-
微信號(hào):youuav
關(guān)注官方微信
m.youuav.com手機(jī)掃碼看新聞
-
- 添加收藏
- 關(guān)于我們
無人機(jī)整機(jī)
無人機(jī)配件
無人機(jī)服務(wù)
設(shè)備與工具
2020年國(guó)際學(xué)習(xí)表示會(huì)議（ICLR）主辦的研討會(huì)上，與會(huì)人員在線討論了AI和機(jī)器學(xué)習(xí)如何（而且已經(jīng)應(yīng)用）如何應(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)短缺的問題-估計(jì)有9％的人口（6.97億）處于嚴(yán)重的“ 糧食不安全”狀態(tài)。
諸如勞動(dòng)力短缺，有害生物和病原體擴(kuò)散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)家通過農(nóng)業(yè)“數(shù)字雙生子”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?nbsp;Acadia大學(xué)的研究人員提出了一種算法，該算法可以比人類工人更準(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。
數(shù)字農(nóng)場(chǎng)“雙胞胎”的栽培建議
軟件質(zhì)量保證負(fù)責(zé)人Mohamed Akram詳細(xì)介紹了IBM去年對(duì)尼日利亞的農(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)，天氣和土壤狀況）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之間的合作完成。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，以提高作物產(chǎn)量。
Akram提到，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)使用它們的分銷商，政府和銀行也具有價(jià)值，可以利用它們來跟蹤市場(chǎng)動(dòng)態(tài)，計(jì)劃和制定政策，并將其投資風(fēng)險(xiǎn)降至最低。他指出，預(yù)計(jì)五年內(nèi)世界人口將超過80億，但到本世紀(jì)末，可耕地將減少20％。
“應(yīng)對(duì)糧食安全挑戰(zhàn)將取決于使供應(yīng)鏈更簡(jiǎn)單，更安全且浪費(fèi)更少，”Akram說。
Akram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-使工程師獲得了多個(gè)深度的水分讀數(shù)，土壤養(yǎng)分含量和肥力后，即可獲得產(chǎn)量預(yù)測(cè)，農(nóng)場(chǎng)做法和工作流程信息以及高清可視衛(wèi)星圖像。
要克服的挑戰(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，而且并非所有農(nóng)場(chǎng)都能買得起監(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)來回答兩個(gè)關(guān)鍵問題：（1）農(nóng)民什么時(shí)候應(yīng)該進(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)（來自數(shù)字“雙胞胎”）以及未來的元數(shù)據(jù)預(yù)測(cè)，例如最近的天氣歷史（濕度，能見度，溫度，降水和風(fēng)速），天氣預(yù)報(bào)（四個(gè)不同深度的土壤濕度），多光譜衛(wèi)星圖像和地面真相事件信息（位置和日期）。在實(shí)驗(yàn)中，丟失的元數(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)。
使用計(jì)算機(jī)視覺估算葡萄產(chǎn)量
Acadia大學(xué)數(shù)據(jù)分析研究所的兩名研究人員Daniel L.Silver和Jabun Nasa介紹了他們開發(fā)的計(jì)算機(jī)視覺系統(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)昂貴的過程-更不用說一個(gè)不精確的過程了（準(zhǔn)確度為75％至90％）。
為了給他們的估算產(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，然后再組合兩個(gè)數(shù)據(jù)集并將其饋入卷積神經(jīng)網(wǎng)絡(luò)（一種非常適合于分析視覺圖像的AI模型）。
他們報(bào)告說，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％。在未來的工作中，他們計(jì)劃通過合并自動(dòng)圖像裁剪器和長(zhǎng)期天氣預(yù)報(bào)數(shù)據(jù)來完善它。
利用衛(wèi)星圖像預(yù)測(cè)飼料狀況
來自加州大學(xué)戴維斯分校和AI咨詢公司W(wǎng)eights and Biases的研究人員發(fā)表講話，預(yù)測(cè)肯尼亞的牲畜飼草狀況?？夏醽啽辈磕撩竦募姞?zhēng)和奮斗促使它的誕生-他們依靠牲畜獲得食物和收入，但往往無法預(yù)知干旱可能發(fā)生的地方。
因此，理想的預(yù)測(cè)模型將通過分析公共數(shù)據(jù)來防止牲畜損失和饑餓。當(dāng)干旱來襲時(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，他們可以用來滿足家庭支出或牲畜需求。
研究人員遵循這一想法，編寫了一個(gè)訓(xùn)練語料庫，該訓(xùn)練語料庫由人為標(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范圍，零表示嚴(yán)重干旱）、動(dòng)植物類型。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)星圖像來預(yù)測(cè)質(zhì)量。
該團(tuán)隊(duì)將數(shù)據(jù)集發(fā)布到了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)過訓(xùn)練的模型提交給公共排行榜。在撰寫本文時(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，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。
2025-08-26 13:49
2025-07-25 08:53
2025-07-25 08:50
2025-07-24 09:07
2025-07-24 09:05
2025-07-23 09:24
2025-07-23 09:22
2025-07-22 09:24
2025-07-22 09:22
2025-07-21 13:36
