Что такое big data и почему это важно для сельского хозяйства?

18 сентября в TERMINAL Z состоится Х Международная конференция «Эффективное управление агрокомпаниями» (LFM). Во время Диалога «Самый крупный проект цифровизации мониторинга в украинском агрохолдинга" Уилл Уэллс, основатель и СЕО Hummingbird Technologies, Георг фон Нолкен – СЕО Continental Farmers Group и Артем Беленков, основатель SmartFarming, обсудят циффровые технологии мониторинга посевов в больших агрохолдингах, решения для автоматизации агромониторинга и производственную, экономическую целесообразность использования таких решений в реалиях украинского агробизнеса.

Уверен, что все слышали такие слова, как big data, data mining, machine learning, AI, computer vision. Многие наверняка догадываются, что они означают. А некоторые супергерои из серии Marvel еще и умеют с этим всем работать. Все чаще и чаще можно услышать о перспективах применения этих технологий в сельском хозяйстве. Попробуем разобраться, так ли это.

Для начала давайте определим, что такое big data. Каждый может трактовать это по-своему. Можно загуглить или посмотреть wiki. По сути, речь идет о большом объеме разнообразных данных, которые обрабатываются для тех или иных целей. Ключевые слова – данные, которые обрабатываются. В свою очередь, данные отличаются от информации тем, что являются ее формализованным и, как правило, структурированным представлением для эффективной обработки и анализа.

Почему это важно для сельского хозяйства? Потому что аграрная отрасль – одна из немногих, где важной для производства информации действительно очень и очень много. У нее разная структура и получить ее можно из разных по своей природе источников. На конечный результат в растениеводстве влияют десятки факторов. Я попробовал структурировать эти факторы. Сразу предупреждаю – это далеко не исчерпывающий перечень!

Факторы, влияющие на результат в растениеводстве

Всю информацию можно разделить на 4 ключевых блока – почва, метеоусловия, операции, посевы. Информация о почве, метеоусловиях и операциях по сути является причиной, а информация по посевам – ее следствием. Давайте пройдемся по каждому из блоков.

Весь объем данных, получаемых с поля можно условно разделить на статическую и динамическую информацию. Под статической я имею в виду те данные, которые не меняются в течение 2-3 производственных сезонов. Динамическая информация, такая как влажность почвы и воздуха, количество всходов растений и их состояние, информация о проведенных операциях или болезни посевов, требует постоянного мониторинга, сбора и качественного анализа.

Чтобы вся описанная выше информация превратилась в данные, ее необходимо оцифровывать и структурировать. В рамках сбора информации о почве нужно провести ее агрохимический анализ, просканировать на предмет ее структуры и электропроводимости, наличия уплотнений, создать матрицу рельефа.

Для проведения полноценного мониторинга погодных условий необходимо поставить стационарную метеостанцию и мобильные метеостанции на технику для сбора информации о температуре, влажности воздуха и скорости ветра. Также нужно подключить датчики влажности и температуры почвы и полевые датчики для сбора информации по реальным осадкам.

Для комплексного анализа проведенных операций нужно оборудовать технику системами мониторинга высева, внесения удобрений и СЗР, датчиками мониторинга глубины обработки почвы и подключить все к бортовым терминалам. В идеале, также собирать информацию с CAN-шин и систем GPS-мониторинга.

Чтобы обеспечить регулярное поступление данных по состоянию посевов, необходимо подключить систему спутникового мониторинга, как минимум, спутники Landsat и Sentinel. Критически важно использовать дроны для определения проблем по выполненным операциям, анализа динамики вегетации и направления агрономов на проблемные точки. Регулярный скаутинг позволяет собирать данные для определения болезней, вредителей, грибков и прочих проблем. На комбайны необходимо поставить системы картирования урожайности – без этого не построишь полноценную аналитику!

Это большие инвестиции и огромный кусок работы по внедрению изменений. А теперь представьте, какой объем данных будет генерировать такая инфраструктура.

Как использовать BIG DATA в сельском хозяйстве?

Большие данные можно использовать для прогнозирования, но в первую очередь нужно проводить анализ результатов производства для поиска путей повышения его эффективности. Давайте возьмем реальный пример, только упростим и округлим все цифры, чтобы было удобнее читать.

Поле 100 га. Средняя урожайность кукурузы на 50 га – 12 т, на других 50 га – 9 т. В чем проблема, откуда такая разница? Вся статичная информация по полю – почва, рельеф, карты продуктивности и т. д. не дает ответа на этот вопрос. Проанализировав блоки динамической информации, мы получаем следующие выводы:

  • на 15 га глубина обработки почвы (рыхления) составляла 29 см и не позволила снять плужную подошву, которая находилась на глубине 32-35 см;
  • на 20 га скорость посева сеялкой Challenger превышала допустимую – вместо 8 км/час операция проводилась на скорости 12 км/час;
  • на 15 га внесение СЗР происходило на следующий день от остальной части поля и выполнялось в дождь.

Недополученный доход по полю составил более $25 000. А теперь представьте, сколько денег могут дополнительно получать аграрии в масштабах страны.

Давайте посчитаем. В Украине более 32 млн га пашни. Допустим 1 га = 1 ячейка данных, в каждой такой ячейке есть как минимум:

  • >10 параметров почвы;
  • >5 метеопоказателей (в динамике);
  • >10 показателей по КАЖДОЙ операции (а операций точно больше 5);
  • >5 показателей по посевам (в динамике).

Как результат, мы имеем сотни, если не тысячи зависимостей и взаимосвязей на каждый из 32 млн га земли. А теперь давайте посмотрим, что происходит внутри каждой такой ячейки.

На каждый гектар земли, на каждую ячейку данных мы собираем:

  • 100 пикселей регулярных спутниковых данных;
  • 300 полигонов по КАЖДОЙ выполненной операции (вплоть до данных по каждой секции, высевному аппарату в каждом);
  • 70 000 растений, по которым можно отслеживать состояние;
  • 4 000 000 пикселей с одного полета дроном.

Вот это и есть big data в сельском хозяйстве. В будущем это позволит четко понимать все взаимосвязи, что и как влияет на результат. Раньше не было таких возможностей – для изучения влияния того или иного фактора необходимо было делать целый RnD-проект. Но очень скоро все агропроизводители смогут сами фактически стать RnD-центрами. Они будут сами исследовать каждый гектар своих полей и принимать решения на основании данных.

Я, как никто другой, понимаю, что в реальном мире пока мы, скорее, говорим о большом объеме информации, с которым нужно что-то делать. Но дорогу осилит идущий! А big data в агробизнесе осилят те, кто сможет объединить свои усилия.

Один в поле не воин.

Больше полезной информации в вопросах автоматизации агробизнеса Вы узнаете во время Х Международной конференции «Эффективное управление агрокомпаниями» (LFM), которая состоится 18 сентября. LFM – единственная бизнес конференция в Европе, полностью покрывает все аспекты управления аграрным бизнесом. Спешите присоединиться и быть с лидерами в центре основных аграрных событий. Регистрация на конференцию по ссылке: http://bit.ly/2HfQOEc

Артем Беленков
Автор
Артем Беленков
Основатель

Подписаться на наши новости

Добрый день!

Спасибо за интерес к нашим услугам.

Оставьте свои контакты и наш менеджер свяжется с Вами и предоставит всю необходимую информацию.

Консультант
Нужна консультация?

Звоните по телефону +38 067 829 10 80
или оставьте свои контактные данные и мы с вами свяжемся

Клиенты и Партнеры

  • UkrLandFarming
  • Кернел
  • Мироновский Хлебопродукт
  • Астарта-Киев
  • Мрия
  • ИМК
  • Агрейн
  • Приват-АгроХолдинг
  • HarvEast
  • УкрАгроКом-Гермес-Трейдинг
  • Зерновой альянс – Барышевская зерновая компания
  • Фридом Фарм Интернешнл
  • Continental Farmers Group
  • ED&F Man
  • Agricom Group
  • Агро-Регион
  • Централ Фарминг Юкрейн
  • Лэндфорт
  • Агро-КМР
  • Фаворит-Агро
  • АМГ Мироновское
  • Бершадь Агроплюс
  • Грин Тим
  • Флора
  • MAS Seeds Украина
  • Syngenta
  • CAS
  • SmartDrones
  • Frendt
  • Meteotrek
  • Лаборатория AgroScope
  • DroneDeploy
  • OMP
  • AgGeek

Обратный звонок