Ny kunstig intelligens-algoritme forudsiger bedre majsudbytte

Med nogle rapporter, der forudsiger, at markedet for præcisionslandbrug vil nå op på 12,9 milliarder dollars i 2027, der er et stigende behov for at udvikle sofistikerede dataanalyseløsninger, der kan guide ledelsesbeslutninger i realtid. En ny undersøgelse fra en tværfaglig forskergruppe ved University of Illinois tilbyder en lovende tilgang til effektivt og præcist at behandle præcisionsag-data.

"Vi forsøger at ændre, hvordan folk driver agronomisk forskning. I stedet for at etablere en lille markgrund, løbende statistik, og offentliggøre midlerne, det, vi forsøger at gøre, involverer landmanden langt mere direkte. Vi kører eksperimenter med landmænds maskiner på deres egne marker. Vi kan detektere stedspecifikke svar på forskellige input. Og vi kan se, om der er en reaktion i forskellige dele af feltet, siger Nicolas Martin, adjunkt ved Institut for Afgrødevidenskab i Illinois og medforfatter til undersøgelsen.

Han tilføjer, "Vi udviklede metodologi ved hjælp af deep learning til at generere udbytteforudsigelser. Den inkorporerer information fra forskellige topografiske variabler, jordens elektriske ledningsevne, såvel som nitrogen- og frømængdebehandlinger anvendte vi i ni midtvestlige majsmarker."

Martin og hans team arbejdede med data fra 2017 og 2018 fra projektet Data Intensive Farm Management, hvor frø og nitrogengødning blev tilført i varierende hastighed på tværs af 226 marker i Midtvesten, Brasilien, Argentina, og Sydafrika. Målinger på jorden blev parret med højopløselige satellitbilleder fra PlanetLab for at forudsige udbytte.

Felter blev digitalt opdelt i 5 meter (ca. 16 fod) firkanter. Data om jord, højde, mængden af ​​nitrogenpåføring, og seed rate blev ført ind i computeren for hver firkant, med det mål at lære, hvordan faktorerne interagerer for at forudsige udbytte i det felt.

Forskerne nærmede sig deres analyse med en type maskinlæring eller kunstig intelligens kendt som et konvolutionelt neuralt netværk (CNN). Nogle typer maskinlæring starter med mønstre og beder computeren om at passe nye datastykker ind i de eksisterende mønstre. Konvolutionelle neurale netværk er blinde for eksisterende mønstre. I stedet, de tager bits af data og lærer de mønstre, der organiserer dem, svarende til den måde, mennesker organiserer ny information gennem neurale netværk i hjernen. CNN-processen, som forudsagde udbytte med høj nøjagtighed, blev også sammenlignet med andre maskinlæringsalgoritmer og traditionelle statistiske teknikker.

"Vi ved ikke rigtig, hvad der forårsager forskelle i udbytteresponser på input på tværs af en mark. Nogle gange har folk en idé om, at en bestemt plet skal reagere virkelig stærkt på nitrogen, og det gør den ikke, eller omvendt. CNN kan opfange skjulte mønstre, der kan forårsage et svar, " siger Martin. "Og når vi sammenlignede flere metoder, vi fandt ud af, at CNN arbejdede meget godt med at forklare udbyttevariation."

At bruge kunstig intelligens til at udrede data fra præcisionslandbrug er stadig relativt nyt, men Martin siger, at hans eksperiment blot græsser toppen af ​​isbjerget med hensyn til CNN's potentielle anvendelser. "Til sidst, vi kunne bruge det til at komme med optimale anbefalinger til en given kombination af input og site-begrænsninger."