1. Inicio
    2. Productos
    3. EOSDA Crop Monitoring
  2. Soluciones Personalizadas

Predicción del Rendimiento de los Cultivos

El equipo de científicos e ingenieros de datos de EOSDA ha desarrollado técnicas eficaces para estimar el rendimiento de los cultivos mediante modelos de teledetección y aprendizaje automático. Nos basamos en datos de observación de la Tierra obtenidos por satélite para cubrir áreas que van desde explotaciones individuales hasta regiones.

recolección de datos de rendimiento por satélite
Estadísticas

Predicción del Rendimiento en Números

Precisión

hasta el 95%
La precisión de la estimación del rendimiento depende de la calidad de los datos estadísticos y puede variar entre el 85% y el 95%.

Previsiones

con hasta 3 meses de antelación
Previsión del rendimiento en la temporada actual con hasta 3 meses de antelación

Tipos de cultivos

100 +
Predicción del rendimiento para más de 100 tipos de cultivos.

Velocidad del proyecto

hasta 14 días
La producción de la predicción del rendimiento con un 95% de precisión requiere dos semanas o menos, dependiendo de la complejidad del proyecto.

Entradas por cultivo

0 - 100 campos
El modelo de prónostico del rendimiento WOFOST no requiere ninguna entrada.

Fuentes de datos

10 +
Nos aseguramos de que las predicciones se basen en el análisis de datos más completo.

Vea el vídeo sobre nuestra solución de predicción del rendimiento

La seguridad alimentaria mundial depende de la eficacia de las prácticas de gestión de alimentos, como la predicción del rendimiento, que permite a los agricultores cultivar de forma más sostenible. La solución de predicción del rendimiento de EOSDA, desarrollada a partir de los últimos avances tecnológicos en aprendizaje automático y análisis geoespacial, proporciona a agricultores, explotaciones agrícolas, empresas de seguridad alimentaria y otros responsables de la toma de decisiones los datos cruciales necesarios para una producción de cultivos sostenible y rentable.

Beneficios

Beneficios de la Predicción del Rendimiento

  • Aumento de la velocidad en la toma de decisiones relacionadas con las operaciones de cosecha, almacenamiento y transporte.
  • Datos sobre la rentabilidad en su zona de interés basados en la predicción del rendimiento de los cultivos.
  • Una gran oportunidad de reforzar la seguridad alimentaria mundial mediante la introducción de la predicción del rendimiento de los cultivos en países en desarrollo, ayudándoles a prevenir hambrunas, impulsar la economía locale e implementar prácticas agrícolas sostenibles.
información para pronóstico de rendimiento
  • Mejor entendimiento del mercado agrícola y una toma de decisiones mejor sobre la gestión de las existencias, las importaciones y las exportaciones, de acuerdo con la PAC y otras políticas similares.
  • Una comprensión mucho mayor de los efectos acumulativos de las condiciones hostiles del campo (plagas, enfermedades, deficiencias de nutrientes y otras) en el desarrollo de los cultivos.
simulaciones de rendimiento de cultivos
Metodología

Nuestro Enfoque

Para lograr la máxima eficacia y precisión en la predicción del rendimiento de los cultivos, fusionamos dos tipos diferentes de modelos de predicción del rendimiento: biofísico y estadístico. Este enfoque "híbrido" nos permite afrontar proyectos más complejos.

Modelo biofísico de predicción del rendimiento

  • Recopilación de datos (parámetros meteorológicos, análisis del suelo, estado del cultivo, datos fenológicos, etc.).
  • Calibración del modelo y la asimilación del LAI para garantizar la precisión de la predicción del rendimiento de los cultivos en ausencia de datos estadísticos y para aumentar la variabilidad de los valores.
  • Simulación de los parámetros de productividad biológica (TAGP, WSO, humedad relativa del suelo, consumo total de agua y otros) para estimar el rendimiento.
  • Actualización de los datos una vez cada 14 días para aumentar la precisión. Esto está relacionado con las actualizaciones meteorológicas.

Modelo estadístico de predicción del rendimiento

  • Recopilación de datos para crear un conjunto de datos de predicción del rendimiento de los cultivos y su combinación con algunos posibles predictores (precipitaciones, temperatura, humedad, tipo de suelo y otros).
  • Selección del modelo de aprendizaje automático adecuado para el proyecto (por ejemplo, regresión lineal, Random Forest, LightGBM, XGBoost, CatBoost, por nombrar algunos).
  • Ajuste del modelo para responder a las necesidades específicas del proyecto en cuestión para obtener los mejores resultados.
Fase de fusión de los modelos
La fase de fusión es necesaria si queremos alcanzar la máxima precisión posible del 95%. Fusionamos los 2 modelos de predicción del rendimiento descritos anteriormente.
EOSDA Crop Modeling + Asimilación LAI

  • Conjunto de escenarios de modelos

  • Acquisición de datos 1

  • Acquisición de datos 2

  • Acquisición de datos 3Selección del escenario más probable y reinicialización del estado del sistema modelado con el escenario

  • Acquisición de datos 4Observaciones de LAI

  • Acquisición de datos 5

  • Cosecha

La aplicación de la asimilación del LAI nos permitió alcanzar el 95% de precisión en el 30% de los campos. En los campos marcados en rojo se alcanzó una precisión inferior al 80%, mientras que la precisión de la predicción del rendimiento en los campos marcados en verde superó la marca del 80%.

Precisión del modelado de cultivos EOSDA
EOSDA Crop Modeling
Modelado de cultivos EOSDA + Precisión de asimilación LAI
EOSDA Crop Modeling + Asimilación LAI
Casos de Uso

Algunos de Nuestros Exitos

Predicción del rendimiento para una gran explotación agrícola en Ucrania
En 2020, pusimos en marcha un proyecto de predicción de rendimiento para 6 grandes cultivos: Cebada de invierno, colza de invierno, trigo de invierno/primavera, girasol, soja y maíz.
Se generaron dos informes diferentes:
  • 45 días antes de la cosecha
  • 2 semanas antes de la cosecha
  • menos del 80% de precisión
  • más del 80% de precisión
Predicción del rendimiento WOFOST
Predicción del rendimiento WOFOST
Modelo de aprendizaje automático de predicción de rendimiento de EOSDA - WOFOST (aportación/resultado) + LAI (Sentinel-2)
Modelo de aprendizaje automático de predicción de rendimiento de EOSDA - WOFOST (aportación/resultado) + LAI (Sentinel-2)
Precisión (WOFOST) Precisión (WOFOST + LAI)
Maíz
Maíz 0.75 0.91
Soja
Soja 0.78 0.86
Girasol
Girasol 0.71 0.88
Cebada de invierno
Cebada de invierno 0.53 0.82
Trigo de invierno
Trigo de invierno 0.75 0.92
Al mejorar el modelo con la asimilación del LAI desarrollado por el equipo, conseguimos aumentar la precisión de la predicción del rendimiento en el 30% de los campos en comparación con el enfoque tradicional de WOFOST.
La siguiente tabla muestra la correlación entre la precisión de la predicción del rendimiento, el cultivo objetivo y el número de campos. Por ejemplo, la predicción del rendimiento de la cebada de invierno tuvo una precisión superior al 90% en 52 campos.
Número de campos
Cultivo / Precisión
Cultivo / Precisión <70% 70-75% 75-80% 80-85% 85-90% >90%
Cebada de invierno

Número de campos
Cebada de invierno 27 7 5 22 23 52
Trigo de invierno

Número de campos
Trigo de invierno 33 17 19 21 19 102
Colza de invierno

Número de campos
Colza de invierno 26 6 20 14 27 22
Girasol

Número de campos
Girasol 12 11 12 14 19 22
Soja

Número de campos
Soja 28 22 29 58 37 86
Previsión del rendimiento de los cultivos para una compañía de seguros canadiense

Objetivo: Datos fiables sobre el rendimiento previsto de cada cliente para reducir los riesgos de los seguros.

Datos de entrada: Más de 100 campos en 20 explotaciones.

Tarea 1.
Estimar el rendimiento medio de los 6 principales tipos de cultivos que crecen en cada campo de las 20 explotaciones y compararlo con el informe de rendimiento real.
modelo de predicción del rendimiento frente al rendimiento real por tipo de cultivo dado en %.
  • Canola
    > 98,03
  • Maíz
    > 87, 59
  • Guisantes
    > 76,25
  • Soja
    > 95,94
  • Girasol
    > 98,21
  • Trigo
    > 98,63
Cultivo Rendimiento modelado Rendimiento real
Canola, lb/ac
Canola, lb/ac 41,81 41,00
Maíz, fanegas por acre
Maíz, fanegas por acre 123,65 110,00
Guisantes, q/ac
Guisantes, q/ac 30,94 25,00
Soja, fanegas por acre
Soja, fanegas por acre 22,89 22,00
Girasol, lb/ac
Girasol, lb/ac 1767,73 1800,00
Trigo, fanegas por acre
Trigo, fanegas por acre 53,72 53,00
Suma general
Suma general 95,6 94,47
Tarea 2.
Predicción del rendimiento 14 días antes de la cosecha de 2020.
modelo de predicción del rendimiento frente al rendimiento real por tipo de cultivo dado en %.
  • Canola
    > 96,96
  • Corn
    > 91,69
  • Avena
    > 99,98
  • Centeno de Otoño
    > 85,85
  • Girasol de Confitería
    > 85,36
  • Aceite de Girasol
    > 98,06
  • Trigo
    > 94,95
Cultivo Rendimiento modelado Rendimiento real (Farm 4)
Canola
Canola 40,19 39,00
Maíz
Maíz 119,14 110,00
Avena
Avena 125,03 125,00
Centeno de otoño
Centeno de otoño 64,39 75,00
Girasol de confitería
Girasol de confitería 2063,60 1800,00
Aceite de girasol
Aceite de girasol 1834,19 1800,00
Trigo
Trigo 61,73 65,00
Suma general
Suma general 584,34 528,00
Tarea 3.
Proporcionar al cliente datos de predicción del rendimiento de los cultivos para permitir una planificación más eficiente de la rotación de cultivos y, como resultado, reducir significativamente las situaciones de riesgo.
El gráfico muestra el rendimiento previsto para los cultivos objetivo en 3 campos seleccionados en bushel/ha.
Nombre del campo Canola Maíz Soja Aceite de girasol Trigo
SE-2-6-28-W1 58,68 194,33 41,45 2208,85 72,49
SW-36-7-28-W1 30,91 169,49 14,42 1146,91 46,24
W-34-5-27-W1 38,77 151,58 24,71 1476,83 59,82
Se utilizó la técnica de remuestreo Jackknife. Es decir, omitiendo sistemáticamente cada observación de un conjunto de datos, calculamos la predicción y luego descubrimos la media de los cálculos. Para excluir los factores climáticos y tecnológicos, sólo utilizamos los datos de los últimos 6 años.

El periodo de cosecha de los cultivos objetivo en Canadá suele durar de agosto a septiembre. Sabiendo esto, pudimos predecir el rendimiento dos meses antes de la cosecha, logrando una precisión de más del 82%. La precisión fue aumentando a medida que se acercaba la cosecha hasta alcanzar el 90% justo dos semanas antes de la misma, tal y como esperábamos.