Цифровая ферма

Flickr.com

Как крупные агрохолдинги повышают урожайность с помощью ИИ

Сельское хозяйство сегодня переживает настоящую технологическую трансформацию: искусственный интеллект (ИИ) все глубже проникает в аграрную отрасль, меняя привычные способы ведения дел. Если еще недавно в эффективность ИИ мало кто верил, то сейчас в некоторых крупных агрохолдингах беспилотная техника самостоятельно выполняет посевные работы, дроны осуществляют мониторинг состояния полей в режиме реального времени, а нейросети анализируют полученные данные и предоставляют рекомендации по поливу, внесению удобрений и т. д. Технологии на основе ИИ доказали свою эффективность: AI-решения (Artificial Intelligence — искусственный интеллект) позволяют быстрее выявлять болезни растений — в среднем на 50%, умные датчики и спутниковый мониторинг способствуют экономии использования удобрений на 18-20%, цифровое картирование урожайности повышает точность планирования урожая примерно на 30%, по данным аналитической платформы ZipDo. 

Однако, несмотря на весомые преимущества, по оценке Национального центра развития ИИ, среднее проникновение ИИ в сельское хозяйство в России на конец 2024 года составляло около 32%. Для сравнения, в США около 67% крупных агропредприятий используют в работе хотя бы одну технологию ИИ, среди мелких фермеров уровень проникновения ИИ составляет порядка 30-40% (по данным ZipDo). Разберемся, какие технологии ИИ применяются на отечественном рынке, почему не все сельскохозяйственные компании их используют, какая окупаемость технологий, и как в дальнейшем будет развиваться российский рынок. 

Направления ИИ в агробизнесе для повышения урожайности 

Цифровая ферма — это идеальное решение для управления аграрным бизнесом в условиях цифровой трансформации. Такая концепция предполагает использование точного земледелия, ИИ-технологий, IoT (Интернет вещей), автоматизации. Если говорить об использовании ИИ в сельском хозяйстве, то можно выделить следующие основные направления: 

1. Компьютерное зрение для мониторинга растений или система видеоаналитики. В современных теплицах или на полях используются специальные тележки с мачтами, оснащенными камерами, которые фиксируют отклонения от нормы: наличие болезней, вредителей, низкую или высокую плотность макушек и т. д. Все изображения поступают на сервер и происходит их обработка с помощью нескольких моделей deep learning (голубого обучения). Полученные данные можно увидеть на тепловой карте или в отчете. Компьютерное зрение является полноценным помощником агронома, обеспечивая оперативный мониторинг состояния посевов, что позволяет своевременно реагировать на выявленные проблемные участки и быстро принимать обоснованные агротехнические решения. 

Наш кейс с группой компаний «Теплицы Регионов»: проблема заключалась в том, что постоянный контроль за растениями в теплицах площадью как четыре футбольных поля требует больших временных затрат — порядка 160 часов в неделю. Во время контроля важно не пропустить отклонения от нормы из-за аномалий, вредителей, недостаточной увлажненности почвы или других причин и своевременно среагировать, чтобы не допустить снижение урожайности. Решение видеоаналитики, автоматизируя визуальный контроль за культурами, становится полноценным помощником агронома. Оно способно выделять четыре степени отклонения состояния листа и таким образом помогать агрономам выявлять аномалии, прогнозировать урожайность и уменьшает количество ошибок, связанных с человеческим фактором.     

2. «Цифровые двойники» почвы — это виртуальные модели полей, которые позволяют прогнозировать реакцию почвы на те или иные изменения: полив, внесение удобрений и т. д. Принцип работы: с помощью датчиков, спутников, дронов, метеостанций, лабораторных исследований и др. инструментов собирается информация о почве (состав, структура и т. д.), формируется цифровая модель, данные в которой обновляются в режиме реального времени. Благодаря модели агроном может строить прогнозы: как изменится урожай, если внести больше удобрений или уменьшить полив и т. д. При это важно наличие стабильного интернета, чтобы «цифровой двойник» смог отследить состояние поля в режиме реального времени. 

Кейс: пилотный проект ExactFarming и «ФосАгро» для внесения удобрений на 24 тыс. га в регионах России. Платформа ExactFarming по сути применяла «цифровые двойники» полей, предоставляя рекомендации по внесению удобрений на каждом из участков. В результате фермеры использовали удобрения «ФосАгро», на упаковке которых были специальные NFC-метки для отслеживания — где, когда и сколько удобрений вносилось. В итоге удалось повысить урожайность на 10% и увеличить дополнительную прибыль.     

3. ML-модели (Machine Learning — машинного обучения) для прогноза урожайности. Их корректная работа требует наличия исторических данных: информации по урожайности за несколько лет, информации о болезнях, вредителях, погодных условиях, количестве внесенных удобрений на разных участках полях и т. д. Например, модель анализирует данные за последние 1-5 лет и на основе этого предоставляет прогноз по урожайности. Таким образом, можно заранее подготовить бюджет, необходимое количество сотрудников. 

4. Дроны с ML-алгоритмами для аэромониторинга. Суть в следующем: оснащение камерами и сенсорами позволяет делать изображения полей. Модели на основе ИИ анализируют полученные кадры, предоставляя агроному необходимую информацию по состоянию поля: сорняки, вредители, болезни, рельеф, сравнение кадров в разные даты и т. д. 

Кейс: в прошлом году Россельхознадзор начал применять дроны и систему искусственного интеллекта для проведения фитосанитарного мониторинга полей. Кадры со съемки попадают на сервер, искусственный интеллект их анализирует и выявляет сорные растения. Как результат — экономия времени минимум в три раза: если агроному на обход участка требовалась 45 минут, то беспилотник выполняет эту работу за 10-15 минут.

5. Автономная сельхозтехника. Техника выполняет работу самостоятельно — без участия водителя или оператора. Искусственный интеллект с помощью датчиков, камер и алгоритмов машинного зрения определяет препятствия, сколько необходимо семян на конкретном участке, прокладывает оптимальный маршрут, изменяет его при необходимости и т. д. Это позволяет снизить затраты, минимизировать потери урожая. 

Окупаемость ИИ-технологий

На окупаемость AI-решений в агросекторе будет влиять ряд факторов: размер хозяйства, какое оборудование закупается, наличие инфраструктуры (есть ли вся необходимая), найм и обучение персонала и т. д. В среднем потребуется от одного года до трех лет. 

Кейс: использование технологии точного управления полями в «РЗ Агро». Компания внедрила цифровую систему управления полями, чтобы повысить урожайность и доходность, сократить перерасход ресурсов (семян, удобрений, ГСМ), получить прозрачную аналитику по каждому полю. В агрохолдинге использовали геоаналитику и мониторинг урожайности, агрохимическое обследование почв, дифференцированное внесение удобрений и СЗР, автоматизацию учета техники. В результате на площади посевов озимой пшеницы 42 тыс. га дополнительная прибыль составила примерно 2,7 тыс. руб./га, общая дополнительная прибыль — 113,4 млн руб., с учетом издержек чистая прибыль достигла 71 млн руб. Технологии применялись и на других полях, например, на подсолнечнике. В среднем они окупаются в течение первого сельхозгода, хотя возможны и другие сценарии, когда окупаемость будет через два-три года. В любом случае, это относительно небольшой срок, что привлекает агропредприятия.

Перспективы развития ИИ в России

Искусственный интеллект в российском агросекторе стремительно развивается и выступает одним из ключевых факторов цифровой модернизации сельского хозяйства. На его дальнейшую масштабируемость будет влиять ряд факторов. В первую очередь — поддержка АПК государством, в этом году она превысит 500 млрд руб. Также важный фактор — кадровый вопрос на селе. Применение AI-решений в агросекторе позволяет частично заменить физический труд, а также создать новые форматы занятости и появление новых должностей. Это делает отрасль более привлекательной для молодежи и специалистов из смежных сфер. Поэтому ИИ-технологии могут значительно повысить эффективность труда в сельском хозяйстве, улучшить условия работы и способствовать удержанию специалистов в отрасли. Третий фактор — импортозамещение. Уход иностранных компаний открыл путь для развития российских AI-решений, появляются собственные разработки, конкурирующие с зарубежными аналогами. Кроме того, всегда есть возможность ориентироваться на готовые успешные западные решения, проверенные практикой, что позволит избежать собственных ошибок. 

Искусственный интеллект в ближайшее десятилетие значительно поменяет подход к управлению сельским хозяйством. Он позволяет автоматизировать рутинные процессы, оптимизировать использование ресурсов, сокращать риски, связанные с человеческим фактором, и повышать точность принятия решений на всех этапах — от сева до уборки урожая. ИИ становится не просто технологическим решением, а стратегическим инструментом модернизации всего сельского хозяйства страны и сыграть не последнюю роль в достижении необходимых показателей Доктрины продовольственной безопасности.

Автор — управляющий директор по развитию продуктов «Сбер Бизнес Софт».

Мнение автора может не совпадать с позицией редакции.