С некоторым данным прогноза рынка точного земледелия будет достигнуть к 2027 году 12,9 млрд долларов, растет потребность в разработке сложных данных анализа решений, которые могут направлять управленческие решения в режиме реального времени. Новое исследование междисциплинарной исследовательской группы в Университете штата Иллинойс предлагает перспективный подход к эффективно и точно обрабатывать точности данных АГ.
«Мы пытаемся изменить то, как люди бегут агрономических исследований. Вместо создания небольшой участок местности, ведущий статистику и публикации означает, что мы пытаемся сделать, предполагает фермер гораздо более непосредственно. Мы проводим эксперименты с фермерскими машинами в своих областях. Мы можем обнаружить сайт-специфические ответы на разные входы. И мы можем увидеть, есть ли ответ в разных частях области», — говорит Николас Мартин, доцент кафедры наук о культуре Иллинойс и соавтор исследования.
Он добавляет, «Мы разработали методику с использованием глубокого обучения для формирования прогнозов урожайности. Оно включает в себя информацию из разных морфометрических характеристик, электропроводности почвы, а также азота и нормы высева лечения мы применяли на протяжении девяти Среднезападные кукурузные поля».
Мартин и его команда работали с 2017 и 2018 данные от интенсивного управления проектами базы данных, в которой семена и удобрения азота были применены в различной степени в 226 поля на Среднем Западе США, Бразилии, Аргентине и Южной Африке. На наземных измерений в сочетании с высоким разрешением спутниковые снимки от PlanetLab для прогнозирования урожайности.
Поля были в цифровой форме с разбивкой на 5 метров (приблизительно 16 футов) площадей. Сведения о почвы, рельефа, норма внесения азота и нормы высева были введены в компьютер для каждого квадрата, с целью обучения как факторы взаимодействуют, чтобы предсказать урожай на этой площади.
Исследователи приблизились к их анализу с типом машинного обучения и искусственного интеллекта, известного как сверточные нейронные сети (КНС). Некоторые типы машинного обучения начать с узорами и попросить компьютер, чтобы соответствовать новым битов данных в существующие модели. Сверточные нейронные сети являются слепыми к существующим моделям. Вместо этого, они принимают биты данных и узнать модели, которые организуют их, подобно тому, как люди организуют новую информацию с помощью нейронных сетей в мозге. Процесс CNN, что прогнозируемая доходность с высокой точностью, также был по сравнению с другими алгоритмами машинного обучения и традиционных статистических методов.
«Мы действительно не знаем, что является причиной различий в ответах доходность к входам через поле. Иногда люди считают, что в определенном месте должен очень сильно реагировать на азот и это не так, или наоборот. Телеканал CNN можете подобрать на скрытые закономерности, которые могут быть причиной ответа», — говорит Мартин. «И когда мы сравнили несколько методов, мы выяснили, что Си-эн-эн очень хорошо работает для объяснения изменения доходности.»
Используя искусственный интеллект, чтобы распутать данных от точного земледелия по-прежнему относительно новый, но Мартин говорит, что его эксперимент просто пасет верхушка айсберга с точки зрения возможности применения Си-эн-эн. «В конце концов, мы могли бы использовать его, чтобы придумать оптимальные рекомендации для данной комбинации входных данных и ограничений сайте.»
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!