Enhancing Strawberry Yield Forecasting with Backcasted IoT Sensor Data and Machine Learning
Diese Studie zeigt, dass die Integration von KI-generierten, rückwärtsgerichteten (backcasted) IoT-Sensordaten mit historischen Aufzeichnungen die Genauigkeit von Modellen zur Vorhersage des Erdbeerertrags im Vergleich zur ausschließlichen Verwendung von realen Sensor- und Wetterdaten signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen einem Koch beizubringen, wie man exakt vorhersagt, wie viele Erdbeeren eine Farm im nächsten Jahr ernten wird. Um dies zu tun, benötigt der Koch ein Rezeptbuch voller vergangener Erfahrungen: wie viel Wasser die Pflanzen getrunken haben, wie heiß oder kalt es im Gewächshaus war, wie viel Sonnenlicht sie bekamen und was die tatsächliche Ernte war.
Das Problem? Die Farm hat erst vor zwei Jahren angefangen, dieses detaillierte Rezeptbuch (mithilfe smarter Sensoren) zu führen. Aber die Farm baut bereits seit vier Jahren Erdbeeren an. Der Koch steckt mit einem Rezeptbuch fest, das zwei leere Seiten hat. Ohne diese fehlenden Seiten kann der Koch die ganze Geschichte nicht lernen, und die Vorhersagen sind nicht besonders gut.
Dieses Papier handelt von einem cleveren Trick, den die Forscher verwendet haben, um diese leeren Seiten auszufüllen, damit der Koch besser lernen kann.
Das Problem: Fehlende Seiten im Rezeptbuch
Die Forscher installierten smarte Sensoren in Erdbeer-Gewächshäusern (Polytunneln) in Schottland. Diese Sensoren fungierten wie ein hochtechnologisches Tagebuch, das Dinge wie Temperatur, Luftfeuchtigkeit, Bodenfeuchtigkeit und Wasserverbrauch jede Stunde aufzeichnete.
Sie hatten dieses „Tagebuch“ jedoch nur für die letzten zwei Anbausaisons. Sie verfügten auch über die Erntemengen (den Ertrag) für vier Saisons. Sie wollten all diese vier Jahre an Erntedaten nutzen, um eine KI darauf zu trainieren, zukünftige Erträge vorherzusagen, aber ihnen fehlte das Sensor-„Tagebuch“ für die ersten zwei Jahre. Es ist, als versuche man, ein Puzzle zu lösen, bei dem die Hälfte der Teile fehlt.
Die Lösung: „Backcasting“ (Den Film zurückspulen)
Anstatt zwei weitere Jahre zu warten, um mehr Daten zu erhalten, erfanden die Forscher eine Methode namens Backcasting.
Denken Sie an Folgendes: Stellen Sie sich vor, Sie haben ein Video von einem Sturm vor Ihrem Haus (von einer nationalen Wetterstation), aber Sie haben keine Kamera im Haus, um zu sehen, wie der Wind die Fenster zum Klappern brachte. Sie haben jedoch ein Video des Sturms aus den letzten zwei Jahren, in denen Sie tatsächlich eine Innenkamera hatten.
Die Forscher nutzten die „Innenkamera“-Aufnahmen der letzten zwei Jahre, um die Beziehung zwischen dem Sturm draußen und dem Geschehen im Gewächshaus zu verstehen. Sobald sie diese Beziehung verstanden hatten, gingen sie in der Zeit zurück. Sie nahmen die „Sturm draußen“-Videos aus den zwei Jahren, in denen sie keine Innenkamera hatten, und nutzten die gelernte Beziehung, um zu raten (oder zu synthetisieren), welche Bedingungen im Inneren des Gewächshauses herrscht haben müssen.
Sie nannten dies „synthetische Daten“. Es waren keine echten Sensormessungen, sondern eine sehr fundierte Schätzung basierend auf echten Wetterdaten und den bereits beobachteten Mustern.
Das Experiment: Den neuen Rezepttest durchführen
Die Forscher brachten dann drei verschiedene Arten von KI-„Köchen“ (Maschinelles Lernen-Modelle) bei, Erdbeererträge vorherzusagen. Sie testeten dies auf zwei Arten:
- Der alte Weg: Die KI nur mit den zwei Jahren an echten Sensordaten zu unterrichten.
- Der neue Weg: Die KI mit dem kombinierten Datensatz (echte Daten + „geratene“/synthetische Daten) zu unterrichten.
Die Ergebnisse: Mehr Daten bedeuten bessere Schätzungen
Die Ergebnisse waren eindeutig:
- Der „alte Weg“ hatte Schwierigkeiten: Als die KI nur mit den begrenzten echten Daten gefüttert wurde, verwirrten zusätzliche Umweltdetails (wie Temperatur oder Luftfeuchtigkeit) sie sogar. Sie hatte nicht genügend Beispiele, um zu lernen, wie diese Details die Erdbeeren beeinflussten.
- Der „neue Weg“ war erfolgreich: Als die KI mit dem kombinierten Datensatz (echte + synthetische Daten) gefüttert wurde, verbesserten sich ihre Vorhersagen erheblich. Die Modelle, die die „geratenen“ Sensordaten verwendeten, waren deutlich genauer als jene, die dies nicht taten.
Interessanterweise lernte die KI, dass die spezifischen Bedingungen innerhalb des Gewächshauses (gemessen durch die Sensoren) wichtiger für die Vorhersage der Ernte waren, als nur das allgemeine Wetter draußen zu kennen. Durch das Auffüllen der fehlenden Sensorseiten konnte die KI endlich das gesamte Bild sehen.
Das Fazzeit
Das Paper zeigt, dass man nicht jahrelang warten muss, um mehr Daten zu sammeln, wenn man nicht über genügend historische Daten aus seinen smarten Sensoren verfügt. Man kann einen „Zeitreise“-Trick (Backcasting) verwenden, um zu rekonstruieren, was die Sensoren in der Vergangenheit wahrscheinlich aufgezeichnet haben, indem man zuverlässige Wetterstationsdaten nutzt. Dies gibt Ihrer KI eine viel größere Bibliothek an Beispielen, aus denen sie lernen kann, was zu wesentlich besseren Vorhersagen darüber führt, wie viel Frucht geerntet wird.
Wichtiger Hinweis: Die Forscher betonen, dass dies eine „retrospektive“ Studie war. Sie haben in die Vergangenheit geschaut, um zu beweisen, dass die Methode funktioniert. Sie haben nicht behauptet, dass diese Methode perfekt ist, um die Zukunft in Echtzeit vorherzusagen, noch dass sie für jede Art von Farm oder Klima funktioniert, aber sie ist ein leistungsstarkes Werkzeug für Farmen, die gerade erst damit beginnen, Daten zu sammeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.