Neues Deep-Learning-Modell sagt den Wasser- und Energiebedarf in der Landwirtschaft mit großer Genauigkeit vorher

Wasserknappheit und hohe Energiekosten stellen die Hauptprobleme für Bewässerungsgemeinden dar, die das Wasser zu diesem Zweck verwalten und es der Landwirtschaft zur Verfügung stellen.

In Zeiten einer Dürre und einem deregulierten und sich verändernden Strommarkt würde es denjenigen, die sie bewirtschaften, ermöglichen, zu wissen, wann und mit wie viel Wasser die Pflanzen bewässert werden, die Unsicherheit bei der Entscheidungsfindung zu überwinden und sie so auf Ziele wie wirtschaftliche Einsparungen auszurichten , ökologische Nachhaltigkeit und Effizienz. Dabei sind Data Science und Künstliche Intelligenz wichtige Ressourcen.

Forscher der Hydraulik- und Bewässerungsgruppe der María de Maeztu Unit of Excellence in der Agronomieabteilung der Universität Córdoba (DAUCO) arbeiten daran, diese Spitzentechnologie auf den Bereich der Präzisionslandwirtschaft anzuwenden. Ein Beispiel hierfür ist das HOPE-Projekt, das sich auf die Entwicklung eines ganzheitlichen Präzisionsbewässerungsmodells konzentriert, das auch den Einsatz von KI zur Steuerung der Entscheidungsfindung beinhaltet.

Im Rahmen dieser Bemühungen wurden Vorhersagemodelle entwickelt, die Bewässerungsgemeinden genaue Schätzungen der Wassermenge liefern würden, die Landwirte benötigen, um den Bedarf ihrer Pflanzen zu decken.

Das neueste entwickelte und bisher genaueste Modell ermöglicht es, den tatsächlichen Bedarf an Bewässerungswasser eine Woche im Voraus und mit einer Fehlerquote von weniger als 2 % vorherzusagen, und ermöglicht so eine effektive Ressourcenbewirtschaftung ohne Beeinträchtigung Autonomie gegenüber seinen Nutzern.

Laut den Forschern Rafael González, Emilio Camacho und Juan Antonio Rodríguez stellt dieser Fortschritt einen weiteren Schritt in der von der Forschungsgruppe AGR 228 „Hydraulik und Bewässerung“ entwickelten Digitalisierungslinie für die Bewässerung dar. Jetzt haben sie die revolutionäre Architektur von Transformer Deep Learning auf den Bereich der Präzisionsbewässerung angewendet.

Seit seinem Erscheinen im Jahr 2017 wurde dies in verschiedenen Branchen umgesetzt und ist die Grundlage für Meilensteine ​​der Künstlichen Intelligenz wie ChatGPT. Die „Transformer“-Architektur zeichnet sich durch ihre Fähigkeit aus, durch sogenannte „Aufmerksamkeitsmechanismen“ langfristige Beziehungen in sequentiellen Daten herzustellen.

Im Falle der Bewässerung ermöglicht diese Datenarchitektur die gleichzeitige Verarbeitung vieler Informationen und delegiert die Auswahl und Extraktion der für eine optimale Vorhersage erforderlichen Informationen an ihr künstliches neuronales Netzwerk.

Zur Validierung der Ergebnisse dieses Modells wurden tägliche Daten der Bewässerungskampagnen von 2015 bis 2022 in der Bewässerungsgemeinschaft des Zujar-Kanals in Don Benito (Badajoz) verwendet. Insgesamt wurden zum Trainieren des Modells mehr als 1.800 Wasserverbrauchsmessungen verwendet, kombiniert mit Daten zu Temperatur, Niederschlag, Sonneneinstrahlung, Evapotranspiration, Windgeschwindigkeit, Luftfeuchtigkeit, Pflanzenarten usw.

Dadurch wurde die Fehlerquote gegenüber früheren Modellen von 20 % auf nur 2 % reduziert. Angewendet auf integrierte Entscheidungsunterstützungssysteme kann dies für Manager von Bewässerungsgemeinden sehr nützlich sein, indem es eine genaue Prognose des täglichen Bedarfs an Bewässerungswasser für die nächsten sieben Tage in Kontexten von Wasserknappheit und hohen Energiepreisen, aber auch im Kontext von Wasserknappheit und hohen Energiepreisen bietet Rahmen eines Engagements für nachhaltiges Ressourcenmanagement.

Die Arbeit ist veröffentlicht im Tagebuch Computer und Elektronik in der Landwirtschaft.