Новая модель глубокого обучения с высокой точностью предсказывает потребность в воде и энергии в сельском хозяйстве

Водный дефицит и высокая стоимость энергии — основные проблемы для сообществ оросителей, которые управляют водными ресурсами для сельского хозяйства.

В условиях засухи и нестабильного рынка электроэнергии знание того, когда и сколько воды потребуется для полива, позволяет управляющим принимать более обоснованные решения для достижения экономии, экологической устойчивости и эффективности. Здесь важны наука о данных и искусственный интеллект (ИИ).

Исследователи из группы «Гидравлика и орошение» (AGR 228) Департамента агрономии Университета Кордовы (DAUCO) работают над применением этих технологий в точном земледелии. Пример — проект HOPE, направленный на создание целостной модели точного орошения с использованием ИИ для поддержки решений.

В рамках этой работы были разработаны модели прогнозирования, которые предоставляют сообществам оросителей точные оценки потребности фермеров в воде.

Последняя и самая точная на сегодняшний день модель позволяет предсказать фактическую потребность в поливной воде на неделю вперед с погрешностью менее 2%. Это делает возможным эффективное управление ресурсами без ущерба для автономии пользователей.

По словам исследователей Рафаэля Гонсалеса, Эмилио Камачо и Хуана Антонио Родригеса, этот прогресс стал еще одним шагом в цифровизации орошения. Они применили революционную архитектуру Transformer Deep Learning в области точного орошения.

Эта архитектура, появившаяся в 2017 году, лежит в основе таких достижений ИИ, как ChatGPT. Её ключевая особенность — механизмы внимания, позволяющие устанавливать долгосрочные зависимости в последовательных данных.

В случае с орошением эта архитектура обрабатывает большой объем информации одновременно, делегируя искусственной нейронной сети выбор и извлечение данных, необходимых для оптимального прогноза.

Валидация модели проводилась на ежедневных данных по оросительным кампаниям с 2015 по 2022 год в Сообществе оросителей канала Сухар в Дон-Бенито (Бадахос). Для обучения модели использовалось более 1800 измерений потребления воды, объединенных с данными о:

• температуре,
• осадках,
• солнечной радиации,
• эвапотранспирации,
• скорости ветра,
• влажности,
• типах культур.

Это позволило снизить погрешность прогноза с 20% (в предыдущих моделях) до всего 2%.

Внедренная в системы поддержки принятия решений, модель может быть очень полезна управляющим оросительных сообществ, предоставляя точный прогноз суточной потребности в воде на следующие семь дней. Это критически важно в условиях дефицита воды и высоких цен на энергию, а также для устойчивого управления ресурсами.

Исследование опубликовано в журнале Computers and Electronics in Agriculture.