Цифровая трансформация региональной сельхоз-ГИС: как ускорить и упростить работу с геоданными о полях региона

Ключевой запрос цифровой трансформации отраслевого решения подобного характера — переход от ручной работы с данными о полях к автоматизированному, а также внедрение единого окна для работы с этими данными для целого ряда сотрудников — от линейного персонала до руководителя.

Пространственные данные о Республике Татарстан теперь доступна в режиме одного окна

К старту проекта команда ИнноГеоТеха уже накопила комплексную экспертизу в оцифровке и векторизации больших геопространственных данных и применении технологий ML для работы с ними. Мы разрабатывали цифровые двойники городов, проводили мониторинг земель лесного и сельского хозяйства, объектов землепользования.

Далее, опираясь на потребности конечных пользователей системы и собственные компетенции, был сформирован бэклог из 3 ключевых проблем, решение которых потребуется в рамках ГИС-модуля.

Учетка админа со всеми полями региона для быстрого доступа к актуальной информации

Команда проекта сразу поняла, что предстоит реализовать ГИС-модуль такой конфигурации, который ещё не внедрялся ни в одном регионе РФ. Необходимо было не просто создать инструмент для сбора данных о полях региона, но и разработать целый ряд фичей для упрощения и ускорения данной работы, совместного доступа для командной работы и генерации автоматических отчётов по различным пользовательским запросам.

В разработке данного проекта пригодился опыт команды в создании собственной web-gis «GeoHub». Компетенции в реализации мощной геоинформационной web-gis платформы помогли сформировать не менее функциональную отраслевую региональную систему.

Параллельно с этим команда разработки создавала более 40 утилит и инструментов для автоматизированной работы с импортом и экспортом геоинформационных данных, автоматическими топологическими проверками, интеграцией с множеством информационных систем и модулей, формированием комплекта онлайн-отчетов и реализацией ролевой мо

Первоочередной задачей, решаемой в рамках гис-модуля, является паспортизация полей, то есть сбор и хранение данных о полях региона непосредственно от сельхозтоваропроизводителей (СХТП) в одной системе. Пользовательский интерфейс был продуман так, чтобы у каждого фермера был свой личный кабинет, онлайн версия его полей с реальными размерами, видом выращиваемых культур и другими данными. Все эти изменения аграрии вносят самостоятельно.

Для дальнейшей работы требовалось автоматизировать сбор данной информации, в том случае, когда у СХТП уже есть слой с полями в векторном формате — geojson, shp и пр. Если для небольших КФХ вручную отрисовать свои поля не составляет большого труда, то для крупных агропредприятий и холдингов с тысячами полей внесение информации при помощи ручной отрисовки геометрии было весьма трудозатратно.

Система также содержит данные разных периодов: при последующем внесении информации не придется с нуля отрисовывать поля — достаточно продублировать прошлый сезон на новый, внеся необходимые изменения, например, по севообороту. На текущий момент в модуле Земельный паспорт зарегистрирована информация о почти 3 млн га земли от более чем 900 сельхозпредприятий Татарстана. В цифровом виде хранится около 92% всех сельхозугодий региона.

Важной задачей также стало внедрение специализированных нейронных сетей для верификации данных паспортизации, полученных от СХТП. Анализируя спутниковые снимки среднего пространственного разрешения, алгоритмы нейронных сетей обучились распознавать факт распашки полей, находить залесенные участки, проводить пространственный анализ на предмет выявления незарегистрированных участков. Полученная информация используется сотрудниками Минсельхоза региона в оперативной деятельности и распределении субсидий СХТП.

За последний год хайп вокруг ИИ сильно вырос — но мы в этой сфере не новички, команда на протяжении последних 5-ти лет занимается разработкой и улучшением моделей для сегментирования, классификации, детекции объектов землепользования в различных регионах страны (сельское и лесное хозяйство, недропользование, урбанистика) . Модели нейронных сетей мы пишем сами, а не используем готовые решения коллег по цеху. Тем не менее, мы используем проверенные временем архитектуры ИИ, например, Unet и DeepLab. Результаты нейронных сетей решают большое количество актуальных задач, связанных с актуализацией, накоплением данных, а главное быстрее, чем руками картографов.

Специализированные нейронные сети осуществляют автоматизированный мониторинг пашни

Результат и масштабирование

ГИС-модуль был апробирован в 2022 году и уже находится в полноценной эксплуатации органами государственной власти Республики Татарстан. По нашей оценке, проект аналогичного масштаба может существенно повлиять на цифровую трансформацию сельскохозяйственной отрасли регионов РФ в контексте работы с данными. Поэтому мы видим, что в дальнейшем проекты такого уровня возможно успешно реализовать в других регионах, отраслях и сферах, а также запускать новые продуктовые ГИС-решения уже для других отраслей, оптимизируя систему, добавляя новые интеграции, сервисы и функциона