På samme måde, som virtuelle assistenter hjælper os med at opdage vores næste yndlingssang, har en ny softwarepakke brugt avanceret maskinlæring til at hjælpe landmænd og agronomer med at finde ud af, hvad deres afgrøder og jord har brug for for at øge udbyttet på en bæredygtig måde, ifølge denne artikel udgivet af AGDaily.
De videnskabelige hold af Bayer Crop Science , Biome Makers testet og afsløret den første anvendelse af denne banebrydende teknologi på bioRxiv. Undersøgelsen og det resulterende videnskabelige papir beskriver analysen af jordens mikrobiome for at vurdere effektiviteten af Bayers biologiske fungicid Minuet. Specifikt tillod maskinlæringssoftware Bayer CS at forudsige forbedringer i kartoffeludbyttet før anvendelse af input. Det forventede resultat var et udbyttebump på op til 40 % i et af felterne testet i Idaho.
"Det er en unik tilgang til at udnytte jordens biologi og optimere brugen af afgrøde-input i retning af bæredygtige og økonomisk gunstige løsninger for at forbedre afgrødens produktivitet," sagde Varghese Thomas, projektleder hos Bayer CS.
Denne teknologi er et gigantisk spring fremad for agronomer, som indtil nu har manglet de nødvendige data til nøjagtigt at bestemme biologiske løsninger til deres sæsonbestemte jord- og afgrødebeslutninger. Jord er et værdifuldt aktiv til at øge afgrødeudbyttet og -kvaliteten, men som den ser ud i dag, er agronomiske anbefalinger baseret på ringe viden om de biologiske processer, der foregår i den. Men i dag, med tilgængeligheden af en virtuel AI-assistent til at hjælpe med at forudsige effekten af forskellige løsninger, ændrer spillet sig, og fremskridt hen imod et mere produktivt og bæredygtigt landbrugssystem.
AI er en ressource i konstant udvikling og bliver som sådan i øjeblikket "uddannet" til også at løse andre landbrugsproblemer, herunder spørgsmål om produkternes holdbarhed, næringsstofkvaliteten af produkterne og forventede kulstofkreditter baseret på brugen af forskellige produkter eller ledelsespraksis. Inputproducenter kan tilføje deres egen tilpassede løsning til AI-anbefalingssystemet ved at teste det under de strenge regler Gheom feltforsøgsprotokol.