ШІ-агрономія
Ключова конкурентна перевага аграрних компаній на наступне десятиліття залежатиме від здатності трансформувати дані в ефективні управлінські рішення.
Штучний інтелект у сучасному сільському господарстві перестав бути технологією майбутнього. Він уже інтегрований в операційне управління — від супутникового спостереження та прогнозування врожайності до цифрових моделей полів та автоматизованих систем підтримки прийняття рішень. ШІ не замінює агронома, а розширює його можливості.
Олександр Мустіпан
Сфера відповідальності
Сучасне поле генерує величезні обсяги інформації: супутникові індекси, метеорологічні дані, інформація від техніки, результати агрохімічного аналізу, польові спостереження. Людина фізично не здатна обробити цей обсяг у реальному часі. Натомість ШІ може взяти на себе рутинний аналіз: зіставлення даних, виявлення відхилень, підготовку звітів, попередні рекомендації, аналіз фото, історії поля, погодних умов, NDVI та виконаних робіт. Однак остаточне рішення, особливо у складних або нестандартних ситуаціях, має залишатися за агрономом. Адже агрономія — це не лише робота з даними. Вона ґрунтується на практичному досвіді польових робіт, глибокому розумінні місцевих умов, відповідальності за прийняті рішення та здатності одночасно враховувати безліч взаємопов’язаних факторів. Важливу роль у цьому відіграє й професійна інтуїція, сформована багаторічною практикою.
Алгоритми врожайності
Ми в «Агрейн» реалізували масштабний проєкт зі створення зон продуктивності. Для цього об’єднали результати агрохімічного аналізу ґрунту, історичні дані врожайності, супутниковий моніторинг та мікробіологічні дослідження.
Кожне поле щоденно аналізується за допомогою супутникових індексів NDVI, GNDVI та SAVI. Ці показники дозволяють оцінювати інтенсивність розвитку рослин і оперативно виявляти ділянки з відхиленнями.
Однак супутниковий моніторинг — це лише перший рівень. Коли система фіксує проблемну зону, агроном отримує завдання провести польове обстеження. Він фотографує рослини, описує симптоми та завантажує інформацію до цифрової платформи.
Далі в роботу вступає штучний інтелект. Алгоритми зіставляють польові фотографії із супутниковими індексами, погодними умовами та історією поля. В результаті формується значно точніша картина того, що відбувається на конкретній ділянці.
Після аналізу інформації система класифікує поле на зони з різним потенціалом урожайності. Це дозволяє диференційовано вносити добрива, раціональніше використовувати ресурси та прогнозувати економічний ефект кожного технологічного рішення.
Один із найцікавіших кейсів стосувався захисту ріпаку. У 2024 році ми застосовували інтегровану систему аналізу погодних умов, супутникових даних та моделей прогнозування розвитку хвороб. Система показала високий ризик розвитку фузаріозу ще до появи масових симптомів. Завдяки цьому ми змогли своєчасно провести фунгіцидний захист. В результаті на окремих полях Чернігівського кластера вдалося уникнути втрат урожаю на рівні 4–6%. Якщо перевести це у фінансовий результат, то йдеться про сотні тисяч гривень додаткової виручки.
Інший приклад — кукурудза. На одному з виробничих полів ШІ допоміг визначити оптимальний термін збирання врожаю. Це дозволило уникнути додаткових витрат на досушування зерна та заощадити близько 70 тис. гривень.
Точність прогнозів ШІ щодо врожайності підвищується разом із накопиченням даних. Наприклад, на одному з полів озимого ріпаку система спрогнозувала врожайність на рівні 2,8 т/га з похибкою всього ±0,1 т/га. Після жнив фактичні результати практично підтвердили розрахунки. Звичайно, ми ще не говоримо про абсолютну точність, адже існують погодні ризики, які складно передбачити заздалегідь. Проте, ми вже можемо значно краще планувати логістику, продажі та фінансові потоки.
Аналітика даних
У 2019 році ми почали вивчати ринок сучасних агроплатформ і досить швидко зрозуміли, що Cropwise Operations найкраще відповідає нашим потребам. Багато компаній спочатку тестують систему на кількох господарствах або окремих кластерах, а потім роками масштабують проєкт. Натомість ми підключили до системи весь земельний банк одночасно. За короткий час стало зрозуміло, що це було правильне рішення. Сьогодні, спілкуючись з колегами, які розтягують цифровізацію на кілька років, я завжди кажу: якщо ви впевнені у виборі системи, впроваджуйте її комплексно. Це дозволяє швидше отримати результат та уникнути дублювання процесів.
Безпосередньо підрахувати, скільки гривень принесла система, досить складно. Однак її головна цінність полягає в іншому — вона робить усі виробничі процеси прозорими та керованими. Ми значно швидше отримуємо інформацію, бачимо ситуацію в режимі реального часу та можемо оперативно реагувати на будь-які відхилення.
Фактично, цифрові інструменти допомагають уникати так званих точок неповернення, коли втрати вже неможливо компенсувати жодними подальшими діями. Наприклад, система дозволяє миттєво побачити, що техніка виходить за межі поля або працює не за заданим маршрутом. Ми можемо оперативно відреагувати та уникнути перевитрати ресурсів.
Інший приклад — погодні ризики. Завдяки інтеграції супутникових даних, метеосервісів та польової аналітики ми можемо точніше визначати оптимальні строки сівби, оцінювати температуру ґрунту, прогнозувати погодні вікна для виконання технологічних операцій або планувати збирання врожаю.
Раніше значна частина таких рішень залежала від людського фактора та суб’єктивних оцінок. Сьогодні більшість необхідної інформації є буквально у смартфоні або на робочому комп’ютері.
Cropwise Operations вже сьогодні акумулює величезний масив даних: інформацію про поля, технологічні операції, супутниковий моніторинг, погодні умови, роботу техніки, агрохімічні показники та результати врожайності. Проте самі по собі дані ще не створюють цінності. Справжня цінність з’являється тоді, коли ці дані аналізують, коли знаходять закономірності та формують рекомендації для прийняття рішень.
Саме це і є сферою застосування штучного інтелекту. ШІ здатен швидко опрацьовувати інформацію з різних джерел, виявляти приховані зв’язки між чинниками та прогнозувати можливі сценарії розвитку ситуації.
Для агровиробництва це означає перехід від фіксації подій до їх прогнозування. Наприклад, система може не лише показати поточний стан посівів, а й попередити про ризик розвитку хвороб, можливий дефіцит вологи, відхилення в розвитку культури або потенційне зниження врожайності ще до того, як проблема стане помітною в полі.
Один із найцікавіших наших проєктів — розроблення внутрішнього цифрового помічника, який працює з даними компанії. Наприклад, керівник може поставити запитання: «Який відсоток посівів кукурудзи перебуває в зоні ризику?» або «На яких полях за останній тиждень зафіксовано погіршення вегетації?».
Раніше для отримання такої інформації потрібно було відкривати кілька систем, збирати дані вручну та формувати звіт. Сьогодні відповідь можна отримати за лічені секунди.
Економіка цифровізації
Порахувати фінансовий ефект від впровадження ШІ досить складно. Він зрідка впливає тільки на один показник. Його головна цінність — у поліпшенні якості рішень.
Наприклад:
• підготовка звітності скоротилася з 5–6 годин до 20–30 хвилин;
• зменшилася кількість ручних помилок;
• пришвидшилося виявлення проблемних ділянок;
• покращилася якість планування польових робіт.
Вуглецевий маркер
Традиційно ми оцінювали успіх господарства через урожайність та економічні показники сезону. Проте, сьогодні стає зрозуміло, що довгострокова ефективність починається зі здоров’я ґрунту. Тому ми активно розвиваємо технології strip-till та мінімального обробітку. Вони дозволяють накопичувати органічну речовину та підвищувати стійкість агроекосистеми до кліматичних стресів.
Найближчі роки агроном працюватиме не лише з картами врожайності чи нормами добрив, а й з картами органічного вуглецю, моделями вуглецевого балансу та прогнозами змін родючості.
І саме штучний інтелект стане тим інструментом, що дозволить об’єднати всі ці дані в одну систему прийняття рішень. Якщо сьогодні ШІ допомагає нам прогнозувати врожай, то завтра він допомагатиме керувати довгостроковим здоров’ям ґрунту та стійкістю агровиробництва.
Нині ми активно досліджуємо застосування штучного інтелекту з вуглецевими проєктами.
У майбутньому алгоритми зможуть автоматично розраховувати:
• зміни органічної речовини;
• вуглецевий баланс поля;
• потенціал накопичення вуглецю;
• можливий обсяг вуглецевих кредитів.
Це відкриває для аграріїв абсолютно нові можливості монетизації екологічних практик.