Дослідження, проведене у Коледжі сільськогосподарських наук штату Пенсильванія, показує, що алгоритми машинного навчання, запрограмовані на розпізнавання змін погодних умов, можуть показати виробникам та менеджерам сільського господарства, як збільшити врожайність сої та кукурудзи у Сполучених Штатах, пише Agropages.com.

Підхід міг би виявитися цінним у вирішенні реалій зміни клімату, які поставили проблеми у вирощуванні достатньої кількості продовольства для зростаючого населення планети, зазначив Пол Ескер, доцент кафедри епідеміології та патології польових культур.

Соя та кукурудза є одними з найцінніших сільськогосподарських культур з точки зору постачання продовольства та економічної продукції в аграрному секторі США, сказав Ескер, який вказав на статистику Міністерства сільського господарства США, яка вважає кукурудзу найпоширенішою культурою в США, соя має друге місце.

Мало того, що ці культури є життєво важливими для забезпечення продовольчої безпеки в США та за її межами, але їх загальна цінність для економіки країни становить понад 100 мільярдів доларів. Хоча Ескер визнає, що це вражаюча цифра, він вказує, що багато вчених передбачають, що до 2050 року світ повинен прогодувати 9 мільярдів людей, тому поточний обсяг виробництва повинен збільшитися.

Попит на продовольство буде на 60% більшим, ніж сьогодні, тому вкрай необхідно просунути сільськогосподарські дослідження для розробки більш ефективних і стійких методів збільшення виробництва, особливо в умовах протистояння зміні клімату, сказав він.

Стійким рішенням цього виклику є збільшення врожайності сільськогосподарських культур без масового розширення площі посівів. Він стверджує, що цього можна досягти шляхом визначення та прийняття найкращої практики управління. Однак для цього знадобиться більш детальне розуміння того, як, серед інших факторів, на врожайність впливають зміна клімату та зміна погоди під час вегетації.

Виробники мають доступ до величезної кількості даних щодо врожаю та управлінської інформації, що стала результатом поточних сільськогосподарських експериментів, проведених у США. Навіть маючи ці знання, прогнозування є складним, оскільки різні фактори взаємодіють один з одним.

Такі набори даних на сьогодні залишаються не пов’язаними один з одним і їх важко об’єднати, стандартизувати та належним чином проаналізувати, сказав Спіридон Мурцініс з Agstat Consulting. Наприклад, зміна типу ґрунту може впливати на погодні умови та пом’якшувати або посилювати кліматичний вплив на врожайність сільськогосподарських культур.

Щоб подолати ці виклики, команда дослідила ідею використання потужності алгоритмів машинного навчання. Ескер пояснив, що алгоритм машинного навчання це метод, за допомогою якого комп’ютер вивчає дані. Метою є передбачення вихідних значень за даними вхідними даними.

З цією метою команда вивчила дані про врожайність та управлінські дані сортових випробувань, проведених у 28 штатах між 2016 і 2018 роками на кукурудзу та між 2014 та 2018 роками на соєві боби. Інформація була зібрана на основі типу ґрунту та практики господарювання, включаючи зрошення, метод обробітку ґрунту, норму висіву, міжряддя та зрілість сорту.

Крім того, для кожного набору координат для кожного року отримувались дані про погоду. Команда вивчила кореляції між змінами погоди та визначила сім погодних змінних для кукурудзи та вісім для сої для конкретних регіонів.

Для кожної культури дослідники розробили алгоритми або набори даних, які вони застосували до різних моделей та випробували протягом двох сезонів вирощування у випадково вибраному полі в південно-центральному штаті Вісконсін. Для візуальної оцінки результатів були використані стандартні методи відображення розподілу даних.

NB: Для цього конкретного поля та системи врожаю використання алгоритмів команди показало, що кукурудза з датою посіву 1 травня реалізувала врожайність на 6% у порівнянні з кукурудзою, висіяною 1 червня. Різниця в оцінці врожайності за той самий термін сівби була меншою, але все ж позитивною.

Що стосується сої, то сівба 1 травня призвела до збільшення врожайності на 14% у порівнянні з сівбою 1 червня. Результат був послідовним, коли різниці врожаю, обумовлені датою посіву, були усереднені за 128 варіантами системи фонового посіву.

Мурцініс та Ескер визнали, що результати мають обмеження, насамперед через відсутність інформації про норми протруювання насіння, продукти, нанесені на листя, та різні практики господарювання, про які повідомляється в різних штатах.

Однак їх результати, опубліковані в наукових звітах, свідчать про те, що розроблені алгоритми мають потенціал привести сільськогосподарську промисловість до значного збільшення врожайності.

Наш підхід може прискорити сільськогосподарські дослідження, визначити сталу практику та допомогти подолати майбутні потреби в продовольстві, сказав Мурцініс.

Дослідники також наголошують, що алгоритми машинного навчання не слід розглядати як заміну повторюваних випробувань. Навпаки, вони наголосили, польові випробування, проведені університетами, необхідні як джерело неупереджених даних, які можна використовувати для навчання ще більш комплексних алгоритмів.

Дослідження також вели Джеймс Спехт, Департамент агрономії та садівництва, Університет Небраски-Лінкольн, та Шон Конлі, Департамент агрономії, Університет Вісконсін-Медісон.

Національний інститут продовольства та сільського господарства Міністерства сільського господарства США профінансував дослідження, Рада з маркетингу соєвих бобів штату Вісконсін та Дослідницьку програму соєвих бобів на півночі країни.

Аби не пропустити найцікавішого, підписуйтесь на наш канал-Telegram