„Agronomul” electronic are Inteligență Artificială și știe câtă mâncare vom produce

Rețelele Neurale Convoluționale (RNC) revoluționează agricultura SUA, astfel că, deja, cercetătorii Universității din Illinois au pus bazele unui „agronom” cu Inteligență Artificială (IA) care asociază informațiile generate atât din teren, cât și pe cele satelitare, similar cu legăturile făcute de creierul uman, și previzionează cu mare acuratețe câtă hrană poate fi produsă pe suprafețele studiate.

În condițiile în care rapoartele de specialitate susțin că piața agriculturii de precizie ar putea atinge 12,9 miliarde până în anul 2027, este tot mai mare nevoie de a dezvolta soluții sofisticate de analiză de date care pot susține deciziile de management în timp real, scriu cei de la Science Daily.

Un nou studiu al unui grup de cercetare interdisciplinară de la Universitatea din Illinois propune o abordare promițătoare, în ceea ce privește procesarea eficientă și de înaltă acuratețe a datelor provenite din agricultura de precizie.

„Ne propunem să schimbăm cum anume abordează oamenii cercetarea agronomică. În loc de a determina o mică parcelă de teren, de a procesa statisticile generate și de a publica modalitățile de lucru, ceea ce ne propunem implică fermierul într-un mod mai direct. Experimentăm direct cu utilajele fermierilor, pe propriile lor terenuri agricole. Putem detecta răspunsurile pedologice în funcție de inputurile agricole aplicate. Agregăm informațiile și vedem care sunt răspunsurile în diversele puncte din teren”, a declarat Nicolas Martin, profesor asistent în cadrul Departamentului de Științe Agricole al Universității din Illinois și co-autor al studiului. „Am pus la punct o metodologie utilizând învățarea automată, astfel încât să generăm previziuni în ceea ce privește producția de hrană. Aceasta încorporează informații din diversele variabile topografice, precum și din electroconductivitatea solului, respectiv în ceea ce privește rata însămânțărilor și amendamentele cu azot aplicate în nouă loturi cu porumb din zonele înalte productive ale SUA”.

Martin și echipa sa au lucrat cu date din 2017 și 2018, disponibile în proiectul Data Intensive Farm Mangement. Sursa oferă informații despre diversele rate de însămânțare a materialul semincer, dar și de aplicare a azotului în 226 de suprafețe din Midwest (SUA), Brazilia, Argentina și Africa de Sud. Măsurătorile la fața locului au fost alipite imaginilor de înaltă rezoluție generate de satelit ale PlanetLab, astfel încât să genereze previziuni cu privire la randamentele la hectar.

Loturile de teren au fost împărțite digital în pătrate cu latura de cinci metri. Date cu privire la sol, elevație, rata aplicărilor de azot, dar și a numărului semințelor au fost urcate într-un computer, pentru fiecare pătrat în parte. Scopul a fost de învățare a metodologiei de interacțiune a factorilor, astfel încât să genereze estimările randamentelor la hectar în cazul fiecărui pătrat.

În acest caz, cercetătorii și-au bazat analiza pe un tip anume de învățare automată sau Inteligență Artificială denumită Rețea Neurală Convoluțională (RNC). Anumite tipuri de învățare automată pornesc de la modele și interoghează computerele în vederea inserării unor noi cantități de date în aceste modele preexistente.

„Agronomul” IA învață ca omul

Rețelele Neurale Convoluționale sunt „oarbe” la modelele existente. În schimb, acestea culeg diverse date specifice și învață modelele după care acestea sunt organizate. Demersul este unul similar cu cel al creierului uman care organizează noile informații absorbite prin generarea de noi legături neuronale. Procesul RNC care previzionează cu acuratețe date despre randamentele la hectar, a fost comparat și cu alți algoritmi de învățare automată sau cu tehnicile tradiționale de statistică.

„Nu știm cu adevărat ce anume cauzează diferențele de productivitate din câmp, generate de inputurile folosite în agricultură. Uneori, oamenii își fac o idee despre cum anume va reacționa o anume suprafață dintr-un lot agricol dacă este tratat cu azot, iar lucrul acesta nu se întâmplă și viceversa”, a mai adăugat Martin. „RNC poate însă descoperi modele ascunse care generează răspunsuri. Atunci când am comparat mai multe medote, am descoperit că RNC făcea treabă bună în a explica diferitele variații de productivitate din loturile demonstrative”.

Utilizarea Inteligenței Artificiale pentru a naviga prin complicatele rețele de informații ale agriculturii de precizie este relativ nouă. Însă, potrivit precizărilor lui Martin, experimentul său scoate la iveală doar vârful aisbergului, în termeni de posibile întrebuințări ale RNC.

„Până la urmă, putem folosi RNC pentru a genera recomandări optime pentru o anumită combinație de inputuri agricole, bazate pe constrângerile terenului vizat”, a conchis cercetătorul.

Studiul său urmează să fie publicat în ediția din martie 2020 a Computers and Electronics in Agriculture.

Sursă foto: Shutterstock