Algorytm Sztucznej Inteligencji Użyty do Przewidywania Plonów Rolniczych

Przewiduje się, że rynek rolnictwa precyzyjnego osiągnie wartość 12,9 miliarda dolarów do 2027 roku. Wraz ze wzrostem tym, istnieje potrzeba zaawansowanych rozwiązań analitycznych, które mogą kierować decyzjami zarządczymi w czasie rzeczywistym. Nową metodologię opracowała międzydziedzinowa grupa na Uniwersytecie w Illinois, a jej celem jest wydajne i dokładne przetwarzanie danych z rolnictwa precyzyjnego.

Nicolas Martin jest adiunktem w Departamencie Nauk o Roślinach na Uniwersytecie w Illinois i współautorem badania.

“Staramy się zmienić sposób prowadzenia badań agronomicznych. Zamiast tworzenia małych parcel doświadczalnych, prowadzenia statystyk i publikowania średnich, to co robimy, angażuje rolników bezpośrednio. Prowadzimy eksperymenty z maszynami rolników w ich własnych polach. Możemy wykryć reakcje specyficzne dla miejsca na różne dane wejściowe. I możemy zobaczyć, czy jest reakcja w różnych częściach pola”, mówi.

“Opracowaliśmy metodologię z wykorzystaniem głębokiego uczenia, aby wygenerować przewidywania plonów. Wchłania informacje z różnych zmiennych topograficznych, elektroprzewodności gleby, a także stężenia azotu i wskaźników nasion, które zastosowaliśmy na dziewięciu polach kukurydzy w Midwest.

Zespół wykorzystał dane z 2017 i 2018 roku z projektu Data Intensive Farm Management, aby pomóc w rozwoju swojego podejścia. W tym projekcie nasiona i nawóz azotowy były stosowane w różnych stężeniach na 226 polach. Pola te znajdowały się w różnych częściach świata, w tym w Midwest, Brazylii, Argentynie i Południowej Afryce. Wysokorozdzielcze obrazy satelitarne zostały dostarczone przez PlanetLab, a następnie połączone z pomiarami na miejscu w celu przewidywania plonów.

Pola zostały podzielone cyfrowo na 5-metrowe kwadraty. Komputer otrzymał dane o glebie, wysokości, stężeniu azotu i wskaźniku nasion dla każdego kwadratu, a następnie zaczął uczyć się, jak plon w tym kwadracie jest determinowany przez interakcję czynników.

Aby ukończyć swoją analizę, badacze oparli się na sieci neuronowej typu convolutional (CNN). CNN to rodzaj sztucznej inteligencji. Podczas gdy niektóre typy uczenia maszynowego nakazują komputerom dodawanie nowych danych do istniejących wzorców, sieci neuronowe convolutional nie biorą pod uwagę istniejących wzorców. Sieci CNN patrzą na dane i uczą się wzorców, które są odpowiedzialne za organizację danych, i działa w sposób podobny do tego, jak ludzie organizują informacje za pomocą sieci neuronowych w mózgu. Podejście CNN umożliwiło przewidywanie plonów z wysokim współczynnikiem dokładności i porównano je z innymi algorytmami uczenia maszynowego i tradycyjnymi technikami statystycznymi.

“Nie wiemy naprawdę, co powoduje różnice w reakcjach plonów na dane wejściowe na całym polu. Czasami ludzie mają pomysł, że jakiś konkretny punkt powinien zareagować bardzo silnie na azot i nie robi tego, lub odwrotnie. Sieć CNN może wykryć ukryte wzorce, które mogą powodować reakcję”, mówi Martin. “I kiedy porównaliśmy kilka metod, odkryliśmy, że sieć CNN działała bardzo dobrze, aby wyjaśnić zmienność plonów”.

Użycie sztucznej inteligencji do analizy danych z rolnictwa precyzyjnego to nowa dziedzina, ale jest to dziedzina, która rozwija się. Rolnictwo jest jedną z głównych branż, które zostaną drastycznie zmienione przez sztuczną inteligencję, a użycie jej jest coraz bardziej powszechne. Według Martina, ten eksperyment to tylko początek użycia sieci CNN w różnych aplikacjach.

“Ostatecznie możemy użyć jej do ustalenia optymalnych zaleceń dla danej kombinacji danych wejściowych i ograniczeń miejsca.”