L'apprentissage automatique utilisé pour aider les agriculteurs à sélectionner les produits optimaux adaptés à leur fonctionnement

Anonim

Pendant des années, les agriculteurs ont choisi les produits pour leur exploitation grâce aux meilleurs conseils disponibles: guides de semences, agronomes locaux, négociants en semences, etc. Les progrès des technologies de l'intelligence artificielle ont permis d'explorer une approche différente.

L'Université de Washington à St. Louis, en partenariat avec The Climate Corporation, une filiale de Bayer, travaille à explorer de nouvelles technologies uniques pour faire progresser la science derrière la sélection et le placement hybrides.

Roman Garnett, professeur adjoint d'informatique et d'ingénierie à la faculté d'ingénierie et des sciences appliquées, a reçu une subvention de 97 771 dollars de The Climate Corporation pour appliquer un apprentissage automatique afin de déterminer quels hybrides ont le plus de potentiel de rendement dans chaque environnement.

Le développement de produits hybrides commerciaux est un processus long et coûteux; 7 à 8 ans peuvent être nécessaires pour déterminer la croissance des graines, leur résistance aux ravageurs et aux maladies et les rendements associés. "En incorporant un apprentissage automatique actif, nous pouvons créer un modèle susceptible de réduire l’empreinte requise pour la caractérisation et la commercialisation des produits et fournir des informations précieuses sur les cibles de déploiement de produits prédites", explique Xiao Yang..

"Les gens parlent de médecine personnalisée, et c'est de l'agriculture personnalisée", a déclaré Garnett. "Nous pouvons collecter beaucoup de données, puis utiliser les données pour essayer d’apprendre des modèles afin de pouvoir formuler des recommandations personnalisées pour chaque agriculteur."

L'objectif du projet est de déterminer si les climatologues peuvent rationaliser le développement et la plantation de nouveaux produits chaque année.

L'apprentissage automatique par machine identifie les données les plus utiles pour atteindre l'objectif final. Au lieu d’utiliser les données existantes, l’apprentissage automatique par ordinateur «apprend en cours de route», a déclaré M. Garnett.

"Au lieu de collecter toutes ces données, si nous n'avions collecté que 10% de ces données, nous pouvons choisir 10%", a déclaré M. Garnett. "Ensuite, nous aurons un algorithme qui aurait pu utiliser une petite fraction des données pour obtenir une performance de personnalisation aussi bonne pour ce portefeuille de semences. Nous le faisons en simulation, mais si cela fonctionne, nous pourrions peut-être influencer la façon dont ils prennent des décisions futures. "

Garnett fait partie d'une équipe de recherche qui utilise les données massives pour accélérer la sélection et la commercialisation de cultures de sorgho pouvant être utilisées comme source d'énergie renouvelable. Le projet, d'une durée de quatre ans et doté de 8 millions de dollars, dirigé par le Donald Danforth Plant Science Centre, est financé par le programme ARPA-E TERRA du Département américain de l'Énergie et comprend une équipe de 10 collaborateurs universitaires, gouvernementaux et industriels. Garnett développe des algorithmes permettant d'utiliser le plus efficacement possible les estimations statistiques de la biomasse finale des cultures à partir de données de capteurs dès la saison de croissance afin d'accélérer le processus de sélection.

menu
menu