Algoritmus umělé inteligence používaný k předpovědi výnosu v zemědělství

Předpokládá se, že trh s precizním zemědělstvím dosáhne do roku 2027 hodnoty 12,9 miliardy dolarů. S tímto růstem je zapotřebí sofistikovaných řešení pro analýzu dat, která jsou schopna vést manažerská rozhodnutí v reálném čase. Nová metodika byla vyvinuta mezioborovou skupinou na University of Illinois a jejím cílem je efektivně a přesně zpracovat data z precizního zemědělství.

Nicolas Martin je asistent profesora na oddělení rostlinných věd na University of Illinois a spoluautor studie.

“Snažíme se změnit, jak lidé provádějí agronomický výzkum. Místo zřízení malé pozemkové parcely, běhu statistiky a publikování průměrů se snažíme zapojit farmáře přímo. Provádíme experimenty s farmářskými stroji na jejich vlastních pozemcích. Můžeme detekovat místně specifické reakce na různé vstupy. A můžeme vidět, zda je reakce v různých částech pole,” říká.

“Vyvinuli jsme metodiku pomocí hlubokého učení pro generování předpovědí výnosu. Zahrnuje informace z různých topografických proměnných, elektrokonduktivity půdy, jakož i aplikací dusíku a osiva, které jsme aplikovali na devět polí v Midwesternu.”

Tým použil data z roku 2017 a 2018 z projektu Data Intensive Farm Management, aby pomohl vyvinout svůj přístup. V tomto projektu byla semena a dusíkatá hnojiva aplikována v různých dávkách na 226 polích. Pole se nacházela v různých částech světa, včetně Midwesternu, Brazílie, Argentiny a Jižní Afriky. Vysokorozlišené satelitní snímky byly poskytnuty firmou PlanetLab a byly spárovány s měřeními na zemi, aby se předpověděl výnos.

Pole byla digitálně rozdělena na 5metrové čtverce. Počítač obdržel data o půdě, nadmořské výšce, aplikaci dusíku a osiva pro každý čtverec a poté začal učit, jak výnos v tomto čtverci je určen interakcí faktorů.

Pro dokončení své analýzy se výzkumníci spoléhali na konvoluční neuronovou síť (CNN). CNN je typ strojového učení nebo umělé inteligence. Zatímco některé typy strojového učení umožňují počítačům přidávat nová data do existujících vzorců, konvoluční neuronové sítě neberou v úvahu existující vzorce. CNN prohlíží data a učí se vzorcům, které jsou odpovědné za organizaci dat, a funguje podobným způsobem, jako lidé organizují informace prostřednictvím neuronových sítí v mozku. Přístup CNN byl schopen předpovědět výnos s vysokou mírou přesnosti a byl porovnán s jinými algoritmy strojového učení a tradičními statistickými technikami.

“Nevíme přesně, co způsobuje rozdíly ve výnosech v reakci na vstupy napříč polem. Někdy lidé mají představu, že určitá místa by měla reagovat velmi silně na dusík a nebudou, nebo naopak. CNN může zachytit skryté vzorce, které mohou způsobovat reakci,” říká Martin. “A když jsme porovnali několik metod, zjistili jsme, že CNN funguje velmi dobře pro vysvětlení variability výnosu.”

Použití umělé inteligence pro analýzu dat z precizního zemědělství je novým oborem, ale je to oblast, která roste. Zemědělství je jednou z hlavních odvětví, která budou dramaticky změněna umělou inteligencí, a používání umělé inteligence bude pokračovat. Podle Martina je tento experiment pouze začátkem používání CNN v různých aplikacích.

“Nakonec bychom mohli použít ji k vytvoření optimálních doporučení pro danou kombinaci vstupů a omezení místa.”