将人工（gōng）智能（néng）与农业集合起来的自然保护（hù）

在本周在网上举行（háng）的2020年（nián）国际学习代表大（dà）会(ICLR)主办的（de）研（yán）讨会上，小（xiǎo）组（zǔ）成员（yuán）讨（tǎo）论了AI和机器学习如何(而且已经)应（yīng）用于（yú）农业挑战。正如（rú）几位专家指（zhǐ）出的那样，世界各国面临粮食（shí）供（gòng）应（yīng）短（duǎn）缺的（de）问题，估计有9%的（de）人口(6.97亿（yì）)严重“粮食不安全”，这（zhè）意（yì）味着他（tā）们无法可靠（kào）地获得负担得起的营（yíng）养（yǎng）食品。

劳动（dòng）力短缺，有害生物和（hé）病原体的传播以（yǐ）及（jí）气候变化等因素有可（kě）能使（shǐ）危机升级，但是人工智能可以提供帮助。IBM科学家通过农（nóng）业“数字孪生”或用于预（yù）测特（tè）定农作物（wù）产量的农作（zuò）物数字模（mó）型谈到了他们（men）在非洲的工作。阿卡迪亚大学（xué）的研究人员提出（chū）了一种（zhǒng）算法（fǎ），该算法旨在（zài）比（bǐ）人类工人更准确地测量葡萄产（chǎn）量。加州大学戴维斯分校的一个（gè）小组（zǔ）详细介（jiè）绍了使（shǐ）用卫星图像预测肯尼（ní）亚（yà）牲畜觅食条件的（de）工作。

软件（jiàn）质量保（bǎo）证负（fù）责（zé）人Akram Mohammed详细介（jiè）绍了IBM去年对尼日利（lì）亚农场进行（háng）数字“克隆”的工作，这需要（yào）收集多光（guāng）谱图像（xiàng）和元数据(如传感器读（dú）数，天气和土壤条件)的历史记录，以在IBM的（de）云平台上构建农场的模拟。部分工作是IBM与Hello Tractor之间的合作（zuò）关系（xì）的产物，Hello Tractor是一项订阅服务（wù），该服务将小规模农（nóng）民与设备和数据分析联系起来，以提高作物（wù）产量。

穆罕默德(Mohammed)断言，数字化作物增（zēng）值（zhí）不（bú）仅对农（nóng）民本身有价值（zhí），而且对可（kě）以利用它（tā）们来（lái）跟踪市场动态，规划和（hé）制（zhì）定政策并最大程度降低其投资风险的分销商，政府和（hé）银（yín）行也具有（yǒu）价值。他指出，预计五（wǔ）年内（nèi）世界人口将超过80亿，但到本世（shì）纪末，可耕地将减少20%。

Mohammed和（hé）他（tā）的团队利用了IBM的PAIRS Geoscope服务，该服务旨在托管和管理PB级（jí）的地理时空数据，例如地图和无人机图像，以存储（chǔ）有关每个农（nóng）场的卫星，天气（qì）和地面传感器数据。IBM的另一项服务（wù）-Watson农（nóng）业决（jué）策平台（tái），将IBM拥有的The Weather Company的算法与物联网（wǎng）数据摄取工具相结合-使工程师（shī）在输入（rù）了多个深度的水分读数，土（tǔ）壤养分含量和肥力（lì）后，可以获（huò）得产（chǎn）量预测，农场操（cāo）作（zuò）和工作流（liú）程信息以及（jí）高（gāo）清可视卫星图像。

挑战（zhàn）之一是规（guī）模较小（xiǎo）的农场数（shù）据相对匮乏。卫星（xīng）图像仅提供像素值的信息，并非（fēi）所有农（nóng）场都（dōu）能（néng）买（mǎi）得（dé）起监视设（shè）备。团队的解决方案（àn）是将目标区域中超过40,000个集群（qún）的农（nóng）场组建模。这使工程师能够训练（liàn）一个（gè）推（tuī）荐系统来回答（dá）两个（gè）关键问题：(1)农民（mín）何（hé）时应进行特定的种（zhǒng）植（zhí）活动;(2)什么是（shì）最佳耕作日，从而使小（xiǎo）规模农民的农（nóng）作物产量最大化?

该系统包括一个集成的学习模型，该模（mó）型会（huì）建议（yì）栽培日期，利用历（lì）史（shǐ）状（zhuàng）态(来自数（shù）字“双胞胎”)和将来的元（yuán）数（shù）据预测，例如最（zuì）近的天气历（lì）史(湿度，能见度，温度，降水（shuǐ）和（hé）风速)，天气预报(在四（sì）个不同深（shēn）度的（de）土壤湿度)，多光谱卫星图像和地面真实事件（jiàn）信息(位置和（hé）日期)。在实验（yàn）中，缺少元（yuán）数据（jù）(如农作物类型和土（tǔ）壤条件)阻碍（ài）了模型的预测。但是研究人员声（shēng）称，他们（men）的解决（jué）方案在很大程度上优于基于启发式的系统。

阿卡迪亚大学数据分析研究所的（de）研（yán）究人员Daniel L. Silver和Jabun Nasa介绍了（le）他们开发的计（jì）算机视觉（jiào）系统（tǒng）的工作（zuò），该系统可以根据葡萄图像测量葡萄产量。准确的葡萄产量估算对于计划收成和做出葡萄酒生产选择至关重（chóng）要，但是正如Silver和Nasa指出的那样（yàng），进行（háng）测（cè）量在历史上是一个昂贵的过程-更不用（yòng）说一个不精确的过程了(准确度为75%至（zhì）90%)。

为了为（wéi）他们的估计产量（liàng）的机器学（xué）习模型建（jiàn）立训练集，研究人员招募了志愿者，并要求（qiú）他们给葡（pú）萄拍摄葡萄（táo）在葡萄树上（shàng）的照（zhào）片，并使用（yòng）数字秤测量葡萄的重量。收（shōu）集后，Silver和Nasa将测量数据数字化，并（bìng）对照片（piàn）进行裁剪（jiǎn），归一化和调整大（dà）小，然后再将两个数据集（jí）组合在（zài）一起，并将它们输（shū）入到卷（juàn）积神经（jīng）网络(一种非常适（shì）合于分（fèn）析（xī）视觉（jiào）图（tú）像的AI模型)中。

他们报告说，他（tā）们表现最（zuì）好的模型在收获（huò）前六天的平（píng）均（jun1）产量预（yù）测上平均准确率为85.15%，在（zài）预测收获前16天（tiān）的平均产量上（shàng）准确率为82%。在（zài）未来的工作中，他们计（jì）划通过合并自动图（tú）像裁剪（jiǎn）器和长期天气预报数据来（lái）完善它。来自加州大学（xué）戴维（wéi）斯分校和AI咨（zī）询公司Weights and Biases的研究人员就预测肯（kěn）尼亚牲畜饲草状况的努力发表了（le）讲话。他们的工作（zuò）是由肯尼亚北部牧民的奋斗推动的，他们依靠牲畜获得食物和收入，但往（wǎng）往（wǎng）无法预见（jiàn）干（gàn）旱。

理（lǐ）想的预测模型将（jiāng）通过分析（xī）公共（gòng）数据来防止牲畜损（sǔn）失和饥饿。当干旱来袭时，可以（yǐ）将其（qí）链接到（dào）一个平（píng）台（tái），该（gāi）平台（tái）可以迅速将资源（yuán）转移给牧民，使他们能够负担家庭支出或牲（shēng）畜需求。研究人（rén）员通过（guò）编译一个训练语料库来实现（xiàn）这（zhè）一想法（fǎ），该训（xùn）练语料库由（yóu）带有人类标签的地面图像组（zǔ）成，这些数据点带（dài）有（yǒu）时间（jiān）戳，草料质（zhì）量(0-3尺度，零表（biǎo）示严重干旱)，动植物（wù）类型和距离浇水。他们将其与在相同（tóng）地（dì）点和相同时间拍摄的100,000幅卫星（xīng）图像（xiàng）相关联，目的是仅使（shǐ）用（yòng）上述卫星图像（xiàng）来预测质（zhì）量。

该小（xiǎo）组将数据集发布在了Weights and Biases的基（jī）准测试网站（zhàn）上，该网站允许贡（gòng）献者（zhě）将（jiāng）经过训练的（de）模型提交给公共排（pái）行榜。在（zài）撰（zhuàn）写本文（wén）时（shí），性能最佳的算（suàn）法（fǎ）可以以77.8%的精度预测干旱，次之的模型可以达到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他地区（qū），部分方法是收集地（dì）面和（hé）牧草数据，以（yǐ）及诸（zhū）如玉米，木薯，水稻等主要农作物的（de）地理位置。