Алгоритм штучного інтелекту для прогнозування врожайності сільського господарства

Прогнозується, що ринок точного сільського господарства до 2027 року досягне 12,9 мільярдів доларів. З цим зростанням існує потреба в складних рішеннях для аналізу даних, які можуть керувати рішеннями у реальному часі. Міжгалузева група університету Іллінойсу розробила нову методологію, яка спрямована на ефективну та точну обробку даних точного сільського господарства.

Ніколас Мартін – асистент професора кафедри сільського господарства в Іллінойсі та співавтор дослідження.

“Ми намагаємось змінити спосіб проведення агрономічних досліджень. Замість створення малих полів, проведення статистичних розрахунків та публікації середніх значень, ми проводимо експерименти з фермерами на їхніх полях. Ми можемо виявити реакції на різні входи в різних частинах поля”, – говорить він.

“Ми розробили методологію з використанням глибокого навчання для генерації прогнозів врожайності. Вона включає інформацію з різних топографічних змінних, електропровідності ґрунту, а також нітратів та норм посіву, які ми застосували на дев’яти полях кукурудзи в Середньому Заході.”

Команда використала дані 2017 та 2018 років з проекту Data Intensive Farm Management для розробки свого підходу. У цьому проекті насіння та азотні добрива були застосовані у різних нормах на 226 полях. Ці поля розташовувалися в різних частинах світу, включаючи Середній Захід, Бразилію, Аргентину та Південну Африку. Високорозірені супутникові зображення були надані компанією PlanetLab, і вони були поєднані з наземними вимірюваннями для прогнозування врожайності.

Поля були цифрово розділені на квадрати розміром 5 метрів. Комп’ютер отримав дані про ґрунт, висоту, норму застосування азоту та норму посіву для кожного квадрата, а потім почав вивчати, як врожайність у цьому квадраті визначається взаємодією цих чинників.

Для завершення свого аналізу дослідники використали卷неву нейронну мережу (CNN). CNN – це тип машинного навчання або штучного інтелекту. Хоча деякі типи машинного навчання змущують комп’ютери додавати нові дані до існуючих моделей,卷неві нейронні мережі не беруть до уваги існуючі моделі. CNN вивчає дані та вчиться розпізнавати закономірності, які відповідають за їх організацію, і працює подібно до того, як люди організовують інформацію через нейронні мережі в мозку. Підхід CNN дозволив передбачити врожайність з високим рівнем точності, і його порівняли з іншими алгоритмами машинного навчання та традиційними статистичними методами.

“Ми не знаємо, що спричиняє відмінності у реакціях на входи по всьому полю. Іноді люди мають ідею, що певне місце повинно реагувати дуже сильно на азот, але воно не реагує, або навпаки. CNN може виявити приховані закономірності, які можуть бути причиною реакції”, – говорить Мартін. “І коли ми порівняли кілька методів, ми виявили, що CNN працює дуже добре для пояснення варіації врожайності.”

Використання штучного інтелекту для аналізу даних точного сільського господарства – це нова галузь, але вона швидко розвивається. Сільське господарство – одна з основних галузей, які будуть суттєво змінені штучним інтелектом, і використання його продовжує зростати. За словами Мартина, цей експеримент – це тільки початок використання CNN у різних застосуваннях.

“В кінцевому підсумку ми зможемо використовувати його для розробки оптимальних рекомендацій для певної комбінації входів та обмежень місця.”