29 апреля 2020

Цифровые модели в сельском хозяйстве

Цифровые модели в сельском хозяйстве

Текст: В. Еременко, директор АО «БДО Юникон»

На современном этапе развития сельскохозяйственная отрасль требует более быстрой окупаемости новых технологий, причем лучшим вариантом является срок в один сезон. Подобный опыт уже существует — в стране активно внедряются цифровые решения на аграрных предприятиях, за счет чего в них практически полностью меняются процессы управления в направлении биологизации и кооперации.

При определении цифровых технологий в сельском хозяйстве следует отметить, что они представляют собой информацию, полученную в ходе производственной деятельности и впоследствии становящуюся участником дальнейших вычислений и всего технологического процесса. При этом такие сведения — не просто данные для хозяйственного учета, а прежде всего, корректный, очищенный и задействованный в оптимизационной работе сельскохозяйственного предприятия инструмент.

МАТЕМАТИЧЕСКИЕ ЭЛЕМЕНТЫ

По мнению многих специалистов, будущее агрохолдингов видится в создании на них фабрики цифровых моделей, то есть лучших производственных результатов в текущем сезоне, сохраненных для дальнейших вычислений и сравнений. Переведенный в нужный формат технологический процесс на поле называется цифровой моделью с собранными данными на всех уровнях планирования и учтенного факта, при этом с появлением каждого нового опыта возникает обновленный вариант. Только собственная модельная фабрика позволит повысить точность планирования всех мероприятий и прогнозировать урожайность. Существует тезис, что математика способна описать абсолютно все, однако в мире отсутствуют готовая модель и универсальная формула под конкретную жизненную ситуацию. Действительно, математическую теорему можно доказать только на практике, в реальной жизни. Другими словами, весь путь аграрию необходимо проделать в собственных уникальных условиях производства, с определенной почвой, климатом, технологиями. Любые изменения нужно начинать непосредственно с частных данных, так как только они дают наиболее верное представление о потребностях и особенностях конкретного предприятия. Точность планирования увеличивается при наличии определенных сведений, и чем глубже цифровизация, тем выше данный показатель. Информация, собранная с поля, данные о культурах, агрегатах, оборудовании позволяют планировать точные ремонты и тому подобное. Только после сбора правильных сведений создается модель в рамках системы, в результате чего можно говорить о том, что предприятие сделало шаг в сторону цифровизации.

Для лучшего понимания специалисты решили рассмотреть основные возможности математических инструментов и некоторые элементы моделей, уже работающие на основе собранных данных, в роли средства отображения и выявления качества вегетации поля и прогноза погоды. В этом направлении удалось установить, что факторами планирования и анализа эффективности могут стать календарь опрыскивания, оценка оптимального порога использования гербицидов на паровых полях и при десикации, автоматическое определение стадии роста культуры и отображение соответствующих плановых применений средств защиты растений, сравнение производительности участков, установление уровня готовности почвы к использованию техники, инструменты контрольных исследований. Мониторинг с помощью перечисленных решений позволит оперативно узнать, были ли использованы рекомендованные препараты, производилось ли опрыскивание в необходимые часы, а также выявить лидеров и аутсайдеров среди полей и культур.

БОРЬБА С СОРНЯКОМ

Часто встречаемая, особенно осенью, у многих сельхозпроизводителей проблема — засоренность полей, несмотря на своевременное применение всех запланированных гербицидов. В этом случае настроенные инструменты управления данными с поля могут рассказать об особенностях использования того или иного препарата, чтобы мероприятия проводились в оптимальные даты. Например, если обработку сделать слишком рано, можно не добиться нужного эффекта. Данное явление обычно наблюдается потому, что агрохимическое средство потребляется сорняком через листья, поэтому взошедшее на следующий день после обработки вредное растение не пострадает, то есть гербицид не сработает. Более того, на разных участках поля вредоносные культуры могут всходить в неодинаковое время, поэтому следует располагать информацией со всей площади земли, что при размерах полей в 50 га и более затруднительно для агрономов. При этом поздняя обработка дает сорняку возможность перерасти оптимальную фазу, по этой причине придется увеличивать норму препарата, что повлечет дополнительные расходы. Кроме того, раствор должен быть применен за шесть часов до дождя, иначе он будет смыт с растений и не сработает. Значительно снизит эффект и высокая температура, то есть достоверный прогноз погоды также имеет большое значение.

Главными данными в модели для мониторинга засоренности являются уровень вегетации, на основании которого определяется пораженность территории сорняками по состоянию на текущий момент и своевременность применения гербицида, и качественная вероятность роста вредителя, построенная на прогнозных сведениях о погоде. Обозначенные параметры необходимо определять для заданного процента посевов на поле, вычислять даты развития сорняка и критический уровень, а также эффективность применения препарата.

РИСКИ БОЛЕЗНЕЙ

В качестве эффективного решения при управлении степенью заболеваемости посевов можно привести пример модели, которая позволяет контролировать и прогнозировать риск развития болезней, прежде всего грибковых, в зависимости от климатического фактора и исторических данных о появлении инфекций в определенном регионе. Так, возникновение грибкового заболевания, например мучнистой росы, напрямую зависит от благоприятных погодных условий: грибок предпочитает влажный лист и определенный диапазон температур. Если данные факторы устойчиво сохраняются на протяжении ряда дней, риск появления болезни многократно увеличивается. Модель считает часы, когда заданные параметры, в частности, влажность воздуха, температура, осадки и порывы ветра, складываются в благоприятную для заболевания комбинацию, и дни, когда сумма таких часов превышает порог. При количестве суток, достаточном для возникновения инфекций, инструмент оповещает пользователя о повышенном риске. Если становится известно, что агроном применил фунгицид — превентивно или по факту обнаружения болезни, начинается расчет с новыми условиями. Следует отметить, что построенные элементы модели требуют калибровки на культурах и полях заданного региона.

При применении средств защиты растений на территориях со сложным рельефом крайне высока вероятность стока агрохимической продукции в располагающиеся ниже водоемы и их загрязнения. Помимо непосредственной экологической угрозы данная проблема также несет экономический урон, связанный как с потенциальными штрафами, так и с репутационными издержками. Для решения данной задачи можно разработать специальную модель и создать подходящий инструмент, позволяющий определить величину подверженности поля такому явлению. В результате действия этой программы формируется отчет с оценками рисков и соответствующими рекомендациями по применению СЗР.

ФОРМУЛА СБОРА

Для проведения уборочной кампании также можно разработать специальные модели, которые будут определять стадию готовности полей заданного региона к сбору урожая. В частности, на основании спутниковых снимков существует возможность математического распознавания территории в указанном районе и автоматической оценки стадии роста выращиваемой культуры — прорастание, цветение, формирование плодов или зерна, спелость, готовность к уборке. Например, если растение на поле находится в фазе спелости, сбор урожая можно начинать в течение последующих 3–5 недель в зависимости от погодных условий, планов и прочих факторов. Таким образом, визуальная индикация подобных участков даже без определения, какая именно культура на них произрастает, позволяет определить области, условно готовые к сбору урожая, что, в свою очередь, помогает подстроить логистику в соответствии с резко увеличивающимся спросом на ГСМ, уборочную и транспортную технику, хранилища и прочее.

Следует отметить, что система создания на аграрном производстве фабрик цифровых моделей будет стимулировать персонал работать на результат, ведь без подобной мотивации ни одна математическая модель не функционирует. Каждый сотрудник должен точно знать, что вознаграждение за его труд будет достойным, ведь главный драйвер развития любой компании — люди. В продаже не существует универсального аппарата, способного выполнять за специалистов их функции, — такого робота можно создать только в процессе кропотливой работы штата агропредприятия.

Популярные статьи