При типовому лабораторному аналізі ґрунту агрохімічна карта поля в 500 га обходиться в 50–80 тисяч рублів і актуальна 3–5 років. Ми пропонуємо альтернативу — розробку AI-системи, яка будує безперервні ґрунтові карти без суцільного опробування. Класична сітка з кроком 100 метрів пропускає осередки засолення або локального нестачі гумусу — перевитрата добрив на таких ділянках сягає 15%.
Ґрунтова неоднорідність на реальних полях проявляється в масштабі до 10–50 метрів. Стандартна сітка відбору проб (1 проба/га) її не ловить. AI-системи на основі дистанційного зондування та сенсорів вирішують це завдання, забезпечуючи економію бюджету в 3 рази (до 70%) та зниження витрат на відбір проб.
Чому класичний аналіз не справляється з неоднорідністю поля?
Точкові лабораторні проби дають локальну інформацію, а для точного землеробства потрібна безперервна карта. Сітка з кроком 100 метрів пропускає осередки засолення або локального нестачі гумусу. Супутникові знімки та ЕМ-зондування заповнюють прогалини. У результаті наші моделі в 1.3 рази точніші за стандартні інтерполяційні методи (звичайний кригінг).
Як ми об'єднуємо розрізнені дані?
Сучасна ґрунтова аналітика працює з гетерогенними даними. Головна технічна складність — сумістити дані з різними просторовими роздільностями та часовими мітками.
| Тип даних | Роздільність | Що дає |
|---|---|---|
| Мультиспектральні знімки (Sentinel-2) | 10 м/пікс | Вміст органічної речовини, вологість |
| Гіперспектральні знімки (Headwall Photonics) | 1–5 м/пікс | SOC з R² = 0.75–0.85 |
| ЕМ-зондування (Veris 3100) | 5–10 м | Електропровідність, пов'язана з мехскладом |
| Ґрунтові IoT-сенсори (Sentek) | Точково в реальному часі | Вологість, температура по горизонтах |
Пайплайн об'єднання:
- Перепроекція всіх шарів в єдину CRS (зазвичай UTM) через GDAL
- Інтерполяція ЕМ-даних методом ordinary kriging (
pykrige) - Витяг піксельних значень всіх шарів за координатами лабораторних проб
- Формування feature matrix: спектральні індекси + EC + рельєф (DEM-похідні) + історичні NDVI
Ми застосовуємо комп'ютерний зір (CV) для аналізу знімків та класифікації ґрунту.
Як AI визначає тип ґрунту за фото? Ми використовуємо згорткову нейромережу EfficientNet-B2, навчену на тисячах зразків ґрунту. Модель аналізує колір і текстуру, класифікуючи за 6 типами: чорнозем, суглинок, піщаний тощо. Точність досягає 88%. Додатково оцінюємо вміст органіки за шкалою Munsell.
Для моніторингу ерозії ми постачаємо модель семантичної сегментації для дронових знімків з роздільною здатністю до 5 см/піксель. Система виділяє ділянки водної та вітрової ерозії, обчислює площу ураження та ступінь тяжкості.
Для оцінки вологості ґрунту використовуємо мультиспектральні індекси NDMI та NDWI на основі знімків Sentinel-2 або дронів. Кореляція з польовими вологомірами — r=0.81.
Які моделі показують найкращі результати?
На типовому датасеті 150–500 лабораторних проб порівнюємо декілька алгоритмів. CatBoost дає R² = 0.82, але Gaussian Process є кращим, якщо потрібна оцінка невизначеності. За даними спектроскопії ґрунту, гіперспектральні методи досягають R² = 0.85.
| Модель | R² (SOC) | RMSE | Перевага |
|---|---|---|---|
| Random Forest | 0.79 | 0.41% | Інтерпретованість, робастність |
| XGBoost | 0.81 | 0.38% | Найкращий базовий результат |
| CatBoost | 0.82 | 0.37% | Добре на малих вибірках |
| 1D-CNN по спектру | 0.77 | 0.43% | Якщо лише спектральні дані |
| Gaussian Process | 0.75 | 0.45% | Дає uncertainty оцінку |
Для просторового прогнозування застосовуємо geospatial cross-validation (блочна CV) — інакше просторова автокореляція завищує R² на 0.10–0.15.
Кейс: 1 800 га в Ростовській області
Завдання — карта вмісту гумусу для диференційованого внесення органіки. Вихідні дані: 47 лабораторних проб (старі), Sentinel-2 часовий ряд за 3 сезони, ЕМ-зйомка. CatBoost + kriging залишків (Regression Kriging) дав R² = 0.84 на незалежній тестовій вибірці з 12 нових проб. Зекономили 70% бюджету порівняно з класичною сіткою опробування. Наша AI-система в 3 рази дешевше за класичний аналіз.
Ми маємо 5 років досвіду в AI-аналізі ґрунтів, реалізували понад 20 проєктів для господарств від 500 до 10 000 га.
Типові помилки при побудові AI-ґрунтових карт
- Використання лише супутникових знімків без наземних проб — просторова автокореляція не враховується, R² завищений.
- Пропуск етапу геопросторової крос-валідації — помилка оцінки RMSE в 2 рази нижча за реальну.
- Ігнорування часової динаміки (NDVI за один сезон) — знижує точність на 10–15%.
- Застосування єдиної моделі для різних типів ґрунтів — локальний кригінг по агроландшафтних зонах дає приріст R² на 0.05–0.08.
Що входить у роботу
- Аудит наявних даних (лабораторні проби, знімки, сенсори)
- Проектування пайплайну збору та передобробки даних
- Розробка моделі прогнозування для 1–3 ґрунтових властивостей
- Побудова безперервних карт з оцінкою невизначеності
- Інтеграція з системами точного землеробства (John Deere, Trimble)
- Документація та навчання агрономів роботі з картами
- Технічна підтримка 3 місяці після впровадження
Терміни та вартість
Терміни впровадження: базовий класифікатор за фото — 4-6 тижнів, система дронового моніторингу ерозії — 8-12 тижнів, інтегрована платформа — 14-22 тижні.
Базова система прогнозування однієї властивості коштує від 250 000 грн. Повна платформа з ф'южном джерел, моніторингом сенсорів та інтеграцією з агро-ERP — від 1 500 000 грн. Оцінимо ваш проєкт безкоштовно — зв'яжіться з нами для консультації. Замовте пілотний проєкт на одному полі — отримайте повну карту та оцінку економічного ефекту.
Гарантуємо точність не нижче 85% на валідаційній вибірці. Кожна модель проходить тестування на незалежних даних. При необхідності донавчаємо її під ваші зразки. У вартість входить три місяці підтримки та коригування.
Наш досвід — проєкти для господарств від 500 до 10 000 га. Використовуємо ліцензійне ПЗ та сертифіковані бібліотеки обробки даних. Отримайте консультацію — розрахуємо економію для вашого господарства.