 | |
Подсолнух, фунт/акр | |||
Подсолнух, фунт/акр | 1767,73 | 1800,00 | |
Пшеница, бушель/акр | |||
Пшеница, бушель/акр | 53,72 | 53,00 | |
Общая сумма | |||
Общая сумма | 95,6 | 94,47 |
-
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 |
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 |
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.