统计员评估农业数据以提高生产力

SDSU数理统计系的侯赛因·莫拉迪(Hossein Moradi)助理教授正在帮助精密农业学院有效，准确地评估影响产量的变量。这项合作正在帮助研究人员确定帮助农民提高生产率的方法。

“远程和现场传感技术，例如卫星图像和产量监测器，即使在单个领域，也能生成大量数据，”莫拉迪说。他专门研究与空间和时间相关的高维数据集。该数据可用于评估影响作物产量的影响变量，例如土壤化学，地形，杀真菌剂，除草剂和肥料的施用。

“通过估计变量的影响，我们可以帮助农民做出更明智的管理决策，”莫拉迪解释说。

农学，园艺与植物科学系主任戴维·赖特教授说：“我们与莫拉迪博士和其他统计学家的合作带来了更便捷的海量数据处理，并帮助我们训练个人解释数字农业中的数据。”

该研究得到了农学，园艺和植物科学系以及美国农业部孵化法通过南达科他州农业实验站的资助。

评价杀菌剂的有效性

莫拉迪(Moradi)和博士生保罗·梅(Paul May)开发了一种有效的手段，可以分析涉及两种杀菌剂的白霉病研究数据。Moradi解释说：“我们的工作是确定每种杀菌剂的影响，以及这种影响是否具有统计学意义。” 为此，研究人员开发了一个模型，该模型“在使用和不使用每种杀菌剂的地方使用指标变量”。

常用的方法，称为普通最小二乘，需要最少的处理时间，但是具有很高的误差范围。但是，更准确的方法是最大似然估计方法，它使用50,000个数据点，并且需要60到70 GB的RAM和两个小时的高性能计算时间。“农民无法获得这种类型的计算能力，”莫拉迪指出。

Moradi说：“我们的方法只需要10到15分钟的计算时间，误差范围几乎与MLE方法相同。” 此外，分析所需的RAM少于2 GB，因此该程序可以在工作站或便携式计算机上运行。

预测玉米单产

对于另一个项目，Moradi和硕士生Shahrukh Khan正在使用Landsat 7的卫星图像来预测特定农场的玉米产量。

为此，他们开发了一个深度学习模型，该模型从Landsat数据中选择特征，并将其与其他13个指数以及气候数据结合起来以预测作物产量。Moradi解释说：“到目前为止，我们有足够的证据表明我们的模型优于其他一些传统方法。”

他的长期目标是建立一个网站，使农民可以使用田间位置/坐标和最近五年的农作物产量数据快速，准确地预测其预期的农作物产量。网站上内置的统计程序包随后将提取有关天气，降水和温度的历史信息，并将其与卫星图像(例如来自Landsat的图像)以及田地的土壤特征相结合。

他说，产量将“提前两个月告诉农民，期望这种产品能出田。”