Выражение «цифровая экономика» никого не коробит, в конце концов, экономика основана на вычислениях. А вот словосочетания «цифровое земледелие», «цифровое животноводство» на первый взгляд противоречивы.
Точное земледелие
Тем не менее в любой сфере человеческой деятельности есть место цифровым методам: к примеру, при недомогании мы хватаемся за тонометр или термометр, чтобы оценить свое самочувствие «в цифре». Так и в растениеводстве.
Цифровизация в шагах
Любую информацию можно представить и передать в виде цифрового кода, далее информация подвергается компьютерной обработке с помощью различных алгоритмов расчёта, созданных на основе накопленных экспертных и научных знаний. Даже такая консервативная область человеческой деятельности, как сельское хозяйство, переходит на «цифровые рельсы».
Нередко новые технологии вступают в противоречие с привычной системой, и не все фермеры готовы к цифровым методам. Но многие уже используют системы электронного учета на основе онлайн-платформ для обработки информации и оптимизации затрат на производство продукции. Другие же сохраняют скепсис, не доверяя таким методам. Но и им не уйти от цифровизации – ведь на нее уже перешла государственная система отчетности и контроля в сельском хозяйстве.
Первый шаг цифровизации – это учет посевных площадей. Раньше такая информация хранилась на бумажных носителях в виде картосхем и отдельных таблиц с данными по полям. Сейчас в любой онлайн-платформе для фермеров, в любом приложении ГИС есть возможность создавать электронную базу данных по своим полям: площадь поля, его географические координаты, уровень плодородия и любые другие особенности.
Это позволяет создать книгу истории полей, без чего невозможно представить высокий уровень производства и научно обоснованный подход. Настоящий земледелец мыслит не единичной сезонной прибылью, а категориями севооборота, просчитывает свои шаги на несколько лет вперед, а для этого необходимы многолетние наблюдения.
Накопленный практический опыт, если он хранится только на бумаге и в памяти агронома, – практически бесполезен. Книга истории полей в электронном виде несет в себе информацию о фактических затратах и урожайности на каждом поле за несколько лет.
Совмещая эту информацию с открытыми данными по метеоусловиям, с ценами на ГСМ, СЗР, с закупочными ценами на продукцию, уже после первой ротации севооборота можно составить предварительную карту рентабельности полей, оценить их потенциальное плодородие.
Это сделает решения в будущем более обоснованными. Но есть и риски: когда информации слишком много, в ней можно «потерять» ответ на свой конкретный вопрос. Поэтому вопросы должны быть узкими и решаемыми в рамках собственного опыта и знаний и в границах конкретного поля: как оптимизировать внесение удобрений и сэкономить на этом. Выводы прошлых лет позволят не допустить перерасхода средств, например, в годы с неблагоприятными метеоусловиями. Эти этапы цифровизации просты: выбирайте подходящую онлайн-платформу или компьютерную программу, ведите свою документацию в цифровом виде в режиме ручного наполнения.
Следующий шаг цифровизации – автоматическое наполнение платформы при помощи автономных датчиков. Для растениеводства открытого грунта это могут быть цифровые метеостанции, датчики мониторинга транспорта, урожайности, постоянно пополняемые результаты дистанционного мониторинга посевов – спутниковые снимки. В тепличном хозяйстве для цифровизации и автоматизации еще больше возможностей: здесь не только собирается информация, но и возможно автоматическое управление системой – регулирование подачи воды, минеральных растворов, состава и температуры воздуха и другое. В основе этих алгоритмов лежат математические модели, научные знания о потребностях растений в разные фазы развития.
Поле, в отличие от теплицы, – система открытая, подверженная «всем ветрам». Поэтому процессы управления здесь не так легко разработать и очень сложно осуществлять. Например, отклик посевов на одну дозу минеральных удобрений разнится не только в разных метеоусловиях, но и при разной экспозиции и крутизне склона – эффективность применения удобрений зависит от конкретных условий в каждой точке поля. Получается, что поле – это не равномерный участок, а совокупность участков разного потенциального плодородия. Это подводит нас к следующему этапу цифровизации – точному земледелию.
Точнее не бывает!
Точное земледелие подразумевает дифференцированный подход к разным участкам поля. Но это требует обработки больших массивов информации о состоянии почвы и посевов. Здесь на помощь приходит дистанционное зондирование, отборы почвенных проб, подробная информация о рельефе. Многослойный «пирог» данных ложится в основу карт-предписаний для точного земледелия.
В настоящее время разработаны системы посева, внесения удобрений и средств защиты растений в дифференцированных дозах. Система будет работать успешно, если в ней реализуются накопленные знания почвоведов, агрономов, специалистов по защите растений и агроинженеров. Важно не только уметь выявить зоны неоднородности (провести точную диагностику) и принять агрономически обоснованное решение по обработке таких зон. Не менее важно осуществить сценарий дифференцированной обработки с помощью откалиброванной техники с точными настройками.
На первом этапе отбор проб, выявление зон неоднородности, калибровка техники для дифференцированного внесения проводятся вручную. Но сохраненные в цифровом виде результаты на следующий год могут быть использованы без потери времени.
Сначала любую технологию отрабатывают на одном или нескольких полях в хозяйстве – это можно назвать пилотным проектом. Если результаты вас радуют, на следующий сезон можно перенести подход и на другие поля. Это будет ваш индивидуальный сценарий, разработанный для каждого поля. Сценарий необходимо корректировать в зависимости от метеоусловий сезона.
Быстрее, выше, сильнее
Следующим шагом цифровизации хозяйства может стать использование накопленных данных в онлайн-платформах. Уже оцифрованы справочники вредителей, болезней, сорняков: многие проблемы можно выявить и распознать с помощью цифровых технологий. Сейчас определение проводится на основе визуального сравнения – то есть специалист сам определяет болезнь или вредителя по фотографиям в базе данных справочника. В ближайшем будущем распознавание проблемы будет производиться в автоматическом режиме – подобные разработки для современных цифровых методов не представляют сложности.
Одновременно многие группы специалистов (как научно-исследовательские институты, так и компании-стартапы в IT) работают над алгоритмами распознавания с привлечением машинного обучения. Пользователю достаточно будет загрузить в облачную платформу цифровое изображение, фотографию повреждения растений, и компьютерная система даст подсказку не только, что это за проблема, но и как с ней справиться.
Локальные базы данных для объектов (хозяйств, полей) позволяют анализировать информацию только на самом простом уровне, сопоставимом с арифметикой: добавил столько-то килограммов удобрения – получил (или нет) такую-то прибавку урожая, подсчитал рентабельность.
Но с ростом количества учитываемых факторов увеличивается и число возможных сценариев развития всходов в условиях сложной системы «почва – агротехнология – погода». В эти сценарии добавляются также модели развития болезней, распространения вредителей и сорняков в зависимости от конкретных условий. При постоянном обновлении и пополнении информации усложняются и алгоритмы вычисления. Цифровые платформы, работающие на основе облачных вычислений, не просто собирают данные, но анализируют их, подбирают и верифицируют модели, которые позволяют достоверно определить, почему развитие пошло именно по такому сценарию.
Главная задача аналитики – получить ответы на вопрос, как в следующем сезоне изменить сценарий в лучшую сторону, чтобы достигнуть более высокого результата. Таким образом, цифры «с поля» проходят цикл аналитической обработки и возвращаются в виде прогнозов и рекомендаций на будущее. И помните, чем больше цифровых данных с поля, тем точнее будут научно обоснованные прогнозы и тем надежнее практические рекомендации.