Sztuczna inteligencja dokładniej przewidzi plony kukurydzy

Przewiduje się, że do 2027 r. rynek rolnictwa precyzyjnego, czyli wspomaganego komputerowo, osiągnie wartość 12,9 mld dolarów. Dlatego już dziś pojawia się potrzeba opracowania specjalistycznych rozwiązań przetwarzania danych, które umożliwią zarządzanie w agrobiznesie w czasie rzeczywistym.

„Staramy się zmienić sposób prowadzenia badań agronomicznych. Zamiast tworzyć małe poletka testowe, prowadzić statystyki i publikować, staramy się zaangażować rolników bezpośrednio. Robimy eksperymenty z udziałem ich maszyn na ich własnych polach. Możemy wykryć reakcje na różne bodźce w określonym miejscu. I sprawdzić, czy będzie na nie odpowiedź w innych częściach pola” – wyjaśnił Nicolas Martin z wydziału nauk o plonach University of Illinois, współautor badania opisanego w „Computers and Electronics in Agriculture”.

Naukowcy opracowali technologię opartą na uczeniu maszynowym (ang. deep learning), generującą prognozy plonów. Posługuje się ona informacjami z różnych obszarów, danymi o przewodności elektrycznej gleby, a także poziomie azotu i dawce nasion, które – w przypadku badania - dotyczyły dziewięciu pól z kukurydzą na Środkowym Zachodzie USA.

Badacze pracowali na danych z 2017 i 2018 r., pochodzących z projektu „Data Intensive Farm Management”, w którym 226 pól w Środkowym Zachodzie USA, Brazylii, Argentynie i RPA obsiano i nawieziono azotem. Aby przewidzieć plony, naziemne pomiary zestawiono ze zdjęciami satelitarnymi o wysokiej rozdzielczości.

Pola podzielono wirtualnie na pięciometrowe kwadraty. Dane o glebie, dawce nawozu i nasion wprowadzano do komputera niezależnie dla każdego kwadratu, aby sprawdzić, jak poszczególne czynniki wpływają na plon.

Naukowcy zastosowali rodzaj uczenia maszynowego, określanego jako konwolucyjne sieci neuronowe (ang. convolutional neural network – CNN). Niektóre tego typu rozwiązania korzystają z gotowych wzorców i dopasowują do nich nowe dane. Natomiast CNN nie używają wzorców, ale na podstawie nowych danych dopiero uczą się zasad, które nimi rządzą. W podobny sposób ludzie przyswajają informacje poprzez sieci neuronowe w mózgu.

Proces CNN, który przewiduje plony z dużą dokładnością, został porównany z innymi algorytmami uczenia maszynowego i tradycyjnymi technikami statystycznymi.

„Nie wiemy dokładnie, co powoduje różnice w poziomie plonów na polu. Czasem ludziom wydaje się, że jakieś miejsce powinno zareagować silnie na azot, a tak się nie dzieje – i odwrotnie. CNN potrafi wskazać ukryte przyczyny takiej odpowiedzi. A kiedy porównaliśmy kilka metod, okazało się, że CNN sprawdza się naprawdę bardzo dobrze z wyjaśnianiu zróżnicowania w poziomie plonów” – podkreślił Martin. (PAP)

mrt/ zan/