Благодаря использованию различных инструментов искусственного интеллекта международная группа под руководством аргентинских ученых смогла завершить составление Глобального атласа различий в урожайности кукурузы, пшеницы и риса.
Эта разработка поможет направить инвестиции на улучшение производства на более отзывчивых участках и тем самым повысить доступность продовольствия.
Благодаря метамодели, разработанной с помощью машинного обучения и анализа масштабных данных, были созданы глобальные карты высокого разрешения, показывающие потенциал урожайности кукурузы, пшеницы и риса в районах, по которым до сих пор не было никакой информации.
Работа аргентинских ученых опубликована в журнале Nature Food и объясняет, как удалось завершить создание Глобального атласа разрывов в урожайности кукурузы, пшеницы и риса, поскольку на основе имеющихся данных удалось сделать точные прогнозы и составить карты высокого разрешения для тех районов мира, по которым не было информации.
«Мы заполнили пробелы в атласе, который начал собираться 12 лет назад, расширив его результаты на многие сельскохозяйственные районы, которые по разным причинам было нелегко включить в него», – сказал в интервью агентству CyTA-Leloir ведущий автор работы, агроном Фернандо Арамбуру-Мерлос, научный сотрудник Института инноваций для сельскохозяйственного производства и устойчивого развития (IPADS), который является частью INTA и Conicet и базируется в Балькарсе, провинция Буэнос-Айрес.
Методология и результаты были опубликованы в журнале Nature Food. Проект является частью постдока Арамбуру-Мерлоса на факультете агрономии и садоводства Университета Небраски-Линкольна, США, под руководством аргентинского исследователя Патрисио Грассини, агронома и доктора наук в области агрономии.
«Это очень интересно. Теперь мы можем оценить потенциал урожайности каждого поля сельскохозяйственных культур по всему миру. Полученные результаты дают фермерам фантастическую возможность оценить текущую производительность и направить устойчивую интенсификацию сельскохозяйственных систем по всему миру», – сказал Грассини, который создал Глобальный атлас разрывов в урожайности вместе с коллегами из Вагенингенского университета в Вагенингене (Нидерланды).
Новый подход, который авторы называют «метамоделью», использует машинное обучение для создания методологии, применяемой в Глобальном атласе недостатков производительности, включает в себя сложный набор данных и тонкий аналитический подход, который повышает его точность. «Мы провели перекрестную проверку с учетом геопространственного расположения различных населенных пунктов и получили погрешность 15/20 %, что является хорошей точностью для такого рода оценок», – говорит Арамбуру-Мерлос.
Новые карты можно бесплатно загрузить из хранилища и открыть с помощью любого программного обеспечения для геоинформационных систем.