Künstliche-Intelligenz-Algorithmus zur Vorhersage von landwirtschaftlichen Erträgen

Es wird vorhergesagt, dass der Präzisionslandwirtschaftsmarkt bis 2027 12,9 Milliarden Dollar erreichen wird. Mit diesem Anstieg besteht ein Bedarf an fortschrittlichen Datenanalyse-Lösungen, die in der Lage sind, Management-Entscheidungen in Echtzeit zu unterstützen. Eine neue Methodik wurde von einer interdisziplinären Gruppe an der University of Illinois entwickelt und zielt darauf ab, Präzisionslandwirtschafts-Daten effizient und genau zu verarbeiten.

Nicolas Martin ist Assistant Professor im Department of Crop Sciences an der University of Illinois und Co-Autor der Studie.

“Wir versuchen, die Art und Weise zu ändern, wie Menschen agronomische Forschung betreiben. Anstatt ein kleines Feld zu erstellen, Statistiken zu erstellen und die Mittelwerte zu veröffentlichen, versuchen wir, die Farmer direkt einzubinden. Wir führen Experimente mit den Maschinen der Farmer in ihren eigenen Feldern durch. Wir können standortspezifische Reaktionen auf unterschiedliche Inputs erkennen. Und wir können sehen, ob es eine Reaktion in verschiedenen Teilen des Feldes gibt”, sagt er.

“Wir haben eine Methodik entwickelt, die Deep Learning verwendet, um Ertragsvorhersagen zu generieren. Sie umfasst Informationen aus verschiedenen topografischen Variablen, Bodenelektrokonduktivität sowie Stickstoff- und Saatrate-Behandlungen, die wir in neun mittleren Maisfeldern angewendet haben.”

Das Team verwendete Daten aus den Jahren 2017 und 2018 des Data Intensive Farm Management-Projekts, um ihre Herangehensweise zu entwickeln. In diesem Projekt wurden Saatgut und Stickstoff-Dünger in unterschiedlichen Raten auf 226 Feldern in verschiedenen Teilen der Welt, einschließlich des Mittleren Westens, Brasiliens, Argentiniens und Südafrikas, angewendet. Hochauflösende Satellitenbilder wurden von PlanetLab bereitgestellt und mit Bodenmessungen kombiniert, um den Ertrag vorherzusagen.

Die Felder wurden digital in 5-Meter-Quadrate unterteilt. Der Computer erhielt Daten über Boden, Höhe, Stickstoff-Anwendungsrate und Saatrate für jedes Quadrat und begann dann, zu lernen, wie der Ertrag in diesem Quadrat durch die Wechselwirkung der Faktoren bestimmt wird.

Um ihre Analyse abzuschließen, verließen sich die Forscher auf ein Convolutional Neural Network (CNN). Ein CNN ist eine Art maschinelles Lernen oder künstliche Intelligenz. Während einige Arten des maschinellen Lernens Computer dazu bringen, neue Daten in bestehende Muster einzufügen, berücksichtigen convolutionale neuronale Netze keine bestehenden Muster. CNNs betrachten Daten und lernen die Muster, die für die Organisation verantwortlich sind, und funktionieren ähnlich wie die Art und Weise, wie Menschen Informationen durch neuronale Netze im Gehirn organisieren. Der CNN-Ansatz konnte den Ertrag mit einer hohen Genauigkeitsrate vorhersagen und wurde mit anderen maschinellen Lernalgorithmen und traditionellen statistischen Techniken verglichen.

“Wir wissen nicht wirklich, was die Unterschiede in den Ertragsreaktionen auf Inputs über ein Feld verursacht. Manchmal haben Menschen die Vorstellung, dass ein bestimmter Punkt stark auf Stickstoff reagieren sollte und es nicht tut, oder umgekehrt. Das CNN kann versteckte Muster erkennen, die möglicherweise eine Reaktion verursachen”, sagt Martin. “Und wenn wir mehrere Methoden verglichen, stellten wir fest, dass das CNN sehr gut funktionierte, um die Variation des Ertrags zu erklären.”

Die Verwendung von künstlicher Intelligenz zur Analyse von Daten aus der Präzisionslandwirtschaft ist ein neues Feld, aber es ist eines, das wächst. Die Landwirtschaft ist eine der wichtigsten Branchen, die durch künstliche Intelligenz dramatisch verändert werden wird, und die Verwendung davon wird weiter zunehmen. Laut Martin ist dieses Experiment nur der Anfang von CNNs, die in verschiedenen Anwendungen eingesetzt werden.

“Schließlich könnten wir es verwenden, um optimale Empfehlungen für eine gegebene Kombination von Inputs und Standortbeschränkungen zu erstellen.”