Категорія: Сценарії використання

Український аграрний лідер VitAgro впроваджує програмне забезпечення для точного землеробства GeoPard для інтегрованого управління фермерськими господарствами на 85 000 гектарах

Опубліковано на від dementievgeopard

КЕЛЬН, НІМЕЧЧИНА та КИЇВ, УКРАЇНА, липень 2025 року

ВітАгро, один з провідних українських сільськогосподарських виробників 85 000 гектарів (210 000 акрів), впровадив ГеоПард Програмне забезпечення для точного землеробства як комплексна система підтримки рішень протягом усього вегетаційного періоду. Платформа підтримує робочі процеси від передсезонної підготовки, включаючи планування та аналіз ґрунту, до польових операцій протягом усього вегетаційного періоду.

Як одна з 15 найкращих сільськогосподарських компаній України, VitAgro інтегрувала GeoPard у свою діяльність для покращення управління ґрунтами, впровадження стратегій удобрення зі змінною нормою (VRA) та кількісної оцінки фінансового впливу методів точного землеробства за допомогою польових випробувань на основі даних.

“GeoPard змінив спосіб управління родовищами, перетворивши складні дані на практичні та дієві рекомендації». ”Платформа допомагає розробляти цільові стратегії відбору проб ґрунту, які точно визначають конкретні зони поля, що потребують уваги, що дозволяє керувати ними окремо, а не рівномірно застосовувати їх на всіх полях», – сказав він. Олег Білан, головний технолог у компанії «ВітАгро».

Карта потенціалу зони на основі глибоких історичних даних, які демонструють неоднорідність у межах поля

Карта зонування потенціалу родовища, що базується на глибоких історичних даних, що показує мінливість у межах родовища

Завдяки впровадженню GeoPard, VitAgro може систематично:

  • Створити точний плани відбору проб ґрунту на основі мінливості поля
  • Згенерувати карти застосування для конкретних зон для добрив та засобів захисту рослин
  • Контролюйте фактично застосовані норми порівняно з запланованими призначеннями
  • Розрахуйте чіткі показники рентабельності інвестицій (ROI) для ініціатив у точному сільському господарстві
  • Приймати рішення на основі даних для майбутніх стратегій управління врожайністю та витратами

“GeoPard продовжує бути важливим інструментом для виробників сільськогосподарських культур в Україні”, – сказав Дмитро Дементьєв, Генеральний директор GeoPard.“Точне землеробство більше не є необов'язковим для бізнесу, який планує майбутнє. Це дозволяє виробляти зерно вищої якості з оптимізованими витратами та більш сталими методами, зміцнюючи продовольчу безпеку”.”

Впровадження було підтримано у співпраці з Агрісмарт, сільськогосподарська консалтингова компанія, яка співпрацює з VitAgro та GeoPard для узгодження агрономічної методології та її впровадження у всіх операціях.

Партнерство підкреслює, як цифрова агрономія може підвищити продуктивність, одночасно підтримуючи екологічну відповідальність. Створюючи рекомендації VRA на основі зон потенціалу польових культур, VitAgro застосовує засоби лише там, де це необхідно, та у відповідних нормах, зменшуючи втрати та вплив на навколишнє середовище.

ЧОМУ ПОТРІБНО ВИМІРЮВАТИ МІНЛИВІСТЬ В РАМКАХ ПОЛЯ

Зони продуктивності, створені в GeoPard, дозволяють легко побачити різницю в продуктивності в межах одного поля, часто зумовлену мінливістю типу ґрунту. GeoPard автоматично генерує як зони управління, так і точки відбору проб для агрохімічного плану.

План відбору проб обґрунтування, що показує точки відбору проб на основі зон поля

План відбору проб ґрунту з зазначенням точок відбору проб на основі польових зон

Відбір проб на основі рекомендацій GeoPard

Відбір проб ґрунту на основі рекомендацій GeoPard

ВІДБІР ПРОБ ҐРУНТУ ТА РЕКОМЕНДАЦІЇ НА ЗОНАЛЬНІЙ ОСНОВІ

VitAgro збирає зразки ґрунту в рекомендованих точках і надсилає їх до лабораторій. На основі багатошарової аналітики та перевірених наукових формул команда потім створює карти VRA для змінного посіву та внесення добрив у кожній зоні.

Після аналізу кожної зони стають видимими окремі агрономічні показники, що дозволяє точніше та економічно ефективніше використовувати вхідні дані, що відображають реальну неоднорідність поля.

Зони продуктивності від GeoPard - При видимому огляді ділянок одного поля з прямими зонами на основі якого лежать різні типи ґрунтів - Після проведення аналізу в шкірній зоні продуктивність отримуємо різні показники.

Зони продуктивності від GeoPard – Під час візуального огляду ділянок одного поля з різними зонами на основі різних типів ґрунту – Після проведення аналізу в кожній зоні продуктивності ми отримуємо різні показники.

“Завдяки широкому спектру опцій GeoPard, які повністю відповідають нашим потребам, ґрунтохімічні роботи в нашій компанії стали набагато ефективнішими, а результати точнішими”, – сказав Олександр Передерій, агрохімік компанії VitAgro. “Технології розвиваються швидко, і важливо не відставати. Залишається віра в те, що зусилля рухатися вперед і вдосконалюватися, навіть у важкий для країни час, принесуть добрі результати. Ті, хто сіє крізь труднощі, пізніше збиратимуть пожинати з радістю”. (Псалом 126:5-6)

ІНТЕГРАЦІЯ З ОПЕРАЦІЙНИМ ЦЕНТРОМ JOHN DEERE

Автоматизована інтеграція з John Deere Ops Center дозволяє VitAgro:

  • Створюйте розумні рекомендації VRA в GeoPard, використовуючи карти потенціалу польових ресурсів, аналітику ґрунтових лабораторій та розрахунки на основі рівнянь
  • Надсилайте приписи до John Deere у вигляді робочих планів, включаючи різні геометрії зон для посіву та внесення добрив
  • Збирайте фактичні дані, що застосовуються, назад у GeoPard для аналізу сезонної ефективності

Після кожної польової операції дані автоматично повертаються до GeoPard, що дозволяє оцінити точність виконання та ефективність кожної агрономічної дії.

ПРАКТИЧНЕ ВИКОНАННЯ ЗМІННОЇ СТАВКИ В ПОЛЬОВИХ ПРАКТИКАХ

Виконання польових робіт підтримується завдяки безперебійній інтеграції обладнання. Оператори отримують доступ до карт приписів, згенерованих GeoPard, безпосередньо на дисплеях кабіни, що дозволяє точно впроваджувати агрономічні плани.

«VitAgro» також будує власну лабораторію з відбору проб ґрунту та планує розширити послуги, надаючи інструменти для підтримки рішень та рекомендації щодо добрив іншим сільськогосподарським виробникам по всій Україні. Це розширення є значним кроком до ширшого впровадження практик точного землеробства в країні.

Плануючи тарифи VRA за допомогою інструменту Smart Doses, система автоматично розподіляє тарифи та одразу показує економію для кожного продукту.

Вигляд із кабіни машини, де показана карта VRA, що відображається на моніторі. Розкидач: Amazone ZA-TS 4200. Розкидач, яким проводилося диференційоване внесення.

Вигляд карти VRA на дисплеї з кабіни. Розкидач: Amazone ZA-TS 4200, використовується для внесення добрив зі змінною нормою.

ВПЛИВ ІНТЕГРАЦІЇ

За попередніми оцінками, інтегрована модель цифрового управління дозволяє VitAgro досягти вже у сезоні 2025 року:

  • 15-25% зниження витрат на мінеральні добрива
  • Збільшення врожайності ключових культур 5-8%
  • Зменшення вуглецевого сліду операційної діяльності

Отримані дані слугуватимуть основою для масштабування практик точного землеробства на всій площі та зміцнення внутрішньої експертизи VitAgro.

ПРО КОМПАНІЇ

ВітАгро є одним з провідних сільськогосподарських виробників України, обробляючи 85 000 гектарів (210 000 акрів). Як 15 найкращих виробників в Україні, VitAgro зосереджується на сталих методах ведення сільського господарства, технологічних інноваціях та операційній ефективності. Компанія вирощує низку культур, включаючи зернові та олійні, поєднуючи цілі продуктивності з екологічною відповідальністю. У лютому 2025 року VitAgro також завершила перший експорт українського біометану до ЄС, поставивши партію об'ємом 68 000 м³ (720 МВт·год) до Німеччини, ставши перший постачальник біометану з України на європейський ринок. vitagro.com.ua

ГеоПард надає передове програмне забезпечення для точного землеробства, розроблене для оптимізації управління фермерським господарством та сільськогосподарських операцій. Платформа інтегрує дані про ґрунт, супутникові знімки, дані про машини та агрономічний досвід, щоб надавати фермерам та агробізнесу практичні рекомендації. geopard.tech

Український аграрний лідер Вітагро впроваджує програмне забезпечення точного землеробства GeoPard для комплексного управління фермою

Опубліковано на від dementievgeopard

Кельн, Німеччина, Київ, Україна – 22 липня 2025 року – Вітагро, одне з провідних сільськогосподарських підприємств України, яке обробляє 85 000 гектарів (210 000 акрів), впровадило програмне забезпечення точного землеробства. ГеоПард як комплексну систему підтримки прийняття рішень для всіх етапів аграрного сезону – від підготовки до сезону, включаючи планування та аналіз обґрунтувань, до виконання польових робіт протягом усього вегетаційного періоду.

VitAgro входить до топ-15 в Україні, інтегрував технологію GeoPard у свої операції з оптимізації управління обґрунтуваннями, впровадження диференційованого внесення добрив та кількісної оцінки фінансових переваг практичного точного землеробства через обґрунтовані даними польові випробування.​

“GeoPard трансформував наш підхід до управління полями, надаючи практичні рекомендації на основі всебічного аналізу даних”, – сказав Білан Олег Миколайович, Головний технолог компанії. “Платформа дозволяє нам створювати цільові стратегії відбору проб обґрунтування, які запускають конкретні зони поля, що потребують уваги, що дозволяють дозволити індивідуальну обробку, а не рівномірне застосування на всіх полях”.​

Карта потенціалу зони на основі глибоких історичних даних, які демонструють неоднорідність у межах поля

Карта потенціалу зони на основі глибоких історичних даних, які демонструють неоднорідність у межах поля

Впровадження дозволило Вітагро систематично:​

  • Розробити точні плани відбору проб обґрунтовано на основі варіабельності полів​
  • Генерувати зонально-специфічні карти внесення добрив та засобів захисту рослин​
  • Моніторити фактичні норми внесення в порівнянні з плановими призначеннями​
  • Розраховувати точні показники рентабельності для ініціативи точного землеробства​
  • Приймати обґрунтовані дані рішення для майбутніх стратегій управління врожаями​

“GeoPard продовжує бути прибутком для виробників сільськогосподарських культур в Україні”, – сказав Дмитро Дементьєв, генеральний директор GeoPard. “Впровадження точного землеробства є забезпеченням для будь-якого бізнесу, який дивиться в майбутньому, виробляючи не тільки більше, але й якісні зернові з оптимізованими витратами та сталими практиками, забезпечуючи продовольчу безпеку”.​

Партнерство демонструє, як цифрові аграрні рішення можуть підвищити продуктивність, одночасно сприяючи екологічній відповідальності. Створюючи карти диференційованого внесення на основі вихідних зон поля, Вітагро застосовує ресурси лише там, де це необхідно, та у відповідних нормах, зменшуючи втрати та вплив на навколишнє середовище.​

Чому розуміємо неоднорідність? 

Зони продуктивності, створені за допомогою GeoPard, дозволяють візуально оцінити відмінності в межах одного поля, що зумовлені високими типами підстав. GeoPard автоматично формує зони та точки для агрохімічного плану. 

План відбору проб обґрунтування, що показує точки відбору проб на основі зон поля

План відбору проб обґрунтування, що показує точки відбору проб на основі зон поля

Відбір проб на основі рекомендацій GeoPard

Відбір проб на основі рекомендацій GeoPard

Відбір обґрунтованих зразків

Vitagro видаляє відбір ґрунтовних зразків у цих точках, передає їх до лабораторії, а далі ‒ на основі багатошарового аналізу та валідованих наукових формул ‒ формує VRA-карти для диференційованого висіву шляхом внесення добрив у шкірну зону. Після детального аналізу кожної зони виявляються специфічні показники, що втратили точніше й економніше використання ресурсів, враховуючи неоднорідність полів.

Зони продуктивності від GeoPard - При видимому огляді ділянок одного поля з прямими зонами на основі якого лежать різні типи ґрунтів - Після проведення аналізу в шкірній зоні продуктивність отримуємо різні показники.

Зони продуктивності від GeoPard – При видимому огляді ділянок одного поля з прямими зонами на основі якого лежать різні типи ґрунтів – Після проведення аналізу в шкірній зоні продуктивність отримуємо різні показники.

“Завдяки широким можливостям програми Geopard, яка забезпечує задоволення наших потреб, ми маємо можливість працювати в сфері агрохімічних досліджень, оскільки наша компанія ефективніше та досягає кращих та більш точних результатів. зусилля тих, хто не залишився байдужим в такий не легкий для країни час, жити мирно, рухатися вперед, розвиватися та вдосконалюватися у сфері дослідження обґрунтування при переведенні холдингу на повну диференціацію, принести добрі плоди. “Ті, що сіють зі сльозами, пожнуть з радістю. Хто з плачем ніс сіяти зерно своє, той повернеться веселий, несучи сніги свої”. (Псалом 126:5-6)” – Олександр Передерій, Агрохімік ВітАгро

Інтеграція з John Deere Ops Center

Автоматизована інтеграція з John Deere Ops Center дає змогу Vitagro створювати в GeoPard розумні VRA-рекомендації (на основі потенціалу карти поля, агрохімічного аналізу та розрахункових рівнів), надсилати їх до John Deere як WorkPlan із різними геометричними зонами для посіву та внесення добрив, а також підтягувати фактичні карти для сезонної аналітичної продуктивності. Після завершення кожної операції автоматично повертається GeoPard, що дозволяє оцінити точність виконання та ефективність кожної агротехнічної дії.

Практична реалізація VRA в полі

Практична реалізація в полі забезпечується через безперебійну інтеграцію з фермерським обладнанням. Оператори підтримують доступ до призначених карток GeoPard одночасно в кабінах своїх машин, що дозволяє точно виконувати агрономічні плани.​

Зауважимо, що Вітагро наразі будує власну лабораторію для відбору проб обґрунтування та планує розширити свої послуги, надаючи інструменти підтримки рішень та рекомендацій щодо добрив іншим сільськогосподарським виробникам по всій Україні. Це розширення є значним кроком до більш широкого впровадження практики точного землеробства в аграрному секторі країни.​

Планування диференційованих норм (VRA) через інструмент Smart Dozi: система автоматично розподіляє норми та одразу показує економію для кожного продукту.

Вигляд із кабіни машини, де показана карта VRA, що відображається на моніторі. Розкидач: Amazone ZA-TS 4200. Розкидач, яким проводилося диференційоване внесення.

Вигляд із кабіни машини, де показана карта VRA, що відображається на моніторі. Розкидач: Amazone ZA-TS 4200. Розкидач, яким проводилося диференційоване внесення.

Таким чином, за попередніми розрахунками, інтегрована цифрова модель управління дозволяє «Вітагро» вже в сезоні-2025 скоротити витрати на мінеральні добрива на 15–25%, підвищити врожайність основних культур на 5-8% та зменшити вуглецевий слід господарства. Отримані дані стануть базою для подальшого масштабування практики точного землеробства на всіх площах та зміцнення внутрішньої експертизи компанії.

Про компанію:

ВітАгро – одне з провідних сільськогосподарських підприємств України, яке обробляє 85 000 гектарів (210 000 акрів) сільськогосподарських угідь. Як виробник, що входить до топ-15 країни, Вітагро зосереджується на сталих сільськогосподарських практиках, технологічних інноваціях та операційній ефективності. Компанія виробляє різноманітні культури, включаючи зернові, олійні та інші сільськогосподарські товари, впроваджуючи передові методи ведення сільського господарства для забезпечення як продуктивності, так і екологічної відповідальності. У лютому 2025 року Вітагро також здійснила перший український експорт біометану до ЄС (партія 68 000 м³ / 720 МВт·год до Німеччини), ставши першим постачальником біометану на європейський ринок. ​vitagro.com.ua

ГеоПард – постачальник передових програмних рішень для точного землеробства, призначених для оптимізації управління фермерськими господарствами та сільськогосподарськими операціями. Платформа компанії об’єднує дані про обґрунтування, супутникові зображення, дані машин та агрономічний досвід, щоб давати практичні рекомендації для фермерів. geopard.tech

Навчання в режимі реального часу з підтримкою 5G у сталому сільському господарстві: Дослідження на прикладі цукрових буряків

Опубліковано на від dementievgeopard

Ми раді оголосити про успішне завершення проєкту “Мережі 5G як засіб навчання в реальному часі у сталому сільському господарстві”, що частково фінансується Міністерством економіки, промисловості, боротьби зі зміною клімату та енергетики землі Північний Рейн-Вестфалія.

Ця ініціатива є значним кроком уперед у дослідженні трансформаційного потенціалу технології 5G у сільському господарстві, зокрема, спрямованого на покращення екологічних, економічних та стійких аспектів вирощування цукрових буряків.

Він використав низьку затримку 5G для інтеграції передових інформаційно-технологічних систем у режимі реального часу, що дозволило негайно реагувати на дані датчиків та позиціонування у заздалегідь визначені терміни.

Фото з фінального заходу презентації проекту у Вищій школі Гамма-Ліппштадта (HSHL)
Фото з фінального заходу презентації проекту у Вищій школі Гамма-Ліппштадта (HSHL)

Фокус проекту та партнерство

У співпраці з партнерами з HSHL та за підтримки Pfeifer & Langen проєкт зосередився на вивченні всього життєвого циклу вирощування цукрових буряків на полях, що належать партнерам. Його метою було продемонструвати, як 5G може слугувати ключовим технологічним каталізатором у сільськогосподарському секторі Північного Рейну-Вестфалії, демонструючи його потенціал як рушійної сили інновацій та ефективності.

Роль сільського господарства GeoPard

Компанія GeoPard Agriculture відіграла вирішальну роль у визначенні та впровадженні ключових аспектів проєкту, включаючи сценарії для виявлення рослин, моніторингу та прогнозування виробництва. Ми розробили прототип системи штучного інтелекту, адаптованої для сільськогосподарського середовища 5G, виконали моделі в хмарній інфраструктурі та створили мобільний додаток для взаємодії з хмарними моделями в режимі реального часу.

Технологічна інтеграція

Методи штучного інтелекту (ШІ) були розгорнуті через надійну хмарну інфраструктуру з високими обчислювальними можливостями. Алгоритми ШІ класифікували рослини в режимі реального часу під час кожного перетину та контролювали їхній ріст протягом усього життєвого циклу, що усуває необхідність непотрібних польових виїздів виключно для збору даних.

Цей прогрес дозволив точно вносити добрива та засоби захисту рослин, динамічно регулюючи норми внесення під час перетинів за допомогою алгоритмів машинного навчання.

Розгортання безпілотних транспортних засобів

Крім того, проєкт використовував зменшену затримку 5G для розгортання безпілотних транспортних засобів для моніторингу рослин та збору даних. Ці транспортні засоби відіграли вирішальну роль у зборі інформації в режимі реального часу та подальшій оптимізації сільськогосподарських практик.

Результати проекту: Збільшення виробництва цукрових буряків за допомогою технології 5G

Проєкт продемонстрував, як технологія 5G може стати трансформаційним фактором у сільськогосподарському секторі Північного Рейну-Вестфалії, проаналізувавши весь життєвий цикл вирощування цукрових буряків, виділивши суттєві покращення, що сприяють технології 5G. Однак, щоб ефективно продемонструвати результати проєкту, дослідники використовували робочі пакети, що містять різні сценарії та інфраструктури.

Дослідне поле цукрових буряків
Дослідне поле цукрових буряків

Визначення сценарію з урахуванням існуючої геоданих та інфраструктури машинного навчання

Проєкт продемонстрував, як традиційні процеси в життєвому циклі виробництва цукрових буряків можна покращити завдяки інтеграції технології 5G. Ключові цілі включали:

  • Розроблено готові до впровадження сценарії для розпізнавання, моніторингу та прогнозування виробництва рослин.
  • Встановлено технічні вимоги, необхідні для успішного розгортання цих сценаріїв.
  • Визначив та оцінив відповідні екологічні та економічні показники для оцінки доданої цінності, яку приносить мережа 5G.

Цей етап підкреслив прагнення проекту до інтеграції передових технологій з існуючими сільськогосподарськими методами. Ця архітектура використовувала високошвидкісне підключення мережі 5G для полегшення збору та обробки даних у режимі реального часу між периферійними пристроями та хмарою. Хмарна інфраструктура забезпечувала необхідні ресурси для навчання та розгортання великомасштабних моделей штучного інтелекту, тоді як платформа штучного інтелекту пропонувала надійні інструменти для розробки та розгортання моделей. Рівень додатків надавав кінцевим користувачам практичні висновки, отримані з моделей штучного інтелекту, розширюючи можливості прийняття рішень.

Машинне навчання та штучний інтелект у контексті 5G

Основна увага в цій частині була спрямована на адаптацію існуючих систем машинного навчання та штучного інтелекту відповідно до описаних вище сценаріїв та їх відповідну оптимізацію. Ключові цілі включали:

  • Визначити цілі системи та розробити її архітектуру
  • Зібрав базові дані для навчання та перевірки моделей штучного інтелекту.
  • Створено та анотовано відповідну базу даних, адаптовану для ідентифікації та моніторингу рослин.
  • Безшовна інтеграція моделей штучного інтелекту в інфраструктуру мережі 5G.

На цьому етапі вирішальну роль відіграли периферійні пристрої, оснащені SIM-картками мобільних телефонів, що використовують технологію 5G. Ключові показники ефективності (KPI), такі як затримка або наскрізна (E2E) затримка, ретельно контролювалися. Вимірювання включали оцінку надійності та доступності пакетів даних, отриманих точно, а також аналіз швидкості передачі даних користувачів та пікової швидкості передачі даних.

Крім того, припущення були зроблені на основі потокового відео з роздільною здатністю UHD у форматі MP4, що передається через протокол керування передачею (TCP). Потенційні рішення, що розглядалися, включали оптимізацію з використанням окремих зображень замість безперервних відеопотоків, виконання базової оптимізації безпосередньо на периферійних пристроях та впровадження методів квантування моделі для підвищення ефективності.

Хмарна інфраструктура та сервіси AWS

Проєкт значною мірою спирався на хмарну інфраструктуру, використовуючи такі сервіси AWS, як Lambda, SageMaker, S3, CloudWatch та RDS, які відіграли вирішальну роль у забезпеченні необхідних ресурсів для навчання та розгортання моделей штучного інтелекту.

AWS Lambda використовувалася для ефективного керування екземплярами та обслуговування додатків, тоді як AWS SageMaker сприяв побудові надійних конвеєрів машинного навчання. Рішення для зберігання даних, такі як S3, CloudWatch та RDS, були важливими для зберігання наборів даних та журналів, необхідних для роботи моделей машинного навчання та нейронних мереж.

Хмарна інфраструктура AWS
Хмарна інфраструктура AWS

Отже, ця інфраструктура підтримувала можливості обробки даних у режимі реального часу, що стали можливими завдяки мережі 5G.

Затримка мережі 5G

Мережі 5G були розроблені для досягнення наднизької затримки, яка зазвичай коливається від 1 до 10 мілісекунд. Ця затримка відображає час, необхідний для передачі даних між мобільними пристроями та серверами AWS через мережу 5G. Можливості обробки, специфічні для пристрою, такі як швидкість зйомки та обробки фотографій на смартфонах з високопродуктивними процесорами, також впливали на затримку.

Швидкість завантаження даних у мережі 5G та розмір фотографії впливали на час передачі даних до AWS. AWS також сприяла затримці обробки для таких завдань, як виявлення та сегментація на основі нейронних мереж, яка змінювалася залежно від складності алгоритму та ефективності обслуговування AWS. Після обробки результати завантажувалися назад на мобільні пристрої, на що впливали швидкість завантаження 5G та розмір отриманих даних.

Розпізнавання рослин за допомогою штучного інтелекту

У сфері розпізнавання рослин, процеси на основі штучного інтелекту включали створення комплексної бази даних зображень рослин для навчання алгоритмів на основі нейронних мереж. Ці алгоритми були навчені розрізняти види цукрових буряків від інших рослин шляхом розпізнавання ознак, специфічних для цього конкретного типу рослини, таких як форма листя, кольори квіток тощо.

Фенологічний розвиток рослин цукрового буряка
Фенологічний розвиток рослин цукрового буряка. Джерело: https://www.mdpi.com/2073-4395/11/7/1277

Тут під розпізнаванням рослин ми маємо на увазі завдання виявлення бур'янів та сегментації рослин цукрового буряка.

  • Виявлення бур'янів

Для виявлення бур'янів у проекті використовувалася програма MobileNet-v3, яка була навчена з використанням значного доповнення даних та зваженої вибірки. Ця модель досягла вражаючої точності 0,984 та площі під кривошипною кривою (AUC) 0,998.

  • Сегментація цукрових буряків

Для завдань сегментації використовувалися такі моделі, як YOLACT, ResNeSt, SOLO та U-net, щоб точно розмежувати окремі зразки цукрових буряків на зображеннях. Потім найефективнішу модель було обрано на основі різних критеріїв: швидкості, часу логічного висновку тощо. Дані для сегментації були отримані з RGB-зображень, отриманих дроном, розмір яких був змінений та анотований для цілей навчання та валідації.

Завдання сегментації включали створення масок, які точно окреслювали межі рослин. Цей метод зменшив зусилля людини на анотування, одночасно оптимізуючи ефективність. Завдяки пріоритетному маркуванню складних зразків, продуктивність моделі була значно покращена. Ітеративні стратегії перенавчання та невизначеної вибірки виявилися ефективними, досягши рівня точності сегментації, що перевищує 98% на різних стадіях росту.

Приклад сегментації вхідних-вихідних даних
Приклад сегментації вхідних-вихідних даних
  • Оцінювання моделі

Модель була навчена з використанням ретельного доповнення даних. Модель була оцінена за допомогою різних метрик, включаючи перетин над об'єднанням (IoU). Аналіз висновків для побудованої моделі, проведений на підмножині з набору даних ‘саджанці рослин v2’, продемонстрував точність 81%. Час висновку для обчислення зайняв приблизно 320 мілісекунд після 7-секундного періоду ініціалізації, необхідного лише один раз за сеанс.

У моніторингу рослин на основі штучного інтелекту (ШІ) камери та датчики фіксували важливі дані про рослини, які аналізувалися за допомогою машинного навчання та алгоритмів ШІ. Цей аналіз відіграв вирішальну роль в оцінці здоров'я рослин, виявленні стресу, хвороб або інших факторів, що впливають на ріст.

Застосування поширювалося від оптимізації сільськогосподарської продуктивності до моніторингу природних екосистем, таких як ліси, сприяння зусиллям з охорони природи та покращення розуміння впливу на навколишнє середовище.

Виявлення об'єктів під час моніторингу рослин

Наступним етапом після сегментації рослин цукрового буряка є виявлення об'єктів, спрямоване на розуміння специфіки кожної рослини з точки зору здоров'я, росту та інших факторів. Для виявлення об'єктів під час моніторингу рослин були використані передові моделі, такі як YOLOv4, MobileNetV2 та VGG-19 з механізмами уваги. Ці моделі аналізували сегментовані зображення цукрових буряків для виявлення конкретних зон стресу та хвороб, що дозволяло здійснювати точні та цілеспрямовані втручання.

Проєкт досяг значних успіхів у виявленні хвороб, навчаючи моделі ResNet-18 та ResNet-34, попередньо навчені на ImageNet. Ці моделі продемонстрували вражаючу точність 0,88 у виявленні хвороб, що вражають рослини цукрового буряка, з площею під ROC-кривою (AUC) 0,898. Моделі продемонстрували високу впевненість у прогнозуванні, точно розрізняючи хворі та здорові рослини.

Приклад вхідних-вихідних даних виявлення об'єкта
Приклад вхідних-вихідних даних виявлення об'єкта

У проєкті було застосовано систематичний підхід до виявлення хвороб, сегментуючи зображення на стандартизовані ділянки. Ці ділянки пройшли ретельне анотування за допомогою інтерактивних інструментів для точного визначення ділянок, уражених хворобами. Виявлення об'єктів ще більше підвищило точність, окреслюючи обмежувальні рамки навколо рослин, що сприяло точному моніторингу здоров'я рослин.

Прогнозування виробництва рослин

В галузі прогнозування врожайності рослин моделі штучного інтелекту використовували дані про навколишнє середовище, такі як погодні умови та параметри ґрунту, для прогнозування врожайності сільськогосподарських культур. Були застосовані такі регресійні моделі, як ізольований ліс, лінійна регресія та грядова регресія.

Ці моделі інтегрували числові характеристики, отримані з областей обмежувальних рамок, разом з даними ґрунту для оптимізації внесення добрив.

Цукровий буряк на тестовому полі
Цукровий буряк на тестовому полі

Міркування щодо розгортання моделі

Стратегії розгортання розроблених моделей були оцінені як для периферійних пристроїв, так і для хмарних платформ. Розгортання моделей на периферійних пристроях пропонувало такі переваги, як зниження витрат та менша затримка.

Однак, такий підхід може призвести до зниження потенційної точності через апаратні обмеження. З іншого боку, хмарне розгортання пропонувало швидший час виведення даних з використанням високопродуктивних графічних процесорів, але могло призвести до додаткових витрат і залежало від підключення до Інтернету, що могло призвести до затримки зв'язку.

Порівняльний аналіз з мережею 5G

Порівняльний аналіз показав, що використання мережі 5G значно покращило сегментацію цукрових буряків порівняно з традиційними налаштуваннями 4G/WiFi. Це покращення підтвердилося скороченням середнього часу налаштування та роботи мережі, що підкреслює підвищення ефективності, досягнуте завдяки технології 5G.

  • Процес підготовки даних

Процес підготовки даних включав збір наборів даних про здорові та хворі рослини, виявлення бур'янів, визначення стадій росту та вилучення зображень із відео 4K RAW. Для підготовки даних до аналізу використовувалися такі методи, як вирівнювання гістограми, фільтрація зображень та перетворення колірного простору HSV.

Було зібрано зразки здорового листя цукрового буряка та уражених хворобами зразків, таких як листя кукурудзи із сірою плямистістю. Вилучення ознак хвороби включало відділення листка від фону, зміну розміру, трансформацію та об'єднання зображень для створення реалістичних зразків для аналізу.

Процес анотації для сегментації
Процес анотації для сегментації
  • Активний цикл навчання

Було ініційовано активний цикл навчання з немаркованими даними, які використовувалися для навчання моделей виявлення. Ці моделі генерували запити анотацій, на які відповідали анотатори-люди, постійно вдосконалюючи точність моделі за допомогою ітеративних циклів навчання та анотацій.

  • Анотація даних за допомогою мультимодальної фундаментальної моделі

Вирішуючи проблему обмеженості маркованих даних, проєкт використовував надійні базові моделі для створення анотацій на основі реальних даних. Зокрема, ключову роль відіграла CLIP, модель на основі трансформаторів, розроблена OpenAI, яка навчалася на величезному наборі даних, що містить понад 400 мільйонів пар зображення-текст.

Використовуючи Vision Transformers як основу, CLIP досяг вражаючої точності 95% на наборах даних для валідації, вміло класифікуючи зображення за окремими класами, такими як цукровий буряк та бур'яни, з високою точністю.

  • Технологія дронів для збору даних

Однією з критично важливих технологій, що застосовувалися в проєкті, було використання дронів, оснащених RGB-камерами, які знімали відео у форматі 4K. Ці дрони надавали детальні зображення (роздільна здатність 3840×2160) для аналізу.

Попередня обробка цих зображень значно підвищила точність моделі, причому помітні покращення спостерігалися в таких моделях, як VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) та MobileNet (+6.6%).

Такі методи, як вирівнювання гістограми, використовувалися для покращення контрастності зображення, тоді як перетворення в колірний простір HSV допомогло підкреслити ділянки рослин та виділити відповідні особливості.

  • Генерація синтетичних даних

Щоб вирішити проблему обмеженості даних зображень, за допомогою машинного навчання та штучного інтелекту були створені синтетичні набори даних. Збір даних проводився за допомогою дронів, що летіли на висоті від 1 до 4 м та швидкістю 2 м/с або більше, з використанням RGB-камер.

Емуляційне середовище
Емуляційне середовище

Для збору даних також використовувалися інші транспортні засоби, такі як трактори. Таке синтетичне отримання даних виявилося особливо корисним для виявлення хвороб цукрових буряків.

Висновок

Проєкт “Мережі 5G як засіб навчання в реальному часі у сталому сільському господарстві” успішно продемонстрував, як технологія 5G може покращити екологічні, економічні та стійкі аспекти вирощування цукрових буряків. Завдяки співпраці з HSHL та Pfeifer & Langen, проєкт інтегрував збір даних у реальному часі та аналіз на основі штучного інтелекту, підвищивши ефективність та зменшивши непотрібні виїзди на поля.

Спеціальна мережа 5G на кампусі дозволила точно вносити добрива та засоби захисту рослин. Geopard Agriculture відіграла вирішальну роль у розробці сценаріїв виявлення та моніторингу рослин, а також у створенні прототипу системи машинного навчання для сільськогосподарського середовища 5G. Успіх проекту підкреслив важливість передових технологій у сталому сільському господарстві, підкресливши потенціал 5G для стимулювання інновацій та підвищення ефективності.

Візуалізація економічного впливу сталого землеробства з використанням GeoPard у точному землеробстві

Опубліковано на від dementievgeopard

Дослідники з Баварського земельного управління землеробства (LfL) та GeoPard Agriculture об’єднали зусилля, щоб дослідити економіку систем смугового посіву для сталого сільського господарства. Вони поділилися своїми висновками на заході Університету Гогенхайма на тему “Сприяння біорізноманіттю через цифрове сільське господарство”, присвяченому екологічно чистим методам ведення сільського господарства та їх фінансовому впливу.

Їхній проєкт “Майбутнє землеробство” мав на меті дослідити нові способи ведення сільського господарства, з особливим акцентом на смуговому міжрядному вирощуванні. Цей метод передбачає вирощування різних культур поруч смугами в межах одного поля, що може зменшити потребу в хімікатах та збільшити біорізноманіття. Дослідники хотіли знайти способи зробити сільське господарство більш екологічним, залишаючись при цьому прибутковим для фермерів.

Під керівництвом Олівії Спайкман та Маркуса Гандорфера з LfL, а також Вікторії Сорокіної з GeoPard, ця співпраця розпочалася під час програми EIT Food Accelerator. Використовуючи свої знання у сільському господарстві, цифрові інструменти та аналіз даних, вони вирішили вивчити економічний бік сталого ведення сільського господарства.

Поки Розглядаючи питання скорочення синтетичних витрат та збільшення біорізноманіття, вони виявили, що екологічний потенціал смугового міжрядного вирощування добре досліджений. Однак його механізація та економіка праці, особливо з автономним обладнанням, потребують подальшої оцінки.

Вони виявили, що фермери не впевнені в його практичності, особливо з новими технологіями. Щоб вирішити цю проблему, вони поспілкувалися з фермерами в польовій лабораторії зі смугового міжкультурного посіву, щоб зрозуміти їхні занепокоєння та краще спілкуватися.

Крім того, зміни ландшафту можуть викликати у фермерів вагання, тому важливо надавати чітку інформацію заздалегідь. Таким чином, цифрові інструменти, такі як візуалізації, можуть сприяти комунікації між фермерами та їхніми громадами, викликаючи прийняття та вдячність за екологічно корисні трансформації ландшафту.

Наприклад, у Новій Зеландії фермери використовували окуляри віртуальної реальності (VR) для візуалізації придатних для заліснення ділянок, що сприяло плануванню масштабів фермерських господарств, ілюструючи вплив на прибутковість ферм, естетику ландшафту та сільські громади. Така візуалізація може покращити розуміння фермерами змін ландшафту та їхній інтерес, хоча успішне впровадження також залежить від впевненості фермерів у собі.

Аналогічно, у цьому дослідженні хмарна програма GeoPard була використана для аналізу виробничої системи смугового міжрядного посіву з різних точок зору. Рівняння GeoPard були параметризовані емпіричними даними проекту Future Crop Farming. Початкові результати включають візуалізацію внесення гербіцидів та азоту, а також вихідної врожайності, а також заплановані складніші розрахунки.

Відображення карти застосування гербіцидів

Крім того, система інтегрувала різні джерела даних, зокрема:

  • Набори даних про врожайність та застосовані вхідні дані
  • Інформація про ціни на сільськогосподарські культури та засоби захисту рослин (надається користувачем)
  • Супутникові знімки (Sentinel-2, Landsat, Planet)
  • Топографічні дані
  • Зональні карти історичних даних, доступні в GeoPard

Тим часом, основні використані методи включали просторовий аналіз та ефективну обробку просторових даних за допомогою фреймворку NumPy. Дані були отримані з файлів .xlsx та .shp. Однак, у файлі форми бракувало конкретних деталей про окремі смуги, що вимагало інтеграції різних форматів даних.

GeoPard сприяв просторовій організації даних для пов'язування деталей, специфічних для смуг, з їхнім відповідним розташуванням на полі. Таким чином, інтегрований набір даних, що відображає смуги, став основою для описового аналізу випробувань у GeoPard.

Хоча в дослідженні не розглядалося внесення змінних норм внесення, картографування з високою роздільною здатністю GeoPard (розмір пікселя: 3×3 метри) дозволило детальну візуалізацію на піксельному рівні, додаючи складності. Це детальне картографування є цінним для майбутніх застосувань, таких як об'єднання кількох шарів або інтеграція більш просторово змінної інформації, такої як ‘профілі врожайності’ на основі даних про врожайність у дрібному масштабі, зібраних комбайнами ділянок у дослідницькому проєкті.

Карта врожайності на культуру в повному масштабі та збільшена для відображення деталей на піксельному рівні

Дослідники також виявили, що хоча GeoPard переважно виконував описові функції, він має потенціал для складніших візуалізацій. Наприклад, включення даних про врожайність на рівні підсмуг та цінової інформації може допомогти створити карти прибутку, що показують граничні ефекти між сусідніми смугами сільськогосподарських культур.

Крім того, інтеграція даних про економіку праці може виявити вплив зменшення ефекту масштабу для сприяння біорізноманіттю. Такі дані можуть допомогти в моделюванні сценаріїв, дозволяючи досліджувати різні сівозміни, ширину смуг та типи механізації, зосереджуючись на результатах, характерних для конкретних полів, для покращення управління сільським господарством та прийняття рішень.

Отже, установка може функціонувати як цифровий двійник, з передачею даних у режимі реального часу від польових машин та датчиків до GeoPard, що вже можливо за допомогою деяких комерційних технологій та супутникових даних. Однак, занепокоєння фермерів щодо сумісності технологій підкреслюють необхідність інтеграції додаткових джерел даних для ширшого застосування.

GeoPard підвищує точне землеробство для MHP, провідного агрохолдингу України

Опубліковано на від dementievgeopard

Вступ

Знаковий крок для сільського господарства України, МХП, великий виробник зерна, який контролює вражаючу 350 000 гектарів (майже 900 000 акрів), співпрацює з GeoPard. Ця співпраця знаменує собою значний прогрес у точному землеробстві, інтегруючи складну геопросторову аналітику GeoPard у масштабні сільськогосподарські операції MHP.

Зобов'язання MHP щодо технологічних інновацій у точному землеробстві

Відданість MHP технологічним інноваціям, особливо у сфері точного землеробства, яскраво проілюстрована в партнерстві з GeoPard Agriculture. Ця співпраця є центральною частиною стратегії MHP щодо інтеграції передових технологій для більш ефективного та сталого ведення сільського господарства.

Павло Нестеренко, Керівник групи послуг точного землеробства MHP заглиблюється у трансформаційний характер їхнього партнерства з GeoPard Agriculture: “Співпраця з GeoPard змінила правила гри. Вона змінила наш підхід від інтуїції до прийняття рішень на основі достовірних даних. Завдяки передовій технології GeoPard ми впроваджуємо точні рекомендації з агрономії для окремих підполів, спеціально адаптовані до унікальних вимог кожної ділянки”.”

Ця зміна парадигми, що сприяла інтеграції з GeoPard Agriculture, дозволила MHP використовувати весь потенціал аналітики даних та машинного навчання.

“Цей перехід до сільського господарства, орієнтованого на дані, є вирішальним для MHP, оскільки він дозволяє нам залишатися на передовій сільськогосподарського сектору. Ми запроваджуємо нові стандарти ефективності, сталого розвитку та продуктивності, засновані на кількісному прийнятті рішень на основі цифр”, – підсумовує Нестеренко.

Впровадження MHP цієї передової методології, що базується на даних, знаменує собою значний прогрес у сільськогосподарській практиці, підкреслюючи зростаючу важливість емпіричних даних та точності в сучасному сільському господарстві. Цей інноваційний підхід позиціонує MHP як лідера в цій галузі, встановлюючи нові стандарти ефективності та успіху сільського господарства.

Невід'ємна роль GeoPard у сільськогосподарській стратегії MHP

Інтеграція GeoPard Agriculture з MHP виходить за рамки надання передових інструментів; йдеться про впровадження точності та ефективності, заснованих на геопросторових даних, у сільськогосподарську практику MHP. Завдяки тісній співпраці з командами MHP, GeoPard гарантує широкий спектр складні геопросторові агрономічні розрахунки варіанти для MHP, тісно узгоджені з їхньою операційною рамкою. Це партнерство зосереджено на вимірювання прикладної агрономії, що гарантує, що рішення MHP ґрунтуються на даних та точно адаптовані до їхніх сільськогосподарських потреб. Безперебійний потік даних між MHP, GeoPard та іншими платформами, такими як John Deere та FieldView, створює пов'язана екосистема, оптимізуючи сільськогосподарську діяльність MHP на майбутнє.

Забезпечення агрономічної точності та контролю якості

У сфері точного землеробства порівняння карт RX та VRA від GeoPard Agriculture є свідченням їхньої відданості агрономічній точності та забезпеченню якості. Цей інструмент підкреслює ефективність алгоритмів GeoPard у виявленні та усуненні розбіжностей у різних агрономічних операціях, таких як посів, удобрення або обприскування. Точно визначаючи проблеми як на рівні підполя, так і на рівні машин, GeoPard гарантує, що кожна агрономічна операція відповідає найвищим стандартам якості та точності.

Це порівняння карт не лише визначає відмінності між запланованими та фактичними застосуваннями; це вирішальний компонент процесу забезпечення якості агрономічних операцій. Забезпечуючи детальну та точну оцінку кожного аспекту управління полем, технологія GeoPard гарантує, що операційні методи відповідають запланованим результатам, підтримуючи найвищий рівень ефективності та точності.

Аналіз збору врожаю

Для збору врожаю система GeoPard аналізує набори даних про врожайність за днями та машинами, сегментуючи дані за вологою масою, вологістю та швидкістю. Це сприяє детальному аналізу продуктивності кожного комбайна, надаючи цінну інформацію про ефективність процесу збору врожаю.

 

Об'єднаний набір даних про врожайність, зібраний кількома машинами в різні дні

Об'єднаний набір даних про врожайність, зібраний кількома машинами в різні дні

Розрахунки точності внесення добрив після внесення та після посадки

У таких операціях, як обприскування, посів та внесення добрив, Технологія GeoPard сегментує набори даних за днем, машиною та нормою внесення. Потім вона порівнює цільові та фактичні норми внесення та кластеризує результати для визначення точності внесення. Ця функція є важливою для розуміння та підвищення точності цих критично важливих сільськогосподарських завдань.

Кластеризація фактичної карти приписів «As Panted» та «VRA»

Ключовим аспектом цієї технології є її здатність автоматично об'єднувати дані про техніку та агрономічні операції з різних агрономічних заходів, таких як посів, удобрення або обприскування. Ця автоматизована інтеграція даних має вирішальне значення для точного виявлення розбіжностей між запланованими та фактичними внесеннями як на рівні підполя, так і на рівні машини.

Операційні вдосконалення завдяки технології GeoPard

Платформа GeoPard Agriculture відома своєю здатністю перетворювати агрономічні знання на точні розрахунки за допомогою Карта рівнянь двигун і багаторівневий підхід до даних. Ця технічна синергія значно покращила якість та сталий розвиток врожаю, особливо пшениці, кукурудзи та соняшнику.


Олексій Леонтьєв, керівник проектів точного землеробства в MHP, наголошує на динамічному характері цієї інтеграції: “Впровадження API GeoPard у наші системи трансформувало наші сільськогосподарські операції, дозволяючи нам приймати рішення на основі даних у режимі реального часу шляхом перетворення кожної виконаної агрономічної операції на вимірювані числа від рівня машини до рівня корпорації”.”

GeoPard - MHP - 360° польова аналітика: потенціал поля, збір врожаю, ґрунт та GPS-топографія GeoPard – MHP – 360° польова аналітика: потенціал поля, Збір врожаю, ґрунт та GPS-топографія

Технічний директор GeoPard щодо співпраці

Дмитро Яблонський, Технічний директор GeoPard Agriculture розмірковує про масштаб проекту: “Ця співпраця з MHP є однією з найзначніших та технічно найскладніших в історії точного землеробства. Я поділяю бачення MHP щодо цифровізації кожної операції та автоматизації прийняття рішень щодо агрономії за допомогою виключно підходу, що базується на даних. Для нас честь зробити свій внесок в успіх великомасштабного агробізнесу України”.”

Інтеграція John Deere Ops Center

Співпраця між GeoPard Agriculture та MHP підкреслюється інтеграцією GeoPard як основного аналітичного механізму з Операційний центр John Deere і обладнання MHP. Це двонаправлена синхронізація забезпечує ефективну, автоматизовану обробку комплексних наборів даних, що охоплюють дані про внесення, посів та збирання врожаю. Ця інтеграція відіграє життєво важливу роль у внесенні змін до даних, підвищенні їх повноти та наданні цінної інформації, що значно покращує методи точного землеробства.

Панель керування бізнес-аналітикою Digital Agro 360° для фермерства

Карта потенціалу поля пропонує повне уявлення про сільськогосподарське поле, демонструючи зони з різним потенціалом врожаю. Вона відображає відмінності в рівнях якості ґрунту та загальному стані врожаю, підкреслюючи топографію поля та просторову мінливість. Ця карта відіграє важливу роль у демонстрації того, як аналітика GeoPard може вміло керувати та оптимізувати різноманітні сільськогосподарські умови.

Завдяки інформаційній панелі Digital Agro 360° Business Intelligence Farming, MHP має безпрецедентну прозорість своїх операцій. Ця надійна платформа дозволяє MHP відстежувати всі дані, зібрані в результаті їхньої екстенсивної сільськогосподарської діяльності, відфільтровані за машиною, культурою чи днем.

Панель керування слугує нервовим центром для операцій точного землеробства MHP, надаючи єдине уявлення про різні потоки даних, що надходять з полів. Вона забезпечує рівень контролю, який спрощує складні набори даних до практичних висновків, надаючи MHP можливість швидко приймати стратегічні рішення. Наприклад, панель керування збиральною технікою надає дані майже в режимі реального часу про врожайність, вміст вологи та швидкість роботи збиральної техніки для кожної зони продуктивності.

Панель керування бізнес-аналітикою Digital Agro 360° для фермерства

Панель керування бізнес-аналітикою Digital Agro 360° для фермерства

Шлях уперед: інтеграція комплексних даних для повноциклового точного землеробства

Дивлячись у майбутнє, MHP у співпраці з GeoPard Agriculture відстоює цифровізацію та управління на основі даних у виробництві сільськогосподарських культур за допомогою точного землеробства, зосереджуючись на інноваціях та сталих практиках. Цей прогресивний підхід ґрунтується на інтеграції комплексних шарів даних, що охоплюють усі сільськогосподарські операції, інформацію про відбір проб ґрунту та детальну аналітику.

MHP використовує технологію GeoPard для включення широкого спектру даних у свої сільськогосподарські моделі. Це включає детальну аналітику кожної сільськогосподарської операції, що призводить до розширеної аналітики, такої як карти прибутку підполів та оцінки ефективності сільськогосподарських витрат. Такий цілісний підхід не лише підвищує операційну ефективність, але й забезпечує сталий розвиток ведення сільського господарства.

Віктор Марценюк, керівник Науково-інноваційного центру MHP, формулює бачення компанії: “У MHP наша відданість інноваціям у сільському господарстві йде пліч-о-пліч з нашою відданістю принципам сталого розвитку. Інтегруючи комплексні дані, включаючи аналіз ґрунту та сільськогосподарські операції, ми можемо приймати більш обґрунтовані рішення, які позитивно впливають як на нашу продуктивність, так і на вплив на навколишнє середовище”.”

Ця інтегрована стратегія, що поєднує інноваційний підхід MHP з передовою аналітикою GeoPard, покликана переосмислити точне землеробство. Вона обіцяє підвищену стійкість та максимізацію економічної віддачі, тим самим утверджуючи MHP та GeoPard Agriculture як лідерів на світовій арені точного землеробства.

Універсальне застосування двигуна GeoPard

Дмитро Дементьєв, генеральний директор GeoPard Agriculture, наголошує на широкій застосовності їхньої технології: “Двигун GeoPard розроблений для того, щоб принести відчутні переваги будь-якому сільськогосподарському бізнесу. Наша платформа є універсальною та адаптивною, здатною надавати передові аналітичні та точні фермерські рішення для широкого кола сільськогосподарських умов. Незалежно від того, чи це невелика сімейна ферма, чи великий агробізнес, такий як MHP, GeoPard готовий зробити значний внесок, сприяючи ефективності, сталому розвитку та прибутковості сільськогосподарського сектору в усьому світі”.”

Ця заява Дементьєва підкреслює прагнення GeoPard надавати універсальні рішення в точному землеробстві, задовольняючи різноманітні потреби та масштаби сільського господарства по всьому світу.

Висновок

Співпраця між GeoPard Agriculture та MHP знаменує собою значний прогрес у галузі точного землеробства. Завдяки використанню передової геопросторової аналітики це партнерство встановлює новий стандарт ефективності та сталого розвитку сільського господарства, прокладаючи шлях до майбутнього сільськогосподарської практики, заснованого на даних. Це партнерство між GeoPard Agriculture та MHP поєднує передові технології з великим досвідом у сільському господарстві, встановлюючи новий стандарт у точному землеробстві та демонструючи потенціал технологічних рішень для сільського господарства.

Про компанії

МХПМХП є одним з провідних агробізнесів України, що управляє великою територією понад 350 000 гектарів. Відома своїм виробництвом зерна, МХП інтегрує інноваційні сільськогосподарські практики та технології, роблячи акцент на сталому та ефективному сільському господарстві. Їхнє прагнення модернізувати сільське господарство відповідає їхній меті підвищення продуктивності, водночас зберігаючи екологічну відповідальність.


ГеоПардGeoPard Agriculture є лідером у сфері технологій точного землеробства. Спеціалізуючись на геопросторовій аналітиці, GeoPard пропонує рішення, які перетворюють складні сільськогосподарські дані на практичні висновки. Їхні технології зосереджені на оптимізації різних аспектів сільського господарства, від аналізу ґрунту до карт VRA, дистанційного зондування та аналізу даних сільськогосподарського обладнання, що значною мірою сприяє розвитку розумних методів ведення сільського господарства.

Список літератури:

Stickstoff-Effizienz. Anwendungsfall von LVA – John Deere Händler aus Deutschland

Опубліковано на від dementievgeopard

In der dynamischen Welt der modernen Landwirtschaft stehen Landwirte vor zahlreichen Herausforderungen, darunter die Auswirkungen des Klimawandels, steigende Düngemittelkosten und die dringende Notwendigkeit umweltverträglicher Praktiken. Im Zentrum dieser Herausforderungen steht das Management von Stickstoff, einem entscheidenden Nährstoff, der bei falschem Umgang zu erheblichen Umweltfolgen führen kann.

Inmitten dieser Komplexität treten jedoch zwei Maßstäbe als Lösungen und Spielveränderer hervor: Stickstoffnutzungseffizienz (NUE) und Stickstoffaufnahme (NU). NUE und NU bieten ein neues Paradigma in landwirtschaftlichen Praktiken und wandeln Herausforderungen in Chancen für nachhaltige und effiziente Landwirtschaft um.

John Deere, ein führender Hersteller von Landmaschinen, spielt eine entscheidende Rolle bei der Bewältigung dieser Herausforderungen. Durch das HarvestLab GrainSensing System liefern sie entscheidende Daten über Rohprotein, was ein nuancierteres Verständnis der Stickstoffdynamik in Pflanzen ermöglicht. Darüber hinaus unterstützt John Deere die Integration moderner Technologien, um die Landwirtschaft nachhaltiger zu gestalten.

In diesem Bestrebungen stehen John Deere-Händler wie LVA als entscheidende Partner zur Verfügung. LVA, ein innovativer John Deere-Handler in Deutschland, arbeitet eng mit Landwirten zusammen, um neue Technologien zu integrieren und fortgeschrittene agronomische Strategien umzusetzen.

Ihre Rolle ist wesentlich, um Landwirte dabei zu unterstützen, die Komplexität der modernen Landwirtschaft zu bewältigen und sicherzustellen, dass sie die verfügbaren Technologien optimal nutzen, um ihre Praktiken zu optimieren.

In den fruchtbaren Böden der Magdeburger Börde liegt die Baumgärtel GbR, ein Familienbetrieb mit 30 Jahren landwirtschaftlicher Tradition, wo Weizen eine der Hauptkulturen ist. Auf diesem Hof geht das präzise Stickstoffmanagement über die Optimierung des Ertrags hinaus: Es ist ein Engagement für nachhaltige Landwirtschaft angesichts globaler Umweltprobleme.

GeoPard, als führender Anbieter von Präzisionslandwirtschaftssoftware, fungiert als Bindeglied, das diese Säulen – John Deere, LVA und Landwirte, wie die Baumgärtel GbR – verbindet. GeoPard vereinfacht das Datenmanagement und automatisiert analytische Prozesse, indem es Daten in handlungsrelevante Erkenntnisse verwandelt.

In diesem Fall bietet ihr Fokus auf Stickstoffnutzungseffizienz (NUE) Landwirten eine Perspektive, durch die sie ihre Praktiken betrachten und verbessern können, und gewährleistet Nachhaltigkeit und Effizienz in jedem Aspekt ihrer Tätigkeit.

Stickstoffmanagement auf dem Hof Baumgärtel

Die Baumgärtel GbR unter der Leitung von Friedrich Baumgärtel nutzt das Potenzial der datengesteuerten Landwirtschaft, um ihre Düngestrategien zu verfeinern und neue Techniken einzuführen, alles mit dem Ziel, ihre agronomischen Praktiken zu verbessern.

Zentral für ihre Strategie ist das Stickstoffmanagement. Das Jahr 2023 brachte einen nassen Frühling und einen trockenen Frühsommer in die Magdeburger Börde, was zu durchschnittlichen Erträgen führte. Um diese Bedingungen zu bewältigen, nutzte die Familie Baumgärtel teilflächenspezifisch die Green Seeker-Technologie, um ihre Stickstoffanwendungen präzise anzupassen.

Zusätzlich setzten sie das HarvestLab GrainSensing System ein, um den Rohproteingehalt im geernteten Getreide zu messen. Anschließend wurde mit GeoPard der Stickstoffverbrauch der Pflanzen geschätzt, was die Berechnung der Stickstoffnutzungseffizienz (NUE) mit hoher Präzision ermöglichte.

Für die Familie Baumgärtel ist NUE zu einem wesentlichen Maßstab geworden. Es identifiziert Bereiche, in denen Anpassungen in ihrer Stickstoffanwendungsstrategie notwendig sind. In Zonen, in denen die NUE unter 80 % liegt, planen sie, die Stickstoffanwendung in der folgenden Saison zu reduzieren.

Im Gegensatz dazu erfordern Bereiche, in denen die NUE 100 % übersteigt, eine eingehende Analyse. Eine Herausforderung, von der sie erwarten, dass sie mehrere Saisons sorgfältiger Beobachtung und Lernens erfordern wird.

Zusammenarbeit zwischen LVA & GeoPard Agriculture

Im Jahr 2022 wurde eine strategische Allianz zwischen GeoPard und dem Landmaschinenunternehmen LVA Altenweddingen GmbH, dem innovativen John Deere-Handler in Deutschland, geschmiedet. Diese Zusammenarbeit entstand aus einer gemeinsamen Vision heraus, die umfangreichen Daten von John Deere in handlungsrelevante Felderkenntnisse umzusetzen.

Seitdem hat sich die Partnerschaft weiterentwickelt und konzentriert sich auf innovative Wege, die landwirtschaftlichen Praktiken durch datengesteuerte Entscheidungen zu verbessern. In den folgenden Abschnitten werden wir hervorheben, wie Landwirte ihren Stickstoffeinsatz optimal nutzen.

Майкл Екхардт, Leiter des Precision Ag Departments bei ЛВА, äußerte: "Die Synergie zwischen GeoPard und LVA ist mehr als nur eine Geschäftspartnerschaft; es ist ein Engagement, angewandte agronomische Praktiken durch datengesteuerte Entscheidungen zu revolutionieren. Diese Zusammenarbeit ist darauf ausgerichtet, Landwirten verbesserte agronomische Einsichten zu ermöglichen.

LVA nutzt mit seinen erweiterten agronomischen Dienstleistungen die Stärke von John Deere-Geräten, wie dem HarvestLab GrainSensor System, um entscheidende Daten zu sammeln. Auf der anderen Seite verarbeitet GeoPards Analyse-Engine diese Daten und liefert handlungsrelevante Erkenntnisse.

Gemeinsam bildet diese Partnerschaft eine Allianz, die darauf fokussiert ist, die Praktiken der Landwirte (wie etwa im Bereich des Stickstoffmanagements) zu verbessern, durch die Kombination des Besten aus Maschinen- und Softwarewelten.”

Datenerfassung und -aufbereitung

Im Zentrum dieser datengetriebenen landwirtschaftlichen Entwicklung steht die нахтлозе інтеграція з GeoPard і операційним центром John Deere. Diese Zusammenarbeit veranschaulicht die zentrale Rolle von John Deere bei der Bereitstellung von Datenzugang über ihre API, eine Maßnahme, die den Datenfluss aus den landwirtschaftlichen Feldern erheblich bereichert.

Відомо, що інтеграція знаходиться в документації з операційним центром John Deere, що підтверджено GeoPard. Dieser sofortige Datenabrufprozess umfasst Erntevorgänge (mit Details wie Rohprotein- und Kraftstoffverbrauchsdaten) sowie Anwendungen wie Spritzen, Düngen, Säen und Bodenbearbeitung.

Diese reibungslose Verbindung ist nicht ausschließlich auf John Deere beschränkt; das grundlegende Prinzip der GeoPard-Plattform ist ihre Compatibilität mit verschiedenen Anbietern von Maschinendaten, die über API-Anbindungen ermöglicht wird.

Durch einem nahtlosen Datenfluss in GeoPards System sind die Landwirte mit nahezu Echtzeitanalysen ausgestattet. Diese prompte Datenübertragung ist der Eckpfeiler für die Initiierung automatisierter Analyse-Suiten, wie der Analyze der Stickstoffnutzungseffizienz, und stellt sicher, dass die Landwirte zeitnahe und handlungsrelevante Einblicke zur Hand haben.

Фельд

Im Jahr 2023 stand die Baumgärtel GbR vor der Herausforderung, das Wachstum auf dem Feld zu optimieren. Dafür wurde viermal Stickstoff ausgebracht, beginnend mit SSA im Februar, gefolgt von drei Anwendungen von AHL im Frühjahr.

Um diese Anwendungen auf dem Feld teilflächenspezifisch fein abzustimmen, wurde die entsprechende Technologie eingesetzt. Zudem spielte das HarvestLab GrainSensing System eine entscheidende Rolle bei der Aufdeckung der Verteilung von Rohprotein im geernteten Getreide.

Ернте

Entdecken Sie die Feinheiten der neuesten Ernte vom 2023-08-08 anhand der folgenden Screenshots. Dieser entscheidende Datensatz, der nahtlos und automatisiert vom John Deere Operations Center durch GeoPard abgerufen wurde, zeigt das feine Gleichgewicht zwischen den Datenebenen Rohprotein und feuchter Masse, die während der Ernte erfasst wurden.

Rohprotein-Daten: Ernte 2023-08-08                               
Feuchtmasse-Daten: Ernte 2023-08-08

Obwohl Erntedaten gelegentlich Variationen aufweisen können, erhöht die Implementierung der Калібрування die analytische Genauigkeit erheblich. Dies gewährleistet zuverlässige Erkenntnisse, auch bei außergewöhnlichen Werten wie 19 t/ha für Weizen. Die kalibrierte feuchte Masse ist unten dargestellt.

Kalibrierte Daten zur Feuchtmasse: Ernte 2023-08-08

Düngungsmaßnahmen mit angewendeten Stickstoffprodukten

Während der Saison 2023 wurde der Weizenbestand mit einem sorgfältig geplanten Stickstoffaplikationsregime behandelt, das vier unterschiedliche Behandlungen umfasste. Dazu gehörte eine Anwendung von SSA-Produkten am 2023-02-23, gefolgt von drei Stickstoffanwendungen im Frühjahr mit AHL am 2023-03-18, 2023-04-06 und 2023-05-13. Die genauen in jeder Behandlung angewendeten Mengen sind in den bereitgestellten Screenshots dokumentiert.

Stickstoffanwendung: 2023-02-23 SSA
Stickstoffanwendung: 2023-03-18 AHL
Stickstoffanwendung: 2023-04-06 AHL                          
Stickstoffanwendung: 2023-05-13 AHL

GeoPard spielte in diesem Prozess eine entscheidende Rolle, indem es nahtlos diese Datensätze vom John Deere Operations Center brief. Diese effiziente Datenbeschaffung bereitete den Weg für eine umfassende Analyze der Stickstoffnutzungseffizienz (NUE) und der Stickstoffaufnahme (NU). Indem wir uns in diese Daten vertiefen, verwandeln wir rohe Informationen in wertvolle Erkenntnisse und ebnen den Weg für verbesserte agronomische Operationen und Strategien.

Gesamter angewendeter Stickstoff

Der gesamte angewendete Stickstoff (TAN) quantifiziert die kumulative Menge an Stickstoff, die auf das Feld aufgebracht wurde, dargestellt in absoluten Zahlen als kg/ha. Dieser Wert ergibt sich aus der Summe der tatsächlich während der Anbausaison aufgebrachten Stickstoffprodukte.

Um die höchste Genauigkeit in der Bewertung zu gewährleisten, wurden nur tatsächlich angewendete Daten verwendet und Ziel- und Planwerte ausgeschlossen. Ein solcher Ansatz berücksichtigt auch Stellen mit über- und unterdosiertem Stickstoff.

Um tiefer einzusteigen, haben wir jeden Quadratmeter untersucht, um den Landwirten ein detailliertes Verständnis für die pro Hektar aufgebrachten Stickstoffmengen zu bieten. Die Karte unten fasst die Informationen aus allen vier Stickstoffanwendungen zusammen und bietet einen einheitlichen Überblick über die Verteilung des während der Saison aufgebrachten Stickstoffs.

Alle präsentierten statistischen Daten sind in absoluten Zahlen angegeben, gemessen in kg/ha. Die farbkodierte Darstellung erleichtert die Interpretation: Rot kennzeichnet Bereiche mit dem geringsten aufgebrachten Stickstoff, während Grün Regionen mit dem höchsten aufgebrachten Stickstoff anzeigt.

Gesamtanwendung Stickstoff 2023

Паличкоподібний матеріал

Stickstoffaufnahme (NU) gibt die Gesamtmenge an Stickstoff an, die Pflanzen während ihrer Wachstumsperiode aufnehmen. Um NU genau zu berechnen, werden zwei kritično Komponenten berücksichtigt: (1) die Rohproteinmessung, wie sie vom John Deere GrainSensing System erfasst wird, und (2) die gesamte geerntete Ertragsmasse.

Bei Weizen wird die NU-Verteilung in absoluten Werten angegeben, gemessen in kg/ha. Eine detaillierte geografische und statistische Darstellung der NU im gesamten Feld ist im beigefügten Screenshot zu sehen.

Шпаклівка 2023
Statistische Verteilung des Stickstoffaufnahmens

Ефективність використання стиків

Die Stickstoffnutzungseffizienz (NUE) quantifiziert das Verhältnis des verbrauchten Stickstoffs zum insgesamt aufgetragenen Stickstoff, ausgedrückt in Prozent. Abgeleitet von der zuvor beschriebenen Stickstoffaufnahme (NU) und dem gesamten angewendeten Stickstoff (TAN), ist ein NUE-Wert nahe 100% ideal. Dies zeigt, dass die Pflanzen fast den gesamten aufgetragenen Stickstoff verbraucht haben, was den Ertrag optimiert.

Jedoch deuten NUE-Werte um 50% auf eine Überanwendung mit übrig gebliebenem Stickstoff im Boden hin, während Werte über 100% eine Unteranwendung anzeigen, wobei die Pflanzen Stickstoffreserven aus früheren Jahren nutzen.

Beide Szenarien sind unerwünscht: Ersteres birgt das Risiko einer Überdüngung, während letzteres den Boden erschöpft. Diese Balance wird in der Karte unten visuell dargestellt, wobei Bereiche nahe 50% NUE in Rot und solche nahe 100% in Grün gefärbt sind.

Stickstoffnutzungseffizienz 2023
Clusterisierung der Stickstoffnutzungseffizienz 2023
Verteilung der Stickstoffnutzungseffizienz 2023

Тверда шкіра

Der Stickstoffüberschuss (NS) misst die Differenz zwischen dem gesamten angewendeten Stickstoff (TAN) und der Stickstoffaufnahme (NU), die die Pflanzen während einer Saison verbrauchen, ausgedrückt in absoluten Werten als кг/га. Im Wesentlichen zeigt er die Menge an Stickstoff an, die von den Pflanzen nicht genutzt wurde.

Dies spielt eine entscheidende Rolle bei der Planung der Stickstoffanwendung für die nachfolgende Saison. Die geografische und statistische Verteilung dieses ugenutzten Stickstoffs, verteilt über das Feld, kann in der unten bereitgestellten Karte eingesehen werden.

Stickstoff-Überschuss 2023

Vergleich von Erntemasse und Rohprotein

Das Verständnis von Rohproteindaten ist wesentlich bei der Messung der Ernte, da es Einblicke in die ernährungsphysiologische Qualität und den potenziellen Marktwert der Ernte bietet. Das HarvestLab GrainSensing System wird zur Messung von Rohprotein verwendet, und ein entsprechender Screenshot, der seine Verbindung zur Ernte zeigt, ist als Referenz angehängt.

Rohprotein-Daten: Ernte 2023-08-08               
Kalibrierte Feuchtmasse-Daten: Ernte 2023-08-08

Um die Daten zu kategorisieren und zu verstehen, haben wir spezifische Schwellenwerte festgelegt: einen Proteinschwellenwert von 12,5% und einen Schwellenwert für die Nassmasse der Ernte von 7,9 t/ha. Basierend auf diesen Schwellenwerten verwenden wir die Begriffe “höher” und “niedriger”, um zu beschreiben, wie die beobachteten Daten in Bezug auf diese festgelegten Standards stehen.

Durch den Vergleich und die Gegenüberstellung dieser Kennzahlen können wir wertvolle Ideen gewinnen, um agronomische Maßnahmen für die folgenden Saisons zu verfeinern und zu verbessern.

Durch die Kombination der Kennzahlen auf einer einzigen Karte wird die Beziehung zwischen Rohprotein und Nassmasse visualisiert. Diese umfassende Darstellung identifiziert vier unterschiedliche Szenarien:

  1. Ertrag höher als 7,9 т/га з протеїном höher als 12,5%
  2. Ertrag höher als 7,9 т/га mit Protein niedriger als 12,5%
  3. Ertrag niedriger als 7,9 t/ga mit Protein höher als 12,5%
  4. Ertrag niedriger als 7,9 т/га mit Protein niedriger als 12,5%
Ertrag проти Proteinverteilung 2023

Замкове утримання

  1. Датен: Durch die nahtlose Integration mit dem John Deere Operations Center stellt GeoPard eine Echtzeit- und genaue Datenerfassung sicher, die die Grundlage für alle nachfolgenden Analysen bildet. Die Einbeziehung von tatsächlich gemessenen Daten aus dem HarvestLab GrainSensing System und den tatsächlichen Anwendungsdaten ist von entscheidender Bedeutung. Zusammen gewährleisten sie eine beispiellose Genauigkeit bei den Berechnungen.
  2. Стікстоффауфнахме (NU) und gesamter angewendeter Stickstoff (TAN): Diese beiden Kennzahlen sind für Landwirte von größter Bedeutung, die das Gleichgewicht und die Dynamik von Stickstoff in ihren Feldern verstehen möchten. Gemeinsam bieten sie ein vollständiges Bild des Stickstoffkreislaufs über eine Saison hinweg.
  3. Stickstoffnutzungseffizienz (NUE): NUE dient als Schlüsselkennzahl zur Bewertung der Gesamteffizienz der Stickstoffnutzung auf einem Feld. Indem Bereiche mit unterschiedlichen NUE-Werten identifiziert werden, können Landwirte Möglichkeiten zur Verfeinerung ihrer Stickstoffanwendungsstrategien erkennen und die gesamten agronomischen Praktiken verbessern.
  4. Твердотільний герметик (NS): NS liefert entscheidende Erkenntnisse, die die Strategien für die variable Rate Application (VRA) für die kommende Saison beeinflussen können. Durch die Berücksichtigung des nicht genutzten Stickstoffs können Landwirte informierte Entscheidungen treffen, um ihre Anwendungspläne anzupassen.

Aus der Perspektive eines Landwirts ist die Verknüpfung von präziser Datenerfassung mit aufschlussreichen Analysen ein Wendepunkt. Es geht nicht nur darum, ein Gleichgewicht bei der Stickstoffanwendung zu erreichen.

Es geht darum, Feinheiten zu verstehen, um Kulturen nachhaltig anzubauen, die bestmöglichen Erträge sicherzustellen und die Gesundheit des Bodens für zukünftige Generationen zu erhalten.

Про підприємств

ГеоПард ist ein führender Anbieter von Software für die Präzisionslandwirtschaft. Das Unternehmen wurde 2019 in Köln, Deutschland, gegründet und ist weltweit vertreten. GeoPard bietet eine Reihe von Lösungen, die Landwirten helfen, ihre Betriebsabläufe zu optimieren und die Erträge zu steigern. Mit einem Fokus auf Nachhaltigkeit und regenerative Wirtschaft strebt GeoPard an, Präzisionslandwirtschaftspraktiken weltweit zu fördern.

Zu den Partnern des Unternehmens gehören bekannte Marken wie John Deere, Corteva Agriscience, Pfeifer & Langen, IOWA Soybean Association und viele other.

ЛВА, Landmaschinen Vertrieb Altenweddingen, ist ein langjähriges mittelständisches Unternehmen mit Niederlassungen in Sachsen-Anhalt, Brandenburg und Niedersachsen. Der Schwerpunkt liegt auf Verkauf, Export, Vermietung, Händlerwerkstatt- und Ersatzteilservice für Landmaschinen sowie agronomischen Dienstleistungen. Seit über 30 Jahren gehört LVA zu den erfolgreichsten John Deere-Händlern in Europa.

Die agronomische Abteilung von LVA bietet Dienstleistungen wie Beratung im Bereich Präzisionslandwirtschaft, Bodenscannen und Datenanalyse sowie ein RTK-Netzwerk für GPS-Korrekturen an.

Heute arbeiten 100 Mitarbeiter am Standort Altenweddingen und weitere 220 Kollegen an den anderen Standorten in Niedersachsen, Brandenburg und Sachsen-Anhalt. Darunter befinden sich etwa 40 Auszubildende.

Ефективність використання азоту. Приклад використання від LVA - дилера John Deere з Німеччини

Опубліковано на від dementievgeopard

У динамічному світі сучасного сільського господарства фермери стикаються з численними викликами, включаючи наслідки зміни клімату, зростання цін на добрива та нагальну потребу в екологічно стійких методах. Центральним серед цих викликів є управління азотом, критично важливою поживною речовиною, неправильне управління якою може призвести до значних екологічних наслідків.

Однак, серед цих складнощів, два показники з'являються як рішення та змінюють правила гри: ефективність використання азоту (NUE) та поглинання азоту (NU). NUE та NU пропонують нову парадигму в сільськогосподарській практиці, перетворюючи виклики на можливості для сталого та ефективного сільського господарства.

John Deere, провідний виробник сільськогосподарської техніки, відіграє ключову роль у вирішенні цих проблем. Завдяки своїй системі HarvestLab GrainSensing вони надають важливі дані про сирий протеїн, що дозволяє отримати більш детальне розуміння динаміки азоту в сільськогосподарських культурах. Крім того, John Deere підтримує інтеграцію сучасних технологій для підвищення сталості сільського господарства.

У цьому прагненні дилерські центри John Deere, такі як LVA, виступають ключовими союзниками. LVA, інноваційний дилерський центр John Deere в Німеччині, тісно співпрацює з фермерами для впровадження нових технологій та передових агрономічних стратегій. Їхня роль відіграє важливу роль у допомозі фермерам орієнтуватися в складнощах сучасного сільського господарства, гарантуючи, що вони максимально використовують доступні технології для оптимізації своїх практик.

На родючому ґрунті Магдебурзького Берде лежить історія Baumgärtel GbR, сімейної ферми з 30-річною сільськогосподарською історією, де пшениця є однією з основних культур. На цій фермі точне управління азотом виходить за рамки оптимізації врожайності: це прагнення до сталого сільського господарства в умовах глобальних екологічних проблем.

GeoPard, як провідний постачальник програмного забезпечення для точного землеробства, виступає сполучною ланкою, що поєднує ці стовпи – John Deere, LVA та фермерів, таких як Baumgärtel GbR. GeoPard спрощує управління даними та автоматизує аналітичні процеси, перетворюючи дані на практичні висновки. У цьому випадку їхня зосередженість на ефективності використання азоту пропонує призму, через яку фермери можуть бачити та вдосконалювати свої методи, забезпечуючи сталий розвиток та ефективність у кожному аспекті своєї діяльності.

Управління азотом на фермі Baumgärtel

Родина Баумґертель під керівництвом Фрідріха Баумґертеля використовує потенціал сільського господарства, заснованого на даних, для вдосконалення своїх стратегій удобрення та впровадження нових методів, і все це з метою покращення своїх агрономічних практик.

Центральним елементом їхньої стратегії є управління азотом. 2023 рік приніс вологу весну та сухе раннє літо в Магдебурзькому борде, що призвело до середньої врожайності. Щоб впоратися з цими умовами, Баумґертелі використовували методи, специфічні для конкретної ділянки, для точного коригування внесення азоту.

Крім того, вони використовували систему HarvestLab GrainSensing для вимірювання сирого протеїну в зібраному зерні. Згодом за допомогою GeoPard було оцінено споживання азоту культурою, що дозволило розрахувати ефективність використання азоту (NUE) з високою точністю.

Для Баумґертелів показник NUE став важливим показником. Він визначає області, які потребують коригування стратегій внесення азоту. У зонах, де NUE падає нижче 80%, вони планують зменшити внесення азоту в наступному сезоні. Натомість, області, де NUE перевищує 100%, потребують поглибленого аналізу, і, на їхню думку, це завдання вимагатиме кількох сезонів ретельного спостереження та навчання.

Співпраця між LVA та GeoPard Agriculture

У 2022 році було укладено стратегічний альянс між GeoPard та підприємством LVA Altenweddingen, що виробляє сільськогосподарську техніку, інноваційним дилерським центром John Deere в Німеччині. Ця співпраця виникла завдяки спільному баченню використання великих даних John Deere для отримання практичних знань про польові результати.

Відтоді партнерство розширилося, зосередившись на інноваційних способах покращення сільськогосподарської практики за допомогою рішень на основі даних. У наступних розділах ми розглянемо, як фермери максимально ефективно використовують азот.

Майкл Екхардт, керівник відділу точного землеробства ЛВА, зазначив: “Синергія між GeoPard та LVA — це більше, ніж просто ділове партнерство; це прагнення революціонізувати прикладні агрономічні практики за допомогою рішень на основі даних».

Ця співпраця спрямована на надання фермерам розширених агрономічних знань. LVA, завдяки своїм розширеним агрономічним послугам, використовує потужні можливості обладнання John Deere, такого як система HarvestLab GrainSensor, для збору важливих даних.

З іншого боку, аналітичний механізм GeoPard обробляє ці дані, надаючи практичну інформацію. Разом це партнерство утворює альянс, зосереджений на покращенні практики фермерів (наприклад, у сфері управління азотом) шляхом поєднання найкращого зі світу техніки та програмного забезпечення.’

Збір та підготовка даних

В основі цієї сільськогосподарської еволюції, що базується на даних, лежить безперебійна інтеграція між GeoPard та операційним центром John Deere. Ця співпраця ілюструє ключову роль John Deere у наданні доступу до даних через їхній API, що значно збагачує потік даних, отриманих із сільськогосподарських полів.

Інтеграція гарантує, що щойно операції документуються в операційному центрі John Deere, GeoPard швидко їх збирає. Цей процес негайного отримання даних охоплює збирання врожаю (з такими деталями, як дані про сирий протеїн та витрату палива) та такі застосування, як обприскування, удобрення, посів та обробіток ґрунту.

Таке оптимізоване з’єднання не є ексклюзивним для John Deere; основним принципом платформи GeoPard є її сумісність з різними постачальниками даних про техніку, що спрощує з’єднання через API.

Завдяки безперешкодному надходженню даних до системи GeoPard, виробники отримують аналітичні дані майже в режимі реального часу. Така оперативна передача даних є основою для запуску автоматизованих аналітичних комплексів, таких як аналіз ефективності використання азоту, що гарантує, що виробники матимуть своєчасну та практичну інформацію під рукою.

Поле

У 2023 році компанія Baumgärtel GbR зіткнулася із завданням оптимізації росту в полі. Для досягнення цієї мети азот вносили чотири рази, починаючи з SSA у лютому, а потім тричі навесні вносили AHL. Ці внесення в полі були точно налаштовані за допомогою методу, специфічного для кожної ділянки. Крім того, система HarvestLab GrainSensing відіграла вирішальну роль у виявленні розподілу сирого протеїну в зібраному зерні.

Збір врожаю

Дослідіть тонкощі останнього збору врожаю від 08.08.2023 за допомогою наступних скріншотів. Цей важливий набір даних, безперешкодно отриманий з операційного центру John Deere за допомогою GeoPard автоматизованим способом, демонструє тонкий баланс між шарами даних про сирий протеїн та вологу масу, отриманими під час збору врожаю.

Дані щодо сирого протеїну: Збір урожаю 2023-08-08
Дані про вологу масу: Збір врожаю 2023-08-08

Хоча дані про врожай можуть інколи демонструвати коливання, впровадження Калібрування врожайності значно підвищує аналітичну точність. Це забезпечує надійну аналітичну інформацію, навіть за умови виняткових значень, таких як 19 т/га для пшениці. Калібрована маса вологи зображена нижче.

Калібровані дані про вологу масу: Збір врожаю 2023-08-08

Удобрення за допомогою внесених азотних продуктів

Протягом сезону 2023 року посіви пшениці оброблялися ретельно спланованим режимом внесення азоту, що включав чотири різні обробки. Це включало внесення продуктів SSA 23.02.2023, а потім три весняних внесення азоту AHL 18.03.2023, 06.04.2023 та 13.05.2023. Точна кількість, внесена під час кожної обробки, задокументована на наданих скріншотах.

Застосування азоту: 2023-02-23 SSA
Внесення азоту: 2023-03-18 AHL
Внесення азоту: 2023-04-06 AHL
Внесення азоту: 13 травня 2023 р. AHL

GeoPard відіграв вирішальну роль у цьому процесі, безперешкодно отримуючи ці набори даних з операційного центру John Deere. Таке ефективне отримання даних заклало основу для комплексного аналізу ефективності використання азоту (NUE) та поглинання азоту (NU). Заглиблюючись у ці дані, ми перетворюємо необроблену інформацію на цінні висновки, прокладаючи шлях для вдосконалення агрономічних операцій та стратегій.

Загальна кількість застосованого азоту

Загальний внесений азот (ЗВАЗ) кількісно визначає кумулятивну кількість азоту, внесеного на поле, представлену в абсолютних числах у кг/га. Цей показник виводиться із суми фактично внесених азотних продуктів протягом вегетаційного періоду.

Для забезпечення найвищої точності оцінки використовувалися лише фактично внесені дані, за винятком цільових та запланованих показників. Такий підхід також враховує ділянки з надмірним та недостатнім внесенням азоту.

Заглиблюючись глибше, ми дослідили кожен квадратний метр, щоб надати виробникам детальне розуміння кількості азоту, що вноситься на гектар. Наведена нижче карта об'єднує інформацію з усіх чотирьох застосувань азоту, пропонуючи єдине уявлення про розподіл внесеного азоту протягом сезону.

Усі статистичні дані представлені в абсолютних значеннях і вимірюються в кг/га. Кольорове кодування полегшує інтерпретацію: червоний колір позначає ділянки з найменшим внесенням азоту, а зелений — регіони з найбільшим.

Загальний обсяг внесеного азоту у 2023 році

Поглинання азоту

Поглинання азоту (НАЗ) відображає загальну кількість азоту, спожитого рослинами протягом періоду росту. Для точного розрахунку НАЗ враховуються два критичні компоненти: (1) вимірювання сирого протеїну, яке фіксується системою HarvestLab GrainSensing, та (2) загальна маса зібраного врожаю.

Для пшениці розподіл НУ представлено в абсолютному вираженні, виміряному в кг/га. Детальне геопросторове та статистичне представлення НУ по полю можна побачити на супровідному скріншоті.

Поглинання азоту 2023
Статистичний розподіл поглинання азоту 2023
Статистичний розподіл поглинання азоту 2023

Ефективність використання азоту

Ефективність використання азоту (НВЗ) кількісно визначає співвідношення спожитого азоту до загальної кількості внесеного азоту, виражене у відсотках. Виведена з раніше описаних показників поглинання азоту (НУ) та загальної кількості внесеного азоту (ЗВН), ідеальним значенням НВЗ є близьке до 100%, що вказує на те, що рослини спожили майже весь внесений азот, оптимізуючи врожайність.

Однак значення NUE близько 50% свідчать про надмірне внесення добрив із залишковим азотом у ґрунті, тоді як значення, що перевищують 100%, вказують на недостатнє внесення, коли рослини використовують запаси азоту попередніх років.

Обидва сценарії є небажаними: перший ризикує надмірним удобренням, тоді як другий виснажує ґрунт. Цей баланс візуально представлений на карті нижче, де ділянки поблизу 50% NUE позначені червоним кольором, а ті, що наближаються до 100%, – зеленим.

Ефективність використання азоту 2023
Кластеризація ефективності використання азоту 2023
Кластеризація ефективності використання азоту 2023
Розподіл ефективності використання азоту 2023
Розподіл ефективності використання азоту 2023

Надлишок азоту

Надлишок азоту (НЗ) вимірює різницю між загальною кількістю внесеного азоту (ЗВН) та поглинанням азоту (НЗ), яке рослини споживають протягом сезону, виражену в абсолютному вираженні в кг/га. По суті, він показує кількість азоту, що залишився невикористаним рослинами, що відіграє ключову роль у плануванні внесення азоту на наступний сезон.

Геопросторовий та статистичний розподіл цього невикористаного азоту, розкиданого по полю, можна побачити на карті нижче.

Надлишок азоту 2023

Порівняння YieldMass та CrudeProtein

Розуміння даних про сирий протеїн є важливим для вимірювання врожайності, оскільки це дає уявлення про харчову якість та потенційну ринкову вартість культури. Для вимірювання сирого протеїну використовується система HarvestLab GrainSensing, а відповідний знімок екрана, що показує її зв'язок з врожайністю, додається для довідки.

Дані щодо сирого протеїну: Збір урожаю 2023-08-08
Калібровані дані про вологу масу: Збір врожаю 2023-08-08

Щоб класифікувати та зрозуміти дані, ми встановили конкретні порогові значення: поріг білка на рівні 12,51 т/га та поріг врожайності вологої маси на рівні 7,9 т/га. Виходячи з цих порогових значень, ми використовуємо терміни “вищий” та “нижчий”, щоб окреслити, як спостережувані дані пов’язані з цими встановленими стандартами. Порівнюючи та зіставляючи ці показники, ми можемо отримати безцінні ідеї для вдосконалення та покращення агрономічних операцій у наступних сезонах.

Об'єднавши показники на одній карті, візуалізується взаємозв'язок між CrudeProtein та WetMass. Це комплексне представлення визначає чотири різні сценарії:

  1. Вища врожайність 7,9 т/га з вищим вмістом білка 12,51 тФ3Т
  2. Вища врожайність 7,9 т/га з нижчим вмістом білка 12,51 тФ3Т
  3. Нижча врожайність 7,9 т/га з вищим вмістом білка 12,51 тФ3Т
  4. Нижча врожайність 7,9 т/га з нижчим вмістом білка 12,51 тФ3Т
Розподіл врожайності та білка у 2023 році

Висновок

1. Дані: Завдяки безперешкодній інтеграції з операційним центром John Deere, GeoPard забезпечує точний збір даних у режимі реального часу, що формує основу для всієї подальшої аналітики. Інтеграція фактичних виміряних даних із системи HarvestLab GrainSensing та фактичних внесених даних є життєво важливою. Разом вони забезпечують неперевершену точність розрахунків.
2. Поглинання азоту (NU) та загальна кількість внесеного азоту (TAN)Ці два показники є надзвичайно важливими для сільськогосподарських виробників, які прагнуть зрозуміти баланс і динаміку азоту на своїх полях. Разом вони дають повну картину життєвого циклу азоту протягом сезону.
3. Ефективність використання азоту (ЕВАЗ): Ефективність використання азоту (ЕЕ) слугує ключовим показником для оцінки загальної ефективності використання азоту в полі. Визначаючи ділянки з різними значеннями ЕЕ, сільськогосподарські виробники можуть визначити можливості для вдосконалення своїх стратегій внесення азоту та покращення загальних агрономічних практик.
4. Надлишок азоту (НН): NS надає важливу інформацію, яка може вплинути на стратегії внесення змінної норми (VRA) на наступний сезон. Вирішуючи проблему невикористаного азоту, фермери можуть приймати обґрунтовані рішення щодо коригування своїх планів внесення.

З точки зору фермера, поєднання точного збору даних з глибокою аналітикою є революційним рішенням. Йдеться не лише про досягнення балансу у внесенні азоту. Йдеться про розуміння тонкощів сталого вирощування сільськогосподарських культур, забезпечення найкращих можливих врожаїв та збереження здоров'я землі для майбутніх сезонів.

Про компанії

ГеоПард є провідним постачальником програмного забезпечення для точного землеробства. Компанія була заснована у 2019 році в Кельні, Німеччина, і представлена в усьому світі. Компанія пропонує низку рішень, які допомагають фермерам оптимізувати свою діяльність та підвищувати врожайність. Зосереджуючись на сталому розвитку та регенеративній економіці, GeoPard прагне просувати практики точного землеробства по всьому світу.

Серед партнерів компанії такі відомі бренди, як John Deere, Corteva Agriscience, Pfeifer & Langen, Асоціація виробників сої штату Айова та багато інших.

ЛВА, підприємство з виробництва сільськогосподарської техніки Altenweddingen, – це довгострокова компанія середнього розміру з філіями в Саксонії-Ангальт, Бранденбурзі та Нижній Саксонії. Основна увага приділяється продажу, експорту, оренді, дилерським сервісним центрам та постачанню запасних частин для сільськогосподарської техніки, а також агрономічним послугам. LVA є одним з найуспішніших дилерів John Deere в Європі вже понад 30 років.

Агрономічний відділ LVA надає такі послуги, як консалтинг з точного землеробства, сканування ґрунту та аналіз даних, мережа RTK для корекції GPS.

Сьогодні на підприємстві в Альтенведдінгені працює 100 співробітників, а ще 220 колег — в інших місцях у Нижній Саксонії, Бранденбурзі та Саксонії-Ангальт. Серед них близько 40 стажерів.

Представляємо карти прибутковості GeoPard: крок вперед у точному землеробстві

Опубліковано на від dementievgeopard

Карта прибутку з прикладу на скріншоті враховує дані внесення добрив, посіву, двох обробок засобами захисту рослин та збору врожаю. До розрахунку можна додати інші витрати, такі як підготовка ґрунту, різноманітні роботи тощо.

Точне землеробство – це підхід, керований даними, який прагне підвищити ефективність і прибутковість. GeoPard, провідний постачальник рішень для точного землеробства, розширює свої можливості аналізу даних, впроваджуючи Profit Maps.

Ця функція надає візуальне представлення прибутковості на рівні підполів, що дозволяє приймати більш обґрунтовані рішення та розподіляти ресурси. Ви зможете швидко побачити, де ваші поля приносять вам гроші, а де витрати на ресурси та зміни не виправдовуються.

Карти прибутковості генеруються шляхом інтеграції різних шарів даних, включаючи дані про внесення посівів, застосування засобів захисту рослин, використання добрив та збору врожаю. Ця інформація надходить безпосередньо з сільськогосподарської техніки та John Deere Operations Center.

Потім GeoPard застосовує власне рівняння, враховуючи вартість кожного вхідного ресурсу, для розрахунку прибутковості на рівні зон. Ці карти прибутку забезпечують комплексний огляд розподілу прибутку по різних зонах поля.

Однією з ключових особливостей GeoPard's Profit Maps є можливість відображати розподіл прибутку в різних зонах поля. Це розраховується в доларах/євро/будь-якій валюті і дає чітке уявлення про те, скільки прибутку отримує фермер у кожному конкретному регіоні.

Маючи цю інформацію під рукою, фермери можуть приймати більш обґрунтовані рішення щодо того, де і як використовувати свої сільськогосподарські ресурси.

Наприклад, вони можуть вирішити інвестувати більше в території з вищою прибутковістю або переглянути свої стратегії в зонах з нижчою віддачею. Саме такий рівень деталізації в аналізі даних відрізняє GeoPard’s Profit Maps.

Володимир Клінков, керуючий директор GeoPard, наголошує на трансформаційному потенціалі цього інструменту, зазначаючи: “Ці карти дозволяють фермерам приймати більш обґрунтовані рішення щодо розподілу ресурсів та витрат на кожен гектар поля та ефективніше планувати свій бізнес”.”

Практичне застосування Карт прибутку вже демонструється в реальних сценаріях. Eurasia Group Kazakhstan, офіційний дилер John Deere, використовує цю функцію для оптимізації своєї діяльності.

Євгеній Чесноков, директор Департаменту сільського господарства Eurasia Group Kazakhstan LLP, ділиться своїм досвідом: “За допомогою Profit Map від GeoPard Agriculture ми змогли глибше зрозуміти прибутковість полів наших партнерів’.

Це дозволило нашим фермерам приймати більш стратегічні рішення щодо розподілу ресурсів, що в кінцевому підсумку підвищило операційну ефективність і покращило кінцеві показники.”

Карти прибутковості GeoPard є значним кроком вперед у точному землеробстві, надаючи фермерам інформацію, необхідну для оптимізації їхньої діяльності та максимізації прибутку. Оскільки галузь продовжує розвиватися, такі інструменти відіграватимуть дедалі важливішу роль у формуванні майбутнього сільського господарства.

Щоб отримати більше відомостей про розробку та застосування карт прибутковості в точному землеробстві, ви можете ознайомитись з цими ресурсами: Канзаський державний університет, АСПЕКСІТ, Чилійський аграрний науковий журнал, Міністерство сільського господарства США, і ResearchGate.

Слідкуйте за новинами, адже GeoPard продовжує впроваджувати інновації та розширювати межі можливого в точному землеробстві.

Про компанії:

ГеоПард є провідним постачальником програмного забезпечення для точного землеробства. Компанія була заснована у 2019 році в Кельні, Німеччина, і представлена ​​на міжнародному рівні. Компанія пропонує низку рішень, які допомагають фермерам оптимізувати свою діяльність та збільшити врожайність.

Зосередившись на сталості та регенеративній економіці, GeoPard прагне просувати практики точного землеробства в усьому світі.

Серед партнерів компанії відомі бренди, такі як John Deere, Corteva Agriscience, ICL, Pfeifer & Langen, IOWA Soybean Association, Kernel, MHP, SureGrowth та багато інших.

Євразія Груп Казахстан Казахстанське представництво швейцарської компанії Eurasia Group AG є офіційним дилером John Deere в Республіці Казахстан та Киргизстані з 2002 року. Компанія поставляє рішення для сільського господарства від провідних світових виробників, таких як JCB, Väderstad, GRIMME та Lindsay, охоплюючи всі сфери рослинництва та садівництва.

Eurasia Group Kazakhstan приділяє велику увагу протягом усієї своєї діяльності технологіям точного землеробства, доповнюючи лінійку техніки продуктами цифровізації сільського господарства.

Eurasia Group Kazakhstan має розгалужену регіональну мережу – 14 регіональних відділень у Казахстані та одне в Киргизстані, понад 550 співробітників, з яких майже половина – це спеціалісти післяпродажного обслуговування, власний департамент агроменеджменту та цифровізації.

За роки постачання в Казахстан було відправлено понад 13 000 одиниць техніки, а оцифровано 4,4 мільйона гектарів землі. Цього року компанія відзначає 25-річчя.

Карти потенціалу поля GeoPard проти даних урожайності

Опубліковано на від dementievgeopard

Карти потенціалу польових ресурсів GeoPard дуже часто виглядають точно як врожайність дані.

Ми створюємо їх за допомогою багатошаровий аналіз історичної інформації, топографії та аналізу оголеного ґрунту.

Процес такого синтетичні карти врожайності автоматизовані (і запатентовано), і будь-якій галузі світу потрібно близько 1 хвилини, щоб його згенерувати.

 

Карти потенціалу поля GeoPard проти даних урожайності

Може бути використаний як основа для:

Що таке карти потенціалу поля?

Карти потенціалу поля, також відомі як карти потенціалу врожайності або карти потенціалу продуктивності, є візуальним представленням просторової мінливості потенційної врожайності сільськогосподарських культур або продуктивності в межах поля. Ці карти створюються шляхом аналізу різних факторів, що впливають на ріст сільськогосподарських культур, таких як властивості ґрунту, топографія та дані про врожайність за минулі періоди.

Ці карти можна використовувати в точному землеробстві для прийняття управлінських рішень, таких як внесення добрив зі змінною нормою, зрошення та інші засоби, а також для визначення ділянок, які потребують особливої уваги або управлінських практик.

Деякі ключові фактори, які зазвичай враховуються під час створення карт потенціалу польових ресурсів, включають:

  1. Властивості ґрунту: Такі характеристики ґрунту, як текстура, структура, вміст органічних речовин та доступність поживних речовин, відіграють значну роль у визначенні потенціалу врожайності сільськогосподарських культур. Картографуючи властивості ґрунту по всьому полю, фермери можуть визначити області з високим або низьким потенціалом продуктивності.
  2. ТопографіяТакі фактори, як висота, нахил та експозиція, можуть впливати на ріст культур та потенціал врожайності. Наприклад, низинні ділянки можуть бути схильні до заболочення або мати вищий ризик заморозків, тоді як круті схили можуть бути більш схильні до ерозії. Картографування цих топографічних особливостей може допомогти фермерам зрозуміти, як вони впливають на потенціал продуктивності, та відповідно скоригувати свої методи управління.
  3. Історичні дані про врожайність: Аналізуючи історичні дані про врожайність за попередні роки або сезони, фермери можуть виявити тенденції та закономірності продуктивності на своїх полях. Цю інформацію можна використовувати для створення карт, які виділяють області зі стабільно високим або низьким потенціалом врожайності.
  4. Дані дистанційного зондування: Супутникові знімки, аерофотозйомка та інші дані дистанційного зондування можуть бути використані для оцінки стану, енергії та стадії росту сільськогосподарських культур. Цю інформацію можна використовувати для створення карт, що відображають просторову мінливість потенціалу продуктивності сільськогосподарських культур.
  5. Кліматичні дані: Такі кліматичні змінні, як температура, опади та сонячна радіація, також можуть впливати на ріст сільськогосподарських культур та потенціал врожайності. Включаючи кліматичні дані до цих карт, фермери можуть краще зрозуміти, як фактори навколишнього середовища впливають на потенціал продуктивності на їхніх полях.

Вони є цінними інструментами в точному землеробстві, оскільки допомагають фермерам візуалізувати просторову мінливість потенціалу продуктивності на своїх полях. Використовуючи ці карти для прийняття управлінських рішень, фермери можуть оптимізувати використання ресурсів, підвищити загальну врожайність сільськогосподарських культур та зменшити вплив своєї сільськогосподарської діяльності на навколишнє середовище.

Різниця між картами потенціалу поля та даними врожайності

Карти потенціалу полів та дані про врожайність використовуються в точному землеробстві, щоб допомогти фермерам зрозуміти просторову мінливість на своїх полях та приймати більш обґрунтовані управлінські рішення. Однак між ними є деякі ключові відмінності:

Джерела даних:

Ці карти створюються шляхом інтеграції даних з різних джерел, таких як властивості ґрунту, топографія, історичні дані про врожайність, дані дистанційного зондування та кліматичні дані. Однак ці дані збираються за допомогою моніторів врожайності, встановлених на збиральній техніці, які фіксують урожайність культур під час її збирання.

Тимчасовий аспект:

Ці карти представляють оцінку потенційної продуктивності поля, яка зазвичай є статичною або повільно змінюється з часом, за винятком значних змін властивостей ґрунту чи інших факторів впливу. Однак дані про врожайність є специфічними для конкретного вегетаційного періоду або кількох сезонів і можуть суттєво відрізнятися з року в рік залежно від таких факторів, як погодні умови, тиск шкідників та методи управління.

Підсумовуючи, карти потенціалу полів та дані про врожайність є взаємодоповнюючими інструментами в точному землеробстві. Ці карти надають оцінку потенційної продуктивності поля, допомагаючи фермерам визначати ділянки, які можуть потребувати різних методів управління. Дані про врожайність, з іншого боку, документують фактичний обсяг виробництва сільськогосподарських культур і можуть бути використані для оцінки ефективності методів управління та прийняття рішень у майбутньому.

Щоб порівняти зони потенціалу поля з урожаєм, який вони зібрали, відкрийте Автоматизований звіт про врожайність: він розміщує врожайність поруч із картою зон, показує кожну зону порівняно зі середнім показником по полю та встановлює ціни на кожен крок ставки.

Автоматизований огляд посівів з перетином шарів даних

Опубліковано на від dementievgeopard

У GeoPard ми маємо модуль для Автоматично створювати зони розвідки даних про врожай використання гнучкої конфігурації бізнес- та агрономічної логіки.

Це дозволяє контролювати величезну кількість полів і здійснювати розвідку тільки в екстрених випадках.

Бізнес/агрономічна логіка може бути гнучкою. У цьому прикладі - завдання створюються на ділянках, де на останніх супутникових знімках ми бачимо зони з високим історичним потенціалом поля та низьким рівнем рослинності.

Приклад іншого варіанту використання: Зона низької врожайності (з файлу врожайності) перетинається з зонами низького рН - для регулювання рівня родючості вапна.

 

Автоматизовані дані про посіви Розвідка зон з перетином шарів даних
Зони високої історичної продуктивності полів перетинаються з останнім знімком планети Зони з низькою рослинністю -> Завдання скаутингу створюються автоматично в GeoPard

Для компаній, що займаються торгівлею сільськогосподарськими культурами та моделюванням даних, перетин між історично найстабільнішими та високоврожайними зонами може бути гарним індикатором для екстраполяції прогнозів врожайності.

Якщо ви фермер, агроном або фахівець з точного землеробства, ви знаєте, наскільки важливим є скаутинг даних про посіви. Він необхідний для моніторингу здоров'я ваших посівів та виявлення будь-яких потенційних проблем до того, як вони стануть серйозною проблемою.

Однак традиційний скаутинг посівів може бути трудомістким і забирати багато часу. Саме тут на допомогу приходять автоматизовані завдання скаутингу.

GeoPard - це революційне автоматизоване програмне забезпечення для точного землеробства, яке використовує передові алгоритми та супутникові знімки для автоматичного моніторингу ваших посівів. За допомогою GeoPard ви можете легко налаштувати автоматизовані завдання з розвідки, які сповістять вас про будь-які потенційні проблеми, такі як шкідники, хвороби або нестача поживних речовин.

Однією з ключових переваг використання автоматизованих завдань скаутингу є можливість швидкого і точного виявлення проблем у ваших посівах. GeoPard використовує передові алгоритми для аналізу супутникових знімків ваших полів, виявляючи навіть найменші зміни в посівах.

Це означає, що ви можете швидко виявити будь-які потенційні проблеми і вжити заходів для їх вирішення до того, як вони стануть більш серйозними.

Ще однією перевагою автоматизованого скаутингу є можливість регулярного моніторингу ваших посівів. При традиційному скаутингу може бути складно регулярно відвідувати поля і перевіряти наявність потенційних проблем.

Але з GeoPard ви можете налаштувати автоматизовані завдання, які будуть стежити за вашими культурами щодня або щотижня, надаючи вам більш повне уявлення про їх стан.

Завдання автоматизованого скаутингу GeoPard також налаштовуються, що дозволяє пристосувати їх до ваших конкретних потреб. Ви можете налаштувати завдання для моніторингу певних проблем, таких як шкідники або хвороби, або налаштувати завдання для моніторингу певних ділянок вашого поля. Це означає, що ви можете отримувати інформацію, необхідну для прийняття обґрунтованих рішень щодо ваших посівів.

На додаток до автоматизованих завдань скаутингу, GeoPard також пропонує ряд інших функцій, які допоможуть вам керувати операціями точного землеробства. Ви можете використовувати GeoPard для планування посадки та внесення добрив, моніторингу рівня вологості ґрунту та відстеження врожайності.

Загалом, автоматизовані завдання скаутингу GeoPard є потужним інструментом для фермерів, агрономів та спеціалістів з точного землеробства. За допомогою GeoPard ви можете швидко і легко контролювати свої посіви та виявляти потенційні проблеми, що допоможе вам приймати кращі рішення щодо ваших операцій.

Що таке рослинницький скаутинг?

Скаутинг посівів - це практика в сільському господарстві, яка передбачає систематичний огляд і моніторинг посівів для оцінки їхнього здоров'я, росту та потенційних проблем. Зазвичай це фізична прогулянка полями або використання технологій, таких як дрони чи датчики, для збору даних.

Агрономи спостерігають і збирають інформацію про такі фактори, як зараження шкідниками, спалахи хвороб, дефіцит поживних речовин і тиск бур'янів.

Ці дані допомагають фермерам приймати обґрунтовані рішення щодо управління посівами, такі як проведення цільових обробок, коригування внесення добрив або впровадження стратегій боротьби зі шкідниками. Вони відіграють вирішальну роль у максимізації врожайності та забезпеченні загального здоров'я посівів.

Що таке автоматизований пошук даних про врожай?

Автоматизований скаутинг посівів - це застосування передових технологій, включаючи робототехніку, безпілотні літальні апарати (БПЛА), різноманітні датчики та штучний інтелект (ШІ), для спостереження та оцінки стану і розвитку посівів у сільськогосподарському середовищі.

Мета - підвищити ефективність, знизити витрати та оптимізувати управління посівами шляхом автоматизації завдань, які традиційно виконувала людина-розвідник врожаю.

Процес автоматизованого пошуку даних про врожай включає в себе кілька етапів, таких як:

  • Збираю дані: БПЛА або наземні роботи, оснащені різноманітними датчиками (наприклад, камерами, мультиспектральними сенсорами, LIDAR), збирають інформацію про стан посівів, включаючи стан здоров'я рослин, наявність шкідників та хвороб, властивості ґрунту та концентрацію поживних речовин.
  • Аналіз даних: Зібрані дані згодом обробляються та досліджуються за допомогою алгоритмів штучного інтелекту та машинного навчання для виявлення закономірностей, порушень та тенденцій, пов'язаних зі здоров'ям та розвитком рослин.
  • Приймати рішення: Результати аналізу даних можуть бути використані для прийняття обґрунтованих рішень щодо управління сільськогосподарськими культурами, включаючи оптимізацію поливу, внесення добрив, боротьбу зі шкідниками та інші заходи.
  • Дію: Фермери можуть впроваджувати цілеспрямовані заходи на основі знань, отриманих від автоматизованого моніторингу посівів, для вирішення конкретних проблем у полі, наприклад, застосовувати пестициди або поживні речовини виключно там, де це необхідно, мінімізуючи відходи та вплив на навколишнє середовище.

Надаючи фермерам точні дані в режимі реального часу, вона може значно підвищити продуктивність і стійкість сільського господарства, дозволяючи приймати кращі рішення і впроваджувати більш точні методи управління.

Як визначити скаутську зону?

Визначення зон розвідки даних про врожай передбачає поділ фермерського поля на менші, керовані ділянки на основі таких аспектів, як склад ґрунту, рельєф місцевості, попередні результати врожаю або інші відповідні фактори.

Мета полягає у створенні однорідних зон зі схожими умовами, що дозволить проводити більш цілеспрямований пошук, спостереження та управлінські практики. Ось покроковий метод для визначення зони розвідки посівів:

  • Збирати історичну інформацію: Зберіть дані про врожайність попередніх культур, результати аналізу ґрунту, появу шкідників і хвороб, а також будь-яку іншу важливу інформацію про поле. Ці дані можуть допомогти розпізнати ділянки зі схожими умовами або продуктивністю.
  • Вивчіть склад ґрунту та рельєф місцевості: Вивчіть типи ґрунтів і рельєф вашого поля, щоб зрозуміти природні варіації. Різний склад ґрунту та рівень рельєфу можуть впливати на ріст культур, поглинання поживних речовин та доступність води, що, в свою чергу, впливає на здоров'я рослин.
  • Використовуйте технологію дистанційного зондування: Використовуйте супутникові знімки або знімки з дронів, щоб отримати додаткову інформацію про стан поля, наприклад, індекси рослинності, рівень вологості ґрунту та температурні коливання. Ця інформація може допомогти точно визначити зони розвідки, надаючи більш повне уявлення про поле.
  • Впроваджуйте технології точного землеробства: Використовуйте програмне забезпечення для точного землеробства для обробки та аналізу зібраних даних. Ці інструменти можуть допомогти виявити закономірності та визначити зони розвідки на основі даних, враховуючи такі фактори, як здоров'я культур, мінливість ґрунту та рельєф місцевості.
  • Створіть скаутські зони: На основі аналізу даних сегментуйте поле на менші, однорідні ділянки, які мають схожі характеристики. Ці ділянки повинні бути керованими за розміром і адаптованими до конкретних вимог вашої діяльності.
  • Регулярно оновлюйте та коригуйте: Коли обставини змінюються і з'являються нові дані, переоцініть і змініть зони розвідки, щоб вони залишалися актуальними і точними. Це може включати оновлення площ на основі нових даних про врожайність, появу шкідників і хвороб або інших факторів, що впливають на продуктивність культури.

Таким чином, визначивши та створивши зону скаутингу посівів, фермери можуть сконцентрувати свої зусилля з моніторингу більш ефективно та застосовувати цілеспрямовані методи управління, що призведе до кращого використання ресурсів та покращення здоров'я посівів.

wpChatIcon
wpChatIcon

    Замовити безкоштовну демонстрацію / консультацію GeoPard








    Натискаючи кнопку, ви погоджуєтесь з нашими Політика конфіденційності. Нам це потрібно, щоб відповісти на ваш запит.

      Підписатися


      Натискаючи кнопку, ви погоджуєтесь з нашими Політика конфіденційності

        Надішліть нам інформацію


        Натискаючи кнопку, ви погоджуєтесь з нашими Політика конфіденційності

        Ми використовуємо файли cookie, щоб надати вам найкращий досвід перегляду, персоналізувати контент нашого сайту, аналізувати його трафік та показувати вам релевантну рекламу.
        Дивіться на політика конфіденційності Для отримання додаткової інформації.

        Прийняти все