Tuy nhiên, những tiến bộ gần đây trong trí tuệ nhân tạo và học máy, đặc biệt là học sâu với mạng nơ ron tích chập (CNN), đưa ra các giải pháp đầy hứa hẹn. Để khám phá phạm vi của công nghệ mới này, các nhà nghiên cứu từ Nhật Bản đã tiến hành một nghiên cứu tập trung vào lúa gạo. Họ đã sử dụng các hình ảnh kỹ thuật số trên mặt đất được chụp ở giai đoạn thu hoạch của vụ mùa, kết hợp với CNN để ước tính năng suất lúa. Nghiên cứu của họ được đăng tải trực tuyến trên tạp chí Hiện tượng thực vật.

Tiến sĩ Yu Tanaka, Phó Giáo sư tại Đại học OKama, người đứng đầu nghiên cứu, cho biết: “Chúng tôi bắt đầu bằng việc tiến hành một chiến dịch trên diện rộng. Chúng tôi thu thập hình ảnh tán cây lúa và dữ liệu về năng suất hạt thô từ 20 địa điểm ở bảy quốc gia để tạo ra một cơ sở dữ liệu đa quốc gia toàn diện”.

Các hình ảnh được chụp bằng máy ảnh kỹ thuật số có thể thu thập dữ liệu cần thiết từ khoảng cách 0,8-0,9 mét, theo chiều dọc từ tán lúa xuống. Với Tiến sĩ Kazuki Saito của Viện Nghiên cứu Lúa gạo Quốc tế và các cộng tác viên khác, nhóm đã tạo thành công cơ sở dữ liệu gồm 4.820 dữ liệu về năng suất của các lô thu hoạch và 22.067 hình ảnh, bao gồm nhiều giống lúa, hệ thống sản xuất và thực hành quản lý cây trồng khác nhau.

Tiếp theo, một mô hình CNN được phát triển để ước tính năng suất hạt cho từng hình ảnh được thu thập. Nhóm nghiên cứu đã sử dụng phương pháp che khuất thị giác để hình dung hiệu ứng cộng gộp của các vùng khác nhau trong hình ảnh tán lúa. Nó liên quan đến việc che các phần cụ thể của hình ảnh và quan sát ước tính năng suất của mô hình thay đổi như thế nào. Những hiểu biết sâu sắc thu được từ phương pháp này cho phép các nhà nghiên cứu hiểu cách mô hình CNN diễn giải các đặc điểm khác nhau trong hình ảnh tán cây lúa.

Mô hình hoạt động tốt, giải thích khoảng 68%-69% sự thay đổi năng suất trong các tập dữ liệu. Kết quả nghiên cứu nhấn mạnh tầm quan trọng của các bông hoa - cụm hoa phân nhánh lỏng lẻo - trong việc ước tính năng suất. Mô hình này có thể dự đoán năng suất chính xác trong giai đoạn chín và nhận biết các bông trưởng thành. Tuy nhiên, độ chính xác của nó giảm khi độ phân giải hình ảnh giảm.

Tuy nhiên, mô hình này tỏ ra rất hiệu quả, cho thấy độ chính xác tốt ở các góc chụp và thời điểm khác nhau trong ngày. Tiến sĩ Tanaka nói: Nhìn chung, mô hình CNN được phát triển đã chứng tỏ khả năng đầy hứa hẹn trong việc ước tính năng suất hạt thô từ hình ảnh tán lá lúa trên các môi trường và giống cây trồng khác nhau. Một khía cạnh hấp dẫn khác là nó có hiệu quả cao về mặt chi phí và không yêu cầu cắt giảm cây trồng tốn nhiều công sức hoặc các công nghệ viễn thám phức tạp”.

Nghiên cứu nhấn mạnh tiềm năng của các mô hình dựa trên CNN để theo dõi năng suất lúa ở quy mô khu vực. Tuy nhiên, độ chính xác của mô hình có thể thay đổi trong các điều kiện khác nhau và nghiên cứu sâu hơn nên tập trung vào việc điều chỉnh mô hình phù hợp với môi trường năng suất thấp và mưa. Phương pháp dựa trên AI cũng đã được cung cấp cho nông dân và nhà nghiên cứu thông qua một ứng dụng điện thoại thông minh đơn giản, do đó cải thiện đáng kể khả năng tiếp cận công nghệ và các ứng dụng thực tế của nó. Tên của ứng dụng này là HOJO và nó đã có sẵn trên iOS và Android. Các nhà nghiên cứu hy vọng rằng nghiên cứu của họ sẽ giúp quản lý tốt hơn các cánh đồng lúa và hỗ trợ các chương trình nhân giống nhanh hơn, đóng góp tích cực vào các sáng kiến bền vững và sản xuất lương thực toàn cầu.

Nguồn: https://www.mard.gov.vn/Pages/tri-tue-nhan-tao-co-the-uoc-tinh-nang-suat-lua.aspx