EOSDA Покращила PySawit для Підвищення Її Точності
Олійні пальми, які зазвичай ростуть в Азійсько-тихоокеанському регіоні, тепер стикаються з дедалі більшою небезпекою через зміну клімату. Різкі погодні явища спричиняють падіння врожайності та змушують виробників задуматися — чи є цьому край? Що їм робити далі, долати умови чи здатися? Звичайно, перший варіант має набагато більше сенсу.
Перше, що спадає на думку, це вивчити проблему, тобто краще зрозуміти вплив зміни клімату на врожайність пальмової олії. Для цього виробникам потрібні надійні інструменти прогнозування врожайності. Сучасні технології вже дозволяють їм збирати історичні дані та отримувати уявлення про те, чого очікувати в майбутньому сезоні. EOS Data Analytics, глобальний постачальник аналітики супутникових зображень на основі штучного інтелекту, пропонує одне з таких рішень — допомагає виробникам пальмової олії точно прогнозувати врожайність.
Ринок Пальмової Олії
Ринок пальмової олії вже зараз доволі великий і продовжує зростати. Загальний розмір ринку у 2023 році становив 68 мільярдів доларів США, де Азійсько-тихоокеанський регіон отримав понад 73% частки доходу . У 2024 році це число лише зросло через зростання попиту на пальмову олію в харчовій, косметичній та біопаливній промисловості . Серед країн регіону Індонезія є найбільшим виробником пальмової олії не лише локально, а й по всьому світу, використовуючи олію для виробництва біопалива та намагаючись зробити все можливе, щоб зменшити вплив промисловості на навколишнє середовище .
Перспективи зростання є багатонадійний, з прогнозом збільшення ринку на 57 мільярдів доларів між 2024 і 2028 роками . Precedence Research стверджує, що очікується, що до 2034 року ринок олійної пальми досягне приблизно 121,80 мільярда доларів США, зростаючи на середньорічному темпі на 5,4% з 2024 по 2034 рік. Цифри вражають, і все більше гравців виходять на ринок, щоб отримати ці чудові прибутки. Не дивно, що виробники постійно шукають нові способи підвищити конкурентоспроможність. Проте якими б не були ці способи, їхню рентабельність слід оцінити, перш ніж змінювати процес вирощування пальм. Ось де інструмент прогнозування врожайності стане в пригоді найбільше.
У результаті в EOS Data Analytics ми помітили, що прогнозування врожайності стало важливою вимогою для різних зацікавлених сторін у галузі виробництва пальмової олії. Громадські та неурядові організації покладаються на точні прогнози врожайності для моніторингу тенденцій виробництва, оцінки зусиль щодо сталого розвитку та прийняття політичних рішень щодо мінімізації впливу на навколишнє середовище. Подібним чином компанії, які пройшли IPO, залежать від точних даних про прибутковість для покращення практики моніторингу та звітності. Ці прогнози необхідні для забезпечення прозорості для акціонерів, виконання зобов’язань щодо відповідності та демонстрації прихильності компанії до сталої та ефективної діяльності, особливо в секторі, який піддається ретельному контролю за своїм екологічним і соціальним слідом.
Ручні Методи Прогнозування Врожайності Олійних Пальм
Для прогнозування врожайності можна використовувати кілька методів. Історично склалося так, що факторами, які враховувалися при прогнозуванні врожайності, були вік пальми, тип ґрунту, тестування листя та ґрунту та параметри росту пальми. Розглянемо їх ближче. Вік пальм впливає на врожайність і продуктивність грон. Тип ґрунту впливає на ріст пальми, її здоров’я та розвиток плодів. Тестування листя та ґрунту є методом оцінки поживних речовин. А параметри росту пальми включають фізичні вимірювання, які корелюють з потенційною врожайністю. Використовувані методи полягали в підрахунку чорного грона, стиглого та незрілого плодового грона, а також кластера, плюс оцінювання на основі віку. І звичайно, усе це робилося вручну, по одній штуці за раз.
Однак дотримуватись цих методів стає дедалі складніше. Висока залежність від робочої сили та потенційна нестача людей, повільний збір даних, який затримує рішення, а також неточні та суперечливі записи вручну — це причини, через які виробники пальмової олії шукають нові, більш технологічні та автоматизовані способи розрахунку прогнозування врожайності.
Коли я спілкувався з клієнтами в Малайзії, вони підкреслювали серйозну проблему, пов’язану з нестачею робочої сили. Стає важче знайти людей, які бажають працювати в полі, тому що багато хто тепер віддає перевагу комфорту офісної роботи над фізично важкою працею. Ця проблема також очевидна в Індонезії, де помітні схожі тенденції. Ручні польові роботи не тільки забирають багато часу, але й дуже вибагливі, особливо для великих виробників пальмової олії, які керують сотнями тисяч гектарів.
Записи даних вручну також ненадійні, оскільки дані часто перекручуються, замінюються та, зрештою, втрачаються. Однак є спосіб використовувати біофізику та обчислювати все автоматично замість ручного моделювання даних.
Нова Й Більш Точна Модель Прогнозування Врожайності
Модель PySawit — це розширений біофізичний підхід до прогнозування врожайності олійної пальми. Цей метод використовує біофізичні зв’язки та керується інформацією про погоду, властивостями ґрунту, щільністю посадки, водним і температурним стресом та іншими параметрами. Вихідні компоненти моделі включають метеорологічні дані, дані про врожай, вологість ґрунту, енергетичний баланс і фотосинтез. Ці дані використовуються для різних функцій моделі:
- Метеорологічні дані використовуються для оновлення інформації на поточну добу та розрахунку вторинних параметрів, важливих для моделювання.
- Дані про врожай ґрунтуються на моделюванні моделей росту пальм і враховують заходи з догляду, такі як обрізка та внесення добрив.
- Дані про вологість ґрунту дозволяють розрахувати пошарову вологість ґрунту, оцінити рівень водного стресу та вплив ґрунтових вод на його вологість.
- Енергетичний баланс допомагає розрахувати температуру рослинного покриву, щоб розрахувати оптимальні умови фотосинтезу та проаналізувати баланс між надходженнями та виходами енергії, які впливають на метаболізм рослин.
- Нарешті, дані фотосинтезу використовуються для моделювання асиміляції CO₂ під час фотосинтезу та визначення подальших стадій росту на основі фотосинтетичної активності.
EOS Data Analytics вирішила підвищити точність моделі PySawit до 90% з 78%, які вона вже допускала. Наукова команда EOSDA додала додаткові компоненти, а потім відкалібрувала оновлену модель. Вони запровадили напівавтоматичний підхід, що дозволяє коригувати дані на основі таких параметрів, як сорт пальм, і покращує точність і варіативність.
Оновлена модель використовує переваги джерел даних про погоду з вищою роздільною здатністю, щоб запропонувати покращену точність кліматичних прогнозів. Дані вегетаційних індексів, отримані із супутникових зображень, також підвищують точність моделі. Нарешті, індикатори вологості ґрунту допомагають точніше визначити водний стрес рослин у порівнянні з можливостями оригінальної моделі.
| Характеристика | Покращена модель PySawit | Ручний підхід |
|---|---|---|
| Точність | Досягає точності до 90% завдяки автоматизованому моделюванню. | Залежить від якості праці; схильний до людських помилок. |
| Частота оновлення | Пропонує оновлення кожні два тижні, щомісяця та щокварталу за допомогою автоматизації. | Нерегулярний; прив’язаний до наявності польових працівників. |
| Залежність від робочих рук | Зменшує потребу у великій ручній роботі, усуваючи дефіцит робочої сили. | Вимагає значної робочої сили; вразливий до дефіциту. |
| Інтеграція даних | Поєднує супутникові зображення з екологічними даними для моніторингу. | Обмежується ручними спостереженнями без супутникових даних. |
| Екологічний моніторинг | Відстежує понад 5 погодних параметрів, дані про ґрунт, історичну врожайність і температуру крони. | Орієнтується на вік пальми, тип ґрунту та основні параметри росту. |
| Підхід | Використовує такі біофізичні предиктори, як LAI, вологість ґрунту, температура навісу та рівень CO₂. | Покладається на фізичне спостереження та ручний підрахунок грон. |
Оскільки все більше параметрів включається в модель, вона стає більш точною. Для ілюстрації, якщо початковий PySawit використовував дані про погоду з просторовою роздільною здатністю приблизно 9 км або 5 км, наша команда використовувала дані провайдера погоди з просторовою роздільною здатністю 90 м. Це дозволило нам отримати дані для кожної конкретної плантації, а не для всього блоку плантацій або цілого регіону.
Важливо додати в модель інформацію про погоду, оскільки є така особливість регіону — фермери можуть пересаджувати посіви через несприятливу погоду. Таким чином, для точності моделі необхідно знати як дату пересіву, так і погодні умови на ділянці.
Додаткові параметри та вхідні дані можуть впливати на точність моделі. Однак кожен проєкт є унікальним і вносить свої особливості в процес калібрування, тому не може бути комплексного рішення для остаточного оновлення моделі.
Параметри Для Калібрування Моделі
Реалізація проєкту передбачає декілька наборів даних. Основні дані включають вік і частоту пересадки, щільність посадки, стратегію проріджування, контури області інтересу (AOI) та історичну врожайність. Щільність насадження включає також загальну кількість дерев на гектар. Слід враховувати стратегію проріджування, якщо вона колись використовувалася. Контури AOI відображають векторний формат, кількість насаджень і гектарів. І останнє, але не менш важливе, — потрібна історична врожайність за останні 3-5 сезонів, включаючи місячні, квартальні або річні дані.
З іншого боку, додаткові дані не такі важливі, але вони дозволять ще більше відкалібрувати модель. Тут буде достатньо карт і складу ґрунту, глибини рівня ґрунтових вод, середньої ваги на пальму, даних метеорологічних станцій або ґрунтових датчиків, а також будь-яких даних щодо управління культурами, включаючи внесення добрив, зрошення та обробку ґрунту.
Використання нашої вдосконаленої моделі PySawit має кілька переваг. Його підвищена точність сприяє покращенню фінансового планування, підтримки сталого розвитку, оптимізованому плануванню врожаю, управлінню ризиками, конкурентоспроможності на ринку, зниженню витрат і оптимізації розподілу ресурсів. Гнучка частота моделювання дозволяє приймати рішення на основі даних, економити час і точно керувати ланцюгом постачання.
Модель У Дії: Як Її Можна Використовувати
Один із найвідоміших клієнтів, які використовують переваги нашої розширеної моделі PySawit, знаходиться в Індонезії. Вони керують маєтком площею близько 15-17 тисяч гектарів і хотіли дізнатися очікувану врожайність сезону 2024-2025 років. Ось як виглядає результат моделі — зокрема, векторний шар прогнозованої врожайності на різних частинах поля.
Досвідчені фермери, які звикли до традиційних методів землеробства, часто насторожено ставляться до нових технологій, оскільки переваги від них не завжди очевидні, а результати не завжди надійні. Однак, попри складність самої моделі PySawit, її використання максимально просте — у підсумку ви отримуєте дані про прогнозовану врожайність у формі, схожій на ту, яку ви отримували раніше при ручних розрахунках, але точність буде значно вищою.
Світ рухається вперед, і аграрії також повинні рухатися з ним. Не так давно люди не знали, що таке Інтернет, але тепер ми використовуємо його в усіх аспектах нашого життя. Те саме стосується точного землеробства та його методів — одного дня фермери навіть не усвідомлять, що був час, коли люди рахували свої пальми вручну та таким чином обчислювали врожаї.
Наша команда гнучка і готова впоратися з будь-яким викликом, який постає перед нами.
Ми готові змінювати модель на основі ваших вхідних даних. Ми хочемо підвищити точність, зробивши кілька ітерацій і довести, що PySawit може бути набагато ефективнішим за будь-яку модель, яку ви зараз використовуєте.
Якщо ви плануєте змінити підхід до вирощування олійних пальм, давайте поговоримо. Наші експерти, такі як Сергій та Олексій, можуть допомогти вам визначити, які дані потрібні для проєкту. З висхідним ринковим попитом і погіршенням погодних умов розумно дивитися в майбутнє та приймати зважені рішення. EOSDA тут, щоб простягнути вам руку допомоги. Давайте рости та змінюватися разом.
Про автора:
Ксенія Кунах має понад 6 років досвіду написання текстів, працюючи в різних сферах, включаючи бізнес, освіту та медіа-тексти. Попередній досвід Ксенії як менеджерки з розвитку в українській еко-НУО та менеджерки з підбору персоналу в ІТ-компанії робить її ідеальним поєднанням людини, яка захоплюється еко-технологічними інноваціями та вміє легко про них розповідати.
Oстанні статті
Огляд Ринку Та Тенденції В AgriTech На 2024-2030 Роки
Артем Анісімов, генеральний директор EOSDA, представляє аналітичний white paper про поточні тенденції сільського господарства до 2030 року та розповідає цікаві клієнтам компанії факти про agritech.
Нор-Ест Агро Визначає Продуктивність Через Супутники
Українська Нор-Ест Агро використовує вегетаційні індекси та погодну аналітику в EOSDA Crop Monitoring для визначення ефективності комплексних рішень на полях партнерів.
Пероноспороз: Як Розпізнати, Запобігти Та Боротися
Пероноспороз — агресивна хвороба, що загрожує врожаям. Вчасне виявлення і продумана профілактика допоможуть зберегти посіви та підвищити економічну стабільність агробізнесу.