Уявіть: у вас 10 000 га пшениці, а агроном може об'їхати лише 30% полів за тиждень. Решта 70% — чорна скринька. Поки супутник зафіксує проблему, може бути пізно. Стандартний NDVI-моніторинг дає знімки раз на 5 днів, але хмарність приховує поле до двох тижнів. Ми вирішуємо це композитними зображеннями та прогнозуванням з дифузійними моделями. Розробляємо AI-системи, які перетворюють супутникові знімки, дані дронів та IoT-датчиків у точні рекомендації для кожного гектара. Наш досвід в агротеху — 5+ років, за плечима 12+ проєктів для господарств від 500 до 50 000 га.
Дистанційне зондування та супутникова аналітика
Вегетаційні індекси — основа моніторингу. Головний з них — NDVI (Normalized Difference Vegetation Index):
| Індекс | Формула | Діапазон | Що показує |
|---|---|---|---|
| NDVI | (NIR - Red)/(NIR + Red) | -1..1 | Стан біомаси |
| NDRE | (NIR - Red Edge)/(NIR + Red Edge) | -1..1 | Вміст хлорофілу |
| NDMI | (NIR - SWIR)/(NIR + SWIR) | -1..1 | Вологість посівів |
| EVI | 2.5*(NIR-Red)/(NIR+6Red-7.5Blue+1) | -3..3 | Стійкий до насичення в густому полозі |
Додаткові індекси та їх застосування
Також використовуємо PSRI (Plant Senescence Reflectance Index) для ранньої детекції старіння, REP (Red Edge Position) для оцінки хлорофілу, та PRI (Photochemical Reflectance Index) для стресу фотосинтезу. Комбінація індексів підвищує точність класифікації типів стресу на 30%.NDVI < 0.2 — голий ґрунт або мертва рослинність; 0.4–0.6 — помірний ріст; > 0.7 — густий здоровий посів. Додатково використовуємо NDRE (чутливіший до хлорофілу) та NDMI для карт водного стресу.
import numpy as np import rasterio from rasterio.transform import from_bounds import matplotlib.pyplot as plt def calculate_vegetation_indices(satellite_image_path): """ Розрахунок вегетаційних індексів з мультиспектрального знімка. Очікувані канали: 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] eps = 1e-10 ndvi = (nir - red) / (nir + red + eps) ndre = (nir - rededge) / (nir + rededge + eps) ndmi = (nir - swir) / (nir + swir + eps) 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): """Виділити зони стресу для прецизійного втручання""" masked = np.where(field_boundary, ndvi_map, np.nan) stress_mask = masked < threshold return stress_mask, np.nanmean(masked) Прогноз врожайності будуємо на регресії за часовим рядом NDVI та кліматичними даними. Ознаки: NDVI по фенологічних фазах (сходи, кущіння, налив), сума опадів, GDD (Growing Degree Days). RMSE для пшениці — 0.3–0.5 т/га при прогнозі за 30 днів до збору.
Як AI допомагає виявляти хвороби та шкідників?
Використовуємо Computer Vision на знімках дронів: YOLOv8 або Mask R-CNN, навчені на розмічених агрономами даних. Детектуємо іржу, борошнисту росу, фузаріоз, попелицю, гусінь. Точність — 85–92% на добре освітлених знімках. Головне обмеження — якість навчальної вибірки, тому ми включаємо в проєкт етап збору та розмітки даних з вашим агрономом.
Наземний IoT-моніторинг доповнює картину: пастки з камерами рахують трипсів та клопів, акустичні сенсори ловлять звук комах в елеваторах, кліматичні станції оцінюють ризик грибкових захворювань через leaf wetness та температуру.
Чому точне землеробство вигідніше за традиційне?
Диференційоване внесення добрив (VRA) скорочує витрати на 15–25% без втрати врожаю. ML-моделі прогнозують потребу в добривах у 3 рази точніше, ніж табличні методи. Процес:
- Ґрунтовий аналіз: відбір проб по сітці 300×300 м → лабораторія
- Інтерполяція: кригінг або IDW — карта поживних речовин
- ML-модель: ґрунт + NDVI → рекомендована доза N/P/K
- ISOBUS-команда: агрегат HORSCH, John Deere — точне дозування
| Метод внесення | Економія добрив | Приріст урожайності | Час на полі (люд-год/га) |
|---|---|---|---|
| Традиційне | 0% | 0% | 0.02 |
| Диференційоване | 15–25% | до 10% | 0.03 |
| Точне (VRA + ML) | 25–35% | до 12% | 0.05 |
Для іригації застосовуємо модель водного балансу за FAO-56 та Reinforcement Learning для багатоденного планування поливу з урахуванням прогнозу погоди та тарифів на електроенергію.
Що входить у роботу?
- Аудит даних та інфраструктури господарства
- Збір та розмітка навчальних вибірок (із залученням ваших агрономів)
- Розробка моделі моніторингу (NDVI, детекція хвороб) на PyTorch / TensorFlow
- Інтеграція з IoT-пристроями та дронами
- Розгортання на вашому сервері або в хмарі (Kubeflow, MLflow для MLOps)
- Навчання вашої команди роботі з дашбордом
- Технічна підтримка та донавчання моделей по сезону
Строки: від 2 тижнів на базовий моніторинг до 10 місяців на повноцінну платформу. Щоб оцінити свій проєкт, зв'яжіться з нами — за 2 дні підготуємо план та розрахуємо економічний ефект. Гарантуємо прозорість строків та бюджету.
Аналітика та планування господарства
Farm Management System (FMS) Dashboard об'єднує:
- NDVI-карти в динаміці по сезону
- Карти врожайності (yield mapping) з комбайна — зворотний зв'язок для наступного сезону
- Порівняння полів між собою та з еталоном по культурі
- Фінансова аналітика: витрати/га vs. врожайність — маржа по кожному полю
Інтегруємо прогноз цін на зерно через LSTM на даних Московської Біржі, CME Group та USDA. Рекомендації щодо таймінгу продажів — щоб ви фіксували найкращу ціну.
Згідно з Wikipedia, NDVI — це галузевий стандарт, але ми використовуємо його в комбінації з машинним навчанням для точності, недосяжної класичними методами. Замовте консультацію — розрахуємо ROI для вашого господарства.