AI на поле: как Kernel решает главные проблемы агросектора с помощью Machine Learning

Kernel — один из крупнейших агрохолдингов Украины и мировой лидер по экспорту подсолнечного масла — за последние пять лет построил системный подход к AI: от линейной регрессии до Foundation model на инфраструктуре H100 на базе De Novo.

Зачем это все: какие проблемы агросектора решает AI

Агросектор — это данные, в которых много шума, мало повторяемости и слишком много неконтролируемых факторов.  Наибольшие вызовы представляют погода как ключевая переменная (поскольку напрямую влияет на сроки посева, вегетацию, фазы развития и качество урожая), человеческий фактор (данные с полей часто собираются вручную, с задержками или погрешностями; определение одной и той же фазы разными агрономами может существенно отличаться — наблюдения субъективны и зависят от опыта; некоторые фазы BBCH вообще сложно или невозможно зафиксировать в поле, потому что они кратковременны или внешне не выражены), а также распределенность полей (один агроном может обслуживать десятки тысяч гектаров, что делает невозможным ежедневный осмотр).

Чтобы сделать точное планирование — от подготовки полей до логистики — Kernel начали автоматизировать анализ данных с помощью ML-моделей.

Самый показательный пример — модель прогнозирования фаз развития культур по шкале BBCH* (от посева семян до фазы спелости). От того, вовремя ли внесены удобрения или фунгициды, зависит часть урожайности. Но определять фазу вручную — медленно и неточно. Поэтому компания построила AI-модель, которая автоматически прогнозирует фазу роста культуры на основе даты посева, погодных условий (температура, осадки), типа гибрида и геолокации.

До этого в Kernel реализовали еще ряд AI-моделей: зонирование полей, контроль плотности всходов, прогноз урожайности и влажности, агрологистика и поставки сырья, подсчет зерен, оценка Field Potential.
До начала сезона важно понимать, где на поле лучшие условия. Kernel разработала собственный ШИ-инструмент зонирования, который учитывает карты урожайности прошлых лет, спутниковый индекс NDVI, рельеф (цифровая AI-модель, 10 классов) и яркость снимков почвы (как прокси для текстуры почвы). Это позволяет оптимизировать норму удобрений и средств защиты растений для каждой зоны.

Следующим этапом является оценка потенциала поля и факторов влияния с помощью ML-модели и анализа SHAP values. Это позволяет понять, что именно влияет на урожайность на конкретном поле — например, дефицит калия. Это позволяет агроному изменить подход к внесению удобрений еще до появления проблем.

Через 1–2 месяца после посева проводится съемка дронами. Модель компьютерного зрения считает растения, оценивает густоту, а также выявляет пропуски и двойники. Это помогает корректировать настройки техники или реагировать на погодные риски.

BBCH-модель помогает агрономам заблаговременно подготовиться к определенным фазам развития, когда наиболее оптимально вносить гербициды или удобрения, а ближе к концу сезона понимать дату наступления фазы спелости.

Есть также отдельная CV-модель, работающая в мобильном приложении агрономов, которое они используют при осмотре полей и подсчете количества зерен в корзине подсолнечника (в среднем 1000 зерен) или кукурузы (400-500 зерен).

Модель прогноза урожайности обновляется еженедельно, чтобы учитывать актуальные данные для логистических расчетов и предоставить трейдерам ориентиры для планирования цен.

Модель влажности урожая кукурузы — как меняется уровень перед сбором.

Модель логистики оптимизирует перевозки с более чем 5000 полей к десяткам элеваторов, а далее — на заводы или в порты.

Компания использует подход Barlow Twins (Meta AI) — извлекает фичи из спутниковых и погодных массивов без ручной разметки. Это решает проблему нехватки размеченных данных при наличии больших массивов погодной и спутниковой информации. Сейчас это исследовательское направление, но впоследствии оно должно помочь более эффективно генерировать фичи для будущих прогнозных моделей.

Как это работает: стек, инфраструктура и модели

Построили полноценную data science-инфраструктуру: вычисления — на GPU NVIDIA H100 (через De Novo); хранилище — Azure, используются .parquet-файлы или MS SQL; код — в GitLab с CI/CD; пайплайны — через Azure Data Factory и Jenkins.

Kernel имеет три типа запуска:

1. Регулярные (ежедневные/еженедельные): BBCH, урожайность, влажность.
2. Сезонные: густота всходов, зонирование.
3. Ручные: агрологистика — из Excel-файлов специалистов отдела логистики (запуск подготовки графика перевозок по входящему сгенерированному файлу).

Модель BBCH построена на ансамблях CatBoost, ExtraTreesClassifier и LightGBM.

Дополнительно используются Optuna (для оптимизации гиперпараметров) и Weights & Biases (трекинг экспериментов). Модель обучается с учетом сезона — например, в июне не учитывает фазу, которая бывает только в августе.

Что пришлось преодолеть: проблемы и оптимизация AI-моделей

Моделирование фаз BBCH столкнулось с тремя основными проблемами:

• Неравномерная выборка. Агрономы чаще фиксировали критические фазы, поэтому другие были недопредставлены.
• Неверные данные. Бывало, что фаза 31 шла перед фазой 19 — приходилось вручную чистить данные.
• Отсутствующие фазы. Не существует идеального примера развития культуры: на поле может быть только один или десять осмотров за сезон, но нет данных с ежедневными наблюдениями. Поэтому и нет возможности отследить постепенный переход между фазами — доступны только единичные наблюдения, например, с фазы 10 сразу до 38.

После запуска обнаружили несколько типичных проблем, таких как «возврат» назад (фаза могла «откатиться» на одну назад), «скачки» фаз (иногда фаза могла резко перейти с 16 на 21) и плато (модель «застревала» на определенном этапе).

Решением стало привлечение агрономов для ручного уточнения, внедрение сглаживания кривых роста, а также построение алгоритма, проверяющего логику фаз — например, ни одна не может «перепрыгнуть» другую.

AI-модель держит accuracy ~0.75, что подтверждено полевыми проверками. 95% предсказаний не ошибаются более чем на одну фазу.

Благодаря SHAP-анализу удалось понять, что в начале сезона влияют день года, температура, осадки; в середине — тип гибрида, световой день, а в конце — координаты поля и температура.

Что дальше? В Kernel работают над переходом к долгосрочному прогнозу фазы BBCH — то есть кривой роста, которую можно предсказать заранее на неделю и заблаговременно планировать обработки.

* BBCH (Biologische Bundesanstalt, Bundessortenamt und CHemische Industrie) — это международная шкала фенологического развития растений, описывающая фазы роста культур от прорастания до полного созревания. В агробизнесе эта шкала критически важна, ведь помогает агрономам принимать решения о внесении удобрений, обработке фунгицидами и других агротехнических мероприятиях в нужное время.