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 оцінки врожайності залежить від якості статистичних даних і може становити від 85 до 95%.
Прогнози врожайності на поточний сезон на період до 3 місяців.
Прогноз врожайності для понад 100 видів культур.
Ми підготуємо прогноз урожайності з точністю 95% за два тижні або менше, залежно від складності проекту.
Модель оцінки врожайності WOFOST взагалі вимагає статистичних даних.
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.
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
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 найреалістичнішого 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
Було згенеровано два різні звіти:
- за 45 днів до збирання врожаю
- за 2 тижні до збирання врожаю.
- точність менше 80%
- точність понад 80%
| Точність (WOFOST) | Точність (WOFOST + LAI) | ||
|---|---|---|---|
| Кукурудза | |||
| Кукурудза | 0.75 | 0.91 | |
| оєві боби | |||
| Соєві боби | 0.78 | 0.86 | |
| Соняшник | |||
| Соняшник | 0.71 | 0.88 | |
| Ячмінь озимий | |||
| Ячмінь озимий | 0.53 | 0.82 | |
| Озима пшениця | |||
| Озима пшениця | 0.75 | 0.92 | |
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 | ||||||
| Культура / Точність | <70% | 70-75% | 75-80% | 80-85% | 85-90% | >90% |
| Ячмінь озимий Кількість полів | ||||||
| Ячмінь озимий | 27 | 7 | 5 | 22 | 23 | 52 |
| Озима пшениця Кількість полів | ||||||
| Озима пшениця | 33 | 17 | 19 | 21 | 19 | 102 |
| Ріпак озимий Кількість полів | ||||||
| Ріпак озимий | 26 | 6 | 20 | 14 | 27 | 22 |
| Кондитерський соняшник Кількість полів | ||||||
| Соняшник | 12 | 11 | 12 | 14 | 19 | 22 |
| Соєві боби Кількість полів | ||||||
| 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.
модель оцінки очікуваного врожаю порівняно з фактичною врожайністю за видами культур, наведеною у %
| Культура | Змодельований врожай | Фактичний врожай | |
|---|---|---|---|
| Канола, фунт/акр | |||
| Канола, фунт/акр | 41,81 | 41,00 | |
| Кукурудза, бушель/акр | |||
| Кукурудза, бушель/акр | 123,65 | 110,00 | |
| Горох, ц/акр | |||
| Горох, ц/акр | 30,94 | 25,00 | |
| Соєві боби, бушель/акр | |||
| Соєві боби, бушель/акр | 22,89 | 22,00 | |
| Соняшник, фунт/акр | |||
| Соняшник, фунт/акр | 1767,73 | 1800,00 | |
| Пшениця, бушель/акр | |||
| Пшениця, бушель/акр | 53,72 | 53,00 | |
| Загальний підсумок | |||
| Загальний підсумок | 95,6 | 94,47 | |
модель оцінки врожайності порівняно з фактичною врожайністю за видами культур у %
| Культура | Змодельований врожай | Фактичний врожай |
|---|---|---|
| Канола | ||
| Канола | 40,19 | 39,00 |
| Кукурудза | ||
| Кукурудза | 119,14 | 110,00 |
| Овес | ||
| Овес | 125,03 | 125,00 |
| Озиме жито | ||
| Озиме жито | 64,39 | 75,00 |
| Кондитерський соняшник | ||
| Кондитерський соняшник | 2063,60 | 1800,00 |
| Соняшник однорічний | ||
| Соняшник однорічний | 1834,19 | 1800,00 |
| Пшениця | ||
| Пшениця | 61,73 | 65,00 |
| Загальний підсумок | ||
| Загальний підсумок | 584,34 | 528,00 |
На графіку показано прогнозовану врожайність цільових культур на 3 обраних полях у бушелях/га.
-
SE-2-6-28-W1
- Назва поля
- SE-2-6-28-W1
- Канола
- 58,68
- Кукурудза
- 194,33
- Соєві боби
- 41,45
- Соняшник однорічний
- 2208,85
- Пшениця
- 72,49
-
SW-36-7-28-W1
- Назва поля
- SW-36-7-28-W1
- Канола
- 30,91
- Кукурудза
- 169,49
- Соєві боби
- 14,42
- Соняшник однорічний
- 1146,91
- Пшениця
- 46,24
-
W-34-5-27-W1
- Назва поля
- W-34-5-27-W1
- Канола
- 38,77
- Кукурудза
- 151,58
- Соєві боби
- 24,71
- Соняшник однорічний
- 1476,83
- Пшениця
- 59,82
| 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.
EOSDA є лідером у застосуванні технологій спостереження Землі для комерційних та екологічних цілей у 22+ галузях, з фокусом на сільське та лісове господарство. На сьогодні понад 950 000 клієнтів у всьому світі скористалися продуктами супутникового моніторингу EOSDA. Найближчим часом ми запускаємо власне супутникове угруповання для сільського господарства, яке надасть агрономам знімки в 13 спектральних каналах у всьому світі. Ви можете доручити нам оцінку врожайності сільськогосподарських культур як невеликого поля, так і на рівні країни. Використовуючи 10 окремих джерел даних та навчені моделі нейронних мереж, наша команда вчених дослідників та розробників допоможе вашому бізнесу стійко розвиватися.
Ми готові допомогти!
Підвищіть ефективність управління фермою завдяки дистанційному управлінню агрокомандою вашої мрії
