تقوم OneSoil بتطوير تطبيقات المزارعين المجانية التي تُستخدم في أكثر من 180 دولة حول العالم. في عملنا ، نستخدم البيانات الضخمة والتعلم الآلي ، والسعي المنفصل بالنسبة لنا هو العثور على بيانات الحقيقة الأساسية. إليك كيفية حل هذه المهمة غير التافهة.
لماذا تعلم الآلة من OneSoil؟ تحديد حدود الحقول والمحاصيل والمراحل الفينولوجية والغلات ومواعيد البذر ومواعيد الحصاد باستخدام صور الأقمار الصناعية. كل هذا إما موجود بالفعل في تطبيقات OneSoil ، أو سيظهر هناك في المستقبل القريب.
لنلق نظرة على مثال تحديد حدود الحقول باستخدام صور الأقمار الصناعية. بالنسبة للمزارع ، يعد تحديد حدود حقله الخطوة الأولى في عملية رقمنة مزرعته. هذا هو حجر الزاوية الذي بدونه لا يمكن عمل تطبيق آخر. والمهمة ليست بهذه البساطة: من قبل ، حلها المزارعون بسبب حقيقة أنهم سافروا حول حقولهم باستخدام أجهزة تعقب GPS على مركبات ATV ، وعانوا مع خرائط تقويم العظام ، باختصار ، كانت باهظة الثمن وطويلة. من ناحية أخرى ، تعلمت OneSoil التعرف على حدود المجال باستخدام صور الأقمار الصناعية: تفتح التطبيق ، وتضغط على زر "إضافة حقول" ، ثم حدد الخاص بك على الخريطة مع الحقول المعترف بها ، وهذا كل شيء.
كيف فعلنا ذلك؟ في البداية ، كان لدينا بيانات من عدد قليل من المزارع في بيلاروسيا ودول البلطيق ، باستخدام خوارزميات التعلم الآلي التي تعلمت التنبؤ بحدود المجال. لقد عملت على النحو التالي: لكل حقل حقيقي (الحدود التي عرفناها بفضل المزارع) ، قمنا بحساب منطقة التطابق مع الحدود التي تنبأت بها الخوارزميات. إذا قامت الخوارزمية بتدوير أقسام غير ضرورية ، فستتلقى غرامة على ذلك. لذلك درس. يسمى هذا المؤشر بالتقاطع على الاتحاد ، ويمكن أن يأخذ قيمًا من 0 إلى 1 ، حيث يمثل 1 تطابقًا تامًا. في بلدنا ، يختلف هذا المؤشر من منطقة إلى أخرى ، ولكنه في المتوسط يتراوح بين 0.85 و 0.88.
ثم بدأنا نعرض على الشبكة العصبية ملايين الصور للحقول الزراعية لكي تتعلم كيفية تحديد مكان الحقل وأين لا. تستغرق الخوارزمية وقتًا طويلاً للتعلم ، فنحن ننظر إلى النتائج ونحسنها عدة مرات حتى تصبح دقة تحديد حدود المجال لمنطقة معينة جيدة. كيف نفهم أن الدقة قد تحسنت؟ مرة أخرى ، نقارن حساباتنا بالبيانات الحقيقية في الحقول. يوجد الآن 57 دولة نجيد فيها تحديد حدود المجال.
عندما نحدد الحقول بثقة ، على سبيل المثال ، في أوكرانيا ، فإن هذا لا يعني أن كل شيء سيعمل بنفس الطريقة في مكان ما في البرازيل - بعد كل شيء ، هناك حقولهم الخاصة وخصائصهم الزراعية الخاصة. لذلك ، نحتاج إلى بيانات حقيقية مرة أخرى لتنقيح وتحسين خوارزمية لدينا.
. , . ? .
OneSoil , , , . — R&D .
, . . (, ), , . , . , , . , . , . OneSoil , .
133 | 2,8 — , OneSoil. 2020 .
R&D , , . .
OneSoil Map 2018 (Guido Lemoine), Joint Research Center (JRC). (ESA) Data Science . « , - , — . — , ». R&D , JRC .
OneSoil — . , , . , , .
4 7 . , , — R&D. 2–3 . — . « 2020 100 » — .
2018 CEO . , . , : « ». .
, . . 50 , OneSoil .
392 | 126 — ground truth . 2020 .
عندما يكون لدينا الكثير من البيانات من مصادر مفتوحة ومن شركاء مختلفين ، نقوم بتحسين خوارزمياتنا التي نستخدمها بالفعل في تطبيقات OneSoil (أو ستكون في المستقبل القريب). عندما يكون لدينا الكثير من البيانات من المستخدمين ، نقوم مرة أخرى بتحسين دقة حساباتنا. هذه هي الطريقة التي تعمل بها البيانات والتكنولوجيا لبعضهما البعض.