研究人員提出了將AI應(yīng)用于農(nóng)業(yè)和自然保護(hù)的方法

在本周在網(wǎng)絡(luò)上舉行的2020年國際學(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(并且已經(jīng))應(yīng)用于農(nóng)業(yè)挑戰(zhàn)。正如幾位專家指出的那樣，世界各國面臨糧食供應(yīng)短缺的問題，估計(jì)有9%的人口(6.97億)嚴(yán)重“糧食不安全”，這意味著他們無法可靠地獲得負(fù)擔(dān)得起的營養(yǎng)食品。

諸如勞動(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，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)測特定農(nóng)作物產(chǎn)量的農(nóng)作物數(shù)字模型談到了他們在非洲的工作。阿卡迪亞大學(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)測肯尼亞牲畜覓食條件的工作。

數(shù)字農(nóng)場“雙胞胎”的栽培建議

軟件質(zhì)量保證負(fù)責(zé)人Akram Mohammed詳細(xì)介紹了IBM去年對尼日利亞農(nóng)場進(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的云平臺上構(gòu)建農(nóng)場的模擬。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，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農(nóng)民本身有價(jià)值，而且對可以利用它們來跟蹤市場動(dòng)態(tài)，計(jì)劃和制定政策并最大程度降低其投資風(fēng)險(xiǎn)的分銷商，政府和也具有價(jià)值。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%。

他說：“應(yīng)對糧食安全挑戰(zhàn)將取決于使供應(yīng)鏈更簡單，更安全和更少浪費(fèi)。”

Mohammed及其團(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，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，農(nóng)場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)場數(shù)據(jù)相對匱乏。衛(wèi)星圖像僅提供像素值的信息，并非所有農(nóng)場都能買得起監(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”)和將來的元數(shù)據(jù)預(yù)測，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)(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，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。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)。