News

Maschinelles Lernen und Chaos Theorie in den
Agrarwissenschaften

Autor: Sebastian Raubitzek und Thomas Neubauer

Maschinelles Lernen und neuronale Netzte sind heutzutage State-of-the-Art wenn es um Regression und Analyse von Zeitreihen geht. Diese Techniken werden bereits in vielen Forschungsgebieten erforlgreich angewandt und liefern gute Ergebnisse. Unsere Forschung hat es sich daher zum Ziel gesetzt Methoden des maschinellen Lernens möglichst effektiv fur Anwendungen in der Landwirtschaft einzusetzen.

Es hat natürlich in der Vergangewheit schon zahlreiche Anwendungen dieser Techniken im Kontext Landwirtschaft gegeben. Wir wollen ein paar Anwendungen nennen und verweisen auf [Liakos et al., 2018] um sich einen Überblick über wissenschaftliche Publikationen zu verschaffen. Einige Anwendungen sind:

• Die Vorhersage von Ernteerträgen
• Die Identifikation von Krankheiten/Schädlingen
• Die Identifikation von Arten/Spezies
• Die optimale Verteilung von Wasser auf Feldern etc.

Im Agrarbereich ist man als Forscher konfrontiert mit komplexen Phänomenen wie z.B. dem Wetter, Wasserverteilungen, Pflanzenwachstum, etc.. Da diese Systeme von vielen verschiedenen Einflüssen abhängen sind Analysen oft sehr schwierig durchzuführen und viele Dinge verhalten sich unvorhersagbar oder chaotisch. Daher wollen wir in unserer Forschung eben diese Komplexität, oder dieses chaotische Verhalten, berucksichtigen um die Vorhersagen und Analysen zu verbessern. Um die inherente Komplexität oder, wie chaotisch ein System ist, zu messen wurden viele Werkzeuge im Rahmen der Chaos Theorie entwickelt1.
Unsere Annnahme ist das eine Kombination von maschinellem Lernen und Chaos Theorie die Genaugikeit und Anwendbarkeit von Techniken des maschinellen Lernens in der Landwirtschaft verbessert. Folgende Ideen wurden, b.z.w. werden bereits auf ihre Anwendbarkeit im Agrar-Kontext getestet, Raubitzek and Neubauer, 2020:

1Wir verweisen den interessierten Leser zu [Sakai, 2001], wo diverse Ideen und Anwendungen von Chaos Theorie im Agrar-Kontext geschildert sind.

1. Das Filtern von Rohdaten mittels Methoden der Chaos Theorie.
2. Die Aufbereitung, b.z.w. die Interpolation von kleinen Datensatzen mittels Methoden der Chaostheorie.
3. Das Filtern von Resultaten basierend auf dem chaotischen Verhalten des analysierten Systems um die Vorhersagen zu verbessern.

Basierend auf diesen Ideen haben wir eine Fraktalinterpolationsmethode entwickelt bei welcher die Komplexitat der Zeitreihe berücksichtigt wird und haben diese interpolierten Datensätze auf ihre Vorhersagbarkeit mittels eines longshort-term-memory (LSTM) neuronalen Netzes getestet, Raubitzek and Neubauer, 2021. Im Gegensatz zu den üblichen Interpolationstechniken (lineare oder polynomiale Interpolation) basiert Fraktalinterpolation nicht auf funktionalen Zusammenhängen sondern auf einem System iterierter Funktionen. Die Idee ist dargestellt in Abbildung 1.

Abbildung 1: Fraktal-interpolierter Datensatz im Vergleich zum Originaldatensatz für die jährliche Weizenertne in  Österreich.

Mittels dieser Ideen konnten wir die Genauigkeit von Test-Fits² signikant verbessern, wie in Abbildung 2 zu sehen ist.

²Wir sprechen hier nicht von einer tatsächlichen Vorhersagen der Ernteerträge in die Zukunft, sondern meinen wie gut der Algorithmus auf ihm unbekannten Daten des selbigen Systems funktioniert.

Abbildung 2: Oben: Test-Fit auf einem nicht-interpoliertem Datensatz; Unten: Test-Fit auf einem fraktal-interpoliertem Datensatz.

Derzeit arbeiten wir an Filtern basierend auf der Komplexität des analysierten Systems um Vorhersagen von maschinellem Lernen zu verbessern. Die derzeitigen Resultate sehen vieversprechend aus und wir hoffen diese bald veröffentlichen zu können.
Der nächste Schritt ist weitere landwirschaftlich-relevante Datensätze oder Szenarien zu finden um unsere entwickelten Methoden, also eine Kombination aus maschniellem Lernen und Chaostheorie, zu testen.

Diesen Beitrag zitieren als:
S. Raubitzek und T. Neubauer, Maschinelles Lernen und Chaos Theorie in den Agrarwissenschaften [Webblog]. Online-Publikation: „https://dilaag.boku.ac.at/innoplattform/2021/03/16/maschinelles-lernen-und-chaos-theorie-in-den-agrarwissenschaften/“, 2020.

References
[Liakos et al., 2018] Liakos, K. G., Busato, P., Moshou, D., Pearson, S., and Bochtis, D. (2018). Machine Learning in Agriculture: A Review. Sensors, 18(8).
[Raubitzek and Neubauer, 2020] Raubitzek, S. and Neubauer, T. (2020). Machine Learning and Chaos Theory in Agriculture. ERCIM News, 122.
[Raubitzek and Neubauer, 2021] Raubitzek, S. and Neubauer, T. (2021). A fractal interpolation approach to improve neural network predictions for diffcult time series data. Expert Systems with Applications, 169:114474.
[Sakai, 2001] Sakai, K. (2001). Nonlinear Dynamics and Chaos in Agricultural Systems. Elsevier Science, Amsterdam, 1 edition.Quellen: