Применение нейросетей в сельском хозяйстве

Прогнозирование урожайности помогает фермерам принимать финансовые решения и контролировать свою прибыль. Точность прогнозирования важна и для государств, которые с ее помощью могут избежать стихийных бедствий и глобального кризиса.

ИИ помогает определять, как осадки и температура воздуха влияют на урожайность, а также как эти параметры влияют друг на друга. Если в конкретном году осадков выпало больше, что, в теории, должно вести к увеличению урожая, это будет проблематичным при повышенной температуре воздуха, которая приведет к быстрому испарению осадков.

Для эксперимента ученые использовали рекуррентную нейронную сеть, которая способна отслеживать взаимосвязь переменных для фиксации временных зависимостей, которые влияют на урожайность. Такими переменными являются время, осадки, температура и солнечный свет.

Для более качественного результата ученые включили такие данные, как постоянное улучшение селекции и методы сельхоз выращивания. Также исследователи добавили пространственную информацию для сравнения разницы в количестве урожая. Для этого они объединили свою сеть с графической нейронной сетью, которая показывает географическое расстояние.

Новый метод был протестирован на данных об урожайности сои в США. Были введены климатические данные: осадки, солнечный свет, давление пара, а также данные о почве: электропроводность, кислотность, состав почвы и процент засеянных полей.

Модель обучили на данных об урожайности за прошлые годы. Данный метод показал себя в разы лучше по сравнению с ранее используемыми моделями прогнозирования.

В ближайшем будущем ученые планируют делать обучающие данные более динамичными, а также добавить функции безопасности в процесс обучения модели. По их словам, данные, на которых обучается нейросеть, могут быть взломаны и использованы против фермеров.

Исследователи планируют использовать подход федеративного обучения для улучшения будущих моделей урожайности, который позволил бы обучать глобальную модель, при этом сохраняя различные источники данных изолированными друг от друга.