Искусственный интеллект предсказывает урожайность кукурузы

Ученые из Университета Пердью продемонстрировали способность рекуррентной нейронной сети с долгой краткосрочной памятью (LSTM) предсказывать урожайность кукурузы (маиса), используя данные дистанционного зондирования, генетические и экологические данные.

Проблема и метод

Традиционное фенотипирование растений — измерение высоты, анализ отраженного света, химический анализ — трудоемко и дорого. Дистанционное зондирование с помощью беспилотных летательных аппаратов (БПЛА) и спутников делает сбор данных более доступным.

Ключевые технологии

• Гиперспектральные камеры на БПЛА измеряют отражение света за пределами видимого спектра.
• Лидары (LiDAR) создают "облака точек", отображающие геометрическую структуру растений.
• Рекуррентная нейронная сеть с LSTM анализирует пространственные и временные закономерности, удерживая прошлые данные в "памяти" при прогнозировании будущих результатов.

Результаты и значение

Модель объединила гиперспектральные и лидарные данные кукурузы, генетические маркеры популярных сортов и данные метеостанций. Как отметил профессор Митч Туинстра, это одна из первых AI-моделей, которая добавляет генетику растений в анализ урожайности в многолетних полевых экспериментах.

Преимущества:

• Для селекционеров: возможность увидеть, как разные признаки реагируют на изменяющиеся условия, что поможет в выборе признаков для более устойчивых сортов.
• Для фермеров: определение сортов, наиболее подходящих для их региона.
• Общее: алгоритмы могут категоризировать здоровые и угнетенные культуры раньше, чем это заметит человек, и оценивать эффективность агроприемов.

Будущее развитие

Текущая цель — более осмысленно интегрировать генетические маркеры в нейронную сеть и добавить в набор данных более сложные признаки. Это позволит еще больше снизить трудозатраты и эффективнее предоставлять фермерам информацию для принятия наилучших решений.