שדה של 1000 דונם — איך מיישמים דשנים כשהקרקע משתנה מריבוע לריבוע? הגישה המסורתית: יישום אחיד. התוצאה: דישון יתר בחלק מהנקודות, דישון חסר באחרות, בזבוז כסף. AI פותר זאת על ידי יצירת אזורי ניהול ומאפשר יישום בקצב משתנה (VRA). המערכות שלנו כבר פועלות על שדות מ-500 עד 10,000 דונם באזורי אקלים שונים. במקום לטפל בכל השדה באופן אחיד, אנו נותנים לכל חלקה בדיוק את המשאבים שהיא צריכה. התוצאה: חיסכון בדשן חנקני של עד 25% ועלייה בתפוקה של 10–15%. למהנדסים שלנו יש 12 שנות ניסיון ב-IT חקלאי, עם הסמכות ב-ML ועיבוד נתוני לוויין. אנו מבטיחים דיוק תחזיות ועובדים עם שדות מ-100 דונם. מעל 50 פרויקטים מוצלחים בחקלאות מדויקת, 7 שנים בשוק.
AI בחקלאות מטפל בהטרוגניות שדה, תחזיות תפוקה לא מדויקות, ושימוש יתר במשאבים. הקרקע בתוך שדה בודד יכולה להשתנות בחומציות, תכולת חומוס ולחות. יישום דשן אחיד גורם לדישון יתר של אזורים מסוימים ודישון חסר של אחרים. AI מפצל את השדה לאזורי ניהול, שכל אחד מקבל קצב יישום משלו. חיסכון בדשן חנקני מגיע ל-25% עם עלייה של 10% בתפוקה.
ניטור ידני אינו יכול לחזות תפוקה חודש לפני הקציר. אנו בונים מודלים המשלבים מדדי צמחייה מלוויין, לחצי מזג אוויר ומאפייני קרקע. אנסמבל של LightGBM, XGBoost ו-CatBoost מניב תחזיות עם RMSE של 0.3–0.5 ט'/דונם לחיטה. חקלאים יכולים להתאים תוכניות מכירות ולוגיסטיקה מראש. חיסכון ממוצע מהתאמות חוזים בזמן מגיע עד $15,000 לשדה של 500 דונם לעונה.
ריסוס כל השדה בקוטלי עשבים הוא יקר ומזיק לסביבה. ראייה ממוחשבת לאגרונומיה מזהה עשבים ומטפלת רק באזורים הנגועים. צריכת קוטלי עשבים יורדת ב-60–70%. אנו משתמשים ב-YOLOv8 על תמונות רחפן — דיוק זיהוי עשבים הוא 92%, שהוא פי 1.15 טוב יותר משיטות קודמות. על שדה של 1000 דונם זה חוסך כ-$30,000 על קוטלי עשבים לעונה.
איך אנו בונים מערכת חקלאות מדויקת
מיזוג נתונים — שילוב נתונים הטרוגניים. כל השכבות המרחביות מיושרות לרשת משותפת של 10×10 מ'. אנו משתמשים בספריית rasterio להקרנה מחדש. מחסן תכונות: NDVI, NDRE, גובה, שיפוע, EC, pH, N/P/K. דוגמת קוד:
קטע קוד למיזוג נתונים
import numpy as np
import rasterio
from rasterio.enums import Resampling
from rasterio.warp import reproject, calculate_default_transform
class FieldDataFusion:
"""Совмещение разнородных пространственных слоёв поля"""
def __init__(self, target_resolution_m=10):
self.resolution = target_resolution_m
def align_to_reference(self, source_path, reference_path, output_path):
"""Привести все слои к единой сетке и разрешению"""
with rasterio.open(reference_path) as ref:
ref_meta = ref.meta
ref_transform = ref.transform
ref_crs = ref.crs
with rasterio.open(source_path) as src:
transform, width, height = calculate_default_transform(
src.crs, ref_crs, src.width, src.height, *src.bounds
)
meta = src.meta.copy()
meta.update({
'crs': ref_crs,
'transform': ref_transform,
'width': ref_meta['width'],
'height': ref_meta['height']
})
with rasterio.open(output_path, 'w', **meta) as dst:
reproject(
source=rasterio.band(src, 1),
destination=rasterio.band(dst, 1),
src_transform=src.transform,
src_crs=src.crs,
dst_transform=ref_transform,
dst_crs=ref_crs,
resampling=Resampling.bilinear
)
def create_feature_stack(self, layer_paths):
"""Стек признаков для ML: [NDVI, NDRE, elevation, slope, EC, pH]"""
arrays = []
for path in layer_paths:
with rasterio.open(path) as src:
arrays.append(src.read(1))
return np.stack(arrays, axis=0) # (n_layers, height, width)
אזורי ניהול הם חלקות שדה עם תכונות אגרוכימיות דומות. אנו יוצרים אותם באמצעות אשכולות: פיקסלים מקובצים לפי NDVI רב-שנתי, מוליכות חשמלית וטופוגרפיה. אנו משתמשים ב-Fuzzy C-Means — הוא מדויק ב-15% יותר מ-k-means, והשיטה ההיברידית שלנו משיגה דיוק של 90%, שהוא פי 1.25 טוב יותר מ-Fuzzy C-Means לבד. מספר האזורים האופטימלי נקבע על ידי שיטת המרפק. לאחר האשכולות, מסנן מסננת מסיר אזורים קטנים ומנותקים. תוצאה אופיינית: 3–5 אזורים עם תכונות אגרוכימיות שונות.
ארכיטקטורת צינור נתונים. מקורות: Sentinel-2 (NDVI, NDRE), רחפנים (RGB/מולטי-ספקטרלי), חיישני קרקע (EC, pH), תחנות מזג אוויר, קומביינים (תפוקה). כל הנתונים נוחתים ב-MinIO (אחסון תואם S3). Airflow מתזמן משימות: הקרנה מחדש, צבירה, חילוץ תכונות. תכונות מאוחסנות ב-PostgreSQL+pgvector לאחזור מהיר של אזורים דומים. מודלים (LightGBM, YOLO) נפרסים על Kubernetes עם ONNX Runtime להסקה.
ראייה ממוחשבת לגידולים. ניטור שתילים ועשבים מתמונות רחפן. דוגמת ספירת שתילים:
קטע קוד לספירת שתילים
import cv2
import numpy as np
from ultralytics import YOLO
class SeedlingCounter:
"""Подсчёт всходов по снимкам дрона для контроля густоты"""
def __init__(self, model_path='seedling_yolov8n.pt'):
self.model = YOLO(model_path)
self.calibration = None # ГСД (Ground Sampling Distance) в см/пиксель
def count_seedlings(self, image_path, gsd_cm=2.0, plot_size_m2=25):
"""
Подсчёт всходов на снимке.
gsd_cm: разрешение снимка в см/пиксель
plot_size_m2: площадь покрытия снимком
"""
results = self.model(image_path, conf=0.4, iou=0.3)
count = len(results[0].boxes)
density_per_m2 = count / plot_size_m2
density_per_ha = density_per_m2 * 10000
target_density = {'wheat': 400, 'corn': 8, 'sunflower': 5} # тыс/га
crop = 'wheat' # определяется из контекста
deviation = (density_per_ha/1000 - target_density[crop]) / target_density[crop]
return {
'count': count,
'density_per_ha': density_per_ha,
'deviation_pct': deviation * 100,
'action': 'пересев' if deviation < -0.15 else 'норма'
}זיהוי עשבים לטיפול נקודתי: רחפן + YOLO → מפת עשבים → מפת מרשם למרסס נקודתי. ציוד: DJI Agras T40, ריסוס אוטונומי ממפה.
לתחזית תפוקה אנו משלבים LightGBM, XGBoost ו-CatBoost. לכל אחד יש חוזקות: LightGBM מהיר על נתונים גדולים, XGBoost חזק מול חריגים, CatBoost מטפל בתכונות קטגוריאליות ללא עיבוד מקדים. ממוצע התחזיות שלהם מפחית שגיאה ב-10–15% לעומת המודל הבודד הטוב ביותר. מודל האנסמבל שלנו מדויק פי 1.3 מ-LightGBM לבד.
השוואת מודלים לתחזית תפוקה
| מודל | RMSE (ט'/דונם) | זמן אימון (שעות) | תכונות |
|---|---|---|---|
| LightGBM | 0.45 | 0.5 | מהיר, טוב על דגימות גדולות |
| XGBoost | 0.42 | 1.2 | חזק, מטפל בחריגים |
| CatBoost | 0.40 | 1.5 | עובד עם קטגוריות ישירות מהקופסה |
| אנסמבל | 0.38 | 3.0 (סה"כ) | המדויק ביותר, שגיאה מינימלית |
השוואת שיטות חלוקה לאזורים
| שיטה | דיוק (חפיפה עם אגרוכימיה) | זמן חישוב (דק'/1000 דונם) | הערה |
|---|---|---|---|
| K-Means | 72% | 5 | פשוט אך רגיש לחריגים |
| Fuzzy C-Means | 85% | 12 | טוב יותר לאזורים חופפים |
| DBSCAN | 78% | 20 | אינו דורש ציון מספר אזורים |
| ההיברידית שלנו | 90% | 15 | שילוב FCM + עיבוד לאחר |
מיפוי תפוקה ומשוב. קומביין עם GPS וחיישן זרימת מסה בונה מפת תפוקה בזמן אמת. כיול חיישן נותן דיוק של ±3–5%. ניקוי נתונים: הסרת אפקטי קצה (ראשי שדה), סינון מהירויות <3 ו->12 קמ"ש. יישום קריגינג להחלקת רעש. לולאה סגורה: מפת תפוקה מושווה למפת מרשם — אנו מנתחים אילו אזורים ביצעו פחות ומתאימים את המודל לעונה הבאה.
שילוב בפעולות חקלאיות. המערכת מתחברת לטלמטיקת מכונות (John Deere Operations Center, טלמטיקת CLAAS), תוכנות חשבונאות חקלאית (1C:מתחם אגרו-תעשייתי), ו-API של שירותי מזג אוויר (Meteomatics, WeatherAPI).
תהליך היישום
- סקירת שדה ואיסוף נתונים. ניתוח תמונות לוויין זמינות, מפות קרקע, היסטוריית תפוקה. זיהוי מקורות נתונים (תחנת מזג אוויר, רחפנים, חיישנים על ציוד).
- תכנון מערכת. בחירת ארכיטקטורת מודל, מסד נתונים וקטורי (אנו משתמשים ב-pgvector להטמעות), הקמת צינורות עיבוד (Airflow).
- פיתוח וכיול מודלים. אימון מודלי חלוקה, תחזית ו-CV על נתוני החווה. אימות על נתונים היסטוריים.
- שילוב עם מחשבים עליונים. הגדרת ייצוא מפות מרשם בפורמט ISOXML לתאימות עם John Deere, CLAAS.
- בדיקות ופיילוט. ריצה על שדה אחד לעונה, התאמת מודלים לפי תפוקה בפועל.
- פריסה והרחבה. פריסה לכל השדות. מתן לוחות מחוונים לאגרונומים והכשרת צוות.
ציר זמן: MVP מ-2 חודשים, פלטפורמה מלאה 5–8 חודשים. תמחור מותאם אישית לפי שטח שדה ומורכבות שילוב. מערכת טיפוסית לחווה של 1000 דונם עולה כ-$50,000, עם החזר השקעה בשנה הראשונה באמצעות חיסכון.
מה כלול
- איסוף וצבירה של כל הנתונים הזמינים (לוויין, רחפנים, קרקע, מזג אוויר, מכונות)
- פיתוח מודלי חלוקה, תחזית תפוקה ו-CV לגידולים נבחרים
- שילוב עם מחשבים עליונים ותוכנות חשבונאות חקלאית
- לוחות מחוונים לאגרונומים (אפליקציית ווב ומובייל)
- תיעוד ארכיטקטורה ומדריכי הפעלה
- הכשרת אגרונום בשטח (יומיים)
- תמיכה טכנית ל-3 החודשים הראשונים
דישון דיפרנציאלי מושג באמצעות יישום בקצב משתנה. ניטור לוויין מספק נתוני NDVI בזמן. ML בחקלאות משמש לתחזית תפוקה וחלוקה לאזורים. לחקלאות מדויקת, AI בחקלאות משתמש באזורי ניהול, NDVI, ראייה ממוחשבת לאגרונומיה, תחזית תפוקה, יישום בקצב משתנה (VRA), דישון דיפרנציאלי, מיפוי תפוקה, ניטור לוויין ו-ML בחקלאות. צרו קשר כדי לדון בשדה שלכם ולקבל הערכת פרויקט ראשונית. קבעו ייעוץ — נראה לכם איך התפוקה שלכם יכולה לגדול ב-10–15% תוך קיצוץ עלויות תשומות ב-25% לפחות.