Binärbasierter KI-Versuch zur Risikoidentifizierung auf landwirtschaftlichen Flächen

Landwirtschaftliche Aktivitäten sind verschiedenen Risiken ausgesetzt, die das Pflanzenwachstum und die Produktionsergebnisse beeinträchtigen können. Wetteränderungen, unangemessene Bodenfeuchtigkeit, extreme Temperaturen, Umweltbedingungen und Pflanzenstörungen sind einige der Dinge, die während des Anbauprozesses berücksichtigt werden müssen.

Landwirte führen die Überwachung in der Regel auf der Grundlage von Erfahrung und direkter Beobachtung durch. Dieser Ansatz spielt eine wichtige Rolle, aber Technologie kann dazu beitragen, die Überwachung strukturierter durchzuführen.

Binärbasierte Künstliche Intelligenz könnte einer der getesteten Ansätze sein. Mit dem System lässt sich klassifizieren, ob ein Zustand auf ein Risiko hinweist oder nicht.

Risikoerkennungskonzept

Im binären System kann das Risiko in zwei Klassen eingeteilt werden.

Ein Wert von 0 kann verwendet werden, um ein „unerkanntes Risiko“ anzuzeigen, während ein Wert von 1 verwendet wird, um einen „erkannten Risikohinweis“ anzuzeigen.

Beide Labels müssen auf Grundlage der Systemziele festgelegt werden. Wenn das System Anlagenzustände erkennen soll, die eine Inspektion erfordern, müssen die Daten auf der Grundlage relevanter Beobachtungen gekennzeichnet werden.

Das Modell lernt dann Muster aus den Daten.

Landwirtschaftliche Datenquellen

Das System kann verschiedene Datenquellen nutzen. Bodenfeuchtesensoren können Informationen über den Wasserzustand im Boden liefern. Temperatursensoren können Temperaturverhältnisse anzeigen. Niederschlagsdaten können zur Bestimmung von Umweltveränderungen verwendet werden.

Darüber hinaus können auch historische Aufzeichnungen verwendet werden. Diese Notizen können Pflanzzeit, Pflanzenbedingungen, Düngung, Bewässerung sowie aufgetretene Störungen enthalten.

Daten aus mehreren Quellen können zu einem umfassenderen Datensatz kombiniert werden.

Allerdings muss jede verwendete Variable einen eindeutigen Grund haben. Die Verwendung zu vieler irrelevanter Daten kann den Modellentwicklungsprozess tatsächlich erschweren.

Datenerfassungs- und Kennzeichnungsphase

Die erste Phase der Systementwicklung ist das Sammeln von Daten. Daten werden unter verschiedenen Bedingungen gesammelt, damit das Modell Umgebungsschwankungen erkennen kann.

Nachdem die Daten vorliegen, erfolgt die Kennzeichnung. Daten, die keinen Hinweis auf ein Risiko aufweisen, erhalten den Wert 0, während Daten, die einen Risikozustand anzeigen, den Wert 1 erhalten.

Die Beschriftung muss sorgfältig erfolgen, da die Qualität der Beschriftung die Lernergebnisse des Modells beeinflusst.

Wenn möglich, kann das Etikett durch direkte Beobachtung durch den Landwirt oder eine Person, die den Zustand der Pflanze versteht, überprüft werden.

Modelltrainingsprozess

Der fertige Datensatz wird dann in Trainingsdaten und Testdaten unterteilt. Trainingsdaten werden zum Erstellen des Modells verwendet, während Testdaten verwendet werden, um die Fähigkeit des Modells zur Durchführung einer Klassifizierung zu bestimmen.

Das Lernmodell sucht nach Beziehungen zwischen Eingabemerkmalen und Beschriftungen.

Sobald das Training abgeschlossen ist, kann das Modell für neue Daten verwendet werden. Das System erzeugt dann einen Wert von 0 oder 1.

Die Ergebnisse können über das Dashboard oder Benachrichtigungssystem angezeigt werden.

Frühwarnsystem

Eine Verwendung von binärer KI ist als Frühwarnsystem. Wenn das Modell einen Wert von 1 erzeugt, kann das System eine Benachrichtigung an den Landwirt senden.

In der Meldung muss nicht direkt darauf hingewiesen werden, dass die Anlage definitiv beschädigt ist. Das System kann Informationen wie „Risikohinweis erkannt, Feldinspektion durchführen“ verwenden.

Dieser Ansatz ist wichtig, da KI die Möglichkeit hat, Vorhersagefehler zu machen. Zur Bestätigung der tatsächlichen Bedingungen ist noch eine menschliche Inspektion erforderlich.

Leistungsbewertung

Die Auswertung kann mithilfe einer Verwirrungsmatrix erfolgen. Die Verwirrungsmatrix zeigt die Anzahl der richtigen und falschen Vorhersagen in jeder Klasse.

Aus diesen Daten können Genauigkeit, Präzision, Rückruf und F1-Score berechnet werden.

Bewertungszahlen allein reichen jedoch nicht aus. Das Modell muss auch unter verschiedenen Feldbedingungen getestet werden. Ein Modell, das bei einem bestimmten Datensatz eine gute Leistung erbringt, liefert möglicherweise nicht unbedingt die gleichen Ergebnisse, wenn es an einem anderen Ort verwendet wird.

Daher müssen kontinuierlich Feldtests durchgeführt werden.

Einschränkungen binärer Modelle

Das binäre Modell vereinfacht die landwirtschaftlichen Bedingungen in zwei Kategorien. Tatsächlich können Risiken in der Landwirtschaft verschiedene Ausmaße annehmen.

Pflanzen können sich beispielsweise in einem normalen Zustand befinden, unter leichtem Stress leiden, unter mäßigem Stress leiden oder unter Zuständen leiden, die eine sofortige Behandlung erfordern.

Wenn das System eine detailliertere Klassifizierung erfordert, kann ein Mehrklassenansatz in Betracht gezogen werden. Die binäre Klassifizierung kann jedoch immer noch ein Anfangsstadium sein, da sie einfacher zu testen und zu bewerten ist.

Schlussfolgerung

Binärbasierte KI kann als Ansatz zur Identifizierung von Risikohinweisen auf landwirtschaftlichen Flächen eingesetzt werden. Das System kann Sensordaten und historische Daten nutzen, um einfache Klassifizierungen zu erstellen.

Diese Anwendung hat das Potenzial, Landwirten dabei zu helfen, eine gezieltere Überwachung durchzuführen. Wenn das System Hinweise auf ein Risiko erkennt, können Landwirte weitere Kontrollen durchführen.

Die Versuche müssen weiterhin schrittweise durchgeführt werden, wobei auf Datenqualität, Bodeneigenschaften und Anlagenbedingungen geachtet werden muss. Mit diesem Prozess können KI-Modelle weiterentwickelt werden, um den landwirtschaftlichen Bedürfnissen besser gerecht zu werden.