人工智能工具的作物产量和获利能力

多州研究团队正在使用人工智能来提高美国的农作物产量

该小组一直在测试三种可以节省时间并提高产量的不同资源：

农业杀剂剂

农艺研究的圣杯正在识别并采用田间规模上最好的农作物系统，从而最大程度地提高了产量，盈利能力和可持续性。

但是这个过程很困难，因为多种因素（超过可以在复制试验中可以同时评估的因素）相互作用以影响产量。

当前的研究方法的另一个关键问题是，他们不考虑高度可变和特定于农场的管理成本（例如，不同的农民通常为类似种子支付不同的价格）。

传统复制现场试验的结果不能用于推荐现场级别的可行知识，同时考虑所有不确定性来源。

Enter，Agroptimizer（Agroptimizer.com），这是一种新的机器学习，基于云的决策支持工具，旨在优化玉米和大豆种植系统。它分析了数千种潜在组合，以推荐每个字段最有利可图的解决方案。

IT在现场位置，土壤类型，天气，管理实践和特定于现场的生产成本中的因素，并涵盖了整个美国中北部大豆地区。

在最近的一项研究中，AgroPtimizer与当地专家的建议相匹配，并始终如一地提供高收益，高利润的结果。

作为美国农民可用的唯一同类工具，AgroPtimizer将在未来三年内对美国中北部地区进行进一步评估。

优先用卫星侦察

由于天气和害虫分布不确定性，预测田间与虫害相关的屈服压力和非生物压力源具有挑战性。

农民通常依靠劳动密集型的侦察或诉讼措施来进行预防性输入应用，而无需快速评估这些因素。这种方法可能导致资源浪费，增加害虫抵抗力并减少长期可持续性。

为了解决这个问题，已经开发了一种杠杆化卫星图像的工具。

该系统自动提取每60 x 60英尺的场段的归一化植被差异指数，识别具有较低指数值的区域，这些区域可能表明限制因素，例如害虫或杂草，以帮助生产者优先确定侦察位置。

基于归一化植被差异指数的地图突出了至关重要的侦察区域，每五到10天都会使用新的无云卫星图像进行更新，以为农民提供及时，可行的见解，以优化投入使用并最大程度地提高可持续性。

开放作物经理

Open Crop Manager（Open-Crop.vmhost.psu.edu）是一种基于云的决策支持工具，可简化现场裁剪侦察和数据收集。

借助用户友好的界面，经理可以在农场和现场量表上收集有关农作物生产实践的详细数据。

它涵盖了32例害虫，37种疾病，48种杂草和28个非生物问题。

在2022年至2023年之间，对10个州进行了开放作物经理的测试，产生了8,000个观察结果并收集了7,743张图像。

开放的作物经理优先考虑数据隐私，通过用户授权，数据扰动和结果概括来保护敏感信息。

添加了新工具和应用程序，其灵活的平台正在不断扩展。开放的作物经理还将获得与Leafbyte这样的开源估算器集成的数字作物脱叶工具。

此功能将评估叶片食草动物水平并提供可操作的阈值（即，红光意味着待遇，黄光意味着在一周内重新样本，绿灯意味着低于阈值）。

这种整合增加了一种强大，快速且可重复的方法，以确定是否需要进行脱叶昆虫的干预。

有关这三个工具或整个人工智能项目的更多信息，请单击这里或联系各个国家的主要扩展人：

•宾夕法尼亚州的保罗·埃斯克（Paul Esker），pde6@psu.edu

•威斯康星州肖恩·康利（Shawn Conley），spconley@wisc.edu

•伊利诺伊州尼古拉斯·塞特勒（Nicholas Seitler），nseiter@illinois.edu

•印第安纳州克里斯蒂安·克鲁普克（Christian Krupke），ckrupke@purdue.edu

•爱荷华州乔·麦克卢尔（Joe McClure），joem@iasoybeans.com

•密歇根州Maninderpal Singh，msingh@msu.edu

•密苏里州布雷克·巴洛（Blake Barlow），bbarlow@mosoy.org

•俄亥俄州劳拉·林赛（Laura Lindsey），lindsey.233@osu.edu，，，，

•内布拉斯加州的尼古拉斯·拉梅萨（Nicolas La Menza），nicolas.cafaro@unl.edu

•北达科他州 - 林赛·马龙（Lindsay Malone），lindsay.malone@ndsu.edu