許多國(guó)家的農(nóng)業(yè)報(bào)告預(yù)測(cè)，到2027年，精準(zhǔn)農(nóng)業(yè)市場(chǎng)將達(dá)到129億美元，因此越來(lái)越需要開(kāi)發(fā)能夠?qū)崟r(shí)指導(dǎo)管理決策的復(fù)雜數(shù)據(jù)分析解決方案。伊利諾伊大學(xué)跨學(xué)科研究小組的一項(xiàng)新研究提供了一種有前途的方法，可以更有效，更準(zhǔn)確地處理精密農(nóng)業(yè)數(shù)據(jù)。
因?yàn)閷?duì)于玉米種植者來(lái)說(shuō)，決定何時(shí)以及何時(shí)施用氮肥是一個(gè)長(zhǎng)期的挑戰(zhàn)。由于多種氮肥施用量和施用時(shí)間，包括種植時(shí)施用的所有氮肥和幾個(gè)發(fā)育階段的分批施用，氮肥對(duì)田間玉米的有害脅迫程度不同?；诖?，此前伊利諾伊大學(xué)的科學(xué)家表明，被稱為立方體衛(wèi)星的納米衛(wèi)星可以在季節(jié)早期檢測(cè)到氮脅迫，這可能使農(nóng)民有機(jī)會(huì)計(jì)劃季節(jié)性施氮肥并減輕作物的營(yíng)養(yǎng)缺失問(wèn)題。
雖然能夠?qū)崟r(shí)檢測(cè)和解決作物營(yíng)養(yǎng)狀況的變化對(duì)于避免在關(guān)鍵時(shí)期造成損害并優(yōu)化產(chǎn)量至關(guān)重要，但通常，現(xiàn)有的衛(wèi)星技術(shù)不能同時(shí)實(shí)現(xiàn)高空間分辨率和高訪問(wèn)頻率（給定衛(wèi)星多久回到地球上方的同一地點(diǎn)）。另外，無(wú)人駕駛飛機(jī)雖然可以實(shí)時(shí)檢測(cè)營(yíng)養(yǎng)狀況，但是它們通常只能覆蓋本地區(qū)域。因此，它們的效用受到規(guī)模的限制。
但因?yàn)榈实牡统杀竞透哂衩桩a(chǎn)量的潛力促使農(nóng)民使用額外的氮作為'保證'來(lái)防止氮素缺乏，從而很多時(shí)候會(huì)降低產(chǎn)量，并且施用過(guò)量的氮肥既有經(jīng)濟(jì)風(fēng)險(xiǎn)，也有環(huán)境風(fēng)險(xiǎn)。于是科學(xué)家們做了一個(gè)結(jié)合，他們比較了無(wú)人機(jī)和立方體衛(wèi)星的圖像，判斷它們的信號(hào)與每周從田間葉片獲取的組織氮測(cè)量值非常匹配，兩種技術(shù)都能夠在季節(jié)的同一時(shí)間以相似的準(zhǔn)確度檢測(cè)葉綠素含量的變化。
最終他們通過(guò)新的衛(wèi)星技術(shù)和生態(tài)系統(tǒng)建模，最終借助一種更好的肥料使用模型，實(shí)現(xiàn)可以最終幫助農(nóng)民降低成本，增加產(chǎn)量，并同時(shí)減少可持續(xù)農(nóng)業(yè)景觀的環(huán)境足跡。
在后續(xù)，該項(xiàng)技術(shù)又得到了新的研究突破。科學(xué)家發(fā)現(xiàn)預(yù)測(cè)作物產(chǎn)量對(duì)管理和環(huán)境變量的響應(yīng)是優(yōu)化養(yǎng)分管理的關(guān)鍵一步。隨著農(nóng)業(yè)機(jī)械產(chǎn)生的數(shù)據(jù)量的增加，需要更復(fù)雜的模型來(lái)充分利用這些數(shù)據(jù)。
“我們正在嘗試改變?nèi)藗冞M(jìn)行農(nóng)藝研究的方式。我們?cè)噲D做的不是直接建立一個(gè)小塊田地圖，運(yùn)行統(tǒng)計(jì)數(shù)據(jù)和發(fā)布方法，而是更直接地涉及農(nóng)民。我們正在與農(nóng)民的農(nóng)戶進(jìn)行實(shí)驗(yàn)。該研究的作者，伊利諾伊州作物科學(xué)系副教授Nicolas Martin說(shuō)：“我們可以檢測(cè)特定地點(diǎn)對(duì)不同輸入的響應(yīng)。我們還可以查看該字段的不同部分是否有響應(yīng)。
他補(bǔ)充說(shuō)：“我們開(kāi)發(fā)了使用深度學(xué)習(xí)的方法來(lái)生成產(chǎn)量預(yù)測(cè)。該方法結(jié)合了來(lái)自不同地形變量，土壤電導(dǎo)率以及我們?cè)谥形鞑?個(gè)玉米田中應(yīng)用的氮素和種子處理的信息。”
馬丁及其團(tuán)隊(duì)處理了數(shù)據(jù)密集型農(nóng)場(chǎng)管理項(xiàng)目的2017年和2018年數(shù)據(jù)，該項(xiàng)目在中西部，巴西，阿根廷和南非的226個(gè)田地以不同的速率施用了種子和氮肥。同時(shí)借助地面測(cè)量，同時(shí)用高分辨率衛(wèi)星圖像配對(duì)從PlanetLab的預(yù)測(cè)產(chǎn)量。
他們將場(chǎng)數(shù)字化分解為5米（約16英尺）的正方形，將每個(gè)正方形的土壤，海拔，氮肥施用量和種子播種率的數(shù)據(jù)輸入計(jì)算機(jī)，目的是了解因素如何相互作用以預(yù)測(cè)那個(gè)正方形的產(chǎn)量。
研究人員通過(guò)一種稱為卷積神經(jīng)網(wǎng)絡(luò)（CNN）的機(jī)器學(xué)習(xí)或人工智能進(jìn)行了分析。某些類型的機(jī)器學(xué)習(xí)從模式開(kāi)始，然后要求計(jì)算機(jī)將新的數(shù)據(jù)位放入這些現(xiàn)有模式中。卷積神經(jīng)網(wǎng)絡(luò)對(duì)現(xiàn)有模式視而不見(jiàn)。取而代之的是，它們獲取少量數(shù)據(jù)并學(xué)習(xí)組織數(shù)據(jù)的模式，類似于人類通過(guò)大腦中的神經(jīng)網(wǎng)絡(luò)組織新信息的方式。CNN的過(guò)程，其預(yù)測(cè)與產(chǎn)量高的精度，也被相對(duì)于其他機(jī)器學(xué)習(xí)算法和傳統(tǒng)的統(tǒng)計(jì)技術(shù)。
“我們真的不知道是什么導(dǎo)致了整個(gè)田間對(duì)投入物的產(chǎn)量響應(yīng)產(chǎn)生差異。有時(shí)候人們有一個(gè)想法，即某個(gè)地點(diǎn)對(duì)氮的反應(yīng)非常強(qiáng)烈，反之亦然。CNN可以接管可能會(huì)引起變化的農(nóng)業(yè)隱藏模式。”馬丁說(shuō)。“當(dāng)我們比較幾種方法時(shí)，我們發(fā)現(xiàn)CNN很好地解釋了產(chǎn)量變化。”
使用人工智能來(lái)解算精確農(nóng)業(yè)中的數(shù)據(jù)仍然是一個(gè)相對(duì)較新的技術(shù)，但是馬丁說(shuō)，他的實(shí)驗(yàn)只是在CNN的潛在應(yīng)用方面掠過(guò)了冰山一角。“最終，我們可以使用它針對(duì)給定的輸入和站點(diǎn)限制組合提出最佳建議。”
