Соя і кукурудза в США можуть бути збільшені за рахунок машинного навчання
Дослідження, проведені патологом рослин з коледжу сільськогосподарських наук Пенсільванського університету, показують, що алгоритми машинного навчання, запрограмовані на розпізнавання мінливих погодних умов, можуть показати виробникам і керівникам сільського господарства, як підвищити врожайність сої і кукурудзи в Сполучених Штатах.
Цей підхід може виявитися корисним при вирішенні реальних проблем зміни клімату, які створюють проблеми для вирощування достатньої кількості продуктів харчування для зростаючого населення світу, зазначив Пол Ескер, доцент кафедри епідеміології та патології польових культур.
"Соя і кукурудза є одними з найцінніших культур з точки зору продовольства і економічного виробництва в сільськогосподарському секторі США», - сказав Ескер, вказавши на статистичні дані Міністерства сільського господарства США, згідно з якими кукурудза є найбільш широко виробленої культурою в США. соя слідує за нею.
Ці культури не тільки життєво важливі для продовольчої безпеки в США і за їх межами, але їх сукупна вартість для економіки країни становить понад 100 мільярдів доларів. Хоча Ескер визнає, що це вражаюча цифра, він зазначає, що багато вчених передбачають, що до 2050 року світ повинен нагодувати 9 мільярдів людей, тому поточні обсяги виробництва повинні зрости.
"Попит на продукти харчування буде на 60% більшим, ніж сьогодні, тому вкрай важливо, щоб ми просували сільськогосподарські дослідження для розробки більш ефективних і стійких методів збільшення виробництва, особливо в умовах зміни клімату», - сказав він.
Стійким вирішенням цієї проблеми є підвищення врожайності без масового розширення посівних площ. Він стверджує, що цього можна досягти шляхом виявлення та впровадження передових методів управління. Однак для цього буде потрібно більш детальне розуміння того, як на урожай сільськогосподарських культур, крім інших факторів, впливають зміна клімату і мінливість погоди в період вегетації.
"Фермери мають доступ до величезної кількості інформації про врожайність та управління, отриманої в результаті поточних сільськогосподарських експериментів, що проводяться в США. Навіть з цими знаннями робити прогнози складно, оскільки різні фактори взаємодіють один з одним", - зазначив керівник проекту Спиридон Мурциніс з Agstat Consulting. , Афіни, Греція
"Такі набори даних до теперішнього часу залишалися ізольованими один від одного, і їх важко об'єднати, стандартизувати і належним чином проаналізувати», - сказав Мурцініс. "Наприклад, мінливість типу ґрунту може взаємодіяти з погодними умовами і пом'якшувати або посилювати пов'язані з кліматом впливу на врожайність».
Щоб подолати ці проблеми, команда досліджувала ідею використання можливостей алгоритмів машинного навчання. Ескер пояснив, що алгоритм машинного навчання-це метод, за допомогою якого комп'ютер навчається на даних. Мета полягає в тому, щоб передбачити вихідні значення за заданими вхідними даними.
З цією метою команда вивчила дані про врожайність та управління, отримані в результаті сортовипробувань, проведених в 28 штатах в період з 2016 по 2018 рік для кукурудзи та з 2014 по 2018 рік для сої. Інформація була організована на основі типу ґрунту і методів управління, включаючи полив, метод обробки ґрунту, норму висіву, міжряддя і зрілість сорту.
Крім того, для кожного набору координат були отримані дані про погоду за кожен рік. Команда досліджувала кореляцію між погодними змінними та визначила сім погодних змінних для кукурудзи та вісім для сої для конкретних регіонів.
Для кожної культури дослідники розробили алгоритми або набори даних, які вони застосували до різних моделей і протестували протягом двох вегетаційних сезонів на випадково вибраному полі в південній частині Центрального Вісконсіна. Коробчаті діаграми, стандартизований спосіб відображення розподілу даних, використовувалися для візуальної оцінки результатів.
Для цього конкретного поля і системи посівів використання алгоритмів команди показало, що кукурудза з датою посіву 1 травня дає 6% збільшення врожайності в порівнянні з кукурудзою, посіяною 1 червня. Створивши сценарії з 256 варіантами фонової системи посіву, отриманий алгоритм-розрахункова різниця в оцінці врожайності для одного і того ж терміну посіву була меншою, але все ж позитивна.
У випадку сої посів 1 травня призвів до збільшення врожайності на 14% порівняно з посівом 1 червня в системі однофонового посіву. Результат був стабільним, коли відмінності в врожайності через дату посіву були усереднені по 128 варіантів фонової системи землеробства.
Мурцініс і Ескер визнали, що є обмеження в результатах, в першу чергу через відсутність інформації про норми обробки насіння, продуктах, що застосовуються для листя, і різних методах обробки, про які повідомлялося в різних штатах.
Проте їх результати, опубліковані в Scientific Reports, показують, що розроблені алгоритми можуть призвести Сільське господарство до значного збільшення врожайності.
"Наш підхід може прискорити сільськогосподарські дослідження, виявити стійкі методи і допомогти задовольнити майбутній попит на продукти харчування", - сказав Мурцініс.
Дослідники також підкреслюють, що алгоритми машинного навчання не слід розглядати як заміну повторним випробуванням. Навпаки, вони вказали, що польові випробування, проведені університетами, необхідні як джерело об'єктивних даних, які можна використовувати для навчання ще більш повних алгоритмів.
Також читайте: