Бразильские ученые создали ИИ-модель для точной оценки урожайности сои

Этот 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

Этот подход позволил повысить эффективность прогнозирования урожайности в различных масштабах. Показатель эффективности вырос с 50 до 78% от теоретического максимума, который был определен как наилучший результат, достигнутый моделями, обученными на высокодетальных локальных данных об урожайности.

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