Thuật toán Trí tuệ nhân tạo được sử dụng để dự đoán sản lượng nông nghiệp

Người ta dự đoán rằng thị trường nông nghiệp chính xác sẽ đạt 12,9 tỷ đô la vào năm 2027. Với sự tăng trưởng này, có nhu cầu về các giải pháp phân tích dữ liệu tinh vi có khả năng hướng dẫn quyết định quản lý theo thời gian thực. Một phương pháp mới đã được phát triển bởi một nhóm liên ngành tại Đại học Illinois, và nó nhằm mục đích xử lý dữ liệu nông nghiệp chính xác một cách hiệu quả và chính xác.

Nicolas Martin là giáo sư trợ lý tại Khoa Khoa học Crops tại Illinois và là đồng tác giả của nghiên cứu.

“Chúng tôi đang cố gắng thay đổi cách mọi người thực hiện nghiên cứu nông nghiệp. Thay vì thiết lập một khu vực thử nghiệm nhỏ, chạy thống kê và xuất bản trung bình, những gì chúng tôi đang cố gắng làm liên quan đến nông dân nhiều hơn. Chúng tôi đang chạy các thí nghiệm với máy móc của nông dân trong chính các cánh đồng của họ. Chúng tôi có thể phát hiện các phản ứng cụ thể của trang web đối với các đầu vào khác nhau. Và chúng tôi có thể xem liệu có phản ứng trong các phần khác nhau của cánh đồng hay không,” ông nói.

“Chúng tôi đã phát triển phương pháp sử dụng học sâu để tạo ra dự đoán sản lượng. Nó kết hợp thông tin từ các biến số địa hình khác nhau, độ dẫn điện của đất, cũng như các phương pháp điều trị nitơ và hạt giống mà chúng tôi đã áp dụng trên chín cánh đồng ngô ở Midwest.”

Đội ngũ đã sử dụng dữ liệu từ năm 2017 và 2018 từ Dự án Quản lý Nông trại Tập trung vào Dữ liệu để giúp phát triển phương pháp của họ. Trong dự án đó, hạt giống và phân bón nitơ đã được áp dụng ở các mức độ khác nhau trên 226 cánh đồng. Những cánh đồng đó nằm ở các khu vực khác nhau trên thế giới, bao gồm Midwest, Brazil, Argentina và Nam Phi. Các hình ảnh vệ tinh độ phân giải cao được cung cấp bởi PlanetLab, và chúng được kết hợp với các phép đo trên mặt đất để dự đoán sản lượng.

Các cánh đồng đã được chia thành các ô 5 mét. Máy tính đã được cung cấp dữ liệu về đất, độ cao, tốc độ ứng dụng nitơ và tốc độ hạt giống cho mỗi ô, và sau đó nó bắt đầu học cách sản lượng trong ô đó được xác định bởi sự tương tác của các yếu tố.

Để hoàn thành phân tích của họ, các nhà nghiên cứu đã dựa vào một mạng nơ-ron tích hợp (CNN). CNN là một loại học máy hoặc trí tuệ nhân tạo. Trong khi một số loại học máy khiến máy tính thêm dữ liệu mới vào các mẫu hiện có, mạng nơ-ron tích hợp không tính đến các mẫu hiện có. CNN xem xét dữ liệu và học các mẫu chịu trách nhiệm tổ chức nó, và nó hoạt động theo cách tương tự như cách con người tổ chức thông tin thông qua mạng nơ-ron trong não. Phương pháp CNN đã có thể dự đoán sản lượng với tốc độ chính xác cao, và nó đã được so sánh với các thuật toán học máy khác và các kỹ thuật thống kê truyền thống.

“Chúng tôi không thực sự biết những gì gây ra sự khác biệt trong phản ứng sản lượng đối với các đầu vào trên một cánh đồng. Đôi khi mọi người có ý tưởng rằng một điểm nhất định nên phản ứng mạnh với nitơ và nó không, hoặc ngược lại. CNN có thể nhận ra các mẫu ẩn có thể gây ra phản ứng,” Martin nói. “Và khi chúng tôi so sánh các phương pháp khác nhau, chúng tôi đã phát hiện ra rằng CNN đang hoạt động rất tốt để giải thích sự thay đổi của sản lượng.”

Sử dụng trí tuệ nhân tạo để phân tích dữ liệu từ nông nghiệp chính xác là một lĩnh vực mới, nhưng nó đang phát triển. Nông nghiệp là một trong những ngành công nghiệp sẽ bị thay đổi đáng kể bởi trí tuệ nhân tạo, và việc sử dụng nó đang tiếp tục tăng. Theo Martin, thí nghiệm này chỉ là bước đầu tiên trong việc sử dụng CNN trong nhiều ứng dụng khác nhau.

“Cuối cùng, chúng tôi có thể sử dụng nó để đưa ra các khuyến nghị tối ưu cho một sự kết hợp nhất định của các đầu vào và các hạn chế của trang web.”