新的人工智能算法可以更好地預測玉米產量

一些報告預測，到2027年，精準農業市場將達到129億美元，因此越來越需要開發能夠實時指導管理決策的復雜數據分析解決方案。伊利諾伊大學跨學科研究小組的一項新研究提供了一種有前途的方法，可以有效，準確地處理精密ag數據。

“我們正在嘗試改變人們進行農藝研究的方式。我們試圖做的不是直接建立一個小塊田地圖，運行統計數據和發布方法，而是更直接地涉及到農民。我們正在與農民進行實驗。伊利諾伊州作物科學系副教授尼古拉斯·馬丁(Nicolas Martin)說：“我們可以檢測特定地點對不同輸入的響應。我們還可以查看該字段的不同部分是否有響應。”該研究的作者。

他補充說：“我們開發了使用深度學習的方法來生成產量預測。該方法結合了來自不同地形變量，土壤電導率以及我們在中西部9個玉米田中應用的氮素和種子處理的信息。”

馬丁及其團隊處理了數據密集型農場管理項目的2017年和2018年數據，該項目在中西部，巴西，阿根廷和南非的226個田地以不同的速率施用了種子和氮肥。導通地面測量用高分辨率衛星圖像配對從PlanetLab的預測產量。

數字化地將場地分成5米(約16英尺)的正方形。將土壤，海拔，氮肥施用量和播種量的數據輸入到每個正方形的計算機中，目的是了解因素如何相互作用以預測那個正方形的產量。

研究人員通過一種稱為卷積神經網絡(CNN)的機器學習或人工智能進行了分析。某些類型的機器學習從模式開始，并要求計算機將新的數據位放入這些現有模式中。卷積神經網絡對現有模式視而不見。取而代之的是，它們獲取少量數據并學習組織數據的模式，類似于人類通過大腦神經網絡組織新信息的方式。CNN的過程，其預測與產量高的精度，也被相對于其他機器學習算法和傳統的統計技術。

“我們真的不知道是什么導致了整個田間對投入物的產量響應產生差異。有時人們會認為某個地點對氮的反應非常強烈，反之亦然。CNN可能會采取行動可能會引起回應的隱藏模式。”馬丁說。“當我們比較幾種方法時，我們發現CNN很好地解釋了產量變化。”

使用人工智能來解開精確農業中的數據仍然是一個相對較新的技術，但是馬丁說，他的實驗只是在CNN的潛在應用方面掠過了冰山一角。“最終，我們可以使用它針對給定的輸入和站點限制組合提出最佳建議。”