許多國家的農業報告預測，到2027年，精準農業市場將達到129億美元，因此越來越需要開發能夠實時指導管理決策的復雜數據分析解決方案。伊利諾伊大學跨學科研究小組的一項新研究提供了一種有前途的方法，可以更有效，更準確地處理精密農業數據。

因為對于玉米種植者來說，決定何時以及何時施用氮肥是一個長期的挑戰。由于多種氮肥施用量和施用時間，包括種植時施用的所有氮肥和幾個發育階段的分批施用，氮肥對田間玉米的有害脅迫程度不同。基于此，此前伊利諾伊大學的科學家表明，被稱為立方體衛星的納米衛星可以在季節早期檢測到氮脅迫，這可能使農民有機會計劃季節性施氮肥并減輕作物的營養缺失問題。

雖然能夠實時檢測和解決作物營養狀況的變化對于避免在關鍵時期造成損害并優化產量至關重要，但通常，現有的衛星技術不能同時實現高空間分辨率和高訪問頻率（給定衛星多久回到地球上方的同一地點）。另外，無人駕駛飛機雖然可以實時檢測營養狀況，但是它們通常只能覆蓋本地區域。因此，它們的效用受到規模的限制。

但因為氮肥的低成本和高玉米產量的潛力促使農民使用額外的氮作為'保證'來防止氮素缺乏，從而很多時候會降低產量，并且施用過量的氮肥既有經濟風險，也有環境風險。于是科學家們做了一個結合，他們比較了無人機和立方體衛星的圖像，判斷它們的信號與每周從田間葉片獲取的組織氮測量值非常匹配，兩種技術都能夠在季節的同一時間以相似的準確度檢測葉綠素含量的變化。

最終他們通過新的衛星技術和生態系統建模，最終借助一種更好的肥料使用模型，實現可以最終幫助農民降低成本，增加產量，并同時減少可持續農業景觀的環境足跡。

在后續，該項技術又得到了新的研究突破。科學家發現預測作物產量對管理和環境變量的響應是優化養分管理的關鍵一步。隨著農業機械產生的數據量的增加，需要更復雜的模型來充分利用這些數據。

“我們正在嘗試改變人們進行農藝研究的方式。我們試圖做的不是直接建立一個小塊田地圖，運行統計數據和發布方法，而是更直接地涉及農民。我們正在與農民的農戶進行實驗。該研究的作者，伊利諾伊州作物科學系副教授Nicolas Martin說：“我們可以檢測特定地點對不同輸入的響應。我們還可以查看該字段的不同部分是否有響應。

他補充說：“我們開發了使用深度學習的方法來生成產量預測。該方法結合了來自不同地形變量，土壤電導率以及我們在中西部9個玉米田中應用的氮素和種子處理的信息。”

馬丁及其團隊處理了數據密集型農場管理項目的2017年和2018年數據，該項目在中西部，巴西，阿根廷和南非的226個田地以不同的速率施用了種子和氮肥。同時借助地面測量，同時用高分辨率衛星圖像配對從PlanetLab的預測產量。

他們將場數字化分解為5米（約16英尺）的正方形，將每個正方形的土壤，海拔，氮肥施用量和種子播種率的數據輸入計算機，目的是了解因素如何相互作用以預測那個正方形的產量。

研究人員通過一種稱為卷積神經網絡（CNN）的機器學習或人工智能進行了分析。某些類型的機器學習從模式開始，然后要求計算機將新的數據位放入這些現有模式中。卷積神經網絡對現有模式視而不見。取而代之的是，它們獲取少量數據并學習組織數據的模式，類似于人類通過大腦中的神經網絡組織新信息的方式。CNN的過程，其預測與產量高的精度，也被相對于其他機器學習算法和傳統的統計技術。

“我們真的不知道是什么導致了整個田間對投入物的產量響應產生差異。有時候人們有一個想法，即某個地點對氮的反應非常強烈，反之亦然。CNN可以接管可能會引起變化的農業隱藏模式。”馬丁說。“當我們比較幾種方法時，我們發現CNN很好地解釋了產量變化。”