Kunstig intelligens-algoritme som brukes til å forutsi jordbruksutbytte

Det er spådd at markedet for presisjonslandbruk vil nå 12.9 milliarder dollar innen 2027. Med denne økningen er det behov for sofistikerte dataanalyseløsninger som er i stand til å veilede ledelsesbeslutninger i sanntid. En ny metodikk er utviklet av en tverrfaglig gruppe ved University of Illinois, og den tar sikte på å effektivt og nøyaktig behandle presisjonsdata fra landbruket.

Nicolas Martin er assisterende professor ved Institutt for avlingsvitenskap i Illinois og medforfatter av studien.

«Vi prøver å endre hvordan folk driver agronomisk forskning. I stedet for å etablere et lite felt, kjøre statistikk og publisere midlene, involverer det vi prøver å gjøre bonden langt mer direkte. Vi kjører forsøk med bøndenes maskineri på egne felt. Vi kan oppdage stedsspesifikke svar på ulike input. Og vi kan se om det er respons i ulike deler av feltet, sier han.

"Vi utviklet metodikk ved å bruke dyp læring for å generere avkastningsprognoser. Den inneholder informasjon fra forskjellige topografiske variabler, jords elektriske ledningsevne, så vel som nitrogen- og frøhastighetsbehandlinger vi brukte gjennom ni maisfelter i Midtvesten.»

Teamet brukte data fra 2017 og 2018 fra prosjektet Data Intensive Farm Management for å utvikle tilnærmingen deres. I dette prosjektet ble det tilført frø og nitrogengjødsel i ulik hastighet på 226 felt. Disse feltene var i forskjellige områder av verden, inkludert Midtvesten, Brasil, Argentina og Sør-Afrika. Høyoppløselige satellittbilder ble levert av PlanetLab, og de ble paret med målinger på bakken for å forutsi utbytte.

Feltene ble digitalt separert i 5-meters firkanter. Datamaskinen fikk data om jord, høyde, nitrogentilførselsmengde og frømengde for hver rute, og den begynte deretter å lære hvordan utbyttet i den ruten bestemmes av samspillet mellom faktorene.

For å fullføre analysen stolte forskerne på et konvolusjonelt nevralt nettverk (CNN). En CNN er en type maskinlæring eller kunstig intelligens. Mens noen typer maskinlæring får datamaskiner til å legge til nye data i eksisterende mønstre, tar ikke konvolusjonelle nevrale nettverk hensyn til eksisterende mønstre. CNN ser på data og lærer mønstrene som er ansvarlige for å organisere dem, og det fungerer på samme måte som hvordan mennesker organiserer informasjon gjennom nevrale nettverk i hjernen. CNN-tilnærmingen var i stand til å forutsi utbytte med høy nøyaktighet, og den ble sammenlignet med andre maskinlæringsalgoritmer og tradisjonelle statistiske teknikker.

"Vi vet egentlig ikke hva som forårsaker forskjeller i avkastningsrespons på input på tvers av et felt. Noen ganger har folk en idé om at et bestemt sted skal reagere veldig sterkt på nitrogen og det gjør det ikke, eller omvendt. CNN kan fange opp skjulte mønstre som kan forårsake respons, sier Martin. "Og da vi sammenlignet flere metoder, fant vi ut at CNN fungerte veldig bra for å forklare avkastningsvariasjonen."

Bruken av kunstig intelligens for å analysere data fra presisjonslandbruk er et nytt felt, men det er et felt som vokser. Landbruk er en av de store næringene som vil bli drastisk endret av kunstig intelligens, og bruken av den fortsetter å øke. Ifølge Martin er dette eksperimentet bare starten på at CNN blir brukt i en rekke forskjellige applikasjoner.

"Til slutt kunne vi bruke det til å komme med optimale anbefalinger for en gitt kombinasjon av input og stedsbegrensninger."