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.

супутник, що збирає дані про врожайність
Статистика

Прогнозування Врожайності Сільськогосподарських Культур у Цифрах

Точність

до 95%
Точність оцінки врожайності залежить від якості статистичних даних і може становити від 85 до 95%.

Прогнози

До 3 місяців наперед
Прогнози врожайності на поточний сезон на період до 3 місяців.

Типи культур

100 +
Прогноз врожайності для понад 100 видів культур.

Швидкість реалізації проекту

до 14 днів
Ми підготуємо прогноз урожайності з точністю 95% за два тижні або менше, залежно від складності проекту.

Дані щодо однієї культури

0 - 100 полів
Модель оцінки врожайності WOFOST взагалі вимагає статистичних даних.

Джерела даних

10 +
Ми стежимо за тим, щоб прогнози ґрунтувалися на найбільш повному аналізі 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.

Переваги

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.
інформація для прогнозу врожайності
  • 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.
моделювання врожайності
Методологія

Наш Підхід

Для досягнення максимальної ефективності та точності прогнозування врожайності сільськогосподарських культур ми об'єднуємо два різних типи моделей прогнозування врожайності – біофізичну та статистичну. Такий "гібридний" підхід дозволяє нам братися за складніші проєкти.

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.
Етап злиття моделей
Етап злиття моделей необхідний, якщо ми хочемо досягти максимально можливої ​​точності 95%. Ми поєднуємо біофізичну модель прогнозування врожайності зі статистичною моделлю, описаною вище.
Алгоритм моделювання врожаю EOSDA + LAI асиміляція
  • 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%.

Точність EOSDA Crop Modeling
Алгоритм моделювання врожайності EOSDA
EOSDA Crop Modeling + точність асиміляції LAI
Алгоритм моделювання врожаю EOSDA + LAI асиміляція
Історії наших клієнтів

Успішні Приклади Використання

Прогноз урожайності для великого агрохолдингу в Україні

У 2020 році ми реалізували проєкт з прогнозування обсягу врожайності для 6 основних культур: Озимий ячмінь, Озимий ріпак, Озима/Весняна пшениця, Соняшник, Соя та Кукурудза.
Було згенеровано два різні звіти:
  • за 45 днів до збирання врожаю
  • за 2 тижні до збирання врожаю.
  • точність менше 80%
  • точність понад 80%
Прогноз врожайності WOFOST
Прогноз врожайності WOFOST
WOFOST (вхідні/результати) + LAI (Sentinel-2)
Модель машинного навчання прогнозу врожайності від EOSDA - WOFOST (вхідні/результати) + LAI (Sentinel-2)
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
Удосконаливши модель за допомогою асиміляції LAI (Індекс листової поверхні), розробленої командою, нам вдалося підвищити точність оцінки врожайності для 30% полів у порівнянні з традиційним підходом WOFOST.
У таблиці нижче показано кореляцію між точністю оцінки врожайності, цільовою культурою та кількістю полів. Наприклад, урожайність озимого ячменю була спрогнозована з точністю більш ніж 90% на 52 полях.
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.

Завдання 1
Оцінка середньої врожайності для 6 основних видів культур, що ростуть на кожному полі на всіх 20 фермах, та порівняння її з фактичним звітом про врожайність.
модель оцінки очікуваного врожаю порівняно з фактичною врожайністю за видами культур, наведеною у %
  • 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
Завдання 2.
Оцінка врожайності за 14 днів до збирання врожаю 2020 року.
модель оцінки врожайності порівняно з фактичною врожайністю за видами культур у %
  • 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
Завдання 3
Надання клієнту даних прогнозу врожайності культур для більш ефективного планування сівозміни і, як наслідок, значного зниження страхових ризиків.
На графіку показано прогнозовану врожайність цільових культур на 3 обраних полях у бушелях/га.
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
Була використана техніка вибірки Складного ножа (Jackknife resampling). Спосіб полягає в наступному: для кожного елемента обчислюється середнє значення вибірки без урахування даного елемента, а потім - середнє всіх таких значень. Щоб виключити кліматичні та технологічні фактори, ми використовували дані лише за останні 6 років.

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.