خوارزمية الذكاء الاصطناعي المستخدمة لتوقع محصول الزراعة

يتوقع أن تصل سوق الزراعة الدقيقة إلى 12.9 مليار دولار أمريكي بحلول عام 2027. مع هذا النمو ، هناك حاجة إلى حلول تحليل البيانات المتطورة التي يمكنها توجيه قرارات الإدارة في الوقت الفعلي. وقد تم تطوير منهجية جديدة من قبل فريق متعدد التخصصات في جامعة إلينوي ، وتهدف إلى معالجة بيانات الزراعة الدقيقة بفعالية ودقة.

نيكولاس مارتين هو أستاذ مساعد في قسم علوم المحاصيل في إلينوي وشارك في كتابة الدراسة.

“نحن نحاول تغيير كيفية عمل الناس في أبحاث الزراعة. بدلاً من إنشاء مخطط حقل صغير ، و chạy الإحصائيات ، و نشر المتوسطات ، ما نحاول القيام به يتضمن المزارع بشكل مباشر أكثر. نحن نجرى تجارب مع معدات المزارع في حقولهم الخاصة. يمكننا الكشف عن استجابات موقعية محددة لمختلف الإدخالات. ونحن نرى ما إذا كان هناك استجابة في مختلف أجزاء الحقل” ، يقول.

“لقد طورنا منهجية باستخدام التعلم العميق لتوليد تنبؤات الإنتاج. وتتضمن معلومات من متغيرات طوبوغرافية مختلفة ، وconductivity التربة ، بالإضافة إلى معاملات النيتروجين ومعدل البذور التي طبقناها في تسع حقول ذرة في الغرب الأوسط”.

استخدم الفريق بيانات 2017 و 2018 من مشروع إدارة المزرعة المكثفة للبيانات لمساعدة تطوير نهجهم. في ذلك المشروع ، تم تطبيق البذور ومخصبات النيتروجين بمعدلات مختلفة عبر 226 حقلًا. كانت تلك الحقول في مناطق مختلفة من العالم ، بما في ذلك الغرب الأوسط ، والبرازيل ، والأرجنتين ، وجنوب أفريقيا. تم توفير صور الأقمار الصناعية عالية الدقة من قبل PlanetLab ، وتم ربطها بقياسات على الأرض من أجل التنبؤ بالإنتاج.

تم فصل الحقول رقميًا إلى مربعات بطول 5 أمتار. تم إعطاء الكمبيوتر بيانات حول التربة والارتفاع ومعدل تطبيق النيتروجين ومعدل البذور لكل مربع ، ثم بدأ في التعلم كيفية تحديد الإنتاج في ذلك المربع من خلال التفاعل بين العوامل.

为了完成 تحليلهم ، اعتمد الباحثون على شبكة عصبية متوهجة (CNN). CNN هو نوع من التعلم الآلي أو الذكاء الاصطناعي. في حين أن بعض أنواع التعلم الآلي تُجبر الكمبيوتر على إضافة بيانات جديدة إلى الأنماط الحالية ، لا تأخذ الشبكات العصبية المتوهجة في الاعتبار الأنماط الحالية. تعتمد CNN على النظر في البيانات وتعلم الأنماط المسؤولة عن تنظيمها ، وتعمل بطريقة مشابهة لطريقة تنظيم الإنسان للمعلومات من خلال الشبكات العصبية في الدماغ. كان نهج CNN قادرًا على التنبؤ بالإنتاج بدقة عالية ، وتمت مقارنته مع خوارزميات التعلم الآلي التقليدية والتقنيات الإحصائية.

“نحن لا نعرف حقًا ما الذي يسبب الفروق في استجابات الإنتاج للإدخالات عبر الحقل. أحيانًا يكون الناس لديهم فكرة أن مكانًا معينًا يجب أن يستجيب بقوة للنيتروجين ولا يستجيب ، أو العكس. يمكن لـ CNN التقاط الأنماط الخفية التي قد تسبب استجابة” ، يقول مارتين. “وعندما قارنا عدة طرق ، وجدنا أن CNN تعمل جيدًا جدًا لشرح تباين الإنتاج”.

استخدام الذكاء الاصطناعي لتحليل البيانات من الزراعة الدقيقة هو مجال جديد ، ولكنه يتوسع. الزراعة هي واحدة من الصناعات الكبيرة التي سوف تتغير بشكل كبير بسبب الذكاء الاصطناعي ، واستخدامه يزداد باستمرار. وفقًا لمارتين ، هذا التجربة هو مجرد البداية لاستخدام CNN في تطبيقات مختلفة.

“في النهاية ، يمكننا استخدامها لتحديد التوصيات المثلى لمزيج معين من الإدخالات وقيود الموقع”.