Прогнозирование урожайности с помощью машинного обучения (ML) и спутниковых данных NDVI — точность до 8–12% MAPE. Модели на основе метеоданных и вегетационных индексов превосходят традиционные экспертные оценки в 2–3 раза. NASA Earth Observatory подтверждает, что комбинация NDVI и накопленных температур (GDD) улучшает точность на 30%. Мы реализовали 30+ проектов для агрохолдингов и банков. Закажите демо-версию для вашего хозяйства — получите консультацию по внедрению.
Как ML превосходит традиционные методы?
Традиционные методы (среднемноголетние урожаи, экспертные оценки) дают ошибку 20–40%. ML-модели учитывают динамику вегетационных индексов (NDVI, EVI, LAI) и накопленные температуры (GDD). Результат — MAPE 8–12% за 4–6 недель до уборки. При этом модель автоматически определяет фенофазы и корректирует прогноз при стрессе (засуха, заморозки). ML-подход даёт точность в 2–3 раза выше, что снижает затраты на хранение и логистику до 20%.
Какие данные нужны для точного прогноза?
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
Используем три подхода в зависимости от объёма данных и задачи.
| Подход | Точность (MAPE) | Требования к данным | Сложность внедрения |
|---|---|---|---|
| Feature-based ML | 10–15% | 3+ сезона, агрегированные признаки | Низкая |
| LSTM Deep Learning | 8–12% | Временные ряды, 5+ сезонов | Средняя |
| Гибридный (process-based + ML) | 5–10% | Фенология, почва, 10+ сезонов | Высокая |
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) Time Series Deep Learning
NDVI временной ряд + погода за сезон → LSTM → урожайность. Преимущество: использует динамику роста культуры, не только финальные агрегаты.
Process-based Hybrid
Симуляционная модель роста культуры (DSSAT, APSIM) + ML-коррекция. Физическая модель задаёт структуру, ML учит остатки от реальных данных. LightGBM здесь работает в 1.5 раза быстрее LSTM на малых выборках.
Технические детали препроцессинга
For each satellite scene, we apply cloud masking (Fmask), atmospheric correction (6S), and generate composite mosaics (mean NDVI over 10-day periods). Missing values are interpolated using cubic splines. Outliers (e.g., clouds) are filtered by z-score thresholding.
Почему фенологическое отслеживание критически важно?
Стадии роста культуры (фенология) напрямую связаны с конечной урожайностью. Автоматическое определение фенофаз по динамике NDVI и термическим суммам (GDD) позволяет модели реагировать на стресс. Задержка в фенофазе при засухе или заморозках ведёт к снижению прогноза. Без фенологии точность падает на 15%.
| Культура | Стадия | Влияние на урожай |
|---|---|---|
| Пшеница | Кущение | Зернистость |
| Пшеница | Налив зерна | Масса 1000 зёрен |
| Кукуруза | Опыление | % завязи |
| Подсолнечник | Цветение | Масличность |
Как автоматически определять фенофазы?
Строим кривую NDVI за сезон и ищем характерные точки: начало вегетации, пик, спад. Параллельно рассчитываем накопленные GDD. Если пик NDVI запаздывает относительно нормы GDD, модель сигнализирует о стрессе и снижает прогноз урожайности. Этот подход увеличивает точность на 15% по сравнению с моделью без фенологии.
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)
Экономия для среднего агрохолдинга оценивается в $50k–100k за сезон за счёт оптимизации логистики и хранения. Свяжитесь с нами для предварительной оценки вашего сценария — получите консультацию по внедрению AI-прогнозирования.
Что входит в работу
- Аудит данных — проверяем наличие и качество спутниковых снимков, метеоданных, исторических урожаев.
- Прототип модели — строим baseline на одной культуре (2–3 недели).
- Разработка продакшен-пайплайна — автоматический сбор данных, обучение, валидация, деплой.
- Интеграция — API, витрина данных, подключение к 1С или SAP.
- Обучение команды — передаём ноу-хау вашим агрономам и аналитикам.
- Сопровождение — поддержка, дообучение модели каждый сезон, гарантируем точность.
Сроки и гарантии
Сроки: базовая NDVI-based модель для одной культуры/региона — 5–7 недель. Мультикультурная система с фенологическим отслеживанием и API — 3–4 месяца. Стоимость рассчитывается индивидуально после аудита.
Гарантия: гарантируем MAPE не выше 15% на пилотном проекте. Если точность ниже — дорабатываем бесплатно. Закажите демо-версию системы для вашего агрохолдинга — получите консультацию по внедрению.