Istraživači sa Univerziteta u Bonu razvili su softver koji može da simulira rast ratarskih useva. Da bi to uradili, ubacili su hiljade fotografija iz terenskih eksperimenata u algoritam za učenje. Ovo je omogućilo algoritmu da nauči kako da vizuelizuje budući razvoj kultivisanih biljaka na osnovu jedne početne slike. Koristeći slike napravljene tokom ovog procesa, parametri kao što su površina lista ili prinos mogu se precizno proceniti.
Koje biljke treba kombinovati u kom odnosu da bih postigao najveći mogući prinos? A kako će se razviti moj usev ako koristim stajnjak umesto veštačkih đubriva? U budućnosti bi poljoprivrednici sve više trebalo da mogu da računaju na kompjutersku podršku kada odgovaraju na ovakva pitanja.
Istraživači su sada napravili ključni korak napred na putu ka ovom cilju. „Razvili smo softver koji koristi fotografije dronova za vizuelizaciju budućeg razvoja prikazanih biljaka“, objašnjava Lukas Drees sa Instituta za geodeziju i geoinformacije Univerziteta u Bonu. Istraživač u ranoj karijeri je zaposleni u PhenoRob klasteru izvrsnosti.
Projekat velikih razmera zasnovan na Univerzitetu u Bonu namerava da podstakne inteligentnu digitalizaciju poljoprivrede kako bi pomogla poljoprivredi da postane ekološki prihvatljivija, a da prinosi ne trpe. Nalazi su objavljeni u časopisu Plant Methods.
Kompjuterski program koji su sada predstavili Drees i njegove kolege je važan građevinski blok. To bi na kraju trebalo da omogući virtuelnu simulaciju određenih odluka — na primer, da se proceni kako će upotreba pesticida ili đubriva uticati na prinos useva.
Da bi ovo funkcionisalo, program mora da bude hranjen fotografijama dronova iz eksperimenata na terenu. „Snimili smo hiljade slika tokom jednog perioda rasta“, objašnjava doktorski istraživač. „Na ovaj način smo, na primer, dokumentovali razvoj useva karfiola pod određenim uslovima.
Istraživači su zatim obučili algoritam učenja koristeći ove slike. Nakon toga, na osnovu jedne slike iz vazduha u ranoj fazi rasta, ovaj algoritam je bio u mogućnosti da generiše slike koje prikazuju budući razvoj useva u novoj, veštački stvorenoj slici.
Ceo proces je veoma tačan sve dok su uslovi useva slični onima koji su bili prisutni kada su snimljene fotografije za trening. Shodno tome, softver ne uzima u obzir efekat iznenadnog zahlađenja ili stalne kiše koja traje nekoliko dana. Međutim, u budućnosti bi trebalo da nauči kako na rast utiču uticaji poput ovih — kao i povećana upotreba đubriva, na primer. Ovo bi trebalo da mu omogući da predvidi ishod određenih intervencija farmera.
„Pored toga, koristili smo drugi softver veštačke inteligencije koji može da proceni različite parametre sa fotografija biljaka, kao što je prinos useva“, kaže Drees. „Ovo takođe funkcioniše sa generisanim slikama. Stoga je moguće prilično precizno proceniti naknadnu veličinu glavica karfiola u vrlo ranoj fazi u periodu rasta.“
Jedna oblast na koju se istraživači fokusiraju je upotreba polikultura. Ovo se odnosi na setvu različitih vrsta na jednom polju—kao što su pasulj i pšenica. Kako biljke imaju različite zahteve, one se manje takmiče jedna sa drugom u ovakvoj polikulturi u odnosu na monokulturu gde se gaji samo jedna vrsta. Ovo povećava prinos. Pored toga, neke vrste — pasulj je dobar primer za to — mogu da vežu azot iz vazduha i koriste ga kao prirodno đubrivo. Druge vrste, u ovom slučaju pšenica, takođe imaju koristi od toga.
„Polikulture su takođe manje podložne štetočinama i drugim uticajima životne sredine“, objašnjava Dres. „Međutim, koliko dobro cela stvar funkcioniše u velikoj meri zavisi od kombinovanih vrsta i njihovog odnosa mešanja.“
Kada se rezultati iz mnogih različitih eksperimenata mešanja unose u algoritme učenja, moguće je izvući preporuke o tome koje biljke su posebno kompatibilne iu kom odnosu.
Simulacije rasta biljaka na osnovu algoritama učenja su relativno nov razvoj. U tu svrhu su se do sada uglavnom koristili procesni modeli. Oni — metaforički rečeno — imaju fundamentalno razumevanje o tome koji su hranljivi sastojci i uslovi životne sredine potrebni određenim biljkama tokom njihovog rasta da bi napredovale.
„Naš softver, međutim, daje svoje izjave isključivo na osnovu iskustva koje su prikupili koristeći slike treninga“, naglašava Drees.
Oba pristupa se dopunjuju. Ako bi se one kombinovale na odgovarajući način, to bi moglo značajno poboljšati kvalitet prognoza. „Ovo je takođe tačka koju istražujemo u našoj studiji“, kaže doktorski istraživač. „Kako možemo da koristimo metode zasnovane na procesu i slikama tako da one imaju koristi jedna od druge na najbolji mogući način?“
