Mesterséges adatok a valósághoz igazítva
A kutatók egy fejlett 3D sugárzási transzfermodellel generáltak nagy mennyiségű, a valósághoz igazított szintetikus adathalmazt, amelyet drónos megfigyelésekkel is összevetettek, így az eredmények több évjáratban és bonyolultabb növényállomány esetén is stabilak maradtak. Innen indult a tudásvezérelt (KGCNN) mesterséges intelligenciamodelljük, amelyet először a mesterséges adatokon képeztek, majd a 2021-es helyszíni mintákkal finomhangoltak, átültetve a tudást (transfer learning technika).
Hiába minden klasszikus módszer, lemaradnak
A gépi tanulással támogatott, 3D modellen alapuló KGCNN + TL keretrendszer 2022-ben és 2023-ban is erős általánosításra volt képes, hibája minimális maradt (RMSE: 0,49), pontossága pedig maximum 0,53-as R értékig javult. Sűrű lombozat idején minimális alábecslés előfordult, de még így is jobban teljesített, mint a régi PROSAIL egydimenziós modellek (PROSAIL 1D models), vagy a különböző RNN (rekurrens neurális hálózatok) és LSTM (hosszú távú memóriájú hálózatok) alapú gépi modellek.
Robusztus modell: nem számít, mit hoz a következő szezon
A KGCNN modellen elvégzett módosítások azt mutatták, hogy a konvolúciós csatornák számának növelése látványosan javítja a tanulási képességet és a modell megbízhatóságát. A legjobb összeállítás a vizsgált tesztekben 0,87-es R-rel (és 0,54-es RMSE-vel) szerepelt. Ez az MI-alapú, szimulált adatokra is támaszkodó rendszer jövőbemutató, skálázható távérzékelési eszközt ad a precíziós mezőgazdaságnak: a kutató, a gazda és az agronómus végre kap egy valóban megbízható megoldást, amellyel éveken át, változó körülmények között is nyomon tudja követni a növényzet fejlődését.
