Artificiell intelligensalgoritm används för att förutsäga jordbruksavkastning

Det förutsägs att marknaden för precisionsjordbruk kommer att nå 12,9 miljarder dollar år 2027. Med denna ökning finns det ett behov av avancerade dataanalyslösningar som kan vägleda beslutsfattare i realtid. En ny metodik har utvecklats av en tvärvetenskaplig grupp vid University of Illinois, och den syftar till att effektivt och noggrant bearbeta data från precisionsjordbruk.

Nicolas Martin är biträdande professor vid institutionen för växtvetenskap vid Illinois och medförfattare till studien.

“Vi försöker förändra hur man bedriver agronomisk forskning. Istället för att etablera en liten fältplot, köra statistik och publicera medelvärden, försöker vi involvera bonden mer direkt. Vi kör experiment med bondens maskiner i deras egna fält. Vi kan upptäcka platspecifika svar på olika indata. Och vi kan se om det finns ett svar i olika delar av fältet”, säger han.

“Vi utvecklade en metodik med hjälp av djupinlärning för att generera avkastningsprognoser. Den omfattar information från olika topografiska variabler, jordens elektrokonduktivitet, samt kväve- och utsädesbehandlingsmetoder som vi tillämpade på nio majsfält i Mellanvästern.”

Teamet använde data från 2017 och 2018 från Data Intensive Farm Management-projektet för att hjälpa till att utveckla sin metod. I det projektet applicerades utsäde och kvävegödsel i olika doser på 226 fält. Dessa fält var belägna i olika delar av världen, inklusive Mellanvästern, Brasilien, Argentina och Sydafrika. Högupplösta satellitbilder tillhandahölls av PlanetLab, och de parades med markbaserade mätningar för att förutsäga avkastning.

Fälten delades digitalt in i 5-meter kvadrater. Datorn fick data om jord, höjd, kvävetillförsel och utsädesdos för varje kvadrat, och den började sedan lära sig hur avkastningen i den kvadraten bestäms av interaktionen mellan faktorerna.

För att slutföra sin analys förlitade sig forskarna på en konvolutionsneural nätverk (CNN). En CNN är en typ av maskininlärning eller artificiell intelligens. Medan vissa typer av maskininlärning får datorer att lägga till ny data i befintliga mönster, tar konvolutionsneurala nätverk inte hänsyn till befintliga mönster. CNN:er tittar på data och lär sig mönstren som är ansvariga för att organisera dem, och det fungerar på ett sätt som liknar hur människor organiserar information genom neurala nätverk i hjärnan. CNN-tillvägagångssättet kunde förutsäga avkastning med en hög noggrannhet, och det jämfördes med andra maskinlärningsalgoritmer och traditionella statistiska metoder.

“Vi vet inte riktigt vad som orsakar skillnader i avkastningssvar på indata över ett fält. Ibland har människor en uppfattning om att en viss plats bör svara mycket starkt på kväve och det gör den inte, eller vice versa. CNN kan upptäcka dolda mönster som kan orsaka ett svar”, säger Martin. “Och när vi jämförde flera metoder, fann vi att CNN fungerade mycket bra för att förklara avkastningsvariation.”

Användningen av artificiell intelligens för att analysera data från precisionsjordbruk är ett nytt område, men det är ett som växer. Jordbruk är en av de stora industrierna som kommer att förändras dramatiskt av artificiell intelligens, och användningen av den fortsätter att öka. Enligt Martin är detta experiment bara början på att CNN används i en mängd olika tillämpningar.

“Till slut kunde vi använda det för att komma med optimala rekommendationer för en given kombination av indata och platsbegränsningar.”