在本周在網(wǎng)上舉行的2020年國(guó)際學(xué)習(xí)代表大會(huì)(ICLR)主辦的研討會(huì)上，小組成員討論了AI和機(jī)器學(xué)習(xí)如何(而且已經(jīng))應(yīng)用于農(nóng)業(yè)挑戰(zhàn)。正如幾位專家指出的那樣，世界各國(guó)面臨糧食供應(yīng)短缺的問(wèn)題，估計(jì)有9%的人口(6.97億)嚴(yán)重“糧食不安全”，這意味著他們無(wú)法可靠地獲得負(fù)擔(dān)得起的營(yíng)養(yǎng)食品。

       勞動(dòng)力短缺，有害生物和病原體的傳播以及氣候變化等因素有可能使危機(jī)升級(jí)，但是人工智能可以提供幫助。IBM科學(xué)家通過(guò)農(nóng)業(yè)“數(shù)字孿生”或用于預(yù)測(cè)特定農(nóng)作物產(chǎn)量的農(nóng)作物數(shù)字模型談到了他們?cè)诜侵薜墓ぷ鳌０⒖ǖ蟻喆髮W(xué)的研究人員提出了一種算法，該算法旨在比人類工人更準(zhǔn)確地測(cè)量葡萄產(chǎn)量。加州大學(xué)戴維斯分校的一個(gè)小組詳細(xì)介紹了使用衛(wèi)星圖像預(yù)測(cè)肯尼亞牲畜覓食條件的工作。

       軟件質(zhì)量保證負(fù)責(zé)人Akram Mohammed詳細(xì)介紹了IBM去年對(duì)尼日利亞農(nóng)場(chǎng)進(jìn)行數(shù)字“克隆”的工作，這需要收集多光譜圖像和元數(shù)據(jù)(如傳感器讀數(shù)，天氣和土壤條件)的歷史記錄，以在IBM的云平臺(tái)上構(gòu)建農(nóng)場(chǎng)的模擬。部分工作是IBM與Hello Tractor之間的合作關(guān)系的產(chǎn)物，Hello Tractor是一項(xiàng)訂閱服務(wù)，該服務(wù)將小規(guī)模農(nóng)民與設(shè)備和數(shù)據(jù)分析聯(lián)系起來(lái)，以提高作物產(chǎn)量。

       穆罕默德(Mohammed)斷言，數(shù)字化作物增值不僅對(duì)農(nóng)民本身有價(jià)值，而且對(duì)可以利用它們來(lái)跟蹤市場(chǎng)動(dòng)態(tài)，規(guī)劃和制定政策并最大程度降低其投資風(fēng)險(xiǎn)的分銷商，政府和銀行也具有價(jià)值。他指出，預(yù)計(jì)五年內(nèi)世界人口將超過(guò)80億，但到本世紀(jì)末，可耕地將減少20%。

       Mohammed和他的團(tuán)隊(duì)利用了IBM的PAIRS Geoscope服務(wù)，該服務(wù)旨在托管和管理PB級(jí)的地理時(shí)空數(shù)據(jù)，例如地圖和無(wú)人機(jī)圖像，以存儲(chǔ)有關(guān)每個(gè)農(nóng)場(chǎng)的衛(wèi)星，天氣和地面?zhèn)鞲衅鲾?shù)據(jù)。IBM的另一項(xiàng)服務(wù)-Watson農(nóng)業(yè)決策平臺(tái)，將IBM擁有的The Weather Company的算法與物聯(lián)網(wǎng)數(shù)據(jù)攝取工具相結(jié)合-使工程師在輸入了多個(gè)深度的水分讀數(shù)，土壤養(yǎng)分含量和肥力后，可以獲得產(chǎn)量預(yù)測(cè)，農(nóng)場(chǎng)操作和工作流程信息以及高清可視衛(wèi)星圖像。


       挑戰(zhàn)之一是規(guī)模較小的農(nóng)場(chǎng)數(shù)據(jù)相對(duì)匱乏。衛(wèi)星圖像僅提供像素值的信息，并非所有農(nóng)場(chǎng)都能買(mǎi)得起監(jiān)視設(shè)備。團(tuán)隊(duì)的解決方案是將目標(biāo)區(qū)域中超過(guò)40,000個(gè)集群的農(nóng)場(chǎng)組建模。這使工程師能夠訓(xùn)練一個(gè)推薦系統(tǒng)來(lái)回答兩個(gè)關(guān)鍵問(wèn)題：(1)農(nóng)民何時(shí)應(yīng)進(jìn)行特定的種植活動(dòng);(2)什么是最佳耕作日，從而使小規(guī)模農(nóng)民的農(nóng)作物產(chǎn)量最大化?

       該系統(tǒng)包括一個(gè)集成的學(xué)習(xí)模型，該模型會(huì)建議栽培日期，利用歷史狀態(tài)(來(lái)自數(shù)字“雙胞胎”)和將來(lái)的元數(shù)據(jù)預(yù)測(cè)，例如最近的天氣歷史(濕度，能見(jiàn)度，溫度，降水和風(fēng)速)，天氣預(yù)報(bào)(在四個(gè)不同深度的土壤濕度)，多光譜衛(wèi)星圖像和地面真實(shí)事件信息(位置和日期)。在實(shí)驗(yàn)中，缺少元數(shù)據(jù)(如農(nóng)作物類型和土壤條件)阻礙了模型的預(yù)測(cè)。但是研究人員聲稱，他們的解決方案在很大程度上優(yōu)于基于啟發(fā)式的系統(tǒng)。

       阿卡迪亞大學(xué)數(shù)據(jù)分析研究所的研究人員Daniel L. Silver和Jabun Nasa介紹了他們開(kāi)發(fā)的計(jì)算機(jī)視覺(jué)系統(tǒng)的工作，該系統(tǒng)可以根據(jù)葡萄圖像測(cè)量葡萄產(chǎn)量。準(zhǔn)確的葡萄產(chǎn)量估算對(duì)于計(jì)劃收成和做出葡萄酒生產(chǎn)選擇至關(guān)重要，但是正如Silver和Nasa指出的那樣，進(jìn)行測(cè)量在歷史上是一個(gè)昂貴的過(guò)程-更不用說(shuō)一個(gè)不精確的過(guò)程了(準(zhǔn)確度為75%至90%)。

       為了為他們的估計(jì)產(chǎn)量的機(jī)器學(xué)習(xí)模型建立訓(xùn)練集，研究人員招募了志愿者，并要求他們給葡萄拍攝葡萄在葡萄樹(shù)上的照片，并使用數(shù)字秤測(cè)量葡萄的重量。收集后，Silver和Nasa將測(cè)量數(shù)據(jù)數(shù)字化，并對(duì)照片進(jìn)行裁剪，歸一化和調(diào)整大小，然后再將兩個(gè)數(shù)據(jù)集組合在一起，并將它們輸入到卷積神經(jīng)網(wǎng)絡(luò)(一種非常適合于分析視覺(jué)圖像的AI模型)中。

       他們報(bào)告說(shuō)，他們表現(xiàn)最好的模型在收獲前六天的平均產(chǎn)量預(yù)測(cè)上平均準(zhǔn)確率為85.15%，在預(yù)測(cè)收獲前16天的平均產(chǎn)量上準(zhǔn)確率為82%。在未來(lái)的工作中，他們計(jì)劃通過(guò)合并自動(dòng)圖像裁剪器和長(zhǎng)期天氣預(yù)報(bào)數(shù)據(jù)來(lái)完善它。來(lái)自加州大學(xué)戴維斯分校和AI咨詢公司W(wǎng)eights and Biases的研究人員就預(yù)測(cè)肯尼亞牲畜飼草狀況的努力發(fā)表了講話。他們的工作是由肯尼亞北部牧民的奮斗推動(dòng)的，他們依靠牲畜獲得食物和收入，但往往無(wú)法預(yù)見(jiàn)干旱。

       理想的預(yù)測(cè)模型將通過(guò)分析公共數(shù)據(jù)來(lái)防止牲畜損失和饑餓。當(dāng)干旱來(lái)襲時(shí)，可以將其鏈接到一個(gè)平臺(tái)，該平臺(tái)可以迅速將資源轉(zhuǎn)移給牧民，使他們能夠負(fù)擔(dān)家庭支出或牲畜需求。研究人員通過(guò)編譯一個(gè)訓(xùn)練語(yǔ)料庫(kù)來(lái)實(shí)現(xiàn)這一想法，該訓(xùn)練語(yǔ)料庫(kù)由帶有人類標(biāo)簽的地面圖像組成，這些數(shù)據(jù)點(diǎn)帶有時(shí)間戳，草料質(zhì)量(0-3尺度，零表示嚴(yán)重干旱)，動(dòng)植物類型和距離澆水。他們將其與在相同地點(diǎn)和相同時(shí)間拍攝的100,000幅衛(wèi)星圖像相關(guān)聯(lián)，目的是僅使用上述衛(wèi)星圖像來(lái)預(yù)測(cè)質(zhì)量。

       該小組將數(shù)據(jù)集發(fā)布在了Weights and Biases的基準(zhǔn)測(cè)試網(wǎng)站上，該網(wǎng)站允許貢獻(xiàn)者將經(jīng)過(guò)訓(xùn)練的模型提交給公共排行榜。在撰寫(xiě)本文時(shí)，性能最佳的算法可以以77.8%的精度預(yù)測(cè)干旱，次之的模型可以達(dá)到77.5%的精度。展望未來(lái)，研究人員希望將工作范圍擴(kuò)大到其他地區(qū)，部分方法是收集地面和牧草數(shù)據(jù)，以及諸如玉米，木薯，水稻等主要農(nóng)作物的地理位置。