Wetenschap
Nicolas Martin (voorgrond) werkt samen met student aan het visualiseren van digitale veldgegevens. Krediet:L. Brian Stauffer
Sommige rapporten voorspellen dat de markt voor precisielandbouw in 2027 $ 12,9 miljard zal bereiken, er is een toenemende behoefte aan het ontwikkelen van geavanceerde oplossingen voor gegevensanalyse die managementbeslissingen in realtime kunnen begeleiden. Een nieuwe studie van een interdisciplinaire onderzoeksgroep aan de Universiteit van Illinois biedt een veelbelovende benadering voor het efficiënt en nauwkeurig verwerken van precisie-ag-gegevens.
"We proberen de manier te veranderen waarop mensen agronomisch onderzoek uitvoeren. In plaats van een klein veldperceel aan te leggen, lopende statistieken, en het publiceren van de middelen, wat we proberen te doen, betreft de boer veel directer. We doen experimenten met boerenmachines op hun eigen akkers. We kunnen locatiespecifieke reacties op verschillende inputs detecteren. En we kunnen zien of er een reactie is in verschillende delen van het veld, " zegt Nicolaas Maarten, assistent-professor bij het Department of Crop Sciences in Illinois en co-auteur van de studie.
Hij voegt toe, "We hebben een methodologie ontwikkeld met behulp van deep learning om opbrengstvoorspellingen te genereren. Het bevat informatie van verschillende topografische variabelen, bodem elektrogeleiding, evenals stikstof- en zaaddoseringsbehandelingen die we in negen maïsvelden in het Midwesten hebben toegepast."
Martin en zijn team werkten met gegevens uit 2017 en 2018 van het project Data Intensive Farm Management, waarin zaden en stikstofkunstmest met verschillende snelheden werden toegepast op 226 velden in het Midwesten, Brazilië, Argentinië, en Zuid-Afrika. Om de opbrengst te voorspellen, werden metingen op de grond gecombineerd met satellietbeelden met een hoge resolutie van PlanetLab.
Velden werden digitaal opgedeeld in vierkanten van 5 meter (ongeveer 16 voet). Gegevens over bodem, verhoging, hoeveelheid stikstof, en zaadsnelheid werden voor elk vierkant in de computer ingevoerd, met als doel te leren hoe de factoren op elkaar inwerken om de opbrengst in dat vierkant te voorspellen.
De onderzoekers benaderden hun analyse met een type machine learning of kunstmatige intelligentie dat bekend staat als een convolutioneel neuraal netwerk (CNN). Sommige soorten machine learning beginnen met patronen en vragen de computer om nieuwe stukjes gegevens in die bestaande patronen te passen. Convolutionele neurale netwerken zijn blind voor bestaande patronen. In plaats daarvan, ze nemen stukjes gegevens en leren de patronen die ze organiseren, vergelijkbaar met de manier waarop mensen nieuwe informatie organiseren via neurale netwerken in de hersenen. Het CNN-proces, die de opbrengst met hoge nauwkeurigheid voorspelde, werd ook vergeleken met andere machine learning-algoritmen en traditionele statistische technieken.
"We weten niet echt wat de oorzaak is van verschillen in opbrengstreacties op inputs over een veld. Soms hebben mensen het idee dat een bepaalde plek heel sterk op stikstof moet reageren en dat doet het niet, of vice versa. De CNN kan verborgen patronen oppikken die een reactie kunnen veroorzaken, " zegt Martin. "En toen we verschillende methoden vergeleken, we ontdekten dat de CNN heel goed werkte om opbrengstvariatie te verklaren."
Het gebruik van kunstmatige intelligentie om gegevens uit precisielandbouw te ontwarren is nog relatief nieuw, maar Martin zegt dat zijn experiment slechts het topje van de ijsberg vormt in termen van potentiële toepassingen van CNN. "Eventueel, we zouden het kunnen gebruiken om optimale aanbevelingen te doen voor een bepaalde combinatie van inputs en sitebeperkingen."
Wetenschap © https://nl.scienceaq.com