Tarımsal Verimi Tahmin Etmek İçin Kullanılan Yapay Zeka Algoritması

Hassas tarım pazarının 12.9 yılına kadar 2027 milyar dolara ulaşacağı tahmin ediliyor. Bu artışla birlikte, yönetim kararlarını gerçek zamanlı olarak yönlendirebilen gelişmiş veri analizi çözümlerine ihtiyaç duyuluyor. Illinois Üniversitesi'ndeki disiplinler arası bir grup tarafından yeni bir metodoloji geliştirildi ve hassas tarımsal verileri verimli ve doğru bir şekilde işlemeyi amaçlıyor.

Nicolas Martin, Illinois Bitki Bilimleri Bölümü'nde yardımcı doçent ve çalışmanın ortak yazarıdır.

"İnsanların tarımsal araştırma yapma şeklini değiştirmeye çalışıyoruz. Küçük bir tarla planı oluşturmak, istatistikler yürütmek ve araçları yayınlamak yerine, yapmaya çalıştığımız şey çiftçiyi çok daha doğrudan ilgilendiriyor. Çiftçilerin makineleri ile kendi tarlalarında denemeler yapıyoruz. Farklı girdilere verilen siteye özgü yanıtları tespit edebiliyoruz. Ve alanın farklı bölümlerinde bir tepki olup olmadığını görebiliriz” diyor.

"Verim tahminleri oluşturmak için derin öğrenmeyi kullanan bir metodoloji geliştirdik. Dokuz Orta Batı mısır tarlasında uyguladığımız farklı topografik değişkenlerden, toprak elektro iletkenliğinden ve nitrojen ve tohum oranı işlemlerinden gelen bilgileri içeriyor.

Ekip, yaklaşımlarını geliştirmeye yardımcı olması için Veri Yoğun Çiftlik Yönetimi projesinden 2017 ve 2018 verilerini kullandı. Bu projede 226 tarlaya farklı oranlarda tohum ve azotlu gübre uygulaması yapılmıştır. Bu alanlar, Orta Batı, Brezilya, Arjantin ve Güney Afrika dahil olmak üzere dünyanın farklı bölgelerindeydi. Yüksek çözünürlüklü uydu görüntüleri PlanetLab tarafından sağlandı ve verimi tahmin etmek için yerdeki ölçümlerle eşleştirildi.

Tarlalar dijital olarak 5 metre karelere ayrıldı. Bilgisayara her kare için toprak, yükseklik, azot uygulama oranı ve tohum oranı verileri verildi ve ardından o karedeki verimin faktörlerin etkileşimiyle nasıl belirlendiğini öğrenmeye başladı.

Analizlerini tamamlamak için araştırmacılar evrişimli bir sinir ağına (CNN) güvendiler. CNN, bir tür makine öğrenimi veya yapay zekadır. Bazı makine öğrenimi türleri, bilgisayarların mevcut kalıplara yeni veriler eklemesini sağlarken, evrişimli sinir ağları mevcut kalıpları hesaba katmaz. CNN'in verilere bakması ve bunları organize etmekten sorumlu olan kalıpları öğrenmesi, insanların beyindeki sinir ağları aracılığıyla bilgiyi organize etme şekline benzer şekilde çalışır. CNN yaklaşımı, getiriyi yüksek doğruluk oranıyla tahmin edebildi ve diğer makine öğrenimi algoritmaları ve geleneksel istatistiksel tekniklerle karşılaştırıldı.

"Bir alandaki girdilere verilen verim yanıtlarındaki farklılıklara neyin neden olduğunu gerçekten bilmiyoruz. Bazen insanlar, belirli bir noktanın nitrojene gerçekten güçlü bir şekilde tepki vermesi gerektiği konusunda bir fikre kapılır ve öyle olmaz ya da tam tersi olur. CNN, bir yanıta neden olabilecek gizli kalıpları yakalayabilir," diyor Martin. "Birkaç yöntemi karşılaştırdığımızda, CNN'nin verim değişimini açıklamak için çok iyi çalıştığını gördük."

Hassas tarımdan elde edilen verileri analiz etmek için yapay zekanın kullanılması yeni bir alandır, ancak büyümekte olan bir alandır. Tarım, yapay zekanın büyük ölçüde değiştireceği en önemli sektörlerden biri ve kullanımı artmaya devam ediyor. Martin'e göre bu deney, CNN'lerin çeşitli farklı uygulamalarda kullanılmasının sadece başlangıcı.

"Sonunda, belirli bir girdi ve site kısıtlamaları kombinasyonu için optimum öneriler bulmak için kullanabiliriz."