Статистик анализирует сельскохозяйственные данные для повышения продуктивности

Доцент Хоссейн Моради из Университета штата Южная Дакота помогает специалистам по точному земледелию эффективно и точно оценивать переменные, влияющие на урожайность. Это сотрудничество помогает исследователям находить способы повышения продуктивности для фермеров.

"Дистанционные и локальные сенсорные технологии, такие как спутниковые снимки и датчики урожайности, генерируют огромный объем данных даже для одного поля", — отметил Моради. Эти данные можно использовать для оценки влияния таких переменных, как химический состав почвы, топография, применение фунгицидов, гербицидов и удобрений, на урожай.

"Оценивая эффект от переменных, мы можем помочь фермерам принимать более обоснованные управленческие решения", — пояснил Моради.

Профессор Дэвид Райт заявил, что сотрудничество со статистиками "приводит к более оперативной обработке больших объемов данных и помогает обучать специалистов интерпретировать данные цифрового сельского хозяйства".

Исследование поддерживается Департаментом агрономии, садоводства и растениеводства и финансированием по Закону Хэтча Министерства сельского хозяйства США.

Оценка эффективности фунгицидов

Моради и аспирант Пол Мэй разработали эффективный метод анализа данных исследования по белой гнили с участием двух фунгицидов. "Нашей задачей было определить влияние каждого фунгицида и является ли это влияние статистически значимым", — объяснил Моради.

Обычно используемый метод (обычный метод наименьших квадратов) требует минимум времени на обработку, но имеет высокую погрешность. Более точный метод (метод максимального правдоподобия) использует 50 000 точек данных, требует 60–70 ГБ оперативной памяти и два часа вычислений на высокопроизводительном компьютере. "У фермеров нет доступа к таким вычислительным мощностям", — отметил Моради.

"Наш метод занимает всего 10–15 минут вычислительного времени, а погрешность почти такая же, как у подхода MLE", — сказал Моради. Для анализа требуется менее 2 ГБ оперативной памяти, поэтому программу можно запускать на рабочей станции или ноутбуке.

Прогнозирование урожайности кукурузы

Для другого проекта Моради и магистрант Шахрукх Хан используют спутниковые снимки Landsat 7 для прогнозирования урожайности кукурузы на конкретной ферме.

Они разработали модель глубокого обучения, которая выбирает признаки из данных Landsat и объединяет их с 13 другими индексами, а также с климатическими данными для прогноза урожайности. "На данный момент у нас достаточно доказательств, что наша модель превосходит некоторые другие традиционные подходы", — пояснил Моради.

Его долгосрочная цель — запустить веб-сайт, который позволит фермерам быстро и точно прогнозировать ожидаемую урожайность, используя координаты полей и данные об урожайности за последние пять лет. Встроенный статистический пакет на сайте будет извлекать историческую информацию о погоде, осадках и температуре, объединять её со спутниковыми снимками (например, Landsat) и характеристиками почвы полей.

Результат "заранее, за пару месяцев, сообщит фермеру, сколько продукции ожидать с поля".