Искусственный интеллект
Алгоритм искусственного интеллекта, используемый для прогнозирования урожайности сельского хозяйства

Прогнозируется, что к 12.9 году рынок точного земледелия достигнет 2027 млрд долларов. С учетом этого роста возникает потребность в сложных решениях для анализа данных, способных принимать управленческие решения в режиме реального времени. Новая методология была разработана междисциплинарной группой в Университете Иллинойса и направлена на эффективную и точную обработку точных сельскохозяйственных данных.
Николас Мартин — доцент кафедры растениеводства в Иллинойсе и соавтор исследования.
«Мы пытаемся изменить то, как люди проводят агрономические исследования. Вместо того, чтобы закладывать небольшой участок, вести статистику и публиковать средства, то, что мы пытаемся сделать, вовлекает фермера гораздо более непосредственно. Мы проводим эксперименты с фермерской техникой на их собственных полях. Мы можем обнаруживать реакции сайта на различные входные данные. И мы можем видеть, есть ли отклик в разных частях поля», — говорит он.
«Мы разработали методологию, использующую глубокое обучение для прогнозирования урожайности. Он включает в себя информацию из различных топографических переменных, электропроводности почвы, а также обработок азотом и нормами высева, которые мы применяли на девяти кукурузных полях Среднего Запада».
Команда использовала данные проекта Data Intensive Farm Management за 2017 и 2018 годы, чтобы разработать свой подход. В этом проекте семена и азотные удобрения применялись в разной дозе на 226 полях. Эти поля находились в разных частях мира, включая Средний Запад, Бразилию, Аргентину и Южную Африку. Спутниковые изображения высокого разрешения были предоставлены PlanetLab, и они были объединены с наземными измерениями для прогнозирования урожайности.
Поля были разделены цифровым способом на 5-метровые квадраты. Компьютеру были предоставлены данные о почве, высоте над уровнем моря, норме внесения азота и норме высева для каждого квадрата, а затем он начал изучать, как урожайность в этом квадрате определяется взаимодействием факторов.
Для завершения анализа исследователи использовали сверточную нейронную сеть (CNN). CNN — это тип машинного обучения или искусственного интеллекта. В то время как некоторые типы машинного обучения заставляют компьютеры добавлять новые данные в существующие шаблоны, сверточные нейронные сети не принимают во внимание существующие шаблоны. CNN смотрят на данные и изучают закономерности, которые отвечают за их организацию, и это работает аналогично тому, как люди организуют информацию через нейронные сети внутри мозга. Подход CNN позволил предсказать урожайность с высокой точностью, и его сравнивали с другими алгоритмами машинного обучения и традиционными статистическими методами.
«На самом деле мы не знаем, что вызывает различия в реакции урожайности на входные данные по полю. Иногда люди думают, что какое-то место должно очень сильно реагировать на азот, а это не так, или наоборот. CNN может улавливать скрытые закономерности, которые могут вызывать реакцию», — говорит Мартин. «И когда мы сравнили несколько методов, мы обнаружили, что CNN очень хорошо работает, чтобы объяснить колебания доходности».
Использование искусственного интеллекта для анализа данных точного земледелия — новая область, но она развивается. Сельское хозяйство — одна из основных отраслей, которую искусственный интеллект кардинально изменит, и его использование продолжает расти. По словам Мартина, этот эксперимент — только начало использования CNN в различных приложениях.
«В конце концов, мы могли бы использовать его для выработки оптимальных рекомендаций для данной комбинации входных данных и ограничений площадки».