Как использование аналитики спутниковых снимков поможет в развитии агросектора Казахстана
Сельскохозяйственная отрасль играет существенную роль в социально-экономическом и экологическом развитии Казахстана. Сектор, на который в 2021 году приходилось почти 5,1% экономического производства страны, был источником занятости для 30% работающего населения.
Земельный фонд Казахстана составляет почти 263 млн га, более 40% которого используется для нужд сельского хозяйства. В 2022 году было засеяно 23,1 млн га полей. Площадь большинства угодий составляет 1–10 тыс. га. Поэтому интерес к технологиям, позволяющим удаленно следить за состоянием пахотных земель, высок среди аграриев. Спутниковое дистанционное зондирование — одна из них.
EOS Data Analytics (EOSDA), глобальный поставщик аналитики спутниковых изображений на основе искусственного интеллекта, является одним из пионеров и популяризаторов спутниковых технологий в республике.
EOSDA предоставляет программное обеспечение для дистанционного зондирования Земли клиентам из 22 отраслей. Тем не менее провайдер фокусируется на сельском хозяйстве и лесоводстве. В продуктовый портфель компании входят три решения:
- EOSDA Crop Monitoring — платформа точного земледелия для мониторинга полей;
- EOSDA Forest Monitoring — программное обеспечение для управления лесами;
- EOSDA LandViewer — инструмент для поиска, загрузки и анализа спутниковых снимков из нескольких источников.
Помимо разработки и модернизации готовых решений EOSDA реализует индивидуальные проекты для агробизнеса.
«Компании и организации регулярно обращаются к нам с проектами, предусматривающими анализ спутниковых, погодных или сельскохозяйственных данных. Специалисты из R&D-отдела — агрономы, почвоведы, дата-сайентисты и дата-аналитики — занимаются такими задачами. Эти решения являются кастомными с точки зрения сбора данных и подбора наиболее эффективного алгоритма для их анализа», - рассказал Виталий Вишняк, менеджер по развитию бизнеса EOS Data Analytics.
Иногда после обсуждения с заказчиком команда понимает, что нужно собрать данные дополнительно.
«Например, в рамках совместного проекта с Всемирным банком по классификации сельскохозяйственных земель Украины специалисты летом и зимой выезжали в экспедиции для картирования культур. Сбор данных тогда занял два года», — уточнил Виталий Вишняк.
С начала 2023 года для решения задач компания начнет использовать проприетарные данные с EOS SAT-1 — первого спутника созвездия EOS SAT, ориентированного на представителей агроиндустрии. Пользователи платформ получат доступ к высококачественным спутниковым снимкам весной 2023-го.
Агротехнологические решения под ключ от EOS Data Analytics
EOSDA предлагает следующие индивидуальные решения:
- Классификация культур — идентификация культур, выращиваемых на интересующей территории, и подсчет площади, занимаемой каждой культурой. Клиенты получают маски пахотных земель с разрешением 10 м в форматах geotiff или shp. Задание может быть выполнено для текущего и прошлого сезонов.
- Обнаружение границ полей включает подсчет их общей площади и площади каждого поля. Результаты представлены в виде контурных масок в форматах shp и geotiff.
- Прогнозирование урожайности — оценка объема урожая в текущем сезоне на основе исторических данных и актуальных данных о полях. Специалисты могут выполнить прогноз на уровне поля, региона или страны для одной или нескольких культур.
- Мониторинг динамики сбора урожая включает создание отчетов с такими данными, как даты сбора урожая, количество и площадь полей, с которых собрали агропродукцию, и статус сбора урожая (убран/не убран). Как и другие индивидуальные решения, мониторинг сбора урожая можно вести за несколько прошлых и текущий сезоны.
- Аналитика влажности почвы — мониторинг содержания воды на поверхности почвы и в корневой зоне растений. Такие данные полезны для управления орошением, выявления стресса сельскохозяйственных культур и определения районов, подверженных оползням. А в сочетании с метеорологическими данным аналитика может использоваться для прогноза и оценки потенциального урожая.
В ноябре 2022 года EOS Data Analytics совместно с провайдером цифровой бизнес-платформы Qoldau провела вебинар по удаленному мониторингу полей в осенне-зимний период с использованием данных о погоде и влажности почвы.
Не только аграрии, но и технологические компании могут выступать заказчиками индивидуальных решений. Один из таких проектов в 2020 году EOS Data Analytics внедрила для компании из Казахстана.
Оценка биопродуктивности культур путем анализа данных DMP с помощью биофизической модели
Целью проекта было оценка текущих вегетативных характеристик пяти культур (яровой пшеницы, подсолнечника, ячменя, бобовых и рапса) на административном уровне.
Команда использовала публично доступные данные за 2018-2019 годы от программы Copernicus Global Land Service, в частности Dry matter productivity (DMP) product.
Кто выиграл аукцион по частотам для 5G в Казахстане
Определился консорциум, который будет развивать пятое поколение связи в гор... →
«С помощью данных DMP можно определить характеристики биомассы сельскохозяйственных культур (объем растительности на поле). Еще одна причина, по которой ученые выбрали этот источник, — достаточно большие площади угодий для мониторинга в рамках задачи», — отмечает Виталий Вишняк.
Dry matter Productivity указывает на общую скорость роста растительности или прирост сухой биомассы. Эти показатели измеряются в килограммах, гектарах или днях. Данные DMP обновляются каждые 10 дней; разрешение снимков — 300 м.
Помимо данных DMP, специалисты взяли метеорологические данные от NASA Power и данные о почве от FAO Soils Portal.
После калибровки модели команда сопоставила полученные данные с фактическими и модельными расчетами, чтобы получить показатели общей биомассы за вегетационный период. Таким образом, специалисты научного отдела EOSDA определили сроки посева и сбора урожая. Биофизическую модель также использовали для определения коэффициента общей биомассы (она включает в себя корни, стебли, листья и генеративные органы растения) к биомассе продуктивных органов — урожаю. Последний параметр также известен как индекс урожайности.
Точность результатов варьировалась в зависимости от региона и культуры. Например, относительная ошибка подсчета биомассы яровой пшеницы и ячменя составила 26%. Специалисты заключили, что для достижения большей точности потребовалось бы проанализировать данные о большем количестве полей и сельскохозяйственных культур.
Проект длился два месяца; команда потратила большую часть времени на сбор данных и разработку модели.
