Прогнозування Врожайності Сільськогосподарських Культур
Команда вчених та інженерів у галузі великих даних EOSDA розробила ефективні методи оцінки врожайності сільськогосподарських культур за допомогою дистанційного зондування та моделей машинного навчання. Ми спираємося на дані спостереження Землі із супутників, що покривають території від окремих ферм до цілих регіонів.
Прогнозування Врожайності Сільськогосподарських Культур у Цифрах
Точність
Прогнози
Типи культур
Швидкість реалізації проекту
Дані щодо однієї культури
Джерела даних
Перегляньте відео про наше рішення для прогнозування врожайності
Світова продовольча безпека залежить від ефективності методів управління продовольчим забезпеченням, таких як прогнозування врожайності, що дозволяє фермерам вирощувати сільськогосподарські культури у більш сталий спосіб. Рішення EOSDA для оцінки врожайності, розроблене на основі останніх технологічних досягнень у галузі машинного навчання та геопросторової аналітики, надає фермерам, агрохолдингам, компаніям, що забезпечують продовольчу безпеку, та іншим організаціям, відповідальним за прийняття рішень, важливі дані, необхідні для сталого та прибуткового виробництва культур.
Що Дає Оцінка Врожайності
- Збільшення швидкості прийняття рішень щодо збирання, зберігання та транспортування врожаю.
- Дані про рентабельність культур в області інтересу з урахуванням оцінки майбутнього врожаю.
- Можливість зміцнення глобальної продовольчої безпеки шляхом впровадження прогнозування врожайності в країнах, що розвиваються, - це допоможе запобігти голоду, підняти економіку та впровадити стійкі методи ведення сільського господарства.
- Поліпшення розуміння сільськогосподарського ринку та прийняття більш обґрунтованих рішень щодо управління запасами, імпортом та експортом відповідно до CAP (Єдина сільськогосподарська політика Європейського союзу) та іншими подібними політиками.
- Глибоке розуміння кумулятивного впливу несприятливих польових умов (шкідники, хвороби, дефіцит поживних речовин та інших.) на розвиток сільськогосподарських культур.
Наш Підхід
Біофізична модель прогнозування врожайності
- Збір даних (погодні параметри, аналіз ґрунту, стан культури, фенологічні дані тощо).
- Калібрування моделі та проведення асиміляції LAI для забезпечення точності прогнозу врожайності за відсутності статистичних даних та збільшення варіабельності значень.
- Симулювати параметри біологічної продуктивності (TAGP, WSO, відносна вологість ґрунту, загальне водоспоживання та інші) з метою оцінки врожайності.
- Поновлювати дані раз на 14 днів для підвищення точності. Це пов'язано із оновленням погоди.
Статистична модель прогнозування врожайності
- Збір даних для створення набору даних для прогнозування врожайності та комбінування їх з можливими предикторами (опади, температура, вологість, тип ґрунту та інші).
- Вибір відповідної ML-моделі для проєкту - наприклад, лінійна регресія, Random Forest, LightGBM, XGBoost, CatBoost та ін.
- Налаштування моделі відповідно до конкретних потреб проєкту для досягнення найкращих результатів.
-
Ансамбль сценаріїв моделі
-
Збір даних 1
-
Збір даних 2
-
Збір даних 3Підбір реального сценарію прогнозу врожаю та порівняння отриманої моделі з реальним сценарієм
-
Збір даних 4Спостереження за LAI
-
Збір даних 5
-
Врожай
Застосування LAI - асиміляції дозволило досягти 95% точності на 30% полів. Для полів, позначених червоним кольором, було досягнуто точність менше 80%, тоді як точність прогнозу врожайності для полів, позначених зеленим кольором, перевищила позначку 80%.
Успішні Приклади Використання
Прогноз урожайності для великого агрохолдингу в Україні
- за 45 днів до збирання врожаю
- за 2 тижні до збирання врожаю.
- точність менше 80%
- точність понад 80%
Точність (WOFOST) | Точність (WOFOST + LAI) | |
---|---|---|
Кукурудза | 0.75 | 0.91 |
Соєві боби | 0.78 | 0.86 |
Соняшник | 0.71 | 0.88 |
Ячмінь озимий | 0.53 | 0.82 |
Озима пшениця | 0.75 | 0.92 |
Кількість полів | ||||||
---|---|---|---|---|---|---|
Культура / Точність | <70% | 70-75% | 75-80% | 80-85% | 85-90% | >90% |
Ячмінь озимий | 27 | 7 | 5 | 22 | 23 | 52 |
Озима пшениця | 33 | 17 | 19 | 21 | 19 | 102 |
Ріпак озимий | 26 | 6 | 20 | 14 | 27 | 22 |
Соняшник | 12 | 11 | 12 | 14 | 19 | 22 |
Соєві боби | 28 | 22 | 29 | 58 | 37 | 86 |
Прогнозування врожайності сільськогосподарських культур для канадської страхової компанії
Мета: надійні дані прогнозованої врожайності щодо кожного клієнта для зниження страхових ризиків.
Вихідні дані: Понад 100 полів на 20 фермах.
-
Канола> 98,03
-
Кукурудза> 87, 59
-
Горох> 76,25
-
Соєві боби> 95,94
-
Соняшник> 98,21
-
Пшениця> 98,63
Культура | Змодельований врожай | Фактичний врожай |
---|---|---|
Канола, фунт/акр | 41,81 | 41,00 |
Кукурудза, бушель/акр | 123,65 | 110,00 |
Горох, ц/акр | 30,94 | 25,00 |
Соєві боби, бушель/акр | 22,89 | 22,00 |
Соняшник, фунт/акр | 1767,73 | 1800,00 |
Пшениця, бушель/акр | 53,72 | 53,00 |
Загальний підсумок | 95,6 | 94,47 |
-
Канола> 96,96
-
Кукурудза> 91,69
-
Овес> 99,98
-
Озиме жито> 85,85
-
Кондитерський соняшник> 85,36
-
Соняшник> 98,06
-
Пшениця> 94,95
Культура | Змодельований врожай | Фактичний врожай |
---|---|---|
Канола | 40,19 | 39,00 |
Кукурудза | 119,14 | 110,00 |
Овес | 125,03 | 125,00 |
Озиме жито | 64,39 | 75,00 |
Кондитерський соняшник | 2063,60 | 1800,00 |
Соняшник однорічний | 1834,19 | 1800,00 |
Пшениця | 61,73 | 65,00 |
Загальний підсумок | 584,34 | 528,00 |
Назва поля | Канола | Кукурудза | Соєві боби | Соняшник однорічний | Пшениця |
---|---|---|---|---|---|
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 |
Період збирання врожаю цільових культур у Канаді зазвичай триває з серпня до вересня. Знаючи це, ми змогли спрогнозувати врожайність за два місяці до збирання врожаю, досягнувши точності понад 82%. Точність неухильно зростала з наближенням збору врожаю, поки не досягла 90% всього за два тижні до збору врожаю, як і очікувалося.