Sztuczna inteligencja w przewidywaniu plonów
Przewidywanie plonów oparte na sztucznej inteligencji przewiduje, ile plonów zostanie zebranych na danym polu lub w regionie, na podstawie zdjęć satelitarnych, danych pogodowych i glebowych.
Przegląd
It matters for food security, helping farmers, traders, and governments plan ahead and respond to drought or shortages.
Głębokie nurkowanie
Przewidywanie plonów łączy agronomię z uczeniem maszynowym. Modele pobierają wielospektralne dane satelitarne z misji takich jak Sentinel-2 i Landsat, na podstawie których wskaźniki roślinności, takie jak NDVI (Normalized Difference Vegetation Index), ujawniają ekologiczność i stres upraw. Dodają zmienne pogodowe (opady deszczu, temperatura, stopniodnie), wilgotność gleby i historyczne plony. Klasyczne podejścia wykorzystują drzewa wzmocnione gradientem, takie jak XGBoost, w funkcjach inżynieryjnych, podczas gdy nowsze wykorzystują sieci splotowe i rekurencyjne lub transformatorowe, które przetwarzają szeregi czasowe obrazów bezpośrednio przez cały sezon wegetacyjny. Co najważniejsze, modele te przewidują prognozy przed zbiorami, czasami na kilka tygodni lub miesięcy później, więc prognozy na początek sezonu są obarczone większą niepewnością. Dokładność różni się w zależności od uprawy, regionu i tego, jak dobrze dane treningowe uwzględniają nietypowe warunki pogodowe, takie jak ekstremalna susza.
Wgląd techniczny
Częsty projekt wprowadza szeregi czasowe wskaźników pochodzących z satelity i pogody do modelu sekwencji, dzięki czemu można dowiedzieć się, w jaki sposób rozwój upraw na mapach pór roku prowadzi do końcowego plonu. Ponieważ etykiety (rzeczywisty plon) są ograniczone i często dotyczą wyłącznie skali hrabstwa lub regionu, modele opierają się na starannej inżynierii cech i regularyzacji oraz są weryfikowane na podstawie lat wstrzymanych, a nie losowych podziałów, aby przetestować rzeczywiste umiejętności prognozowania.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w przewidywaniu plonów
Spodziewaj się prognoz o lepszej rozdzielczości na poziomie pola, ponieważ skraca się czas ponownej wizyty satelitów i rozprzestrzenia się tanie czujniki i drony. Połączenie modeli symulacji upraw opartych na procesach z uczeniem maszynowym („modelowanie hybrydowe”) powinno usprawnić transfer do nowych regionów i klimatów. Ponieważ zmiany klimatyczne popychają uprawy w nieznane warunki, priorytetem są modele, które sygnalizują własną niepewność i pozostają niezawodne w ekstremalnych latach, a nie tylko w przeciętnych latach.
Implementacja w świecie rzeczywistym
Rządy szacują krajową produkcję zbóż w połowie sezonu w celu planowania importu i rezerw pomocy żywnościowej
Ubezpieczyciele upraw wykorzystują satelitarne szacunki plonów do wykrywania strat i przyspieszania wypłat dla rolników
Traderzy towarowi prognozujący zbiory regionalne w celu przewidywania zmian cen pszenicy lub kukurydzy
Rolnicy identyfikujący obszary o słabszych wynikach na polu w celu ukierunkowania na nawożenie i nawadnianie
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Crop Yield Prediction quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Następny poradnik
Sztuczna inteligencja w przewidywaniu rozprzestrzeniania się pożarów
Często zadawane pytania
What is AI in Crop Yield Prediction?
Przewidywanie plonów oparte na sztucznej inteligencji przewiduje, ile plonów zostanie zebranych na danym polu lub w regionie, na podstawie zdjęć satelitarnych, danych pogodowych i glebowych. Ma to znaczenie dla bezpieczeństwa żywnościowego, ponieważ pomaga rolnikom, handlowcom i rządom planować z wyprzedzeniem i reagować na suszę lub niedobory.
Na co przede wszystkim wskazuje wskaźnik wegetacji NDVI?
NDVI porównuje współczynnik odbicia światła bliskiej podczerwieni i światła czerwonego, aby ocenić, jak zielona i zdrowa jest roślinność, co jest kluczowym sygnałem stanu upraw.
Dlaczego prognozy plonów na początku sezonu są obarczone większą niepewnością niż prognozy na koniec sezonu?
Przewidywanie przed zbiorami oznacza, że kluczowe przyszłe warunki, takie jak późne opady deszczu lub upały, są nadal nieznane, co zwiększa zakres błędów.
Dlaczego modele plonów często poddaje się walidacji na podstawie lat przetrzymanych, a nie losowych podziałów danych?
Wstrzymywanie całych lat symuluje prawdziwe prognozowanie, zapobiegając oszukiwaniu modelu w wyniku wycieku informacji z pobliskich dat.
Które źródło danych zapewnia obrazy wielospektralne powszechnie stosowane w tych modelach?
Satelity obserwujące Ziemię, takie jak Sentinel-2 i Landsat, dostarczają obrazy wielospektralne, na podstawie których obliczane są wskaźniki roślinności.
Jaki jest cel modelowania „hybrydowego”, które łączy symulatory upraw z uczeniem maszynowym?
Symulatory oparte na procesach kodują fizjologię roślin, która może kierować modelami opartymi na danych i pomagać im w uogólnianiu poza regiony szkoleniowe.