Агропромисловість та орбіта: як супутники допомагають фермерам у роботі

Супутники спостереження за Землею (Earth Observation Satellites, EO) уже давно опікуються нами з орбіти. Вони відстежують динаміку зміни клімату, рівень забруднення океанів пластиком, дають змогу локалізувати і боротися з наслідками катастроф техногенного та природного характеру.

Проблема браку їжі, що знову загострилася, змусила по-новому поглянути на ще одну важливу роль EO-супутників — підтримки агропромислового сектора. Сьогодні супутникові технології моніторингу допомагають контролювати рівень врожайності, проводити планову іригацію посівних земель, вчасно помічати небезпеку посухи та появи шкідників, сприяючи тим самим збереженню врожаю.

EO-супутники: від витоків до сьогодення

Першим запущеним для вивчення Землі супутником став спільний проєкт NASA та Департаменту сільського господарства США. Проєкт отримав назву TIROS-1 — метеорологічний супутник, запущений 1 квітня 1960 року, насамперед призначався для здійснення метеорологічних спостережень з орбіти. Іншою, більш фундаментальною метою TIROS-1 було прагнення NASA продемонструвати можливість цільового використання подібних космічних апаратів на орбіті для здійснення спостереження за нашою планетою.

TIROS-1 став першою демонстрацією того, що згодом отримає назву “Точне землеробство” (Precision Agriculture). Метод дозволяв визначати стан рельєфу, оцінювати рівень родючості ґрунту та здійснювати моніторинг погодних умов. Новий спектр можливостей побічно свідчив про те, що у майбутньому подібні супутники можуть принести велику користь під час аграрних робіт. Особливо помічними вони стануть там, де велика площа або важкодоступність досліджуваних земель не дозволяють здійснити грамотну оцінку їхніх основних показників із Землі.

Сьогодні супутникові моніторингові компанії готові виводити на орбіту цілі сузір’я EO-супутників, покликаних відслідковувати загальний стан полів та лісових масивів із можливістю оновлення інформації щодня. Компактні та малогабаритні, вони здатні розмістити на своїх супутникових шинах датчики та оптичні камери для надання найповнішої картини стану посівних полів у будь-якій точці земної кулі.

Компанія EOS Data Analytics, яка до 2025 року планує вивести на низьку навколоземну орбіту своє угруповання з семи оптичних супутників EOS SAT, здається, досягла ідеального співвідношення за показниками легкості та багатозадачності своїх моніторингових супутників. Вага малогабаритного EOS SAT-1, який компанія планує запустити на початку 2023 року, становить всього 178 кг. На ньому розміщуються два оптичні датчики DragonEye, здатні знімати в 11 спектральних діапазонах (наступні супутники угруповання збільшать цей показник до 13).

За оцінками EOSDA, кожен супутник із майбутнього сузір’я SAT зможе покривати до 1 млн кв. км, а охоплення всього супутникового угруповання після його виведення на орбіту становитиме від 8,6 до 9,4 млн кв. км (з можливістю розширення зони покриття до 12 млн кв. км).

Через 62 роки з моменту запуску TIROS-1 людство впритул підійшло до того, щоби здійснювати постійний моніторинг 100% посівних земель 20 найбільш розвинених аграрних країн світу.

Спектральне зондування посівних земель

Говорячи про процес супутникового моніторингу, слід зауважити, що йдеться не лише про звичайне оптичне спостереження із космосу за процесом зростання врожаю. Найбільш цінним ресурсом точного землеробства є методологія дистанційного супутникового зондування земної поверхні за допомогою датчиків різного типу. Подібний спосіб EO дозволяє отримати зображення земної поверхні у різних електромагнітних спектрах. Ці спектри не сприймає людське око або звичайна оптична камера, проте саме в них прихована більша частина важливої інформації, пов’язаної з процесом вегетації.

Найпоширенішим серед критеріїв оцінки рівня озеленення з орбіти є нормалізований індекс різниці рослинності (Normalized Difference Vegetation Index, NDVI). Індекс дає уявлення про інтенсивність озеленення земель, що скануються, та надає інформацію щодо загального стану здоров’я зелених ділянок. Спектральний аналіз, на якому заснований NDVI, дозволяє помітити найменші нюанси процесу вегетації, пов’язані з нестачею вологи, наявністю хвороб та інших негативних факторів, що впливають на рівень озеленення.

Технологія з’явилася ще у вісімдесятих роках минулого століття та базувалася на візуальному визначенні фотосинтезу — процесу поглинання рослинами видимого світла. Під час активного поглинання світла при фотосинтезі рослини відображають у зовнішнє середовище велику кількість світла в ближньому інфрачервоному діапазоні (БІКС). Знання про різне відображення світла в інфрачервоному діапазоні лягло в основу створення індексу NDVI, який дозволяв визначати найзеленіші ділянки нашої планети, використовуючи методи дистанційного зондування.

Індекс NDVI перебуває в шкалі від -1 до 1, де максимальне значення, що дорівнює одиниці — це світло, яке відображається від абсолютно здорових рослин, що густо ростуть. Показники від 0 до -1 свідчать про наявність серйозних проблем, характерних для хворих або зів’ялих культур. Як правило, на спектральному знімку ці числові показники виражені у вигляді певного кольору: зелений свідчить про задовільний стан рослин, а жовтий і червоний — про наявність нездорового або в’янучого листя.

Картування такої інформації використовується для мап родючості. Це дозволяє супутниковим компаніям, які здійснюють орбітальний моніторинг, створювати цілі реєстри інтерактивних мап NDVI, що може виявитися особливо корисним, коли фермеру необхідно зробити правильний вибір, аби придбати нові земельні ділянки з родючим ґрунтом або просто перевірити стан власних культур, не відвідуючи ферму.

Зазначимо, NDVI — це не універсальний індекс вегетації, корисний на всіх стадіях процесу землеробства. Наразі безліч інших гіперспектральних даних та індексів, заснованих на різних параметрах, допомагають аналізувати цілий комплекс даних, пов’язаних з вегетативним циклом. Гіперспектральні вузькосмугові дані здатні надати інформацію щодо типу ґрунту та його насиченості вологою, оцінити рівень хлорофілу в листі та скласти індекс їхньої площі, ідентифікувати посівні культури за їхнім спектральним слідом та вчасно сигналізувати про зони виникнення колоній шкідників і захворювань рослин.

Розкладаючи супутникове зображення на спектри, перед нами постає найповніша картина із чутливих параметрів, робота з якими безпосередньо впливає на майбутній врожай. Проте, щоби повністю розкрити потенціал аграрного супутникового моніторингу, необхідне не лише спостереження, а й грамотний аналіз отриманих даних. Зараз подібний аналіз все частіше проводиться комп’ютерними системами, що використовують алгоритми штучного інтелекту (Artificial intelligence, AI).

Розумне прогнозування на всіх етапах фермерської діяльності

Більшість маніпуляцій з отриманими даними, їхній аналіз та складання графіків прогнозування врожайності відбувається вже на Землі, за допомогою алгоритмів машинного навчання. При прогнозуванні врожайності нейронна мережа використовує комплексний підхід, що включає оперування як наданою інформацією з супутників, так і відомостями щодо стану ґрунту від датчиків, встановлених безпосередньо на території ферми.

Сьогодні АІ доповнює загальну картину, отриману в процесі супутникового моніторингу, у таких сферах, як:

• Прогнозування врожайності.
• Прогнози щодо захворювань та наявності шкідників.
• Прогнозування потреб водної іригації посівних земель.
• Виявлення областей ґрунту з високим потенціалом врожайності.
• Прогнозування динаміки змін із моменту отримання останнього зображення.
• Створення логістичних маршрутів для більш швидкого збирання врожаю.
• Прогноз та оцінка прибутку.

За допомогою створення комп’ютерних моделей супутникові компанії можуть розраховувати рівень біопродуктивності різних культур. Оцінка біопродуктивності допомагає зрозуміти, яка саме з культур, що вирощуються на фермі, має найбільшу біомасу репродуктивних органів, іншими словами, більш урожайна. Отримана інформація може бути використана для планування майбутньої посівної кампанії з акцентом на вирощування найприбутковіших видів агрокультур.

Подібне завдання у 2021 році успішно реалізувала компанія EOS Data Analytics, оцінивши рівень біопродуктивності культур для агропромислового сектора Казахстану. Для цього було створено біофізичну модель, яка використовувала дані про продуктивність сухої речовини (Dry matter Productivity, DMP), відкриту інформацію програми супутникового моніторингу Copernicus Global Land Service та метеодані, отримані від NASA Power. Після того як модель була відкалібрована, вона зуміла визначити найсприятливіші терміни посіву та збору врожаю для п’яти основних видів культур, що вирощуються в Казахстані, а також зробила передбачення щодо того, яка з них буде найбільш урожайною в поточному сезоні.

Особливу користь від впровадження в аналіз технологій машинного навчання отримує промислове сільське господарство, оскільки метод дає фермеру (або головному керуючому ферми) наочне уявлення про динаміку зростання як сільськогосподарських культур, так і бізнес-екосистеми ферми. Це дозволяє вчасно вносити корективи для досягнення вищих показників урожайності, та як наслідок — збільшення прибутку.

Аналіз даних, отриманих від супутникового моніторингу, допомагає не тільки фермерам, а й страховим компаніям, які здійснюють страхування на земельному ринку. Тенденція особливо популярна в США та Австралії, де страхові компанії завдяки супутниковим даним відстежують тенденції до виникнення посухи. Супутникові знімки активно використовуються і для оцінки збитків, завданих фермі внаслідок природних катаклізмів, таких як повені або торнадо.

Автоматизація та комплексний підхід

Утім, не слід вважати, що тільки супутниковий моніторинг та аналіз отриманих знімків здатні гарантувати успіх сільгосппідприємства. Будь-яка технологія приносить користь лише за наявності відповідної інфраструктури, яка зможе підлаштовуватися під отриману інформацію. Іншими словами, супутникові дані, що свідчать про необхідність проведення змінної іригації посівних земель, не будуть доречними, якщо на фермі відсутня автоматизована система обприскування зі змінною нормою внесення. 

Те саме стосується й оцінки якості ґрунту із датчиків, розташованих на Землі. Якщо супутниковий моніторинг може показати вам проблеми на конкретних ділянках ферми, без детального хімічного аналізу ґрунту на місці ця інформація не дасть повного розуміння проблеми. Саме тому технології аграрного ЕО наполегливо вказують фермерам на необхідність своєчасної модернізації власної ферми.

У деяких випадках картина спектральних даних, отриманих із супутника, потребує доповнення за допомогою повітряної розвідки, яка сьогодні все частіше проводиться за участю безпілотників та дронів. Відмінним прикладом тут є компанія Precision Hawk, яка використовує ресурс безпілотників для більш детальної оцінки геопросторових даних, отриманих від супутників. Компанія дозволяє своїм користувачам самостійно ставити необхідні завдання для дронів через програму на смартфоні. На деяких сучасних фермах безпілотники не лише проводять дорозвідку, а й підключаються до обробки посівних земель напряму.

Зрештою, питання успіху при використанні даних супутникового моніторингу спирається на рівень цифровізації та автоматизації ферми. Впровадження подібних технологій з нуля — завжди довгий процес, що вимагає залучення не тільки фінансів, а й кваліфікованих кадрів, здатних працювати з отриманою інформацією.

Превентивні заходи: внесок EO у збереження екології

Крім зовнішніх політичних чинників, глибинна причина нинішньої харчової кризи, як і раніше, криється в регресії, що триває у світовій екології. Збільшення викиду CO2 прогнозовано веде до підвищення середньої температури на планеті. Це призводить до зростання рівня посухи та розширення ділянок, на яких вона відбувається. Колись родючі землі перетворюються на пожухлу савану.

EO пропонує вирішувати це завдання частково за рахунок розумного розподілу ресурсів, допомагаючи уникнути їхньої перевитрати. У випадках масштабного землеробства недоцільне використання ресурсів не лише боляче б’є по кишені аграрія, але й погано позначається на якості ґрунту в цілому. Ненормоване використання фунгіцидів та інших отрут з метою вирішити проблему шкідників негативно відбивається на стані ґрунту, знижуючи його врожайність. Саме тому ґрунтозахисне та ресурсозберігаюче землеробство сьогодні немислимі без точного оцінювання рівня родючості посівних площ з орбіти. І EO надає такий ресурс.

Платформа EOS Crop Monitoring аналізує дані дистанційного зондування полів протягом останніх кількох років, і на підставі цих знімків будує карти продуктивності посівних земель. Результати цього аналізу візуалізуються на дисплеї, вказуючи на найменш родючі ділянки поля. Мапи продуктивності від EOS Crop Monitoring дозволяють фермеру точніше оцінити загальний стан ґрунту та зайнятися його оздоровленням ще до початку старту посівної кампанії.

Збереження екології сьогодні може стати не лише приємним, а й прибутковим заняттям. Деякі великі компанії на вуглецевих ринках готові платити за кількість вуглецю, який здатна поглинути ваша ферма. Оцінка коефіцієнта поглинання здійснюється на підставі даних, отриманих за допомогою супутникового моніторингу. Одну тонну поглинутого вуглекислого газу можна конвертувати у вуглецеві кредити (або квоти). Згодом фермери можуть продавати їх великим компаніям, діяльність яких пов’язана із генерацією викидів вуглекислого газу. Сьогодні подібною супутниковою оцінкою займаються такі компанії, як Perennial та Deveron.

Супутники позитивно зарекомендували себе й у вирішенні однієї із найгостріших екологічних проблем ХХІ століття — забруднення океанів пластиком. Океанічні течії сприяють поширенню пластику, що потрапив у воду, іноді призводячи до створення справжніх сміттєвих островів, помітних навіть із космосу.

Учені-геологи та EO-компанії активно працюють над розробкою нових методологій супутникового виявлення зон забруднення пластиком в океанах. Одним із авторів методу пошуку макропластику в океанічних водах є доктор Лорен Бірманн із Плімутської морської лабораторії у Великій Британії. Бірманн розробила метод на основі алгоритму штучного інтелекту для аналізу зображень, отриманих із супутника Sentinel-2.

Методологія заснована на тому ж аналізі ближнього інфрачервоного спектра, який використовується в точному землеробстві. Однак, якщо у процесі супутникового моніторингу земельних ділянок фахівці шукають осередки наявності хлорофілу, то методологія доктора Бірманн працює від зворотного — вона шукає ті ділянки на поверхні океану, де фотосинтез не спостерігається. Саме відсутність світності в діапазоні БІКС, характерному для водоростей, вказує на те, що видиме скупчення матеріалу на поверхні океану має неорганічну природу, тобто є скупченням пластику.

Якщо говорити про надзвичайні ситуації (НС) природного характеру, сьогодні моніторингові супутники роблять величезний внесок у роботу служб екстреного реагування. Вони беруть участь у процесі локалізації та оцінки ступеня шкоди від природних катаклізмів і катастроф техногенного характеру. 

Тепер супутниковий моніторинг дозволяє контролювати всі етапи процесу землеробства, починаючи від посівної кампанії до збору врожаю. Багато в чому успішній інтеграції технології EO в фермерські господарства сприяє все більший рівень відкритості супутникових даних і невпинне зростання кількості компаній, здатних їх надати. Розвиток технологій супутникового моніторингу теж робить свій внесок у популярність ЕО: нові типи камер здатні надавати фермерам зображення дивовижної чіткості, стираючи межу між супутниковим знімком та аерофотозйомкою у високій роздільній здатності.

Все більше стає очевидним, що саме технології точного землеробства в майбутньому призведуть до появи якісно нового, розумнішого та більш економічного підходу у веденні сільського господарства, дозволяючи вирощувати краще та більше, водночас уникаючи перевитрати ресурсів. І якщо 100 років тому фермера неможливо було уявити без плуга, а 50 — без комбайна, то вже в недалекому майбутньому його діяльність буде міцно пов’язана з супутником на орбіті.