|
随着一些报告预测到2027年精细农业市场将达到129亿美元，越来越需要开发复杂的数据分析解决方案，以实时指导管理决策。 科际整合伊利诺伊大学厄巴纳-香槟分校的一个研究小组的一项新研究提供了一种有前途的方法，可以高效、准确地处理精密的银数据。 图片: 来自伊利诺伊大学厄巴纳-香槟分校的最新研究证明了卷积神经网络算法在作物产量预测中的前景 “我们正试图改变人们进行农艺学研究的方式。 我们所做的不是建立一个小地块，统计数据和发布方法，而是更直接地涉及到农民。 我们正在自己的土地上用农民的机器进行试验。 我们可以检测特定位置对不同输入的响应。 我们可以看到在这个领域的不同部分是否有反应，”伊利诺伊州农作物科学系助理教授、这项研究的合著者尼古拉斯 · 马丁说。 他补充说，“我们开发了一种方法论，利用深度学习来产生预测。 它包含了来自不同地形变量的信息，土壤电导率，以及我们在中西部九个玉米地施用的氮肥和种子率处理。” 马丁和他的团队使用了数据密集型农场管理项目2017年和2018年的数据，在中西部、巴西、阿根廷和南非的226块农田中，种子和氮肥以不同的比例施用。 地面测量与来自 PlanetLab 的高分辨率卫星图像配对，以预测产量。 被数字化地分解成5米(大约16英尺)的正方形。 有关土壤、海拔、氮肥施用量和种子率的数据被输入到每个方格的计算机中，目的是了解这些因素如何相互作用来预测该方格的产量。 研究人员用一种机器学习或人工智能的方法来进行他们的分析，这种方法被称为卷积神经网络分析法(CNN)。 有些类型的机器学习从模式开始，要求计算机将新的数据位放入现有的模式中。 卷积神经网络对现有模式视而不见。 相反，他们获取数据并学习组织它们的模式，类似于人类通过大脑中的神经网络组织新信息的方式。 与其他机器学习算法和传统统计技术相比，CNN 方法预测的产量具有较高的精度。 “我们真的不知道是什么原因造成了一个地区对投入的产量反应的差异。 有时候人们会认为某个特定区域对氮有很强的反应，但是没有，反之亦然。 CNN方法可以找到可能引起反应的隐藏模式，”马丁说。 “当我们比较几种方法时，我们发现 CNN 很好地解释了产量变化。” 使用人工智能解开来自精细农业的数据仍然是相对较新的，但是 Martin 说，就 CNN 的潜在应用而言，他的实验只是冰山一角。 “最终，我们可以利用它，针对既定的投入和场地限制，提出最佳建议。” 文献来源： Modeling yield response to crop management using convolutional neural networks DOI: 10.1016/j.compag.2019.105197 译文原文： https://www./pub_releases/2020-02/uoic-nai022020.php 伊利诺伊大学厄巴纳-香槟分校和 ACES 学院通过一个新的数字农业中心引领着数字农业革命; 首批将计算机科学、作物和动物科学结合起来的专业; 数据密集型农场管理项目; 可教的农业机器人工程; 以及许多其他项目。  文章来源考研网 ，如有侵权请及时联系PaperRSS小编删除，转载请注明来源。 |
|
|
