一种将人工智能应用于农业和自然保护的方法

（文章来源：教育新闻网）
       在本周在网上举行的2020年国际学习代表大会(ICLR)主办的研讨会上，小组成员讨论了AI和机器学习如何(而且已经)应用于农业挑战。正如几位专家指出的那样，世界各国面临粮食供应短缺的问题，估计有9%的人口(6.97亿)严重“粮食不安全”，这意味着他们无法可靠地获得负担得起的营养食品。

劳动力短缺，有害生物和病原体的传播以及气候变化等因素有可能使危机升级，但是人工智能可以提供帮助。IBM科学家通过农业“数字孪生”或用于预测特定农作物产量的农作物数字模型谈到了他们在非洲的工作。阿卡迪亚大学的研究人员提出了一种算法，该算法旨在比人类工人更准确地测量葡萄产量。加州大学戴维斯分校的一个小组详细介绍了使用卫星图像预测肯尼亚牲畜觅食条件的工作。

软件质量保证负责人Akram Mohammed详细介绍了IBM去年对尼日利亚农场进行数字“克隆”的工作，这需要收集多光谱图像和元数据(如传感器读数，天气和土壤条件)的历史记录，以在IBM的云平台上构建农场的模拟。部分工作是IBM与Hello Tractor之间的合作关系的产物，Hello Tractor是一项订阅服务，该服务将小规模农民与设备和数据分析联系起来，以提高作物产量。

穆罕默德(Mohammed)断言，数字化作物增值不仅对农民本身有价值，而且对可以利用它们来跟踪市场动态，规划和制定政策并最大程度降低其投资风险的分销商，政府和银行也具有价值。他指出，预计五年内世界人口将超过80亿，但到本世纪末，可耕地将减少20%。

Mohammed和他的团队利用了IBM的PAIRS Geoscope服务，该服务旨在托管和管理PB级的地理时空数据，例如地图和无人机图像，以存储有关每个农场的卫星，天气和地面传感器数据。IBM的另一项服务-Watson农业决策平台，将IBM拥有的The Weather Company的算法与物联网数据摄取工具相结合-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后，可以获得产量预测，农场操作和工作流程信息以及高清可视卫星图像。

挑战之一是规模较小的农场数据相对匮乏。卫星图像仅提供像素值的信息，并非所有农场都能买得起监视设备。团队的解决方案是将目标区域中超过40,000个集群的农场组建模。这使工程师能够训练一个推荐系统来回答两个关键问题：(1)农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量最大化?

该系统包括一个集成的学习模型，该模型会建议栽培日期，利用历史状态(来自数字“双胞胎”)和将来的元数据预测，例如最近的天气历史(湿度，能见度，温度，降水和风速)，天气预报(在四个不同深度的土壤湿度)，多光谱卫星图像和地面真实事件信息(位置和日期)。在实验中，缺少元数据(如农作物类型和土壤条件)阻碍了模型的预测。但是研究人员声称，他们的解决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研究人员Daniel L. Silver和Jabun Nasa介绍了他们开发的计算机视觉系统的工作，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要，但是正如Silver和Nasa指出的那样，进行测量在历史上是一个昂贵的过程-更不用说一个不精确的过程了(准确度为75%至90%)。

为了为他们的估计产量的机器学习模型建立训练集，研究人员招募了志愿者，并要求他们给葡萄拍摄葡萄在葡萄树上的照片，并使用数字秤测量葡萄的重量。收集后，Silver和Nasa将测量数据数字化，并对照片进行裁剪，归一化和调整大小，然后再将两个数据集组合在一起，并将它们输入到卷积神经网络(一种非常适合于分析视觉图像的AI模型)中。

他们报告说，他们表现最好的模型在收获前六天的平均产量预测上平均准确率为85.15%，在预测收获前16天的平均产量上准确率为82%。在未来的工作中，他们计划通过合并自动图像裁剪器和长期天气预报数据来完善它。来自加州大学戴维斯分校和AI咨询公司Weights and Biases的研究人员就预测肯尼亚牲畜饲草状况的努力发表了讲话。他们的工作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，但往往无法预见干旱。

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平台，该平台可以迅速将资源转移给牧民，使他们能够负担家庭支出或牲畜需求。研究人员通过编译一个训练语料库来实现这一想法，该训练语料库由带有人类标签的地面图像组成，这些数据点带有时间戳，草料质量(0-3尺度，零表示严重干旱)，动植物类型和距离浇水。他们将其与在相同地点和相同时间拍摄的100,000幅卫星图像相关联，目的是仅使用上述卫星图像来预测质量。

该小组将数据集发布在了Weights and Biases的基准测试网站上，该网站允许贡献者将经过训练的模型提交给公共排行榜。在撰写本文时，性能最佳的算法可以以77.8%的精度预测干旱，次之的模型可以达到77.5%的精度。展望未来，研究人员希望将工作范围扩大到其他地区，部分方法是收集地面和牧草数据，以及诸如玉米，木薯，水稻等主要农作物的地理位置。
      （责任编辑：fqj）