ИИ в прогнозировании урожайности
Прогноз урожайности сельскохозяйственных культур с помощью искусственного интеллекта прогнозирует, сколько урожая будет на поле или в регионе, основываясь на спутниковых изображениях, погоде и данных о почве.
Обзор
It matters for food security, helping farmers, traders, and governments plan ahead and respond to drought or shortages.
Глубокое погружение
Прогнозирование урожайности сочетает в себе агрономию и машинное обучение. Модели получают мультиспектральные спутниковые данные таких миссий, как Sentinel-2 и Landsat, на основе которых индексы растительности, такие как NDVI (нормализованный индекс различий растительности), показывают зеленость сельскохозяйственных культур и стресс. Они добавляют погодные переменные (осадки, температура, градусные дни), влажность почвы и исторические данные об урожайности. Классические подходы используют деревья с градиентным усилением, такие как XGBoost, для инженерных функций, в то время как новые используют сверточные и рекуррентные или трансформаторные сети, которые обрабатывают временные ряды изображений непосредственно в течение вегетационного периода. Важно отметить, что эти модели прогнозируют до сбора урожая, иногда через несколько недель или месяцев, поэтому прогнозы на начало сезона несут большую неопределенность. Точность зависит от культуры, региона и того, насколько хорошо данные обучения охватывают необычные погодные условия, например сильную засуху.
Техническая информация
Частный дизайн вводит временные ряды индексов, полученных со спутников, и погодных условий в модель последовательности, чтобы она могла узнать, как развитие сельскохозяйственных культур в зависимости от сезона отображает окончательную урожайность. Поскольку метки (фактическая урожайность) ограничены и часто только в масштабе округа или региона, модели полагаются на тщательную разработку функций и регуляризацию и проверяются с учетом отложенных лет, а не случайных разбиений, чтобы проверить реальные навыки прогнозирования.
Стратегическое воздействие
Выбор сборки
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
Команда и рабочий процесс
Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
Риски и безопасность
Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.
Будущее искусственного интеллекта в прогнозировании урожайности
Ожидайте прогнозов на местах с более высоким разрешением, поскольку время повторного посещения спутников сокращается, а дешевые датчики и дроны становятся все более распространенными. Сочетание моделей моделирования сельскохозяйственных культур, основанных на процессах, с машинным обучением («гибридное» моделирование) должно улучшить перенос в новые регионы и климатические условия. Поскольку изменение климата приводит к тому, что сельскохозяйственные культуры попадают в незнакомые условия, приоритетом являются модели, которые отмечают свою собственную неопределенность и остаются надежными в экстремальные годы, а не только в средние годы.
Реальная реализация
Правительства оценивают национальный объем производства зерна в середине сезона для планирования импорта и резервов продовольственной помощи
Страховщики сельскохозяйственных культур используют спутниковые оценки урожайности для выявления убытков и ускорения выплат фермерам
Торговцы сырьевыми товарами прогнозируют урожай в регионах, чтобы предвидеть движение цен на пшеницу или кукурузу
Фермеры выявляют неэффективные зоны на поле для внесения удобрений и орошения
Риски и ограничения
Автоматизация сломанного процесса может усугубить существующие проблемы.
Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
Качество может ухудшиться, если результаты не будут оцениваться постоянно.
Дорожная карта реализации
Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.
Продолжайте исследовать
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
Следующее руководство
ИИ в прогнозировании распространения лесных пожаров
Часто задаваемые вопросы
What is AI in Crop Yield Prediction?
Прогноз урожайности сельскохозяйственных культур с помощью искусственного интеллекта прогнозирует, сколько урожая будет на поле или в регионе, основываясь на спутниковых изображениях, погоде и данных о почве. Это важно для продовольственной безопасности, помогая фермерам, торговцам и правительствам планировать заранее и реагировать на засуху или дефицит.
На что в первую очередь указывает вегетационный индекс NDVI?
NDVI сравнивает отражательную способность ближнего инфракрасного и красного света, чтобы оценить, насколько зелена и здорова растительность, что является ключевым сигналом о состоянии урожая.
Почему прогнозы урожайности на начало сезона содержат больше неопределенности, чем прогнозы на конец сезона?
Прогнозирование до сбора урожая означает, что ключевые будущие условия, такие как поздние осадки или жара, все еще неизвестны, что расширяет диапазон ошибок.
Почему модели урожайности часто проверяются с использованием отложенных лет, а не случайного разделения данных?
Удержание целых лет имитирует реальное прогнозирование, предотвращая обман модели с утечкой информации в ближайшие даты.
Какой источник данных предоставляет мультиспектральные изображения, обычно используемые в этих моделях?
Спутники наблюдения Земли, такие как Sentinel-2 и Landsat, предоставляют мультиспектральные изображения, на основе которых рассчитываются индексы растительности.
Какова цель «гибридного» моделирования, сочетающего симуляторы сельскохозяйственных культур с машинным обучением?
Симуляторы, основанные на процессах, кодируют физиологию растений, что может направлять модели на основе данных и помогать им делать обобщения за пределами регионов обучения.