Алгоритм искусственного интеллекта используется для прогнозирования урожайности в сельском хозяйстве

Прогнозируется, что рынок точного сельского хозяйства достигнет 12,9 миллиарда долларов к 2027 году. С таким увеличением возникает необходимость в сложных решениях для анализа данных, которые могут руководить управленческими решениями в режиме реального времени. Новая методология была разработана междисциплинарной группой в Университете Иллинойса, и она направлена на эффективную и точную обработку данных точного сельского хозяйства.

Николас Мартин – ассистент профессора в Департаменте сельскохозяйственных наук в Иллинойсе и соавтор исследования.

“Мы пытаемся изменить способ проведения агрономических исследований. Вместо создания небольшого экспериментального участка, статистического анализа и публикации средних значений, мы проводим эксперименты с помощью техники фермеров на их полях. Мы можем обнаружить реакции на разные входные данные в разных частях поля”, – говорит он.

“Мы разработали методологию с использованием глубокого обучения для генерации прогнозов урожайности. Она включает информацию из различных топографических переменных, электропроводности почвы, а также обработок азота и семян, которые мы применили на девяти кукурузных полях Среднего Запада”.

Команда использовала данные 2017 и 2018 годов из проекта Data Intensive Farm Management для разработки своего подхода. В этом проекте семена и азотные удобрения были применены в разных дозах на 226 полях. Эти поля находились в разных регионах мира, включая Средний Запад, Бразилию, Аргентину и Южную Африку. Высокоразрешительные спутниковые изображения были предоставлены PlanetLab, и они были сопоставлены с наземными измерениями для прогнозирования урожайности.

Поля были цифровым образом разделены на квадраты размером 5 метров. Компьютеру были предоставлены данные о почве, высоте, скорости применения азота и семян для каждого квадрата, и он начал учиться, как урожайность в этом квадрате определяется взаимодействием факторов.

Для завершения своего анализа исследователи полагались на свёрточную нейронную сеть (CNN). CNN – это тип машинного обучения или искусственного интеллекта. Хотя некоторые типы машинного обучения заставляют компьютер добавлять новые данные в существующие закономерности, свёрточные нейронные сети не учитывают существующие закономерности. CNN изучает данные и учится закономерностям, которые ответственны за организацию данных, и работает подобно тому, как люди организуют информацию через нейронные сети в мозге. Подход CNN смог прогнозировать урожайность с высокой точностью и был сравнен с другими алгоритмами машинного обучения и традиционными статистическими методами.

“Мы не знаем, что вызывает различия в реакциях урожайности на входные данные по всему полю. Иногда люди имеют представление о том, что определенное место должно реагировать очень сильно на азот, и оно не реагирует, или наоборот. CNN может обнаружить скрытые закономерности, которые могут быть причиной реакции”, – говорит Мартин. “И когда мы сравнили несколько методов, мы обнаружили, что CNN работает очень хорошо для объяснения вариации урожайности”.

Использование искусственного интеллекта для анализа данных точного сельского хозяйства – это новая область, но она растет. Сельское хозяйство – одна из основных отраслей, которая будет радикально изменена искусственным интеллектом, и использование его продолжает увеличиваться. Согласно Мартину, этот эксперимент – только начало использования CNN в различных приложениях.

“В конечном итоге мы сможем использовать его для разработки оптимальных рекомендаций для заданной комбинации входных данных и ограничений участка”.