Ühiskondliku arengu ja majandusliku stabiilsuse seisukohast on maaelu ja põllumajandus toonud kaasa nii väljakutseid kui ka võimalusi. Üks väljakutsetest on saagikuse ennustamine: kuidas teada, millal ja kui suur saak tuleb ning kuidas seda optimeerida? Vastus võib peituda hiljutises STACCi ja eAgronomi koostöös läbiviidud projektis.
Saagikuse ennustamine
eAgronom on põllumajandustarkvara arendav ettevõte, mis koostöös STACCiga arendas nutika tehisnägemise süsteemi, mis võimaldab satelliidipiltide põhjal prognoosida talinisupõldude käesoleva hooaja saagikust. Nimelt võimaldavad Euroopa Liidu Copernicus-programmi raames orbiidile saadetud Sentinel satelliidid teha peaaegu reaalajas maaseiret, seejuures tagades andmetele tasuta ligipääsu. Kosmosest tehtud piltidel põhinevat teadmust kasutavad ära mitmed põllumajanduse kõige kaasaegsemad teadus- ja arengusuunad ning nii ka eAgronomi viljasaagikuse ennustamise projekt. Projektis loodud rakendus oskab lugeda satelliidipiltide multispektraalseid andmeid, neid ajaseeriana töödelda (joonis 1) ning tehisnärvivõrguga hinnata talinisupõldude viljasaaki.
Joonis 1. Näide ühe põllu saagikoristusele eelnevast ajaseeriast. Mudeli sisendiks katsetati kaht agregeerimise lähenemist: mediaan- ja histogramm.
Tulemuslik mudel
Projektis võrreldi potentsiaalse saagikuse ennustamise mudelina nii klassikalisi masinõppe algoritme kui ka moodsaid tehisnärvivõrkude arhitektuure, kuid erilist tähelepanu pidi pöörama ka täpsusmõõdikule. Tüüpiliselt kasutatakse sarnaste regressiooniülesannete tulemuste hindamiseks ruutkeskmist viga (RMSE). Samas, põllusaagikuse ennustamisel võib saagi suurusjärk kahe uurimuse vahel olla vägagi erinev. Näiteks Poola talinisu saak võib olla keskmiselt palju suurem kui Eesti oma. Seetõttu RMSE mõõdikud kahe uurimuse vahel, mis võivad keskenduda samale viljale, kuid erinevatele regioonidele, ei ole otseselt võrreldavad. Selleks, et projekti tulemus siiski varasema teaduskirjandusega võrreldav oleks, kasutati mõõdiku normaliseeritud varianti NRMSE, kus RMSE jagatakse läbi keskmise saagikusega.
“Üks projekti kõige silmapaistvamaid tulemusi on võime ennustada saagikust juba 6 nädalat ette ning seda sarnase täpsusega, mis vahetult enne saagikoristust. Ühtlasi saab kinnitada, et projektis loodud mudel on täpsuselt samaväärne värskeima teaduskirjanduse tulemustega.”
— Ingvar Baranin, projektis osalenud andmeteadlane
Testitud lahendustest parima tulemuse andis LSTM neuronitel põhinev närvivõrk, mis suutis saagikust mudeldada NRMSE veaga 0,25. Sarnase tulemuse on hiljutises teaduskirjanduses saanud nii Soome kui ka Austraalia teadlased [1, 2].
Panus põllumajanduse arengusse
eAgronomi ja STACCi koostööprojekt on toonud kaasa Eesti põllumajanduses märkimisväärse arengu. Kasutades satelliidipilte ja tehisnärvivõrke loodi mudel, mis võimaldab ennustada saagi suurust aegsasti enne koristusperioodi algust. See on oluline samm, et aidata põllumajandustootjatel oma ressursse tõhusalt kasutada ning paremini tulevikku planeerida.
“Saagikuse võimalikult täpne ennustamine aitab viljakasvatajal planeerida koristust, viljaveo logistikat, laopinna vajadust, vilja kuivatamise protsessi, saagi müüki ja ka koristuse järgseid toiminguid põllul, nagu põhu laiali jaotamine ja maaharimine.”
— eAgronomi agronoom Piibe Vaher
Kui sinu ettevõte vajab sarnast uuringut, siis STACC on valmis teid aitama!
Allikad:
1. Fiona H. Evans and Jianxiu Shen. Long-Term Hindcasts of Wheat Yield in Fields Using Remotely Sensed Phenology, Climate Data and Machine Learning. Remote Sensing, 13(13), 2021.
2. Maria Yli-Heikkila, Samantha Wittke, Markku Luotamo, Eetu Puttonen, Mika Sulkava, Petri Pellikka, Janne Heiskanen, and Arto Klami. Scalable Crop Yield Prediction with Sentinel-2 Time Series and Temporal Convolutional Network. Remote Sensing, 14(17), 2022.
