Regeneratieve landbouw wereldwijd toegankelijk maken door AI in de landbouw

Spatialise zet een belangrijke stap in de richting van duurzamere landbouw door het gebruik van geavanceerde AI-technologie. Door een digitale bodemanalysetool te ontwikkelen die nauwkeurig de organische koolstof in de bodem (SOC) en essentiële voedingsstoffen zoals stikstof, fosfor en kalium (NPK) kan meten, biedt het bedrijf een kostenbesparende en milieubewuste oplossing voor boeren. Deze samenwerking met EuroCC Nederland illustreert hoe AI in de landbouw de overgang naar duurzame landbouwpraktijken op schaal kan versnellen.

Met behulp van digitale bodemkartering op basis van satellietgegevens en machinaal leren stelt Spatialise boeren in staat om het gebruik van meststoffen te optimaliseren, emissies te verminderen en meer efficiëntie te bereiken in alle landbouwactiviteiten.

Krachtige AI voor bodembewaking

De kern van de innovatie van Spatialise is een tool voor het monitoren van bodemvoedingsstoffen die satellietbeelden en machine learning gebruikt om landbouwgrond te analyseren. Kunstmatige neurale netwerken worden getraind om bodemvoedingsstoffen op wereldwijde schaal te voorspellen. Deze modellen worden vervolgens verfijnd met behulp van regionale datasets om de nauwkeurigheid in specifieke gebieden te verbeteren.

Het trainen van grote neurale netwerken met enorme satellietdatasets is echter rekenintensief. Fijnafstemming voor verschillende regio’s vereist herhaalde trainingscycli en uitgebreide middelen. Het uitvoeren van dit soort geavanceerde AI in de landbouw op mondiaal niveau vormt een serieuze technische uitdaging in termen van schaal en kosten.

HPC-middelen van EuroCC Nederland

Om aan deze eisen te voldoen, maakte Spatialise gebruik van de expertise en infrastructuur van EuroCC Nederland. Met behulp van Snellius, de nationale supercomputer van Nederland, traint en verfijnt Spatialise haar AI-modellen efficiënt en op schaal.

Het globale model fungeert als basis en wordt verbeterd door middel van transfer learning met regionale gegevens. Dit proces vereist intensieve hyperparameter tuning-een methode om de interne instellingen van het neurale netwerk te fine-tunen voor optimale nauwkeurigheid. Met de krachtige rekencapaciteiten van Snellius en de op SLURM gebaseerde taakplanning kan Spatialise de werkbelasting effectief verdelen, de trainingstijden verkorten en de activiteiten schalen voor complexe modellen en grote datasets.

Het gebruik van de supercomputers die EuroCC Nederland biedt, toont een succesvol voorbeeld van AI in de landbouw dat mogelijk wordt gemaakt door een nationale HPC-infrastructuur.

Verder dan dure cloudplatforms

Voordat Spatialise samenwerkte met EuroCC Nederland, vertrouwde het op Databricks op Azure-een uitgebreid cloud-gebaseerd platform dat, hoewel functioneel robuust, onbetaalbaar was voor grootschalige computationele workloads.

Door via EuroCC Nederland naar Snellius te migreren, verlaagde Spatialise de rekenkosten aanzienlijk en kreeg het tegelijkertijd toegang tot geavanceerde bronnen voor neurale netwerktraining en fine-tuning. De verbeterde rekencapaciteit leidde tot effectievere hyperparameter tuning, verbeterde modelprestaties en een beter begrip van de belangrijkste ontwikkelingsgebieden. Deze omvatten het optimaliseren van satellietgebaseerde kenmerken, het verfijnen van trainingsmethoden en het verbeteren van strategieën voor transfer learning.

Dit heeft direct bijgedragen aan snellere ontwikkeling, grotere onderzoeksefficiëntie en schaalbare AI-inzet in de landbouwsector.

Voordelen

• Kostenbesparingen: Lagere computerkosten in vergelijking met cloudgebaseerde oplossingen zoals Databricks op Azure.
• Verbeterde efficiëntie: Versnelde training en fijnafstelling van neurale netwerken door hyperparameteroptimalisatie met behulp van de HPC-resources van Snellius.
• Geoptimaliseerd onderzoek: De belangrijkste gebieden geïdentificeerd voor het verbeteren van trainingsmethoden, het gebruik van satellietkenmerken en technieken voor transfer learning.
• Verbeterde schaalbaarheid: Maakt grootschalige berekeningen mogelijk voor nauwkeurige, regiospecifieke voorspellingen van bodemvoedingsstoffen.

Gebruikte technologieën

• Krachtig computergebruik (HPC)
• Kunstmatige intelligentie (AI)

Betrokken sectoren

• Landbouw
• Ruimte
• Satellieten voor aardobservatie