Что даёт сельскому хозяйству использование Big Data?

В использовании Big Data — возможное решение глобальных экологических, климатических и продовольственных проблем общества. В регионах с низкой продовольственной безопасностью использование данных поможет бороться с потерями урожая.

Новые технологии, основанные на больших данных, могут сделать отрасль более экологичной или получить больше прибыли с гектара. Такое сельское хозяйство предлагает экономию затрат и новые возможности для бизнеса. 

Но чтобы заинтересовать аграриев в решении гуманитарных и экологических вопросов, следует доказать экономическую привлекательность подхода.

Стартапы AgriTech умеют привлекать инвесторов

AgFunder сообщает, что в 2018 году в технологии AgTech было вложено $17 млрд, что на 43% больше, чем за 2017 год. Растёт рынок технологических компаний, занимающихся сбором и аналитикой больших данных в сельском хозяйстве. MarketsAndMarkets ожидает рост рынка аналитики AgTech с $585 млн в 2018 году до $1236 млн к 2023.

Исследователи утверждают, что экономический эффект от повсеместного перехода на технологии, основанные на больших данных (например, точное земледелие) оценивается в $2,3 трлн. Из них $250 млрд могут быть получены только за счет внедрения технологий искусственного интеллекта и анализа данных.

Финансирование AgriTech стартапов

Возможности, которые открывают BigData:

• Повышение продуктивности сельского хозяйства. Аналитика больших данных показала отличные результаты в прогнозировании растениеводства и повышении урожайности.

• Улучшение эффективности операций. Вместе с повышением урожайности сокращается потребление ресурсов (воды, электричества, материалов).

• Остановка миграции рабочей силы. Технологии могут занимать центральное место в отрасли, делая её более привлекательной для специалистов.

• Уменьшение количества пищевых отходов. Сегодня от 20% до 30% продуктов питания теряется на различных этапах цепи поставок. Решение этой задачи сохранит отрасли от $155 до $405 млрд в год к 2030 году.

• Привлечение инвестиций в AgTech.  Для достижения результатов необходимо развивать все сферы агробизнеса. Использование BigData делает оправданными инвестиции в технологии (датчики, облачные вычисления и т.д.)

Примеры использования больших данных в агробизнесе

Автоматизированные отчеты, мониторинг и аналитика на основе BigData 

Точное земледелие резко увеличило объем данных, доступных для использования аграриями с целью повышения эффективности агропроизводства в растениеводстве. Но важнее сбора и анализа данных, способность извлекать значимую информацию. Большое количество переменных влияющих на урожайность культур создают простор для интерпретации сведений. Технологии по работе с данными должны давать дополнительную ценность агробизнесу.

Идеальная AgTech аналитика предполагает принятие конкретных решений. Данные о полях и растениях, однородности посевов предупреждают фермеров о важных изменениях состояния среды и культур. Данные собранные датчиками, сканерами, ирригационным оборудованием, полевыми метеостанциями и другими устройствами, хранятся на защищённых серверных системах и доступны аграрию в виде отчёта отображаемого на приборных панелях устройств. Тем самым обеспечивается их интеграция в процесс управления агропроизводством.

Так для сбора данных для прогнозирования урожайности могут использоваться смартфоны (снимки растений в течение сезона), спутники ДЗЗ, БПЛА и т.д. Алгоритм оценки потенциала урожайности может учитывать погодные условия, данные об исторической урожайности, агрономическую информацию. На основе прогнозных отчётов об урожайности фермеры планируют действия по её повышению, планируют хранение и реализацию продукции.

Сбор погодных данных

Сельскохозяйственное производство зависит от погодных условий на протяжении вегетационного периода. Ценной является способность агрария предсказывать экстремальные и неблагоприятные погодные явления и приспосабливаться к ним. Платформы на базе BigData могут отражать изменения погодных условий в режиме реального времени, чтобы аграрии могли оперативно реагировать на изменения. 

Когда умная система знает, чего ожидать, она может автоматически обнаруживать аномалии или отклонения роста растений и предупреждать о них. Например, анализ изображений БПЛА, может помочь определить участки с низкими темпами роста культур. 

Отслеживание цепи поставок

Если точное земледелие связано с выращиванием сельскохозяйственной продукции, то умное земледелие охватывает все этапы цепи поставок. Здесь много заинтересованных сторон, и большие данные полезны для всех этих сторон на всех этапах. Когда мы имеем дело с такими чувствительными материалами, как семена, растения и пищевые продукты, предотвращение порчи становится серьезной проблемой. Большие данные помогают фермерам и поставщикам оптимизировать управление автопарком для повышения надежности доставки. Интеллектуальные счётчики и системы позиционирования на основе GPS, улучшают маршрутизацию, сокращают транспортные расходы и т.д.

Оценки риска

В широком смысле большие данные для оценки рисков применяются в сравнительном анализе и прогнозном моделировании. Эти подходы позволяют моделировать и управлять рисками, в животноводстве и растениеводстве.

Еще одна идеальная комбинация, которая сейчас популярна при оценке рисков в сельском хозяйстве — смарт-контракты построенные на платформе блокчейн. Такой подход позволяет аграрию сделать свою экономическую модель более устойчивой, а страховщики увереннее в отношении страховых случаев. Большие данные помогают обеим сторонам. Страховые смарт-контракты связаны с различными рисками, включая природные явления. Страховщики рассчитывают размер выплаты на основе вероятности конкретного погодного явления и его воздействия на домашний скот или посевы. Фермеры получают деньги автоматически, когда количество случаев превышает заранее установленный порог.

Информация о продукции

Большие данные помогают потребителям убедиться в безопасности пищевых продуктов, рассказывая о способе и сроках их производства, хранения и транспортировки. На инфрастуктурных объектах и на полях различные сканнеры, датчики и устройства собирают данные о влажности и температуре среды, используемых химических материалах и т.д.

С помощью больших данных конечный потребитель может узнать, где и как продукты выращивались, транспортировались и обрабатывались. Хорошая история создаёт дополнительную ценность продукту, а значит производители и логистические службы заинтересованы в поддержке качества работы.

Источник: intellias.com