Maschinelles Lernen, um Landwirten dabei zu helfen, optimale Produkte auszuwählen, die für ihren Betrieb geeignet sind

Anonim

Seit Jahren wählen die Landwirte Produkte für ihren Betrieb mit den besten verfügbaren Ratschlägen aus - Saatguides, lokale Agronomen, Saatguthändler usw. Die Fortschritte bei Technologien für künstliche Intelligenz haben Möglichkeiten geboten, einen anderen Ansatz zu erforschen.

Die Washington University in St. Louis arbeitet in Partnerschaft mit The Climate Corporation, einer Tochtergesellschaft von Bayer, daran, einzigartige neue Technologien zu erforschen, um die Wissenschaft hinter der Hybridauswahl und -platzierung voranzutreiben.

Roman Garnett, Assistenzprofessor für Computer Science & Engineering an der School of Engineering & Applied Science, erhielt von der Climate Corporation einen Zuschuss in Höhe von 97.771 US-Dollar für aktives maschinelles Lernen, um zu bestimmen, welche Hybriden die höchste Ertragskraft in jeder Umgebung haben.

Die Entwicklung kommerzieller Hybridprodukte ist ein langer und teurer Prozess. es kann 7-8 Jahre dauern, um zu bestimmen, wie gut die Samen gewachsen sind, ihre Resistenz gegen Schädlinge und Krankheiten und die damit verbundenen Ernteerträge. "Durch den Einsatz von aktivem maschinellem Lernen können wir ein Modell erstellen, das den für die Produktcharakterisierung und Kommerzialisierung erforderlichen Footprint potenziell reduziert und wertvolle Einblicke in die prognostizierten Produktimplementierungsziele gibt", sagte Xiao Yang, bei der Climate Corporation als Lead-Berater tätig .

"Die Menschen sprechen über personalisierte Medizin, und dies ist personalisierte Landwirtschaft", sagte Garnett. "Wir können viele Daten sammeln und dann anhand der Daten versuchen, Muster zu lernen, um für jeden Landwirt personalisierte Empfehlungen zu geben."

Ziel des Projekts ist es herauszufinden, ob Klimawissenschaftler die Entwicklung und das Pflanzen neuer Produkte jedes Jahr rationalisieren können.

Aktives maschinelles Lernen identifiziert die Daten, die für das Endziel am nützlichsten sind. Anstatt existierende Daten zu verwenden, lernt aktives maschinelles Lernen "auf dem Weg", sagte Garnett.

"Anstatt alle diese Daten zu sammeln, was wäre, wenn wir nur 10 Prozent davon gesammelt hätten, aber wir könnten wählen, welche 10 Prozent", sagte Garnett. "Dann werden wir einen Algorithmus haben, der einen kleinen Bruchteil der Daten hätte verwenden können, um eine so gute Personalisierungsleistung für dieses Seed-Portfolio zu erhalten. Wir tun es in der Simulation, aber wenn es funktioniert, könnten wir es vielleicht beeinflussen die Art, wie sie zukünftige Entscheidungen treffen. "

Garnett arbeitet an einem Forschungsteam, das Big Data nutzt, um die Zucht und die kommerzielle Freisetzung von Sorghum-Pflanzen zu beschleunigen, die als erneuerbare Energiequelle genutzt werden können. Das vierjährige Projekt im Wert von 8 Millionen US-Dollar, das vom Plant Science Center des Donald Danforth geleitet wird, wird vom ARPA-E TERRA-Programm des US-Energieministeriums finanziert und umfasst ein Team von zehn Mitarbeitern aus Universität, Regierung und Industrie. Garnett entwickelt Algorithmen, die statistische Daten der Biomasse aus den Sensordaten möglichst früh in der Wachstumssaison nutzen, um den Züchtungsprozess zu beschleunigen.

menu
menu