最近，我们讨论了一个新兴的智能农业概念，即借助高精度算法，使农业更加高效和有效。驱动它的机制是机器学习，这是一个科学领域，它使机器能够在不经过严格编程的情况下学习。它与大数据技术和高性能计算一起出现，为解决、量化和理解农业运营环境中的数据密集型流程创造了新的机会。

在整个生长和收获周期中，机器学习无处不在。它首先是从种植在土壤中的种子开始，土壤准备、种子繁殖和饲料水分的测量，直到当机器人在计算机视觉的帮助下收获确定成熟的收获时结束。

让我们来看看农业如何从每个阶段的机器学习中受益：

物种管理

物种繁殖

我们最喜欢的是，这个应用程序是如此合乎逻辑，但却如此出乎意料，因为大多数情况下，您会在稍后的阶段阅读有关收获预测或环境条件管理的内容。

物种选择是寻找特定基因的过程，这些基因决定水和营养素的使用效果，比如适应气候变化、抗病性、以及营养成分的含量等。机器学习，特别是深度学习算法，需要数十年的现场数据来分析各种气候下的作物性能以及在该过程中开发出来的新特征。基于这些数据，他们可以建立一个概率模型，预测哪些基因最有可能为植物提供有益的特性。

物种识别

虽然用于植物分类的传统人类方法是比较叶子的颜色和形状，但机器学习可以提供更准确和更快速的结果，分析叶脉形态，其携带关于叶特性的更多信息。

现场环境管理

土壤管理

对于涉及农业的专家来说，土壤是一种异质的自然资源，具有复杂的过程和模糊的机制。仅通过其温度本身就可以深入了解气候变化对区域产量的影响。机器学习算法研究蒸发过程、土壤湿度和温度，从而进一步了解生态系统的动态和对农业的影响。

水资源管理

农业用水管理影响水文、气候和农业平衡。到目前为止，最发达的是基于ML的应用与每日、每周或每月蒸发蒸腾的估计相关联，从而更有效地使用灌溉系统和预测每日露点温度，这有助于识别预期的天气现象并估计蒸发蒸腾的情况。

作物管理

产量预测

产量预测是精准农业中最重要和最受欢迎的主题之一，因为它定义了产量图和估算、作物供应与需求的匹配以及作物管理。最先进的方法远远超出了基于历史数据的简单预测，但结合了计算机视觉技术，提供了随时随地的数据和对作物、天气和经济条件的全面多维分析，从而最大限度提高农民和人口的产量。

作物的质量

准确检测和分类作物品质特征可以提高产品价格、减少浪费。与人类专家相比，机器可以利用看似无意义的数据和相互关联来揭示在作物的整体质量中发挥作用，并检测它们的新品质。

疾病检测

在露天和温室条件下，最广泛使用的病虫害防治实践是在农作物区域均匀喷洒杀虫剂。为了有效，该方法需要大量农药，这导致了高昂的财政和重大的环境代价。 ML被用作一般精准农业管理的一部分使用，其中农业化学品投入的目标是针对时间、地点和受影响的植物。

杂草检测

除了疾病，杂草是对作物生产最重要的威胁。杂草战斗中最大的问题是它们难以发现并且与作物区别开来。计算机视觉和ML算法可以低成本改善杂草的检测和鉴别，并且没有环境问题和副作用。将来，这些技术将驱动机器人消灭杂草，将除草剂的需求降至最低。

畜牧管理

畜牧业生产

与作物管理类似，机器学习提供了对农业参数的准确预测和估计，以优化畜牧生产系统的经济效率，例如牛和蛋的生产。例如，体重预测系统可以在屠宰日前150天估计未来的重量，允许农民分别调整饮食和条件。

动物福利

在今天的环境中，牲畜越来越多地被视为食物容器，而不是作为在农场生活中不快乐和疲惫的动物。动物行为分类器可以将他们的咀嚼信号与饮食变化的需要和他们的运动模式联系起来，包括站立、移动、喂食和饮水，他们可以告诉动物所承受的压力大小并预测其对疾病、体重增加和生产的易感性。

农夫的小助手

这是一个可以称为奖金的应用程序：想象一个农民深夜独坐，试图找出管理他的庄稼的下一步。他现在是可以把更多的产品卖给当地的生产商，还是去参加地区博览会?他需要有人来讨论各种选择，以便作出最后的决定。为了帮助他，公司现在正致力于开发专门的聊天机器人，这些聊天机器人能够与农民交谈并为他们提供有价值的事实和分析。预计农民的聊天机会比面向消费者的Alexa和类似的帮助者更聪明，因为他们不仅能够提供数据，还能分析它们并就棘手问题咨询农民。

背后的模型

虽然阅读关于未来的书总是很吸引人，但最重要的部分是为其铺平道路的技术。例如，农业机器学习不是神秘的技巧或魔术，而是一组定义明确的模型，它们收集特定数据并应用特定算法来实现预期结果。

到目前为止，机器学习的分布在整个农业中是不平等的。大多数情况下，机器学习技术被用于作物管理过程中，其次是农业条件管理和牲畜管理。

文献综述表明，农业中最受欢迎的模型是人工神经网络和深度神经网络（ANN和DL）和支持向量机（SVM）。

人工神经网络是受人类大脑功能的启发而产生的，是模拟复杂功能的生物神经网络结构的简化模型，这些功能包括模式生成、认知、学习和决策。这些模型通常用于回归和分类任务，证明它们在作物管理和杂草、疾病或特定特征的检测方面是有用的。近年来，人工神经网络向深度学习的发展，扩大了人工神经网络在包括农业在内的所有领域的应用范围。

支持向量机（SVM）是二元分类器，构造线性分离超平面以对数据实例进行分类。 SVM用于分类、回归和聚类。在农业中，它们被用来预测作物的产量和质量以及畜牧生产。

更复杂的任务，例如动物福利测量，需要不同的方法，例如集合学习中的多个分类器系统或贝叶斯模型 - 概率图形模型，其中分析是在贝叶斯推理的背景下进行的。

尽管仍处于起步阶段，但由机器学习驱动的农场已经发展成为人工智能系统。目前，机器学习解决方案解决了个别问题，但随着自动化数据记录，数据分析、机器学习和决策进一步整合到一个相互联系的系统中，农业耕作方式将变为所谓的知识型农业，不断提高生产水平和产品质量。

编译出品