Il cambiamento climatico sta aumentando il rischio di bassi raccolti in più regioni, il che potrebbe causare una crisi globale. I ricercatori della Zhejiang University e della società di gestione del rischio, Tongdun Technology, entrambe con sede a Hangzhou, in Cina, hanno migliorato le previsioni sui raccolti utilizzando tecniche di “deep learning”. Si tratta di metodi informatici promettenti che possono spiegare il modo in cui la resa delle colture può essere influenzata dall’ubicazione dei terreni agricoli e possono aiutare a consegnare ad agricoltori e rappresentanti delle istituzioni previsioni più accurate.
La previsione della resa delle colture è una parte importante dell’agricoltura che, storicamente, è consistita nel tenere traccia di fattori come le condizioni meteorologiche e del suolo. Fare previsioni più accurate permette agli agricoltori di prendere più facilmente decisioni finanziarie per le loro attività e aiuta i governi a evitare catastrofi, come le carestie. Il cambiamento climatico e l’aumento della produzione alimentare hanno reso ancora più importanti queste previsioni, essendoci sempre meno spazio per gli errori predittivi o statistici. Molte delle variabili utilizzate per prevedere la futura resa delle colture, come il clima, la qualità del suolo e i metodi di gestione delle colture, sono sempre le stesse, ma negli ultimi anni le tecniche di modellazione e di predizione sono diventate più sofisticate. Le tecniche di deep learning non solo possono calcolare in che modo alcune variabili, come precipitazioni e temperatura, influenzano la resa delle colture ma possono calcolare anche come queste si influenzano a vicenda. I benefici dell’aumento delle piogge, ad esempio, possono essere annullati da temperature estremamente elevate… Il modo in cui le variabili interagiscono loro, quindi, può portare a risultati diversi rispetto a quelli ottenuti analizzando ciascuna variabile in modo indipendente.
Nel loro studio, i ricercatori hanno utilizzato una rete neurale ricorrente, che è uno strumento di apprendimento profondo, gestito da intelligenza artificiale, che tiene traccia delle relazioni di diverse variabili nel tempo, per aiutare a catturare “dipendenze temporali complesse” che, in questo caso, influenzano la resa del raccolto. “Le variabili relative alla resa delle colture influenzate dal tempo includono temperatura, luce solare e precipitazioni”, ha affermato Chao Wu, ricercatore presso l’Università di Zhejiang e co-autore dell’articolo. Wu ha affermato che questi fattori “cambiano nel tempo, interagiscono tra loro in modi complessi e il loro impatto sulla resa delle colture è generalmente cumulativo”. “Questo strumento è anche in grado di dedurre l’effetto di variabili difficili da quantificare, come i costanti miglioramenti nelle tecniche di allevamento e di coltivazione agricola”, ha affermato Wu. Di conseguenza, il loro modello ha tratto vantaggio dall’acquisizione di tendenze più ampie che si sono estese nel tempo.
I ricercatori volevano anche incorporare informazioni “spaziali”, tra cui informazioni sulla vicinanza tra due regioni di terreni agricoli per aiutare a determinare se i loro raccolti possono essere simili. Per fare ciò, hanno combinato la loro rete neurale ricorrente con una rete neurale “a grafo”, che rappresenta la distanza geografica, per determinare in che modo le previsioni per località particolari vengano influenzate dall’area circostante. In altre parole, i ricercatori possono iniziare a includere informazioni sulle regioni adiacenti, per ciascuna area di terreno agricolo, e aiutare il modello a imparare dalle relazioni nel tempo e nello spazio. I ricercatori hanno testato il loro nuovo metodo utilizzando i dati sulla resa della soia degli Stati Uniti che sono stati pubblicati dal National Agricultural Statistics Service. Sono stati immessi dati climatici (tra cui precipitazioni, luce solare e pressione del vapore), dati del suolo (come conduttività elettrica, acidità e composizione del suolo) e dati gestionali (come la percentuale di campi coltivati)… Il modello è stato addestrato sui dati della resa di soia sulla base di tutto quell’arco temporale che va dal 1980 al 2013 e testato utilizzando i dati dal 2015 al 2017. Rispetto ai modelli esistenti, il metodo proposto ha funzionato significativamente meglio dei modelli addestrati utilizzando metodi non di deep learning e meglio, anche, di altri metodi di deep learning che non tenevano conto delle relazioni spaziali.
Nel loro lavoro futuro, i ricercatori vogliono rendere i dati di addestramento più dinamici e aggiungere nuove funzionalità di sicurezza al processo di addestramento del modello. Attualmente, il modello viene addestrato su dati che sono stati già aggregati, il che non consente la possibilità di mantenere privati i dati proprietari. “Questo potrebbe essere un problema se dati come i raccolti e le pratiche di gestione agricola vengono visti dai concorrenti e utilizzati per ottenere un vantaggio sleale sul mercato”, ha affermato Wu, che continua: “i dati agricoli, come l’ubicazione dell’azienda agricola e i raccolti” potrebbero anche rendere gli agricoltori vulnerabili come bersaglio di truffe e furti. La possibilità di divulgazione dei dati potrebbe anche scoraggiare la partecipazione, diminuendo la quantità di dati disponibili per l’addestramento e influenzando negativamente l’accuratezza dei modelli addestrati”. I ricercatori sperano di utilizzare un approccio di apprendimento “federato” per addestrare futuri modelli di predizione di rendimento delle colture, che consentiranno di avere aggiornare un modello globale mantenendo diverse fonti di dati isolate l’una dall’altra.I dati sono stati presentati alla ventiseiesima Conferenza internazionale sul lavoro cooperativo supportato da computer nel design, tenutasi dal 24 al 26 maggio a Rio de Janeiro.
