Урожайність сої та кукурудзи у США може бути збільшена за допомогою машинного навчання

Дослідження, проведене у Коледжі с/г наук штату Пенсильванія, показує, що алгоритми машинного навчання, запрограмовані на розпізнавання змін погодних умов, можуть показати виробникам та менеджерам сільського господарства, як збільшити врожайність сої та кукурудзи у Сполучених Штатах.

Про це пише propozitsiya.com з посиланням на growhow.

Підхід міг би виявитися цінним у вирішенні реалій зміни клімату, які поставили проблеми у вирощуванні достатньої кількості продовольства для зростаючого населення планети, зазначив Пол Ескер, доцент кафедри епідеміології та патології польових культур.

«Соя та кукурудза є одними з найцінніших с/г культур з точки зору постачання продовольства та економічної продукції в аграрному секторі США», — сказав Ескер, який вказав на статистику Міністерства сільського господарства США, яка вважає кукурудзу найпоширенішою культурою в США, соя має друге місце.

Мало того, що ці культури є життєво важливими для забезпечення продовольчої безпеки в США та за її межами, але їх загальна цінність для економіки країни становить понад 100 мільярдів доларів. Хоча Ескер визнає, що це вражаюча цифра, він вказує, що багато вчених передбачають, що до 2050 року світ повинен прогодувати 9 мільярдів людей, тому поточний обсяг виробництва повинен збільшитися.

Стійким рішенням цього виклику є збільшення врожайності с/г культур без масового розширення площі посівів. Він стверджує, що цього можна досягти шляхом визначення та прийняття найкращої практики управління. Однак для цього знадобиться більш детальне розуміння того, як, серед інших факторів, на врожайність впливають зміна клімату та зміна погоди під час вегетації.

Виробники мають доступ до величезної кількості даних щодо врожаю та управлінської інформації, що стала результатом поточних с/г експериментів, проведених у США. Навіть маючи ці знання, прогнозування є складним, оскільки різні фактори взаємодіють один з одним.

Щоб подолати ці виклики, команда дослідила ідею використання потужності алгоритмів машинного навчання. Ескер пояснив, що алгоритм машинного навчання — це метод, за допомогою якого комп’ютер вивчає дані. Метою є передбачення вихідних значень за визначеними вхідними даними.

З цією метою команда вивчила дані про врожайність та управлінські дані сортових випробувань, проведених у 28 штатах між 2016 і 2018 роками на кукурудзі та між 2014 та 2018 роками — на соєвих бобах. Інформація була зібрана на основі типу ґрунту та практики господарювання, включаючи зрошення, метод обробітку ґрунту, норму висіву, міжряддя та зрілість сорту.

Крім того, для кожного набору координат для кожного року отримувались дані про погоду. Команда вивчила кореляції між змінами погоди 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 та випробували протягом двох сезонів вирощування у випадково вибраному полі в південно-центральному штаті Вісконсін. Для візуальної оцінки результатів були використані стандартні методи відображення розподілу даних.

Дослідники також наголошують, що алгоритми машинного навчання не слід розглядати як заміну повторюваних випробувань. Навпаки, вони наголосили, польові випробування, проведені університетами, необхідні як джерело неупереджених даних, які можна використовувати для навчання ще більш комплексних алгоритмів.