Tekoälyalgoritmi käytetään maatalouskasvien sadon ennustamiseen

On arvioitu, että tarkkuusmaatalousmarkkinat tavoittavat 12,9 miljardia dollaria vuoteen 2027 mennessä. Tämän kasvun myötä on tarve kehittyneille data-analyysiratkaisuille, jotka voivat ohjata päätöksentekoa reaaliajassa. Yhdysvaltain Illinoisin yliopistossa toimiva monitieteinen ryhmä on kehittänyt uuden metodologian, jonka tavoitteena on prosessoida tarkkuusmaatalousdataa tehokkaasti ja tarkasti.

Nicolas Martin on apulaisprofessori Illinoisin yliopiston kasvitieteellisessä laitoksessa ja yksi tutkimuksen tekijöistä.

“Yritämme muuttaa tapaa, jolla agronomiset tutkimukset tehdään. Sen sijaan, että perustamme pienen kenttäkokeen, suoritamme tilastolliset analyysit ja julkaisemme tulokset, yritämme tehdä tutkimusta suoraan maanviljelijöiden kanssa heidän omilla laitoksillaan. Voimme havaita paikkoja, joissa eri syötteiden vaikutukset ovat erilaisia. Ja voimme nähdä, onko vastetta eri osissa kenttää”, hän sanoo.

“Kehittimme metodologian, joka käyttää syvää oppimista sadon ennustamiseen. Se sisältää tietoja eri topografisista muuttujista, maan sähkönjohtavuudesta, typen ja siemenen määrästä, jotka sovellettiin yhdeksään keskilännen maissipellossa.”

Tutkijaryhmä käytti vuosien 2017 ja 2018 dataa Data Intensive Farm Management -projektista kehittääkseen lähestymistapaansa. Projektissa siemeniä ja typen lannoitetta käytettiin eri määrin 226 kentällä eri puolilla maailmaa, mukaan lukien Keski-Länsi, Brasilia, Argentiina ja Etelä-Afrikka. Korkearesoluutioiset satelliittikuvat toimittivat PlanetLab, ja ne yhdistettiin maanpäällisiin mittauksiin ennustamaan satotasoja.

Kentät jaettiin 5-metrisiin neliöihin. Tietokoneelle annettiin tietoja maasta, korkeudesta, typen käytöstä ja siemenmäärästä kullekin neliölle, ja se alkoi oppia, miten satotaso määräytyy näiden tekijöiden vuorovaikutuksessa.

Tutkijat käyttivät konvoluutioneuraaliverkkoa (CNN) analyysin suorittamiseen. CNN on tietynlainen koneoppiminen tai tekoäly. Toisin kuin jotkut koneoppimisen tyypit, jotka saavat tietokoneen lisäämään uusia tietoja olemassa oleviin malleihin, konvoluutioneuraaliverkot eivät ottaa olemassa olevia malleja huomioon. CNN:t tarkastelevat tietoja ja oppivat niiden järjestämisestä vastuussa olevat mallit, ja ne toimivat samalla tavalla kuin ihmiset järjestävät tietoa aivonsa hermosolmujen avulla. CNN-lähestymistapa pystyi ennustamaan satotasoja korkealla tarkkuudella, ja sitä verrattiin muihin koneoppimisalgoritmeihin ja perinteisiin tilastollisiin menetelmiin.

“Emme tiedä, mitä aiheuttaa eroja satotasonvasteisiin syötteisiin kentän eri osissa. Joskus ihmiset ajattelevat, että tietty paikka pitäisi reagoida voimakkaasti typelle, mutta se ei tee sitä, tai päinvastoin. CNN pystyy havaitsemaan piileviä malleja, jotka saattavat aiheuttaa vastetta”, Martin sanoo. “Ja kun vertasimme useita menetelmiä, huomasimme, että CNN toimi hyvin selittämään satotason vaihtelua.”

Tekoälyn käyttäminen tarkkuusmaatalousdatan analysointiin on uusi ala, mutta se on kasvamassa. Maatalous on yksi suurista aloista, joita tekoäly muuttaa dramaattisesti, ja sen käytön määrä on lisääntymässä. Martinin mukaan tämä koe on vain CNN:n käytön aloittaminen monissa eri sovelluksissa.

“Lopulta voimme käyttää sitä optimaalisten suositusten luomiseen annetuille syötteille ja paikkojen rajoituksille.”