Αλγόριθμος Τεχνητής Νοημοσύνης Χρησιμοποιείται για την Πρόβλεψη της Παραγωγής Γεωργίας

Προβλέπεται ότι η αγορά της ακριβούς γεωργίας θα φτάσει τα 12,9 δισεκατομμύρια δολάρια μέχρι το 2027. Με αυτή την αύξηση, υπάρχει ανάγκη για εξελιγμένες λύσεις ανάλυσης δεδομένων που μπορούν να οδηγήσουν τις αποφάσεις διαχείρισης σε πραγματικό χρόνο. Μια νέα μεθοδολογία έχει αναπτυχθεί από μια διεπιστημονική ομάδα στο Πανεπιστήμιο του Ιλινόις και στοχεύει στην αποτελεσματική και ακριβή επεξεργασία δεδομένων ακριβούς γεωργίας.

Ο Νικολάς Μάρτιν είναι助ανδρος καθηγητής στο Τμήμα Γεωργικών Επιστημών στο Ιλινόις και συν-συγγραφέας της μελέτης.

“Προσπαθούμε να αλλάξουμε τον τρόπο που οι άνθρωποι διεξάγουν αγρονομική έρευνα. Αντί να καθορίσουμε ένα μικρό πεδίο, να τρέξουμε στατιστικές και να δημοσιεύσουμε τα μέσα, αυτό που προσπαθούμε να κάνουμε εμπλέκει τον αγρότη πιο直接. Τρέχουμε πειράματα με τη μηχανήματα των αγροτών στα δικά τους πεδία. Μπορούμε να ανιχνεύσουμε site-ειδικές απαντήσεις σε διαφορετικές εισόδους. Και μπορούμε να δούμε αν υπάρχει απάντηση σε διαφορετικά μέρη του πεδίου”, λέει.

“Αναπτύξαμε μεθοδολογία χρησιμοποιώντας βαθιά μάθηση για να γεννήσουμε προβλέψεις απόδοσης. Περιλαμβάνει πληροφορίες από διαφορετικές τοπογραφικές μεταβλητές, ηλεκτρο αγωγιμότητα του εδάφους, καθώς και θεραπείες αζώτου και σπόρου που εφαρμόστηκαν σε εννέα πεδία καλαμποκιού στο Μεσανατολικό.

Η ομάδα χρησιμοποίησε δεδομένα από το 2017 και το 2018 από το πρόγραμμα Data Intensive Farm Management για να βοηθήσει στην ανάπτυξη της προσέγγισής τους. Σε αυτό το πρόγραμμα, σπόροι και λίπασμα αζώτου εφαρμόστηκαν σε διαφορετικές ποσότητες σε 226 πεδία. Αυτά τα πεδία βρίσκονταν σε διαφορετικές περιοχές του κόσμου, συμπεριλαμβανομένου του Μεσανατολικού, της Βραζιλίας, της Αργεντινής και της Νότιας Αφρικής. Υψηλής ανάλυσης δορυφορικές εικόνες παρέχθηκαν από την PlanetLab και συνδυάστηκαν με μετρήσεις στο έδαφος για να προβλεφθεί η απόδοση.

Τα πεδία χωρίστηκαν ψηφιακά σε τετράγωνα 5 μέτρων. Ο υπολογιστής έλαβε δεδομένα για το έδαφος, την υψόμετρο, τη ρυθμήση εφαρμογής αζώτου και τη ρυθμήση σπόρου για κάθε τετράγωνο και στη συνέχεια άρχισε να μαθαίνει πώς η απόδοση σε αυτό το τετράγωνο καθορίζεται από την αλληλεπίδραση των παραγόντων.

Για να ολοκληρώσουν την ανάλυση τους, οι ερευνητές βασίστηκαν σε ένα συνελικτικό νευρωνικό δίκτυο (CNN). Ένα CNN είναι ένας τύπος μηχανικής μάθησης ή τεχνητής νοημοσύνης. Ενώ κάποιοι τύποι μηχανικής μάθησης κάνουν τους υπολογιστές να προσθέτουν νέα δεδομένα σε υπάρχοντα πρότυπα, τα συνελικτικά νευρωνικά δίκτυα δεν λαμβάνουν υπόψη τα υπάρχοντα πρότυπα. Τα CNN κοιτάζουν τα δεδομένα και μαθαίνουν τα πρότυπα που είναι υπεύθυνα για την οργάνωση τους και λειτουργούν με παρόμοιο τρόπο με τον τρόπο που οι άνθρωποι οργανώνουν πληροφορίες μέσω νευρωνικών δικτύων στο εγκέφαλο. Η προσέγγιση του CNN ήταν σε θέση να προβλέψει την απόδοση με υψηλή ακρίβεια και συγκρίθηκε με άλλους αλγορίθμους μηχανικής μάθησης και παραδοσιακές στατιστικές τεχνικές.

“Δεν ξέρουμε πραγματικά τι προκαλεί τις διαφορές στις απαντήσεις της απόδοσης στις εισόδους σε όλο το πεδίο. Κάποιες φορές οι άνθρωποι έχουν μια ιδέα ότι ένα συγκεκριμένο σημείο θα ανταποκριθεί πραγματικά ισχυρά στο άζωτο και δεν το κάνει, ή το αντίθετο. Το CNN μπορεί να πιάσει κρυφά πρότυπα που μπορεί να προκαλούν μια απάντηση”, λέει ο Μάρτιν. “Και όταν συγκρίναμε διάφορες μεθόδους, ανακαλύψαμε ότι το CNN λειτουργούσε πολύ καλά για να εξηγήσει την παραλλαγή της απόδοσης”.

Η χρήση της τεχνητής νοημοσύνης για την ανάλυση δεδομένων από την ακριβή γεωργία είναι ένα νέο πεδίο, αλλά είναι ένα που αυξάνεται. Η γεωργία είναι μια από τις μεγάλες βιομηχανίες που θα αλλάξουν δραματικά από την τεχνητή νοημοσύνη, και η χρήση της συνεχίζει να αυξάνεται. Σύμφωνα με τον Μάρτιν, αυτό το πείραμα είναι μόνο η αρχή της χρήσης του CNN σε διάφορες διαφορετικές εφαρμογές.

“Τελικά, θα μπορούσαμε να το χρησιμοποιήσουμε για να βρούμε τις βέλτιστες συστάσεις για μια δεδομένη συνδυασμό εισόδων και περιορισμών του χώρου”.