Машинное обучение может повысить урожайность сои и кукурузы в США

Исследование под руководством фитопатолога из Колледжа сельскохозяйственных наук Университета штата Пенсильвания показывает, что алгоритмы машинного обучения, запрограммированные на распознавание изменяющихся погодных условий, могут помочь производителям и менеджерам в сельском хозяйстве повысить урожайность сои и кукурузы в США.

Этот подход может оказаться ценным для решения проблем изменения климата, которые создают трудности в выращивании достаточного количества пищи для растущего населения планеты, отметил Пол Эскер, доцент эпидемиологии и патологии полевых культур.

«Соя и кукуруза — одни из самых ценных культур с точки зрения продовольственного снабжения и экономической отдачи в сельскохозяйственном секторе США», — сказал Эскер, ссылаясь на статистику Министерства сельского хозяйства США, согласно которой кукуруза является наиболее широко производимой культурой в США, а соя следует за ней.

Эти культуры не только жизненно важны для продовольственной безопасности, но их совокупная стоимость для экономики страны превышает $100 млрд. Ученые прогнозируют, что к 2050 году миру необходимо будет прокормить 9 миллиардов человек, поэтому текущие объемы производства должны увеличиться.

«Спрос на продовольствие будет на 60% больше, чем сегодня, поэтому крайне важно развивать сельскохозяйственные исследования для разработки более эффективных и устойчивых методов увеличения производства, особенно перед лицом изменения климата», — подчеркнул Эскер.

Устойчивое решение этой задачи — увеличение урожайности без значительного расширения посевных площадей. Этого можно достичь, выявляя и внедряя наилучшие методы управления. Однако для этого требуется более детальное понимание того, как на урожайность влияют изменение климата, изменчивость погоды в течение вегетационного периода и другие факторы.

Производители имеют доступ к огромному массиву данных об урожайности и методах управления, полученных в ходе сельскохозяйственных экспериментов по всей территории США. Однако прогнозирование остается сложной задачей из-за взаимодействия различных факторов, отметил руководитель проекта Спиридон Мурцинис из Agstat Consulting (Афины, Греция).

«Такие наборы данных до сих пор остаются разрозненными, их трудно комбинировать, стандартизировать и правильно анализировать. Например, изменчивость типа почвы может взаимодействовать с погодными условиями и смягчать или усугублять влияние климата на урожайность», — пояснил Мурцинис.

Чтобы преодолеть эти проблемы, команда исследовала возможность использования алгоритмов машинного обучения. Алгоритм машинного обучения — это метод, с помощью которого компьютер учится на данных. Цель — предсказать выходные значения на основе входных данных.

Команда проанализировала данные об урожайности и методах управления из сортоиспытаний, проведенных в 28 штатах в период с 2016 по 2018 год для кукурузы и с 2014 по 2018 год для сои. Информация была систематизирована по типам почв и методам управления, включая орошение, способ обработки почвы, норму высева, ширину междурядий и группу спелости сорта.

Кроме того, для каждого набора координат были получены погодные данные за каждый год. Команда изучила корреляции между погодными переменными и определила семь погодных переменных для кукурузы и восемь для сои для конкретных регионов.

Для каждой культуры исследователи разработали алгоритмы (наборы данных), которые они применили к различным симуляциям и протестировали в течение двух вегетационных сезонов на случайно выбранном поле в южно-центральном Висконсине. Для визуальной оценки результатов использовались блочные диаграммы (boxplots) — стандартизированный способ отображения распределения данных.

Для этого конкретного поля и системы земледелия использование алгоритмов команды показало, что кукуруза с датой посева 1 мая дала увеличение урожайности на 6% по сравнению с кукурузой, посеянной 1 июня. При создании сценариев с 256 вариантами фоновых систем земледелия разница в оценке урожайности, полученной с помощью алгоритма для той же даты посева, была меньше, но оставалась положительной.

В случае с соей посев 1 мая привел к увеличению урожайности на 14% по сравнению с посевом 1 июня в системе с одним фоновым вариантом земледелия. Результат был стабильным, когда разницы в урожайности из-за даты посева усреднялись по 128 вариантам фоновых систем земледелия.

Мурцинис и Эскер признают, что в результатах есть ограничения, в основном из-за отсутствия информации о нормах обработки семян, продуктах, применяемых по листу, и различных методах управления, о которых сообщалось в разных штатах.

Тем не менее, их результаты, опубликованные в Scientific Reports, позволяют предположить, что разработанные алгоритмы могут привести к существенному увеличению урожайности в сельском хозяйстве. «Наш подход может ускорить сельскохозяйственные исследования, выявить устойчивые практики и помочь удовлетворить будущий спрос на продовольствие», — заявил Мурцинис.

Исследователи также подчеркивают, что алгоритмы машинного обучения не следует рассматривать как замену повторным полевым испытаниям. Напротив, полевые испытания, проводимые университетами, необходимы как источник объективных данных, которые можно использовать для обучения еще более комплексных алгоритмов.

В исследовании также приняли участие Джеймс Спект (Департамент агрономии и садоводства, Университет Небраски-Линкольн) и Шон Конли (Департамент агрономии, Университет Висконсин-Мэдисон).