Com alguns relatórios prevendo que o mercado de agricultura de precisão atingirá US $ 12,9 bilhões em 2027, há uma necessidade crescente de desenvolver soluções sofisticadas de análise de dados que possam orientar as decisões de gerenciamento em tempo real. Um novo estudo de um grupo de pesquisa interdisciplinar da Universidade de Illinois oferece uma abordagem promissora para processar dados agrícolas de precisão com eficiência e precisão.

"Estamos tentando mudar a forma como as pessoas conduzem a pesquisa agronômica. Em vez de estabelecer um pequeno lote de campo, estatísticas em execução, e publicando os meios, o que estamos tentando fazer envolve o fazendeiro muito mais diretamente. Estamos realizando experimentos com máquinas de fazendeiros em seus próprios campos. Podemos detectar respostas específicas do site para diferentes entradas. E podemos ver se há uma resposta em diferentes partes do campo, "diz Nicolas Martin, professor assistente do Departamento de Ciências de Culturas em Illinois e co-autor do estudo.

Ele adiciona, "Desenvolvemos uma metodologia usando aprendizado profundo para gerar previsões de rendimento. Ele incorpora informações de diferentes variáveis ​​topográficas, eletrocondutividade do solo, bem como tratamentos com nitrogênio e taxa de sementes que aplicamos em nove campos de milho do meio-oeste. "

Martin e sua equipe trabalharam com dados de 2017 e 2018 do projeto Data Intensive Farm Management, em que sementes e fertilizante de nitrogênio foram aplicados em taxas variáveis ​​em 226 campos no meio-oeste, Brasil, Argentina, e África do Sul. As medições no solo foram emparelhadas com imagens de satélite de alta resolução do PlanetLab para prever o rendimento.

Os campos foram divididos digitalmente em quadrados de 5 metros (aproximadamente 16 pés). Dados sobre o solo, elevação, taxa de aplicação de nitrogênio, e a taxa de sementes foram alimentadas no computador para cada quadrado, com o objetivo de aprender como os fatores interagem para prever a produção naquele quadrado.

Os pesquisadores abordaram sua análise com um tipo de aprendizado de máquina ou inteligência artificial conhecido como rede neural convolucional (CNN). Alguns tipos de aprendizado de máquina começam com padrões e pedem ao computador para ajustar novos bits de dados aos padrões existentes. As redes neurais convolucionais são cegas aos padrões existentes. Em vez de, eles pegam pedaços de dados e aprendem os padrões que os organizam, semelhante à maneira como os humanos organizam novas informações por meio de redes neurais no cérebro. O processo da CNN, que previu o rendimento com alta precisão, também foi comparado a outros algoritmos de aprendizado de máquina e técnicas estatísticas tradicionais.

“Nós realmente não sabemos o que está causando diferenças nas respostas de rendimento aos insumos em um campo. ou vice-versa. A CNN pode detectar padrões ocultos que podem estar causando uma resposta, "Martin diz." E quando comparamos vários métodos, descobrimos que a CNN estava funcionando muito bem para explicar a variação do rendimento. "

Usar inteligência artificial para desvendar dados da agricultura de precisão ainda é relativamente novo, mas Martin diz que seu experimento apenas roça a ponta do iceberg em termos de aplicações potenciais da CNN. "Eventualmente, poderíamos usá-lo para chegar a recomendações ideais para uma determinada combinação de entradas e restrições do site. "