AI ในการทำนายผลผลิตพืชผล

It matters for food security, helping farmers, traders, and governments plan ahead and respond to drought or shortages.

การทำนายผลผลิตผสมผสานพืชศาสตร์เข้ากับการเรียนรู้ของเครื่อง แบบจำลองนำเข้าข้อมูลดาวเทียมหลายสเปกตรัมจากภารกิจเช่น Sentinel-2 และ Landsat ซึ่งดัชนีพืชพรรณ เช่น NDVI (Normalized Difference Vegetation Index) จะเผยให้เห็นความเขียวของพืชและความเครียด โดยเพิ่มตัวแปรสภาพอากาศ (ปริมาณฝน อุณหภูมิ วันที่เพิ่มขึ้น) ความชื้นในดิน และผลผลิตในอดีต วิธีการแบบคลาสสิกใช้แผนผังที่มีการไล่ระดับอย่าง XGBoost กับคุณสมบัติที่ได้รับการออกแบบทางวิศวกรรม ในขณะที่วิธีใหม่กว่านั้นใช้เครือข่ายแบบวนซ้ำและแบบวนซ้ำ หรือเครือข่ายหม้อแปลงที่ประมวลผลอนุกรมเวลาของภาพโดยตรงตลอดฤดูการเจริญเติบโต แบบจำลองเหล่านี้คาดการณ์ก่อนการเก็บเกี่ยว บางครั้งก็เป็นสัปดาห์หรือเป็นเดือน ดังนั้นการคาดการณ์ในช่วงต้นฤดูกาลจึงมีความไม่แน่นอนมากขึ้น ความแม่นยำจะแตกต่างกันไปตามพืชผล ภูมิภาค และข้อมูลการฝึกอบรมครอบคลุมสภาพอากาศที่ไม่ปกติ เช่น ภัยแล้งรุนแรงได้ดีเพียงใด