EOS SAT-1 буде запущений через:
Днів
Годин
Хвилин
Секунд
68954
Дізнатися більше
    1. Головна
    2. EOS Crop Monitoring
    3. Прогнозування врожайності
  1. Прогнозування врожайності

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.

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 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%.

Алгоритм моделювання врожайності EOS
Точність EOS Crop Modeling
EOS Crop Modeling + точність асиміляції LAI
EOS Crop Modeling + точність асиміляції LAI
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
Модель машинного навчання прогнозу врожайності від EOSDA - WOFOST (вхідні/результати) + LAI (Sentinel-2)
Точність (WOFOST)Точність (WOFOST + LAI)
Кукурудза
Кукурудза0.750.91
оєві боби
Соєві боби0.780.86
Соняшник
Соняшник0.710.88
Ячмінь озимий
Ячмінь озимий0.530.82
Озима пшениця
Озима пшениця0.750.92
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 озимий2775222352
Озима пшениця


Кількість полів

Озима пшениця3317192119102
Ріпак озимий


Кількість полів

Ріпак озимий26620142722
Кондитерський соняшник


Кількість полів

Соняшник121112141922
Соєві боби


Кількість полів

Соєві боби282229583786

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
КультураЗмодельований врожайФактичний врожай
Канола
Канола41,8141,00
Кукурудза
Кукурудза123,65110,00
Горох
Горох30,9425,00
Соєві боби
Соєві боби22,8922,00
Соняшник
Соняшник1767,731800,00
Пшениця
Пшениця53,7253,00
Загальний підсумок
Загальний підсумок95,694,47
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
КультураЗмодельований врожайФактичний врожай
Канола
Канола40,1939,00
Кукурудза
Кукурудза119,14110,00
Овес
Овес125,03125,00
Озиме жито
Озиме жито64,3975,00
Кондитерський соняшник
Кондитерський соняшник2063,601800,00
Соняшник однорічний
Соняшник однорічний1834,191800,00
Пшениця
Пшениця61,7365,00
Загальний підсумок
Загальний підсумок584,34528,00
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.

  • 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 поляКанолаКукурудзаСоєві бобиСоняшник однорічнийПшениця
SE-2-6-28-W158,68194,3341,452208,8572,49
SW-36-7-28-W130,91169,4914,421146,9146,24
W-34-5-27-W138,77151,5824,711476,8359,82
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 700 000 клієнтів у всьому світі скористалися продуктами супутникового моніторингу EOSDA. Найближчим часом ми запускаємо власне супутникове угруповання для сільського господарства, яке надасть агрономам знімки в 11 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!

наш експерт

Підвищіть ефективність управління фермою завдяки дистанційному управлінню агрокомандою вашої мрії