חיזוי יבול עם למידת מכונה ונתוני לוויין

חיזוי יבול מסורתי מסתמך על הערכות מומחים וממוצעים היסטוריים, ולעתים קרובות מביא ל-MAPE של 20–40%. אנו מחליפים זאת במודלי ML המשתמשים בנתוני NDVI לוויינים ונתונים מטאורולוגיים, ומשיגים MAPE של 8–12% 4–6 שבועות לפני הקציר. הגישה שלנו עולה על הערכות מומחים פי 2–3. NASA Earth Observatory מאשר ששילוב NDVI עם מעלות ימים גדילה (GDD) משפר את הדיוק ב-30%. סיפקנו 30+ פרויקטים לחברות חקלאיות ובנקים. בקשו הדגמה לחווה שלכם וקבלו ייעוץ על הטמעה.

כיצד ML עולה על שיטות מסורתיות

שיטות מסורתיות (ממוצעים רב-שנתיים, דעות מומחים) מניבות שגיאה של 20–40%. מודלי ML לוכדים דינמיקה של מדדי צמחייה (NDVI, EVI, LAI) וטמפרטורות מצטברות (GDD). תוצאה: MAPE של 8–12% בתוך 4–6 שבועות לפני הקציר. המודל מזהה אוטומטית פנופאזות ומתאים את התחזית תחת לחץ (בצורת, כפור). ML נותן דיוק גבוה פי 2–3, ומפחית עלויות אחסון ולוגיסטיקה בעד 20%.

אילו נתונים דרושים לחיזוי מדויק

נתוני לוויין (חישה מרחוק):

• Sentinel-2 (ESA): רזולוציה של 10–20 מ', ביקור כל 5 ימים, חינם
• Landsat 8/9 (NASA/USGS): 30 מ', חינם
• PlanetScope: רזולוציה של 3 מ', יומי, מסחרי

מדדי צמחייה:

• NDVI (Normalized Difference Vegetation Index): (NIR - Red) / (NIR + Red) — צפיפות ובריאות
• EVI (Enhanced Vegetation Index): משופר, עמיד בפני השפעות אטמוספריות
• LAI (Leaf Area Index): שטח עלים, מקושר לביומסה

נתונים מטאורולוגיים:

• טמפרטורת אוויר (מינימום/מקסימום/ממוצע): GDD מצטבר
• משקעים: סכומים עשוריים, חודשיים, עונתיים
• קרינת שמש
• לחות קרקע (מ-Sentinel-1 SAR או תחנות אגרו-מטאורולוגיות)

נתוני קרקע:

• SoilGrids (ISRIC): מפת סוגי קרקע גלובלית, רזולוציה של 250 מ'
• SoilMap: מפות איכות קרקע לאומיות

ארכיטקטורת המודל

אנו משתמשים בשלוש גישות בהתאם לכמות הנתונים והמשימה.

ML מבוסס תכונות

# Для каждого поля: агрегированные признаки за сезон
field_features = {
    'ndvi_peak': max(ndvi_time_series),
    'ndvi_integral': sum(ndvi_time_series),  # сезонная биомасса
    'gdd_accumulated': sum(max(0, temp_avg - base_temp)),
    'precipitation_total': sum(precipitation),
    'drought_days': count(spi < -1),  # SPI: Standardized Precipitation Index
    'soil_type_encoded': one_hot(soil_type),
    'field_size_ha': field_area,
    'variety_encoded': crop_variety_embedding
}
model = LightGBM.train(field_features, yield_targets)

למידה עמוקה עם סדרות זמן

סדרת זמן NDVI + מזג אוויר לכל עונה → LSTM → יבול. יתרון: משתמש בדינמיקת גדילה, לא רק בסכומים סופיים.

היברידי מבוסס תהליך

מודל גידול סימולציה (DSSAT, APSIM) + תיקון ML. המודל הפיזיקלי מספק מבנה, ML לומד שאריות מנתונים אמיתיים. LightGBM רץ פי 1.5 מהר יותר מ-LSTM על מערכי נתונים קטנים.

מדוע מעקב פנולוגיה הוא קריטי

שלבי גדילה (פנולוגיה) משפיעים ישירות על היבול הסופי. זיהוי אוטומטי של פנופאזות מדינמיקת NDVI ו-GDD מאפשר למודל להגיב ללחץ. עיכוב בפנופאזה עקב בצורת או כפור מפחית את התחזית. ללא פנולוגיה, הדיוק יורד ב-15%.

כיצד לזהות פנופאזות אוטומטית

אנו בונים עקומת NDVI לאורך העונה ומאתרים נקודות אופייניות: תחילת עונה, שיא, סנסנציה. במקביל אנו מחשבים GDD מצטבר. אם שיא NDVI מפגר אחרי נורמת GDD, המודל מאותת על לחץ ומפחית את תחזית היבול. שיטה זו מגדילה את הדיוק ב-15% בהשוואה למודל ללא פנולוגיה.

צבירה מרחבית

שדה → חווה → מחוז → אזור:

• תחזית ברמת שדה: לאגרונומים (10–30 דונם)
• רמת חווה: לתכנון פיננסי
• רמת מחוז/אזור: לניטור ממשלתי

גישה גיאוסטטיסטית: אינטרפולציית Kriging למפת יבול רציפה מרחבית. מאפשרת הערכת שדות ללא נתונים היסטוריים.

יישום מעשי

חברת חקלאות:

• תכנון קיבולת אחסון
• חוזי מכירה עתידיים
• התראות תפעוליות לשדות עם NDVI מפגר

הלוואות בנקאיות:

• הערכת שווי ביטחונות של יבול עומד
• הערכת סיכון חדלות פירעון תחת בצורת חזויה

אינטגרציה עם פלטפורמות חקלאיות:

• Agrosignal, GIS Mercury: פלטפורמות ניהול שדות רוסיות
• Trimble Ag Software, John Deere Operations Center: גלובליות
• ייצוא דרך API ל-ERP (SAP/1C:Agro)

החיסכון לחברת חקלאות ממוצעת מוערך ב-$50k–100k לעונה מלוגיסטיקה ואחסון אופטימליים. צרו קשר להערכה ראשונית וייעוץ על הטמעת חיזוי AI.

מה כלול בעבודה

1. ביקורת נתונים — בדיקת זמינות ואיכות של תמונות לוויין, נתוני מזג אוויר, יבולים היסטוריים.
2. אב-טיפוס מודל — בניית קו בסיס על גידול אחד (2–3 שבועות).
3. פיתוח צינור ייצור — איסוף נתונים אוטומטי, אימון, ולידציה, פריסה.
4. אינטגרציה — API, לוח מחוונים לנתונים, חיבור ל-1C או SAP.
5. הכשרת צוות — העברת ידע לאגרונומים ואנליסטים שלכם.
6. תמיכה — תחזוקה, אימון מחדש של המודל בכל עונה, אחריות לדיוק.

לוחות זמנים ואחריות

לוחות זמנים: מודל בסיסי מבוסס NDVI לגידול/אזור אחד — 5–7 שבועות. מערכת רב-גידולית עם מעקב פנולוגיה ו-API — 3–4 חודשים. עלות אישית לאחר ביקורת.

אחריות: אנו מבטיחים MAPE לא גבוה מ-15% בפיילוט. אם הדיוק נמוך יותר, אנו משפרים אותו ללא תשלום. בקשו גרסת הדגמה לחברת החקלאות שלכם וקבלו ייעוץ על הטמעה.