Stellenbosch University: ML-оценка урожая винограда, точность 85% в Olifants River

Производители винного винограда в Западной Капской провинции ЮАР ежегодно недооценивают или переоценивают урожай, а значит, и объёмы вина. Оценка урожая влияет на загрузку винодельни, расход химикатов и маркетинг, а для виноградарей — на планирование уборки, графики работников и техники. Ожидаемая ошибка прогноза составляет до 20% при подсчёте гроздей весной, 10–15% при подсчёте ягод после цветения и 5% на участках, убираемых близко к сбору. Текущие методы опираются на историю урожаев, погодные индексы и ручные замеры; они неточны и трудоёмки.

Исследование под руководством Caren Jarmain и других исследователей Stellenbosch University проверяло, связаны ли спутниковые данные FruitLook с урожаем кварталов виноградников и можно ли построить на этой основе модель урожая и, возможно, даты сбора. Использованы еженедельные данные FruitLook о биомассе, эвапотранспирации, индексе листовой поверхности, NDVI и азоте с разрешением 20 м за пять сезонов, а также данные об урожае и границах 2 104 полей. Применялись статистическое моделирование и машинное обучение, включая классификатор Random Forest; на втором этапе — перебор почти всех сочетаний целевых и входных переменных и географических зон.

Работу профинансировала Winetech при поддержке WineMS и Vinpro; данные FruitLook предоставили eLEAF и Департамент сельского хозяйства Западной Капской провинции. Результаты описаны в журнале WineLand в апреле 2019 года. Регрессия по отдельным переменным дала слабые результаты (R² < 0,3), но для отдельных сортов, регионов и сезонов модели улучшались: для Пинотажа в регионе Coastal за сезон 2014/15 R² составил 0,83. В регионе Olifants River Random Forest по сезонным переменным 2015/16 дал общую точность 85% по всем сортам, похожие результаты получены и для других сезонов.