På samma sätt som virtuella assistenter hjälper oss att upptäcka vår nästa favoritlåt, har ett nytt mjukvarupaket använt avancerad maskininlärning för att hjälpa jordbrukare och agronomer att hitta vad deras grödor och jordar behöver för att öka avkastningen på ett hållbart sätt, enligt den här artikeln publicerad av AGDaily.
De vetenskapliga teamen för Bayer Crop Science och Biomaker testade och avslöjade den första tillämpningen av denna banbrytande teknik den bioRxiv. Studien och det resulterande vetenskapliga dokumentet beskriver analysen av markmikrobiomet för att bedöma effektiviteten hos Bayers biologiska fungicid Minuet. Specifikt gjorde maskininlärningsprogramvara det möjligt för Bayer CS att förutsäga förbättring av potatisavkastningen innan applikationen tillämpades. Det förutspådda resultatet var en avkastningsbump på upp till 40% i ett av de fält som testades i Idaho.
"Det är ett unikt tillvägagångssätt att använda markbiologi och optimera användningen av grödans insatser framåt mot hållbara och ekonomiskt gynnsamma lösningar för att förbättra grödans produktivitet", säger Varghese Thomas, projektledare på Bayer CS.
Denna teknik är ett enormt steg framåt för agronom som hittills saknat de uppgifter som krävs för att exakt bestämma biologiska lösningar för deras säsongsmässiga mark- och grödbeslut. Jord är en värdefull tillgång för att öka avkastningen och kvaliteten, men som den för närvarande är, är agronomiska rekommendationer baserade på liten kunskap om de biologiska processer som förekommer i den. Men idag, med tillgången till en virtuell AI-assistent som hjälper till att förutsäga effekten av olika lösningar, förändras spelet och framsteg mot ett mer produktivt och hållbart jordbrukssystem.
AI är en resurs som ständigt utvecklas och "tränas" för närvarande för att också lösa andra jordbruksproblem, inklusive frågor om produktionens hållbarhet, näringskvaliteten på produkterna och beräknade koldioxidkrediter baserade på användning av olika produkter eller förvaltningsmetoder. Ingångstillverkare kan lägga till sin egen, anpassade lösning till AI-rekommendationssystemet genom att testa det under strikt Gheom protokoll för fältförsök.