您的位置:首页 > 行情 > 正文

研究人员提出了将人工智能应用于农业和环境保护的方法

发布时间:2020-05-29 14:20:04  编辑:  来源:

本周,在互联网上举办的“学习表征国际会议”(ICLR) 2020年研讨会上,与会者讨论了人工智能和机器学习如何可能——并且已经——应用于农业挑战。正如几位专家指出的那样,世界各国面临着粮食供应短缺,估计有9%的人口(6.97亿人)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、有营养的食物。

劳动力短缺、害虫和病原体的传播以及气候变化等因素可能会加剧危机,但人工智能可以提供帮助。IBM的科学家们谈到了他们在非洲农业“数字双胞胎”的工作,即用于预测特定作物产量的数字作物模型。阿卡迪亚大学(Acadia University)的研究人员重点研究了一种据称比人类工人更精确地测量葡萄产量的算法。加州大学戴维斯分校(University of California, Davis)的一个团队详细介绍了利用卫星图像预测肯尼亚牲畜觅食条件的努力。

去年,Akram Mohammed详细介绍了IBM在尼日利亚数字化“克隆”农场的工作,包括收集多光谱图像的历史和传感器读数、天气和土壤条件等元数据,从而在IBM的云平台上模拟农场。这项工作的一部分是IBM和Hello Tractor合作的产物。Hello Tractor是一种订阅服务,将小规模农民与设备和数据分析连接起来,以提高农作物产量。

数字作物加倍不仅对农民本身有价值,而且对分销商、政府和银行也有价值,他们可以利用这些数字作物来跟踪市场动态、制定计划和政策,并将投资风险降到最低。他指出,世界人口预计将在五年内超过80亿,但到本世纪末,可耕种土地将减少20%。

他说:“应对食品安全挑战将取决于使供应链更简单、更安全、更少浪费。”

他的团队利用了IBM的pair Geoscope,这是一个设计用来存储和管理pb级地理空间-时间数据的服务,比如地图和无人机图像,来存储每个农场的卫星、天气和地面传感器数据。另一个IBM服务——沃森决定农业、平台对算法从IBM-owned天气公司物联网数据摄入工具——允许工程师获得收益预测进食后水分数据在多个深度,土壤养分含量和肥力,农场实践和工作流信息和高清可视卫星图像。

其中一个挑战是农场的数据相对缺乏,因为农场规模较小。卫星图像只能提供像素级的信息,并不是所有的农场都能负担得起监控设备。该小组的解决方案是在目标区域建立超过40,000个集群的农场群模型。这使得工程师们能够训练一个推荐系统来回答两个关键问题:(1)农民什么时候应该进行特定的种植活动;(2)对于小规模农民来说,什么是最大限度提高作物产量的最佳耕作日?

这个系统由一个整体学习模型,建议种植日期、借鉴历史状态(从数字“双胞胎”)和未来的元数据预测,比如最近天气历史(湿度、能见度、温度、降水和风速),天气预报(在四个不同深度土壤水分),多光谱卫星图像和真实事件信息(地点和日期)。在实验中,缺少元数据——如作物类型和土壤条件——阻碍了模型的预测。但研究人员声称,他们的解决方案在很大程度上优于基于启发式的系统。

隶属于阿卡迪亚大学(Acadia University)数据分析研究所(Institute for Data Analytics)的研究人员丹尼尔·l·西尔弗(Daniel L. Silver)和贾邦·Nasa介绍了他们开发的一套计算机视觉系统的工作,这套系统可以从葡萄藤的图像中测量葡萄的产量。准确的葡萄产量估计值对于计划收成和选择葡萄酒生产至关重要,但正如西尔弗和美国国家航空航天局指出的那样,从历史上看,测量葡萄产量一直是一个成本高昂的过程,更不用说不精确的过程了(精确程度在75%到90%之间)。

为了建立一个产量估计机器学习模型的训练集,研究人员招募了一些志愿者,让他们拍摄葡萄藤上的葡萄,并用数字秤测量葡萄的重量。在收集后,Silver和Nasa对测量数据进行了数字化,并对照片进行裁剪、标准化和调整大小,然后将这两组数据组合起来,并将它们输入卷积神经网络(一种非常适合分析视觉图像的人工智能模型)。

他们报告说,他们的最佳模型在收获前6天预测产量的平均准确率为85.15%,在收获前16天预测产量的准确率为82%。在未来的工作中,他们计划通过结合自动图像采集和长期天气预报数据来完善它。

来自加州大学戴维斯分校(University of California, Davis)和人工智能咨询公司Weights and bias的研究人员谈到了预测肯尼亚牲畜饲料条件的努力。他们的工作是由肯尼亚北部牧民的斗争激发的,他们依靠牲畜获取食物和收入,但往往无法预测干旱。

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,它可以连接到一个平台,这个平台可以迅速将资源转移给牧民,让他们支付家庭开支或牲畜需求。

研究人员通过编辑一个训练语料库来实现这一想法,该语料库包括人类标记的地面图像和数据点,如时间戳、饲料质量(0-3级,0表示严重干旱)、植物和动物类型以及到水的距离。他们将它与在相同地点和时间拍摄的10万多张卫星图像联系起来,目的是仅用上述卫星图像预测质量。

该团队在Weights and bias的基准测试网站上发布了数据集,该网站允许参与者将训练过的模型提交给一个公共排行榜。在撰写本文时,性能最好的算法预测干旱的准确率为77.8%,其次最好的模型预测干旱的准确率为77.5%。

接下来,研究人员希望将他们的工作范围扩大到其他地区,部分方法是收集地面和饲料数据,包括玉米、木薯、水稻等主要作物的地理位置。

版权声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益,请作者持权属证明与本网联系,我们将及时更正、删除,谢谢您的支持与理解。
版权声明: 本站若有来源标注错误或侵犯了您的合法权益,请作者持权属证明与本网联系,我们将及时更正、删除,谢谢您的支持与理解。转载文章是出于传递更多信息之目的。
版权所有: 阜新生活网 ·(2019-2020) .备案号:闽ICP备20009870号-2. 联系QQ:173 0547 905 .