隨著一些報告預測，到2027年，精確農業市場將達到129億$，越來越需要開發復雜的數據分析解決方案，以實時指導管理決策。 伊利諾伊州大學的一個跨學科研究小組的一項新研究為高效、準確地處理精確的ag數據提供了一種很有前途的方法。

“我們正在努力改變人們從事農業研究的方式。 我們試圖做的不是建立一個小的田塊，運行統計數據，發布手段，而是更直接地涉及農民。 我們正在自己的田地里進行農民機械的試驗。 我們可以檢測不同輸入的特定站點響應。 伊利諾斯州作物科學系助理教授、該研究的合著者尼古拉斯？馬丁(Nicolas Martin)表示：“我們可以看到，在這一領域的不同領域是否有反應。

他補充說：“我們開發了使用深度學習生成產量預測的方法。 它包含了來自不同地形變量、土壤電導率以及氮和種子速率處理的信息，我們在中西部九個玉米田中應用。

馬丁和他的團隊研究了數據密集型農場管理項目2017年和2018年的數據，該項目在中西部、巴西、阿根廷和南非的226個農田中以不同的速度施用種子和氮肥。 地面測量與行星實驗室的高分辨率衛星圖像配對，以預測產量。

田野被數字分割成5米（約16英尺）的正方形。 土壤、海拔、施氮率和種子率的數據被輸入每個正方形的計算機，目的是學習這些因素如何相互作用來預測該正方形的產量。

研究人員用一種稱為卷積神經網絡(CNN)的機器學習或人工智能來進行分析。 一些類型的機器學習從模式開始，并要求計算機將新的數據比特放入現有的模式中。 卷積神經網絡對現有模式視而不見。 相反，他們獲取一些數據并學習組織它們的模式，類似于人類通過大腦中的神經網絡組織新信息的方式。 并與其他機器學習算法和傳統統計技術進行了比較，比較了CNN過程的高精度預測產量。

“我們不知道是什么導致了不同領域對投入的產量反應的差異。 有時人們有一個想法，某一地點應該對氮作出真正強烈的反應，而它沒有，反之亦然。 美國有線電視新聞網可以發現隱藏的模式，可能會引起反應。 當我們比較了幾種方法時，我們發現CNN很好地解釋了產量的變化。

使用人工智能來解開來自精確農業的數據仍然是相對較新的，但馬丁說，他的實驗僅僅是從CNN的潛在應用中獲取冰山一角。 “最終，我們可以利用它為特定的投入和場地限制組合提出最佳建議?！?/p>