*05 марта 2026*

Несколько лет назад я участвовал в проекте по оценке потенциальных участков для выращивания авокадо сорта Хасс в Колумбии. Процесс был трудоемким: анализ успешных хозяйств, консультации с агрономами, поездки по стране, сбор данных о климате и рельефе. Это была фрагментированная, "ручная" работа, которую крайне сложно масштабировать.

Поэтому, когда Google DeepMind выпустил модель AlphaEarth, меня это очень заинтересовало. Она преобразует всю планету в наборы "экологических отпечатков" (fingerprints), доступных для поиска. И это натолкнуло меня на простой вопрос:

Это и есть поиск по сходству (similarity search) в применении к сельскому хозяйству. Практическая реализация стала возможна благодаря тому, что спутниковые наблюдения теперь кодируются в эмбеддинги — сжатые цифровые представления, которые улавливают закономерности ландшафта, вместо того чтобы оперировать сырыми данными по десяткам разрозненных параметров.

Модель AlphaEarth обрабатывает годичный цикл спутниковых наблюдений и создает для каждого квадрата 10×10 метров на Земле уникальный «цифровой отпечаток», состоящий всего из 64 чисел. Модель обучалась на оптических снимках, тепловых данных и радиолокационной съемке, но в процессе она также научилась прогнозировать климатические переменные, высоту над уровнем моря и структуру растительности. Таким образом, этот отпечаток кодирует в себе сезонные ритмы, температурный режим, особенности рельефа и многое другое.

Если у двух точек на карте похожие отпечатки — значит, у них схожие природно-климатические условия. Зная, где культура успешно растет, можно найти другие места с подходящими условиями. То есть, взяв за эталон несколько продуктивных хозяйств, можно в глобальном масштабе искать их природные аналоги.

Я выбрал авокадо Хасс отчасти из-за своего колумбийского опыта, отчасти потому, что глобальной карты пригодности земель для этой культуры просто не существует. ФАО (Продовольственная и сельскохозяйственная организация ООН) разработала методики для основных зерновых (кукуруза, пшеница, рис), но не для нишевых культур. Какие-то карты для авокадо существуют, но они не разделяют сорта. Есть научные работы на уровне отдельных стран, но глобального охвата нет.

Я определил 24 успешных хозяйства, выращивающих авокадо Хасс, в Мексике, Колумбии, ЮАР, Кении, Калифорнии (США), Испании, Перу, Чили и нескольких других регионах. Я извлек их цифровые отпечатки из AlphaEarth и вычислил показатели сходства для каждого квадратного километра суши на планете.

Рисунок 1: Проекция отпечатков методом главных компонент (PCA). Хозяйства группируются по схожести условий, а не по географической близости. Перу и ЮАР, разделенные 10 000 км, находятся рядом друг с другом.

Полученная карта сразу показала известные регионы производства, что подтвердило корректность подхода. Но гораздо интереснее были межконтинентальные совпадения: Испания и Калифорния наложились друг на друга, несмотря на расстояние в 9 000 км. Перу совпало с ЮАР. Модель выявила природные аналоги на огромных расстояниях, что делает ее мощным инструментом для выдвижения гипотез при выборе новых участков.

Рисунок 2: Глобальная карта сходства. Степень схожести территорий с 24 эталонными хозяйствами по авокадо Хасс. Более яркие области означают более высокое биоклиматическое сходство. Изображение: автор.

После того, как я отфильтровал уже известные страны-экспортеры, выделились десять новых регионов с высокими показателями:

Смогут ли эти регионы реально поддерживать товарное производство, зависит от множества факторов, которые спутник не видит. Но как отправная точка для исследований — результаты выглядят многообещающе.

Поиск по сходству находит места, которые по природным условиям похожи на ваши эталонные участки. Он не учитывает:

Место может идеально совпадать по биоклиматическим сигналам, но быть абсолютно непригодным для ведения бизнеса.

Кроме того, этот подход наследует все искажения, заложенные в эталонных данных. Если ваши 24 хозяйства представляют в основном орошаемые равнины, то модель будет искать другие орошаемые равнины. Разнообразие исходных данных имеет решающее значение.

Поэтому этот метод не замена агрономическому опыту и полевым исследованиям. Это инструмент первичного отбора, способ сузить зону поиска перед тем, как приступать к дорогостоящей работе на местности.

Пример с авокадо Хасс был лишь тестовым. Главный вопрос в том, что поиск по сходству может дать сельскому хозяйству в целом.

Google сделал AlphaEarth общедоступным через платформу Earth Engine. Для работы с ним нужны базовые навыки программирования, но барьер доступа к данным исчез. Это серьезный сдвиг по сравнению с временами, когда глобальный экологический анализ требовал огромных ресурсов.

Что будет построено на этой основе — открытый вопрос. Моя карта для авокадо — лишь один пример. Кто-то другой может использовать этот подход для выбора участков под лесовосстановление, размещение объектов возобновляемой энергетики или отслеживания изменений в экосистемах. Инфраструктура едина.

Для сельского хозяйства поиск по сходству не заменит тяжелую работу агрономов, почвоведов и маркетологов. Но он может изменить точку старта этой работы. Вместо выбора регионов на основе интуиции или географической близости, вы сможете выбирать их на основе объективных природных аналогов, и уже затем проводить настоящую, глубокую оценку.

Это небольшое изменение в процессе, но оно может открыть возможности, которые иначе бы даже не рассматривались.