将人工智能与农业集合起（qǐ）来的自然保护

在本周在网上举行（háng）的2020年国际学习代表（biǎo）大（dà）会(ICLR)主办的研讨会（huì）上，小（xiǎo）组成员讨论（lùn）了AI和（hé）机（jī）器学习如何（hé）(而且已经)应（yīng）用于农业挑战。正（zhèng）如几位专家指出的那样，世界各国面临粮（liáng）食供应短缺的问题，估计有9%的（de）人口(6.97亿)严重“粮食不安全”，这意味着他们无法可靠地获得负担得起的（de）营养食（shí）品。

劳动力短缺，有（yǒu）害生（shēng）物和病原（yuán）体的（de）传播以及气候变化等因素有可能使危（wēi）机升级，但是人工智能可以（yǐ）提供帮助。IBM科学家通过（guò）农业“数字孪（luán）生”或用于预测特定（dìng）农作物产（chǎn）量的农作（zuò）物数字模型谈到了他们在非洲的工作。阿卡迪亚大学的研究人员提出（chū）了一种算法，该算法旨（zhǐ）在比人类工人更（gèng）准确地测量（liàng）葡（pú）萄产量。加州（zhōu）大（dà）学戴维斯分校的一个（gè）小组（zǔ）详细介绍了使用卫星图（tú）像预测肯尼亚牲（shēng）畜觅食条（tiáo）件的工作。

软件质量（liàng）保证负责（zé）人Akram Mohammed详细介绍了IBM去年（nián）对尼日利亚（yà）农场进行数字（zì）“克（kè）隆”的工作，这需要收集多光谱图（tú）像和元数据(如传感器读数（shù），天（tiān）气和土（tǔ）壤条件)的历史记录，以在IBM的（de）云平（píng）台上构建农场的模拟。部分工作是（shì）IBM与Hello Tractor之间的合作关系的产物，Hello Tractor是一项订阅服务（wù），该服务将小规模农民与设备和数据分（fèn）析（xī）联系起来，以提高作物产（chǎn）量。

穆罕默（mò）德（dé）(Mohammed)断言，数字化作物增值（zhí）不仅（jǐn）对农民本身有价（jià）值，而（ér）且（qiě）对可以利（lì）用它们来（lái）跟踪市场动态，规划和制定政策并最大程度降低其（qí）投资（zī）风险的分销商，政（zhèng）府和银（yín）行也具（jù）有价值。他指（zhǐ）出，预计五年内世界人口将超（chāo）过80亿，但（dàn）到本（běn）世纪末，可（kě）耕地将减（jiǎn）少20%。

Mohammed和他的团队利用（yòng）了IBM的PAIRS Geoscope服（fú）务（wù），该服务旨在托（tuō）管和管理PB级的地理时空数据，例（lì）如地图和无（wú）人机图像，以存储有关每（měi）个农场的（de）卫星，天（tiān）气和地面传感器数据。IBM的另一项（xiàng）服务-Watson农业（yè）决策平（píng）台，将IBM拥有（yǒu）的The Weather Company的算法（fǎ）与物联网数据摄取工具相结合-使（shǐ）工程（chéng）师在输入（rù）了多个深度的水分（fèn）读（dú）数，土壤养分含量和肥力后，可（kě）以（yǐ）获（huò）得产（chǎn）量预测，农场操作和工作流程信息（xī）以及（jí）高清可（kě）视卫星（xīng）图像。

挑（tiāo）战之一是规模较小的农（nóng）场（chǎng）数据相对匮乏。卫星图像仅提供（gòng）像（xiàng）素（sù）值的信息，并非所有农场都能买得起监视（shì）设备。团（tuán）队（duì）的解（jiě）决方案（àn）是将目（mù）标区域中超过40,000个集（jí）群的农（nóng）场组建模。这使工程师能够训练一个推荐（jiàn）系统来回答两个关键问题：(1)农民何时（shí）应进行特定的种植活动;(2)什么是最佳耕作日，从而使小规模（mó）农民的农作（zuò）物产（chǎn）量最（zuì）大化?

该系统包括（kuò）一个（gè）集（jí）成的学习模型，该（gāi）模型会（huì）建议栽（zāi）培日期，利用历史状态(来自数字（zì）“双胞（bāo）胎”)和将来的元数据预（yù）测，例（lì）如最近的天气历（lì）史(湿度（dù），能见（jiàn）度（dù），温度，降（jiàng）水和风速)，天气预报(在四个不同深度（dù）的土壤（rǎng）湿度)，多光谱卫星图像和地面真实事件（jiàn）信息(位置和日期)。在实验中，缺（quē）少元数据(如农作物类型（xíng）和土壤条件)阻碍（ài）了模型的预测。但是研究人员声称，他（tā）们的解决（jué）方案在很大（dà）程度上优于基于启发式的系（xì）统。

阿（ā）卡迪亚大学数（shù）据分析研究所的研究人（rén）员Daniel L. Silver和（hé）Jabun Nasa介绍了他（tā）们开发的计算机视觉系统的工作，该系统可以根据葡萄图像测量葡萄产量。准确（què）的葡萄产量估（gū）算对（duì）于计划收成和做出葡（pú）萄酒生产选择至关重要（yào），但是正如Silver和Nasa指（zhǐ）出的那（nà）样（yàng），进行测量在历（lì）史上是一个昂贵的（de）过程-更不用说（shuō）一（yī）个不（bú）精确的过程了(准（zhǔn）确度为75%至90%)。

为了为他们的估计产量的机（jī）器学习模（mó）型建立训练集，研（yán）究（jiū）人员招募了志愿者（zhě），并要求他们给（gěi）葡（pú）萄拍摄葡萄在葡萄树上的照片，并使用数字秤测量葡萄的重量。收集后，Silver和Nasa将（jiāng）测量数据数字化（huà），并对（duì）照片进行裁剪，归一化和调整大小，然后（hòu）再将两（liǎng）个数据集（jí）组合在一起（qǐ），并（bìng）将它（tā）们输入到卷积神经网络(一种非常（cháng）适（shì）合于分析视觉（jiào）图像的（de）AI模型)中。

他们报告说，他们表现最好的模型在收获前六天的平（píng）均产量（liàng）预测上平（píng）均准确（què）率为85.15%，在（zài）预测（cè）收获前16天的平均产量上准确率（lǜ）为82%。在未来的工作中（zhōng），他们计划（huá）通过合并（bìng）自动图像裁（cái）剪器和长（zhǎng）期天气预报数据来完善它。来自（zì）加州大学戴维斯分校和AI咨（zī）询公司Weights and Biases的（de）研究人员就（jiù）预测肯尼（ní）亚牲畜饲草状（zhuàng）况的努力发（fā）表了讲（jiǎng）话。他们的工作是（shì）由肯尼亚北部牧民的奋斗（dòu）推动（dòng）的，他们（men）依（yī）靠牲畜获得食物和收入（rù），但往（wǎng）往无法预见干旱。

理想的预（yù）测模型将（jiāng）通（tōng）过分析公（gōng）共数据来防止牲畜损失和饥饿。当干旱（hàn）来袭时，可以将（jiāng）其链接到一个平台，该平台可（kě）以迅速将（jiāng）资源转（zhuǎn）移给牧（mù）民，使他们（men）能够负担家庭支（zhī）出或牲（shēng）畜需求。研究人员通过编译一个训练语料库来（lái）实现这一（yī）想法，该训练语料库由带有（yǒu）人类标签的地面图像组成，这些数据点带（dài）有时间戳，草（cǎo）料质量(0-3尺（chǐ）度（dù），零表示严重干旱)，动植物（wù）类型（xíng）和距离浇水。他们（men）将其与在相同地点和相同时（shí）间（jiān）拍摄的100,000幅卫星图像相关联，目的（de）是仅使用上述卫星图像来（lái）预测质量。

该（gāi）小组将数据集发布在了Weights and Biases的基准测试网站上，该网站允许贡献者将经（jīng）过训练的模型提交给公（gōng）共（gòng）排行榜。在撰（zhuàn）写本文时，性（xìng）能最佳的算法（fǎ）可以（yǐ）以77.8%的精度（dù）预测干旱，次之的模型（xíng）可以达到77.5%的（de）精度。展望未来，研究人员希望将工作范围扩大到其（qí）他（tā）地区，部分方法是收（shōu）集地（dì）面（miàn）和牧草（cǎo）数据，以（yǐ）及（jí）诸如玉米（mǐ），木薯，水（shuǐ）稻（dào）等主要农作物的地理位置。