Бразилия, будучи мировым лидером по производству сои и крупнейшим экспортером продовольствия, сталкивается с недостатком точных данных об урожайности этой культуры. Такая информация важна для развития точного земледелия, эффективного управления рисками и планирования устойчивого развития сельского хозяйства. Исследователи Иллинойсского университета в Урбане-Шампейне разработали инновационный метод с применением искусственного интеллекта (ИИ) для более точного прогнозирования урожайности сои в масштабах всей Бразилии.
Подход объединяет спутниковые снимки, климатические данные и статистику урожайности на уровне штатов. Разработанная модель для бразильской сои показала высокую точность прогнозирования, даже без использования данных об урожайности на муниципальном уровне.
Главное новшество исследования заключается в применении трансферного обучения в ИИ. Эта технология позволяет ученым использовать уже существующие модели, вместо того чтобы создавать новые с нуля для каждого региона. Это позволяет получать подробную информацию о сельскохозяйственных культурах в районах, где сбор больших объемов данных был бы дорогостоящим, медленным или нецелесообразным.
Эффективность и возможности модели
Разработка позволила повысить эффективность прогнозирования урожайности с 50 до 78%.
Данное исследование открывает возможности для применения передовых моделей прогнозирования урожайности в регионах мира с ограниченными данными. Это способствует планированию продовольственной безопасности, управлению климатическими рисками и разработке научно обоснованной сельскохозяйственной политики.
Развитие современных технологий позволяет упростить рабочие процессы и получить результаты с меньшими затратами. Во Всероссийском центре карантина растений (ФГБУ «ВНИИКР» Россельхознадзора) используют современные подходы, позволяющие разрабатывать инновационные методы диагностики и использовать их при исследовании подкарантинной продукции.
Источник: Jiaying Zhang et al, Transfer learning for improved crop yield predictions in a cross-scale pathway: a case study for Brazilian national soybean, International Journal of Applied Earth Observation and Geoinformation (2025). DOI: 10.1016/j.jag.2025.104981