在過去幾年里，機器學(xué)習與其他大數(shù)據(jù)技術(shù)和先進計算一起發(fā)展，改變了世界各地的行業(yè)，農(nóng)業(yè)也不例外。

隨著機器學(xué)習的進步，農(nóng)業(yè)中的機器學(xué)習已經(jīng)能夠解決該行業(yè)遇到的許多問題。

企業(yè)只有在決策上不斷超越競爭對手，才能取得成功，農(nóng)業(yè)也不例外。通過在農(nóng)業(yè)中的機器學(xué)習，農(nóng)民現(xiàn)在可以獲得更先進的數(shù)據(jù)和分析工具，從而促進更好的決策、提高生產(chǎn)力，并減少糧食和燃料生產(chǎn)中的浪費，同時減少不利的環(huán)境影響。

機器學(xué)習如何適合農(nóng)業(yè)?

在高精度算法的輔助下，“智能農(nóng)業(yè)”的理念不斷發(fā)展，提高了農(nóng)業(yè)的效率和生產(chǎn)力。機器學(xué)習是一門科學(xué)分支，允許機器在沒有明確編程的情況下進行學(xué)習，這是其背后的機制。為了在農(nóng)業(yè)組織環(huán)境中解開、分析和理解數(shù)據(jù)密集型過程開辟新的可能性，機器學(xué)習與大數(shù)據(jù)技術(shù)和強大的計算機一起發(fā)展。農(nóng)民現(xiàn)在可以根據(jù)支持機器學(xué)習的電子創(chuàng)新，使用農(nóng)場中的傳感器，預(yù)測農(nóng)業(yè)產(chǎn)量和評估作物質(zhì)量，確定植物種類，并診斷植物疾病和雜草侵害。這似乎是不可想象的水平。在整個種植、生長和收獲的過程中，機器學(xué)習在農(nóng)業(yè)中的作用非常突出。其從播種開始，經(jīng)過土壤測試、種子育種和供水測量，最后由機器人收集收獲并使用計算機視覺評估其成熟程度。如今，若是沒有機器學(xué)習技術(shù)的幫助，農(nóng)民可以獲得的數(shù)據(jù)量是壓倒性的。ML可以迅速評估大量的數(shù)據(jù)，并在這些數(shù)據(jù)的幫助下推薦最有利可圖的策略。例如，ML可以建議何時種植以防止病蟲害。數(shù)字農(nóng)業(yè)的優(yōu)勢是合理的，其可以幫助種植者做出最佳的投入決策，以提高產(chǎn)量和利潤。此外，還可以幫助農(nóng)民逐個田地確定實際費用，而不僅僅是整個農(nóng)場的實際費用。

機器學(xué)習在農(nóng)業(yè)中的應(yīng)用

近年來，機器學(xué)習在農(nóng)業(yè)領(lǐng)域得到了廣泛的發(fā)展。以下是其在農(nóng)業(yè)中的應(yīng)用:

物種繁育與識別

物種選擇的艱難過程需要尋找能夠保證對水和營養(yǎng)物質(zhì)有效反應(yīng)的特定基因。理想的植物品種將能夠抵御氣候變化、抗病、更多的營養(yǎng)和更好的味道。

為了徹底調(diào)查作物性能，機器學(xué)習使我們能夠從幾十年的田間數(shù)據(jù)中提取信息。這些數(shù)據(jù)被用來創(chuàng)建一個概率模型，預(yù)測哪些性狀會給植物帶來理想的遺傳優(yōu)勢。

作物的物種鑒定通常是通過簡單的比較來進行的，比如葉子的顏色和形狀。利用更先進的方法，例如在葉脈形態(tài)的幫助下評估樹葉，機器學(xué)習使我們能夠以一種更復(fù)雜、準確和快速的方式評估植物。

水土管理

機器學(xué)習算法檢查蒸發(fā)動態(tài)、土壤濕度和溫度，以了解生態(tài)系統(tǒng)過程及其對農(nóng)業(yè)的影響。

土壤中的缺陷可以通過ML策略來解決。例如，機器學(xué)習技術(shù)可以幫助農(nóng)民保持最佳的無機氮量。通過氮模型預(yù)測土壤和環(huán)境中的氮循環(huán)，指導(dǎo)農(nóng)民達到最佳水平。軟件模擬可以檢測氮是否可用，并確定何時向土壤中添加氮。此外，其還可以在氮含量過多時通知農(nóng)民，以免損害作物。

灌溉系統(tǒng)的使用也可以更有效，這要歸功于基于ML的應(yīng)用程序。其可以估算每日、每周或每月的蒸發(fā)量，并預(yù)測每日露點溫度，這有助于預(yù)測預(yù)期的天氣事件并計算蒸散發(fā)量和蒸發(fā)量。

產(chǎn)量預(yù)測與作物質(zhì)量

精準農(nóng)業(yè)最重要和最著名的領(lǐng)域之一是產(chǎn)量預(yù)測，其中包括產(chǎn)量的測繪和評估、作物供需匹配以及作物管理?，F(xiàn)代方法遠遠超出了基于歷史數(shù)據(jù)的簡單預(yù)測，結(jié)合計算機視覺技術(shù)即時提供數(shù)據(jù)，并對作物、天氣和經(jīng)濟狀況進行全面的多維度分析，為農(nóng)民和廣大公眾實現(xiàn)產(chǎn)量最大化。

準確識別和分類農(nóng)產(chǎn)品質(zhì)量屬性可以提高產(chǎn)品價格，減少浪費。與人類專家相比，機器可以利用看似毫無意義的數(shù)據(jù)和連接，來揭示和發(fā)現(xiàn)有助于作物整體質(zhì)量的新屬性。

疾病和雜草檢測

為了防治疾病，必須在作物地區(qū)噴灑大量殺蟲劑，這往往造成高昂的經(jīng)濟成本和相當大的環(huán)境影響。在使用一般精準農(nóng)業(yè)管理時，ML是根據(jù)時間、地點和將受到影響的植物，有針對性地使用農(nóng)藥。

雜草對農(nóng)作物的生長構(gòu)成嚴重威脅。雜草很難與作物區(qū)分開來，這是雜草控制的最大挑戰(zhàn)。農(nóng)業(yè)中的計算機視覺和機器學(xué)習算法可以以最少的費用和對環(huán)境沒有負面影響，增強雜草的識別和辨別能力。這種技術(shù)的未來模型將為除草機器人提供動力，最大限度地減少對除草劑的需求。

畜牧生產(chǎn)和動物福利

為了最大限度地提高畜牧生產(chǎn)系統(tǒng)的經(jīng)濟效益，如牛和雞蛋的生產(chǎn)，機器學(xué)習能夠?qū)r(nóng)業(yè)方面進行精確的預(yù)測和預(yù)測。例如，在屠宰前150天，體重預(yù)測系統(tǒng)可以預(yù)測未來的體重，使農(nóng)民能夠相應(yīng)地調(diào)整其飲食和環(huán)境因素。

如今的牲畜越來越被視為在農(nóng)場生活中不快樂和疲憊不堪的動物，而不僅僅是作為食物載體。動物的運動模式，如站立、移動、進食和飲水，可以確定動物面臨的壓力有多大，并預(yù)測其對疾病的易感性、體重增加和生產(chǎn)力。動物的咀嚼信號可以與食物調(diào)整的需要聯(lián)系起來。

模型使用

農(nóng)業(yè)機器學(xué)習不是什么神秘的噱頭或魔術(shù)。相反，這是一組精心設(shè)計的模型，用于收集特定的數(shù)據(jù)，并采用方法論來獲得預(yù)期的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(SVM)是用于農(nóng)業(yè)的兩種非常流行的機器學(xué)習模型。

ANN是生物神經(jīng)網(wǎng)絡(luò)的模型，可以模擬復(fù)雜的活動，如模式生產(chǎn)、推理、學(xué)習和判斷。其靈感來自于人類大腦的運作方式。

SVM是使用線性分離超平面將數(shù)據(jù)實例劃分為類別的二進制分類器。聚類、回歸和分類都使用支持向量機進行。它們在農(nóng)業(yè)中被用來估計動物產(chǎn)量和作物生產(chǎn)力和質(zhì)量。

此外，農(nóng)民聊天機器人正在開發(fā)中。這些機器人不僅能提供數(shù)字，還能評估數(shù)據(jù)，就復(fù)雜問題向農(nóng)民提供咨詢，因此預(yù)計會比面向消費者的Alexa和類似助手更智能。

總結(jié)

機器學(xué)習的突破具有不可思議的潛力，就像軟件一樣。農(nóng)業(yè)科學(xué)家正在更大規(guī)模地檢驗其理論，并協(xié)助開發(fā)與作物有關(guān)的更精確、實時的預(yù)測模型。農(nóng)業(yè)中的機器學(xué)習有能力為維持世界人口、應(yīng)對氣候變化和保護自然資源提供更多的解決方案。

目前，機器學(xué)習解決方案專注于特定問題，但隨著自動數(shù)據(jù)收集、分析和決策進一步集成到互聯(lián)系統(tǒng)中，許多農(nóng)業(yè)活動將轉(zhuǎn)變?yōu)楸娝苤闹R型農(nóng)業(yè)，這將能夠提高產(chǎn)量和產(chǎn)品質(zhì)量。