KERNEL: Big Data - підвищення ефективності агровиробництва

Сьогодні увага аграрія має бути спрямована на дані, які він щодня, щогодини та щохвилини збирає з полів господарства, та на те, як їх максимально ефективно використовувати. На ринку є багато різних спеціалізованих програм та рішень, які надають ці дані. Але як їх правильно збирати та застосовувати з максимальним ефектом? Своїм практичним досвідом поділилася компанія KERNEL.

Розповідає Євгеній Сапіженко, заступник директора агробізнесу з інноваційного та цифрового розвитку KERNEL.

Відповідаю: отримувати дані неналежної якості й спиратися на них у виборі технології.

DATA SCIENCE KERNEL — КЛАСТЕРИЗАЦІЯ ЗА ТЕХНОЛОГІЄЮ

Протягом двох років поспіль у KERNEL активно діє відділ Data Science. Станом на серпень 2022 року в ньому працюють два спеціалісти, які займаються завданнями агробізнесу. Одним з основних завдань відділу є аналіз матриці технологій, щоб у майбутньому з’ясувати, якими ж мають бути технології вирощування конкретної сільськогосподарської культури на конкретному полі, зоні поля у нинішньому році та протягом кількох наступних років.

Спробу помістити складні компоненти технології у двовимірний простір зображено на діаграмі 1. Це візуалізація роботи алгоритму кластеризації технології виробництва за основними критеріями.

Кожна точка — це технологія для поля в окремий рік. Після трансформації вектора технологій у двовимірний простір отримаємо таке графічне зображення. Розмалювавши у кольори математичних кластерів технології виробництва, бачимо непогану тендецію, бо частина під час аналізу діаграми бачимо непогану тенденцію, бо частина окремих хмарин має суцільний колір, який відповідає одному маткластеру. Але всерединіграфіка межі дуже розмиті, що свідчить про неоднозначність підходів.

Дивлячись на це графічне зображення, вже зараз можна можна зробити висновок про наявність серйозного ресурсу для оптимізації виробництва продукції в компанії KERNEL. Проте все це починається з кластеризації полів за умовами вирощування сільгоспкультур.

КЛАСТЕРИЗАЦІЯ ПОЛІВ ЗА УМОВАМИ ВИРОЩУВАННЯ

Поля в агрокомпанії класифікують за умовами вирощування. Власне, цей важливий підхід закладає потужний фундамент для майбутньої роботи з великими даними.

На діаграмі 2 представлено залежність врожайності кукурудзи від агрофону і реакцію різних полів на різні метеорологічні умови від року до року.

Одразу видно, що, крім метеорологічних умов, впливають й інші чинники. Саме цей вплив ми намагаємося оцінити, щоб навчитися керувати ним. Для цього нам потрібно якомога більше якісних даних. Також очевидно, що в різних кластерах, на різних полях і зонах за умовами вирощування кожна культура має свій потенціал. Тож поки ми не можемо керувати погодою, потрібно сконцентруватися на тому, щоб використовувати цей потенціал по максимуму

ЧИ ЗМОЖЕ АІ ДОПОМАГАТИ З ВИБОРОМ ТЕХНОЛОГІЇ?

Різні господарства нашої компанії мають дуже схожі умови вирощування (погода, ґрунти, рельєф тощо). Водночас вони застосовують різні підходи та технології: сівозміну, гібриди, системи живлення, ґрунтообробіток, захист тощо. Як наслідок, маємо показники врожайності, що можуть істотно відрізнятися між собою.

Сучасні технології дають змогу автоматизувати будь-який процес, що працює у ручному режимі, але не варто починати з кінця. Тому попереду нас чекаєще багато років польових дослідів і експериментів у підходах планування технології. Результатом цієї праці станемодель, яка допомагатиме агроному планувати ефективно, раціонально та уникати помилок. І тут йдеться не про заощадження у кілька доларів на гектарі, а про результат загалом.

Усі ці процеси є частиною нашої системи DigitalAgribusiness й еволюцією нашого модуля планування. Створюючи його, ми рухалися від простого до складного і вже сьогодні маємо всі необхідні інструменти для збирання й аналітики даних. Далі ще більше досягнень.

Які ж данітреба збирати, щоб наблизитися до раціонального землеробства? Почнемо з поняття Scouting.

Scouting — це піше обстеження полів, яке здійснює агроном за допомогою цифрового гаджета. Щоб отримані дані можна було оптимально використовувати, варто пам’ятати таке:

Для цього є багато програмних рішень. Проте ми протягом останніх років розробляли своє. Мобільний додаток Scouting — це інструмент для збирання даних та кишеньковий помічник агронома, що містить усю необхідну інформацію про поле. Він працює такожі в офлайн-режимі, що дає змогу проводити обстеження в зонах слабкого покриття.

Дані, отримані під час обходу полів, важливо аналізувати як для операційного управління, так і в ретроспективі у розрізі сезонів. На зображенні нижче приклад того, як в компанії KERNEL збирають та аналізують дані про поширення хвороб та шкідників у розрізі полів.

Система дає змогу бачити поширення хвороб та шкідників за рівнями ураження, видовий склад бур’янів та поширення в різні фази розвитку культур, оцінювати рівень пошкоджень від стихійних явищ тощо. Всі ці дані фіксуються з відповідним фотопідтвердженнямі геотегом. Відповідно, потім здійснюється аналіз на карті полів з можливістю одразу перейти до конкретного звіт-огляду.

ІСТОРІЯ ПОЛЯ

Наступний крок у роботі з великими даними — якісна історія поля: що, коли та як сіяли на конкретних ділянках, коли відбувалося збирання, з якими якісними показниками, які економічні результати отримали тощо. Також сюди входить інформація про гібриди культури, тип добрив і метод їх внесення, картограми агрохімічних даних, погода, дані про тип ґрунту, рельєф тощо.

Не менш важливою є історія технологічних операцій на полях з нормами і строками внесення продуктів, фенологічною фазою, станом культури на певний момент тощо. Всі ці дані зберігаються, так само як і звіти обстежень Scouting, а також відображаються і аналізуються в паспорті поля DigitalAgribusiness (діаграма 5).

УМОВИ ВИРОЩУВАННЯ

Ґрунт. Коли враховано антропогенні чинники, що впливають на результат, важливо вивчити вплив таких основоположних чинників, як тип та здоров’я ґрунту, агрохімічні показники тощо. Адже самі ці показники разом із системою удобрення формують остаточні умови для вирощування культури.

Більшість із перерахованих даних надходить із лабораторії KernelLab. Проте ми також використовуємо оцифровану карту ґрунтів із довідниковими показниками для деяких завдань аналізу. Таким чином, ми щоразу покращуємо систему живлення, маючи дані й статистику минулих років, та керуючись результатами дослідів.

Погодні умови. Звісно, не існує єдиної правильної технології, яка щороку давала б найкращий результат. Погодні умови щоразу змінюються, і це також потрібно враховувати,тож наша ціль — раціональна технологія. Для її формування необхідні максимально деталізовані якісні дані про погоду, а саме їхня історія, накладена на результати й технологію виробництва.

У системі DigitalAgribusiness ми використовуємо модель інтерполяції погодних умов одного з передових провайдерів. Завдяки цьому отримуємо дані про опади на рівні поля. Експерименти довели, що це значно краще, ніж показники з метеорологічної станції на відстані 10–50 км. Навіть з урахуванням можливих відхилень, дані провайдера є допустимими для вирішення наших завдань.

Рельєф. Треба враховувати не лише карту висот, а й карту схилів та зони акумуляції вологи, які суттєво вливають на продуктивність ділянок поля. Власне,тут виникає технічна проблема, як виділити ці зони. Це можна зробити двома способами: або за рельєфом — шляхом моделювання, або за результатами врожайності. У другому випадку дані є хоч і показовими, але межі зон дуже не стабільні з року в рік.

ВИСНОВОК

Очевидно, що навіть дуже досвідченому спеціалісту буде надто складно скласти в головітакий пазл, щоб спланувати технологію виробництва. Крім того, допоміжні інструменти, наприклад накладання шарів карти для візуального аналізу, відтепер виглядають несистемними і в перспективі використовуватимуться тільки для порівняння результатів дослідів чи розбору «складних випадків». А нам потрібна цифра! І тоді Artificial Intelligence відкриває нам нові можливості і більше не виглядає хайпом чи частиною маркетингової кампанії продукту. А поки акумулюймо дані, бо втрачати інформацію з полів — це втрачати врожайність,тільки не в цьому сезоні, а в майбутніх.