விவசாய விளைச்சலைக் கணிக்கப் பயன்படும் செயற்கை நுண்ணறிவு அல்காரிதம்

12.9 ஆம் ஆண்டில் துல்லியமான விவசாயச் சந்தை $2027 பில்லியனை எட்டும் என்று கணிக்கப்பட்டுள்ளது. இந்த அதிகரிப்புடன், நிகழ்நேரத்தில் மேலாண்மை முடிவுகளை வழிநடத்தும் திறன் கொண்ட அதிநவீன தரவு பகுப்பாய்வு தீர்வுகளின் தேவை உள்ளது. இல்லினாய்ஸ் பல்கலைக்கழகத்தில் உள்ள ஒரு இடைநிலைக் குழுவால் ஒரு புதிய முறை உருவாக்கப்பட்டுள்ளது, மேலும் இது துல்லியமான விவசாயத் தரவை திறமையாகவும் துல்லியமாகவும் செயலாக்குவதை நோக்கமாகக் கொண்டுள்ளது.

நிக்கோலஸ் மார்ட்டின் இல்லினாய்ஸில் உள்ள பயிர் அறிவியல் துறையில் உதவி பேராசிரியராகவும் ஆய்வின் இணை ஆசிரியராகவும் உள்ளார்.

"மக்கள் வேளாண் ஆராய்ச்சியை எவ்வாறு நடத்துகிறார்கள் என்பதை மாற்ற முயற்சிக்கிறோம். ஒரு சிறிய வயல் நிலத்தை உருவாக்குவதற்குப் பதிலாக, புள்ளிவிவரங்களை இயக்குவதற்கும், வழிமுறைகளை வெளியிடுவதற்கும் பதிலாக, நாங்கள் என்ன செய்ய முயற்சிக்கிறோம் என்பது விவசாயியை நேரடியாக ஈடுபடுத்துகிறது. விவசாயிகளின் சொந்த வயல்களில் இயந்திரங்கள் மூலம் சோதனைகளை நடத்தி வருகிறோம். வெவ்வேறு உள்ளீடுகளுக்கான தளம் சார்ந்த பதில்களை நாம் கண்டறிய முடியும். களத்தின் பல்வேறு பகுதிகளில் பதில் இருக்கிறதா என்பதை நாம் பார்க்கலாம்,” என்று அவர் கூறுகிறார்.

"விளைச்சல் கணிப்புகளை உருவாக்க ஆழமான கற்றலைப் பயன்படுத்தி நாங்கள் முறையை உருவாக்கினோம். ஒன்பது மத்திய மேற்கு சோள வயல்களில் நாங்கள் பயன்படுத்திய பல்வேறு நிலப்பரப்பு மாறிகள், மண்ணின் மின்கடத்துத்திறன் மற்றும் நைட்ரஜன் மற்றும் விதை வீத சிகிச்சைகள் ஆகியவற்றின் தகவல்களை இது உள்ளடக்கியது.

தங்களின் அணுகுமுறையை மேம்படுத்த, டேட்டா இன்டென்சிவ் ஃபார்ம் மேனேஜ்மென்ட் திட்டத்தில் இருந்து 2017 மற்றும் 2018 தரவுகளை குழு பயன்படுத்தியது. அந்தத் திட்டத்தில், விதைகள் மற்றும் நைட்ரஜன் உரங்கள் 226 வயல்களில் வெவ்வேறு விகிதங்களில் பயன்படுத்தப்பட்டன. மத்திய மேற்கு, பிரேசில், அர்ஜென்டினா மற்றும் தென்னாப்பிரிக்கா உட்பட உலகின் பல்வேறு பகுதிகளில் அந்த துறைகள் இருந்தன. உயர் தெளிவுத்திறன் கொண்ட செயற்கைக்கோள் படங்கள் PlanetLab ஆல் வழங்கப்பட்டன, மேலும் அவை விளைச்சலைக் கணிப்பதற்காக நிலத்தடி அளவீடுகளுடன் இணைக்கப்பட்டன.

புலங்கள் டிஜிட்டல் முறையில் 5 மீட்டர் சதுரங்களாக பிரிக்கப்பட்டன. ஒவ்வொரு சதுரத்திற்கும் மண், உயரம், நைட்ரஜன் பயன்பாட்டு விகிதம் மற்றும் விதை விகிதம் பற்றிய தரவுகள் கணினிக்கு வழங்கப்பட்டன, பின்னர் அந்த சதுரத்தில் உள்ள விளைச்சல் காரணிகளின் தொடர்பு மூலம் எவ்வாறு தீர்மானிக்கப்படுகிறது என்பதை அறியத் தொடங்கியது.

அவர்களின் பகுப்பாய்வை முடிக்க, ஆராய்ச்சியாளர்கள் ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கை (சிஎன்என்) நம்பியிருந்தனர். சிஎன்என் என்பது ஒரு வகை இயந்திர கற்றல் அல்லது செயற்கை நுண்ணறிவு. சில வகையான இயந்திரக் கற்றல் கணினிகள் ஏற்கனவே உள்ள வடிவங்களில் புதிய தரவைச் சேர்க்கும் போது, ​​கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் ஏற்கனவே உள்ள வடிவங்களைக் கணக்கில் எடுத்துக்கொள்ளாது. சிஎன்என் தரவுகளைப் பார்த்து, அதை ஒழுங்கமைப்பதற்குப் பொறுப்பான வடிவங்களைக் கற்றுக்கொள்கிறது, மேலும் மூளையில் உள்ள நரம்பியல் நெட்வொர்க்குகள் மூலம் மனிதர்கள் எவ்வாறு தகவல்களை ஒழுங்கமைக்கிறார்கள் என்பதைப் போலவே இது செயல்படுகிறது. CNN அணுகுமுறை உயர் துல்லிய விகிதத்துடன் விளைச்சலைக் கணிக்க முடிந்தது, மேலும் இது மற்ற இயந்திர கற்றல் வழிமுறைகள் மற்றும் பாரம்பரிய புள்ளிவிவர நுட்பங்களுடன் ஒப்பிடப்பட்டது.

"ஒரு புலம் முழுவதும் உள்ளீடுகளுக்கான விளைச்சல் பதில்களில் வேறுபாடுகளை ஏற்படுத்துவது என்னவென்று எங்களுக்குத் தெரியாது. சில சமயங்களில், ஒரு குறிப்பிட்ட இடம் நைட்ரஜனுக்கு மிகவும் வலுவாக பதிலளிக்க வேண்டும் என்று மக்கள் நினைக்கிறார்கள், அது இல்லை, அல்லது நேர்மாறாகவும். சிஎன்என் மறைவான வடிவங்களை எடுக்க முடியும், அது ஒரு பதிலை ஏற்படுத்தும்,” மார்ட்டின் கூறுகிறார். "நாங்கள் பல முறைகளை ஒப்பிட்டுப் பார்த்தபோது, ​​மகசூல் மாறுபாட்டை விளக்குவதற்கு CNN நன்றாக வேலை செய்கிறது என்பதைக் கண்டறிந்தோம்."

துல்லியமான விவசாயத்தில் இருந்து தரவுகளை பகுப்பாய்வு செய்ய செயற்கை நுண்ணறிவின் பயன்பாடு ஒரு புதிய துறையாகும், ஆனால் அது வளர்ந்து வரும் ஒன்றாகும். செயற்கை நுண்ணறிவால் பெருமளவில் மாற்றப்படும் முக்கிய தொழில்களில் விவசாயமும் ஒன்றாகும், மேலும் அதன் பயன்பாடு தொடர்ந்து அதிகரித்து வருகிறது. மார்ட்டின் கருத்துப்படி, இந்த சோதனையானது CNN இன் பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுவதற்கான தொடக்கமாகும்.

"இறுதியில், கொடுக்கப்பட்ட உள்ளீடுகள் மற்றும் தளக் கட்டுப்பாடுகளின் கலவைக்கான உகந்த பரிந்துரைகளைக் கொண்டு வர இதைப் பயன்படுத்தலாம்."