داده‌های مکانی پیش‌بینی بازده محصول را با هوش مصنوعی بهتر می‌کنند

این مقاله بخشی از سری اختصاصی IEEE Journal Watch با همکاری IEEE Xplore است.

محققان دانشگاه ژجیانگ و شرکت مدیریت ریسک Tongdun Technology که هر دو در هانگژو چین مستقر هستند، پیش‌بینی عملکرد محصول را با استفاده از تکنیک‌های یادگیری عمیق بهبود بخشیده‌اند. این یک روش امیدوارکننده است که می‌تواند نحوه تأثیرگذاری بر عملکرد محصول از محل زمین‌های کشاورزی را توضیح دهد و می‌تواند به پیش‌بینی‌های دقیق‌تر برای کشاورزان و سیاست‌گذاران کمک کند.

پیش بینی عملکرد محصول بخش مهمی از کشاورزی است که از لحاظ تاریخی شامل عوامل ردیابی مانند شرایط آب و هوا و خاک بوده است. انجام پیش‌بینی‌های دقیق به کشاورزان در هنگام تصمیم‌گیری مالی برای ،ب‌وکارشان برتری می‌دهد و به ،ت‌ها کمک می‌کند از فجایعی مانند قحطی اجتناب کنند. تغییرات آب و هوایی و افزایش تولید مواد غذایی، پیش‌بینی‌های دقیق را بیش از هر زمان دیگری مهم کرده است، زیرا جای کمتری برای خطا وجود دارد. تغییر اقلیم است افزایش خطر کاهش عملکرد محصول در مناطق مختلف، که می تواند باعث یک بحران جه، شود.

بسیاری از متغیرهای مورد استفاده برای پیش‌بینی عملکرد محصول – مانند آب و هوا، کیفیت خاک، و روش‌های مدیریت محصول – هنوز ی،ان هستند، اما تکنیک‌های مدل‌سازی در سال‌های اخیر پیچیده‌تر شده‌اند. تکنیک‌های یادگیری عمیق نه تنها می‌توانند چگونگی تأثیر متغیرهایی مانند بارش و دما بر عملکرد محصول را مح،ه کنند، بلکه می‌توانند نحوه تأثیرگذاری آنها بر یکدیگر را نیز مح،ه کنند. به ،وان مثال، مزایای افزایش باران را می توان با دمای بسیار گرم از بین برد. نحوه تعامل متغیرها می تواند منجر به نتایج متفاوتی نسبت به نگاه مستقل به هر متغیر شود.

در مطالعه خود، محققان از یک شبکه عصبی مکرر استفاده ،د که یک ابزار یادگیری عمیق است که روابط متغیرهای مختلف را در طول زمان ردیابی می‌کند تا به کشف «وابستگی‌های زم، پیچیده» مؤثر بر عملکرد محصول کمک کند. متغیرهای مربوط به عملکرد محصول که تحت تأثیر زمان قرار می گیرند عبارتند از دما، نور خورشید و بارندگی. چائو وومحققی در دانشگاه ژجیانگ و یکی از نویسندگان مقاله. وو گفت که این عوامل “در طول زمان تغییر می کنند، به روش های پیچیده ای با یکدیگر تعامل می کنند و تاثیر آنها بر عملکرد محصول معمولاً تجمعی است.”

وو گفت که این ابزار همچنین قادر است تأثیر متغیرهایی را که تعیین کمیت آنها دشوار است، مانند بهبودهای مداوم در تکنیک های اصلاح نژاد و کشت کشاورزی استنباط کند. در نتیجه، مدل آنها از ثبت روندهای بزرگتر که فراتر از یک سال امتداد داشتند، سود برد.

محققان همچنین می خواستند اطلاعات مک، مانند اطلاعاتی در مورد مجاورت بین دو منطقه از زمین های کشاورزی را برای کمک به تعیین اینکه آیا عملکرد محصول آنها احتمالا مشابه است یا خیر، ،یب کنند. برای انجام این کار، آنها شبکه عصبی مکرر خود را با یک ،یب ،د شبکه عصبی گراف نشان‌دهنده فاصله جغرافیایی برای تعیین اینکه چگونه پیش‌بینی‌های مکان‌های خاص تحت تأثیر منطقه اطراف آن‌ها قرار می‌گیرد. به عبارت دیگر، محققان می توانند اطلاعاتی در مورد مناطق مجاور برای هر منطقه از زمین های کشاورزی داشته باشند و به مدل کمک کنند تا از روابط بین زمان و مکان بیاموزد.

محققان روش جدید خود را بر روی داده‌های عملکرد سویای ایالات متحده منتشر شده توسط موسسه آزمایش ،د خدمات ملی آمار کشاورزی. آنها داده های آب و هوایی از جمله بارش، نور خورشید و فشار بخار را وارد می کنند. داده های خاک مانند هدایت الکتریکی، اسیدیته و ،یب خاک؛ و داده های مدیریتی مانند درصد مزارع کاشته شده. این مدل بین سال‌های 1980 و 2013 بر روی داده‌های عملکرد سویا آموزش داده شد و با استفاده از داده‌های سال‌های 2015 تا 2017 مورد آزمایش قرار گرفت. در مقایسه با مدل‌های موجود، روش پیشنهادی به‌طور قابل‌توجهی بهتر از مدل‌هایی که با استفاده از روش‌های یادگیری عمیق آموزش داده شده بودند، و بهتر از سایر روش‌های یادگیری عمیق عمل کرد. مدل های یادگیری که روابط فضایی را در نظر نمی گیرند.

محققان در کار آینده خود می خواهند داده های آموزشی را پویاتر کنند و ویژگی های امنیتی را به فرآیند آموزش مدل اضافه کنند. در حال حاضر، این مدل بر روی داده‌هایی که تجمیع شده‌اند، آموزش داده شده است، که امکان خصوصی نگه‌داشتن داده‌های اختصاصی را نمی‌دهد. وو گفت، اگر داده هایی مانند عملکرد محصول و شیوه های مدیریت مزرعه توسط رقبا مشاهده شود و برای به دست آوردن مزیت ناعادلانه در بازار استفاده شود، می تواند مشکل ساز شود. داده های کشاورزی مانند موقعیت مزرعه و عملکرد محصول نیز می تواند کشاورزان را به ،وان هدف کلاهبرداری و سرقت آسیب پذیر کند. امکان افشای داده‌ها همچنین می‌تواند از مشارکت جلوگیری کند، میزان داده‌های موجود برای آموزش را کاهش دهد و بر دقت مدل‌های آموزش‌دیده تأثیر منفی بگذارد.

محققان امیدوارند از یک رویکرد یادگیری فدرال برای آموزش مدل‌های عملکرد محصول آینده استفاده کنند، که به آموزش اجازه می‌دهد یک مدل جه، را به روز کند و در عین حال منابع مختلف داده را از یکدیگر جدا نگه دارد.

محققین یافته های خود را ارائه ،د در بیست و ششمین کنفرانس بین المللی کار تعاونی با پشتیب، رایانه در طراحی، از 24 تا 26 مه در ریودوژ،رو برگزار شد.