Прогнозирование урожайности методами машинного обучения. Примеры и перспективы

Прогнозирование урожайности методами машинного обучения. Примеры и перспективы

Вместо того, чтобы совершенствовать уже существующие модели прогноза урожайности, добавлять в них дополнительные переменные или усложнять способ расчета, мы предлагаем использовать методы машинного обучения, преимущественно основанные на данных дистанционного зондирования земли в мультиспектральном диапазоне и информации погодных условиях.

Машинное обучение (Machine Learning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Машинное обучение находится на стыке математической статистики, методов оптимизации и классических математических дисциплин, но имеет также и собственную специфику.

Нейронные сети (Neural Networks)— это один из типов модели обучения, который эмулирует принцип работы синапсов в человеческом  мозге и соединяет в себе большое количество относительно простых элементов, а обучение сводится к построению оптимальной структуры связей и настройке параметров связей.

Примеры использования

Поэтапная регрессия была использована в для прогнозирования производства риса в Китае.

Подробнее: Huang J, Wang X, Li X, Tian H, Pan Z (2013) Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA’s-AVHRR. PLoS ONE 8(8): e70816. 

Иерархическая кластеризация, байесовские нейронные сети и рекурсивное разбиение  нашли применение в вопросах прогнозирования урожайности ячменя, канолы (сорт рапса) и яровой пшеницы.

Подробнее: Michael D. Johnson, William W. Hsieh, Alex J. Cannon, Andrew Davidson, & Frédéric Bédard (2016). Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Agricultural and Forest Meteorology, 218–219: 74–84.

Нейронную сеть работающую по перетасованному комплексному алгоритму оптимизации эволюции, разработали в Университете Аризоны (SCE-UA) для прогнозирования урожайности кукурузы и сои в США.

Источник: Li, A., Liang, S., Wang, A., & Qin, J. (2007). Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques. Photogrammetric Engineering & Remote Sensing, 73(10), 1149-1157.

Алгоритм случайного леса с успехом применяется  для классификации пикселей в спутниковых изображениях в разных категориях землепользования. Например, неконтролируемое линейное смешение использовалось на гиперспектральных данных для различения почвы и растительности в пределах одного пикселя.

Источник: Barrett Lowe and Arun Kulkarni (2015). MULTISPECTRAL IMAGE ANALYSIS USING RANDOM FOREST. International Journal on Soft Computing (IJSC) Vol.6, No. 1, February 2015. DOI: 10.5121/ijsc.2015.6101 1.

Zhe Zhu, Curtis E.Woodcock (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment 144: 152–171. 

Многослойные нейронные сети (персептроны) и радиальные базисные функции были использованы в 13 для прогнозирования площади посевов и урожайности кукурузных полей в Индии.

Bin Luo, Chenghai Yang, Jocelyn Chanussot, and Liangpei Zhang (2013). Crop Yield Estimation Based on Unsupervised Linear Unmixing of Multidate Hyperspectral Imagery. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 51, NO. 1. 

«Обучающиеся алгоритмы — как семена, почва — это данные, а обученные программы — это наша жатва. Эксперт по машинному обучению похож на крестьянина, сеющего, поливающего и удобряющего землю. Он присмат­ривает за здоровьем растущего урожая, но в целом не вмешивается»

Педро Домингос , автор книги «Верховный алгоритм: как машинное обучение изменит наш мир»

Оставить ответ