פיתוח AI לחקלאות: ניתוח תצלומי גידולים

מדוע AI בחקלאות נכשל בשדות

בהדגמה ניתוח תצלומי גידולים נראה משכנע: המודל אומן על מערכי נתונים גדולים של שדות זרים, המדדים גבוהים, המפה צבעונית. במשק מסוים דיוק המודל בשדות יורד, וחלק מההחמצות צף כבר כהפסדי יבול — כתמי מחלות ומוקדי עשבים מתגלים מאוחר יותר, כשהטיפול יקר יותר ופחות יעיל.

הסיבה הראשונה — שונות הצילום. תאורה לאורך היום, עננות, צללים מהתבליט, מצלמות שונות וגובה טיסה משנים את הבהירות והמאפיינים הספקטרליים כך שהמודל רואה סימנים לא מוכרים. בלי קשר לכיול ולנתונים שצולמו במקום, הסיווג הופך לרעש.

הסיבה השנייה — היעדר תיוג. כל עוד אין סימוני אמת של האגרונום היכן בדיוק בשדה הזה הבעיה ואיך היא נראית בתנאים המקומיים, אין במה לאמן את המודל ואין על מה לבדוק אותו: מערכי נתונים זרים אינם משקפים גידולים מקומיים, מחזור זרעים וטכניקה בשימוש.

השלישית — פער בין הדוח להחלטה: האגרונום מקבל שכבה במפה, אבל לא סדרי עדיפויות לעבודה ולא תשובה ברורה מה לעשות בריבוע מסוים.

בסך הכול זה נותן תרחיש מוכר — פיילוט בלי תוצאה. דוחות נוצרים, ניטור מצב הגידולים לא הופך לשגרתי, והצוות חוזר לסיורים. בהמשך נפרק איך זה נסגר: מהכנת נתוני צילום ותיוג ועד לפורמט שבו פלט המודל משתלב בהחלטות האגרונום.

מה משתנה בשדות לאחר הטמעת ניתוח AI של תצלומים

השינוי המדיד הראשון — שיעור החלקות שבהן הבעיה מזוהה לפני סימנים חזותיים. צילום בערוצי אינפרא-אדום מראה דיכוי צמחייה כמה ימים לפני שהעלים מתחילים לשנות צבע — לאגרונום נפתח חלון זמן להספיק עם הטיפול, ולא רק לתעד את העובדה בדיעבד.

לאחר מכן פועל המעבר ממדד ממוצע אחד לשדה למפת אי-אחידות. מדדי צמחייה מחושבים עבור כל תא בתצלום, ובמקום «השדה בסך הכול תקין» האגרונום רואה אזורים עם מצב שונה של ביומסה: היכן הגידול מתפתח לפי לוח הזמנים, והיכן הוא כבר מפגר.

מפת אי-אחידות מפחיתה ישירות את מספר הטיפולים החוזרים. במקום מעבר רציף על כל קו המתאר, הטכניקה נכנסת רק לאזורים הבעייתיים — שטח הטיפול יורד, ואיתו נעלמים חלק מהיציאות החוזרות, שנעשו בעבר «ליתר ביטחון» על כל השדה.

מדד נפרד — הזמן מהתצלום ועד להחלטת האגרונום. צילום, חישוב מדדים, תיעדוף אזורים וכרטיס משימה בשדה נכנסים לשעות: ההחלטה מגיעה עם קואורדינטות ונימוק, ולא כ«תסתכלו, שם משהו לא בסדר».

יש טעם לבדוק את האפקט באזורי ביקורת ובהשוואה לעונה הקודמת באותו שדה — אחרת אין במה לאשר את המדדים. בפועל נמדדים שלושה גדלים: שיעור הגילויים המוקדמים, מספר הטיפולים החוזרים, והזמן עד להחלטה.

מצבי צילום: לוויין, רחפן, סיור ידני בשדות

שלושה מקורות אינם מחליפים זה את זה, אלא סוגרים משימות שונות. תצלומי לוויין של שדות נותנים סקירה סדירה של שטחים גדולים, רחפן לניטור — פירוט לאזור מסוים, סיור ידני בשדות — בדיקה בשטח.

תדירות הצילום, עננות והפרעות קובעות אם המצב יספיק לספק נתונים כל עוד להחלטה לגבי השדה יש עדיין משמעות.

מה עם מה משווים

את המצב בוחרים לפי הגידול, גודל קו המתאר והתבליט, ולא לפי הדוגמה של המשק השכן. קודם מגדירים מה בדיוק צריך לראות ובאיזו תדירות, אחר כך בוחרים מקור — אחרת הצילום נותן תצלומים יפים בלי החלטות אגרונומיות.

שלבי הטמעה: מביקורת שדות ועד העברת המודל

הטמעת ניתוח תצלומים אינה התקנה של מודל מוכן, אלא רצף עבודות שבו כל שלב נשען על הקודם. קל להתחיל באימון על נתונים זרים, אבל אז המודל יציג מדדים טובים בדוח ויטעה בשדות שלכם.

1. ביקורת שדות ונתונים: מאספים היסטוריית תצלומים מכמה עונות, גבולות שדות, מחזור זרעים ורשומות אגרונום. בודקים מה בתצלומים ניתן להבחין פיזית, ולאילו משימות חסרים נתונים.
2. סכמת פתרון: מגדירים תוצאה לאגרונום — מפת משימות, דוח עם קואורדינטות מוקדים או אזורי דישון משתנה. לפי זה בוחרים ערוצי צילום ותדירות עדכון.
3. אימון המודל על נתונים שלכם: מתייגים תצלומים של השדות שלכם יחד עם אגרונומים, כדי שהמודל ילמד קרקעות, זנים וטכניקה מקומיים. קובעים אילו פגמים נחשבים למטרה.
4. התאמה: מכיילים ספי רגישות, מאמנים מחדש על חלקות שנויות במחלוקת, מסירים התראות שווא על צללים, שולי שדות ועקבות טכניקה.
5. חלקות ביקורת: מגדירים שדות מושהים שלא השתתפו לא בתיוג ולא באימון, ובודקים עליהם איכות בתנאי עונה חדשה.
6. קבלת התוצאה: מחשבים מדדים בחלקות הביקורת, משווים לסיור אגרונום ומסכימים איזו שגיאה קריטית. ההחלטה מתקבלת לפי מספרים, לא לפי הדגמה.
7. העברת הפתרון: פורסים עיבוד תצלומים בצד שלכם, מוסרים תיעוד על נתונים והגדרות, מלמדים אגרונומים. אימון מחדש בעונות חדשות — כבר בכוחות הצוות שלכם.

תיוג, סכמות ותקנות: ערכת העברה

את ערך הפרויקט בשדה קובע לא המודל עצמו, אלא היכולת של הצוות שלכם ללוות אותו בלעדינו. לכן אנחנו מעבירים לא «קופסה שחורה», אלא ערכה שבה לכל ארטיפקט יש ייעוד ובעלים — ממערך הנתונים ועד לתקנון הפעולות של האגרונום.

• מערך נתונים מתויג — תצלומים מהשדות שלכם, תיוג לפי מחלקות (מחלות, עשבים, שלבי התפתחות), כללים לניתוח פריימים שנויים במחלוקת. עליו אפשר לאמן את המודל מחדש בכוחות עצמכם.
• סכמת עיבוד תצלומים — המסלול של הפריים מהצילום ועד למפת האזורים הבעייתיים: היכן נמצאים המקורות, אילו בדיקות מסננות תצלומים מטושטשים, חשופים מדי ועננים.
• תקנון עדכון המודל — באיזה היקף נתונים חדשים מפעילים אימון מחדש, מי מקבל החלטה, לפי אילו מדדים משווים גרסה חדשה לזו שפועלת ומתי מבצעים חזרה לאחור.
• הוראות לאגרונומים — איך מצלמים שדה, באיזו שעה ובאיזה מזג אוויר, איך קוראים את הדוח ומה עושים עם אות המודל בחלקה מסוימת.
• הרשאות גישה לנתונים — תפקידי אגרונום, אנליטיקאי וקבלן משנה: מי רואה מה, מי מייצא מקורות, איך הגישה נשללת כשעובד עוזב.
• יומן הגדרות וספי רגישות — אילו ערכים הוגדרו לגידולים שלכם ולמה הם שונו, כדי שבעוד עונה הניתוח לא יתחיל מאפס.
• העברת ידע — מפגשי עבודה עם הצוות שלכם: ניתוח שגיאות טיפוסיות של המודל, ביצוע עצמאי של תיקונים בתיוג ובתקנונים.

מקרה בוחן: גילוי מוקדם של מחלות בשדה ניסוי

שדה ניסוי — ארבע חלקות של 40-60 הקטאר עם גידולים שונים במחזור. עד לפרויקט חיפשו את הבעיה בעיניים: האגרונום סבב את השדה פעם ב-7-10 ימים, והכתם נעשה גלוי כשכבר 15-20% מהשטח נגוע. היה צריך לטפל בכל השדה כולו — בעונה הצטברו ארבעה מעברים רציפים, וחלק מהתכשיר הלך לקרקע ולחלקות בריאות.

מה שינו

הגדרנו צילום אחת לשלושה ימים: רחפן עם מצלמה מולטיספקטרלית פלוס תצלומים פתוחים Sentinel-2 כרקע לשינויים איטיים. השדה חולק לתאים, עבור כל אחד חושב מדד צמחייה והושווה לקו בסיס של אותה חלקה בעונות קודמות — כך הבדילו בין מחלה לבין השקיה לא אחידה והצללה. תאים עם סטייה מעל הסף עברו לאגרונום לרשימת בדיקה, ולא לפקודת טיפול אוטומטית.

מה התוצאה

שיעור החלקות שבהן זוהתה הבעיה לפני סימנים חזותיים עלה מ-10% ל-70% — רווח של 5-7 ימים לפני הופעת הכתמים. טיפולים רציפים הצטמצמו מארבעה לאחד בעונה, השאר — נקודתית לפי מוקדים, והשטח הטיפול הצטמצם כמעט פי שלושה.

שיעור התראות השווא נשאר בטווח של 15%, ואנחנו בודקים אותו מחדש מדי חודש בבדיקה קרקעית: הספים מכווננים לשדה מסוים, ולא נלקחים מתבנית כללית.

מה לעשות אם כבר מצלמים את השדות, אבל הנתונים לא מנוצלים

תצלומים וטיסות בלי החלטות בעקבותיהם — מצב טיפוסי, והסיבה כמעט תמיד אחת: בין הטיסה לפעולה של האגרונום אין חוליה שהופכת את הפריים לאות ברור. הנתונים יושבים בחשבון של מישהו אחר או על דיסק, אין להם קישור לקווי מתאר של שדות ולהיסטוריה מעונות קודמות. נפרק שלב אחר שלב מה לבדוק בארכיון לפני שבונים משהו חדש.

ביקורת נתונים קיימים מתחילה בספירה: אילו שדות ובאילו שלבי גדילה צולמו, באיזו תדירות, האם בידי מפעיל אחד. אחר כך בודקים קישור לקואורדינטות, חפיפת פריימים, עננות וצללים, והשוואתיות זמני הצילום בין שדות סמוכים.

אם המסלולים השתנו מטיסה לטיסה, הסדרות הזמניות אינן בנות השוואה, וחלק מהארכיון יהיה צריך להחריג — זו תוצאה תקינה של ביקורת, לא אובדן.

איכות הצילום חשובה מהיקף הארכיון. העיבוד עובד בביטחון כשהתנאים בני השוואה: גובה יציב, חפיפה אחידה, תאורה אחידה, והיעדר פערים בשולי השדה. תצלומים ממקורות פתוחים, למשל Sentinel-2, כדאי להחזיק כשכבה נפרדת: יש להם תדירות אחרת, ואסור לערבב אותם עם טיסות משלכם בלי תיקון.

הגדרת המשימה — שלב מפתח. הניסוח «רוצים AI» לא עובד: צריך להחליט איזו שאלה סוגרים — מפת אי-אחידות בתוך השדה, התראה מוקדמת על עקה, בסיס לדישון משתנה, בקרת קציר. אחר כך זה הופך לתוצאה מדידה שהאגרונום יכול לבדוק בשדה, ורק לפי זה נבחר שיטת העיבוד.

הפעלה מחדש של פיילוט נעשית במתאר צר: שניים-שלושה שדות, גידול אחד, עונה אחת ומדד מוסכם. בדיקות קרקעיות הן חובה — בלעדיהן אין במה לאשר שהמפה תאמה את מצב הגידולים. במתאר כזה רואים מהר היכן הנתונים משנים החלטה: כמה שדות נכנסים לאזור הקשב וכמה טיפולים נקבעים לפי מפות, ולא לפי סיור.

ספקות טכניים: עננות, תיוג, דיוק

פערי צילום אינם תקלה, אלא מצב עבודה רגיל: עננות מסירה חלק מהתאריכים, לכן נתונים משחזרים לפי הסדרה הזמנית, וחלונות קריטיים של צמחייה מכפילים בתצלומי מכ״ם. פתרון נחשב עובד אם סימן השדה יציב גם בתאריכים בלי אופטיקה.

בתיוג בהתחלה לא צריך אלפי פוליגונים: לוקחים מדגם מרובד לפי אזורים, שלבי גדילה וגידולים, וחלקות שנויות במחלוקת נשלחות לאימון מחדש — היקף התיוג גדל היכן שהמודל באמת מסתפק.

איך בודקים דיוק בשדות ובעונות חדשים?

הקבלה נעשית על שדות מושהים ובעונה הבאה, ולא על נתונים שהמודל כבר ראה. שלמות ודיוק מחושבים בנפרד לפי גידולים, שולטים על שיעור התראות שווא וקובעים סף ביטחון: מתחתיו חלקה עוברת לאגרונום לבדיקה ידנית.

מה לעשות בשינוי זן או סכמת זריעה?

המודל מאומן מחדש על נתונים חדשים, והגרסה הקודמת נשארת זמינה לחזרה לאחור — אם האיכות בשדות הביקורת יורדת, חוזרים לקודמת. כך החלפת עונה לא הופכת להשבתת שירות.

נדון בשדות שלכם: ממה נתחיל ומה יידרש

כדי לדון במשימה של המשק שלכם באופן ממוקד, ולא במילים כלליות, הערכת הפרויקט צריכה להישען על נתוני המקור שלכם. אין צורך לאסוף משהו במיוחד — מספיק מה שכבר נצבר בשדות. הסט המינימלי שמאיץ מאוד את הניתוח:

• קווי מתאר של שדות עם קישור לקואורדינטות — גבולות חלקות בכל צורה: ייצוא ממערכת חקלאות מדייקת, מפה או סימונים ישירות על תצלום.
• מה כבר מצלמים: סוג החיישן (מצלמה רגילה או מולטיספקטרלי), תדירות הטיסה, מי מבצע את הצילום — המומחים שלכם או קבלן משנה.
• סקרי אמת קרקעיים: היכן האגרונום תיעד עשבים, שכיבה, מוקדי דיכוי — מתאימות אפילו הערות ותמונות מהטלפון.
• היסטוריית שדות: מחזור זרעים, תאריכי נביטה וקציר, טיפולים — זה נחוץ כדי להבדיל בין אות אמיתי לבין מאפיינים של הגידול.
• המשימה בפתרונות: מה בדיוק אתם רוצים לקבל — מפה לטיפול משתנה, התראה מוקדמת על עקה או הערכת הפסדים.
• מגבלות: קישוריות בשדות, עומק ארכיון התצלומים, היכן מותר לאחסן נתונים.

חלק מהנתונים עשוי להיות חסר — זה לא חוסם את השיחה, חלק נאסוף כבר במהלך העבודה. בתגובה נחזור עם הערכת הפרויקט ותוכנית עבודה: באילו שדות מתחילים, באיזו תקופה צוברים תצפיות, איך בודקים דיוק בסקרי האמת שלכם, ומה מועבר למשק.

גבולות הפרויקט נקבעים בהתחלה: אילו חלקות והחלטות נכנסות לשלב הראשון, ומה בכוונה נשאר מחוץ למסגרת, כדי לא לטשטש את התוצאה.

תארו את המשימה בהיקף שבו היא נמצאת сейчас — נחזור עם הערכה ותוכנית.