Med vissa rapporter som förutsäger att precisions jordbruksmarknaden kommer att nå 12,9 miljarder dollar år 2027, det finns ett ökande behov av att utveckla sofistikerade dataanalyslösningar som kan leda ledningsbeslut i realtid. En ny studie från en tvärvetenskaplig forskargrupp vid University of Illinois erbjuder ett lovande tillvägagångssätt för att effektivt och exakt bearbeta precisionsagdata.

"Vi försöker förändra hur människor driver agronomisk forskning. I stället för att etablera en liten fältplan, kör statistik, och publicera medlen, det vi försöker göra involverar bonden mycket mer direkt. Vi kör experiment med lantbruksmaskiner inom sina egna fält. Vi kan upptäcka platsspecifika svar på olika ingångar. Och vi kan se om det finns ett svar i olika delar av fältet, "säger Nicolas Martin, biträdande professor vid Institutionen för grödor vid Illinois och medförfattare till studien.

Han lägger till, "Vi utvecklade metodik med djupinlärning för att generera avkastningsprognoser. Den innehåller information från olika topografiska variabler, jordens elektrokonduktivitet, såväl som kväve- och utsädesbehandlingar som vi använde i nio mellanvästliga majsfält. "

Martin och hans team arbetade med 2017 och 2018 data från Data Intensive Farm Management -projektet, där utsäde och kvävegödsel applicerades i varierande takt på 226 fält i Mellanvästern, Brasilien, Argentina, och Sydafrika. Markmätningar kopplades ihop med högupplösta satellitbilder från PlanetLab för att förutsäga avkastning.

Fält delades upp digitalt i rutor på 5 meter (cirka 16 fot). Data om jord, elevation, kvävepåföringshastighet, och fröhastigheten matades in i datorn för varje kvadrat, med målet att lära sig hur faktorerna samverkar för att förutsäga avkastning på det torget.

Forskarna närmade sig sin analys med en typ av maskininlärning eller artificiell intelligens som kallas ett konvolutionellt neuralt nätverk (CNN). Vissa typer av maskininlärning börjar med mönster och ber datorn att passa in nya bitar av data i de befintliga mönstren. Konvolutionella neurala nätverk är blinda för befintliga mönster. Istället, de tar bitar av data och lär sig mönstren som organiserar dem, liknande det sätt på vilket människor organiserar ny information genom neurala nätverk i hjärnan. CNN -processen, som förutsäger avkastning med hög noggrannhet, jämfördes också med andra algoritmer för maskininlärning och traditionella statistiska tekniker.

"Vi vet inte riktigt vad som orsakar skillnader i avkastningssvar på insatser över ett fält. Ibland har människor en idé om att en viss plats ska reagera riktigt starkt på kväve och det gör det inte, eller tvärtom. CNN kan upptäcka dolda mönster som kan orsaka ett svar, "Säger Martin." Och när vi jämförde flera metoder, vi fick reda på att CNN fungerade mycket bra för att förklara avkastningsvariation. "

Att använda artificiell intelligens för att avveckla data från precisionsjordbruk är fortfarande relativt nytt, men Martin säger att hans experiment bara betar toppen av isberget när det gäller CNN:s potentiella tillämpningar. "Så småningom, Vi kan använda den för att komma med optimala rekommendationer för en given kombination av inmatningar och webbplatsbegränsningar. "