Con algunos informes que predicen que el mercado de agricultura de precisión alcanzará los $ 12.9 mil millones para 2027, existe una creciente necesidad de desarrollar soluciones sofisticadas de análisis de datos que puedan guiar las decisiones de gestión en tiempo real. Un nuevo estudio de un grupo de investigación interdisciplinario de la Universidad de Illinoisofrece un enfoque prometedor para procesar de manera eficiente y precisa datos ag de precisión.
"Estamos tratando de cambiar la forma en que las personas manejan la investigación agronómica. En lugar de establecer una pequeña parcela de campo, realizar estadísticas y publicar los medios, lo que estamos tratando de hacer involucra al agricultor mucho más directamente. Estamos realizando experimentos conmaquinaria de los agricultores en sus propios campos. Podemos detectar respuestas específicas del sitio a diferentes insumos. Y podemos ver si hay una respuesta en diferentes partes del campo ", dice Nicolas Martin, profesor asistente en el Departamento de Ciencias de Cultivos en Illinois ycoautor del estudio.
Agrega, "Desarrollamos una metodología que utiliza el aprendizaje profundo para generar predicciones de rendimiento. Incorpora información de diferentes variables topográficas, electroconductividad del suelo, así como tratamientos de nitrógeno y tasa de semillas que aplicamos en nueve campos de maíz del Medio Oeste".
Martin y su equipo trabajaron con datos de 2017 y 2018 del proyecto Data Intensive Farm Management, en el que se aplicaron semillas y fertilizantes nitrogenados a diferentes velocidades en 226 campos en el Medio Oeste, Brasil, Argentina y Sudáfrica. Mediciones en el suelose combinaron con imágenes de satélite de alta resolución de PlanetLab para predecir el rendimiento.
Los campos se dividieron digitalmente en cuadrados de 5 metros aproximadamente 16 pies. Los datos sobre el suelo, la elevación, la tasa de aplicación de nitrógeno y la tasa de semillas se introdujeron en la computadora para cada cuadrado, con el objetivo de aprender cómo interactúan los factorespara predecir el rendimiento en ese cuadrado.
Los investigadores abordaron su análisis con un tipo de aprendizaje automático o inteligencia artificial conocido como red neuronal convolucional CNN. Algunos tipos de aprendizaje automático comienzan con patrones y le piden a la computadora que ajuste nuevos pedazos de datos a esos patrones existentes.Las redes neuronales son ciegas a los patrones existentes. En cambio, toman fragmentos de datos y aprenden los patrones que los organizan, de forma similar a la forma en que los humanos organizan nueva información a través de redes neuronales en el cerebro. El proceso CNN, que predijo el rendimiento con alta precisión, fuetambién en comparación con otros algoritmos de aprendizaje automático y técnicas estadísticas tradicionales.
"Realmente no sabemos qué está causando diferencias en las respuestas de rendimiento a las entradas a través de un campo. A veces las personas tienen la idea de que cierto punto debería responder realmente fuertemente al nitrógeno y no lo hace, o viceversa. La CNN puededetecta patrones ocultos que pueden estar causando una respuesta ", dice Martin." Y cuando comparamos varios métodos, descubrimos que la CNN estaba funcionando muy bien para explicar la variación de rendimiento ".
El uso de la inteligencia artificial para desenredar los datos de la agricultura de precisión todavía es relativamente nuevo, pero Martin dice que su experimento simplemente roza la punta del iceberg en términos de posibles aplicaciones de CNN. "Eventualmente, podríamos usarlo para obtener recomendaciones óptimas para uncombinación dada de entradas y restricciones del sitio "
Fuente de la historia :
Materiales proporcionado por Facultad de Ciencias Agrícolas, del Consumidor y del Medio Ambiente de la Universidad de Illinois . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :