Algoritm de Inteligență Artificială Utilizat pentru a Prevedea Recolta Agricolă

Se preconizează că piața agriculturii de precizie va ajunge la 12,9 miliarde de dolari până în 2027. Odată cu această creștere, există nevoie de soluții sofisticate de analiză a datelor care să poată ghida deciziile de management în timp real. O nouă metodologie a fost dezvoltată de un grup interdisciplinar de la Universitatea din Illinois, și are ca scop să proceseze eficient și precis datele din agricultura de precizie.

Nicolas Martin este profesor asistent în Departamentul de Științe ale Culturilor de la Illinois și coautor al studiului.

“Încercăm să schimbăm modul în care oamenii efectuează cercetări agronomice. În loc să stabilim un mic parcel de teren, să rulăm statistici și să publicăm medii, ceea ce încercăm să facem implică fermierul mult mai direct. Suntem implicați în experimente cu mașinile fermierilor în propriile lor terenuri. Putem detecta răspunsuri specifice la diferiți factori de intrare. Și putem vedea dacă există un răspuns în diferite părți ale terenului”, spune el.

“Am dezvoltat o metodologie utilizând învățarea profundă pentru a genera previziuni de recoltă. Aceasta incorporează informații din diferite variabile topografice, electroconductivitatea solului, precum și tratamentele cu azot și rata de semănare pe care le-am aplicat în nouă câmpuri de porumb din Midwest.”

Echipa a utilizat datele din 2017 și 2018 de la Proiectul de Management Intensiv al Datelor pentru a-și dezvolta abordarea. În acel proiect, semințele și îngrășămintele cu azot au fost aplicate la rate diferite pe 226 de terenuri. Aceste terenuri erau situate în diferite regiuni ale lumii, inclusiv în Midwest, Brazilia, Argentina și Africa de Sud. Imaginile cu rezoluție ridicată de la PlanetLab au fost puse la dispoziție și au fost pereche cu măsurătorile de pe teren pentru a prevedea recolta.

Terenurile au fost separate digital în pătrate de 5 metri. Calculatorul a primit date despre sol, elevație, rată de aplicare a azotului și rată de semănare pentru fiecare pătrat, și apoi a început să învețe cum recolta din acel pătrat este determinată de interacțiunea factorilor.

Pentru a-și finaliza analiza, cercetătorii s-au bazat pe o rețea neuronală convoluțională (CNN). O CNN este un tip de învățare a mașinilor sau inteligență artificială. În timp ce unele tipuri de învățare a mașinilor fac ca calculatorul să adauge noi date în modele existente, rețelele neuronale convoluționale nu iau în considerare modelele existente. CNN-urile examinează datele și învață modelele care sunt responsabile pentru organizarea lor, și funcționează într-un mod similar cu modul în care oamenii organizează informații prin rețele neuronale din creier. Abordarea CNN a putut prevedea recolta cu o rată de acuratețe ridicată, și a fost comparată cu alte algoritmi de învățare a mașinilor și tehnici statistice tradiționale.

“Nu știm realmente ce cauzează diferențele în răspunsurile la intrări pe tot terenul. Uneori oamenii au o idee că un anumit loc ar trebui să răspundă foarte puternic la azot și nu o face, sau invers. CNN poate detecta modele ascunse care ar putea cauza un răspuns”, spune Martin. “Și atunci când am comparat mai multe metode, am descoperit că CNN-ul funcționa foarte bine pentru a explica variația recoltei.”

Utilizarea inteligenței artificiale pentru a analiza datele din agricultura de precizie este un domeniu nou, dar este unul care este în creștere. Agricultura este una dintre principalele industrii care vor fi drastic schimbate de inteligența artificială, și utilizarea acesteia este în continuă creștere. Conform lui Martin, acest experiment este doar începutul utilizării CNN-urilor într-o varietate de aplicații diferite.

“În cele din urmă, am putea utiliza această abordare pentru a găsi recomandări optime pentru o combinație dată de intrări și constrângeri de situație.”