Новая система на основе искусственного интеллекта может создавать карты урожайности сои с высоким разрешением по всей Бразилии, используя лишь ограниченные локальные данные, что улучшает оценки урожайности в этом ключевом сельскохозяйственном регионе и потенциально может принести стратегические выгоды мировым рынкам сои. В недавно опубликованной работе исследователей из Университета Иллинойса в Урбана-Шампейн демонстрируется инновационный подход, позволяющий получать высокоточные национальные оценки урожайности сои в Бразилии, даже в районах, где непосредственно предоставленные локальные данные об урожайности крайне ограничены. Используя знания, полученные в ходе предыдущих исследований в США с помощью так называемого трансферного обучения на основе ИИ, исследовательская группа смогла сделать подробные прогнозы урожайности на муниципальном уровне, используя данные об урожайности сои на уровне штатов Бразилии. Это одно из первых успешных общенациональных применений межмасштабных прогнозов урожайности на основе ИИ в сельском хозяйстве Бразилии. Результаты исследования изложены в статье, опубликованной в International Journal of Applied Earth Observations and Geoinformation . Устранение критического глобального пробела в данных Несмотря на то, что Бразилия в настоящее время является крупнейшим в мире производителем сои и крупным мировым экспортером продовольствия, высокоточные данные об урожайности бразильской сои по-прежнему в значительной степени недоступны. Эти данные необходимы для точного земледелия, управления рисками и планирования устойчивого развития, а дефицит данных препятствует научному пониманию этого важного сельскохозяйственного региона. Предыдущие модели урожайности сельскохозяйственных культур, которые опираются на приблизительные данные на уровне штатов для моделирования более точных прогнозов на муниципальном или полевом уровне, показали ограниченную эффективность в масштабах всей страны. Исследовательская группа разработала новую методику для более точного прогнозирования урожайности сои в масштабах всей страны, интегрируя спутниковые наблюдения, климатические данные и статистику урожайности на уровне штатов, используя методы трансферного обучения искусственного интеллекта в сочетании со знаниями, полученными из моделей, разработанных в США. Пространственные карты данных об урожайности показывают средневзвешенную по площади урожайность сои за все действительные годы для каждого муниципалитета (слева); и стандартное отклонение за все действительные годы в каждом муниципалитете. Источник: International Journal of Applied Earth Observation and Geoinformation (2025). DOI: 10.1016/j.jag.2025.104981 Примечательно, что модель для бразильской сои продемонстрировала высокую точность прогнозирования без использования каких-либо данных об урожайности на муниципальном уровне. Объясненная дисперсия (R ), ключевой показатель эффективности, в новой модели удвоилась по сравнению с традиционными исследованиями, охватывающими разные масштабы. При включении муниципальных данных эффективность еще больше улучшилась (R = 0,57), что сопоставимо с лучшими существующими подходами, которые опираются на гораздо более обширные данные. Сила трансфера знаний Ключевым нововведением исследования является использование трансферного обучения в искусственном интеллекте, которое позволяет ученым повторно использовать существующие модели, а не начинать с нуля в каждом регионе. Это позволяет получать подробную сельскохозяйственную информацию в районах, где сбор больших объемов местных данных был бы дорогостоящим, медленным или нецелесообразным. Для этой работы знания, полученные с помощью усовершенствованной модели, обученной прогнозировать урожайность сои в США, были адаптированы к условиям выращивания в Бразилии. Путем тонкой настройки американской модели с использованием только данных на уровне штатов или скудных данных на уровне муниципалитетов Бразилии исследователи смогли учесть различия в климате, фенологии культур и методах ведения сельского хозяйства между двумя странами. Первый автор, Цзяин Чжан, поясняет: Этот подход повысил эффективность прогнозирования урожайности в разных масштабах с 50% до 78% от теоретического верхнего предела, который мы определили как наилучшую производительность, достигнутую моделями, обученными на высокодетальных локальных данных об урожайности. Результаты показывают, что трансферное обучение на основе ИИ может преодолеть как проблемы дефицита данных, так и проблемы масштабируемости в сельскохозяйственном моделировании . Последствия для прогнозирования урожайности во всем мире Полученные результаты появились в решающий момент для мировых рынков сои. В 2018 году Бразилия впервые обогнала Соединенные Штаты, став крупнейшим в мире производителем сои. Возможность детального мониторинга и прогнозирования производства имеет важное значение для понимания глобального предложения сои, а также воздействия крупномасштабного сельского хозяйства в Бразилии на окружающую среду. Повышенная предсказуемость урожайности сои позволит более точно оценивать взаимосвязь спроса и предложения, изменения в землепользовании и влияние на здоровье почвы в масштабах всей страны, что обеспечит принятие более обоснованных решений. Возможность с высокой точностью отслеживать и прогнозировать урожайность сельскохозяйственных культур на региональном и глобальном уровнях имеет стратегическое значение для анализа рынка, прогнозирования торговли и оценки рисков для американских производителей сои , заявил руководитель проекта и старший автор Кайю Гуань, профессор кафедры имени Левеника и директор Центра устойчивого развития агроэкосистем в Университете Иллинойса. Данное исследование предлагает путь для применения передовых моделей урожайности в регионах мира с ограниченными данными, что способствует планированию продовольственной безопасности, управлению климатическими рисками и разработке научно обоснованной сельскохозяйственной политики. Используя модели, обученные в регионах с большим объемом данных, и адаптируя их к областям с дефицитом данных, этот подход открывает новые возможности для экономически эффективного глобального анализа сельскохозяйственной информации.
