ИИ и перенос знаний для аграрного сектора
Одной из ключевых инноваций стало использование метода переноса обучения (transfer learning) в искусственном интеллекте. Этот подход позволяет адаптировать уже существующие модели, вместо того чтобы разрабатывать их с нуля для каждой новой местности. Это особенно полезно в регионах, где сбор больших объемов локальных данных затруднен или экономически невыгоден.
В рамках исследования ученые адаптировали модель, изначально разработанную для прогнозирования урожайности сои в США, к условиям Бразилии. Для этого использовались либо данные отдельных штатов, либо ограниченные данные муниципального уровня. Такой подход позволил учитывать различия в климате, физиологических особенностях сои и методах управления агропроизводством между двумя странами.
Повышение точности прогнозов
Руководитель исследования Дзяйин Чжан отметил, что эффективность прогнозов урожайности благодаря новому подходу выросла с 50% до 78% от теоретического максимума. Это стало возможным благодаря использованию минимального объема данных, но с акцентом на ключевые особенности региона. Такой подход позволяет преодолевать ограничения, связанные с нехваткой данных, и улучшает масштабируемость моделей для применения в сельском хозяйстве.
Бразилия на передовой мирового рынка сои
Результаты исследования особенно важны для Бразилии — крупнейшего производителя сои в мире. После того как страна обогнала США в 2018 году, она играет ключевую роль в глобальных поставках этой культуры. Детализированный прогноз урожайности помогает не только точнее планировать объемы экспорта, но и минимизировать экологические риски, связанные с масштабным сельским хозяйством.
Улучшенные прогнозы дают возможность анализировать изменения в использовании земель, последствия для плодородия почв и другие аспекты устойчивого развития. Это важно как для фермеров, так и для политиков и участников рынка, которым требуется более точная информация для принятия решений.
Перспективы для других регионов
Метод, опробованный на бразильской сое, может быть применен и в других регионах мира, где доступ к детализированным данным ограничен. Адаптация моделей, разработанных в информационно насыщенных условиях, к новым регионам открывает широкие перспективы для обеспечения продовольственной безопасности, анализа климатических рисков и разработки доказательной аграрной политики. Такой подход делает аграрные исследования более доступными и эффективными в глобальном масштабе.
