Algoritmo di intelligenza artificiale utilizzato per prevedere la resa agricola

Si prevede che il mercato dell'agricoltura di precisione raggiungerà i 12.9 miliardi di dollari entro il 2027. Con questo aumento, sono necessarie sofisticate soluzioni di analisi dei dati in grado di guidare le decisioni di gestione in tempo reale. Una nuova metodologia è stata sviluppata da un gruppo interdisciplinare presso l'Università dell'Illinois e mira a elaborare in modo efficiente e accurato dati agricoli di precisione.

Nicolas Martin è un professore assistente presso il Dipartimento di Scienze delle colture dell'Illinois e coautore dello studio.

"Stiamo cercando di cambiare il modo in cui le persone gestiscono la ricerca agronomica. Invece di creare un piccolo appezzamento di terreno, elaborare statistiche e pubblicare i dati, ciò che stiamo cercando di fare coinvolge l'agricoltore in modo molto più diretto. Stiamo conducendo esperimenti con i macchinari 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", afferma.

“Abbiamo sviluppato una metodologia utilizzando il deep learning per generare previsioni di rendimento. Incorpora informazioni da diverse variabili topografiche, elettroconduttività del suolo, nonché trattamenti con azoto e tasso di semina 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 proprio approccio. In quel progetto, semi e fertilizzanti a base di azoto sono stati applicati a velocità diverse su 226 campi. Quei campi erano in diverse aree del mondo, tra cui il Midwest, il Brasile, l'Argentina e il Sud Africa. Le immagini satellitari ad alta risoluzione sono state fornite da PlanetLab e sono state abbinate a misurazioni a terra per prevedere la resa.

I campi sono stati separati digitalmente in quadrati di 5 metri. Al computer sono stati forniti dati su suolo, altitudine, tasso di applicazione di azoto e tasso di semina per ogni quadrato, e quindi 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 sì che i computer aggiungano nuovi dati a modelli esistenti, le reti neurali convoluzionali non tengono conto dei modelli esistenti. La CNN esamina i dati e apprende i modelli responsabili della loro organizzazione, e funziona in modo simile a come gli esseri umani organizzano le informazioni attraverso le reti neurali all'interno del cervello. L’approccio della CNN è stato in grado di prevedere il rendimento con un elevato tasso di precisione ed è stato confrontato con altri algoritmi di apprendimento automatico e tecniche statistiche tradizionali.

"Non sappiamo realmente cosa causi differenze nelle risposte di resa agli input in un campo. A volte si pensa che un determinato punto dovrebbe rispondere in modo molto intenso all'azoto e non lo fa, o viceversa. La CNN può individuare modelli nascosti che potrebbero causare una risposta", afferma Martin. "E quando abbiamo confrontato diversi metodi, abbiamo scoperto che la CNN funzionava molto bene nello spiegare le variazioni di resa".

L'uso dell'intelligenza artificiale per analizzare i dati dell'agricoltura di precisione è un campo nuovo, ma in crescita. L'agricoltura è una delle principali industrie che sarà drasticamente cambiata dall'intelligenza artificiale e il suo utilizzo continua ad aumentare. Secondo Martin, questo esperimento è solo l'inizio dell'utilizzo della CNN in una varietà di applicazioni diverse.

"Alla fine, potremmo usarlo per trovare consigli ottimali per una data combinazione di input e vincoli del sito".