AI trong dự đoán năng suất cây trồng
Dự đoán năng suất cây trồng bằng AI dự báo số lượng một cánh đồng hoặc khu vực sẽ thu hoạch bằng cách học hỏi từ hình ảnh vệ tinh, dữ liệu thời tiết và đất đai.
Tổng quan
It matters for food security, helping farmers, traders, and governments plan ahead and respond to drought or shortages.
Lặn sâu
Dự đoán năng suất kết hợp nông học với học máy. Các mô hình thu thập dữ liệu vệ tinh đa phổ từ các sứ mệnh như Sentinel-2 và Landsat, từ đó các chỉ số thực vật như NDVI (Chỉ số thực vật khác biệt chuẩn hóa) cho thấy độ xanh và tình trạng căng thẳng của cây trồng. Họ thêm các biến số thời tiết (lượng mưa, nhiệt độ, ngày tăng trưởng), độ ẩm của đất và sản lượng lịch sử. Các phương pháp tiếp cận cổ điển sử dụng các cây được tăng cường độ dốc như XGBoost trên các tính năng được thiết kế, trong khi các phương pháp mới hơn sử dụng mạng tích chập và hồi quy hoặc mạng biến áp để xử lý chuỗi thời gian hình ảnh trực tiếp trong suốt mùa sinh trưởng. Điều quan trọng là những mô hình này dự đoán trước khi thu hoạch, đôi khi kéo dài hàng tuần hoặc hàng tháng, vì vậy những dự báo đầu vụ có nhiều điều không chắc chắn hơn. Độ chính xác thay đổi tùy theo cây trồng, khu vực và mức độ hiệu quả của dữ liệu đào tạo về thời tiết bất thường như hạn hán khắc nghiệt.
Hiểu biết kỹ thuật
Một thiết kế thường xuyên đưa chuỗi thời gian của các chỉ số và thời tiết có nguồn gốc từ vệ tinh vào một mô hình trình tự để nó có thể tìm hiểu cách phát triển cây trồng thông qua các bản đồ mùa cho đến năng suất cuối cùng. Bởi vì các nhãn (sản lượng thu hoạch thực tế) bị giới hạn và thường chỉ ở quy mô quận hoặc khu vực, nên các mô hình dựa vào kỹ thuật tính năng cẩn thận và chính quy, đồng thời được xác thực bằng các năm được tổ chức thay vì phân chia ngẫu nhiên để kiểm tra kỹ năng dự báo thực tế.
Tác động chiến lược
Xây dựng lựa chọn
Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không.
Nhóm và quy trình làm việc
Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng.
Rủi ro và an toàn
Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai.
Tương lai của AI trong dự đoán năng suất cây trồng
Mong đợi các dự báo ở cấp độ hiện trường, độ phân giải tốt hơn khi thời gian xem lại vệ tinh được rút ngắn và các cảm biến và máy bay không người lái giá rẻ ngày càng phổ biến. Việc kết hợp các mô hình mô phỏng cây trồng dựa trên quy trình với học máy (mô hình 'lai') sẽ cải thiện khả năng chuyển giao sang các vùng và khí hậu mới. Khi biến đổi khí hậu đẩy cây trồng vào những điều kiện không quen thuộc, ưu tiên hàng đầu là các mô hình báo hiệu sự không chắc chắn của chính chúng và vẫn đáng tin cậy trong những năm khắc nghiệt thay vì chỉ những năm trung bình.
Triển khai trong thế giới thực
Chính phủ ước tính sản lượng ngũ cốc quốc gia vào giữa mùa để lập kế hoạch nhập khẩu và dự trữ viện trợ lương thực
Các công ty bảo hiểm cây trồng sử dụng ước tính sản lượng vệ tinh để phát hiện tổn thất và tăng tốc độ thanh toán cho nông dân
Các nhà giao dịch hàng hóa dự báo vụ thu hoạch trong khu vực để dự đoán biến động giá lúa mì hoặc ngô
Nông dân xác định các vùng kém hiệu quả trên cánh đồng để nhắm mục tiêu phân bón và tưới tiêu
Rủi ro & lan can
Tự động hóa một quy trình bị hỏng có thể khuếch đại các vấn đề hiện có.
Các nhóm có thể tự động hóa quá mức và loại bỏ sự phán xét cần thiết của con người.
Chất lượng có thể thay đổi nếu kết quả đầu ra không được đánh giá liên tục.
Lộ trình thực hiện
Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất.
Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn.
Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng.
Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
AI trong dự đoán lây lan cháy rừng
Câu hỏi thường gặp
What is AI in Crop Yield Prediction?
Dự đoán năng suất cây trồng bằng AI dự báo số lượng một cánh đồng hoặc khu vực sẽ thu hoạch bằng cách học hỏi từ hình ảnh vệ tinh, dữ liệu thời tiết và đất đai. Nó quan trọng đối với an ninh lương thực, giúp nông dân, thương nhân và chính phủ lên kế hoạch trước và ứng phó với hạn hán hoặc thiếu hụt.
Chỉ số thực vật NDVI chủ yếu chỉ ra điều gì?
NDVI so sánh độ phản xạ ánh sáng đỏ và cận hồng ngoại để đánh giá xem thảm thực vật xanh và khỏe mạnh như thế nào, một tín hiệu quan trọng về tình trạng cây trồng.
Tại sao dự báo sản lượng đầu vụ mang lại nhiều điều không chắc chắn hơn dự báo cuối vụ?
Dự đoán trước khi thu hoạch có nghĩa là các điều kiện quan trọng trong tương lai như lượng mưa muộn hoặc nắng nóng vẫn chưa được xác định, làm tăng phạm vi sai số.
Tại sao các mô hình năng suất cây trồng thường được xác nhận bằng cách sử dụng số năm được giữ lại thay vì phân chia dữ liệu ngẫu nhiên?
Việc giữ lại toàn bộ năm mô phỏng dự báo thực, ngăn mô hình gian lận với thông tin bị rò rỉ trong các ngày gần đó.
Nguồn dữ liệu nào cung cấp hình ảnh đa phổ thường được sử dụng trong các mô hình này?
Các vệ tinh quan sát trái đất như Sentinel-2 và Landsat cung cấp các hình ảnh đa phổ để tính toán các chỉ số thực vật.
Mục tiêu của mô hình 'lai' kết hợp mô phỏng cây trồng với học máy là gì?
Trình mô phỏng dựa trên quy trình mã hóa sinh lý thực vật, có thể hướng dẫn các mô hình dựa trên dữ liệu và giúp chúng khái quát hóa ngoài khu vực đào tạo của chúng.