خوارزمية الذكاء الاصطناعي المستخدمة للتنبؤ بالعائد الزراعي

من المتوقع أن يصل سوق الزراعة الدقيقة إلى 12.9 مليار دولار بحلول عام 2027. مع هذه الزيادة ، هناك حاجة إلى حلول معقدة لتحليل البيانات قادرة على توجيه قرارات الإدارة في الوقت الفعلي. تم تطوير منهجية جديدة من قبل مجموعة متعددة التخصصات في جامعة إلينوي ، وتهدف إلى معالجة البيانات الزراعية الدقيقة بكفاءة ودقة.

نيكولاس مارتن هو أستاذ مساعد في قسم علوم المحاصيل في إلينوي ومؤلف مشارك في الدراسة.

نحن نحاول تغيير الطريقة التي يدير بها الناس البحوث الزراعية. بدلاً من إنشاء قطعة أرض صغيرة ، وتشغيل الإحصائيات ، ونشر الوسائل ، فإن ما نحاول القيام به يشمل المزارع بشكل أكثر مباشرة. نحن نجري تجارب على آلات المزارعين في حقولهم. يمكننا اكتشاف الاستجابات الخاصة بالموقع لمدخلات مختلفة. ويمكننا أن نرى ما إذا كانت هناك استجابة في أجزاء مختلفة من المجال "، كما يقول.

"لقد طورنا منهجية باستخدام التعلم العميق لتوليد توقعات العائد. إنه يشتمل على معلومات من متغيرات طبوغرافية مختلفة ، والموصلية الكهربائية للتربة ، بالإضافة إلى معالجات معدل النيتروجين والبذور التي طبقناها في تسعة حقول ذرة في الغرب الأوسط. "

استخدم الفريق بيانات عامي 2017 و 2018 من مشروع Data Intensive Farm Management للمساعدة في تطوير نهجهم. في هذا المشروع ، تم استخدام البذور والأسمدة النيتروجينية بمعدلات مختلفة عبر 226 حقلاً. كانت تلك الحقول في مناطق مختلفة من العالم ، بما في ذلك الغرب الأوسط والبرازيل والأرجنتين وجنوب إفريقيا. تم توفير صور أقمار صناعية عالية الدقة بواسطة PlanetLab ، وتم إقرانها بقياسات على الأرض من أجل التنبؤ بالإنتاجية.

تم فصل الحقول رقميًا إلى مربعات طولها 5 أمتار. تم إعطاء الكمبيوتر بيانات عن التربة والارتفاع ومعدل تطبيق النيتروجين ومعدل البذور لكل مربع ، ثم بدأ في معرفة كيفية تحديد العائد في هذا المربع من خلال تفاعل العوامل.

ومن أجل استكمال تحليلهم، اعتمد الباحثون على الشبكة العصبية التلافيفية (CNN). CNN هو نوع من التعلم الآلي أو الذكاء الاصطناعي. في حين أن بعض أنواع التعلم الآلي تجعل أجهزة الكمبيوتر تضيف بيانات جديدة إلى الأنماط الموجودة، فإن الشبكات العصبية التلافيفية لا تأخذ الأنماط الموجودة في الاعتبار. وتنظر شبكة CNN إلى البيانات وتتعرف على الأنماط المسؤولة عن تنظيمها، وهي تعمل بطريقة مشابهة لكيفية قيام الإنسان بتنظيم المعلومات من خلال الشبكات العصبية داخل الدماغ. كان نهج CNN قادرًا على التنبؤ بالعائد بمعدل دقة عالٍ، وتمت مقارنته بخوارزميات التعلم الآلي الأخرى والتقنيات الإحصائية التقليدية.

"نحن لا نعرف حقًا ما الذي يسبب الاختلافات في استجابات الغلة للمدخلات عبر الحقل. في بعض الأحيان يكون لدى الناس فكرة أن بقعة معينة يجب أن تستجيب بقوة للنيتروجين وهي ليست كذلك ، أو العكس. يمكن لشبكة CNN أن تلتقط الأنماط المخفية التي قد تسبب استجابة "، كما يقول مارتن. "وعندما قارنا عدة طرق ، اكتشفنا أن سي إن إن كانت تعمل بشكل جيد للغاية لشرح تباين العائد."

يعد استخدام الذكاء الاصطناعي لتحليل البيانات من الزراعة الدقيقة مجالًا جديدًا ، لكنه مجال ينمو. الزراعة هي واحدة من الصناعات الرئيسية التي سيتم تغييرها بشكل جذري بواسطة الذكاء الاصطناعي ، واستخدامه في ازدياد مستمر. وفقًا لمارتن ، هذه التجربة هي مجرد بداية لاستخدام CNN في مجموعة متنوعة من التطبيقات المختلفة.

"في النهاية ، يمكننا استخدامه للتوصل إلى توصيات مثالية لمجموعة معينة من المدخلات وقيود الموقع."