با برخی از گزارش پیش بینی دقیق کشاورزی بازار را در رسیدن به $12.9 میلیارد 2027 وجود دارد به نیاز روز افزون به توسعه پیچیده داده ها-تجزیه و تحلیل راه حل های است که می تواند راهنمای مدیریت تصمیم گیری در زمان واقعی است. یک مطالعه جدید از یک پژوهش میان رشته ای در دانشگاه ایلینوی ارائه می دهد و امیدوار کننده رویکرد به نحو احسن و با دقت مراحل دقت ag داده است.

“ما در حال تلاش برای تغییر چگونه مردم اجرا زراعی پژوهش است. به جای ایجاد یک میدان کوچک طرح در حال اجرا آمار و انتشار آن به معنی آنچه که ما در حال تلاش برای انجام این کار شامل کشاورز به مراتب بیشتر به طور مستقیم. ما در حال اجرا آزمایش با کشاورزان ماشین آلات در زمینه های خود را. ما می توانیم تشخیص سایت های خاص با پاسخ به ورودیهای مختلف. و ما می توانید ببینید که آیا پاسخ در بخش های مختلف در این زمینه می گوید:” Nicolas Martin-استاديار گروه علوم زراعي ايران در ایلینوی و همکاری نویسنده از مطالعه.

او می افزاید: “ما به توسعه روش با استفاده از یادگیری عمیق برای تولید عملکرد پیش بینی. این شامل اطلاعات مختلف از متغیرهای توپوگرافی خاک electroconductivity و همچنین نیتروژن دانه و رای درمان ما اعمال شده در طول نه میانه مزارع ذرت.”

مارتین و تیم خود را با کار 2017 و 2018 داده ها از داده های فشرده مزرعه مدیریت پروژه است که در آن بذر و کود نیتروژن استفاده شد در تغییر نرخ در سراسر 226 زمینه در غرب, برزیل, آرژانتین و آفریقای جنوبی است. بر روی زمین اندازه گیری شد زوج با وضوح بالا تصاویر ماهواره ای از PlanetLab به پیش بینی عملکرد.

زمینه بودند دیجیتالی شکسته 5-متر (حدود 16 فوت) مربع است. داده ها در خاک ارتفاع کود نيتروژن رای و دانه نرخ تغذیه شدند به کامپیوتر برای هر یک از مربع با هدف یادگیری چگونه عوامل تعامل به پیش بینی عملکرد در آن مربع است.

محققان با نزدیک شدن به تجزیه و تحلیل خود را با یک نوع از یادگیری ماشین و یا هوش مصنوعی به عنوان شناخته شده شبکه های عصبی کانولوشن (سی ان ان). برخی از انواع یادگیری ماشین شروع با طرح و از کامپیوتر به جا بیت های جدید از داده ها را به آن دسته از الگوهای موجود. Convolutional شبکه های عصبی کور به الگوهای موجود. در عوض آنها را بیت از داده ها و یادگیری الگوهای که سازماندهی آنها را شبیه به انسان راه سازماندهی اطلاعات جدید از طریق شبکه های عصبی در مغز. سی ان ان روند که پیش بینی عملکرد با دقت بالا و نیز در مقایسه با دیگر الگوریتم های یادگیری ماشین و سنتی تکنیک های آماری.

“ما واقعا نمی دانیم چه چیزی باعث تفاوت در عملکرد پاسخ به ورودی در سراسر یک میدان. گاهی اوقات مردم یک ایده است که یک نقطه خاص باید پاسخ واقعا به شدت به نیتروژن و آن را نمی کند و یا بالعکس. سی ان ان می توانید انتخاب کنید تا در الگوهای پنهان که ممکن است باعث یک پاسخ به” مارتین می گوید. “و هنگامی که ما در مقایسه با چند روش ما متوجه شدیم که سی ان ان مشغول به کار بود به خوبی به توضیح عملکرد تنوع.”

با استفاده از هوش مصنوعی برای حل کردن داده ها از دقت کشاورزی است که هنوز هم نسبتا جدید اما مارتین می گوید آزمایش خود را صرفا grazes نوک کوه یخ در نظر سی ان ان برنامه های کاربردی بالقوه. “در نهایت ما می تواند از آن استفاده کنید به آمده تا با بهینه توصیه هایی برای یک ترکیب ورودی ها و سایت محدودیت.”

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.de