许多国家的农业报告预测，到2027年，精准农业市场将达到129亿美元，因此越来越需要开发能够实时指导管理决策的复杂数据分析解决方案。伊利诺伊大学跨学科研究小组的一项新研究提供了一种有前途的方法，可以更有效，更准确地处理精密农业数据。
因为对于玉米种植者来说，决定何时以及何时施用氮肥是一个长期的挑战。由于多种氮肥施用量和施用时间，包括种植时施用的所有氮肥和几个发育阶段的分批施用，氮肥对田间玉米的有害胁迫程度不同。基于此，此前伊利诺伊大学的科学家表明，被称为立方体卫星的纳米卫星可以在季节早期检测到氮胁迫，这可能使农民有机会计划季节性施氮肥并减轻作物的营养缺失问题。
虽然能够实时检测和解决作物营养状况的变化对于避免在关键时期造成损害并优化产量至关重要，但通常，现有的卫星技术不能同时实现高空间分辨率和高访问频率（给定卫星多久回到地球上方的同一地点）。另外，无人驾驶飞机虽然可以实时检测营养状况，但是它们通常只能覆盖本地区域。因此，它们的效用受到规模的限制。
但因为氮肥的低成本和高玉米产量的潜力促使农民使用额外的氮作为'保证'来防止氮素缺乏，从而很多时候会降低产量，并且施用过量的氮肥既有经济风险，也有环境风险。于是科学家们做了一个结合，他们比较了无人机和立方体卫星的图像，判断它们的信号与每周从田间叶片获取的组织氮测量值非常匹配，两种技术都能够在季节的同一时间以相似的准确度检测叶绿素含量的变化。
最终他们通过新的卫星技术和生态系统建模，最终借助一种更好的肥料使用模型，实现可以最终帮助农民降低成本，增加产量，并同时减少可持续农业景观的环境足迹。
在后续，该项技术又得到了新的研究突破。科学家发现预测作物产量对管理和环境变量的响应是优化养分管理的关键一步。随着农业机械产生的数据量的增加，需要更复杂的模型来充分利用这些数据。
“我们正在尝试改变人们进行农艺研究的方式。我们试图做的不是直接建立一个小块田地图，运行统计数据和发布方法，而是更直接地涉及农民。我们正在与农民的农户进行实验。该研究的作者，伊利诺伊州作物科学系副教授Nicolas Martin说：“我们可以检测特定地点对不同输入的响应。我们还可以查看该字段的不同部分是否有响应。
他补充说：“我们开发了使用深度学习的方法来生成产量预测。该方法结合了来自不同地形变量，土壤电导率以及我们在中西部9个玉米田中
应用的氮素和种子处理的信息。”
马丁及其团队处理了数据密集型农场管理项目的2017年和2018年数据，该项目在中西部，巴西，阿根廷和南非的226个田地以不同的速率施用了种子和氮肥。同时借助地面测量，同时用高分辨率卫星图像配对从PlanetLab的预测产量。
他们将场数字化分解为5米（约16英尺）的正方形，将每个正方形的土壤，海拔，氮肥施用量和种子播种率的数据输入计算机，目的是了解因素如何相互作用以预测那个正方形的产量。
研究人员通过一种称为卷积神经网络（CNN）的机器学习或人工智能进行了分析。某些类型的机器学习从模式开始，然后要求计算机将新的数据位放入这些现有模式中。卷积神经网络对现有模式视而不见。取而代之的是，它们获取少量数据并学习组织数据的模式，类似于人类通过大脑中的神经网络组织新信息的方式。CNN的过程，其预测与产量高的精度，也被相对于其他机器学习算法和传统的统计技术。
“我们真的不知道是什么导致了整个田间对投入物的产量响应产生差异。有时候人们有一个想法，即某个地点对氮的反应非常强烈，反之亦然。CNN可以接管可能会引起变化的农业隐藏模式。”马丁说。“当我们比较几种方法时，我们发现CNN很好地解释了产量变化。”
