Была представлена платформа, сочетающая искусственный интеллект и данные о партиях продукции, позволяющая определить, что необходимо исправить в каждой конкретной ситуации

РОСАРИО. — Производители генерируют всё больше информации о своих участках: анализы почвы, карты урожайности, спутниковые снимки, топографические данные и отчёты о предыдущих сельскохозяйственных сезонах. Задача теперь заключается не в сборе этих данных, а в их комплексном анализе. Исходя из этого, в ходе конгресса Aapresid, организованного при поддержке Expoagro, была представлена платформа Soil Data Fusion, разработанная компанией Syngenta, которая использует искусственный интеллект для интеграции различных источников информации, выявления факторов, ограничивающих урожайность в конкретных условиях, и выработки конкретных рекомендаций по управлению каждым участком. Этот инструмент был разработан совместно с INTA, Aapresid и Министерством сельского хозяйства Аргентины. Его принцип работы объяснили Катриэль Педернера и Дорон Гал из компании Syngenta вместе с Эрнаном Рене Сайнсом Росасом, руководителем Лаборатории почвоведения INTA в Балкарсе, который продемонстрировал, как эти диагностические данные можно интерпретировать с агрономической точки зрения. Как пояснил Педернера, система объединяет всю доступную информацию об участке — от анализов почвы и спутниковых снимков до карт урожайности, топографических данных и данных дистанционного зондирования — для последующей обработки с помощью алгоритмов машинного обучения и искусственного интеллекта. «Все данные, которыми располагает производитель, мы собираем в одном месте, анализируем, проводим диагностику и предоставляем рекомендации», — резюмировал он. Одно из отличий, как он отметил, заключается в отборе проб почвы. Вместо того чтобы распределять точки равномерно, сначала анализируется изменчивость участка, а затем определяется, где целесообразно брать пробы. «Это не случайная сетка, нанесенная на участок. Мы определяем место отбора проб в зависимости от результатов предварительного анализа», — пояснил он. «Платформа обучается уже три года на данных, полученных с территории площадью около 15 000 гектаров, расположенной в разных регионах страны. Каждый новый введённый набор данных позволяет повысить точность моделей. Однако Педернера предупредил: «У нас может быть очень хороший отчёт, но затем узким местом станет доступная нам техника в поле», — предупредил он. Дорон Гал пояснил, что система анализирует тысячи спутниковых снимков высокого разрешения и отслеживает поведение каждого пикселя на протяжении различных сельскохозяйственных сезонов. На основе этой информации система группирует участки с похожими характеристиками и формирует так называемые «классы почв», которые служат основой для всего последующего анализа. Затем в систему добавляются новые слои информации, такие как карты урожайности, рельефа, данные датчиков и результаты лабораторных исследований. Чем больше данных собирается, тем выше точность диагноза. «На этой основе искусственный интеллект анализирует взаимодействие таких переменных, как питательные вещества, текстура, органическое вещество, pH или уплотнение, чтобы определить, какие факторы действительно влияют на урожайность и каким методам следует уделить приоритетное внимание». Чтобы продемонстрировать, как платформа работает на практике, Сайнс Росас привёл реальный пример, касающийся участка на севере провинции Санта-Фе, чтобы показать, как платформа объединяет карты урожайности, анализ почвы и другие переменные с целью выявления факторов, ограничивающих продуктивность. В данном случае система определила, что основными ограничивающими факторами являются фосфор, цинк и бор, хотя она также позволила установить, какие из этих питательных веществ требуют дифференцированного подхода, а какие — нет. «В случае с фосфором карта достигла точности, считающейся достаточной для проведения дифференцированного внесения удобрений, и показала обширные участки с уровнями ниже оптимальных. Сравнивая эти результаты с испытаниями INTA, специалист пояснил, что эти участки могут благоприятно реагировать на внесение удобрений. Однако он уточнил, что одного только уровня содержания питательного вещества недостаточно для формулирования рекомендации, поскольку на это влияют и другие почвенные переменные. «Реакция на фосфор усиливается при более сильном уплотнении почвы», — отметил он, пояснив, что такое состояние ограничивает развитие корней и влияет на усвоение этого питательного вещества. «С цинком произошло нечто подобное. Карта продемонстрировала приемлемое качество и позволила выявить участки, где дефицит оправдывал дифференцированное внесение удобрений». Как он напомнил, испытания, проведенные INTA, показывают, что при таких уровнях урожайность кукурузы может увеличиться до двух тонн с гектара. Также в этом случае он подчеркнул, что такие переменные, как содержание органического вещества и уплотнение почвы, влияют на реакцию культуры и должны учитываться наряду с результатами химического анализа». «Что касается бора, то вывод оказался иным. Хотя система обнаружила низкие уровни этого питательного вещества практически на всей площади участка, точность карты оказалась недостаточной для рекомендации дифференцированного внесения удобрений. В результате было предложено провести равномерное удобрение по всей площади. Этот случай также показал, когда вмешательство не было необходимым. Для данного участка калий не являлся ограничивающим фактором, и этот вывод совпал с результатами, полученными в ходе калибровочных работ INTA». В заключение Сайнс Росас отметил, что одним из главных преимуществ подобных инструментов является помощь в систематизации и интерпретации большого объема информации, хотя он подчеркнул, что рекомендации необходимо проверять непосредственно в полевых условиях. «Нам нужно выразить всё в цифрах», — заявил он. В связи с этим он предложил создать участки с различными дозами удобрений, чтобы оценить реакцию культур и одновременно продолжить совершенствование моделей на основе данных, полученных в реальных условиях».