Algoritmo de inteligencia artificial utilizado para predecir el rendimiento agrícola

Se prevé que el mercado de la agricultura de precisión alcance los 12.9 2027 millones de dólares para XNUMX. Con este aumento, existe la necesidad de soluciones sofisticadas de análisis de datos que sean capaces de guiar las decisiones de gestión en tiempo real. Un grupo interdisciplinario de la Universidad de Illinois ha desarrollado una nueva metodología, y su objetivo es procesar de manera eficiente y precisa los datos agrícolas de precisión.

Nicolas Martin es profesor asistente en el Departamento de Ciencias de los Cultivos de Illinois y coautor del estudio.

Estamos intentando cambiar la forma en que se realiza la investigación agronómica. En lugar de establecer una pequeña parcela, generar estadísticas y publicar los resultados, lo que intentamos hacer es involucrar al agricultor de forma mucho más directa. Realizamos experimentos con maquinaria agrícola en sus propios campos. Podemos detectar respuestas específicas de cada sitio a diferentes insumos. Y podemos ver si hay una respuesta en diferentes partes del campo», afirma.

“Desarrollamos una metodología utilizando el aprendizaje profundo para generar predicciones de rendimiento. Incorpora información de diferentes variables topográficas, electroconductividad del suelo, así como tratamientos de nitrógeno y tasa de semilla que aplicamos en nueve campos de maíz del Medio Oeste”.

El equipo utilizó datos de 2017 y 2018 del proyecto Gestión intensiva de datos de granjas para ayudar a desarrollar su enfoque. En ese proyecto, se aplicaron semillas y fertilizante nitrogenado en diferentes proporciones en 226 campos. Esos campos estaban en diferentes áreas del mundo, incluido el Medio Oeste, Brasil, Argentina y Sudáfrica. PlanetLab proporcionó imágenes satelitales de alta resolución y se combinaron con mediciones en el suelo para predecir el rendimiento.

Los campos se separaron digitalmente en cuadrados de 5 metros. La computadora recibió datos sobre el suelo, la elevación, la tasa de aplicación de nitrógeno y la tasa de semillas para cada cuadrado, y luego comenzó a aprender cómo el rendimiento en ese cuadrado está determinado por la interacción de los factores.

Para completar su análisis, los investigadores se basaron en una red neuronal convolucional (CNN). Una CNN es un tipo de aprendizaje automático o inteligencia artificial. Mientras que algunos tipos de aprendizaje automático hacen que las computadoras agreguen nuevos datos a patrones existentes, las redes neuronales convolucionales no tienen en cuenta los patrones existentes. La CNN analiza los datos y aprende los patrones responsables de organizarlos, y funciona de manera similar a cómo los humanos organizan la información a través de redes neuronales dentro del cerebro. El enfoque de CNN pudo predecir el rendimiento con una alta tasa de precisión y se comparó con otros algoritmos de aprendizaje automático y técnicas estadísticas tradicionales.

“No sabemos realmente qué está causando las diferencias en las respuestas del rendimiento a los insumos en un campo. A veces la gente tiene la idea de que un determinado lugar debería responder con mucha fuerza al nitrógeno y no es así, o viceversa. La CNN puede detectar patrones ocultos que pueden estar provocando una respuesta”, afirma Martin. "Y cuando comparamos varios métodos, descubrimos que la CNN estaba funcionando muy bien para explicar la variación del rendimiento".

El uso de inteligencia artificial para analizar datos de la agricultura de precisión es un campo nuevo, pero está creciendo. La agricultura es una de las principales industrias que cambiará drásticamente por la inteligencia artificial, y su uso continúa aumentando. Según Martin, este experimento es solo el comienzo del uso de CNN en una variedad de aplicaciones diferentes.

“Eventualmente, podríamos usarlo para generar recomendaciones óptimas para una combinación determinada de entradas y restricciones del sitio”.