인공지능 알고리즘을 이용한 농업 수확량 예측

정밀 농업 시장은 2027년까지 129억 달러에 달할 것으로 예상된다. 이러한 증가로 인해 실시간으로 관리 의사 결정을 안내할 수 있는 고급 데이터 분석 솔루션이 필요하다. 일리노이 대학교의 학제간 그룹은 효율적이고 정확하게 정밀 농업 데이터를 처리하는 새로운 방법론을 개발했다.

니콜라스 마틴은 일리노이 대학교의 작물 과학부 조교수이자 연구의 공동 저자이다.

마틴은 “우리는 농업 연구를 수행하는 방식을 변경하려고 한다. 작은 필드 플롯을 설정하고 통계를 실행하고 평균을 발표하는 대신, 우리는 농민의 기계를 사용하여 직접 실험을 실행한다. 우리는 사이트별 반응을 감지할 수 있다. 그리고 필드의 다른 부분에서 반응이 있는지 확인할 수 있다”고 말했다.

마틴은 “우리는 깊은 학습을 사용하여 수확량 예측을 생성하기 위한 방법론을 개발했다. 이것은 다양한 지형 변수, 토양 전도도, 그리고 우리가 9개의 중서부 옥수수 필드에 적용한 질소와 종자 처리를 포함한다”고 말했다.

연구 팀은 2017년과 2018年的 데이터를 사용하여 데이터 집중형 농업 관리 프로젝트를 통해 접근법을 개발했다. 이 프로젝트에서, 종자와 질소 비료는 226개의 필드에서 다른 비율로 적용되었다. 이러한 필드는 미드웨스트, 브라질, 아르헨티나, 남아프리카 등 세계의 다양한 지역에 있었다. 고해상도 위성 이미지는 PlanetLab에서 제공되었으며, 수확량을 예측하기 위해 지상 측정과 함께 사용되었다.

필드는 5미터 사각형으로 디지털로 분리되었다. 컴퓨터는 각 사각형의 토양, 고도, 질소 적용률, 종자 비율에 대한 데이터를 받았고, 이러한 요인들의 상호 작용에 의해 결정되는 수확량을 학습하기 시작했다.

분석을 완료하기 위해 연구자들은 합성 신경망(CNN)을 사용했다. CNN은 기계 학습 또는 인공지능의 한 유형이다. 일부 기계 학습 유형은 컴퓨터가 기존 패턴에 새로운 데이터를 추가하도록 하지만, 합성 신경망은 기존 패턴을 고려하지 않는다. CNN은 데이터를 살펴보고 데이터를 조직하는 패턴을 학습하며, 이것은 뇌 내의 신경망을 통해 정보를 조직하는 방식과 유사하게 작동한다. CNN 접근법은 높은 정확도로 수확량을 예측할 수 있었으며, 다른 기계 학습 알고리즘과 전통적인 통계 기법과 비교되었다.

마틴은 “우리는 수확량 반응의 차이를 gây하는 원인을 정확히 모른다. 때때로 사람들은 특정 위치가 질소에 강하게 반응해야 한다고 생각하지만, 실제로는 그렇지 않다. CNN은 이러한 반응을 gây하는 숨겨진 패턴을 감지할 수 있다”고 말했다. “우리가 여러 방법을 비교했을 때, CNN이 수확량 변이를 설명하는 데 매우 잘 작동하는 것을 발견했다”고 말했다.

정밀 농업 데이터를 분석하기 위한 인공지능의 사용은 새로운 분야이지만, 이는 성장하고 있다. 농업은 인공지능에 의해 크게 변할 주요 산업 중 하나이며, 인공지능의 사용은 계속 증가하고 있다. 마틴에 따르면, 이 실험은 다양한 응용 프로그램에서 CNN을 사용하는 시작에 불과하다.

마틴은 “결국, 우리는 입력과 사이트 제약의 특정 조합에 대한 최적의 추천을 제시할 수 있을 것이다”고 말했다.