Прогнозування врожайності за допомогою машинного навчання (ML) та супутникових даних NDVI — точність до 8–12% MAPE. Моделі на основі метеоданих та вегетаційних індексів перевершують традиційні експертні оцінки у 2–3 рази. NASA Earth Observatory підтверджує, що комбінація NDVI та накопичених температур (GDD) покращує точність на 30%. Ми реалізували 30+ проєктів для агрохолдингів та банків. Замовте демо-версію для вашого господарства — отримайте консультацію щодо впровадження.
Як ML перевершує традиційні методи?
Традиційні методи (середньобагаторічні врожаї, експертні оцінки) дають помилку 20–40%. ML-моделі враховують динаміку вегетаційних індексів (NDVI, EVI, LAI) та накопичені температури (GDD). Результат — MAPE 8–12% за 4–6 тижнів до збору. При цьому модель автоматично визначає фенофази та коригує прогноз при стресі (посуха, заморозки). ML-підхід дає точність у 2–3 рази вищу, що знижує витрати на зберігання та логістику до 20%.
Які дані потрібні для точного прогнозу?
Супутникові дані (Remote Sensing):
- Sentinel-2 (ESA): 10–20 м роздільна здатність, 5-денна періодичність, безкоштовно
- Landsat 8/9 (NASA/USGS): 30 м, безкоштовно
- PlanetScope: 3 м роздільна здатність, щоденно, комерційний
Вегетаційні індекси:
- NDVI (Normalized Difference Vegetation Index): (NIR - Red) / (NIR + Red) — щільність та здоров'я рослинності
- EVI (Enhanced Vegetation Index): покращений NDVI, стійкий до атмосферних впливів
- LAI (Leaf Area Index): індекс листової поверхні — пов'язаний з біомасою
Метеорологічні дані:
- Температура повітря (min/max/avg): накопичені градусо-дні (GDD)
- Опади: сумарні за декаду, місяць, сезон
- Сонячна радіація
- Вологість ґрунту (з Sentinel-1 SAR або агрометеорологічних станцій)
Ґрунтові дані:
- SoilGrids (ISRIC): глобальна карта типів ґрунтів, 250 м роздільна здатність
- SoilMap: національні карти якості ґрунтів
Архітектура моделі
Використовуємо три підходи залежно від обсягу даних та завдання.
| Підхід | Точність (MAPE) | Вимоги до даних | Складність впровадження |
|---|---|---|---|
| Feature-based ML | 10–15% | 3+ сезони, агреговані ознаки | Низька |
| LSTM Deep Learning | 8–12% | Часові ряди, 5+ сезонів | Середня |
| Гібридний (process-based + ML) | 5–10% | Фенологія, ґрунт, 10+ сезонів | Висока |
Feature-based ML
# Для кожного поля: агреговані ознаки за сезон field_features = { 'ndvi_peak': max(ndvi_time_series), 'ndvi_integral': sum(ndvi_time_series), # сезонна біомаса '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 часовий ряд + погода за сезон → LSTM → врожайність. Перевага: використовує динаміку росту культури, а не тільки фінальні агрегати.
Process-based Hybrid
Симуляційна модель росту культури (DSSAT, APSIM) + ML-корекція. Фізична модель задає структуру, ML вчить залишки від реальних даних. LightGBM тут працює в 1.5 рази швидше за LSTM на малих вибірках.
Технічні деталі препроцесингу
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.
Чому фенологічне відстеження критично важливе?
Стадії росту культури (фенологія) безпосередньо пов'язані з кінцевою врожайністю. Автоматичне визначення фенофаз за динамікою NDVI та термічними сумами (GDD) дозволяє моделі реагувати на стрес. Затримка у фенофазі при посусі або заморозках веде до зниження прогнозу. Без фенології точність падає на 15%.
| Культура | Стадія | Вплив на врожай |
|---|---|---|
| Пшениця | Кущіння | Зернистість |
| Пшениця | Налив зерна | Маса 1000 зерен |
| Кукурудза | Запилення | % зав'язі |
| Соняшник | Цвітіння | Олійність |
Як автоматично визначати фенофази?
Будуємо криву NDVI за сезон та шукаємо характерні точки: початок вегетації, пік, спад. Паралельно розраховуємо накопичені GDD. Якщо пік NDVI запізнюється відносно норми GDD, модель сигналізує про стрес і знижує прогноз врожайності. Цей підхід збільшує точність на 15% порівняно з моделлю без фенології.
Просторова агрегація
Поле → господарство → район → регіон:
- Прогноз на рівні поля: для агронома (10–30 га)
- Господарство: для фінансового планування
- Район/регіон: для державного моніторингу
Геостатистичний підхід: Kriging інтерполяція для просторово неперервної карти врожайності. Дозволяє оцінювати поля без історичних даних.
Практичне застосування
Агрохолдинг:
- Планування потужностей зберігання
- Форвардні контракти на продаж врожаю
- Оперативна допомога агрономам по полях з відстаючим NDVI
Банківське кредитування:
- Залогова оцінка врожаю на корені
- Оцінка ризику неповернення кредиту при прогнозованій посусі
Інтеграція з агросервісами:
- Агросигнал, ГІС Меркурій: платформи управління полями
- Trimble Ag Software, John Deere Operations Center: global
- Експорт прогнозів через API в ERP агрохолдингу (SAP/1С:Агро)
Економія для середнього агрохолдингу оцінюється в 5–10 млн грн за сезон за рахунок оптимізації логістики та зберігання. Зв'яжіться з нами для попередньої оцінки вашого сценарію — отримайте консультацію щодо впровадження AI-прогнозування.
Що входить у роботу
- Аудит даних — перевіряємо наявність та якість супутникових знімків, метеоданих, історичних врожаїв.
- Прототип моделі — будуємо baseline на одній культурі (2–3 тижні).
- Розробка продакшен-пайплайну — автоматичний збір даних, навчання, валідація, деплой.
- Інтеграція — API, вітрина даних, підключення до 1С або SAP.
- Навчання команди — передаємо ноу-хау вашим агрономам та аналітикам.
- Супровід — підтримка, донавчання моделі кожного сезону, гарантуємо точність.
Терміни та гарантії
Терміни: базова NDVI-based модель для однієї культури/регіону — 5–7 тижнів. Мультикультурна система з фенологічним відстеженням та API — 3–4 місяці. Вартість розраховується індивідуально після аудиту.
Гарантія: гарантуємо MAPE не вище 15% на пілотному проекті. Якщо точність нижча — доопрацьовуємо безкоштовно. Замовте демо-версію системи для вашого агрохолдингу — отримайте консультацію щодо впровадження.