Neuer Durchbruch in der intelligenten Landwirtschaft: KI unterstützt die landwirtschaftliche Planung

Inhalt auf einen Blick: Die Vereinten Nationen prognostizieren, dass die Weltbevölkerung im Jahr 2050 voraussichtlich 9,1 Milliarden Menschen erreichen wird und der globale Nahrungsmittelbedarf um 70 % steigen wird. Aufgrund der ungleichmäßigen Entwicklung der Landwirtschaft weltweit kann die Getreideproduktion in vielen Regionen jedoch nicht genau berechnet werden, sodass es unmöglich ist, in diesen Regionen sinnvolle Pläne für die landwirtschaftliche Entwicklung zu erstellen. Bestehende Methoden zur Zählung der Getreideproduktion sind schwer zu fördern oder erfordern ein höheres Maß an Technologie. Zu diesem Zweck analysierten Forscher der Universität Kyoto mithilfe von Convolutional Neural Networks (CNN) Fotos von Ackerland und zählten die lokale Nahrungsmittelproduktion effizient und genau. Damit stellten sie eine neue Methode zur Förderung der globalen landwirtschaftlichen Entwicklung bereit.

Autor | Xuecai

Herausgeber | Sanyang

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Aufgrund des Bevölkerungswachstums, steigender Einkommen und der weit verbreiteten Nutzung von Biokraftstoffen wird die weltweite Nachfrage nach Nahrungsmitteln bis 2050 um 70 % steigen.

Aufgrund der globalen Erwärmung und des Rückgangs der Artenvielfalt ist die Nahrungsmittelproduktion weltweit jedoch extrem anfällig für Umweltveränderungen und die Entwicklung verläuft in den einzelnen Regionen ungleichmäßig.

Abbildung 1: Globale Getreideproduktionskarte 2020

Es ist ersichtlich, dass China, die Vereinigten Staaten, Indien und Brasilien wichtige Getreideanbaugebiete sind, während die Getreideproduktion in der südlichen Hemisphäre relativ gering ist. Darüber hinaus ist es aufgrund der geringeren landwirtschaftlichen Produktivität in der südlichen Hemisphäre schwierig, die dortige Nahrungsmittelproduktion genau zu messen. Daher ist es für uns schwierig, die landwirtschaftliche Produktivität vor Ort effektiv zu bewerten, geschweige denn wirksame Mittel zur Produktionssteigerung bereitzustellen.

Derzeit gibt es drei gängige Methoden zur Statistik der Getreideproduktion: Selbstberichterstattung, tatsächliche Messung und Fernerkundungsstatistik. Die ersten beiden Methoden lassen sich nur schwer in großem Maßstab fördern, während der Einsatz von Fernerkundungstechnologie durch das lokale wissenschaftliche und technologische Niveau eingeschränkt ist.

Zu diesem Zweck analysierten Forscher der Universität Kyoto mithilfe von Convolutional Neural Networks (CNN) vor Ort aufgenommene Fotos von Ackerland und berechneten anschließend die lokale Getreideproduktion. Die Ergebnisse zeigten, dass das CNN-Modell die Reiserträge im Erntestadium und bei später Reife unter verschiedenen Lichtbedingungen schnell und genau berechnen kann. Dieses Ergebnis wurde in Plant Phenomics veröffentlicht.

Link zum Artikel:

https://spj.science.org/doi/10.34133/plantphenomics.0073

Versuchsdurchführung

Aufbau einer Datenbank: Reisdachfotos + Getreideertrag

Die Forscher sammelten Fotos der Reis- und Getreideerträge von 20 Farmen in sieben Ländern. Als der Reis reif war, wurde mit einer Digitalkamera aus einer Höhe von 0,8 bis 0,9 Metern über dem Reisdach vertikal nach unten gefilmt, um RGB-Fotos von 1 m² Reis zu erhalten.

Hinweis: Das Reisdach ist die oberste Schicht aus dichten Reiszweigen und -blättern und ist der Hauptbestandteil der Pflanze für die Photosynthese.

Anschließend änderten sie den Aufnahmewinkel, die Zeit und den Zeitraum und entfernten in einigen Experimenten die Reisblütenstände einzeln, um den Mechanismus des CNN-Modells bei der Ertragsvorhersage zu untersuchen. Letztendlich erhielten sie 22.067 RGB-Fotos von 462 Reissorten von 4.820 Aufnahmeorten.

Bei der Kornertragsmenge im Versuch handelte es sich um die Grobkornertragsmenge, die das Gesamtgewicht der gefüllten und leeren Reiskörner umfasst. Die aus der Statistik ermittelten Getreideerträge lagen zwischen 0,1 t/ha (Tonnen pro Hektar) und 16,1 t/ha und zeigten eine Normalverteilung, wobei der durchschnittliche Ertrag bei etwa 5,8 t/ha lag.

Abbildung 2: Bild des Reisdachs und der Kornertragsverteilung

A: Verteilung der Grobgetreideproduktion in sieben Ländern;

B: Kreisdiagramm der durchschnittlichen Grobgetreideproduktion in verschiedenen Ländern;

C: Bild des Reises mit dem höchsten Grobkornertrag;

D: Bild des Reises mit dem niedrigsten Grobkornertrag.

Ertragsprognose: Kronenfotos + CNN → Kornertrag

Das CNN-Modell, die Verlustfunktion und der Optimierer werden mithilfe der Python-Sprache und des PyTorch-Frameworks bereitgestellt. Anschließend kombinierten die Forscher verschiedene Batchgrößen und Lernraten, berechneten den Validierungsverlust und den relativen mittleren quadratischen Fehler (rRMSE) nach Abschluss des Modelltrainings und ermittelten die optimale Batchgröße (32) und Lernrate (0,0001) für das Modell.

Das CNN-Modell verfügt über 5 Faltungsschichten im Hauptstrom (MS) und 4 Faltungsschichten im Verzweigungsstrom (BS). Die Pooling-Ebenen des Modells umfassen die durchschnittliche Pooling-Ebene (AveragePooling) und die maximale Pooling-Ebene (MaxPooling). Die Aktivierungsfunktion ist hauptsächlich die gleichgerichtete lineare Einheit (ReLU), und in einigen Teilen wird die exponentielle lineare Einheit (ELU) verwendet. Schließlich werden MS und BS kombiniert und der geschätzte Kornertrag über die ReLU-Schicht ausgegeben.

Abbildung 3: CNN-Modelldiagramm

Das CNN-Modell verfügt über eine ausgeprägte Fähigkeit, Bilder zu unterscheiden. Wenn der Bodenabtastabstand (GSD, der tatsächliche Abstand, der jedem Pixel im Foto entspricht, also das Gegenteil der Auflösung) 0,2 cm/Pixel beträgt, liegt der Korrelationskoeffizient R2 zwischen den Vorhersageergebnissen des CNN-Modells und den tatsächlichen Ergebnissen über 0,65. Selbst wenn die GSD auf 3,2 cm/Pixel ansteigt, kann der R2 des Modells über 0,55 gehalten werden.

Abbildung 4: Beziehung zwischen den Vorhersageergebnissen des CNN-Modells und GSD

A: Die Beziehung zwischen dem R2 des CNN-Modells und dem GSD der Validierungssatz- und Testsatzfotos;

B: Streudiagramm der vom CNN-Modell vorhergesagten und tatsächlichen Ausgabe;

C & D: Schematische Fotos von GSD von 0,2 cm/Pixel und 3,2 cm/Pixel.

Darüber hinaus testeten die Forscher das CNN-Modell mit Daten aus dem Vorhersagesatz. Das CNN-Modell kann den Unterschied im Reisertrag zwischen Takanari und Koshihikari in Tokio erkennen und die prognostizierten Daten liegen nahe an den tatsächlichen Daten.

Abbildung 5: Tatsächlicher Ertrag (A) und prognostizierter Ertrag (B) von Gaocheng-Reis und Koshihikari-Reis

Anschließend blockierte das Team die Bilder, um den Mechanismus zu untersuchen, mit dem das CNN-Modell die Bilder analysierte und die Nahrungsmittelproduktion vorhersagte. Sie blockierten bestimmte Bereiche der Fotos mit grauen Blöcken und berechneten den vom CNN-Modell vorhergesagten Ertragsunterschied vor und nach der Blockierung.

Abbildung 6: Schematische Darstellung des Okklusionsexperiments

A: Foto vor der Okklusion;

B: Foto nach Okklusion;

C: Das Gewicht verschiedener Bereiche des Fotos auf den prognostizierten Ertrag.

Die Ergebnisse zeigten, dass der Kornertrag positiv mit der Anzahl der Reisblütenstände und negativ mit dem Anteil von Elementen wie Stängeln, Blättern und Boden im Bild korrelierte.

Daher überprüften die Forscher die Rolle des Blütenstands bei der Ertragsvorhersage durch Experimente zur Entfernung des Blütenstands. Sie pflückten von jeder Reispflanze zwei Blütenstände, machten Fotos und zählten den Grobkornertrag, bis alle Blütenstände gepflückt waren.

Abbildung 7: Experiment zur Entfernung von Blütenständen und Ergebnisse

A: Schematische Darstellung des Experiments zur Entfernung des Blütenstands;

B: Foto nach dem Entfernen des Blütenstands;

C: Liniendiagramm der erwarteten und tatsächlichen Leistung;

D: Verhältnis zwischen erwartetem und tatsächlichem Ertrag bei der Blütenstandsentfernung.

Mit abnehmender Blütenzahl verschlechterten sich auch die Ertragsprognoseergebnisse des CNN-Modells weiter und fielen schließlich auf 1,6 t/ha. Dieses Experiment zeigt, dass das CNN-Modell den Getreideertrag hauptsächlich anhand der Anzahl der Blütenstände auf dem Foto beurteilt.

Robustheit: Kamerawinkel, Zeit und Zeitraum

Nachdem die Forscher die Fähigkeit des CNN-Modells zur Vorhersage der Nahrungsmittelproduktion überprüft hatten, änderten sie Aufnahmewinkel, -zeit und -periode , um die Robustheit des CNN-Modells unter verschiedenen Bedingungen zu untersuchen.

Die Fotos wurden in Winkeln zwischen 20° und 90° aufgenommen, mit einem Testintervall von 10°. **Die Ergebnisse zeigen, dass die Vorhersagegenauigkeit des CNN-Modells mit zunehmendem Aufnahmewinkel zunimmt. **Bei einem Schussfehler von 20° beträgt das Vorhersageergebnis des CNN-Modells -3,7–2,4 t/ha. Bei einem Schusswinkel von 60° lag der Prognosefehler zwischen -0,45 und 2,44 t/ha und kam damit dem Prognoseergebnis bei 90° sehr nahe.

Abbildung 8: Aufnahmewinkeltest und Ergebnisse

A: Schematische Darstellung des Schusswinkelexperiments;

B: Fotos, die aus verschiedenen Aufnahmewinkeln aufgenommen wurden;

C: Die Differenz zwischen dem prognostizierten Ertrag und dem tatsächlichen Ertrag aus Fotos, die aus verschiedenen Winkeln aufgenommen wurden.

Die Kamera wurde dann an einer festen Position platziert, um alle 30 Minuten ein Bild des Ackerlandes aufzunehmen und die Auswirkung der Aufnahmezeit auf das CNN-Modell zu untersuchen. Die Ergebnisse zeigen, dass die Vorhersageergebnisse des CNN-Modells für ganztägige Fotos grundsätzlich stabil sind, obwohl sich die Lichtumgebung geändert hat.

Abbildung 9: Aufnahmezeittest und Ergebnisse

A: Schematische Darstellung des Schießzeitexperiments;

B: Fotos, die zu unterschiedlichen Aufnahmezeiten aufgenommen wurden;

C: Die Vorhersageausbeute des CNN-Modells für Fotos, die zu unterschiedlichen Zeiten aufgenommen wurden.

Abschließend untersuchten die Forscher den Einfluss des Drehzeitraums auf die Vorhersageergebnisse des CNN-Modells. Nachdem 50 % des Reises Ähren getragen hatten, gingen sie jede Woche auf die Felder, um Fotos zu sammeln und diese mithilfe des CNN-Modells zu analysieren. Im frühen Stadium der Reisreife ist der prognostizierte Ertrag des CNN-Modells niedriger als der tatsächliche Ertrag zum Erntezeitpunkt, da der Blütenstand noch nicht vollständig ausgereift ist.

Mit der Zeit nähern sich die Vorhersagen des CNN-Modells immer mehr der tatsächlichen Produktion an. Vier Wochen nach 50 % Ährentrieb waren die Vorhersageergebnisse des CNN-Modells grundsätzlich stabil und lagen nahe am tatsächlichen Ertrag.

Abbildung 10: Tests und Ergebnisse während der Dreharbeiten

A: Fotos, die zu unterschiedlichen Aufnahmezeiten aufgenommen wurden. DAH steht für Tage nach der Ährenbildung, DBH steht für Tage vor der Ernte.

B: Vorhersageergebnisse des CNN-Modells für Fotos, die zu unterschiedlichen Zeiten aufgenommen wurden.
Zusammenfassend zeigen die obigen Ergebnisse, dass das CNN-Modell Fotos von Ackerland, die aus unterschiedlichen Aufnahmewinkeln, zu unterschiedlichen Zeiten und in unterschiedlichen Zeiträumen aufgenommen wurden, genau analysieren und stabile Ergebnisse bei der Ertragsvorhersage erzielen kann. CNN-Modelle sind robust.

Smart Agriculture: KI unterstützt die Agrarplanung

Nach Angaben der Vereinten Nationen wird die Weltbevölkerung im Jahr 2050 etwa 9,1 Milliarden Menschen erreichen. Mit dem Wachstum der Weltbevölkerung und den steigenden Einkommen steigt auch die Nachfrage nach Nahrungsmitteln.

Gleichzeitig haben die Intensivierung, Digitalisierung und Intelligenz der landwirtschaftlichen Produktion den Getreideertrag pro Mu kontinuierlich erhöht. Von 2000 bis 2019 verringerte sich die landwirtschaftliche Nutzfläche weltweit um 3 %, während die Produktion wichtiger Nutzpflanzen um 52 % und die Produktion von Obst und Gemüse um etwa 20 % zunahm.

Der Einsatz professioneller Geräte wie großer Erntemaschinen und Drohnen ermöglicht Landwirten eine präzise und komfortable Planung ihrer Anbauflächen. Technologien wie Big Data und das Internet der Dinge helfen Landwirten, die Bedingungen auf Ackerland in Echtzeit wahrzunehmen und können auch die Umgebung im Gewächshaus automatisch anpassen. Frühzeitige Wettervorhersagen mithilfe von Deep Learning und großen Modellen können extreme Wetterereignisse verhindern, bevor sie eintreten, und das Problem der traditionellen Landwirtschaft lindern, die für ihren Lebensunterhalt vom Wetter abhängig ist.

Abbildung 11: Schematische Darstellung eines intelligenten Landwirtschaftssystems

Im Jahr 2021 ist die Zahl der weltweit von Hunger betroffenen Menschen jedoch im Vergleich zum Vorjahr um etwa 46 Millionen auf 828 Millionen gestiegen. Die Probleme einer unausgewogenen landwirtschaftlichen Produktion und eines unvollkommenen Systems bestehen weiterhin und sind sogar noch ausgeprägter.

Mithilfe der KI können wir die Entwicklung der lokalen Landwirtschaft besser planen, eine ausgewogene Entwicklung der weltweiten Agrarproduktion fördern und eine zufriedenstellende Antwort auf das Problem des weltweiten Hungers geben.

Referenzlinks:

[1] https://www.fao.org/documents/card/en/c/cc2211en

[2] https://www.deccanherald.com/opinion/smart-farming-tech-new-age-700994.html

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~