Епоха «великих географічних відкриттів» в агровиробництві уже відбулась. Автономні машини, роботи з комп’ютерним зором, штучний інтелект, що потенційно можуть здійснити революцію в агросекторі, ще перебувають на етапі перспективних стартапів. Окремі дієві машини й обладнання є, швидше, винятком із правил, ніж must have. Очевидно, що автопілоти, автоматичний контроль секцій, телематика, картування та системи якісного висіву і внесення завоювали своє місце в технічному парку багатьох агровиробників. Однак вони вже давно не належать до категорії інновацій. Світ селекції та агрохімії перебуває в стабільній суперпозиції між продуктивністю, пластичністю, стійкістю та вартістю й очікує на появу проривних рішень, здатних суттєво змінити галузь.
Дмитро Зайцев, начальник управління
розвитку та інновацій «Контінентал Фармерз Груп»
Чи можемо ми говорити про наявні резерви ефективності в такій консервативній галузі? Якою б банальною не була ця відповідь, для більшості агрокомпаній найактуальнішими є два основних питання:
• забезпечення високої якості виконання технологічних операцій;
• робота із зонами продуктивності.
З якістю агрооперацій усе більш-менш зрозуміло: існують чіткі числові критерії, які характеризують якість кожної операції, способи перевірити цю якість безпосередньо під час виконання та допустимі межі й умови відхилень. Логіка проста — чим ретельніше дотримуватися цільових значень, тим кращим буде результат.
А от дискусія щодо зон продуктивності й ефективного керування ними триває вже понад 40 років від появи самої концепції. Вона є темою багатьох аграрних конференцій і активних обговорень у професійному колі. Зрозуміло, що немає одного правильного рішення, яке працюватиме в усіх випадках. Та існують основні тенденції, що передбачають уточнення залежно від умов конкретного поля, технології компанії, кліматичних і погодних особливостей, сівозміни тощо.
На початковому етапі слід обрати інструменти й способи для визначення зон продуктивності. Хоча ми можемо самостійно аналізувати вихідні дані, зацифровувати картограми, вивантажувати із загальнодоступних джерел дані супутникового моніторингу з можливістю вибирати потрібний спектр знімання й дату обстеження, є багато алгоритмів, які суттєво спрощують процес для користувача. До таких сервісів належать Onesoil, Geopard, Fieldview, Xarvio, Cropwise, DAB тощо.
Простим варіантом із погляду загального принципу є монофакторні алгоритми визначення зон. За основу беруть один тип даних: карти врожайності, знімки дронів або супутників, цифрові моделі рельєфу, дані електромагнітного сканування ґрунтів, картограми текстури ґрунту, типів ґрунтів тощо. На основі зіставлення кількох шарів однакових даних за різні періоди й формується карта продуктивності.
Найпоширенішим є використання індексів вегетації рослин (NDVI). Тут основні розбіжності різних сервісів полягають у тому:
• скільки років береться для аналізу;
• які культури на цьому полі вирощували раніше;
• чи може алгоритм автоматично вибирати період розвитку культури на полі, який найкраще характеризуватиме потенціал поля;
• чи правильно працюють алгоритми, що фільтрують вплив хмар і їх тіней;
• чи дають користувачу можливість самостійно вибирати доречні знімки;
• чи алгоритм автоматизований і чи передбачає правки користувачем.
Гарний результат забезпечує використання даних картування врожайності за кілька років. Процес суттєво складніший, але, на мою думку, і результат значно точніший.
Картограмами сканування електропровідності, рельєфу, даними з інших датчиків у монофакторному аналізі користуються значно рідше. Їх зазвичай не підтримують універсальні сервіси, а передбачають використання спеціалізованого ПЗ для обробки цих даних.
Легко помітити, що в монофакторних алгоритмах для виділення зон продуктивності найчастіше використовують дані, що показують сумарний результат впливу багатьох різних умов. До сервісів, що працюють за цим принципом, можна залічити Onesoil, Fieldview. Основним завданням є виділення саме стабільних патернів, що мають сталу високу або низьку продуктивність упродовж багатьох сезонів.
Якщо поле строкате, і в межах одного поля є різні чинники, що в різних умовах суттєво і по-різному впливають на врожайність, може не бути змоги сформувати карту продуктивності, або можуть виділитись неправильні зони. Для усунення цієї проблеми окремі сервіси використовують багатофакторний аналіз. Алгоритм поєднує карти NDVI, рельєфу, яскравості ґрунту тощо в одну картограму.
Більшість чинників пов’язано між собою: наприклад, рельєф корелюватиме з умістом органічної речовини, агрохімічним складом, наявністю вологи тощо. Всі ці чинники разом і кожен окремо впливають на вегетацію й урожайність. Умови і, відповідно, ступінь впливу дуже різні в кожному окремому випадку, тому часто це дуже кастомізовані алгоритми, які дають змогу користувачеві вказувати вагу кожного з чинників у визначенні контурів зон. Розумно такий інструмент реалізовано в Geopard, частина подібного функціоналу є в Cropwise. На мою думку, такий алгоритм може забезпечити доволі високу точність виділення зон продуктивності й задовольнити будь-який запит, але потребує від користувача глибокого розуміння кожного поля та навичок роботи в самій програмі. В іншому разі — ризик помилитися підвищується.
Серед багатофакторних алгоритмів варто виокремити принцип кластеризації, або виділення ділянок, зон, юнітів, що характеризуються набором однакових характеристик: рельєфом, ґрунтом, агрохімічними показниками тощо, і тому мають однакову продуктивність і прогнозовану врожайність. У підсумку такий підхід, очевидно, може забезпечити найкращі передумови для ухвалення рішень зонального керування. Та строкаті поля з великою кількістю комбінацій чинників усе одно може бути важко правильно кластеризувати на ділянки, що матимуть достатньо великі розмір і форму для можливості корегувати там агротехнологію. Проте, якщо зони визначено правильно, такі зони забезпечують найкращу можливість для точного землеробства.
У «Контінентал Фармерз Груп», ухвалюючи рішення, певною мірою ми застосовуємо принцип кластеризації зон за низкою параметрів. Вхідні дані й інструменти обирають, виходячи з нашого досвіду та розуміння цілей. Ми використовуємо дані супутникового моніторингу для виділення стабільних зон вегетації. Для аналізу беремо знімки за останні 5 років. Намагаємось вибирати для аналізу дані з полів із кукурудзою, пшеницею, ячменем у періоди активної вегетації. Фахівці компанії самостійно відфільтровують «погані» знімки з хмарами або нетипові роки (з погляду вегетації культури). Порівнюємо дані зон вегетації з результатом роботи систем картування врожайності. В результаті маємо виділені зони зі стабільним рівнем вегетації.
Паралельно з даними вегетації фахівці компанії аналізують дані про яскравість ґрунту, отримані під час супутникового знімання. Ці дані сильно корелюють із цифровими картами рельєфу (зроблених на основі документування роботи тракторів із RTK сигналом), фактичним умістом органічної речовини в ґрунті й іншими агрохімічними показниками. В результаті відбувається визначення меж зон для агрохімічного обстеження полів. Дані агрохімобстеження показують рівень кислотності, органічної речовини, гранулометричний склад, забезпечення елементами живлення й у поєднанні з рельєфом поля дозволяють нам сформувати розрахунковий потенціал цих зон і виявити ділянки, що потребують хімічної меліорації. На цьому етапі ми розділяли шари даних, що описують передумови та результат.
Наступний крок — зіставлення шарів даних. В ArcGis ми накладаємо зони з розрахунковим потенціалом і зони з рівнем вегетації та картами врожайності й аналізуємо їх для ухвалення рішень про корегування норми висіву, внесення добрив. Якщо говорити дуже загально, то за накладання ділянок з високим потенціалом та гарними рівнями вегетації можна збільшувати норми висіву, висівати гібриди з більшим потенціалом урожайності. З високою ймовірністю такий підхід дасть кращий результат. І навпаки, якщо ділянка має низький потенціал, доцільніше збільшувати площі живлення рослини, зменшувати конкуренцію між рослинами за вологу й вибирати гібриди, що демонструють кращу стійкість за несприятливих умов. У випадках, коли потенціал і продуктивність не збігаються, варто детально аналізувати причини такої розбіжності й ухвалювати рішення, виходячи з розуміння конкретних умов. Величину диференціації норми внесення варто визначати, виходячи з балансу між ризиком і очікуваним результатом й технічними можливостями агрегатів, що працюють на полях.
Звичайно, фактична врожайність ділянки залежатиме від багатьох чинників: погоди конкретного сезону, вибору гібрида, дати сівби, якості виконання всіх агрооперацій на полі тощо. Тут не існує ідеального рішення, яке було б універсальним і працювало б завжди. В нашій компанії є досвід уже кількох сезонів диференціації живлення та норм висіву. Ми пройшли шлях досліджень у рамках дослідних ділянок із різною стратегією диференціації, провели тестування в умовах виробничих посівів. Нині диференційний посів і диференційне внесення добрив та меліорантів є нашим стандартним підходом на більшості полів. Однак ми й далі закладаємо контрольні ділянки з різними нормами в різних зонах продуктивності, збираємо для аналізу інформацію щодо ефективності диференціації, щоб мати можливість уточнювати наш алгоритм і використовувати найкращу технологію.