В бързо развиващата се област на прецизното земеделие машинното обучение се превръща в основен инструмент за осмисляне на огромните количества данни, генерирани от сателитите за наблюдение на Земята. Проектът PHENOFUSE полага основите на Agromo по този път, подготвяйки сцената за алгоритми за машинно обучение за моделиране на връзката между сателитни радарни данни от Sentinel-1 и оптични данни от Sentinel-2. Чрез прилагането на тези модели проектът трансформира начина, по който прогнозираме добивите и проследяваме растежа на растенията, предлагайки поглед към бъдещето на селскостопанския мониторинг.
Проектът вече е дал обещаващи резултати с култури като слънчоглед, царевица, пшеница и рози. Например, в слънчогледовите полета моделите на логистична регресия, разработени от PHENOFUSE, показаха висока степен на точност при прогнозиране на NDVI въз основа на данни от радарно обратно разсейване. Това позволи на изследователите да удвоят броя на точките от данни, налични за анализ, като значително подобриха времевата разделителна способност на мониторинга на културите. Като имат по-чести точки от данни, проектните модели могат да проследяват фините промени в развитието на културите, които иначе биха могли да бъдат пропуснати, което води до по-точни прогнози за добива.
Но потенциалът на машинното обучение в проекта PHENOFUSE надхвърля просто попълването на пропуски в данните. Чрез прилагането на тези модели проектните модели могат да предскажат бъдещ растеж на реколтата въз основа на исторически данни, което позволява на фермерите и земеделските плановици да вземат проактивни решения. Например, моделите могат да помогнат да се предвиди кога културите ще достигнат критични фенологични етапи, като цъфтеж или прибиране на реколтата, позволявайки на фермерите да оптимизират усилията за напояване, торене и контрол на вредителите. Това води до по-ефективно използване на ресурсите и по-добри добиви, което е особено важно в региони, изправени пред недостиг на вода или други екологични предизвикателства.
Едно от ключовите предимства на използването на машинно обучение в този контекст е, че моделите могат непрекъснато да се усъвършенстват и подобряват, когато повече данни станат достъпни. Тъй като проектът PHENOFUSE събира повече сателитни наблюдения и наземни истинни данни, моделите за машинно обучение могат да бъдат обучени да разпознават все по-сложни модели в растежа на културите. Това ще даде възможност за по-прецизни прогнози и по-добро разбиране на това как различни фактори на околната среда, като метеорологични условия или влажност на почвата, влияят върху развитието на културите.
Agromo също проучва използването на машинно обучение за прогнозиране на добивите въз основа на сателитни данни. Чрез анализиране на връзката между данните от радарното обратно разсейване и индексите на растителността, екипът на Agromo ще разработи модели, които оценяват добивите с висока степен на точност. Това е особено ценно за широкомащабни селскостопански операции, където малки подобрения в прогнозирането на добива могат да имат значително въздействие върху рентабилността.
В допълнение към практическите си приложения в селското стопанство, проектът PHENOFUSE допринесе за по-широкото научно разбиране за това как радарните и оптичните сателитни данни могат да се използват заедно за наблюдение на растителността. Очаквайте още вълнуващи новини относно научно-базирания стек за иновативно моделиране на Agromo в близко бъдеще!