Maskinlæring bruges til at hjælpe landmænd med at vælge optimale produkter, der passer til deres drift

Årevis, landmænd har valgt produkter til deres drift gennem de bedste råd til rådighed – frøguider, lokale agronomer, frøhandlere, osv. Fremskridtene inden for kunstig intelligens-teknologier har givet muligheder for at udforske en anden tilgang.

Washington University i St. Louis i samarbejde med The Climate Corporation, et datterselskab af Bayer, arbejder på at udforske unikke nye teknologier for at fremme videnskaben bag hybridvalg og -placering.

Roman Garnett, assisterende professor i Computer Science &Engineering ved School of Engineering &Applied Science, har modtaget en $97, 771 tilskud fra The Climate Corporation til at anvende aktiv maskinlæring for at hjælpe med at bestemme, hvilke hybrider der har sandsynligheden for at opnå maksimalt udbyttepotentiale i alle miljøer.

Udvikling af kommercielle hybridprodukter er en lang og dyr proces; det kan tage 7-8 år at bestemme, hvor godt frøene voksede, deres modstandsdygtighed over for skadedyr og sygdomme, og tilhørende afgrødeudbytter. "Ved at inkorporere aktiv maskinlæring, vi kan skabe en model, der ville tilbyde en potentiel reduktion af det fodaftryk, der kræves til produktkarakterisering og kommercialisering, og også give værdifuld indsigt i forudsagte produktimplementeringsmål, " sagde Xiao Yang, placeringsrådgivningsleder hos The Climate Corporation.

"Folk taler om personlig medicin, og dette er personligt landbrug, " sagde Garnett. "Vi kan samle en masse data, brug derefter dataene til at prøve at lære mønstre for at kunne lave personlige anbefalinger til hver landmand."

Målet med projektet er at afgøre, om klimaforskere hvert år kan strømline udviklingen og plantningen af ​​nye produkter.

Aktiv maskinlæring identificerer de data, der er mest nyttige mod slutmålet. I stedet for at bruge eksisterende data, aktiv maskinlæring "lærer undervejs, " sagde Garnett.

"I stedet for at indsamle alle disse data, hvad hvis vi kun havde samlet 10 procent af det, men vi kan vælge hvilke 10 procent, " sagde Garnett. "Så vil vi have en algoritme, der kunne have brugt en lille brøkdel af dataene til at være i stand til at få en lige så god personaliseringsydelse for denne frøportefølje. Vi gør det i simulering, men hvis det virker, vi kan muligvis påvirke den måde, de træffer fremtidige beslutninger på."

Garnett er på et forskerhold, der bruger big data til at fremskynde avl og kommerciel frigivelse af sorghum-afgrøder, der kan bruges som en vedvarende energikilde. De fire år, $ 8 millioner projekt, ledet af Donald Danforth Plant Science Center, er finansieret af det amerikanske energiministeriums ARPA-E TERRA-program og omfatter et team på 10 universiteter, regerings- og industrisamarbejdspartnere. Garnett udvikler algoritmer, der gør den mest effektive brug af statistiske estimater af den endelige biomasse af afgrøderne fra sensordata så tidligt i vækstsæsonen som muligt for at fremskynde avlsprocessen.