在本周在網(wǎng)上舉行的2020年國際學習代表大會(ICLR)主辦的研討會上，小組成員討論了AI和機器學習如何(而且已經(jīng))應用于農(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短缺的問題，估計有9%的人口(6.97億)嚴重“糧食不安全”，這意味著他們無法可靠地獲得負擔得起的營養(yǎng)食品。

       勞動力短缺，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升級，但是人工智能可以提供幫助。IBM科學家通過農(nóng)業(yè)“數(shù)字孿生”或用于預測特定農(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。阿卡迪亞大學的研究人員提出了一種算法，該算法旨在比人類工人更準確地測量葡萄產(chǎn)量。加州大學戴維斯分校的一個小組詳細介紹了使用衛(wèi)星圖像預測肯尼亞牲畜覓食條件的工作。

       軟件質(zhì)量保證負責人Akram Mohammed詳細介紹了IBM去年對尼日利亞農(nóng)場進行數(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)民本身有價值，而且對可以利用它們來跟蹤市場動態(tài)，規(guī)劃和制定政策并最大程度降低其投資風險的分銷商，政府和銀行也具有價值。他指出，預計五年內(nèi)世界人口將超過80億，但到本世紀末，可耕地將減少20%。

       Mohammed和他的團隊利用了IBM的PAIRS Geoscope服務(wù)，該服務(wù)旨在托管和管理PB級的地理時空數(shù)據(jù)，例如地圖和無人機圖像，以存儲有關(guān)每個農(nóng)場的衛(wèi)星，天氣和地面?zhèn)鞲衅鲾?shù)據(jù)。IBM的另一項服務(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-使工程師在輸入了多個深度的水分讀數(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。團隊的解決方案是將目標區(qū)域中超過40,000個集群的農(nóng)場組建模。這使工程師能夠訓練一個推薦系統(tǒng)來回答兩個關(guān)鍵問題：(1)農(nóng)民何時應進行特定的種植活動;(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)包括一個集成的學習模型，該模型會建議栽培日期，利用歷史狀態(tài)(來自數(shù)字“雙胞胎”)和將來的元數(shù)據(jù)預測，例如最近的天氣歷史(濕度，能見度，溫度，降水和風速)，天氣預報(在四個不同深度的土壤濕度)，多光譜衛(wèi)星圖像和地面真實事件信息(位置和日期)。在實驗中，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)。

       阿卡迪亞大學數(shù)據(jù)分析研究所的研究人員Daniel L. Silver和Jabun Nasa介紹了他們開發(fā)的計算機視覺系統(tǒng)的工作，該系統(tǒng)可以根據(jù)葡萄圖像測量葡萄產(chǎn)量。準確的葡萄產(chǎn)量估算對于計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，進行測量在歷史上是一個昂貴的過程-更不用說一個不精確的過程了(準確度為75%至90%)。

       為了為他們的估計產(chǎn)量的機器學習模型建立訓練集，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)字秤測量葡萄的重量。收集后，Silver和Nasa將測量數(shù)據(jù)數(shù)字化，并對照片進行裁剪，歸一化和調(diào)整大小，然后再將兩個數(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圖像的AI模型)中。

       他們報告說，他們表現(xiàn)最好的模型在收獲前六天的平均產(chǎn)量預測上平均準確率為85.15%，在預測收獲前16天的平均產(chǎn)量上準確率為82%。在未來的工作中，他們計劃通過合并自動圖像裁剪器和長期天氣預報數(shù)據(jù)來完善它。來自加州大學戴維斯分校和AI咨詢公司W(wǎng)eights and Biases的研究人員就預測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的，他們依靠牲畜獲得食物和收入，但往往無法預見干旱。

       理想的預測模型將通過分析公共數(shù)據(jù)來防止牲畜損失和饑餓。當干旱來襲時，可以將其鏈接到一個平臺，該平臺可以迅速將資源轉(zhuǎn)移給牧民，使他們能夠負擔家庭支出或牲畜需求。研究人員通過編譯一個訓練語料庫來實現(xiàn)這一想法，該訓練語料庫由帶有人類標簽的地面圖像組成，這些數(shù)據(jù)點帶有時間戳，草料質(zhì)量(0-3尺度，零表示嚴重干旱)，動植物類型和距離澆水。他們將其與在相同地點和相同時間拍攝的100,000幅衛(wèi)星圖像相關(guān)聯(lián)，目的是僅使用上述衛(wèi)星圖像來預測質(zhì)量。

       該小組將數(shù)據(jù)集發(fā)布在了Weights and Biases的基準測試網(wǎng)站上，該網(wǎng)站允許貢獻者將經(jīng)過訓練的模型提交給公共排行榜。在撰寫本文時，性能最佳的算法可以以77.8%的精度預測干旱，次之的模型可以達到77.5%的精度。展望未來，研究人員希望將工作范圍擴大到其他地區(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。