Yapay Zeka Algoritması Tarım Verimini Öngörmek için Kullanılıyor

Tarım pazarının 2027 yılına kadar 12.9 milyar dolara ulaşacağı öngörülüyor. Bu artışla birlikte, yönetim kararlarını gerçek zamanlı olarak yönlendirebilecek gelişmiş veri analiz çözümlerine ihtiyaç duyuluyor. Illinois Üniversitesi’ndeki disiplinler arası bir grup tarafından yeni bir metodoloji geliştirildi ve bu metodoloji, tarım verilerini verimli ve doğru bir şekilde işlemeyi amaçlıyor.

Nicolas Martin, Illinois Üniversitesi’nde Bitki Bilimleri Bölümü’nde yardımcı profesör ve çalışmanın ortak yazarı.

“Tarımsal araştırmaları nasıl yürüttüğümüzü değiştirmeye çalışıyoruz. Küçük bir alan kurmak, istatistikler çalışmak ve ortalama değerleri yayınlamak yerine, çiftçilerle daha doğrudan çalışmaya çalışıyoruz. Çiftçilerin makineleri ve kendi arazilerinde deneyler yapıyoruz. Farklı girdilere karşı siteye özgü tepkileri tespit edebiliyoruz ve alanın farklı kısımlarında bir tepki olup olmadığını görebiliyoruz” diyor.

“Derin öğrenme kullanarak verim öngörülerini oluşturmak için bir metodoloji geliştirdik. Bu metodoloji, farklı topografik değişkenler, toprak elektroiletimliliği ve uyguladığımız azot ve tohum oranları dahil olmak üzere çeşitli bilgileri içermektedir.”

Ekibin 2017 ve 2018 yıllarına ait Veri Yoğun Tarım Yönetimi projesi verilerini kullanarak yaklaşımını geliştirdi. Bu projede, tohumlar ve azot gübreleri farklı oranlarda 226 alana uygulandı. Bu alanlar dünyanın farklı bölgelerinde, Orta Batı, Brezilya, Arjantin ve Güney Afrika’da bulunuyordu. PlanetLab tarafından sağlanan yüksek çözünürlüklü uydu görüntüleri, verimi öngörmek amacıyla yer ölçümleriyle eşleştirildi.

Alanlar 5 metrelik karelere ayrıldı. Bilgisayara her kare için toprak, yükselti, azot uygulama oranı ve tohum oranı verileri verildi ve ardından bilgisayarın bu faktörlerin etkileşiminin o karedeki verimi nasıl belirlediği öğrenmesi sağlandı.

Araştırmacılar analizlerini tamamlamak için bir convolutional neural network (CNN) kullandılar. CNN, bir tür makine öğrenimi veya yapay zekadır. Bazı makine öğrenimi türleri bilgisayara yeni verileri mevcut kalıplara eklemeyi öğretirken, convolutional neural network’ler mevcut kalıpları dikkate almaz. CNN’ler verileri inceleyerek onu organize eden kalıpları öğrenir ve bu, beyindeki nöral ağlar aracılığıyla bilgiyi nasıl organize ettiğimize benzer. CNN yaklaşımı, yüksek bir doğruluk oranıyla verimi öngörmeyi başardı ve diğer makine öğrenimi algoritmaları ve geleneksel istatistiksel tekniklerle karşılaştırıldı.

“Girdilere karşı verim tepkilerindeki farklılıkların nedenini gerçekten bilmiyoruz. Bazen insanlar, belirli bir noktanın azota gerçekten güçlü bir şekilde tepki vereceğini düşünürler, ancak öyle olmaz veya tersi olur. CNN, olabilecek gizli kalıpları tespit edebilir” diyor Martin. “Ve birden fazla yöntemi karşılaştırdığımızda, CNN’nin verim varyasyonunu açıklamak için gerçekten iyi çalıştığını gördük.”

Tarım verilerini analiz etmek için yapay zekanın kullanımı yeni bir alandır, ancak büyümeye devam etmektedir. Tarım, yapay zeka tarafından radikal olarak değiştirilecek endüstrilerden biridir ve kullanımı devam etmektedir. Martin’a göre, bu deneysel çalışma, CNN’nin çeşitli farklı uygulamalarda kullanılmasının sadece başlangıcıdır.

“Sonuçta, belirli bir girdi ve site kısıtlaması kombinasyonu için optimum öneriler oluşturmak için bunu kullanabileceğiz.”