Новый алгоритм искусственного интеллекта предсказывает урожай кукурузы
В связи с тем, что в некоторых докладах прогнозируется, что к 2027 году рынок точного земледелия достигнет 12,9 млрд. долл. США, существует растущая потребность в разработке сложных решений для анализа данных, которые могут принимать управленческие решения в режиме реального времени. Новое исследование междисциплинарной исследовательской группы в Университете Иллинойса предлагает многообещающий подход для эффективной и точной обработки данных.
«Мы пытаемся изменить то, как люди проводят агрономические исследования. Вместо того, чтобы создавать небольшой полевой участок, вести статистику и вкладывать средства, то, что мы пытаемся сделать, упростит фермерам эту задачу. Эксперименты мы проводим с фермерами непосредственно на их участках земли», — говорит Николас Мартин, доцент кафедры наук о растениях в Иллинойсе, автор исследования.
Он добавляет: «Мы разработали методологию, использующую глубокое машинное обучение для создания прогнозов урожайности. Она включает в себя информацию от различных топографических переменных, электропроводности почвы, а также обработки азотом и нормы высева. Исследование проводится на девяти восточных кукурузных полях».
Мартин и его команда работали с данными за 2017 и 2018 годы из проекта Data Intensive Farm Management, в котором семена и азотные удобрения применялись с разными скоростями на 226 полях на Среднем Западе, в Бразилии, Аргентине и Южной Африке. Наземные измерения были спарены со спутниковыми изображениями высокого разрешения PlanetLab для прогнозирования урожайности.
Поля были разбиты цифровым способом на 5-метровые квадраты. Данные о почве, высоте, норме внесения азота и норме посева вводились в компьютер для каждого квадрата с целью изучения взаимодействия факторов для прогнозирования урожайности в этом квадрате.
Исследователи подошли к своему анализу с помощью машинного обучения или искусственного интеллекта, известного как конволюционная нейронная сеть (CNN). Некоторые типы машинного обучения начинаются с шаблонов и просят компьютер подогнать новые биты данных под уже существующие шаблоны. Конволюционные нейронные сети слепы к существующим моделям. Вместо этого они берут биты данных и изучают паттерны, которые их организуют, подобно тому, как люди организуют новую информацию через нейронные сети в мозге. Процесс CNN, который предсказывал урожайность с высокой точностью, также сравнивался с другими алгоритмами машинного обучения и традиционными статистическими методами.
«Мы на самом деле не знаем, что вызывает различия в реакциях урожайности на входы по всему полю. Иногда люди думают, что определенное место должно действительно сильно реагировать на азот, а это не так, или наоборот. CNN может забрать на скрытых моделях, которые могут вызывать ответ «, говорит Мартин. «И когда мы сравнили несколько методов, то обнаружили, что CNN работает очень хорошо, чтобы объяснить вариации урожайности».
Использование искусственного интеллекта для распознавания данных из точного земледелия все еще относительно ново, но, говорит Мартин, что его эксперимент просто затрагивает верхушку айсберга с точки зрения потенциальных применений CNN. «В конце концов, мы могли бы использовать его для выработки оптимальных рекомендаций для заданного сочетания факторов производства и ограничений на местах».
Источник: Университета Иллинойса; автор: Александр Барбоса; фото: pixabay.com
