Kunstig intelligens-algoritme brukes til å forutsi landbruksavkastning

Det forventes at markedet for presisjonslandbruk vil nå 12,9 milliarder dollar i 2027. Med denne økningen er det behov for sofistikerte dataanalyse-løsninger som kan guide ledelsesbeslutninger i sanntid. En ny metode er utviklet av en tverrfaglig gruppe ved University of Illinois, og den har som mål å effektivt og nøyaktig prosessere presisjonslandbruksdata.

Nicolas Martin er en assistentprofessor i avdelingen for afgrøder ved Illinois og medforfatter av studien.

“Vi prøver å endre hvordan folk driver agronomisk forskning. I stedet for å etablere en liten feltprøve, kjøre statistikk og publisere middelverdier, prøver vi å involvere bonden mer direkte. Vi kjører eksperimenter med bondens maskiner i deres egne felt. Vi kan detektere stedsspesifikke responser på ulike innganger. Og vi kan se om det er en respons i ulike deler av feltet”, sier han.

“Vi utviklet en metode som bruker dyp læring til å generere avkastningsforutsigelser. Den inkorporerer informasjon fra ulike topografiske variabler, jord-elektrokonduktivitet, samt nitrogen- og frøbehandlingsrater som vi har brukt i ni midvestlige maisfelt.”

Teamet brukte data fra 2017 og 2018 fra Data Intensive Farm Management-prosjektet for å hjelpe med å utvikle deres tilnærming. I det prosjektet ble frø og nitrogen-gjødsel brukt i ulike rater over 226 felt. Disse feltene var i ulike deler av verden, inkludert Midtvesten, Brasil, Argentina og Sør-Afrika. Høyoppløselige satellittbilder ble levert av PlanetLab, og de ble kombinert med målinger på bakken for å forutsi avkastning.

Feltene ble digitalt delt inn i 5-meter kvadrater. Datamaskinen fikk data om jord, høyde, nitrogen-applikasjonsrate og frørate for hver kvadrat, og den begynte å lære hvordan avkastningen i den kvadraten bestemmes av interaksjonen mellom faktorene.

For å fullføre analysen deres, ble convolutional neural network (CNN) brukt. CNN er en type maskinlæring eller kunstig intelligens. Mens noen typer maskinlæring får datamaskiner til å legge til ny data i eksisterende mønster, tar convolutional neural networker ikke eksisterende mønster i betraktning. CNN-er ser på data og lærer mønsterene som er ansvarlige for å organisere det, og det fungerer på en lignende måte som hvordan mennesker organiserer informasjon gjennom neurale nettverk i hjernen. CNN-tilnærmingen kunne forutsi avkastning med en høy nøyaktighetsrate, og den ble sammenlignet med andre maskinlæring-algoritmer og tradisjonelle statistiske teknikker.

“Vi vet ikke helt hva som forårsaker forskjeller i avkastningsresponser på innganger over et felt. Noen ganger har folk en idé om at en bestemt plass burde respondere veldig sterkt på nitrogen og det gjør det ikke, eller omvendt. CNN-en kan plukke opp skjulte mønster som kan være årsaken til en respons”, sier Martin. “Og når vi sammenlignet flere metoder, fant vi ut at CNN-en fungerte veldig bra til å forklare avkastningsvariasjon.”

Bruken av kunstig intelligens til å analysere data fra presisjonslandbruk er et nytt felt, men det er ett som vokser. Landbruk er en av de største industrier som vil bli dramatisk endret av kunstig intelligens, og bruken av det øker fortsatt. Ifølge Martin er dette eksperimentet bare begynnelsen på CNN-ers bruk i en rekke ulike applikasjoner.

“Til slutt kunne vi bruke det til å komme opp med optimale anbefalinger for en gitt kombinasjon av innganger og stedsspesifikke begrensninger.”