Но точно определять, где и сколько её выращивают, всегда было сложно. Традиционные методы зависят от огромных массивов данных и часто ошибаются из-за разницы в климате, агротехнике и других местных особенностях.

Китайские ученые из Университета сельского хозяйства вместе с зарубежными коллегами нашли решение — модель SGMM (Spectral Gaussian Mixture Model).

Она анализирует не просто снимки полей, а ключевые показатели растений: содержание хлорофилла и «зеленость» кроны.

Это позволяет точнее отличать сою от других культур, даже если они выглядят похоже.

Как это работает

• Гибкая настройка под регион — модель автоматически учитывает местные условия, а не использует усредненные данные.
• Оптимальные сроки анализа — SGMM выбирает лучший период для оценки полей, снижая погрешности.

Тестирование в Китае, США, Аргентине и Бразилии показало точность 87,5–90,7%.

Результаты совпали с официальной статистикой, что доказывает надежность метода.

Наша модель решает главную проблему — неоднородность данных, — говорит руководитель исследования Шуанкси Мяо.

Теперь можно масштабировать мониторинг без потери точности, а это важно для прогнозирования урожаев.

Далее SGMM можно адаптировать для кукурузы, пшеницы и других культур. В будущем модель усовершенствуют с помощью ИИ, чтобы она работала даже в регионах с частой облачностью или сложными схемами посадки.

Этот метод — не просто академический прорыв. Он дает:

• Экономию ресурсов — фермеры и агрохолдинги смогут точнее планировать обработку полей, снижая затраты на удобрения и полив.
• Контроль рынка — биржи и правительства получат объективные данные о площадях посевов, минимизируя спекуляции.
• Экологию — мониторинг поможет выявлять незаконную вырубку лесов под посевы (актуально для Бразилии).

Ранее ученые заметили, что севооборот помогает адаптироваться к изменению климата.