AI AgriTech Agriculture System Development

Разработка AI-системы для сельского хозяйства AgriTech AI

Сельское хозяйство — первая отрасль, где AI принёс измеримый массовый эффект: спутниковая аналитика полей сейчас стандарт для любого крупного агрохолдинга. AI в агросекторе объединяет космические снимки, IoT-датчики, дроны и ML для точного управления каждым гектаром.

Дистанционное зондирование и спутниковая аналитика

Вегетационные индексы:

NDVI (Normalized Difference Vegetation Index) — стандартный показатель состояния посевов:

• NDVI = (NIR - Red) / (NIR + Red), значения 0–1
• <0.2: голая почва или мёртвая растительность
• 0.4–0.6: умеренный рост

• 0.7: густой здоровый посев

Дополнительные индексы:

• NDRE (Red Edge NDVI): лучше отражает хлорофилл, менее насыщается
• NDMI (влажность): водный стресс посевов
• LAI (Leaf Area Index): биомасса

import numpy as np
import rasterio
from rasterio.transform import from_bounds
import matplotlib.pyplot as plt

def calculate_vegetation_indices(satellite_image_path):
    """
    Расчёт вегетационных индексов из мультиспектрального снимка.
    Ожидаемые каналы: Blue, Green, Red, Red Edge, NIR, SWIR
    """
    with rasterio.open(satellite_image_path) as src:
        bands = src.read().astype(float)
        meta = src.meta

    blue, green, red, rededge, nir, swir = bands[:6]

    # Защита от деления на ноль
    eps = 1e-10

    ndvi = (nir - red) / (nir + red + eps)
    ndre = (nir - rededge) / (nir + rededge + eps)
    ndmi = (nir - swir) / (nir + swir + eps)

    # EVI (Enhanced Vegetation Index) - меньше насыщение при густом пологе
    evi = 2.5 * (nir - red) / (nir + 6*red - 7.5*blue + 1 + eps)

    return {
        'ndvi': np.clip(ndvi, -1, 1),
        'ndre': np.clip(ndre, -1, 1),
        'ndmi': np.clip(ndmi, -1, 1),
        'evi': np.clip(evi, -3, 3)
    }

def detect_problem_zones(ndvi_map, field_boundary, threshold=0.35):
    """Выделить зоны стресса для прецизионного вмешательства"""
    masked = np.where(field_boundary, ndvi_map, np.nan)
    stress_mask = masked < threshold
    return stress_mask, np.nanmean(masked)

Прогноз урожайности:

Регрессионная модель на временном ряду NDVI + климатических данных:

• Признаки: NDVI по фенологическим фазам (всходы, кущение, налив), сумма осадков, GDD (Growing Degree Days)
• RMSE прогноза урожайности пшеницы: ±0.3–0.5 т/га при прогнозировании за 30 дней до уборки

Детекция болезней и вредителей

Computer Vision по снимкам дронов:

YOLOv8 или Mask R-CNN, обученная на размеченных изображениях:

• Болезни: ржавчина, мучнистая роса, фузариоз (по визуальным симптомам на листьях)
• Вредители: тля (скопления), гусеницы, клещи
• Сорняки: детекция в посевах для точечной обработки (vs. сплошное опрыскивание)

Точность детекции болезней: 85–92% на хорошо освещённых снимках. Главное ограничение — качество обучающей выборки (нужна разметка агрономов).

Наземный IoT-мониторинг:

• Ловушки с камерами + CV: подсчёт вредителей (трипсы, клопы)
• Acoustic sensors: звук насекомых в элеваторах
• Климатические станции: leaf wetness + temperature → риск грибковых заболеваний

Точное земледелие

Дифференцированное внесение удобрений (VRA — Variable Rate Application):

Предиктивная карта доз: каждая точка поля получает ровно столько удобрений, сколько нужно.

1. Почвенный анализ: отбор проб по регулярной сетке (300×300 м) → лаборатория
2. Интерполяция: кригинг или IDW для создания карты питательных веществ по полю
3. ML-модель: почва + NDVI → рекомендованная доза N/P/K
4. ISOBUS-команда: агрегат HORSCH, John Deere → точное дозирование

Экономия удобрений: 15–25%, сохранение урожайности или прирост за счёт оптимизации.

Управление ирригацией

Прогнозная ирригация:

Модель водного баланса почвы:

• Входы: ET₀ (эвапотранспирация по FAO-56), осадки, полив
• Состояние: soil water content по горизонтам (датчики или модель)
• Решение: когда и сколько поливать для поддержания θ в оптимальном диапазоне

Reinforcement Learning для многодневного планирования полива с учётом прогноза погоды и тарифов на электроэнергию насосных станций.

Аналитика и планирование хозяйства

Farm Management System (FMS) Dashboard:

• NDVI-карты в динамике по сезону
• Карты урожайности (yield mapping) из комбайна → обратная связь для следующего сезона
• Сравнение полей между собой и с эталоном по культуре
• Финансовая аналитика: затраты/га vs. урожайность → маржа по каждому полю

Прогноз цен на зерно:

Интеграция с рыночными данными (Московская Биржа, CME Group):

• LSTM на ценах + погода в производящих регионах мира + остатки запасов USDA
• Рекомендации по тайминг продаж

Срок разработки: 6–10 месяцев для комплексной AgriTech платформы с дистанционным зондированием, детекцией болезней и точным земледелием.