在本周在網上舉行的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)應用于農業挑戰。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科學家通過農業“數字孿生”或用于預測特定農作物產量的農作物數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量。加州大學戴維斯分校的一個小組詳細介紹了使用衛星圖像預測肯尼亞牲畜覓食條件的工作。

       軟件質量保證負責人Akram Mohammed詳細介紹了IBM去年對尼日利亞農場進行數字“克隆”的工作，這需要收集多光譜圖像和元數據(如傳感器讀數，天氣和土壤條件)的歷史記錄，以在IBM的云平臺上構建農場的模擬。部分工作是IBM與Hello Tractor之間的合作關系的產物，Hello Tractor是一項訂閱服務，該服務將小規模農民與設備和數據分析聯系起來，以提高作物產量。

       穆罕默德(Mohammed)斷言，數字化作物增值不僅對農民本身有價值，而且對可以利用它們來跟蹤市場動態，規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，該服務旨在托管和管理PB級的地理時空數據，例如地圖和無人機圖像，以存儲有關每個農場的衛星，天氣和地面傳感器數據。IBM的另一項服務-Watson農業決策平臺，將IBM擁有的The Weather Company的算法與物聯網數據攝取工具相結合-使工程師在輸入了多個深度的水分讀數，土壤養分含量和肥力后，可以獲得產量預測，農場操作和工作流程信息以及高清可視衛星圖像。


       挑戰之一是規模較小的農場數據相對匱乏。衛星圖像僅提供像素值的信息，并非所有農場都能買得起監視設備。團隊的解決方案是將目標區域中超過40,000個集群的農場組建模。這使工程師能夠訓練一個推薦系統來回答兩個關鍵問題：(1)農民何時應進行特定的種植活動;(2)什么是最佳耕作日，從而使小規模農民的農作物產量最大化?

       該系統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(來自數字“雙胞胎”)和將來的元數據預測，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，缺少元數據(如農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于基于啟發式的系統。

       阿卡迪亞大學數據分析研究所的研究人員Daniel L. Silver和Jabun Nasa介紹了他們開發的計算機視覺系統的工作，該系統可以根據葡萄圖像測量葡萄產量。準確的葡萄產量估算對于計劃收成和做出葡萄酒生產選擇至關重要，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，并使用數字秤測量葡萄的重量。收集后，Silver和Nasa將測量數據數字化，并對照片進行裁剪，歸一化和調整大小，然后再將兩個數據集組合在一起，并將它們輸入到卷積神經網絡(一種非常適合于分析視覺圖像的AI模型)中。

       他們報告說，他們表現最好的模型在收獲前六天的平均產量預測上平均準確率為85.15%，在預測收獲前16天的平均產量上準確率為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據來完善它。來自加州大學戴維斯分校和AI咨詢公司Weights and Biases的研究人員就預測肯尼亞牲畜飼草狀況的努力發表了講話。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據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，這些數據點帶有時間戳，草料質量(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幅衛星圖像相關聯，目的是僅使用上述衛星圖像來預測質量。

       該小組將數據集發布在了Weights and Biases的基準測試網站上，該網站允許貢獻者將經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，部分方法是收集地面和牧草數據，以及諸如玉米，木薯，水稻等主要農作物的地理位置。