人工知能アルゴリズムを用いた農業収穫量の予測

精密農業市場は2027年までに129億ドルに達すると予測されています。この増加に伴い、リアルタイムで管理決定を導くことができる高度なデータ分析ソリューションが必要になっています。イリノイ大学の学際的なグループによって新しい方法論が開発され、精密農業データを効率的にかつ正確に処理することを目的としています。

ニコラス・マーティンはイリノイ大学の作物科学部の助教授であり、この研究の共同著者です。

「私たちは農業研究のやり方を変えようとしています。小さなフィールドを設定し、統計を実行し、平均値を公開するのではなく、農家の機械を使用して実験を行います。サイト固有の応答を検出できます。フィールドの異なる部分で応答があるかどうかも確認できます」と述べています。

「深層学習を使用して収穫量の予測を生成する方法論を開発しました。地形の変数、土壌の電気伝導率、窒素と種子の処理率などの情報を組み込んでいます」と述べています。

チームは2017年と2018年のデータを使用してアプローチを開発しました。このプロジェクトでは、種子と窒素肥料が226のフィールドで異なるレートで適用されました。これらのフィールドは、ミッドウェスト、ブラジル、アルゼンチン、南アフリカなどの世界のさまざまな地域にありました。PlanetLabから提供された高解像度の衛星画像を使用して、地上測定と組み合わせて収穫量を予測しました。

フィールドは5メートル四方に分割されました。コンピューターは各四方の土壌、標高、窒素の適用率、種子の率などのデータを受け取り、収穫量がこれらの要因の相互作用によって決定されることを学習しました。

分析を完了するために、研究者は畳み込みニューラルネットワーク（CNN）を使用しました。CNNは、機械学習または人工知能の一種です。ある種の機械学習では、コンピューターが既存のパターンに新しいデータを追加するようにしますが、畳み込みニューラルネットワークは既存のパターンを考慮しません。CNNはデータを分析し、データを組織化するパターンを学習します。これは、脳内のニューラルネットワークを通じて情報を組織化する方法に似ています。CNNアプローチは、高い精度で収穫量を予測することができました。他の機械学習アルゴリズムや伝統的な統計手法と比較されました。

「私たちは、入力に対する収穫量の応答の違いを引き起こす原因を本当に理解していません。時々、特定のスポットが窒素に対して強く反応するはずだと考えますが、実際にはそうではありません。CNNは、応答を引き起こす可能性のある隠れたパターンを検出できます」とマーティンは述べています。 「さまざまな方法を比較した結果、CNNが収穫量の変動を説明するために非常に効果的であることがわかりました」。

精密農業のデータを分析するために人工知能を使用することは新しい分野ですが、成長しています。農業は人工知能によって大幅に変化する主要な産業の1つであり、その使用は増加しています。マーティンによると、この実験はCNNをさまざまなアプリケーションで使用することの始まりにすぎません。

「最終的には、入力とサイトの制約の組み合わせに最適な推奨事項を出すことができるようになります」と述べています。