Аналіз ґрунту за даними сенсорів та зображень із AI
Лабораторний аналіз ґрунту коштує грошей, потребує часу та дає точковий результат. Агрохімічна карта 500-гектарного поля, складена за класичною сіткою 1 проба/га, обходиться у 50–80 тисяч рублів та робиться раз на 3–5 років. При цьому ґрунтова неоднорідність на реальному полі — явище на масштабі 10–50 метрів. AI-системи на основі дистанційного зондування та сенсорних даних дозволяють будувати безперервні ґрунтові карти без суцільного лабораторного опробування.
Джерела даних та що вони дають
Сучасна ґрунтова аналітика працює з гетерогенними даними:
Мультиспектральні та гіперспектральні знімки. Спектральні характеристики ґрунту в діапазоні 400–2500 нм корелюють із вмістом органічної речовини, вологістю, вмістом глини. Гіперспектральні камери (Headwall Photonics, Resonon Pika) дають точність передбачення SOC (Soil Organic Carbon) R² = 0.75–0.85. Мультиспектральні камери (6–10 каналів) дешевше та простіше в обробці, але точність нижча — R² 0.55–0.70.
Дані ЕМ-зондування. Електромагнітні датчики (Veris 3100, DUALEM-1S) вимірюють електропровідність (EC) ґрунту на ходу зі швидкістю трактора. EC корелює з механічним складом, вологістю, засоленістю. Один прохід 100-метровими смугами дає карту з розрізненням 5–10 м за кілька годин.
Ґрунтові IoT-сенсори. Мережі датчиків (Sentek, Decagon, METER Group) мірять вологість, температуру, електропровідність на різних горизонтах у реальному часі. Дані йдуть через LoRaWAN або NB-IoT.
Як будуємо передбачувальні моделі
Фьюжн різнорідних джерел
Головна технічна складність — поєднати дані з різними просторовими розрізненнями та часовими мітками. Спутниковий знімок — 10 м/пікс, ЕМ-карта — 5 м/пікс, лабораторні точки — штучні. Конвеєр:
- Перепроекціювання усіх шарів у єдину CRS (звичайно UTM) через GDAL
- Інтерполяція ЕМ-даних методом ordinary kriging (бібліотека
pykrige) - Вилучення піксельних значень усіх шарів за координатами лабораторних проб
- Формування матриці ознак: спектральні індекси + EC + рельєф (DEM-похідні) + історичні NDVI
Моделі передбачення ґрунтових властивостей
Не нейромережі — тут вони часто поступаються класичному ML. На типовому наборі даних 150–500 лабораторних проб:
| Модель | R² (SOC) | RMSE | Переваги |
|---|---|---|---|
| Random Forest | 0.79 | 0.41% | Інтерпретованість, робастність |
| XGBoost | 0.81 | 0.38% | Найкращий базовий результат |
| CatBoost | 0.82 | 0.37% | Хорошо на малих вибірках |
| 1D-CNN спектральна гілка | 0.77 | 0.43% | Якщо лише спектральні дані |
| Gaussian Process | 0.75 | 0.45% | Дає оцінку невизначеності |
Для просторового передбачення додаємо geospatial cross-validation (блокова CV замість random split) — інакше просторова автокорельованість дає завищений R² на 0.10–0.15.
Безперервне картування ґрунту
Після навчання застосовуємо модель до всіх пікселів поля, що дає безперервну карту передбаченої властивості. Невизначеність передбачення (з Gaussian Process або bootstrap ансамблю) накладається окремим шаром — агроном бачить, де карта надійна, де потрібна додаткова лабораторна проба.
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. Заощадили 70% бюджету порівняно з класичною сіткою опробування.
Інтеграція з системами точного землеробства
Вихідний артефакт — GeoTIFF з передбаченими значеннями та картою невизначеності. Сумісність із John Deere Operations Center, Trimble Ag Software, агро-ERP через стандартні формати ISOXML/Shape. Карти змінного внесення (VRA) генеруються автоматично на основі ґрунтових карт та нормативних баз.
Строки
Базова система передбачення однієї властивості: 3–5 тижнів при наявності даних. Повна платформа з фьюжном джерел, моніторингом сенсорів та інтеграцією з агро-ERP: 2–4 місяці.