В мире аграрных технологий произошел значительный прорыв, способный повлиять на глобальную продовольственную безопасность. Исследователи из Иллинойсского университета в Урбане-Шампейне создали инновационную систему на базе искусственного интеллекта, которая составляет высокодетализированные карты урожайности сои по всей Бразилии, используя при этом лишь ограниченный объем местных данных.
Точное прогнозирование урожая сои имеет решающее значение для всего мира, поскольку эта культура играет ключевую роль в глобальной продовольственной системе и на товарных рынках. Бразилия, будучи крупнейшим производителем сои, остро нуждалась в точных данных об урожайности для поддержки устойчивого сельского хозяйства и анализа рисков. Однако отсутствие подробной информации на местах создавало серьезные пробелы в знаниях. Новая модель решает эту проблему, объединяя спутниковые снимки, климатические показатели и доступную статистику на уровне штатов для создания точного национального прогноза.
В основе этого достижения лежит передовая технология машинного обучения, известная как «трансферное обучение». Суть метода заключается в том, что ИИ, изначально обученный на огромном массиве данных в США, был адаптирован и «переобучен» для работы в бразильских условиях. Ученым пришлось учесть различия в климате, циклах роста растений и методах ведения сельского хозяйства, что продемонстрировало гибкость и мощь современного искусственного интеллекта.
Результаты впечатляют: даже без использования данных об урожайности на муниципальном уровне, новая модель показала вдвое большую точность по сравнению с традиционными методами. При добавлении небольшого количества местных данных ее эффективность выросла до уровня самых передовых систем, которые требуют огромных объемов детальной информации. Это доказывает практическую применимость и надежность разработки в реальных условиях, значительно сокращая затраты времени и ресурсов на сбор данных «на земле».
Авторы исследования подчеркивают, что их работа имеет значение далеко за пределами бразильского соевого рынка. Методология открывает путь для улучшения аграрного моделирования в развивающихся странах, где сбор данных затруднен. Это может коренным образом изменить подходы к планированию продовольственной безопасности, особенно в условиях климатических изменений, которые делают производство сельхозпродукции все более непредсказуемым.
Кроме того, высокоточная модель позволяет оценивать экологические последствия крупномасштабного выращивания сои, такие как темпы обезлесения и деградация почв. Система связывает прогнозы урожайности с климатическими колебаниями и изменениями в землепользовании, что помогает в комплексной оценке баланса между производительностью сельского хозяйства и здоровьем экосистем.
Исследование, опубликованное в журнале «International Journal of Applied Earth Observation and Geoinformation», закладывает основу для будущих усовершенствований. Разработанный подход может быть расширен для мониторинга других важнейших сельскохозяйственных культур по всему миру, создавая основу для глобальной, эффективной и своевременной системы прогнозирования урожаев.