聯合國2020 年 11 月公布的總人口爲 78 億。據估計，這個數字到 2030 年将達到 85 億，到 2050 年将達到 99 億。随着總人口的快速增長，全球食品消費(fèi)也在快速增長。農業的産量已經比三年前的産量高出約 17%。然而，世界上約有 8.21 億人缺乏糧食保障。迅速增加農業或糧食産量以滿足不斷增長的糧食供應需求并非易事。

随着全球人口的增長，糧食和農業組織計算出，到 2050 年，農業産量需要增加 70%才能養活世界不斷增長的人口。爲了實現可持續農業生(shēng)産，農業部門需要采用區塊鏈、物(wù)聯網和人工(gōng)智能等智能技術輔助農業生(shēng)産。如果我(wǒ)們可以從農場生(shēng)成大(dà)量數據并使用這些數據來推動一(yī)些農業決策。它可以幫助解決全球範圍内的大(dà)部分(fēn)食品問題。例如，如果我(wǒ)們可以使農場能夠爲該地區的土壤濕度、溫度和濕度、水的可用性以及農場周圍的其他環境因素構建數據集或地圖，它将支持智能農業、精準農業、垂直農業等。

數據驅動的農業已被證明可以提高作物(wù)産量、降低成本并确保可持續性。這些不僅限于農業，而且對于畜牧業面臨的若幹挑戰也有潛在的解決方案。

智慧農業生(shēng)态

智慧農場基于物(wù)聯網可穿戴設備的全面監控，由固件、人工(gōng)智能、衛星圖像和區塊鏈技術提供支持，爲農民提供有關健康、位置、喂養和他們的動物(wù)的繁殖條件。

大(dà)數據使農業從業者和相關行業能夠獲取有關影響農業生(shēng)産的不同因素的信息，并在日常農業中(zhōng)做出有效的決策。大(dà)型工(gōng)廠化農場采用了物(wù)聯網和區塊鏈等不同技術，旨在在農業實踐中(zhōng)提高産量。區塊鏈技術正在農業食品供應鏈的管理中(zhōng)實施，以提供所有操作的透明度、安全性、穩定性和可靠性等功能。

物(wù)聯網協助農業生(shēng)産和供應鏈各個階段的數據收集，對農業、加工(gōng)、物(wù)流和營銷過程中(zhōng)收集的數據進行大(dà)數據分(fēn)析。例如，移動農業專家系統和農業預測分(fēn)析都依賴大(dà)數據爲種植者提供精準農業的智能建議，精準的風險評估可以幫助農業從業者更好地應對農業風險，包括生(shēng)産風險、市場風險、制度風險以及伴随的個人和貨币風險。此外(wài)，大(dà)數據可用于解決食品安全、供應管理、食品安全以及食品損失和浪費(fèi)等存在的挑戰。

與其他行業類似，農業行業通過采用融合技術來追求創新。大(dà)數據和人工(gōng)智能已經在整個行業展示了它們的潛力和用途。

人工(gōng)智能

在農業食品行業中(zhōng)有許多使用 AI 和 ML 的實例，自動化框架可以在幾秒鍾内收集關于單個食品的大(dà)量數據并進行快速分(fēn)析。人工(gōng)智能在農業部門的一(yī)些主要領域得到了應用，例如供應鏈管理、土壤、作物(wù)、疾病和病蟲害管理。

大(dà)數據分(fēn)析

大(dà)數據分(fēn)析被概括爲一(yī)個系統，其中(zhōng)尖端分(fēn)析方法對龐大(dà)的數據集進行操作。它是兩個技術實體(tǐ)的組合海量數據集，以及包括數據挖掘、統計、人工(gōng)智能、預測分(fēn)析、自然語言處理（NLP）等在内的分(fēn)析工(gōng)具類别的集合，構成了商(shāng)業智能的重要組成部分(fēn)。

大(dà)數據已成爲學術研究和工(gōng)業領域廣泛研究的對象，例如，大(dà)數據正被用于亞馬遜等大(dà)服務行業等衆多領域，以了解客戶行爲和需求，從而更準确地相應地調整産品價格，提高運營效率并降低個人成本。甚至社交網站 Facebook、Twitter 和其他網站也利用大(dà)數據分(fēn)析來研究用戶的社交行爲、興趣和社交關系，然後制定個性化功能。在智能交通系統中(zhōng)，大(dà)數據技術可以處理期間産生(shēng)的海量多樣複雜(zá)的數據，爲交通系統中(zhōng)的駕駛員(yuán)和乘客提供安全、優質的設施。在農業領域，大(dà)數據顯示了解決農業面臨的許多挑戰，從而提高農業生(shēng)産質量和數量的巨大(dà)潛力。大(dà)數據分(fēn)析可用于确定土壤質量、病蟲害幹擾、需水量，并可預測作物(wù)的收獲時間。

大(dà)數據特征（10v）

海量數據在農業中(zhōng)的應用，不僅限于初級種植，而且在提升整個供應鏈的有效性方面也扮演着重要的角色，從而減少對糧食安全的擔憂。

農業中(zhōng)的機器學習

有許多關于不同的機器學習算法的文獻，這些算法已被用于農業的不同應用領域。與人工(gōng)神經網絡相比，SVR 表現出對異常值和噪聲存在的穩健性，具有更好的估計精度。深度學習技術是農業圖像數據集分(fēn)割應用最有潛力的模型。

機器學習在精準農業中(zhōng)遇到的最具體(tǐ)的挑戰是可變的時空分(fēn)辨率和由于物(wù)聯網設備故障、通信故障、惡劣天氣阻止遙感圖像采集。機器學習可以根據數據填補缺失的信息。

随着對來自無人駕駛飛行器和衛星的大(dà)量航拍圖像的訪問不斷擴大(dà)，卷積神經網絡（CNN）可以在這些信息的分(fēn)析中(zhōng)發揮重要作用，以提取重要信息。例如數據的預處理和分(fēn)析。由于無人機可以積累大(dà)量非結構化數據，基于大(dà)數據的工(gōng)具（分(fēn)析工(gōng)具）和雲計算具有提高數據處理效率、提供高數據安全性和可擴展性以及最小(xiǎo)化成本的潛力。基于雲計算的應用程序作爲一(yī)種潛在的解決方案，具有較低的前期成本、計算資(zī)源的熟練利用和服務成本。

了解土壤的質地、結構和化學性質等不同特征有助于農業從業者選擇最優質的作物(wù)在他們的農場種植。研究土壤、物(wù)聯網和其他傳感器網絡的這些特征，以及基于 ML 的大(dà)數據技術，如聚類和分(fēn)類方法來标記土壤數據。

農業環境中(zhōng)的大(dà)數據運行周期

在技術先進的大(dà)型工(gōng)業農場中(zhōng)，田間管理看起來與傳統農場不同，管理系統通過獲取其内部可變性（包括時間和空間方面）的好處來處理實際田間數據，從而采用智能決策。現場數據采集是通過部署物(wù)聯網設備、遙感和其他傳感器網絡來完成的。從物(wù)聯網傳感器網絡收集的有關土壤、作物(wù)、天氣或環境的數據存儲在本地或雲存儲中(zhōng)。使用基于機器學習的大(dà)數據算法來提取重要信息。

除傳統傳感器外(wài)，不同的物(wù)聯網傳感器用于作物(wù)監測并從中(zhōng)收集所需的重要數據。這些傳感器設備可以直接部署在農田、農業機器人、自主平台、機器或氣象站中(zhōng)。人造衛星遙感通過遠程訪問現場數據，在精準農業的發展中(zhōng)發揮了重要作用。

無人機（無人機和遙控飛機）在農業生(shēng)産中(zhōng)的應用逐漸增加，作爲衡量可持續農業管理的有效方法允許種植者、農業工(gōng)程師和農藝師協助簡化他們的程序，利用強大(dà)的信息分(fēn)析來獲得一(yī)些關鍵意見。無人機在确定合适的作物(wù)推薦、植物(wù)和種群的出現方面使對大(dà)面積農田進行仔細的作物(wù)監測變得更加容易，因爲更精确的數據可以幫助做出關于重新種植、修剪和間伐活動以及産量估算的決策。

在近端傳感中(zhōng)，地面平台如無人地面車(chē)輛（UGV）和靠近作物(wù)操作的機器人增加了獲取數據的準确性， UGV 應用需要實時數據，例如雜(zá)草檢測和清除、選擇性農藥噴灑、土壤分(fēn)析、害蟲控制和作物(wù)偵察。

不同無線數據采集技術的應用在農業中(zhōng)創造了海量數據。由于農場管理涉及多個田間參數，人們實際上很難管理複雜(zá)的農業數據以做出更好的決策。在這種情況下(xià)，人工(gōng)智能與深度學習、遺傳算法、機器學習或專家系統可以輔助推理，建模能力可以在精準農業中(zhōng)發揮重要作用，有助于理解所有可用數據。經濟型電(diàn)子元件的普遍可用性将有利于包括小(xiǎo)農場主在内的世界各地采用這些數字應用程序。

精準農業中(zhōng)的大(dà)數據挑戰

1、數據收集挑戰

在精準農業用例中(zhōng)，大(dà)量數據來自不同來源。合并來自各種來源的數據引發了對信息質量和信息合并問題的擔憂，而對收集到的海量信息的訪問引發了對安全和保護的擔憂。數據驅動技術要求使用未受污染且适用的信息。不完整的數據集會抹掉信息，而訓練集中(zhōng)存在的異常或傾向會影響模型精度。

2、大(dà)數據分(fēn)析技術的挑戰

爲了控制與精準農業或智能農業相關的數據集，分(fēn)析技術需要在一(yī)定程度上采用對齊和分(fēn)布式手段，計算複雜(zá)度高。人工(gōng)智能和分(fēn)布式計算執行程序的集成提供了處理海量數據的潛在方法。

3、管理不斷增長的數據和實時可擴展性

在植物(wù)生(shēng)長監測期間，通過多個設備逐步生(shēng)成大(dà)量圖像和視頻(pín)，這給存儲和處理所有這些數據帶來了一(yī)些挑戰。農業中(zhōng)産生(shēng)的大(dà)部分(fēn)數據都是無定形或半結構化的，無法穩定地存儲在 MySQL、SQL Server 等常用數據庫中(zhōng)。

總結

通過 ICT 的發展，信息的可訪問性不斷提高，這似乎有望通過提高模型的精确性和泛化能力來改進不可或缺的決策創新。此外(wài)，從精準農業實踐産生(shēng)的大(dà)量數據中(zhōng)學習，預計将爲精準農業創造大(dà)量機會和轉型視角。随着大(dà)數據的進步，傳統的學習方法在處理海量異構、多維、時空數據時自然不具備足夠的能力或可擴展性。

除了精準農業外(wài)，人工(gōng)智能、無人機、物(wù)聯網、機器人和大(dà)數據的自動化和應用預計将在各種農業領域發揮重要作用。采用高性能數據驅動的可擴展學習方法可提供更好的實時決策能力并使各種農業流程自動化，從而可以将傳統的農場管理轉變爲人工(gōng)智能系統。

免責聲明：本網站所發布的信息均出于公衆傳播，轉載本文目的在于傳遞信息、交流學習，并不代表贊同其觀點或對真實性負責，本站倡導尊重與保護知(zhī)識産權，如其他媒體(tǐ)或個人使用須自負版權等法律責任。内容來源于網絡，文字和圖片版權均歸原作者所有，如有侵權請及時聯系删除。