Прогнозування врожайності для агрохолдингу

Завдання

Агрохолдинг з диверсифікованим портфелем культур — пшениця, кукурудза, соняшник, ріпак — систематично стикався з критичними похибками в плануванні поставок зерна. Відхилення фактичного врожаю від прогнозованого сягали 30-40%, що породжувало два взаємовиключних сценарії: або надлишок продукції, яку неможливо швидко реалізувати за прийнятною ціною, або гострий дефіцит, через який компанія не могла виконати форвардні контракти з переробниками та трейдерами. Обидва сценарії завдавали прямих фінансових збитків. При надлишку витрати на зберігання та вимушений продаж за заниженими ринковими цінами з'їдали від 15 до 25 відсотків маржі. При дефіциті штрафні санкції за невиконання контрактів та необхідність докуповувати зерно на ринку за пікових цін обходились значно дорожче. Планування будувалось на досвіді агрономів і регіональних середніх, без врахування специфіки конкретних полів, мікроклімату та поточного стану посівів. Компанія також не мала інструменту для ранньої діагностики проблем: стрес рослин через посуху чи хвороби виявлявся візуально тільки тоді, коли суттєво вплинути на врожай вже неможливо. Зі зміною клімату і зростанням волатильності погодних умов точність традиційних методів прогнозування продовжувала знижуватись, а ціна помилки — зростати.

Рішення

Розробили комплексну ML-систему прогнозування врожайності на рівні окремого поля з горизонтом прогнозу 30, 60 та 90 днів. В основі системи лежить ансамбль XGBoost та LSTM-мережі, яка опрацьовує часові ряди агрокліматичних даних. Для кожного поля щотижня агрегуються чотири потоки вхідних даних. Перший потік — супутникові знімки з Sentinel-2 та Landsat-9: з них обчислюються вегетаційні індекси NDVI, EVI та NDWI, що відображають стан рослинного покриву, біомасу і водний стрес посівів із просторовим розподілом 10 метрів. Другий потік — метеорологічні дані OpenMeteo API в режимі реального часу та ретроспективний архів ERA5-Land: температурний режим, опади, вологість ґрунту на різних глибинах, сума активних температур. Третій потік — результати агрохімічного аналізу ґрунтів по полях (pH, NPK, гумус), що оновлюються щосезонно. Четвертий потік — агрономічний журнал: дати і норми сівби, застосування добрив і засобів захисту рослин, обробіток ґрунту. Моделі навчались на 5-річній ретроспективі по кожному полю з урахуванням сортових відмінностей. Пайплайн оновлення даних і перерахунку прогнозів автоматизований через Apache Airflow. Результати прогнозування відображаються на геопросторовому дашборді з тепловою картою очікуваної врожайності по полях, графіком динаміки прогнозу та інтеграцією до SAP ERP для автоматичного формування заявок на зберігання і транспортування.

Результат

Система досягла середньої абсолютної похибки MAE менше 8% на горизонті прогнозу 60 днів проти 35-відсоткового baseline ручного планування. Це дозволило агрохолдингу точно планувати обсяги поставок під форвардні контракти та своєчасно резервувати зберігальні потужності. Надлишки на складах у перший операційний сезон скоротились на 42%, що суттєво знизило витрати на зберігання і вимушений продаж. Економія на оптимізації логістики та закупівель зерна склала 180 тисяч доларів на рік. Агрономи отримали інструмент ранньої діагностики: карта стресу рослин на основі NDWI дозволяє виявляти проблемні ділянки за 3-4 тижні до появи візуальних симптомів, що дає час для коригувального втручання.

Технології

Схожі кейси