ЖИ 5 000 000 гектар бидайды құтқарады: Google Earth Engine және BigQuery GIS арқылы Қостанай мен Ақмоладағы құрғақшылықты ғарыштық бақылау

Қазақстандық агробизнес пен ауыл шаруашылығы күнтізбесінде маусым мен шілде айлары — миллиондаған доллардың қапырық дала ауасына лезде буланып кететін ең қатерлі және сынақты кезеңі. Еліміздің солтүстік астықты алқаптарында — Қостанай, Ақмола және Солтүстік Қазақстан (СҚО) облыстарында ауа температурасы +38°C межесінен асып, секундына 18 метрге жететін аптап аңызақ қара топырақтың беткі қабатындағы ылғалдың соңғы тамшысын сорып ала бастағанда, жаздық бидай үшін нағыз жанқиярлық шайқас басталады. Егер агрохолдинг өсімдіктің су тапшылығынан туындаған күйзелісін (водный стресс) бар болғаны 5–7 күнге кешігіп байқаса, дән толыспай семіп қалады («дәннің күйіп кетуі»), ал гектар түсімділігі жоспарланған 22 центнерден 6–8 центнерлік апатты деңгейге дейін бір-ақ құлдилайды.

Қатаң коммерциялық құпиялылық келісімі (NDA) бойынша ірі агротехнологиялық консорциумның қосалқы мердігері (субподрядчик) ретінде біз — OZAT инженерлік тобы — жалпы аумағы 5 000 000 гектардан асатын егістік алқаптарында құрғақшылықты, топырақ эрозиясын және өнімділікті болжауды толық автоматты түрде бақылайтын ұлттық ауқымдағы бұлттық жүйені құру міндетін қабылдадық. Бұл — бүкіл Швейцария немесе Нидерланды мемлекетінің жер көлемінен де үлкен аумаққа шашырап жатқан 50 000-нан астам кадастрлық егістік контурлары.

Бұл инженерлік мақалада біз дәстүрлі «Нива» автокөліктерімен жасалатын агрономиялық тексерулер мен дрондардың неліктен қазақтың ұлан-ғайыр даласында қауқарсыз қалғанын, Google Earth Engine (GEE) API және BigQuery GIS негізінде үзіліссіз геоақпараттық конвейерді қалай құрғанымызды және Vertex AI машиналық оқыту алгоритмдері бидай жапырағы сарғайғанға дейін 21 күн бұрын құрғақшылық қаупін қалай дөп басып анықтайтынын егжей-тегжейлі талдаймыз.

Неліктен дрондар мен агрономдар 5 000 000 га ауқымында дәрменсіз?

Қалалық IT-стартаптар агроөнеркәсіптік кешенге алғаш қадам басқанда, олардың көкейіне бірден: «Мультиспектрлік камералары бар жүздеген ұшқышсыз ұшу аппараттарын (дрон) сатып алып, егістіктердің үстінен ұшырайық» деген идея келеді. Презентация слайдтарында инвесторлар алдында бұл өте әсерлі көрінгенімен, Қостанай мен Ақмоланың қатал далалық шындығында бұл тәсіл физика, аккумуляторлар мен экономика заңдарына соғылып, күл-талқан болады:

• Логистикалық тығырық: Қазақстанның астықты белдеуіндегі бір егістік танабының орташа көлемі 400-ден 1 500 гектарға дейін жетеді. Ең озық кәсіби өндірістік дрондарды (DJI Matrice 350 RTK немесе WingtraOne) қолданғанның өзінде 150 000 гектарлық орташа агрохолдингті толық ұшып шығу үшін 30 кәсіби пилоттан тұратын бригада, 150 қосалқы аккумулятор, бензин генераторлары және 2.5 апталық тоқтаусыз жұмыс қажет. Дрон елуінші егістікке жеткенше, алғашқы алқаптың бидайы қурап үлгереді.
• Батареялардың қызып кетуі мен дефолты: +37°C аптап ыстықта және екпінді дала желінде литий-полимерлі батареялар 18 минуттық ұшудан кейін қызып кетеді. Ұшу уақыты 45%-ға дейін қысқарып, дронның байланыссыз алыс сай-салада құлап қалу қаупі артады.
• «Көзбен шолып» тексерудің шектеулілігі: Жол талғамайтын көлікпен шыққан кәсіби агрономның өзі жол жиегінен тек 20–30 метр жерді ғана көре алады. 1000 гектарлық үлкен алқаптың қақ ортасындағы сор басқан немесе өсімдік күйген ошақтар астық жинайтын комбайндар кіргенге дейін көрінбейтін «соқыр аймақ» болып қала береді.
• Байланыссыз мәліметтер тасқыны: Дрондардан түсірілген терабайттаған шикі ортофотопландар орталықтандырылған геокеңістіктік бұлттық жүйе болмағандықтан, аудандық кеңселердегі қатты дискілерде шаң басып, пайдасыз күйде қалады.

5 000 000 гектарды әрбір 3–5 күн сайын тұрақты бақылап отырудың жалғыз шынайы және сенімді жолы — Google Cloud-тың ғаламдық есептеу қуатымен біріктірілген мультиспектрлік орбиталық жер серіктерінің шоғыры.

Шешімнің архитектурасы: Sentinel-2 орбитасынан BigQuery GIS-ке дейін

Біз Еуропалық ғарыш агенттігінің (ESA) жерсеріктік түсірілімдерін, ретроспективалық климаттық деректерді, кадастрлық геометрияларды және терең оқыту модельдерін бір арнаға біріктірген жоғары өнімді серверсіз геоконвейерді (Serverless Geo-Pipeline) жобаладық:

1. Орбиталық деректер көздері: Copernicus Sentinel-2A / Sentinel-2B жер серіктері (пиксельге 10 метрлік кеңістіктік ажыратымдылық, көзге көрінетін RGB-ден бастап жақын және қысқа толқынды инфрақызыл SWIR-ге дейінгі 13 спектрлік арна) + Landsat 8/9 және MODIS термалдық сенсорлары.
2. Google Earth Engine API: Жерді қашықтықтан зондтау (ЖҚЗ) түсірілімдерінің петабайттық каталогын қамтитын Google-дың арнайы бұлттық платформасы. Мұнда біз радиометриялық калибрлеуді, SCL (Scene Classification Layer) маскасы бойынша бұлттар мен көлеңкелерді сүзуді, спектрлік индекстерді есептеуді және векторлық полигондар бойынша аймақтық статистиканы жинақтауды жүзеге асырамыз.
3. Cloud Functions v2 & Cloud Pub/Sub: Қазақстан аумағында жаңа ғарыштық түсірілім пайда болғаннан кейін 15 минут ішінде индекстерді автоматты түрде қайта есептейтін серверсіз триггерлер.
4. BigQuery GIS: 50 000-нан астам егістік кадастрлық контурлары (WKT/GeoJSON полигондары), 10 жылдық вегетация тарихы және «Қазгидромет» метеостанцияларының мәліметтері сақталатын геокеңістіктік аналитикалық қойма.
5. Vertex AI & BigQuery ML: Бидайдың биологиялық түсімділігін болжауға және құрғақшылық ошақтарын ерте анықтауға арналған градиенттік бустинг (XGBoost) пен нейрожелілер.
6. Интерактивті карталық дашборд: Бас директорлар мен бас агрономдарға арналған WebGL/Deck.gl және Looker Studio негізіндегі ыңғайлы веб-интерфейс.

Мультиспектрлік талдаудың құпиясы: Неліктен тек NDVI жеткіліксіз?

Көптеген агро-стартаптар тек дәстүрлі NDVI (Normalized Difference Vegetation Index) вегетация индексін есептеумен ғана шектеледі. Алайда Қазақстанның құрғақ даласында тек NDVI-ға сенім арту — миллиондаған долларлық өнімнен айыратын өте үлкен қателік.

NDVI хлорофиллдің жақын инфрақызыл (NIR) және қызыл (Red) диапазондағы шағылысуын (NIR - RED) / (NIR + RED) классикалық формуласымен өлшейді. Бірақ бидай атмосфералық құрғақшылыққа ұшыраған кезде жапырақтағы хлорофилл ең соңында ыдырайды. Ең алдымен өсімдік қорғаныс режимін қосады: ылғалды жоғалтпау үшін лептесіктерін (жапырақ саңылауларын) тығыз жауып, жасушаішілік тургорлық су қысымын түсіреді. Жерсеріктік NDVI бойынша егістік әлі де жап-жасыл және «дені сау» болып көрінгенімен, өсімдік ішінде бидай басының дән байлауын тоқтататын қайтымсыз өлім процесі жүріп жатады.

Күйзелісті 2–3 апта бұрын анықтау үшін біз көп индекстік кешенді спектрлік ансамбльді енгіздік:

• NDWI (Normalized Difference Water Index / Гао су құрамы индексі): (B8 - B11) / (B8 + B11). Қысқа толқынды инфрақызыл арнаны (SWIR-1) қолданады. Бидай жапырағының жасуша мембранасындағы ылғал 1.6 мкм диапазонындағы сәулені қарқынды жұтады. NDWI көрсеткішінің төмендеуі жапырақ сарғайғанға дейін 14–21 күн бұрын өсімдік биомассасының сусызданғанын нақты хабарлайды.
• EVI (Enhanced Vegetation Index / Жақсартылған вегетация индексі): Көк түсті спектрлік арнаны (B2) есепке ала отырып, дала шаңының аэрозольдік әсерін және егістік қатарлары арасындағы ашық топырақтың фонын бейтараптандыратын оңтайландырылған формула: 2.5 * (NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1).
• VCI (Vegetation Condition Index / Өсімдік жай-күйінің индексі): Ағымдағы NDVI көрсеткішін нақты сол егістіктің соңғы 10 жылдағы ең төменгі және ең жоғарғы мәндеріне қатынасы бойынша нормализациялау: VCI = (NDVI_cur - NDVI_min) / (NDVI_max - NDVI_min) * 100%. VCI мәні 30%-дан төмен болса, бұл ауыр гидрологиялық құрғақшылықтың тікелей белгісі.
• SAVI (Soil Adjusted Vegetation Index): Топырақ фонын түзету коэффициенті бар индекс (L=0.5), бұл мамыр-маусым айларындағы түптену кезеңінде топырақ әсерін жою үшін аса маңызды.

Шаңды дауылдар мен далалық мұнармен Earth Engine-де күресу

Орталық Азия даласындағы басты инженерлік қиындық — жиі соғатын шаңды дауылдар мен биік қабатты қауырсын бұлттар (Cirrus). Стандартты бұлт маскалары көбіне ақшыл сорларды бұлт деп қателеседі немесе шаң тозаңын елемей, егістіктің көрсеткіштерін төмендетіп жібереді. Біздің жүйеде QA60 биттік маскасы мен Sentinel-2 Level-2A BOA (Bottom of Atmosphere) SCL классификаторы біріктірілді.

Төменде Қостанай мен Ақмола алқаптарына арналған бұлтты сүзуді, индекстерді есептеуді және аймақтық статистиканы жүктеп алуды орындайтын Python микросервисінің бастапқы коды берілген:

"""
Google Earth Engine (GEE) Automated Agro-Monitoring Pipeline
Calculates Cloud-Masked Multi-Spectral Indices (NDVI, NDWI, EVI) for 5M Hectares
Source: OZAT Engineering (https://ozat.kz)
"""

import ee
import datetime

# Initialize Earth Engine with GCP Service Account credentials
def initialize_gee(service_account_email: str, key_file_path: str, project_id: str):
    credentials = ee.ServiceAccountCredentials(service_account_email, key_file_path)
    ee.Initialize(credentials, project=project_id)
    print(f"✅ GEE initialized successfully for project: {project_id}")

def mask_s2_clouds(image):
    """
    Cloud masking using Sentinel-2 Scene Classification Layer (SCL)
    and QA60 Cloud/Cirrus bitmask flags.
    """
    qa = image.select('QA60')
    scl = image.select('SCL')
    
    cloud_bit_mask = 1 << 10
    cirrus_bit_mask = 1 << 11
    
    qa_mask = qa.bitwiseAnd(cloud_bit_mask).eq(0).And(qa.bitwiseAnd(cirrus_bit_mask).eq(0))
    # SCL values: 4 = vegetation, 5 = bare soil, 6 = water, 7 = unclassified
    scl_mask = scl.neq(3).And(scl.neq(8)).And(scl.neq(9)).And(scl.neq(10)).And(scl.neq(11))
    
    return image.updateMask(qa_mask).updateMask(scl_mask).divide(10000)

def compute_vegetation_indices(image):
    """
    Computes NDVI (Biomass), NDWI (Canopy Moisture), and EVI (Atmospheric Corrected)
    """
    # Bands: B2=Blue, B3=Green, B4=Red, B8=NIR, B11=SWIR1, B12=SWIR2
    nir = image.select('B8')
    red = image.select('B4')
    blue = image.select('B2')
    swir = image.select('B11')
    
    # 1. NDVI = (NIR - RED) / (NIR + RED)
    ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI')
    
    # 2. NDWI (Gao Moisture) = (NIR - SWIR) / (NIR + SWIR)
    ndwi = nir.subtract(swir).divide(nir.add(swir)).rename('NDWI')
    
    # 3. EVI = 2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))
    evi = image.expression(
        '2.5 * ((NIR - RED) / (NIR + 6.0 * RED - 7.5 * BLUE + 1.0))',
        {'NIR': nir, 'RED': red, 'BLUE': blue}
    ).rename('EVI')
    
    return image.addBands([ndvi, ndwi, evi]).set('date', image.date().format('YYYY-MM-dd'))

def process_region_zonal_stats(farm_polygons_fc, start_date: str, end_date: str, bq_export_table: str):
    """
    Extracts mean zonal statistics for all crop fields in Kostanay & Akmola
    and streams metrics to BigQuery GIS.
    """
    s2_collection = (ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
                     .filterBounds(farm_polygons_fc)
                     .filterDate(start_date, end_date)
                     .map(mask_s2_clouds)
                     .map(compute_vegetation_indices))
    
    # Create 10-day median composite to eliminate lingering cloud artifacts
    composite = s2_collection.select(['NDVI', 'NDWI', 'EVI']).median()
    
    # Compute zonal reduction over field geometries
    zonal_stats = composite.reduceRegions(
        collection=farm_polygons_fc,
        reducer=ee.Reducer.mean().combine(
            reducer2=ee.Reducer.stdDev(),
            sharedInputs=True
        ),
        scale=10,
        crs='EPSG:4326'
    )
    
    task = ee.batch.Export.table.toBigQuery(
        collection=zonal_stats,
        description=f'wheat_indices_{start_date}_{end_date}',
        outputTable=bq_export_table,
        writeDisposition='WRITE_APPEND'
    )
    task.start()
    print(f"🚀 Dispatched GEE Batch Task ID: {task.id} -> BigQuery: {bq_export_table}")
    return task.id

GitHub-тағы кодты көру (OZAT-kz)

Бұл конвейер Earth Engine параллель кластерлерінде 5 000 000 гектарды бар болғаны 12 минуттың ішінде өңдеп, миллиардтаған пиксельді жинақы кестелік агрегаттарға айналдырады.

Earth Engine жадын оңтайландыру: Out-Of-Memory қателерінсіз reduceRegions

10 метрлік ажыратымдылықта 50 000 полигоннан тұратын жиынтыққа reduceRegions функциясын қолданған кезде стандартты Google Earth Engine кластері User memory limit exceeded қатесін береді. Осы қатені болдырмау үшін біз үш архитектуралық әдісті енгіздік:

1. Кеңістіктік квадранттарға бөлу (Spatial Chunking): Солтүстік Қазақстан аумағы 1°x1° шаршыларға бөлініп, Cloud Tasks арқылы 2 000 танаптан тұратын топтамалармен өңделеді.
2. Геометрияларды оңтайландыру (Douglas-Peucker Simplification): Кадастрлық контурлардың артық нүктелерін geometry.simplify(maxError=5) арқылы 75%-ға азайттық.
3. BigQuery-ге Cloud Storage арқылы асинхронды экспорт: Драйвер жадын қатырмас үшін ee.batch.Export.table.toBigQuery() арнайы серверлік тапсырмаларын қолдандық.

BigQuery GIS: 50 000 егістікті кеңістіктік біріктіру (Spatial Join) 4.2 секундта

Шикі жерсеріктік индекстер жүктелгеннен кейін, Google BigQuery GIS кеңістіктік сиқыры басталады. PostgreSQL (PostGIS) сияқты дәстүрлі дерекқорларда 50 000 күрделі векторлық полигонды миллиондаған спутниктік нүктелермен және ERA5-Land метеорологиялық торымен байланыстыру 35 минуттан 2 сағатқа дейін уақыт алып, серверлерді қатырып тастайтын.

BigQuery Google Maps үшін арнайы жасалған S2 Geometry сфераны торлау алгоритмін және үлестірілген параллель есептеу слоттарын (Slots) пайдаланады. Бүкіл Солтүстік Қазақстан бойынша ST_Contains кеңістіктік қиылысуларын іздеу және Z-Score аномалияларын есептеу небәрі 4.2 секундта толық аяқталады:

-- BigQuery GIS: Spatial Join & 10-Year Drought Anomaly Detection across 5M Hectares
WITH CadastralFields AS (
  SELECT 
    field_id,
    cadastre_number,
    region_name,       -- 'Костанайская область', 'Акмолинская область', 'СКО'
    district_name,     -- 'Федоровский', 'Зерендинский', 'Атбасарский'
    crop_type,         -- 'Яровая мягкая пшеница'
    sowing_date,
    field_polygon_geo  -- GEOGRAPHY WKT polygon
  FROM `ozat-agritech.cadastre.kazakhstan_grain_belt_fields`
  WHERE ST_AREA(field_polygon_geo) > 100000 -- Исключаем тестовые участки < 10 га
),

SatelliteTelemetry AS (
  SELECT 
    field_id,
    observation_date,
    AVG(ndvi_mean) AS current_ndvi,
    AVG(ndwi_mean) AS current_ndwi,
    AVG(evi_mean) AS current_evi
  FROM `ozat-agritech.satellite.sentinel2_zonal_stats`
  WHERE observation_date BETWEEN '2026-06-01' AND '2026-07-31'
  GROUP BY field_id, observation_date
),

HistoricalBaseline AS (
  -- 10-летний ретроспективный бенчмарк вегетации для каждого полигона
  SELECT 
    field_id,
    EXTRACT(DAYOFYEAR FROM observation_date) AS day_of_year,
    AVG(ndvi_mean) AS baseline_ndvi_10yr,
    STDDEV(ndvi_mean) AS stddev_ndvi_10yr
  FROM `ozat-agritech.satellite.sentinel2_zonal_historical_2016_2025`
  GROUP BY field_id, day_of_year
),

SoilMoistureAndWeather AS (
  -- Сопряжение с метеостанциями Казгидромет и сеткой ERA5-Land
  SELECT 
    c.field_id,
    AVG(e.soil_temperature_layer1_celsius) AS soil_temp,
    AVG(e.volumetric_soil_water_layer1_percent) AS soil_moisture_pct,
    SUM(e.precipitation_mm) AS cum_precip_14d
  FROM CadastralFields c
  CROSS JOIN `ozat-agritech.weather.era5_land_daily` e
  WHERE ST_CONTAINS(e.grid_cell_geo, ST_CENTROID(c.field_polygon_geo))
    AND e.date BETWEEN DATE_SUB(CURRENT_DATE(), INTERVAL 14 DAY) AND CURRENT_DATE()
  GROUP BY c.field_id
)

SELECT 
  c.field_id,
  c.cadastre_number,
  c.region_name,
  c.district_name,
  c.crop_type,
  ST_AREA(c.field_polygon_geo) / 10000.0 AS area_hectares,
  s.observation_date,
  s.current_ndvi,
  s.current_ndwi,
  h.baseline_ndvi_10yr,
  -- Z-Score вегетационной аномалии (индекс деградации биомассы)
  SAFE_DIVIDE((s.current_ndvi - h.baseline_ndvi_10yr), NULLIF(h.stddev_ndvi_10yr, 0)) AS ndvi_z_score,
  w.soil_moisture_pct,
  w.cum_precip_14d,
  -- Оценка риска атмосферно-почвенной засухи (Drought Severity Index)
  CASE 
    WHEN s.current_ndwi < 0.15 AND w.soil_moisture_pct < 12.0 AND (s.current_ndvi - h.baseline_ndvi_10yr) < -0.18 THEN 'CRITICAL_DROUGHT'
    WHEN s.current_ndwi < 0.25 AND w.soil_moisture_pct < 16.0 THEN 'WARNING_MOISTURE_STRESS'
    WHEN s.current_ndvi >= h.baseline_ndvi_10yr THEN 'HEALTHY_OPTIMAL'
    ELSE 'MODERATE_MONITORING'
  END AS agronomic_risk_level,
  -- Предиктивный прогноз урожайности (ц/га)
  GREATEST(4.0, (18.5 + (s.current_ndvi * 12.0) + (w.soil_moisture_pct * 0.35) - (2.5 * GREATEST(0, (28.0 - w.soil_moisture_pct))))) AS forecasted_yield_centner_ha
FROM CadastralFields c
JOIN SatelliteTelemetry s ON c.field_id = s.field_id
JOIN HistoricalBaseline h ON c.field_id = h.field_id 
  AND EXTRACT(DAYOFYEAR FROM s.observation_date) = h.day_of_year
JOIN SoilMoistureAndWeather w ON c.field_id = w.field_id
WHERE s.observation_date = (SELECT MAX(observation_date) FROM SatelliteTelemetry)
ORDER BY area_hectares DESC;

GitHub-тағы кодты көру (OZAT-kz)

Google Maps интерактивті картасы: Астықты белдеудің ғарыштық телеметриясы

Төменде Солтүстік Қазақстанның (Қостанай, Ақмола және Солтүстік Қазақстан облыстары) негізгі мониторинг кластерлеріне географиялық байланыстырылған Google Maps интерактивті картасы берілген. Сіз картаның көрсетілу режимдерін (Жоғары ажыратымдылықтағы Жерсерік, Рельеф, Сұлба) ауыстыра аласыз, кадастрлық алқаптарды жақындатып, әрбір ауыл шаруашылығы ауданы бойынша вегетация мен топырақ ылғалының телеметриясын зерттей аласыз:

Google Maps жүйесін BigQuery GIS кеңістіктік қабаттарымен байланыстыру агрономдар мен басшылыққа спектрлік шағылысу көрсеткіштері ауытқыған танаптарды лезде анықтауға, жоғары дәлдіктегі жерсеріктік режимге өтуге және орбиталық контурларды нақты жер бедерінің ерекшеліктерімен — сайлармен, орман алқаптарымен және ауыспалы егіс шекараларымен салыстыруға мүмкіндік береді.

Vertex AI: Өнімділікті болжау және қаржылық тәуекелдерді басқару

Құрғақшылықты факт орын алғаннан кейін анықтау — инженерлік міндеттің жартысы ғана. Агрохолдингтер, банктер мен сақтандыру ұйымдары үшін басты бизнес-құндылық — орақ науқанына 2 ай қалғанда бидай түсімін жоғары дәлдікпен болжау болып табылады.

Бұл үшін біз Vertex AI AutoML Tabular және 42 факторды (Features) біріктіретін арнайы XGBoost моделін құрдық:

1. Динамикалық спектрлік қисықтар: Вегетацияның әрбір 10 күндік кезеңіндегі NDVI/NDWI/EVI өзгерістері (түптену, түтікке шығу, масақтану, сүттене пісу).
2. Агроклиматтық жиынтықтар: +10°C-тан жоғары белсенді температуралар сомасы (GDD), аңызақ индексі және Селяниновтың гидротермикалық коэффициенті (ГТК).
3. Топырақтың агрохимиялық төлқұжаты: Cloud Storage бұлттық қоймасында сақталған гумус, жылжымалы фосфор, алмаспалы калий құрамы мен топырақ құрылымы.
4. Ауыспалы егіс тарихы: Соңғы 5 жылдағы алғы дақылдар (сүрі жер, арпа, рапс, зығыр, күнбағыс), топырақтың азоттық балансын есепке алу.

Салыстырмалы диаграммадан көріп отырғанымыздай, тек NDVI-ға негізделген дәстүрлі әдіс өнімділікті болжауда 38%-ға дейін қателесіп, құрғақшылықты апаттан бар болғаны 4–5 күн бұрын ғана тіркей алды. Ал біздің Earth Engine, BigQuery GIS және Vertex AI интеграцияланған жүйеміз келесі нәтижелерді көрсетті:

• Су тапшылығын ерте анықтау уақыты: 21 күнге ертерек анықталып, агрономдарға өсімдік біржола қурап қалғанға дейін микротыңайтқыштар (калий, гумат, аминқышқылдары) шашуға және суару режимін реттеуге нақты мүмкіндік берді.
• Өнімділік болжамының дәлдігі: 94.2% дәлдікке жетті (элеваторларға түскен нақты бункерлік салмақ пен болжам арасындағы ауытқу 5 000 000 га бойынша орта есеппен небәрі 1.1 ц/га құрады).
• Экономикалық тиімділік: Тәуекел аймақтарындағы өнімді сақтап қалу арқылы тапсырыс беруші компания 4.8 миллиард теңгеден астам таза кірісті құтқарып қалды.

Логистикамен және элеваторлармен байланыстыру

Ораққа 60 күн қалғанда әрбір егістіктің түсімін дәл білу агрономиялық деректерді көліктік логистикамен тікелей байланыстыруға мүмкіндік берді. Біз өзіміздің BigQuery GIS арқылы көлік бағыттарын оңтайландыру туралы кейсімізде жазғанымыздай, агрохолдинг «Қазақстан темір жолы» (ҚТЖ) астық тасушы вагондарын алдын ала тиімді брондап, элеваторлар сыйымдылығын бөліп, Hi-Pro жоғары сапалы бидайына биржада 12% үстемеақымен экспорттық форвардтық келісімшарттар жасап үлгерді.

Агрономдарға жедел ескертулерді Telegram және WhatsApp арқылы жіберетін барлық микросервистер Google Cloud-тың сенімді микросервистік архитектурасында жұмыс істейді, бұл далалық бригадаларда интернет нашар болған күннің өзінде де хабарламалардың жеткізілуіне кепілдік береді.

FinOps: 5 000 000 гектарды GCP-де бақылау қанша тұрады?

Техникалық директорлар жиі қоятын сұрақ: «Петабайттаған ғарыштық деректерді Google Cloud-та өңдеу тым қымбатқа түспей ме?». FinOps шығындарын оңтайландыру қағидаларын сауатты қолдану арқылы біздің ай сайынғы шығынымыз өте төмен болды:

• Google Earth Engine API: пакеттік өңдеу пулы — $450/ай.
• BigQuery GIS: күні бойынша партициялау (PARTITION BY observation_date) және кластерлеу (CLUSTER BY region_name, district_name) сұраныстар көлемін 92%-ға азайтты. SQL шығыны: $180/айдан аз.
• Cloud Functions v2 & Cloud Storage: $95/ай.

Бұлттық инфрақұрылымның жалпы құны айына әр гектарға небәрі 0.15 теңгені құрады — бұл кез келген дәстүрлі далалық тексеруден жүздеген есе арзан.

Қазақстан агротехнологиялары үшін басты сабақтар мен кеңестер

5 000 000 гектар алқапта ғарыштық мониторингті сәтті енгізу тәжірибесі агроөнеркәсіптік кешенді цифрландыру бойынша маңызды қағидаларды тұжырымдауға мүмкіндік береді:

1. Жекелеген спутниктік суреттерді қуалауды доғарыңыз: Бір ғана фотосуреттің өзі ешқандай шешім бермейді. Нақты пайданы 10 жылдық климаттық базамен салыстырылған спектрлік қисықтардың уақыт ішіндегі динамикасы ғана береді.
2. BigQuery GIS-ті кеңістіктік деректердің өзегі ретінде пайдаланыңыз: BigQuery-дің үлестірілген архитекурасы ауыр геобазаларды баптаусыз-ақ миллиондаған кадастрлық контурларды кез келген геоторлармен лезде байланыстыруға мүмкіндік береді.
3. Тек NDVI-мен шектелмеңіз: Өсімдіктің су құрамы индексі (NDWI) мен ауа райының ауытқулары адам көзіне сарғаю көрінгенге дейін бірнеше апта бұрын егінді аман алып қалуға көмектеседі.
4. Агрономия, логистика және қаржыны тұтас экожүйеге біріктіріңіз: Өнім болжамы — бұл кәсіпорынның қаржылық тұрақтылығының, сақтандыруы мен трейдингінің басты құралы.

OZAT командасы Google Cloud Platform негізінде геокеңістіктік платформаларды, Big Data және машиналық оқыту жүйелерін жобалау бойынша терең тәжірибеге ие. Біздің озық технологияларды Қазақстанның нақты өндірістік секторына қалай бейімдейтінімізді білу үшін басқа да орындалған кейстерімізді қарап шығыңыз.

💡 ОЗАТ кеңесі: Енгізуге дайынсыз ба? Архитектура мен бюджетті Scope Builder арқылы есептеңіз немесе тегін ЖИ-аудиттен өтіңіз.