Полив та живлення — два найбільші керовані фактори врожайності. При неправильному поливі втрачається 30–50% води, при надлишку добрив значна частина вимивається до ґрунтових вод. AI-система керує цими ресурсами з точністю до ділянки поля та дня. Ми впроваджуємо такі рішення вже багато років — за цей час накопичили досвід на полях від 10 до 500 га в різних кліматичних зонах. Наша команда включає 10 AI-інженерів та агрономів, реалізовано 30+ проєктів точного землеробства.
Класичні FAO-моделі дають хорошу оцінку, але не враховують мікрорельєф та локальні властивості ґрунту. Без машинного навчання розкид між сценаріями може сягати 40% за вологістю. Наш підхід комбінує фізичну модель водного балансу з LSTM-корекцією, що знижує помилку прогнозу вологості в 1.7 раза точніше за класичну модель.
Як AI-система розраховує водний баланс?
Розрахунок евапотранспірації (ET) за методом FAO-56 Penman-Monteith залишається стандартом для визначення потреби культури у воді. Використовуються щоденні дані погоди: температура, вологість, вітер, радіація. Код на Python нижче реалізує розрахунок ET₀ з поправкою на психрометричну константу та чисту радіацію.
import numpy as np import pandas as pd def calculate_et0_penman_monteith(weather_df): """ FAO-56 Penman-Monteith для розрахунку референсної ET₀. Вхідні дані: температура (мін/макс), вологість, вітер, радіація. """ T = (weather_df['t_max'] + weather_df['t_min']) / 2 # середня температура Rs = weather_df['solar_radiation'] # МДж/м²/день u2 = weather_df['wind_speed_2m'] # м/с на висоті 2м RH_mean = (weather_df['rh_max'] + weather_df['rh_min']) / 2 # Психрометрична константа та нахил кривої насиченої пари delta = 4098 * (0.6108 * np.exp(17.27*T / (T+237.3))) / (T+237.3)**2 gamma = 0.000665 * 101.3 # кПа/°C при тиску моря # Насичена пара es = (0.6108 * np.exp(17.27 * weather_df['t_max'] / (weather_df['t_max']+237.3)) + 0.6108 * np.exp(17.27 * weather_df['t_min'] / (weather_df['t_min']+237.3))) / 2 ea = es * RH_mean / 100 # Чиста радіація (спрощення) Rn = 0.77 * Rs - 4.903e-9 * (((weather_df['t_max']+273)**4 + (weather_df['t_min']+273)**4)/2) * \ (0.34 - 0.14*np.sqrt(ea)) * (1.35 * Rs/weather_df.get('Rs0', Rs*1.1) - 0.35) # PM-формула ET0 = (0.408*delta*Rn + gamma*(900/(T+273))*u2*(es-ea)) / (delta + gamma*(1+0.34*u2)) return ET0.clip(lower=0) Soil Water Balance: Щоденний розрахунок водного балансу для кожної зони поливу включає TAW (Total Available Water), RAW (Readily Available Water — поріг 40–50% від TAW) та рівняння Θₜ₊₁ = Θₜ + Rain + Irrigation - Kc × ET₀ - Drainage. Це дає точний поріг початку та об'єм поливу.
Чому машинне навчання підвищує точність?
Класична FAO-модель не бачить специфіку ґрунту конкретного поля. Ми додаємо датчики вологості (TDR, FDR) у декількох точках і вчимо LSTM передбачати реальну вологість за вхідними даними. LSTM коригує культурні коефіцієнти (Kc) за історичними даними, що скорочує похибку прогнозу на 40%.
Прогноз потреби в поливі: на вхід — прогноз погоди на 5–7 днів та поточна вологість Θ. На вихід — рекомендація: чи потрібен полив і скільки мм. Система також враховує розклад насосної станції та тарифи електроенергії, щоб поливати в години низького навантаження.
Покроковий процес роботи системи
- Збір даних: датчики вологості ґрунту, погодне API, супутникові знімки NDVI, історичні карти врожайності.
- Розрахунок водного балансу за FAO-56 з LSTM-корекцією для кожної зони поля.
- Прогноз вологості на 5–7 днів з урахуванням майбутніх погодних умов.
- Генерація рекомендації з поливу: об'єм та час, оптимізовані під тарифи електроенергії.
- Автоматичне відправлення команди на контролер поливу через ISOBUS або Modbus.
Як AI керує внесенням добрив?
Карти поживних речовин будуються через кригінг-інтерполяцію точкових ґрунтових проб — отримуємо растрову карту N/P/K. ML-корекція використовує NDVI зі супутника: NDVI корелює з потребою в азоті. Історичні карти врожайності допомагають виявити хронічно слабкі зони — можливо, проблема в дренажі або дефіциті мікроелементів.
Variable Rate Application (VRA): генерація prescription map для розкидача. Приклад коду:
import geopandas as gpd import rasterio import numpy as np def generate_vra_prescription( field_boundary, ndvi_map, soil_ph_map, target_yield, crop='wheat', base_n_rate=120 # кг N/га базова норма ): """ Генерація prescription map для варіабельного внесення азоту. """ # Нормалізація NDVI до відхилення від середнього по полю field_mean_ndvi = np.nanmean(ndvi_map[field_boundary]) ndvi_deviation = ndvi_map - field_mean_ndvi # Скоригувати дозу: де NDVI нижче середнього — більше азоту n_adjustment = -ndvi_deviation * 80 # -80кг N за одиницю NDVI відхилення # Поправка на pH (при pH<6 знижуємо дозу, вапнування важливіше) ph_factor = np.where(soil_ph_map < 6.0, 0.7, np.where(soil_ph_map > 7.5, 0.85, 1.0)) prescription = np.clip( (base_n_rate + n_adjustment) * ph_factor, a_min=60, a_max=180 # агрономічні обмеження ) return prescription Результат: prescription map у форматі SHP/ISOBUS — завантажується в термінал розкидача.
Прогнозна аналітика живлення з Computer Vision: дефіцит поживних речовин помітний за симптомами на листках. Використовуємо CNN (EfficientNet) на 15 класів дефіцитів. Точність 78–85% при гарному освітленні. Система аналізує знімки з дрона або смартфона та видає карту дефіцитів.
Порівняння підходів: FAO vs FAO+ML
| Характеристика | Класична FAO | FAO + LSTM |
|---|---|---|
| Точність прогнозу вологості | ±15% | ±9% (в 1.7 раза точніше) |
| Врахування мікрорельєфу | Ні | Так (через датчики) |
| Адаптація до сезону | Постійні Kc | Динамічне коригування |
| Водозбереження | до 20% | до 50% |
Що входить у проєкт
| Етап | Що робимо | Результат |
|---|---|---|
| Аналітика | Збір даних: погода, поле, врожайність, обладнання | Технічне завдання, план інтеграції |
| Моделювання | Розробка моделі водного балансу, LSTM, VRA | Модель, протестована на історичних даних |
| Інтеграція | Підключення датчиків, контролерів, API погоди | Система керування поливом та добривами |
| Тестування | Пілот на одному полі, коригування | Звіт про точність, рекомендації |
| Деплой та навчання | Встановлення обладнання, навчання агрономів | Робоча система, документація, доступи |
Додаткові deliverables: навчання агрономів роботі з системою, технічна документація, гарантійна підтримка протягом першого сезону.
Строки та як почати
Розробка повноцінної системи з інтеграцією погоди, датчиків ґрунту та ISOBUS-обладнання займає 3–5 місяців. Типова економія води сягає 30–50%, що забезпечує значне зниження операційних витрат. Додатково економія добрив становить 20–30% за рахунок точного внесення. Оцінимо ваш проєкт безкоштовно — надішліть опис полів та наявного обладнання. Гарантуємо зниження витрати води на 30% в перший сезон та підвищення врожайності за рахунок точного внесення добрив.
Отримайте консультацію: зв'яжіться з нами, і ми підготуємо індивідуальну пропозицію з урахуванням ваших культур та кліматичної зони. Замовте пілотний проєкт на одному полі — побачите результат до масштабування.