作者：Oleksii Kharkovyna

来源：Towards Data Science

过去艰苦且生产力低下的人工劳力时代已经结束，高精度算法支持下的智能化农业如今已成为新兴概念。这一领先技术为每一个在农业领域工作的人都带来了生产效率的持续增长，体现在农产品的产量与质量都得到了提高。

数字化农业正在带领我们迈进第四次农业革命。日常农耕器械学会了处理复杂任务，并在时间的推移下越来越完善。所以，机器学习是如何在如今的农业生产中应用的？而农场主们为什么需要关注农业方面的机器学习？这一篇文章将帮助您解答这一疑问。

机器学习在葡萄酒生产中的应用

＃1自动灌溉系统

灌溉系统一直是大型开放区域农业作业面临的难题，但是，如今许多农场已经可以非常成功的使用这个系统。系统在预估灌溉所需水量时最大的难题在于它非常依赖天气状况。而自动灌溉系统旨在帮土壤保持宜耕状态从而提高平均产量，这一系统不止显著地减少了人力需求，还可以降低生产成本。除此之外，灌溉系统对于淡水消耗数据的优化和统筹也至关重要。许多科学家认为这项科技将会为全球水资源供应流程带来全球性影响。

＃2无人机

作为农业领域最受欢迎和广泛使用的智能设备之一，无人机技术的出现使得农业领域进步了一大截。通过深入且细微的分析，无人机会定期和定量地喷洒作物。使用这个帮助提高作物产量的新功能已成为了许多农民日常工作的一部分。无人遥感机技术正在积极开发新功能，并且投入新的应用，为田间工作提供更多高质量且高效的选择。

＃3 智能水果采摘机器人（Robocrop）

领先的科技公司一直致力于创新，旨在最大限度地减少人力劳动，这些技术在农业领域显得尤其必要和有成效。智能采摘机器人集合了“现成”的智能技术比如感应器，雷达，GPS系统等。它在不需要司机陪同的情况下，就可以在田野里四处活动，耕种土地和采摘果实。在这样高度自理的作物处理系统的帮助下，我们可以耕种的土地面积和时间都将增加。

＃4作物监测系统

传统监测农作物健康的方法非常耗时。许多技术公司已经在致力于开发能够监控，检测与分析各项数据的智能系统，这个系统将导出农作物的生长状态与种植可行性。

这种自动化系统的工作预计将建立在高光谱图像 （Hyperspectral）和3D激光扫描（3D Laser Scanning）的基础上，这将显著提高数据收集的准确性和数量。值得注意的是，这类技术将会帮助许多农场主精准的诊断某块区域甚至精准到某颗农作物，从而控制它们的产量与生产潜力。

如今的机器学习可以帮助农民预测产量和作物质量，及时发现杂草和作物疾病：

•产量预测：新的前沿方式远远超过了基于历史数据的简单预测，它结合了计算机视觉技术（computer vision technologies），以提供实时数据和作物，天气和经济条件的全面多维分析。

•作物质量：与人类专家相比，机器可以利用看似毫无意义的数据和联系来找到能够提高作物整体质量的新特质。

•疾病检测：机械学习是全面精准农业管理的一部分，根据时间，地点和被感染的工作物来投放农药。

•杂草检测：计算机视觉和机械学习算法可以在低成本的情况下改善杂草的检测与识别，且不会带来环境污染和其他副作用。将来，这些技术将完善除草机器人来最大限度地减少除草剂的应用。

微软的工程师和来自国际半干旱热带作物研究所（ICRISAT）的科学家使用人工智能来确定印度的农作物最佳种植时间。微软小娜智能软件（Microsoft Cortana Intelligence Suite）这一应用程序还可以通过监控土壤状况来选择需要的肥料。最初，只有来自7个村庄的175名农民参加了该计划。他们在收到相应的短信通知后才开始播种。结果显示农作物这些农民的产量比平时提高30-40％。

＃5精准农业

这种被称为“精确耕作”（Precision Farming）的应用是使用实时和历史数据，结合机器学习算法来为应用的各个小区域做出具体安排，而不是使用传统模式，在大范围内使用相同的模式。例如，不在大面积土地上施用大量农药，而是将少量农药施用于特定的树木，灌木甚至树叶上，从而降低成本和浪费，也避免了化学品在批量使用时可能造成的损害。

精准农业的一个很好的例子是Prospera，它是一家希望将农业生产模式转变成为基于数据实践的公司。 Prospera通过使用现场摄像机，传感器和微气象数据来实时监控并提供作物信息。同时使用深度学习和计算机视觉的算法来分析数据，使之在重要事项发生时能够有所察觉并上报。这给农场主带来了更多的主动权，比如病发初期发现并消除疾病，从而减少损失和提高产量。使用计算机视觉进行图像分析的一个优点是，如果人工智能训练有素，算法通常可以察觉到连经验丰富的专家也不会注意到的问题。在医学中同样的方法也被用来诊断癌症。

＃6动物识别和健康监测

虽然面部识技术出现已久，但现在科技先驱们开发对智能系统不仅可以识别动物，还可以分析他们的健康和行为。智能系统可以对动物或动物群体的行为进行单独观察，从而确定其基本习惯，然后创建一个数据库来收录每只动物的实际健康情况。这一科技被认为将在农业领域大放光彩，并带领行业走向数字化。

中国公司阿里巴巴（Alibaba）和德康集团（Dekon Group）使用人工智能来管理养猪场就是一个很生动的例子。通过结合红外传感器温度的读数和每天每头猪的运动数据，AI可以评估特定动物的健康状况。此外，人工智能的语音识别工具能够通过记录猪咳声来监测疾病的传播。阿里巴巴和德康集团称，使用这种系统，仔猪的死亡率每年会降低3％。而这仅仅是个开始。

＃7温室气候控制器

温室气候控制器是基于人工智能技术合成的，这是一个人工智能驱动的系统，也是用于分析和合成智能气候控制器的智能控制研究方法。该系统使用人工神经网络[JX1] （ANN）和模糊逻辑控制器（FLC）来调节人工温室中的温度和湿度等气候变量。

由于温室内所涉及的物理动力学，气候控制器的合成变成了一项使用传统的控制技术的复杂任务。模糊逻辑（Fuzzy Logic）是一项解决该问题的有效办法。实验证明，FLC在精度，能量和稳健性方面均表现最佳。

能够简略说明运作流程的模型

你是否经常听说人们谈论机器学习，却只能模模糊糊地想象它是什么？让我们来深入了解它吧。

机器学习属于人工智能领域，通过它，电脑可以在无须明确编程的情况下自主学习。

简单来说，机器学习的意义是仅仅用基础算法对关数据集提取信息，整个过程无需人工编写代码来手动解决问题。您只需要向基本算法提供数据而不是代码，它会根据此数据形成自己的结论。

在农业领域的机械学习中，这些模式都来自学习过程，他们需要通过积累经验来学习执行特定任务。一旦完成学习过程，机器便可以自主建立假设，分类并测试数据。这是在培训过程中吸取经验后才能实现的。

如果你更深入研究，你会发现，机器学习就像一把伞，撑着各种其他重要的技术和方法。比如当谈到农业中最受欢迎的模型时，我们可以观察到人工和深度神经网络[JX1] （ANN和DL）和支持向量机（SVM）的使用。

让我们看看每个概念意味着什么。

深度学习（Deep Learning）是机器学习的一个子集，可以从各种原始数据集中得出结论。深度学习算法可以通过学习十年的实地数据，比如关于作物是在哪种气候下继承了哪些特质，并使用这些数据来开发概率模型。所有这些信息远远超过任何个人所能掌握的，机器学习可以预测哪些基因最有可能为植物带来有益的特性。在数以百万计的组合中，高级的软件大大缩小了搜索范围。

人工神经网络（ANN）是受人类大脑功能的启发，代表了生物神经网络结构的简化模型，能够模拟复杂功能，如模式生成，认知，学习和决策。

支持向量机（SVM）是通过构造线性分离超平面来对数据实例进行分类的二进制分类器。在农业中，它们被用来预测作物的产量和质量以及养殖业产量。

结论：为什么机器学习和AI这么重要？

世界正在走向严重的危机，这里说的不是人工智能末日论。到2050年，人口将达到90亿。这一数字说明粮食产量需要翻番，以满足不断增长的需求。同时，全球变暖和城市化这些问题将会使农作物更难增加收成。

当这一现实问题与气候变化，能源短缺和水资源匮乏等问题相结合，则要求我们从根本上重新思考我们的农业系统。值得庆幸的是，机器学习可以为我们提供极大帮助。科学技术的进步使我们足以面对这些挑战。

但同样重要的是意识到机器学习与其他技术一样只是流程的一部分，而不是一个独立的解决方案。所以我想说的是，人工智能的应用必须与现有农业运营模式相兼容。

译者：项纪雯

校对：黄丙鑫

二校：柳叶青