Спецвозможности
Новости

Урожайность сои и кукурузы в США может быть увеличена с помощью машинного обучения

15.10.2021
3057
Урожайность сои и кукурузы в США может быть увеличена с помощью машинного обучения  фото, иллюстрация

Исследование, проведенное в Колледже с/х наук штата Пенсильвания, показывает, что алгоритмы машинного обучения, запрограммированы на распознавание изменений погодных условий, могут показать производителям и менеджерам сельского хозяйства, как увеличить урожайность сои и кукурузы в Соединенных Штатах. 

Об этом пишет propozitsiya.com со ссылкой на growhow

Подход мог бы оказаться ценным в решении реалий изменения климата, которые поставили проблемы в выращивании достаточного количества продовольствия для растущего населения планеты, отметил Пол Эскер, доцент кафедры эпидемиологии и патологии полевых культур. 

«Соя и кукуруза являются одними из самых ценных с/х культур с точки зрения поставки продовольствия и экономической продукции в аграрном секторе США», — сказал Эскер, который указал на статистику Министерства сельского хозяйства США, которая считает кукурузу самой распространенной культурой в США, соя занимает второе место. 

Мало того, что эти культуры являются жизненно важными для обеспечения продовольственной безопасности в США и за ее пределами, но их общая ценность для экономики страны составляет более 100 млрд долларов. Хотя Эскер признает, что это впечатляющая цифра, он указывает, что многие ученые предполагают, что к 2050 году мир должен прокормить 9 млрд людей, поэтому текущий объем производства должен увеличиться. 

Устойчивым решением этого вызова является увеличение урожайности с/х культур без массового расширения площади посевов. Он утверждает, что этого можно достичь путем определения и принятия лучшей практики управления. Однако для этого понадобится более детальное понимание того, как, среди прочих факторов, на урожайность влияют изменение климата и изменение погоды во время вегетации. 

Производители имеют доступ к огромному количеству данных по урожаю и управленческой информации, ставшей результатом текущих с/х экспериментов, проведенных в США. Даже имея эти знания, прогнозирование является сложным, поскольку различные факторы взаимодействуют друг с другом. 

Чтобы преодолеть эти вызовы, команда исследовала идею использования мощности алгоритмов машинного обучения. Эскер пояснил, что алгоритм машинного обучения — это метод, с помощью которого компьютер изучает данные. Целью является предвидение исходных значений за определенными входными данными. 

С этой целью команда изучила данные об урожайности и управленческие данные сортовых испытаний, проведенных в 28 штатах между 2016 и 2018 годами на кукурузе и между 2014 и 2018 годами — на соевых бобах. Информация была собрана на основе типа почвы и практики хозяйствования, включая орошение, метод обработки, норму высева, междурядья и зрелость сорта. 

Кроме того, для каждого набора координат для каждого года получались данные о погоде. Команда изучила корреляции между изменениями погоды и определила семь погодных переменных для кукурузы и восемь для сои для конкретных регионов. 

Для каждой культуры исследователи разработали алгоритмы или наборы данных, которые они применили к разным моделям и испытывали в течение двух сезонов выращивания в случайно выбранном поле в юго-центральном штате Висконсин. Для визуальной оценки результатов были использованы стандартные методы отображения распределения данных.

Исследователи также отмечают, что алгоритмы машинного обучения не следует рассматривать как замену повторяющихся испытаний. Наоборот, они отметили, полевые испытания, проведенные университетами, необходимы как источник беспристрастных данных, которые можно использовать для обучения еще более комплексных алгоритмов.

Интервью
Богдан Шаповал, директор UFEB
Кто из сельхозпроизводителей (даже небольших по объемам производства) не мечтает экспортировать продукцию и получать за нее твердую валюту? Посоветовать кому стоит начинать экспортно-ориентированную
Система КОНВИЗО® СМАРТ все чаще применяется сельхозпроизводителями на украинских полях. Это не только эффективно, но и значительно экономит время аграриев (только две гербицидных обработки за сезон). Этот новаторский шаг сделала компания... Подробнее

1
0