Искусственный интеллект и спутниковые снимки помогают защитить рисоводство в уязвимых к климату регионах

Исследование Университета штата Северная Каролина (NC State) объединяет спутниковые снимки с технологиями машинного обучения для более быстрого и точного моделирования урожайности риса. Этот инструмент может помочь лицам, принимающим решения по всему миру, лучше оценивать, как и где выращивать рис, который является основным источником энергии для более половины населения планеты.

Исследование было сосредоточено на Бангладеш — третьем по величине производителе риса в мире. Эта страна также является шестой в мире по уязвимости к изменению климата, поскольку уничтожение посевов риса наводнениями приводит к отсутствию продовольственной безопасности.

Традиционные методы мониторинга урожая не поспевают за темпами изменения климата, заявил Варун Тивари, аспирант NC State и ведущий автор исследования, опубликованного в PLOS ONE.

Проблема традиционных методов

• Для оценки урожайности в Бангладеш используют полевые данные: физический сбор урожая и опрос фермеров. Это трудоемкий и длительный процесс.
• Метод становится неточным, когда оценки урожайности риса основаны лишь на нескольких образцах, а не на данных со всех полей, что затрудняет масштабирование до национального уровня.
• Из-за этого информация не поступает вовремя для принятия решений об экспорте, импорте или ценообразовании на урожай, а также для долгосрочных решений, таких как смена культур, внедрение устойчивых к климату сортов риса или изменение схем посева.

Новый подход

Исследователи использовали серии снимков одной и той же местности, сделанные через регулярные промежутки времени (временные ряды спутниковых изображений), для измерения растительности, условий роста, содержания воды в культурах и состояния почвы. Объединив эти спутниковые данные с полевыми, они обучили свою модель машинного обучения более точно оценивать урожайность риса за период с 2002 по 2021 год.

Преимущества и потенциал

• Модель позволяет выявлять более и менее продуктивные районы. Это дает время для принятия обоснованных решений о распределении ресурсов: строительстве хранилищ или инвестициях в транспорт в высокопродуктивных зонах.
• На ранней исследовательской стадии модель показала точность от 90% до 92% с погрешностью около 2%.
• Модель, разработанная на примере Бангладеш (где рис потребляет 90% населения, а его выращивание дает ~1/6 ВВП), может быть адаптирована для других культур и ландшафтов в разных странах (США, Индия, африканские государства) при наличии аналогичных наборов данных.

Коллаборация

Исследование стало результатом сотрудничества заинтересованных сторон, ученых и политиков. Помимо NC State, в нем участвовали Министерство сельского хозяйства США (USDA), Международный центр улучшения кукурузы и пшеницы (CIMMYT) и Бангладешский научно-исследовательский институт риса (BRRI) для обеспечения использования наилучших научных практик.