Введение
Новые технологии и цифровые решения активно проникают во все сегменты сельского хозяйства, активизация связана с тем, что за сезон аграрию необходимо принимать не один десяток правильных ключевых решений, влияющих на прибыльность хозяйства. Растениеводство является одной из ведущих отраслей сельского хозяйства. Она дает продукты питания населению, корма скоту, а также продукцию для переработки в других видах экономической деятельности. Урожай и урожайность - важнейшие результативные показатели растениеводства и сельскохозяйственного производства в целом. В уровне урожайности сельскохозяйственных культур проявляется воздействие экономических и природных условий, в которых осуществляется сельскохозяйственное производство и проявляется качество организационно-хозяйственной деятельности предприятия, а именно: технология возделывания культур; уровень механизации, электрификации и автоматизации; организация производства, труда и управления. При этом различают фактические потери полученного урожая и недобор урожая в результате несоблюдения тех или иных технологических приемов производства продукции (нарушение сроков сева, недостаточная борьба с болезнями, сорняками, вредителями и т. п.). По статистике сегодня примерно до сорока процентов потенциального урожая теряется при выращивании, еще до 40 при сборе и хранении.
Методология
Технологии точного цифрового земледелия являются современным подходом к управлению агроценозом. Традиционное земледелие рассматривает поле, объект управления, как однородное. В точном земледелии поле рассматривается как неоднородный участок, внутри которого может выделяться множество однородных зон, для которых будет задаваться своя норма воздействия, например норма внесения удобрения, поливная норма, если у нас участок под орошением, норма высева и т.д. Выделение этих зон может коррелироваться с различными параметрами, которыми может выступать пестрота почвенного покрова, рельеф, агрохимические, агрофизические параметры, параметры растительного покрова и т.д. Многоуровневые геоданные ландшафтно-экологических и климатических переменных, датчиков почвы и растений, спутниковых изображений, карт урожайности, моделей на основе машинного обучения и цифровых моделей рельефа позволяют реализовать комплексный мониторинг посевных площадей для улучшения управления сельскохозяйственным объектом [1]. Одним из основных направлений совершенствования подходов к мониторингу посевных площадей является внедрение геоинформационных технологий (ГИС) и использование данных дистанционного зондирования Земли (ДДЗЗ) [2]. Регулярно получаемые и накапливаемые спутниковые данные могут выступать основой для создания систем мониторинга, позволяющих получать целый ряд параметров о состоянии растительности на различных уровнях масштаба [2-5]. В рамках трека «Цифровое земледелие» Второго Межрегионального конкурса геоинформационных разработок GISIT2024 командам было предложено создать программно-аппаратный комплекс для мониторинга посевных площадей и для прогнозирования предполагаемой урожайности.
Результаты
В ходе разработки были поставлены следующие задачи: анализ существующего опыта; определение целевых пользователей, и критериев необходимой для них конечной информации; адаптация технологий обработки и интерпретации космической съемки; разработка методов анализа динамики по времени и пространстве, разработка шаблонов конечного результата; разработка интерфейса прототипа сервиса; реализация решения в виде Web-ресурса. В качестве основных бенефициаров сервиса были определены агропромышленные предприятия и сельхозпроизводители, которые смогут получать информацию о продуктивности их земель, осуществлять мониторинг развития агроценозов, использовать данные для дифференцированного управления земельными ресурсами, прогнозировать урожайность, и, соответственно, прибыль. Для определения зон роста, которые необходимо учесть при разработке сервиса был произведен анализ существующих на рынке решений, в рамках которого рассмотрены три компании, предлагающие свои сервисы для мониторинга и анализа агроценозов: AgriSense, АгроМон, ExactFarming (таблица 1).
Результаты
Таблица 1. Сравнительный анализ сервисов мониторинга и анализа полей Компании, предлагающие свои сервисы для мониторинга и анализа полей Сравниваемы параметры, инструменты Наличие анализа данных спутникового мониторинга Доступность сервиса на мобильных устройствах Интеграция с агротехникой Охват всего производственного цикла Удобство UI AgriSense да нет нет нет да АгроМон нет да да да нет ExactFarming да да да нет да Компания AgriSense предлагает сервис для мониторинга посевных площадей и оценки урожайности на основе данных ДЗЗ. Платформа позволяет бизнесу получать информацию о состоянии посевов, прогнозах урожайности и дает рекомендации по оптимизации производственных процессов. Преимуществами сервиса является высокая точность прогнозирования урожайности благодаря использованию технологий дистанционного зондирования, осуществлена интеграция с различными источниками данных, например, агрохимическими параметрами почвы, у сервиса разработан эргономичный пользовательский интерфейс UI. К недостаткам можно отнести высокую стоимость подписки на сервис, ограниченность функционала в сравнении с конкурентами. Компания является иностранной и не предоставляет доступ пользователям из стран СНГ. Российская компания АгроМон предлагает решения для мониторинга и управления производством, позволяет сельхозпредприятиям получать актуальную информацию о состоянии посевов, прогнозах урожайности, погодных условиях и других факторах, влияющих на сельскохозяйственное производство. К преимуществам можно отнести возможность получения актуальной информации о состоянии полей, включая данные о влажности почвы, температуре, уровне освещенности и других параметрах, прогнозирование урожайности на основе анализа данных о состоянии полей, возможность интеграции с различными типами агротехники для повышения эффективности использования оборудования, поддержка мобильных устройств для удобного доступа в любое время и из любой точки мира. Недостатками платформы являются относительно высокая стоимость внедрения и поддержки полной системы, что может ударить по карману небольшим хозяйствам, и отмеченная некоторыми пользователями сложность UI, невозможность интеграции с другими системами. Решение компании ExactFarming включает в себя инструменты для мониторинга полей, анализа урожайности и оптимизации производства. Платформа использует данные спутникового мониторинга, анализа почвы и растений, метеоданные, чтобы предоставить пользователям актуальную информацию о состоянии посевов [6,7]. Преимуществами является высокая точность анализа данных за счет использования технологий спутникового мониторинга, базирующихся на собственных алгоритмах обработки данных, возможность создания зон управления, которые позволяют оптимизировать использование удобрений, средств защиты для растений и других ресурсов. Осуществлена интеграция с различными типами агротехники для повышения эффективности использования оборудования, поддержка мобильных устройств для удобного доступа к данным в любом месте. К недостаткам пользователи относят достаточно высокую стоимость внедрения системы. Приведенный анализ существующих на рынке решений показал широкое использование данных дистанционного зондирования для сезонного анализа развития растительности, мониторинга севооборотов, наличие функционала оценки биофизических параметров посевов и прогнозирование их продуктивности.
Обсуждение
В качестве исходных данных были использованы синтетические данные объема урожая с полей зерновых культур Якутского НИИ сельского хозяйства ФИЦ ЯНЦ СО РАН, картограммы агрохимических параметров полей, типы уборочной техники. Было предложено для сбора данных во время сборки урожая использовать датчики, передающие пространственно-координированную информацию об объеме урожая и, по возможности, других параметров посева, возможность подключения данных дистанционного зондирования (показатели NDVI, EVI и тд) для накопления данных о растительном покрове и осуществления построения временных рядов. Поскольку для сезонного анализа развития растительности требуются данные по вегетационным характеристикам на основе данных ДЗЗ, то для доступа и обработки было решено использовать сервис Google Earth Engine Code (GEE), облачную платформу, которая предоставляет возможность обработки больших объемов пространственных данных [8]. Исходными данными для реализации сезонного и годового анализа развития растительности являлись космические снимки спутников Landsat 8 и Sentinel 2А уровня обработки 2A (атмосферная коррекция снимков, пересчет значений в излучение на сенсоре). Период рассмотрения — с апреля по октябрь 2021, 2022 и 2023 годов для территории посевных полей ЯНИИСХ СО РАН общей площадью 3284,2 (га). Для собранных снимков были проведены операции: а) применение маски облаков; б) расчет вегетационных индексов (NDVI, EVI); в) выделение зон продуктивности (на основе использования машинного обучения без учителя); г) построение картограмм и графиков на основе NDVI, отображающие временные ряды данных, необходимые для прогнозирования урожайности.
Обсуждение
Для анализа динамики растительного покрова во времени и в пространстве были разработаны соответствующие подходы, проведена адаптация технологий обработки и интерпретации космической съемки, разработаны шаблоны представления конечного результата пользователю (в виде контуров разной продуктивности для обеспечения дифференцированного управления, доступа к информации по рядам вегетационных индексов на заданную территорию), а также составление и тестирование скрипта на языке JavaScript. Для реализации поставленных в кейсе задач были использованы методы геоинформационного анализа, картографирования и моделирования, методы предварительной и тематической обработки данных дистанционного зондирования. Разработанный сервис “PredictMap” является проектом на стадии MVP. Ресурс реализован в формате WEB-сайта (рисунок 1), в который интегрировано приложение, созданное на платформе GEE. Рисунок 6 - Главная страница ресурса На главной странице ресурса пользователя встречает меню навигации по ресурсу, которое осуществляет быстрый доступ пользователя к соответствующим разделам веб-сайта (приложение, полезные материалы по точному земледелию, подробная информация о команде и обучающие видеоролики по использованию сервиса мониторинга урожайности). Видеоролики являются ключевым элементом обучающего контента, направленного на обеспечение пользователей необходимыми знаниями и навыками для эффективного взаимодействия с сервисом. В них демонстрируются базовые принципы загрузки информации и правильного сбора информации с полей, что обеспечивает доступность восприятия информации пользователями всех уровней опыта. Таким образом, представленный веб-ресурс обеспечивает не только инструментальные средства для анализа и обработки данных, но и активно поддерживает пользователей, предоставляя им доступ к обучающим материалам и информационным ресурсам, необходимым для эффективного использования сервиса и понимания принципов мониторинга. В ГИС-приложении заложен следующий функционал для пользователя: Загрузка контуров полей и информации о выращиваемых культурах; Автоматическое получение данных об объеме урожая с посевных площадей, полученных с помощью датчиков; Загрузка данных полевых обследований и генерация интерполяционных поверхностей на их базе; Расчет, визуализация и анализ рядов рассчитанных индексов посевов, таких как NDVI, NDWI и EVI за вегетационные периоды предыдущих лет для оценки контуров продуктивности на основе машинного обучения; Отображение и анализ результатов прогнозирования урожайности на основе комплексного анализа данных средствами ГИС и ИИ (машинного обучения).
Выводы
Возможность выгрузки контуров продуктивности и контуров прогнозной урожайности в формате .kml и .shp. для последующей загрузки в бортовой компьютер сельскохозяйственной техники. Для реализации доступа пользователя к вышеописанному функционалу, разработан пользовательский интерфейс приложения (UI-интерфейс) (рисунок 2), а также выстроен путь взаимодействия клиента с продуктом. Рисунок 2 – Пользовательский интерфейс ГИС- приложения В данной статье представлены результаты разработки прототипа веб-сервиса для мониторинга посевных площадей на основе данных наземного и космического мониторинга полей. Был проведен анализ существующих решений, произведено описание функциональных возможностей сервиса, разработан веб-сайт, осуществлена разработка пользовательского интерфейса приложения в GEE для параметризации и работы пользователя с написанным на языке JavaScript кодом приложения. Исследовательская работа включала в себя решение задач анализа сезонной и многолетней динамики вегетационных индексов с применением методов машинного обучения без учителя, а также возможность генерации зон устойчивой продуктивности на основе этих данных.