KI-Netzwerk zeigt Potenzial zur Vorhersage von Ernteerträgen

Künstliche Intelligenz (KI) ist das Schlagwort des Jahres 2024. Weit entfernt von diesem kulturellen Rampenlicht wenden sich Wissenschaftler aus den Bereichen Landwirtschaft, Biologie und Technologie der KI zu. Gemeinsam arbeiten sie daran, mit diesen Algorithmen und Modellen Datensätze zu analysieren und so eine vom Klimawandel betroffene Welt besser zu verstehen und vorherzusagen.

In einem kürzlich erschienenen veröffentlicht In Grenzen der PflanzenwissenschaftClaudia Aviles Toledo, Doktorandin für Geomatik an der Purdue University, demonstrierte in Zusammenarbeit mit ihren Fakultätsberatern und Co-Autoren Melba Crawford und Mitch Tuinstra die Fähigkeit eines rekurrierenden neuronalen Netzwerks – eines Modells, das Computern beibringt, Daten mithilfe des Langzeit-Kurzzeitgedächtnisses zu verarbeiten –, den Maisertrag auf der Grundlage mehrerer Fernerkundungstechnologien sowie Umwelt- und genetischer Daten vorherzusagen.

Die Pflanzenphänotypisierung, bei der die Pflanzenmerkmale untersucht und charakterisiert werden, kann eine arbeitsintensive Aufgabe sein. Das Messen der Pflanzenhöhe mit einem Maßband, das Messen des reflektierten Lichts über mehrere Wellenlängen mit schweren Handgeräten und das Herausziehen und Trocknen einzelner Pflanzen für die chemische Analyse sind allesamt arbeitsintensive und teure Unterfangen. Durch Fernerkundung oder das Sammeln dieser Datenpunkte aus der Ferne mit unbemannten Luftfahrzeugen (UAVs) und Satelliten werden solche Feld- und Pflanzeninformationen leichter zugänglich.

Tuinstra, Inhaber des Wickersham Chair of Excellence in Agricultural Research, Professor für Pflanzenzucht und Genetik im Fachbereich Agrarwissenschaften und wissenschaftlicher Leiter des Purdue Institute for Plant Sciences, sagte: „Diese Studie zeigt, wie Fortschritte bei der Datenerfassung und -verarbeitung auf Basis von Drohnen in Verbindung mit Deep-Learning-Netzwerken zur Vorhersage komplexer Merkmale von Nahrungspflanzen wie Mais beitragen können.“

Crawford, der Nancy Uridil und Francis Bossu Distinguished Professor für Bauingenieurwesen und Professor für Agronomie, zollt Aviles Toledo und anderen Anerkennung, die phänotypische Daten im Feld und mit Fernerkundung gesammelt haben. Im Rahmen dieser Zusammenarbeit und ähnlicher Studien konnte die Welt beobachten, wie die auf Fernerkundung basierende Phänotypisierung gleichzeitig den Arbeitsaufwand verringerte und neue Informationen über Pflanzen sammelte, die menschliche Sinne allein nicht erfassen können.

Hyperspektralkameras, die detaillierte Reflexionsmessungen von Lichtwellenlängen außerhalb des sichtbaren Spektrums vornehmen, können jetzt auf Robotern und UAVs angebracht werden. Light Detection and Ranging (LiDAR)-Instrumente senden Laserimpulse aus und messen die Zeit, in der sie zum Sensor zurückreflektiert werden, um Karten, sogenannte „Punktwolken“, der geometrischen Struktur von Pflanzen zu erstellen.

„Pflanzen erzählen ihre eigene Geschichte“, sagte Crawford. „Sie reagieren, wenn sie gestresst sind. Wenn sie reagieren, kann man das möglicherweise auf Merkmale, Umwelteinflüsse, Bewirtschaftungspraktiken wie Düngemittelanwendung, Bewässerung oder Schädlinge zurückführen.“

Als Ingenieure entwickeln Aviles Toledo und Crawford Algorithmen, die riesige Datensätze erfassen und die darin enthaltenen Muster analysieren, um die statistische Wahrscheinlichkeit verschiedener Ergebnisse vorherzusagen, einschließlich des Ertrags verschiedener Hybride, die von Pflanzenzüchtern wie Tuinstra entwickelt wurden. Diese Algorithmen kategorisieren gesunde und geschwächte Pflanzen, bevor ein Bauer oder Forscher einen Unterschied erkennen kann, und sie liefern Informationen über die Wirksamkeit verschiedener Managementpraktiken.

Tuinstra bringt einen biologischen Ansatz in die Studie ein. Pflanzenzüchter nutzen Daten, um Gene zu identifizieren, die bestimmte Eigenschaften von Nutzpflanzen steuern.

„Dies ist eines der ersten KI-Modelle, das die Pflanzengenetik in die Ertragsgeschichte mehrjähriger großflächiger Experimente einbezieht“, sagte Tuinstra. „Jetzt können Pflanzenzüchter sehen, wie unterschiedliche Merkmale auf unterschiedliche Bedingungen reagieren, was ihnen dabei helfen wird, Merkmale für zukünftige, widerstandsfähigere Sorten auszuwählen. Landwirte können dies auch nutzen, um zu sehen, welche Sorten in ihrer Region am besten gedeihen könnten.“

Für den Aufbau dieses neuronalen Netzwerks wurden Hyperspektral- und LiDAR-Daten von Mais, genetische Marker beliebter Maissorten und Umweltdaten von Wetterstationen kombiniert. Dieses Deep-Learning-Modell ist eine Teilmenge der KI, die aus räumlichen und zeitlichen Datenmustern lernt und Vorhersagen für die Zukunft trifft. Sobald das Netzwerk an einem Ort oder in einem Zeitraum trainiert wurde, kann es mit begrenzten Trainingsdaten an einem anderen geografischen Ort oder zu einem anderen Zeitpunkt aktualisiert werden, wodurch der Bedarf an Referenzdaten begrenzt wird.

Crawford sagte: „Früher haben wir klassisches maschinelles Lernen verwendet, das sich auf Statistik und Mathematik konzentrierte. Wir konnten neuronale Netzwerke nicht wirklich nutzen, weil uns die Rechenleistung fehlte.“

Neuronale Netzwerke sehen aus wie Maschendraht, mit Verbindungen, die Punkte miteinander verbinden, die letztlich mit jedem anderen Punkt kommunizieren. Aviles Toledo hat dieses Modell mit einem Langzeit-Kurzzeitgedächtnis angepasst, das es ermöglicht, vergangene Daten neben aktuellen Daten ständig im Vordergrund des „Gedankens“ des Computers zu behalten, während dieser zukünftige Ergebnisse vorhersagt. Das Modell des Langzeit-Kurzzeitgedächtnisses, ergänzt durch Aufmerksamkeitsmechanismen, lenkt die Aufmerksamkeit auch auf physiologisch wichtige Zeiten im Wachstumszyklus, einschließlich der Blüte.

Während die Fernerkundungs- und Wetterdaten in diese neue Architektur integriert werden, werden laut Crawford die genetischen Daten weiterhin verarbeitet, um „aggregierte statistische Merkmale“ zu extrahieren.

In Zusammenarbeit mit Tuinstra ist Crawfords langfristiges Ziel, genetische Marker sinnvoller in das neuronale Netzwerk zu integrieren und komplexere Merkmale in ihren Datensatz aufzunehmen. Dies wird die Arbeitskosten senken und den Landwirten gleichzeitig die Informationen liefern, die sie benötigen, um die besten Entscheidungen für ihre Ernten und ihr Land zu treffen.