Точність
до 95%
Точність оцінки врожайності залежить від якості статистичних даних і може становити від 85 до 95%.
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
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.
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 EOS + 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
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%
| 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 | |
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 | ||||||
| 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.
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 %
| Культура | Змодельований врожай | Фактичний врожай | |
|---|---|---|---|
| Канола | |||
| Канола | 41,81 | 41,00 | |
| Кукурудза | |||
| Кукурудза | 123,65 | 110,00 | |
| Горох | |||
| Горох | 30,94 | 25,00 | |
| Соєві боби | |||
| Соєві боби | 22,89 | 22,00 | |
| Соняшник | |||
| Соняшник | 1767,73 | 1800,00 | |
| Пшениця | |||
| Пшениця | 53,72 | 53,00 | |
| Загальний підсумок | |||
| Загальний підсумок | 95,6 | 94,47 | |
Оцінка врожайності за 14 днів до збирання врожаю 2020 року.
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 |
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.
-
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 |
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.
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
