Kunstig intelligens-algoritme bruges til at forudsige landbrugsafkast

Det forventes, at markedet for præcisionslandbrug vil nå 12,9 milliarder dollars i 2027. Med denne stigning er der behov for avancerede dataanalyseløsninger, der kan vejlede ledelsesbeslutninger i realtid. En ny metode er blevet udviklet af en tværfaglig gruppe på University of Illinois, og den har til formål at effektivt og nøjagtigt bearbejde præcisionslandbrugsdata.

Nicolas Martin er adjunkt i afdelingen for afgrødevidenskab på Illinois og medforfatter til studiet.

“Vi prøver at ændre, hvordan folk driver agronomisk forskning. I stedet for at etablere en lille mark, køre statistik og offentliggøre gennemsnittet, prøver vi at involvere landmændene mere direkte. Vi kører eksperimenter med landmændenes maskiner på deres egne marker. Vi kan registrere stedsspecifikke reaktioner på forskellige indgange. Og vi kan se, om der er en reaktion i forskellige dele af marken,” siger han.

“Vi udviklede en metode ved hjælp af dyb læring til at generere afkastforudsigelser. Den omfatter information fra forskellige topografiske variable, jord-elektrokonduktivitet samt kvælstof- og frøbehandlingsrater, som vi anvendte på ni midtvestlige majsmarker.”

Holdet brugte data fra 2017 og 2018 fra Data Intensive Farm Management-projektet til at udvikle deres tilgang. I det projekt blev frø og kvælstofgødning anvendt i forskellige rater på 226 marker. Disse marker var beliggende i forskellige områder af verden, herunder Midtvesten, Brasilien, Argentina og Sydafrika. Højopløselige satellitbilleder blev leveret af PlanetLab, og de blev parret med målinger på jorden for at forudsige afkast.

Markerne blev digitalt adskilt i 5-meter kvadrater. Computeren fik data om jord, højde, kvælstofanvendelsesrate og frørate for hvert kvadrat, og derefter begyndte den at lære, hvordan afkastet i det kvadrat bestemmes af samspillet mellem faktorerne.

For at gennemføre deres analyse afhængte forskerne af en convolutional neural network (CNN). En CNN er en type maskinlæring eller kunstig intelligens. Mens nogle typer maskinlæring får computere til at tilføje nye data til eksisterende mønstre, tager convolutionelle neurale netværk ikke eksisterende mønstre i betragtning. CNN’er ser på data og lærer mønstrene, der er ansvarlige for at organisere det, og det fungerer på en måde, der ligner, hvordan mennesker organiserer information gennem neurale netværk i hjernen. CNN-tilgangen kunne forudsige afkast med en høj nøjagtighed, og den blev sammenlignet med andre maskinlæringsalgoritmer og traditionelle statistiske teknikker.

“Vi ved ikke rigtig, hvad der forårsager forskelle i afkastreaktioner på indgange over en mark. Nogle gange har folk en idé om, at en bestemt plet burde reagere meget stærkt på kvælstof, og det gør den ikke, eller omvendt. CNN’en kan registrere skjulte mønstre, der kan være årsag til en reaktion,” siger Martin. “Og når vi sammenlignede flere metoder, fandt vi ud af, at CNN’en fungerede meget godt til at forklare variation i afkast.”

Anvendelsen af kunstig intelligens til at analysere data fra præcisionslandbrug er et nyt felt, men det er et felt, der vokser. Landbrug er en af de store industrier, der vil blive dramatisk ændret af kunstig intelligens, og anvendelsen af det er fortsat stigende. Ifølge Martin er dette eksperiment kun begyndelsen på, at CNN’er bliver brugt i en række forskellige anvendelser.

“Til sidst kunne vi bruge det til at komme med optimale anbefalinger for en given kombination af indgange og lokalitetsbegrænsninger.”