Phys.org: Як штучний інтелект допомагає створювати карти врожаїв у глобальному масштабі
Використання штучного інтелекту (ШІ) для створення карт посівів може докорінно змінити сільське господарство, забезпечивши фермерів та урядовців інструментами для ефективнішого планування, боротьби зі змінами клімату та продовольчими кризами.
Використання штучного інтелекту (ШІ) для створення карт посівів може докорінно змінити сільське господарство, забезпечивши фермерів та урядовців інструментами для ефективнішого планування, боротьби зі змінами клімату та продовольчими кризами.
Саме цій меті присвячене дослідження аспіранта Університету Іллінойсу в Урбана-Шампейн І-Чіа Чана, яке вже схвалене до презентації на конференції IEEE IGARSS 2025.
Що таке картографування врожаїв?
Картографування врожаїв — це створення карт, які фіксують, що саме вирощується на полях у певному регіоні. Для цього використовують супутникові знімки та машинне навчання. Такі карти є критично важливими для:
- планування сільськогосподарського сезону,
- прогнозування врожайності,
- моніторингу хвороб,
- аналізу рівня опадів,
- розумного управління земельними ресурсами (smart farming).
Ці інструменти стають основою як для фермерів, так і для урядовців, які визначають, які культури субсидіювати, де очікуються дефіцити і як підтримувати продовольчу безпеку.
Роль ШІ у створенні карт
Звичайні методи збору інформації не справляються з масштабами — лише в США мільйони акрів землі під сільське господарство. Експертів не вистачає, і тут на допомогу приходить машинне навчання.
«Машини вчаться розпізнавати культури на супутникових знімках і позначати їх на мапах. Це набагато ефективніше та масштабованіше, ніж ручна праця», — пояснює І-Чіа Чан.
У своїй роботі він порівняв три моделі глибокого навчання на прикладі чотирьох злакових культур: кукурудза, соя, рис і пшениця. Його команда вивчала, як ці моделі працюють на знайомих (in-distribution) і нових (out-of-distribution) регіонах.
Глобальний виклик: геопросторове зміщення
Одна з головних проблем, яку розглядає дослідження, — геопросторове зміщення (geospatial bias). Моделі, навчені на даних з добре досліджених країн, можуть некоректно працювати в нових або слаборозвинених регіонах. А це критично у світі, де продовольча безпека потребує глобальних рішень.
«Ми гармонізували дані про типи культур на п’яти континентах і з’ясували, що моделі, попередньо натреновані на повному спектрі супутникових даних Sentinel-2, показують кращі результати», — зазначає Чан.
Також виявилося, що навіть коли “знайомих” даних обмаль, включення нових (out-of-distribution) значно покращує точність. Однак ідеальним лишається створення глобально збалансованих і добре маркованих датасетів.
Технологічна інфраструктура: Delta та TorchGeo
Проєкт Чана використовує ресурси HPC-платформи Delta, що надає потужності GPU та об’ємне сховище. Для його моделі знадобилося понад 50 ТБ супутникових зображень, а навчання моделей скоротилося з годин на CPU до хвилин на GPU.
«Delta була простою у використанні. Адміністратори швидко схвалили доступ до GPU та сховищ, а технічна підтримка допомогла з налагодженням. Особлива подяка Бретту Боду, який допоміг виділити понад 50 ТБ», — каже дослідник.
Його алгоритми вже інтегровані в TorchGeo — відкриту бібліотеку для геопросторового машинного навчання. Це означає, що інші дослідники можуть легко розвивати роботу Чана.
Плани на майбутнє
«Наше майбутнє дослідження зосередиться на розширенні датасетів типів культур та створенні попередньо навчених моделей саме для сільського господарства. Ми також створимо еталонні показники для застосування foundation models у таких завданнях, як картографування культур і прогнозування врожайності», — каже Чан.
Мета — об’єднати GeoAI з глобальними рішеннями в галузі продовольчої безпеки, щоб побудувати більш точну, справедливу та масштабовану систему агромоніторингу.
Чому це важливо знати
Дослідження І-Чіа Чана демонструє, як штучний інтелект може стати ключем до вирішення глобальних продовольчих викликів. У світі, де змінюється клімат, зростає населення і нестабільна політика, точні карти врожаїв стають критичним інструментом. Застосування AI-моделей у менш досліджених регіонах дозволяє не лише планувати ефективніше, але й справедливіше розподіляти ресурси, запобігати голоду та ухвалювати політики на основі реальних даних. Це — крок до глобальної продовольчої справедливості.
