Algoritmo di Intelligenza Artificiale Utilizzato per Prevedere il Rendimento Agricolo

Si prevede che il mercato dell’agricoltura di precisione raggiungerà i 12,9 miliardi di dollari entro il 2027. Con questo aumento, c’è bisogno di soluzioni di analisi dei dati sofisticate che siano in grado di guidare le decisioni di gestione in tempo reale. Un nuovo metodo è stato sviluppato da un gruppo interdisciplinare dell’Università dell’Illinois, e si propone di elaborare efficientemente e con precisione i dati agricoli di precisione.

Nicolas Martin è un assistente professore nel Dipartimento di Scienze delle Colture all’Università dell’Illinois e coautore dello studio.

“Stiamo cercando di cambiare il modo in cui le persone eseguono ricerche agronomiche. Invece di stabilire un piccolo campo di prova, eseguire statistiche e pubblicare le medie, ciò che stiamo cercando di fare coinvolge l’agricoltore in modo più diretto. Stiamo eseguendo esperimenti con le attrezzature degli agricoltori nei loro campi. Possiamo rilevare risposte specifiche del sito a diversi input. E possiamo vedere se c’è una risposta in diverse parti del campo”, dice.

“Abbiamo sviluppato una metodologia utilizzando l’apprendimento profondo per generare previsioni di resa. Incorpora informazioni da diverse variabili topografiche, elettroconduttività del suolo, nonché trattamenti di azoto e seme che abbiamo applicato in nove campi di mais del Midwest.”

Il team ha utilizzato i dati del 2017 e del 2018 del progetto Data Intensive Farm Management per aiutare a sviluppare il loro approccio. In quel progetto, semi e fertilizzante azotato sono stati applicati a tassi diversi su 226 campi. Quei campi erano situati in diverse aree del mondo, tra cui il Midwest, il Brasile, l’Argentina e il Sudafrica. Le immagini satellitari ad alta risoluzione sono state fornite da PlanetLab e sono state abbinate con misurazioni sul campo per prevedere la resa.

I campi sono stati divisi digitalmente in quadrati di 5 metri. Il computer ha ricevuto dati sul suolo, l’elevazione, il tasso di applicazione dell’azoto e il tasso di seme per ogni quadrato, e poi ha iniziato a imparare come la resa in quel quadrato è determinata dall’interazione dei fattori.

Per completare la loro analisi, i ricercatori si sono affidati a una rete neurale convoluzionale (CNN). Una CNN è un tipo di apprendimento automatico o intelligenza artificiale. Mentre alcuni tipi di apprendimento automatico fanno in modo che i computer aggiungano nuovi dati a modelli esistenti, le reti neurali convoluzionali non tengono conto dei modelli esistenti. Le CNN guardano i dati e imparano i modelli responsabili dell’organizzazione dei dati, e funzionano in modo simile a come gli esseri umani organizzano le informazioni attraverso le reti neurali nel cervello. L’approccio CNN è stato in grado di prevedere la resa con un alto tasso di accuratezza, e è stato confrontato con altri algoritmi di apprendimento automatico e tecniche statistiche tradizionali.

“Non sappiamo realmente cosa stia causando le differenze nelle risposte di resa agli input in tutto il campo. A volte le persone hanno un’idea che un certo punto dovrebbe rispondere molto fortemente all’azoto e non lo fa, o viceversa. La CNN può rilevare modelli nascosti che potrebbero essere la causa di una risposta”, dice Martin. “E quando abbiamo confrontato diversi metodi, abbiamo scoperto che la CNN funzionava molto bene per spiegare la variazione della resa.”

L’uso dell’intelligenza artificiale per analizzare i dati dell’agricoltura di precisione è un campo nuovo, ma è uno che sta crescendo. L’agricoltura è una delle principali industrie che saranno drasticamente cambiate dall’intelligenza artificiale, e l’uso di essa sta continuando ad aumentare. Secondo Martin, questo esperimento è solo l’inizio dell’uso delle CNN in una varietà di applicazioni diverse.

“Alla fine, potremmo utilizzarlo per fornire raccomandazioni ottimali per una combinazione data di input e vincoli del sito.”