Искусственный интеллект и знания фермеров повысили урожайность кукурузы у мелких хозяйств
Фермеры в кукурузном регионе Кордова в Колумбии сталкивались со всем: с чрезмерными дождями один год и сжигающей засухой — в другой. Урожайность падала, и их средства к существованию висели на волоске.
Ситуация требовала нового подхода. Им были нужны информационные сервисы, которые помогли бы решить, какие сорта сажать, когда сеять и как управлять посевами. Был создан консорциум с правительством, Национальной федерацией зерновых и бобовых Колумбии (FENALCE) и учёными по большим данным из Международного центра тропического сельского хозяйства (CIAT). Исследователи использовали инструменты больших данных на основе информации, собранной с помощью фермеров, и урожайность существенно выросла.
Исследование, опубликованное в сентябре в Global Food Security, показывает, как машинное обучение на данных из множества источников может помочь сделать сельское хозяйство более эффективным и продуктивным даже в условиях изменения климата.
В ходе четырёхлетнего исследования учёные проанализировали данные и проверили разработанные рекомендации для повышения производства. Фермеры, внедрившие полный набор сгенерированных машиной рекомендаций, увидели рост урожайности в среднем с 3.5 тонн с гектара до более чем 6 тонн с гектара. Это отличный показатель для богарной кукурузы в регионе.
Рекомендации также существенно снизили затраты на удобрения и дали советы по снижению рисков, связанных с изменением погодных условий, с акцентом на уменьшение негативного воздействия сильных дождей.
От фермы к алгоритму
В Кордове FENALCE, которая собирает информацию о посадках, сборах, урожайности и затратах на кукурузу, создала веб-платформу для сбора и хранения данных с отдельных ферм. Местные эксперты загружали информацию о почвах после посещения хозяйств на разных стадиях развития культуры, а погодное агентство Колумбии IDEAM предоставляло данные с шести станций в регионе. Это позволило сопоставить ежедневные данные метеостанций с отдельными полями и различными этапами вегетационного периода.
Исследователи использовали алгоритмы машинного обучения и экспертный анализ, чтобы измерить влияние различных погодных, почвенных условий и практик земледелия на урожайность. Например, они заметили, что улучшение дренажа почвы для снижения стока, вероятно, уменьшает урожай при меньшем количестве осадков, тогда как в районах с большим количеством дождей это повышает урожайность. Это показывает, что рекомендации по культурам должны быть специфичными для конкретного места.
Исследование продемонстрировало, что количество вносимого фосфора, норма высева и способность поля к стоку оказывают большое влияние на уровень урожайности.
Человеческое обучение тоже
Изначально CIAT и FENALCE разработали смартфон-приложение для фермеров, чтобы записывать данные о почве и другие в поле, но производители кукурузы его не приняли. Хотя для компиляции информации использовалась веб-платформа, исследователям и техническим помощникам приходилось посещать фермы, чтобы помочь фермерам собирать данные. Это создаёт проблемы для масштабирования такого подхода.
Тем не менее, исследователи видят возможности для увеличения сбора данных мелкими землевладельцами, как путём прямой работы с фермерами, так и с помощью технологий.