Алгоритмы, посевы и карты
Как machine learning меняет сельское хозяйство.
Повышение урожайности, картографирование полей, роботизация сельхозтехники, интеллектуальный мониторинг посевов и культур, прогнозирование — machine learning превращает сельское хозяйство из интуитивной практики в систему точного управления ресурсами.
Только за первое полугодие 2020-го agtech-проекты привлекли $8,8 млрд инвестиций.
Вместе с Владимиром Бабием, руководителем департамента внедрения инноваций UkrLandFarming, Артемом Беленковым, основателем SmartFarming и Евгением Харланом, CEO IBerry Ukraine, рассказываем об украинских и зарубежных кейсах.
Где используют машинное обучение
#1.Спутниковые снимки и их анализ
Снимки позволяют определить ареал распространения культур и влияние климатических изменений на сельское хозяйство.
Разработчики из Минска с помощью ML и спутников создали бесплатную карту для точного земледелия OneSoil. Она содержит данные за три года (2016-2018) о 60 миллионах полей и 27 культурах в 44 странах Европы и США. Карта позволяет отслеживать, как развивались посевы на уровне регионов и стран, детально рассматривать поля и видеть, что на них растет, а также замерять NDVI до сбора урожая.
При создании карты использовали снимки спутника Sentinel-2 программы Copernicus. Для работы с данными и статистикой — базу данных PostgreSQL c расширением PostGIS. Для визуализации — сервис Mapbox. Всего OneSoil обработали 250 ПБ информации.
Сначала изображения очистили от теней, снега, облаков, после — идентифицировали границы полей и классификации культур на моделях ML. Затем с полученными векторными картами работал девелопер.
Карта для точного земледелия / OneSoil
Украинцы тоже создали сервис по обработке и аналитике спутниковых снимков — EOS. Это облачный каталог спутниковых изображений, который может оперативно обрабатывать данные. Также он может анализировать пожары и вырубку лесов.
Владимир: «Платформы управления агропроизводством и спутникового мониторинга посевов, например, Cropio, Fieldview или FarmCommand, дают доступ к актуальным и историческим данным спутникового мониторинга. Благодаря алгоритмам мы можем получить отображение земельного банка в широком спектре данных.
Индекс NDVI и карта здоровья поля помогают понять, на каких участках поля есть неоднородность в развитии культуры. Дополнительно мы используем БПЛА для детального изучения происхождения такой проблемы, а после принимаем решение о ее устранении в этом или следующем сезоне».
Cropio, Fieldview и FarmCommand сегодня вышли на хороший уровень телематики, но они в основном оперируют данными, полученными от новой заграничной сельхозтехники.
Но и эти системы могут давать сбои.
Артем: «В этом году все системы в области farm management, которые прогнозируют урожайность, показывали некорректные прогнозы (из-за аномальной засухи, облачности или дефицита снимков с той или иной территории)».
#2. Цифровые инструменты для точного земледелия
Сейчас решения для полевой аналитики могут предсказать и повысить производительность каждого сантиметра поля.
Например, израильская компания Prospera использует computer vision и deep learning, чтобы точно определить, сколько воды нужно растениям.
Системы Prospera, установленные в теплицах или в поле, применяют проксимальную камеру RGB, солнечную панель, а также датчики температуры, влажности и света (излучения).
Камеры следят за растениями 24/7. Когда находят проблему — отправляют фотографии и данные датчиков в облако. Затем система анализирует данные, создает сводку в приложении и информирует фермера. Он может оперативно решить проблемы ирригации, вредителей, болезней, дефицита питательных веществ.
Еще одно преимущество — технология работает и для вертикальных (закрытых) ферм, которым обычно не помогают спутниковые изображения или фото с беспилотников.
Цифровым земледелием занимаются и в украинском ягодном хозяйстве «Нікдарія»,которому принадлежит ТМ iBerry.
Евгений: «Я могу управлять полем со смартфона из любой локации: регулировать систему полива, контролировать статистику производства, ошибки системы и следить за тем, чтобы не было сбоев. У нас полностью автоматизирована система очистки фильтростанции и работа метеостанции. В режиме реального времени мы видим температуру, осадки, информацию о силе ветра. Исторический протокол всех данных сохраняется в облаке.
В каждой клетке поля у нас есть датчики, которые измеряют влажность почвы. Поэтому мы поливаем поле только с подсказками приборов. Agrilab сделали интерактивные карты, благодаря которым анализ почвы мы видим в привязке к Google-картам со всеми координатами».
#3. Роботизация сельскохозяйственной техники
Одна из ключевых задач агро роботов — борьбы с сорняками.
Компания Blue River Technology использует платформу машинного обучения для умной технологии опрыскивания See & Spray. Эта технология научилась отличать хлопчатник от сорняков по признакам, которые почти незаметным человеку. Она позволяет распрыскивать химикаты только на сорняки, не полагаясь при этом на расстояние или цвет.
Нейросеть с поддержкой PyTorch анализирует каждый кадр в режиме реального времени, чтобы определить сорняки и посевы, сопоставив их местоположение. See & Spray оценивает внесенный гербицид, вносит коррективы и учится в процессе.
Для обучения ML-алгоритмов, инженеры создали набор внутренних библиотек поверх PyTorch.
Компания планирует регулярное тестирование для повышения производительности своих моделей с помощью платформы Weights & Biases, которая упрощает визуализацию моделей PyTorch во время обучения.
Роботизация агротехники связана с GPS-навигацией: для работы системам нужна высокая точность геопозиции (до сантиметра).
Владимир: «Наша телеметрическая система TETRA позволяет собирать информацию с каждой единицы техники и оценивать эффективность ее работы.
Мы получаем данные о перемещении, оборотах и мощности двигателя, о расходе топлива и другие. Показатель скорости помогает понять, качественно ли работают сеялки. Показатель мощности двигателя свидетельствует о качестве вспашки. Данные температуры воздуха и скорости ветра позволяют более эффективно использовать опрыскиватель. Информация от сенсоров сеялок, опрыскивателей и разбрасывателей указывает, соблюдается ли технология выращивания. А система „свой-чужой“ обеспечивает точной информацией по урожайности каждого поля и дает уверенность, что весь наш урожай будет перевезен с поля на элеватор».
Эксперты считают, что универсальных ML-решений, способных корректно работать в разных условиях по всему миру — единицы.
Артем: «Самый большой потенциал в ML — у растениеводства, где нужно учитывать множество факторов. Но пока алгоритмы не справляются с этим на должном уровне. Большинство глобальных стартапов еще не показали реальных результатов в Украине. Причина — их алгоритмы либо некорректно считают, либо делают это долго.
В Украине в этой отрасли пока много организационных, технологических и финансовых сложностей».
