Разработка AI-системы для прогнозирования урожайности
Прогнозирование урожайности позволяет аграриям и агрохолдингам заблаговременно планировать сбыт, логистику и финансирование. Банки используют эти прогнозы для оценки рисков кредитования. Государственные органы — для управления продовольственной безопасностью. ML-система на основе данных дистанционного зондирования и метеорологии достигает MAPE 8-15% за 4-6 недель до уборки.
Источники данных
Спутниковые данные (Remote Sensing):
- Sentinel-2 (ESA): 10-20 м разрешение, 5-дневная периодичность, бесплатно
- Landsat 8/9 (NASA/USGS): 30 м, бесплатно
- PlanetScope: 3 м разрешение, ежедневно, коммерческий
Вегетационные индексы:
- NDVI (Normalized Difference Vegetation Index): (NIR - Red) / (NIR + Red) — плотность и здоровье растительности
- EVI (Enhanced Vegetation Index): улучшенный NDVI, устойчив к атмосферным влияниям
- LAI (Leaf Area Index): индекс листовой поверхности — связан с биомассой
Метеорологические данные:
- Температура воздуха (min/max/avg): накопленные градусо-дни (GDD)
- Осадки: суммарные за декаду, месяц, сезон
- Солнечная радиация
- Влажность почвы (из Sentinel-1 SAR или агрометеорологических станций)
Почвенные данные:
- SoilGrids (ISRIC): глобальная карта типов почв, 250 м разрешение
- SoilMap: национальные карты качества почв
Архитектура модели
Подход 1: Feature-based ML
# Для каждого поля: агрегированные признаки за сезон
field_features = {
'ndvi_peak': max(ndvi_time_series),
'ndvi_integral': sum(ndvi_time_series), # сезонная биомасса
'gdd_accumulated': sum(max(0, temp_avg - base_temp)),
'precipitation_total': sum(precipitation),
'drought_days': count(spi < -1), # SPI: Standardized Precipitation Index
'soil_type_encoded': one_hot(soil_type),
'field_size_ha': field_area,
'variety_encoded': crop_variety_embedding
}
model = LightGBM.train(field_features, yield_targets)
Подход 2: Time Series Deep Learning NDVI временной ряд + погода за сезон → LSTM → урожайность. Преимущество: использует динамику роста культуры, не только финальные агрегаты.
Подход 3: Process-based Hybrid Симуляционная модель роста культуры (DSSAT, APSIM) + ML-коррекция. Физическая модель задаёт структуру, ML учит остатки от реальных данных.
Фенологическое отслеживание
Стадии роста культуры (фенология) критически важны:
| Культура | Стадия | Влияние на урожай |
|---|---|---|
| Пшеница | Кущение | Зернистость |
| Пшеница | Налив зерна | Масса 1000 зёрен |
| Кукуруза | Опыление | % завязи |
| Подсолнечник | Цветение | Масличность |
Автоматическое определение фенофаз по динамике NDVI + термические суммы (GDD). Задержка в фенофазе при стрессе → коррекция прогноза урожайности.
Пространственная агрегация
Поле → хозяйство → район → регион:
- Прогноз на уровне поля: для агронома (10-30 га)
- Хозяйство: для финансового планирования
- Район/регион: для государственного мониторинга
Геостатистический подход: Kriging интерполяция для пространственно непрерывной карты урожайности. Позволяет оценивать поля без исторических данных.
Практическое применение
Агрохолдинг:
- Планирование мощностей хранения
- Форвардные контракты на продажу урожая
- Оперативная помощь агрономам по полям с отстающим NDVI
Банковское кредитование:
- Залоговая оценка урожая на корню
- Оценка риска невозврата кредита при прогнозируемой засухе
Интеграция с агросервисами:
- Агросигнал, ГИС Меркурий: российские платформы управления полями
- Trimble Ag Software, John Deere Operations Center: global
- Экспорт прогнозов через API в ERP агрохолдинга (SAP/1С:Агро)
Метрики:
- MAPE по урожайности: 8-12% за 4-6 недель до уборки
- Пространственная точность: R² > 0.75 на уровне поля
- Coverage: % площадей с достаточным количеством clear-sky снимков
Сроки: базовая NDVI-based модель для одной культуры/региона — 5-7 недель. Мультикультурная система с фенологическим отслеживанием и API — 3-4 месяца.