Карти Продуктивності EOSDA Сприяють Кращій Врожайності

Для Чого Аграріям Потрібні Інструменти На Основі Штучного Інтелекту Для Оцінки Продуктивності Культур?

Олександр Джевага: Ми бачимо значне зростання попиту на спрощену аналітику в сільському господарстві з різних причин. Наприклад, згідно зі стратегією ЄС “Від лану до столу”, до 2030 року втрати поживних речовин мають бути зменшені на 50%, а використання добрив – на 20% при збереженні родючості ґрунту ^{European Commission. (2022). Farm to Fork Strategy. Language selection | Food Safety.}. Ця стратегія передбачає низку директив, які є обов’язковими для виконання всіма сільськогосподарськими підприємствами на території ЄС. Крім того, різні фактори, від зміни клімату до балансу імпорту та експорту, вимагають від виробників шукати інструменти, які допоможуть їм зберегти продуктивність у безпечний для здоров’я та економічно ефективний спосіб.

Інструменти на основі штучного інтелекту для сільського господарства можуть використовуватись для наступних цілей:

1. Прогнозування стану посівів.
2. Швидкий аналіз даних і надання дієвих рекомендацій.
3. Оптимізація графіків зрошення, внесення добрив та інших ключових сільськогосподарських операцій, які впливають на продуктивність культур.
4. Виявлення та прогнозування появи шкідників і зараження сільськогосподарських культур.
5. Зниження погодних ризиків та отримання інформації про вологість ґрунту, температуру, вологість повітря, кількість опадів тощо для прийняття обґрунтованих рішень.

Отже, застосування інструментів на основі штучного інтелекту надає ширші можливості для оцінки продуктивності та стану сільськогосподарських культур з більшою точністю та ефективністю. Використання сучасної аналітики сприяє оптимізації врожайності, зменшенню ризиків та прийняттю рішень на основі даних для вдосконалення сільськогосподарських практик.

Що Являє Собою Індивідуальне Рішення EOSDA “Карти Продуктивності На Основі Комбінованого Індексу Продуктивності”?

Олексій Кривобок: Карти продуктивності на основі комбінованого індексу продуктивності (далі – КП) створюються на основі вхідних даних, отриманих з різних джерел, таких як супутникові знімки та біофізичні моделі. КП дозволяють з’ясувати, в яких частинах поля продуктивність (вегетація) була стабільно високою, а в яких – стабільно низькою.

В результаті ми отримуємо карту, доповнену візуалізацією на основі NDVI (Normalized Difference Vegetation Index – нормалізований диференційний вегетаційний індекс), а також результатами біофізичного моделювання. Останнє враховує кілька додаткових факторів (тип культури, погодні умови, тип ґрунту, топографію тощо). Це дозволяє проводити більш точний аналіз, оскільки для отримання вихідного значення враховується більше змінних. Крім того, комбінований індекс продуктивності можна використовувати для оцінки особливостей кожної культури окремо, тобто користувач може мати різні Карти продуктивності для різних культур.

Олександр Джевага: Так, наші клієнти висловили зацікавленість у розробці такої різнобічної аналітики. Це дуже важливо, оскільки кожний тип культур потребує певного набору умов для забезпечення гарного врожаю.

Супутникові Дані Надходять У вигляді Цифр/Пікселів, А Посіви Вимірюються У Вагових Одиницях. Які Одиниці Виміру Використовуються Для Оцінки Продуктивності?

Олексій Кривобок: Індекс продуктивності – це величина, яка не має одиниць виміру. Це пов’язано з тим, що наша методологія поєднує два різних джерела даних з різними одиницями виміру:

• Індекс продуктивності розраховується на основі супутникових знімків (а саме на основі вегетаційних індексів), які приймають значення від 0 до 1.
• Продуктивність, змодельована за результатами біофізичного моделювання, виражена в таких одиницях, як кг/га.

Підсумковий (комбінований) індекс – це значення, отримане в результаті біофізичного моделювання, помножене на індекс продуктивності, розрахований за супутниковими даними.

Відтак, цей індекс продуктивності не має конкретних одиниць виміру. Ми можемо якимось чином порівняти значення індексу продуктивності з кг/га, але це буде не зовсім коректно. Найкращий спосіб використання індексу – кластеризація, тобто порівняння продуктивності різних областей інтересу (AOI) за єдиною шкалою. Тоді, оцінюючи отримані результати, можна зрозуміти, яка ділянка є більш продуктивною, а яка – менш продуктивною (враховуючи декілька параметрів, згаданих вище).

Для того, щоб було зрозуміліше, розглянемо приклад (культура – кукурудза):

• Індекс продуктивності на основі супутникових даних для пікселя/зони = 0,8
• Результат біофізичного моделювання = 10 000 (імовірно кг/га)
• Підсумковий зважений (комбінований) індекс продуктивності піксель/зона = 8 000 (без одиниць виміру)

Що Таке Кластеризація На Картах Продуктивності Та Як Її Можна Використовувати?

Олександр Джевага: У сирому вигляді (без додаткової постобробки) Карти продуктивності – це прив’язані до місцевості зображення, що складаються з наборів пікселів, кожен з яких містить значення комбінованого індексу продуктивності. Це не завжди зручний формат для використання таких даних, особливо коли вони потрібні для сільськогосподарської техніки або високорівневого аналізу великої території.

Зазвичай кластеризацію (або зонування) проводять для того, щоб Карти продуктивності було зручніше використовувати для вищезгаданих цілей. Кластеризація – це поділ Карти продуктивності на окремі однорідні зони залежно від значень індексу, які мають пікселі. Це означає, що пікселі зі схожими значеннями індексу об’єднуються в одну зону, тобто кластер.

Олексій Кривобок: Для різних випадків ми можемо обирати різну кількість кластерів. Наприклад, можна вибрати 5 кластерів (дуже висока продуктивність, висока продуктивність, середня продуктивність, помірна продуктивність і низька продуктивність). Потім для кожного кластера вибрати інтервал значень індексу. І якщо значення індексу в якомусь пікселі потрапляє в обраний інтервал, то піксель буде віднесено до кластера, як на зображенні нижче.

Олексій Кривобок: Далі такі кластери буде зручніше використовувати, наприклад, для диференційованого внесення добрив. Кластерна Карта продуктивності завантажується в техніку, і для кожного класу встановлюється норма внесення добрив (наприклад, для кластера з низькою продуктивністю встановлюється найвища норма внесення добрив, а для кластера з дуже високою продуктивністю – найнижча норма). Техніка використовує навігацію та геоприв’язку на Карті продуктивності, тому, потрапляючи, скажімо, в зону з низькою продуктивністю, вона збільшує кількість внесених добрив і так далі, залежно від зони, в якій вона знаходиться.

Моделі Штучного Інтелекту Відомі Своєю Нестабільністю. Якщо Модель Навчена На Одному Об’єкті, Вона Може Помилитися На Іншому. Як Ви Забезпечуєте Точність На Різних AOI?

Олексій Кривобок: Комбінований індекс продуктивності базується на двох компонентах: результатах розрахунків вегетаційного індексу (NDVI) та результатах біофізичного моделювання. Для того, щоб навчити індивідуальну модель для КП, нам потрібно навчити окремі моделі для кожного з цих двох компонентів, а потім об’єднати отримані результати.

Що стосується першого компонента, то тут все досить просто. Індекс розраховується на основі мультиспектральних супутникових знімків, які фіксують відбиття певної довжини хвилі від поверхні Землі. Якщо змінюється тип земної поверхні (наприклад, спостереження відбуваються в іншому регіоні), то ці спектральні характеристики відбиття і значення індексів також змінюються. Рівняння та підходи для розрахунку індексів розроблені вже досить давно і перевірені за різними критеріями багатьма спільнотами вчених.

Олександр Джевага: Проте з другим компонентом (біофізичним моделюванням) ситуація дещо інша. В цьому випадку використовується відомий метод – модель WOFOST, яка була адаптована науковцями EOSDA для створення Карт продуктивності на основі комбінованого індексу продуктивності. За допомогою нашої варіації цієї динамічної моделі можна оцінити невикористаний потенціал посівів, доповнений знаннями про екологічні та кліматичні умови.

Олексій Кривобок: Це можливо завдяки тому, що вхідними параметрами моделі є локальні дані про типи ґрунтів, погодні умови та особливості розвитку культур (фенологічні дані) в конкретному регіоні. Це означає, що на вхід моделі надходять специфічні параметри, притаманні конкретній місцевості. Наприклад, відділ досліджень та розробок (R&D) в EOSDA вивчає фенологічні дані окремо для кожного агрокліматичного регіону. Це дозволяє вдосконалити алгоритм таким чином, щоб він враховував специфіку регіону, для якого проводиться аналіз.

Також модель можна додатково перевірити та відкалібрувати за наявності у вибраних регіонах надійних наземних даних, таких як погодні дані з наземних метеостанцій, фактичні дані про врожайність, карти ґрунтів з високою просторовою роздільною здатністю тощо.

Як Замовити Карти Продуктивності У Команди EOSDA?

Олексій Кривобок: Для початку навчання моделі штучного інтелекту нам потрібно отримати певні дані. У випадку з Картами продуктивності на основі комбінованого індексу продуктивності такими даними будуть:

1. Область інтересу. Для перевірки якості та прийнятності симуляції пропонується надати AOI щонайменше з двох регіонів з різними кліматичними та ґрунтовими характеристиками.
2. Основні культури, що становлять інтерес, та фенологічні дані про цільові культури для AOI (за наявності)
3. Дані про тип ґрунту для AOI (за наявності)
4. Дані про рельєф місцевості для AOI (за наявності)
5. Історичні погодні дані (за наявності)

Олександр Джевага: Такі Карти продуктивності є індивідуальними проєктами, а кожен індивідуальний проєкт є унікальним. Зазвичай аграрії, які висловлюють зацікавленість у підготовці моделі, зв’язуються з нами, і ми разом обговорюємо, як ми можемо втілити їхній проєкт відповідно до вимог. Всі наші розробки індивідуальних рішень виконує команда науковців, до якої входять доктори наук та професори – загалом 60 штатних фахівців з обробки даних та ГІС-спеціалістів. Після початкового обговорення замовнику надається детальна пропозиція, яка містить приблизну оцінку, тривалість та очікувані результати проєкту.

Які Види Робіт Можуть Включати Такі Індивідуальні Проєкти?

Олександр Джевага: Наведу деякі з потенційних завдань, які ми можемо вирішити в рамках індивідуального проєкту з картування продуктивності.

• Допрацювання автоматизованих конвеєрів (біофізичне моделювання, погодні дані тощо)
• Аналіз вегетації та кліматичних особливостей унікальної області інтересу клієнта
• Запуск і моніторинг роботи конвеєрів, приміром, пошук, завантаження та комбінування супутникових знімків, розрахунок індексу продуктивності на основі супутникових даних
• Біофізичне моделювання для цільових культур на заданій території та в заданий період
• Поєднання результатів розрахунків та отримання комбінованого індексу продуктивності
• Постобробка результату, пошук та корекція аномалій (за наявності), растеризація, кластеризація та візуалізація даних
• Формування звітів за результатами навчання моделі.

Це лише деякі з прикладів того, що ми часто виконуємо в рамках наших проєктів. Проте можливості індивідуальних КП є значно ширшими.

Чи Можете Ви Навести Кілька Нещодавніх Успішних Прикладів Використання КП? Якими Були Цілі Клієнтів І Яким Чином Ми Їх Досягли?

Олександр Джевага: Нещодавно нам вдалося успішно виконати замовлення на розробку Карт продуктивності для великої міжнародної сільськогосподарської науково-технічної компанії в США. Ми безпосередньо співпрацювали з їхнім відділом досліджень та розробок (R&D) та розробили Карти продуктивності на основі їхніх вимог.

Олексій Кривобок: Основною метою проєкту було підтвердження високої якості та точності рішень EOSDA щодо КП, згенерованих за допомогою комбінованого підходу на основі супутникових даних та даних біофізичної моделі. Вихідний результат успішно пройшов внутрішню валідацію, проведену клієнтом, що є особливо цінним з огляду на масштаби його бізнесу.

Отже, Модель ШІ Для Індивідуальних Карт Продуктивності Навчена – Що Відбувається Далі? Яким Чином Клієнт Може Інтегрувати Її У Власні Робочі Процеси Та Програмне Забезпечення?

Олексій Кривобок: Це залежить від формату результату. Існує два основних формати, в яких ми можемо надавати Карти продуктивності для обраної області інтересу:

• Векторна маска, яка розділить AOI на зони продуктивності відповідно до значень індексу продуктивності. Для отримання більш точних даних область, швидше за все, буде розділена на менші ділянки (поля/секції), в межах яких будуть відображатися зони.
• Растрова маска, яка відображає значення індексу продуктивності для кожного пікселя. У разі потреби ці індекси для кожного пікселя можна вилучити для подальшого аналізу.

Олександр Джевага: Клієнт може обрати бажаний формат даних і відображати результати за допомогою свого програмного забезпечення (наприклад, для консультування своїх клієнтів) або використовувати ці дані для подальших експериментів і розробок (оскільки ми надаємо дуже детальні попіксельні дані та вичерпні інструкції для правильної інтерпретації).

У Чому Полягає Конкурентна Перевага Карт Продуктивності від EOSDA?

Олександр Джевага: Про конкурентні переваги на рівні бізнесу можна судити за основними сферами застосування Карт продуктивності:

1. КП можна використовувати для диференційованого висіву. Наприклад, в більш продуктивній зоні можна посіяти більше насіння, а в менш продуктивній – менше, щоб отримати найкращий врожай.
2. Також з їх допомогою фермери можуть визначати ділянки для відбору проб ґрунту. Відбір зразків ґрунту необхідний для оптимізації росту рослин і може здійснюватися різними способами. Наявність індивідуальної КП дозволяє брати меншу кількість зразків завдяки тому, що вони відбираються не по сітці, а із зон з різною продуктивністю. Цей метод є більш точним і економічно доцільним.
3. Такі карти використовуються для внесення калійних і фосфорних добрив. Ці добрива потрібно вносити рідше, ніж азотні (залежно від складу ґрунту, клімату тощо), оскільки вони довше вимиваються з ґрунту, а отже, аналіз полів проводиться за довші періоди ітерацій.
4. КП дозволяють аналізувати потенціал певних територій з точки зору врожайності для різних типів сільгоспкультур. Це важливий інструмент для агропідприємств, які аналізують доцільність інвестицій та виходу на різні території з метою розширення діяльності.

Олексій Кривобок: Якщо говорити про алгоритмічну частину моделі, то наша перевага полягає в тому, що ми навчаємо модель на двох або більше наборах даних з крос-валідацією, завдяки чому вона робить більш точні аналітичні висновки.

Крім того, наші технології перевірені часом, що, безумовно, дозволяє нам випереджати конкурентів. Наші фахівці з обробки даних – це досвідчені розробники нейронних мереж, які можуть створювати математичні моделі, що виходять за рамки традиційних підходів, що існують на ринку. Ці моделі також доповнюються досвідом ГІС-спеціалістів, ґрунтознавців та експертів з фенології.

До речі, найновіші результати наших розробок зареєстровані в Бюро патентів і торгових марок США, що є вагомим доказом виняткової роботи нашої наукової команди. Зокрема, одне з наших зареєстрованих відкриттів використовується в EOSDA Crop Monitoring.

Той факт, що ми можемо налаштовувати нейронні мережі відповідно до потреб наших клієнтів, і дозволяє нам називати КП індивідуальними проєктами. По суті, кожна друга модель може перетворитися на щось нове. Крім того, вона буде відтворюваною – ми можемо допомогти оптимізувати код і процеси таким чином, щоб індивідуальна КП приносила користь безперервно. Це не одноразова річ.

Гаразд, Отже, Карти Продуктивності EOSDA Існують Як Індивідуальне Рішення Та Як Одна З Функцій EOSDA Crop Monitoring. Чим Вони Відрізняються?

Олексій Кривобок: Карти продуктивності як індивідуальне рішення базується на комбінованому індексі продуктивності, який містить дані вегетаційного індексу, отримані з супутникових знімків, а також дані біофізичного моделювання. Для створення індивідуальних КП нам потрібно адаптувати біофізичну модель для конкретної географічної місцевості (кліматичні дані, ґрунт, параметри культур тощо) в кожному окремому випадку. В той час як Карти продуктивності, доступні на платформі EOSDA Crop Monitoring, автоматично розраховують середнє з найвищих значень NDVI за певний період часу, визначений користувачем. Ця процедура займає не більше як хвилину. Загалом, Карти продуктивності на платформі є швидким рішенням для внесення змінних норм добрив і насіння, а також для визначення місць для відбору зразків ґрунту. У той час як індивідуальні КП є більш точними, оскільки враховують більше параметрів, але для їх створення потрібен час і досвід.

Зрозуміло! І Наостанок Як EOSDA Планує Розвивати Індивідуальні Карти Продуктивності В Майбутньому?

Олексій Кривобок: Після успішної перевірки концепції ми впевнені, що наше рішення є життєздатним і масштабованим. Ми розробили набір конвеєрних методологій, які дозволяють нашій команді ефективно розраховувати комбінований індекс продуктивності для великих площ. Тому в найближчих планах – навчання індивідуальних моделей на більших площах, ніж під час процесу перевірки концепції, а також більш масштабна робота з біофізичним моделюванням.

Олександр Джевага: Також існує можливість підвищення точності моделювання, зокрема, завдяки наступним факторам:

1. Статистика врожайності: Якщо клієнт може надати історичні дані про врожайність в регіонах, які його цікавлять, це може покращити модель (завдяки більш надійним параметрам моделі), а також наблизити одиниці виміру до кг/га (але в будь-якому випадку вони не будуть абсолютно такими ж).
2. Погодні дані: Використовуючи метеорологічну сітку з високою роздільною здатністю, а ще краще – дані з наземних станцій (за наявності у замовника), ми можемо підвищити точність і рівномірність результатів.
3. Дані про типи ґрунтів і топографію: Це додаткові фактори, які можуть підвищити точність за умови наявності точних оцифрованих карт ґрунтів і рельєфу місцевості з високою роздільною здатністю. Також існує альтернативне рішення: EOSDA може потенційно покращити просторову роздільну здатність наявних карт ґрунтів.
4. Інші дані: Будь-які інші точні наземні дані, які можна використати як додаткові параметри моделі.

Олексій Кривобок: Саме так, тому що наш підхід базується на біофізичних моделях, і ми можемо працювати навіть з екзотичними рослинами за наявності відповідних даних про них (фенології та параметрів культур). Розроблена методологія дозволяє EOS Data Analytics за потреби розширювати список підтримуваних культур незалежно від того, чи це поширені культури, чи рідкісні.