🌾 crop-mcp

MCP-сервер для анализа урожая в ЕС — прогнозы урожайности, рыночные цены и анализ рисков для 25 стран ЕС.

Позволяет ИИ-агентам отвечать на вопросы: «Каким будет урожай пшеницы в Баден-Вюртемберге в этом году? Какова его стоимость по текущим рыночным ценам?»

pip install git+https://github.com/DasClown/CropProphEU.git
# or try it on Smithery: https://smithery.ai/servers/crop-mcp/CropProphEU

Функции (10 инструментов MCP)

Related MCP server: agriculture-mcp-server

Быстрый старт

1. Установка

pip install git+https://github.com/DasClown/CropProphEU.git

2. Использование в качестве MCP-сервера

через CLI (stdio):

crop-mcp

или через Python:

from crop_mcp import predict_europe_yield

result = predict_europe_yield("DE11", "DE", crop="wheat", gdd=3050, precip_mm=650)
print(f"Yield: {result['predicted_yield_t_ha']} t/ha")
print(f"Revenue: ~{result['predicted_yield_t_ha'] * 235:.0f} €/ha")

3. Claude Desktop / Cursor / Любой MCP-клиент

Добавьте в конфигурацию MCP:

{
  "mcpServers": {
    "crop": {
      "command": "python3",
      "args": ["-m", "crop_mcp.server"]
    }
  }
}

4. HTTP-сервер (для удаленного доступа / Smithery)

pip install crop-mcp[http]
crop-mcp --http --port 8080

Подключение через SSE: http://your-server:8080/sse

5. Docker

docker build -t crop-mcp .
docker run -p 8080:8080 crop-mcp crop-mcp --http --port 8080

Подтвержденные культуры

Рапс и подсолнечник: Не поддерживаются — отсутствуют данные об урожайности Eurostat. Инструменты отклоняют такие запросы с четким сообщением об ошибке (никаких скрытых галлюцинаций).

Пример вывода

Немецкий (по умолчанию):

Weizen – Region DE11 (DE)
Ertrag: 7.68 t/ha (Spanne 6.67–8.63)
...

Английский (с language="en"):

Wheat – Region DE11 (DE)
Yield: 7.68 t/ha (range 6.67–8.63)
Temperature: warm (3050°C GDD)
...

Весь вывод доступен на немецком (по умолчанию) или английском языке. Установите language="en" при вызове yield_and_value для получения вывода на английском. JSON-данные всегда возвращаются с английскими названиями полей; поле summary адаптируется к запрошенному языку.

Источники данных

Точность модели

Что это значит: Метрика LOYO является оптимистичной, так как модель обучается на данных всех лет, включая будущие. Прогнозная валидация (обучение на 2000-2022 гг., прогноз на 2023-2024 гг.) является реальным эталоном: ±15%.

Модель наиболее точна для основных стран ЕС (DE, FR, BE, NL, AT, CZ), где данные для обучения обширны, и менее точна для исключений, таких как NL/BE 2024, где необычные погодные условия вызвали систематическое завышение прогнозов.

Архитектура

crop-mcp/
├── crop_mcp/
│   ├── server.py              # 10 MCP tools
│   ├── europe_model_api.py    # Random Forest (200 trees) + Yield-at-Risk
│   ├── market_prices.py       # Live prices via Yahoo Finance + reference
│   ├── core/regions.py        # 120 NUTS2 regions
│   └── sources/               # Weather, soil, NDVI data fetchers
├── models/                    # .pkl files (download from Releases)
├── data/                      # Training data (generated by build)
├── pyproject.toml
└── README.md

Ключевые принципы проектирования:

• Никаких галлюцинаций — каждый прогноз урожайности основан на проверенных данных Eurostat

• Актуальные цены — пшеница/кукуруза CBOT через Yahoo Finance, обновляются ежечасно

• Самообновление — ежемесячное задание cron перестраивает модели с использованием последних данных Eurostat

• Никаких внешних API-ключей — все источники данных бесплатны и общедоступны

Коммерциализация

Инструмент готов к промышленному использованию для:

• Торговых отделов агросектора — «Какова стоимость пшеницы в Пикардии по текущим ценам MATIF?»

• Сельскохозяйственного консалтинга — «Как этот сезон соотносится с последними 5 годами?»

• Страхования / Рисков — Оценка риска урожайности (P10/P50/P90) по регионам

• Анализа политики ЕС — Влияние климатических сценариев на национальную урожайность

Следующие коммерческие функции: Рыночные цены по странам, историческая корреляция цен, автоматизированные PDF-отчеты, планирование многолетнего севооборота.

Сборка и обучение

# Build training data for a specific crop (25 min)
python3 build_europe.py --crop corn

# Train the model (2 min)
python3 train_europe_fast.py --crop corn

# Automatic monthly update (cron)
# Runs every 1st of the month at 06:00

Лицензия

MIT — бесплатно для использования, изменения и распространения.

Создано с ❤️ для ИИ-агентов, которым нужны реальные, проверяемые данные об урожае.