Исследования, проведенные патологом растений в Колледже сельскохозяйственных наук штата Пенсильвания, показывают, что алгоритмы машинного обучения, запрограммированные на распознавание изменяющихся погодных условий, могут показать производителям, как увеличить урожайность сои и кукурузы в США, сообщает сайт Agropages.com.

Этот подход может оказаться полезным в решении вопросов, связанных с изменением климата, которые создают проблемы в выращивании сельхозкультур для стремительно растущего населения планеты, отметил Пол Эскер, доцент кафедры эпидемиологии и патологии полевых культур.

«Соя и кукуруза являются одними из наиболее ценных культур с точки зрения поставок продовольствия и экономического производства в сельскохозяйственном секторе США», - сказал Эскер, который указал на статистику Министерства сельского хозяйства США, согласно которой кукуруза является наиболее широко производимой культурой в стране,  соя занимает второе место.

Эти культуры не только жизненно важны для продовольственной безопасности в США и за их пределами, но и их общая стоимость для экономики страны составляет более 100 миллиардов долларов. Многие ученые прогнозируют, что к 2050 году мир должен прокормить 9 миллиардов человек, поэтому текущие объемы производства должны увеличиться.

«Спрос на продовольствие будет на 60% больше, чем сегодня, поэтому крайне важно, чтобы мы продвигали сельскохозяйственные исследования для разработки более эффективных и устойчивых методов увеличения производства, особенно в условиях изменения климата», — отметил Пол Эскер.

Устойчивое решение этой проблемы заключается в повышении урожайности сельскохозяйственных культур без значительного расширения посевных площадей. Этого можно достичь путем выявления и внедрения передовых методов управления. Однако это потребует более детального понимания того, как на урожайность сельскохозяйственных культур влияют, среди прочего, изменение климата и изменчивость погоды в вегетационный период.

Производители имеют доступ к огромному количеству информации об урожайности и управлении, полученной в результате продолжающихся сельскохозяйственных экспериментов, проводимых по всей территории США. Даже с учетом этих знаний прогнозирование является сложной задачей, поскольку различные факторы взаимодействуют друг с другом, отметил руководитель проекта Спиридон Мурцинис из Agstat Consulting (Греция).

«Такие наборы данных на сегодняшний день остаются оторванными друг от друга, и их трудно объединить, стандартизировать и должным образом проанализировать. Например, изменчивость типа почвы может взаимодействовать с погодными условиями и смягчать или усугублять воздействие климата на урожайность сельскохозяйственных культур», - сказал Мурцинис.

Чтобы преодолеть эти проблемы, команда изучила идею использования возможностей алгоритмов машинного обучения. С помощью этого метода компьютер учится на основе данных. Цель состоит в том, чтобы предсказать выходные значения по заданным входным данным.

С этой целью команда изучила данные об урожайности и управлении, полученные в ходе сортоиспытаний, проведенных в 28 штатах в период с 2016 по 2018 год для кукурузы и в период с 2014 по 2018 год для соевых бобов. Информация была составлена на основе типа почвы и методов управления, включая орошение, метод обработки почвы, норму высева, расстояние между рядами и зрелость сорта.

Кроме того, были получены данные о погоде за каждый год для каждого набора координат. 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 или наборы данных, которые они применили к различным моделям и протестировали в течение двух вегетационных сезонов на случайно выбранном поле в юго-центральном Висконсине. Для визуальной оценки результатов использовались бокс-графики, стандартизированный способ отображения распределения данных.

Для этого конкретного поля и системы посева использование алгоритмов команды показало, что кукуруза с датой посева 1 мая показала увеличение урожайности на 6% по сравнению с кукурузой, посаженной 1 июня. Благодаря созданию сценариев с 256 вариантами фоновой системы возделывания, полученная в результате алгоритма разница в оценке урожайности для одной и той же даты посева была меньше, но все еще положительной.

В случае сои посев 1 мая привел к увеличению урожайности на 14% по сравнению с посевом 1 июня в системе однофонового возделывания. Результат был последовательным, когда различия в урожайности из-за даты посева были усреднены по 128 вариантам фоновой системы возделывания.

Мурцинис и Эскер признали, что в результатах есть ограничения, в первую очередь из-за отсутствия информации о показателях обработки семян и различных методах управления, о которых сообщается в разных штатах.

Тем не менее, их результаты, опубликованные в научных отчетах, свидетельствуют о том, что разработанные алгоритмы обладают потенциалом привести сельское хозяйство к существенному увеличению урожайности. «Наш подход может ускорить исследования в аграрной сфере, определить устойчивые методы и помочь преодолеть будущие потребности в продовольствии», - сказал Мурцинис.

Исследователи также подчеркивают, что алгоритмы машинного обучения не следует рассматривать в качестве замены повторных испытаний. Напротив, они указали, что полевые испытания, проводимые университетами, необходимы в качестве источника объективных данных, которые могут быть использованы для обучения еще более полным алгоритмам.

Также в исследовании приняли участие Джеймс Шпехт, факультет агрономии и садоводства, Университет Небраски-Линкольн, и Шон Конли, факультет агрономии, Университет Висконсина-Мэдисон.

Национальный институт продовольствия и сельского хозяйства Министерства сельского хозяйства США финансировал исследования, Висконсинский совет по маркетингу сои и Северо-Центральную исследовательскую программу по сое.