Разработка AI-системы для прогнозирования урожайности

Разработка AI-системы для прогнозирования урожайности

Прогнозирование урожайности позволяет аграриям и агрохолдингам заблаговременно планировать сбыт, логистику и финансирование. Банки используют эти прогнозы для оценки рисков кредитования. Государственные органы — для управления продовольственной безопасностью. ML-система на основе данных дистанционного зондирования и метеорологии достигает MAPE 8-15% за 4-6 недель до уборки.

Источники данных

Спутниковые данные (Remote Sensing):

• Sentinel-2 (ESA): 10-20 м разрешение, 5-дневная периодичность, бесплатно
• Landsat 8/9 (NASA/USGS): 30 м, бесплатно
• PlanetScope: 3 м разрешение, ежедневно, коммерческий

Вегетационные индексы:

• NDVI (Normalized Difference Vegetation Index): (NIR - Red) / (NIR + Red) — плотность и здоровье растительности
• EVI (Enhanced Vegetation Index): улучшенный NDVI, устойчив к атмосферным влияниям
• LAI (Leaf Area Index): индекс листовой поверхности — связан с биомассой

Метеорологические данные:

• Температура воздуха (min/max/avg): накопленные градусо-дни (GDD)
• Осадки: суммарные за декаду, месяц, сезон
• Солнечная радиация
• Влажность почвы (из Sentinel-1 SAR или агрометеорологических станций)

Почвенные данные:

• SoilGrids (ISRIC): глобальная карта типов почв, 250 м разрешение
• SoilMap: национальные карты качества почв

Архитектура модели

Подход 1: Feature-based ML

# Для каждого поля: агрегированные признаки за сезон
field_features = {
    'ndvi_peak': max(ndvi_time_series),
    'ndvi_integral': sum(ndvi_time_series),  # сезонная биомасса
    '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)

Подход 2: Time Series Deep Learning NDVI временной ряд + погода за сезон → LSTM → урожайность. Преимущество: использует динамику роста культуры, не только финальные агрегаты.

Подход 3: Process-based Hybrid Симуляционная модель роста культуры (DSSAT, APSIM) + ML-коррекция. Физическая модель задаёт структуру, ML учит остатки от реальных данных.

Фенологическое отслеживание

Стадии роста культуры (фенология) критически важны:

Автоматическое определение фенофаз по динамике NDVI + термические суммы (GDD). Задержка в фенофазе при стрессе → коррекция прогноза урожайности.

Пространственная агрегация

Поле → хозяйство → район → регион:

• Прогноз на уровне поля: для агронома (10-30 га)
• Хозяйство: для финансового планирования
• Район/регион: для государственного мониторинга

Геостатистический подход: Kriging интерполяция для пространственно непрерывной карты урожайности. Позволяет оценивать поля без исторических данных.

Практическое применение

Агрохолдинг:

• Планирование мощностей хранения
• Форвардные контракты на продажу урожая
• Оперативная помощь агрономам по полям с отстающим NDVI

Банковское кредитование:

• Залоговая оценка урожая на корню
• Оценка риска невозврата кредита при прогнозируемой засухе

Интеграция с агросервисами:

• Агросигнал, ГИС Меркурий: российские платформы управления полями
• Trimble Ag Software, John Deere Operations Center: global
• Экспорт прогнозов через API в ERP агрохолдинга (SAP/1С:Агро)

Метрики:

• MAPE по урожайности: 8-12% за 4-6 недель до уборки
• Пространственная точность: R² > 0.75 на уровне поля
• Coverage: % площадей с достаточным количеством clear-sky снимков

Сроки: базовая NDVI-based модель для одной культуры/региона — 5-7 недель. Мультикультурная система с фенологическим отслеживанием и API — 3-4 месяца.