ماهوارهها، ابررایانهها و یادگیریهای ماشینی زمان واقعی چیدن محصولات را ارائه میدهند
مزارع ذرت و سویا از فضا به یکشکل دیده میشوند یا حداقل درگذشته اینگونه بود. امروزه، دانشمندان با استفاده از دادههای ماهوارهای و قدرت پردازش ابرکامپیوترها روش جدیدی را برای تشخیص این دو محصول از هم پیداکردهاند.
کایو گویان (Kaiyu Guan) استادیار گروه علوم منابع طبیعی و محیطزیست (Natural Resources and Environmental Sciences) در دانشگاه ایلینویز (Illinois)، مسئول ابررایانه بلو واترز (Blue Waters) در مرکز ملی نرمافزارهای ابررایانهای (National Center for Supercomputing Applications) ، به اختصار انسیاسای (NCSA)، و محقق اصلی این پژوهش میگوید: «اگر بخواهیم میزان محصولات ذرت یا سویا را برای ایلینویز یا تمام امریکا پیشبینی کنیم باید محل دقیق رشد آنها را بدانیم.»
نتایجی که در مجله سنجشازدور محیطزیست (Remote Sensing of Environment) منتشر شد یک پیشرفت شگرف در این زمینه را نشان میداد، درگذشته، نتایج بررسی زمینهای ذرت و سویا ۴تا ۶ماه پس از برداشت، توسط اداره کشاورزی ایالاتمتحده (United States Department of Agriculture) یا یواسدیای (USDA) در اختیار عموم قرار میگرفتند. اما، این روش جدید میتواند این دو محصول را با دقت ۹۵درصد، دو یا سه ماه بعد از کشت، یعنی در انتهای ماه جولای برای هر مزرعه ، از یکدیگر تمییز دهد.
محققان معتقدند که اینگونه پیشبینیهای بهموقع میتواند برای انواع برنامههای نظارت و تصمیمگیری ازجمله بیمههای کشاورزی، اجاره زمینها، تدارکات زنجیره تأمین، بازار کالا و موارد دیگر مناسب باشد، هرچند که طبق گفتههای گویان، ارزش علمی و ارزش عملی این کار به یکمیزان ارزشمند است.
گویان میگوید: «بیشتر تلاشهای گذشته برای تمییز دادن ذرت از سویا، با استفاده از تصاویری بود که در قسمتهای قابلمشاهده و نزدیک به طیف مادونقرمز قرار میگرفتند»، این تصاویر را مجموعهای از ماهوارهها که بانام لند ست (Land Sat) شناخته میشوند و ۴۰ سال است که بهصورت مداوم در حال چرخش به دور زمین هستند، جمعآوری میکنند، اما گویان و گروهش تصمیم گرفتند تا روش متفاوتی را امتحان کنند.
یاپینگ کای (Yaping Cai) دانشجوی دکترا و اولین نویسنده این اثر که دستورهای گویان و یکی دیگر از نویسندگان ارشد، شاوون وانگ (Shaowen Wang) در گروه جغرافیای دانشگاه لوا (Iowa) را دنبال کرده است میگوید:« یک نوار طیفی کوتاه موج مادونقرمز (SWIR) را کشف کردیم».
به نظر میرسد که ذرت و سویا در ماه ژانویه اکثر سالها وضعیت آب برگ (leaf water)، (متغیری که با استفاده از آن میتوانیم میزان آب گیاه را اندازهگیری کنیم) متفاوتی دارند. این گروه، از دادههای اسدابلیوآیآر (SWIR) و سایر دادههای طیفی از سه ماهواره لندست در ۱۵سال گذشته استفاده و بهطور مداوم وضعیت سیگنال آب برگ را بررسی میکردند.
گویان به این نتیجه رسید که نوار اسدابلیوآیآر نسبت به آب درون برگ حساس است و این سیگنال نمیتواند از نور قدیمی آرجیبی (RGB) ،مرئی، یا نزدیک به مادونقرمز دریافت شود، بنابراین اسدابلیوآیآر برای تمییز دادن ذرت از سویا بسیار مفید است.
دانشمندان برای بررسی دادهها از نوعی یادگیری ماشینی (machine-learning) استفاده کردند که تحت عنوان شبکه عصبی عمیق (deep neural network) شناخته میشود.
جیان پنگ (Jian Peng) استادیار گروه علوم کامپیوتر در دانشگاه لوا و همکار نویسنده و همکار پژوهشگر این تحقیق میگوید: «پیشبینی میشود استفاده از یادگیری عمیق که بهتازگی برای مقاصد کشاورزی بکار گرفتهشدهاند برای نوآوریهای آینده مؤثر است .»
باوجوداینکه این گروه تحقیقاتش را در شهر چمپین (Champaign) و ایلینویز متمرکز کرده بود و این منطقه نسبتاً کوچک بود اما بررسی دادههای ماهوارهای ۱۵سال اخیر با وضوح سی متری، هنوز به ابررایانهای برای پردازش دهها ترابایت داده نیاز داشت.
گویان میگوید: «این میزان، حجم زیادی از دادههای ماهوارهای است. درگذشته، توانایی هوش فناوری، برای کنترل چنین حجم زیادی از دادهها و استفاده از یک الگوریتم پیشرفته یادگیری ماشینی، چالش بزرگی بود اما امروز ما ابرکامپیوترها و مهارتهای لازم برای رسیدگی به مجموعه دادهها راداریم و میتوانیم از ابررایانههایی مثل بلو واترز و راجر (ROGER ) در انسیاسای برای کنترل پردازش و استخراج دادههای مفید استفاده کنیم.»
این گروه در حال حاضر بر روی گسترش ناحیهی موردبررسی به تمام ناحیه کورن بلت (Corn Belt) بهمنظور نشان دادن کاربردهای متفاوتی از دادهها مثل برآوردهای کیفی کار میکنند.