AI与物联网科技如何重塑农业外形
钻研标明，农业（即植物栽培与生物养殖）的历史可以追溯到约1.2万年前中东的新月沃地，对植物的控制和收获也或许开局得更早。也正是这些技术的存在，使得人类能够构成大型定居点，进而开展成定义人类现代生活的复杂市区中心。而这，还只是后世一系列农业反派的开局。
在接上去的几个世纪里，农业的日益复杂化撑持起不时增长的人口总量。第二次农业反派始于17世纪的英国，包括引入新型灌溉技术、肥料及农产品运输方式。20世纪曾经甚嚣尘上的人口解体论，被始于20世纪40年代的绿色反派（也称第三次农业反派）所防止。随着新型肥料与杀虫剂的宽泛经常使用，农作物产量也迎来大幅增长。
如今第四次农业反派行未来到。包括物联网（IoT）部署（即用于搜集和传输数据的数字化设备）以及AI在内的技术提高，正将效率推向新的顶点，并有望再次从基本上扭转人类宰治整个地球的详细方式。
将过往数百年的历史数据搜集起来，并将其与新设备搜集的新消息结合起来，使得农民能够片面改良自己的种植、灌溉、病虫害控制及收获战略，从而提高产量并降低对环境的负面影响。如今，全环球农民曾经经常使用近1亿台联网设备，而且随着农业消费运营的数字化水平继续优化，这个数字也只会越来越高。
为此，咱们考查了物联网及AI技术在农业运营中的兴起，并失掉AI及计算机视觉数据注释公司Sama的环球营销副总裁Lisa Avvocato、大数据剖析公司HEAVY.AI的产品副总裁Mike Flaxman以及提供用于监测植物肥壮的AI处置方案商Fermate开创人兼CEO Valeria Kogan的指引和评论。
满足人口不时增长提出的新需求
当今环球人口已超81亿。估量未来30年，这一数字将再参与20亿。
在气候变动造成的干旱加剧、燃料老本下跌、环境法规愈发严厉、繁多作物盛行以及入侵性益虫激烈侵袭的新时代，环球人口迸发式增长所带来的维持应战再次浮出水面。虽然环球人口出世率正在降低，但总人口的收缩势头还在继续，食粮供应疑问的严厉水平只增不减。
虽然环球食粮产量截至目前仍与人口增长坚持着同步，但开展中国度还是无法解脱食粮充足疑问。据联结国称，到2022年，将有24亿人面临必定水平的食粮安保要挟。
过去十年间，食粮增长率甚至略有降低。据估量，为了养活未来几十年的新增人口，食粮产量还须要再参与110%。
农民们开局越来越多地依赖数字技术来控制农作物并提高产量。仅靠绿色反派的翻新，曾经无余以满足食粮需求的指数级增长。如今，美国超越50%的玉米、棉花、水稻、高粱、大豆和冬小麦种植户（按面积计算）都在经常使用某种方式的数字辅佐技术。而那些短少数字辅佐支持的农民假构想要介入市场竞争，也必定迅速拥抱这股新兴潮流。换言之，精准农业仿佛成为团体从业者乃至整个环球的惟一前途。
农业AI与物联网的技术基础
自20世纪70年代和80年代初次宣布关于该主题的论文以来，AI在农业畛域的运行不时在缓慢减速。而与其余AI运行一样，农业AI从21世纪初起逐渐迎来下降。如今，对历史和当代大数据的搜集和剖析，正在为简直一切可以想见的作物种植集体发明渺小的效率长处。
运用各种各样的技术手腕，咱们可以搜集湿度、益虫盛行率、降雨量、土壤温度及温度等数据，可以从天文消息系统中提取宽泛的数据集，并有装备专门的红/绿/蓝（RGB）、光检测与测距（LIDAR）、热像仪、多光谱与高光谱相机的无人低空车（UGV）及无人驾驶航行器（UAV）乃至固定无线传感器以搜集更多详细数据。由此取得的数据结果，则可交由机器学习和深度学习程序启动剖析。
Flaxman解释称，“假设没有AI技术来组织这些数据，那么单凭人类的头脑基本无法加以了解。数据总量高达TB级别，咱们必定找到可行的方法过滤掉其中的有效部分。总而言之，咱们既须要有才干监控惯例状况，又须要能够捕捉到意外目的。”
他同时补充称，不同类型的数据间的相互作用，往往能够大大优化剖析结果的准确度。“如今咱们终于能够像多年以来的军方那样，牢牢掌握住或许具有全局影响的迹象和线索。所谓迹象，就是在监控环节中发现的某些可疑的体现，代表咱们值得投入更多资源来搞分明终究出现了什么。AI技术在掌握迹象和线索方面体现得特意好，也就是先部署用于微观监控的技术，再引入一些详细的技术手腕来弄分明可疑迹象面前究竟指向怎么的底层疑问。”
他还提到，AI技术曾经开展到用户可以用人造言语向软件程序提出查问，再以视觉示意的方式（例如描述某些特色的图谱）来失掉答案的水平。
另外，用于搜集数据的某些技术同时也可以作为处置方案的组成部分——例如，装备视觉检测技术的多种机器人技术（包括UGV和UAV）可以识别并肃清杂草，并在目的区域喷洒杀虫剂。UGV能够无理想的深度种植种子。这些设备在婚配上机器人附件之后，还可以经过图像识别以远超其余机械化技术的精度收获农产品，大大增加对水果和蔬菜作物的挫伤。
历史与当代数据相结合
自书写言语降生以来，农民们曾经翔实地记载下数千年间的数据。苏美尔人早在公元前3500年就开局记载他们的农作物产量。在美国，自1863年农业部成立统计司以来，该部门不时在搜集全国农业统计数据。
AI模型可以应用咱们后人留下的记载消息，据此对选择当今农业运营形态的关键要素做出预测——特意是热量、降雨等气候要素，以及地上水及土壤营养等本地资源的储藏状况。
在此之后，可以将这些数据与物联网传感器、无人机和UGV搜集的消息，以及美国Landsat系统及欧Sentinel-2等卫星的观测结果启动比对，从而生成更详细且更有用的预测。理想上，这就是此类新型技术被统称为精准农业的要素所在。
Mike Flaxman, HEAVY.AI公司产品副总裁
Flaxman解释道，“AI技术特意长于做数据荡涤。水体传感器或许会卡死，航拍图像或许会被云层遮盖。每个数据源、每种传感器都面临着自己的共同应战。”而AI程序能够过滤掉静态数据，并从中概括出最有用的消息。
专为农场设计的决策支持系统（DSS），即农场控制消息系统（FMIS），有助于整合这些不同的消息源，并经常使用机器学习技术为种植、控制、收获和开售布局提供可行的指点倡导。
这些倡导有助于降低老本、提高产量，并且以更可继续的方式经常使用农药、化肥和水资源。它们还可协助农民预测市场需求及定价，并据此制订消费方案，从而提高利润并增加糜费。
上方来看目前曾经相对成熟的几类物联网及AI通常运行。
水资源控制
理想证实，AI在确定何时及如何灌溉农作物方面有着共同的配置长处。IBM开发的Liquid Prep产品就经常使用来自土壤传感器的水分坚持数据，结合天气预告数据和特定植物的需水量数据，为何时灌溉特定田地和给水量提供倡导。关系数据可经过移动端运行随时访问，繁难快捷。
其余系统则整合了蒸发、湿度、土壤和环境温度数据，以及可以批示水灾早期迹象的卫星及无人机数据。
Flaxman在谈到卫星数据时示意，“一切这些传感器的分辨率都在提高。所谓分辨率，既蕴含人们熟知的空间重量，也触及对农业有着关键意义的光谱分辨率。比如从蜜蜂的视角登程，它们是仰仗对红内线的敏锐感知发现花朵的。当植被面临干旱要挟时，蜜蜂能够在人眼识别变动的几周之前就在红外波段观察到迹象。这几周期间十分贵重，可以提供足够的期间让咱们部署对策。”
AI技术还能评价农场内不同区域确实切需水量，这些地域具有不同的地形和土壤参数，能够确保植物坚持最佳供水形态——既不会灌溉适度，也不会灌溉无余。这反上来又让植物能更好地排汇肥料，并增加在适度湿润或许适度枯燥的条件下诱发病虫害疑问的几率。
径流疑问也能因此失掉良好控制。径流不只会糜费水资源，还会将污染物带入水体。随着干旱加剧、地上水资源干枯以及可耕地质量随期间推移而逐渐降低，水资源控制将变得越来越关键。理想上，全环球只要不到1%的咸水可供应用，其中约70%的地上水被用于灌溉。
除了控制现有作物之外，AI程序还可以应用数据剖析论断来评价哪些类型的作物更适宜在未来的气候条件下茁壮生长、高效产出。例如，AI技术曾经确定了耐旱性更强的大豆种类。一项钻研甚至开收回了能够减轻干旱对大豆影响的微生物，其中一部分上班就是由AI剖析担任成功。
检测并缓解杂草与益虫疑问
杂草、益虫和病害压力会引发重大的作物损失。在这些疑问对作物形成无法修复的侵害之前尽早发现迹象，关于维持可继续农业运营并保证其预期收益而言至关关键。
AI能够有效剖析无人机和卫星拍摄的航拍图像，从中发现纤细的光谱变动，据此剖析出反映疾病或益虫侵袭早期出现迹象的目的。甚至早在十年之前，AI剖析就能够检测出甜菜疾病，且准确率高达90%。
Kogan解释称，“AI是由蕴含数千种不同植物病虫害示例的高质量数据集训练而成。在咱们的产品中，咱们经常使用深度学习和神经网络来剖析视觉数据并识别病虫害。以往，现场勘查人员须要穿过温室或旷野，检查每株植物的叶片以识别意外状况。这当然是件十分辛劳的上班，勘查员也经常会错过一些关键特色，最终造成对病虫害的反响不够及时，平均形成30%左右的收成损失。”
经过AI检测的加持，对受影响区域的极速识别成为或许，并可经常使用适当农药启动处置，同时继续监控未受影响的区域，从而增加资源经常使用和环境污染。Avvocato指出，有了AI识别技术，“咱们只须要对特定区域的农田喷洒农药，而不像过去那样在整片田地里片面喷洒。”
对挤占农作物生活空间、疯狂吸取营养的杂草启动检测雷同至关关键。据统计，杂草每年从农作物处攫取必需的营养和水资源，降低了作物生机和产量。美国农民每年破费约260亿美元购置除草剂来处置这个疑问。在某些极端状况下，除草老本甚至占到他们全年总开销的近三分之二。
经常使用AI技术则可准确定位杂草，而不会影响到周遭植物，也不须要在空中大面积喷洒除草剂。
Avvocato在采访中示意，“农作物和杂草在外观上十分相似，特意是在早期生长阶段。其中一大应战，就是如何失掉数量充足的高质量图像。由于这些农作物和杂草看起来十分相似。咱们须要高质量图像来判别目的是须要喷洒农药的杂草，还是农作物的幼枝嫩芽。”
有名目发现，装置在全地形车上的摄像头可以穿梭田间地头并发现杂草，而后间接喷洒除草剂，其准确率高达78%。另一个名目则经常使用深度学习技术识别杂草，准确率进一步优化至98%，旨在经常使用非化学手腕去除杂草。也有人经常使用针对性机械搅扰，例如根除或引燃杂草。更有激光除草机出现，应用深度学习和机器人技术先识别杂草，再用激光将其覆灭。
AI技术还可用于检测牲畜疾病的出现。例如，摄像头可用于检测养鱼塘中出现病原体的迹象。默认项圈则可监测哺乳生物的心率、呼吸及其余生命体征，从而在疾病好转之前成功检测和诊断。
土壤条件与种植指点
除了监测土壤湿度和排水状况之外，AI技术还能够经常使用从物联网设备及历史来源搜集到的数据协助剖析土壤营养、成分和质地。对土壤类型启动分类之后，AI即可依据不同作物的需求对地块启动调配，协助农民选择种植哪些作物、详细种类、种子播撒深度以及种间距离距离。
AI程序还可以识别出种植方式的毛病，并依据植物需求做出调整，从而优化肥料及其余土壤改良剂的选用，同时预测特定土壤条件下容易出现的病原体和益虫。
生长监测与收获控制
AI技术可以进一步协助农民，经过监测植物生长状况并将其与已知生长形式启动比拟，进而评价作物的肥壮水温和成熟度，以及在不同状况下的详细产量。
例如，钻研人员曾经经常使用深度学习来监测草莓作物的成熟度，准确率高达99%。其能够确保在正确期间启动收获，并提高客户对产品的满意度。另一款程序经常使用AI技术来检测葡萄的牢固环节，以75%的准确率识别出葡萄串，协助酿酒商在成熟季之初就大抵预算出最终收获量。
AI与物联网技术的结合亦可运用于收获自身。一项钻研经常使用图像识别与机械臂相结合，将成熟西红柿的成功采摘几率优化至89%。收获之后，还可经常使用图像识别技术按质量对农产品启动分类。一支钻研小组还依据榛子的大小和损坏水平对果实启动分类，准确率高达96%。
质量、大小和贮藏寿命等要素也在AI剖析的才干范围之内，成为种植户预测市场多少钱、掌握竞争态势的关键手腕，更准确地掌握潜在需求与预期支出。
局限和应战
虽然面向各关键作物的AI剖析配置曾经相领先进，但针对各类十分见作物的程序在可用性和准确性方面则错落不齐。要消弭其中的检测意外，就必定对AI检测程序启动片面调整。
Kogan解释称，“由于缺乏丰盛的理想参考，数据质量依然是个渺小的应战。由于无法对每项诊断启动试验室测试，咱们只能高度依赖农学家对图像做出的人力剖析。”
Valeria Kogan, Fermata公司开创人兼CEO
Flaxman还补充道，“目前的状况是，基于航拍的大范围测绘才干曾经比拟成熟，但对小规模细节的笼罩则不够充沛。”
因此，这项技术或许还不适用于某些植东西类。Flaxman示意，“这将成为农业畛域接上去须要克制的难题，但渺小的后劲空间也在其中。只需能够协助AI技术取得识别不凡作物特色的才干，那么落地运行将再无阻碍。毕竟很多人种的都不是惯例的食粮作物。以草莓为例，很多企业可以绘制出专门的草莓种植图，有针对性地满足市场上的理想需求和种植户利益。”
虽然物联网和AI技术在协助农民运营方面显示出黑暗的前景，但目前关系方案还没有宽泛被交付至集体农户手中。虽然部散开展中国度曾经在尝试部署关系名目，也有些小规模农户设法在特定区域内引入新技术，但总体而言AI依然只是农业巨头们的专属。将各类技术和数据集整分解可操作消息并据此采取执行是一项艰难应战，须要少量投资才有宿愿取得报答。
即使是繁多运行，比如说灌溉控制，也须要少量数据和配套的控制程序。而且，每一项技术部署还只能搜集特定类型的数据。Avvocato坦言，“进入这一畛域的最大阻碍，就是须要投入巨量资金置办基础设备。而且这类资金累加起来，总体数额将极端可观。”
FMIS曾经初步显示出应用地下数据提取宽泛见地，再据此指点农业消费通常的后劲，但少数人依然无法能依托小型空中无人机来发现部分疾病实例、或许装置传感器来监测土壤湿度。此外，在特定期间点上搜集数据的适用性也比拟有限。与从历史观察中搜集到的宽泛趋向雷同，细粒度的本地化数据往往须要在经过长期间的积攒之后才干真正具有适用性。
Flaxman指出，可以思考为无法独自傲担设备的农民提供空中观测服务，甚至推出协作方案，由临近农户们共同启动考查并相互分享结果数据。他倡导将这些数据与其余收费颁布的卫星数据相结合，并经常使用订阅方式的网络服务及开源工具对结果启动剖析。
随着技术的减速开展和更片面平台的出现，关系技术培训名目也有望协助种植户们（特意是在开展中国度等食粮供应弛缓的地域）经常使用物联网和AI改善其运营状况。
Avvocato指出，“开展中国度食粮供应的软弱水平要比美国高得多。假设能够将农作物产量提高 10%、20%甚至30%，必将发生渺小的理想影响。”
与此同时，无人机航拍和依托少量传感器的农场田地扫描，也将继续为须要现场数据的AI程序提供动力，从另一个正面协助其优化才干极限、勾画出通用人工默认的未来外形。
