Точность
до 95%
Точность оценки расчета урожайности зависит от качества статистических данных и может составлять от 85% до 95%.
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
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.
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
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 EOS + 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%.
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%
| 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.
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 %
| 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 | |
Определение урожайности за 14 дней до сбора урожая 2020 года.
модель расчета урожайности в сравнении с фактической урожайностью по видам культур в %
| 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 |
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
