VitiPredict_presentation

1.

VitiPredict
оценка пригодности участка
под выращивание винограда
ML + геоданные + интерактивная карта
ВУЗ · команда проекта

2.

В ведение: какую задачу решает проект
От координат участка к обоснованному ML-прогнозу пригодности территории
Проблема
Бизнес-ценность
Выбор участка под виноградник требует
анализа рельефа, климата и растительности.
Ручная оценка занимает время и зависит от
экспертизы.
Нужен быстрый инструмент первичного геоскоринга.
Снижение риска ошибочного выбора участка.
Быстрое сравнение территорий на карте.
Поддержка агроаналитики и инвестиционных
решений.
Backend: FastAPI
ML: XGBoost
Geo: Google Earth Engine
DB: SQLite
Команда: роли можно уточнить — backend/API, ML, data/geo, frontend/demo, презентация.
VitiPredict · 2
Источник: GitHub SArtemA/vitisai_2sem

3.

Арх итект ура решения
Пользователь выбирает точку, backend собирает признаки и сохраняет результат прогноза
Пользователь
выбирает точку
Web UI
карта + форма
FastAPI
/api/predict
GEE / fallback
признаки
XGBoost
прогноз
Данные и ML-модель не живут отдельно:
сбор признаков встроен в
пользовательский сценарий и
возвращает ответ сразу после отправки
координат.
GET /api/vineyards — список сохранённых участков
POST /api/predict — координаты → признаки → suitable
VitiPredict · 3
Источник: GitHub SArtemA/vitisai_2sem

4.

Данны е и предобработка
Признаки формируются из рельефа, климата и спутниковых индексов
Рельеф
Климат
Спутниковые
индексы
Цель
elevation
slope
aspect
hillshade
mid_year_temp
precipitation
NDVI
NDWI
is_suitable
Предобработка в train_model():
Риски качества данных:
чтение данных из vineyards_v2.db;
выбор записей, где mid_year_temp не пустой;
приведение признаков к numeric / float;
заполнение пропусков нулями;
train/test split 80/20 со stratify=y.
fallback-режим даёт нулевые значения;
малый или несбалансированный датасет ухудшит
обобщение;
нужен контроль статусов GEE_SUCCESS/FAILED.
VitiPredict · 4
Источник: GitHub SArtemA/vitisai_2sem

5.

ML -решение: XGB oos t Clas s ifier
Бинарная классификация: участок подходит / не подходит
8
2
входных признаков
класса пригодности
GridSearchCV
подбор гиперпараметров
Почему XGBoost
хорошо работает на табличных признаках;
устойчив к нелинейным зависимостям;
можно подобрать глубину, learning_rate и регуляризацию;
быстрый inference для веб-приложения.
VitiPredict · 5
Пайплайн сохраняет лучшую модель в
xgboost_grape_model.json и загружает её при
прогнозе.
Источник: GitHub SArtemA/vitisai_2sem

6.

Эксперименты и проблемы
В коде заложен поиск гиперпараметров XGBoost по accuracy
n_estimators
100 / 200 / 300
learning_rate
0.01 / 0.05 / 0.1
max_depth
3/5/7
subsample
0.7 / 0.8 / 1.0
colsample_bytree
0.7 / 0.8 / 1.0
gamma
0 / 0.1 / 0.2
reg_alpha
0 / 0.001 / 0.1
reg_lambda
1 / 1.5 / 2
Проблемы, которые уже учтены /
видны в README
GEE может быть недоступен → fallback;
модель может не найти файл и потребует
обучения;
при малом числе примеров модель может
давать одинаковый прогноз;
нет requirements.txt и LICENSE.
Что улучшить в
экспериментах:
логировать best_params_, accuracy и confusion matrix в отдельный артефакт;
сравнить XGBoost с RandomForest / Logistic Regression как baseline;
использовать cross-validation и метрики для дисбаланса классов.
VitiPredict · 6
Источник: GitHub SArtemA/vitisai_2sem

7.

Метрика и интерпретация резул ьтата
Accuracy используется в GridSearchCV, но в репозитории нет зафиксированного численного результата
Текущий статус
Почему accuracy
Код выводит accuracy, classification_report и
confusion_matrix после обучения, но значение не
сохранено в README. Поэтому в итоговой защите
лучше добавить результат последнего запуска.
Подходит как стартовая метрика для бинарной
классификации, если классы достаточно
сбалансированы. При дисбалансе стоит
добавить F1, precision/recall и ROC-AUC.
Интерпретация
прогноза
1 → участок предварительно пригоден для виноградарства;
0 → участок не рекомендуется без дополнительной проверки;
решение должно использоваться как скоринг, а не как финальная
агрономическая экспертиза.
VitiPredict · 7
Что вставить после запуска
accuracy на тесте;
confusion matrix;
важность признаков XGBoost.
Источник: GitHub SArtemA/vitisai_2sem

8.

Перспектив ы разв ития
Путь от учебного прототипа к сервису геоаналитики
1–2 недели
зафиксировать зависимости, LICENSE, README для запуска
2–4 недели
собрать более чистый и сбалансированный датасет
1 месяц
добавить мониторинг качества и сохранение ML-метрик
2 месяца
подготовить API для интеграции с внешними GIS/BI-системами
Образ конечного результата
веб-карта с слоями рельефа, климата и
индексов;
скоринг территорий и история анализов;
экспорт отчёта по участку для принятия
решения.
Интеграция со Сбером: потенциально — как модуль геоаналитики для агро/кредитного скоринга, витрина данных или API для
внутренних картографических сервисов.
VitiPredict · 8
Источник: GitHub SArtemA/vitisai_2sem

9.

Демо
Что показать на защите: запуск, карта, прогноз и сохранение результата
Сценарий live demo
python run.py
открыть http://127.0.0.1:5459
выбрать точку на карте
показать JSON-ответ и запись в БД
QR: репозиторий
GitHub
VitiPredict · 9
Источник: GitHub SArtemA/vitisai_2sem