От данных к решениям: как машинное обучение предсказывает стресс растений

Современные IoT-датчики генерируют терабайты данных о состоянии почвы и растений. Однако ключевой вопрос для агронома остаётся прежним: что эти данные означают и как на их основе принять правильное решение? В этом посте мы рассмотрим, как алгоритмы машинного обучения превращают сырые показания в прогнозы стресса культур за 7-10 дней до его визуального проявления.

Архитектура предиктивной модели

Наша исследовательская команда в Научном парке Матам разработала гибридную модель, объединяющую временные ряды данных с мультиспектральными спутниковыми снимками. Модель анализирует:

• Динамику влажности почвы на разных глубинах
• Суточные колебания температуры листового покрова
• Скорость накопления биомассы (NDVI-тренды)
• Исторические погодные паттерны для региона Хайфы

Обучение проводилось на датасетах, собранных с цитрусовых плантаций и виноградников в Северном округе Израиля за период 2023-2025 годов.

Кейс: виноградник в Галилее

В марте 2026 года система зафиксировала аномальное расхождение между показателями влажности почвы (в норме) и температурой листьев (повышенная). Алгоритм классифицировал это как ранний признак осмотического стресса, вызванного не дисбалансом воды, а локальным засолением грунта — проблемой, неочевидной при стандартном мониторинге.

Прогноз позволил хозяйству точечно внести мелиоранты и скорректировать режим капельного полива, предотвратив потерю до 15% урожая.

Точность и ограничения

На текущий момент модель демонстрирует точность (F1-score) 89% в прогнозировании водного стресса и 76% — для стресса, связанного с питательными веществами. Основным вызовом остаётся адаптация алгоритмов под новые, нехарактерные для обучающей выборки климатические аномалии.

Работа ведётся в направлении создания самообучающихся систем, способных учитывать локальные микроклиматические особенности каждого поля.