ИИ-алгоритм TCSDG повысил точность прогнозов в сельском хозяйстве на 89%

Ученые разработали новый метод генерации синтетических данных TCSDG (Task-Conditioned Synthetic Data Generation), который значительно улучшает работу алгоритмов машинного обучения в сельском хозяйстве. Результаты опубликованы на сервере препринтов arXiv.

TCSDG комбинирует байесовскую сеть и трансформерную модель TabICL, создавая искусственные образцы данных, сохраняющие ключевые характеристики реальных измерений. Алгоритм тестировался на двух задачах: прогнозирование урожайности и классификация типов сельскохозяйственных культур.

Эксперименты проводились на двенадцати тестовых участках с разными долями обучающих данных и коэффициентами умножения синтетических выборок. В 89% случаев классификации культур и 74% прогнозов урожайности добавление сгенерированных данных повышало точность ML-моделей.

Сравнение с шестью другими алгоритмами синтетических данных показало, что TCSDG стабильно превосходит их по всем метрикам. Он стал единственным методом, который последовательно улучшал качество предсказаний в обоих типах задач.

Авторы подчеркивают, что проблема нехватки размеченных данных часто ограничивает применение ML в точном земледелии. TCSDG предлагает практичный и масштабируемый подход к решению этой проблемы, позволяя генерировать релевантные синтетические выборки.

Исходный код алгоритма опубликован в открытом доступе на GitHub. Разработчики надеются, что это ускорит внедрение ИИ в агросектор, помогая фермерам точнее прогнозировать урожаи и эффективнее управлять посевами.