Con alcuni rapporti che prevedono che il mercato dell'agricoltura di precisione raggiungerà i 12,9 miliardi di dollari entro il 2027, c'è una crescente necessità di sviluppare sofisticate soluzioni di analisi dei dati in grado di guidare le decisioni gestionali in tempo reale. Un nuovo studio condotto da un gruppo di ricerca interdisciplinare dell'Università dell'Illinois offre un approccio promettente per elaborare in modo efficiente e accurato dati ag di precisione.

"Stiamo cercando di cambiare il modo in cui le persone gestiscono la ricerca agronomica. Invece di stabilire un piccolo appezzamento di campo, statistiche di corsa, e pubblicando i mezzi, quello che stiamo cercando di fare coinvolge l'agricoltore in modo molto più diretto. Stiamo eseguendo esperimenti con le macchine degli agricoltori nei loro campi. Siamo in grado di rilevare risposte specifiche del sito a input diversi. E possiamo vedere se c'è una risposta in diverse parti del campo, "dice Nicolas Martin, assistente professore presso il Dipartimento di Scienze delle colture dell'Illinois e coautore dello studio.

Aggiunge, "Abbiamo sviluppato una metodologia utilizzando il deep learning per generare previsioni di rendimento. Incorpora informazioni provenienti da diverse variabili topografiche, elettroconduttività del suolo, così come i trattamenti a base di azoto e seme che abbiamo applicato in nove campi di mais del Midwest".

Martin e il suo team hanno lavorato con i dati 2017 e 2018 del progetto Data Intensive Farm Management, in cui semi e fertilizzanti azotati sono stati applicati a velocità variabili in 226 campi nel Midwest, Brasile, Argentina, e Sud Africa. Le misurazioni a terra sono state abbinate a immagini satellitari ad alta risoluzione di PlanetLab per prevedere la resa.

I campi sono stati suddivisi digitalmente in quadrati di 5 metri (circa 16 piedi). Dati sul suolo, elevazione, tasso di applicazione dell'azoto, e la quantità di semi sono stati inseriti nel computer per ogni quadrato, con l'obiettivo di apprendere come interagiscono i fattori per prevedere la resa in quel quadrato.

I ricercatori hanno affrontato la loro analisi con un tipo di apprendimento automatico o intelligenza artificiale noto come rete neurale convoluzionale (CNN). Alcuni tipi di apprendimento automatico iniziano con modelli e chiedono al computer di inserire nuovi bit di dati in quei modelli esistenti. Le reti neurali convoluzionali sono cieche rispetto ai modelli esistenti. Anziché, prendono frammenti di dati e imparano i modelli che li organizzano, simile al modo in cui gli umani organizzano nuove informazioni attraverso le reti neurali nel cervello. Il processo della CNN, che prevedeva la resa con elevata precisione, è stato anche confrontato con altri algoritmi di apprendimento automatico e tecniche statistiche tradizionali.

"Non sappiamo davvero cosa stia causando differenze nelle risposte di resa agli input in un campo. A volte le persone hanno l'idea che un certo punto dovrebbe rispondere davvero fortemente all'azoto e non lo fa, o vice versa. La CNN può rilevare schemi nascosti che potrebbero causare una risposta, " dice Martin. "E quando abbiamo confrontato diversi metodi, abbiamo scoperto che la CNN stava lavorando molto bene per spiegare la variazione del rendimento".

L'uso dell'intelligenza artificiale per districare i dati dall'agricoltura di precisione è ancora relativamente nuovo, ma Martin dice che il suo esperimento sfiora semplicemente la punta dell'iceberg in termini di potenziali applicazioni della CNN. "Infine, potremmo usarlo per fornire consigli ottimali per una data combinazione di input e vincoli del sito."