将人（rén）工智（zhì）能与农业（yè）集合起来的自然保护

在（zài）本周在（zài）网上（shàng）举行（háng）的2020年国际学习代表大会（huì）(ICLR)主办的研讨会（huì）上，小组（zǔ）成员讨（tǎo）论了AI和机器（qì）学习如何(而且已经)应用于（yú）农业挑战。正如（rú）几位专家指出的那样，世界各（gè）国面临粮食（shí）供（gòng）应（yīng）短缺（quē）的（de）问（wèn）题，估计有9%的（de）人（rén）口(6.97亿)严重“粮（liáng）食不安全”，这意味着他（tā）们无法可靠地获得负担得起的营（yíng）养食品。

劳动力短缺，有害生物（wù）和病原体的传播以及（jí）气候（hòu）变（biàn）化等（děng）因素有可能（néng）使危机升级，但是人工智能（néng）可以（yǐ）提供帮（bāng）助。IBM科（kē）学家通过农业“数（shù）字孪生”或用于预测特定农作物产量的农（nóng）作物数字模型谈到了他们在非洲的工作。阿卡迪亚（yà）大学的（de）研（yán）究人员提（tí）出了一种（zhǒng）算法，该（gāi）算法旨在比人（rén）类工人更准（zhǔn）确地测量葡（pú）萄产（chǎn）量（liàng）。加州大学戴维斯分校的一个小组详细（xì）介绍了（le）使用卫星图像预测（cè）肯（kěn）尼亚牲畜觅食条件的工作。

软件质量保证负责人（rén）Akram Mohammed详（xiáng）细介绍（shào）了（le）IBM去年对（duì）尼日利亚农场（chǎng）进行（háng）数字“克隆（lóng）”的工作，这（zhè）需要收集多光谱（pǔ）图像和（hé）元数据(如传（chuán）感器读数，天气和土壤条件（jiàn）)的历（lì）史记录，以在IBM的（de）云（yún）平台上构建农场的模拟。部分（fèn）工（gōng）作是IBM与（yǔ）Hello Tractor之间的合作关系的（de）产物，Hello Tractor是一项订（dìng）阅服务，该服务将小规模农民与设备和数据分析联系起（qǐ）来，以提高作物产量。

穆罕默德(Mohammed)断（duàn）言，数字化作物增值不（bú）仅对农民本（běn）身有（yǒu）价值，而且对可以利（lì）用它们来跟踪市场（chǎng）动态，规划和制定政策并最（zuì）大（dà）程度（dù）降低其（qí）投资风（fēng）险的分销商，政府和银行也具有价（jià）值。他指出，预计（jì）五年（nián）内世界人口将超过80亿，但到本世纪末，可耕地将减少20%。

Mohammed和他（tā）的团队利用了IBM的PAIRS Geoscope服务（wù），该（gāi）服务旨在托管和管理PB级（jí）的地理时空（kōng）数据，例如地图和无人机图像，以存储有关每个农场（chǎng）的卫星（xīng），天（tiān）气和（hé）地面传感器数（shù）据。IBM的另（lìng）一（yī）项（xiàng）服务-Watson农业决（jué）策平台，将IBM拥有的（de）The Weather Company的（de）算法与物（wù）联网数据摄取工具（jù）相结（jié）合-使工程师在输入了多个深度的水分读数，土壤养分含量和肥力（lì）后（hòu），可以获得产量预（yù）测，农场操作和工作流程信息以及高清可视卫星图像。

挑（tiāo）战之一（yī）是规模较小的农场（chǎng）数（shù）据相对匮乏。卫（wèi）星图像仅提供（gòng）像素（sù）值（zhí）的信息，并非所有（yǒu）农场都能（néng）买得起监（jiān）视设备。团队（duì）的解决方案是将目标区域中超（chāo）过40,000个集群的农场组建模。这使工（gōng）程师能够训练一个（gè）推荐系统来回答（dá）两个关键问题：(1)农（nóng）民何时应进行特定的种植活动;(2)什么是最佳耕作日，从而使小规模农民的农作物产（chǎn）量最大化?

该系统包括一个集成（chéng）的学（xué）习（xí）模（mó）型，该模型会建议栽（zāi）培日期，利用历史状态(来自（zì）数（shù）字“双胞胎”)和（hé）将来的元数据预测，例如最近（jìn）的天气历史(湿度，能见度，温（wēn）度，降水和风（fēng）速)，天气预报(在四（sì）个（gè）不同深度的土壤湿度)，多光谱卫星图（tú）像和（hé）地（dì）面真实事件（jiàn）信息(位置和日期（qī）)。在（zài）实验（yàn）中，缺少元数据(如农作物类型和土壤条件)阻碍了模型（xíng）的（de）预测。但是研究人员声称，他们的解（jiě）决方案在很（hěn）大（dà）程度上（shàng）优于基于启发式的系统。

阿（ā）卡迪亚（yà）大学数据分析研究所的研究人员Daniel L. Silver和Jabun Nasa介绍了他们开发的计算机视（shì）觉（jiào）系统（tǒng）的工作，该系统可以根据葡萄图（tú）像（xiàng）测量葡萄产量（liàng）。准确（què）的葡萄产量估算对于计（jì）划收成（chéng）和做（zuò）出葡萄酒（jiǔ）生产选择至关重要，但是正如Silver和Nasa指出的（de）那样，进行测量在历史上是一个昂贵（guì）的（de）过（guò）程-更不用说一个不（bú）精确的（de）过程（chéng）了(准（zhǔn）确（què）度为75%至90%)。

为了为他们（men）的（de）估计产量（liàng）的（de）机器学习模型建立训练集，研（yán）究（jiū）人员招募了（le）志愿（yuàn）者，并要求他们给葡（pú）萄拍摄葡（pú）萄在葡（pú）萄树（shù）上的照片，并（bìng）使用（yòng）数字（zì）秤测量葡萄的重量。收集（jí）后，Silver和Nasa将测（cè）量数据数字（zì）化，并对照片（piàn）进（jìn）行裁剪，归一化和调整大小（xiǎo），然后再将两（liǎng）个（gè）数据集组合在一起，并将它们输入到卷积（jī）神经网络(一种非常适合于分（fèn）析（xī）视觉图像的AI模型)中。

他们报告说，他们表（biǎo）现最好的模型在收（shōu）获前六天的平均（jun1）产量预（yù）测上（shàng）平均准确率为85.15%，在预测（cè）收获前16天的平均（jun1）产（chǎn）量上准确率为（wéi）82%。在未来的工作中，他们计划（huá）通过合并自动图像裁剪器和长期天（tiān）气预报数据（jù）来完善它。来自加州大（dà）学戴维斯分校和AI咨（zī）询（xún）公司Weights and Biases的研究人员就预测（cè）肯尼亚牲畜（chù）饲草（cǎo）状况（kuàng）的努力发表了（le）讲话。他们的工（gōng）作是由（yóu）肯尼亚北部（bù）牧民（mín）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（fǎ）预见干（gàn）旱。

理想的预测模型将通过分析公共数据来防止牲畜损失和饥饿。当干旱来袭时，可以将其链接到一个（gè）平台，该（gāi）平台可以（yǐ）迅速将（jiāng）资源转移给（gěi）牧（mù）民（mín），使他们能够负担家庭支出或牲畜需求。研（yán）究人员通过（guò）编译一个（gè）训练语料（liào）库（kù）来实现这一想法，该训练语料（liào）库由带有人（rén）类标（biāo）签的地面图像组成，这些数据点带有时间戳，草料质（zhì）量（liàng）(0-3尺度，零表示严重干旱)，动植物（wù）类（lèi）型和距离浇水。他们将其与在相同地点和相（xiàng）同时间拍摄的100,000幅卫星（xīng）图像相（xiàng）关联，目的是仅（jǐn）使用上（shàng）述卫星图（tú）像来预测质量。

该小组将数据（jù）集发布在了Weights and Biases的基准测试网站（zhàn）上（shàng），该网站允许贡献者将（jiāng）经过（guò）训练的模型提交给公共排行榜（bǎng）。在撰写本文（wén）时，性能最佳的算法可（kě）以以77.8%的精度预测干旱，次之（zhī）的模（mó）型可（kě）以达到（dào）77.5%的（de）精度。展望未来（lái），研（yán）究人员希望将工作范围扩（kuò）大到其他地区，部分方法是收集地面和牧草数据，以及诸如（rú）玉米，木薯，水稻等主要农作物的地理位置。