Kunstmatige Intelligentie Algoritme Wordt Gebruikt Om Landbouwopbrengst Te Voorspellen

Het wordt voorspeld dat de markt voor precisielandbouw tegen 2027 $12,9 miljard zal bereiken. Met deze toename is er een behoefte aan geavanceerde data-analyseoplossingen die in staat zijn om managementbeslissingen in real-time te ondersteunen. Een nieuwe methode is ontwikkeld door een interdisciplinaire groep aan de Universiteit van Illinois, en het doel is om precisielandbouwdata efficiënt en nauwkeurig te verwerken.

Nicolas Martin is een assistent-professor in de afdeling Gewaswetenschappen aan de Universiteit van Illinois en co-auteur van de studie.

“We proberen de manier waarop mensen agronomisch onderzoek uitvoeren te veranderen. In plaats van een kleine proefopstelling te creëren, statistieken te draaien en de gemiddelden te publiceren, proberen we het nu samen met de boeren te doen. We voeren experimenten uit met de machines van de boeren in hun eigen velden. We kunnen site-specifieke reacties op verschillende inputs detecteren. En we kunnen zien of er een reactie is in verschillende delen van het veld,” zegt hij.

“We hebben een methode ontwikkeld met behulp van diepe leerlingen om opbrengstvoorspellingen te genereren. Het omvat informatie van verschillende topografische variabelen, bodem-elektroconductiviteit, evenals stikstof- en zaadbehandelingen die we hebben toegepast in negen maïsvelden in het Midwesten.”

Het team gebruikte gegevens uit 2017 en 2018 van het Data Intensive Farm Management-project om hun aanpak te helpen ontwikkelen. In dat project werden zaden en stikstofmeststoffen op verschillende tarieven toegepast op 226 velden. Die velden lagen in verschillende delen van de wereld, waaronder het Midwesten, Brazilië, Argentinië en Zuid-Afrika. Hoge-resolutie-satellietbeelden werden verstrekt door PlanetLab, en ze werden gekoppeld aan metingen op de grond om de opbrengst te voorspellen.

De velden werden digitaal gescheiden in 5-meter vierkanten. De computer kreeg gegevens over de bodem, de hoogte, de stikstof-toedieningsgraad en de zaadgraad voor elk vierkant, en het begon toen te leren hoe de opbrengst in dat vierkant wordt bepaald door de interactie van de factoren.

Om hun analyse te voltooien, vertrouwden de onderzoekers op een convolutioneel neuronaal netwerk (CNN). Een CNN is een type machine learning of kunstmatige intelligentie. Terwijl sommige typen machine learning computers ertoe brengen om nieuwe gegevens toe te voegen aan bestaande patronen, nemen convolutionele neurale netwerken geen bestaande patronen in aanmerking. CNN’s kijken naar gegevens en leren de patronen die verantwoordelijk zijn voor het organiseren ervan, en het werkt op een soortgelijke manier als hoe mensen informatie organiseren via neurale netwerken in de hersenen. De CNN-aanpak kon de opbrengst met een hoge nauwkeurigheid voorspellen, en het werd vergeleken met andere machine learning-algoritmen en traditionele statistische technieken.

“We weten eigenlijk niet wat de oorzaken zijn van de verschillen in opbrengstreacties op inputs over het veld. Soms hebben mensen het idee dat een bepaalde plek heel sterk op stikstof moet reageren en dat doet het niet, of omgekeerd. De CNN kan verborgen patronen oppikken die de reactie kunnen veroorzaken,” zegt Martin. “En toen we meerdere methoden vergeleken, ontdekten we dat de CNN heel goed werkte om de variatie in opbrengst te verklaren.”

Het gebruik van kunstmatige intelligentie om gegevens van precisielandbouw te analyseren is een nieuw veld, maar het is een veld dat groeit. Landbouw is een van de belangrijkste industrieën die drastisch zal veranderen door kunstmatige intelligentie, en het gebruik ervan neemt toe. Volgens Martin is dit experiment slechts het begin van het gebruik van CNN’s in een verscheidenheid aan verschillende toepassingen.

“Uiteindelijk kunnen we het gebruiken om optimale aanbevelingen te doen voor een gegeven combinatie van inputs en sitebeperkingen.”