原文：
www.kdnuggets.com/2019/05/machine-learning-agriculture-applications-techniques.html
评论
由 Sciforce 提供
1. 谷歌网络安全证书 - 快速入门网络安全职业。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的 IT 组织
最近，我们讨论了智能农业的新兴概念，该概念通过高精度算法使农业变得更加高效和有效。驱动这一机制的是机器学习——这一科学领域赋予机器在没有严格编程的情况下进行学习的能力。它与大数据技术和高性能计算一起出现，为揭示、量化和理解农业操作环境中的数据密集型过程创造了新的机会。
机器学习贯穿整个种植和收获周期。它从种子被植入土壤开始——包括土壤准备、种子育种和水分测量——最终在机器人采摘时通过计算机视觉来确定成熟度。
让我们深入探讨农业如何在每个阶段受益于机器学习：
物种育种
我们最喜欢的应用程序是如此合乎逻辑而又如此出乎意料，因为通常你会在后期阅读有关收成预测或环境条件管理的内容。
物种选择是一个繁琐的过程，需要搜索确定水和养分使用效果、适应气候变化、抗病性、以及营养成分或更好味道的特定基因。机器学习，特别是深度学习算法，利用数十年的田间数据来分析作物在不同气候中的表现以及在过程中发展出的新特性。基于这些数据，它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
虽然传统的人为植物分类方法是比较叶子的颜色和形状，但机器学习可以通过分析叶脉形态提供更准确、更快速的结果，因为叶脉携带了更多有关叶片属性的信息。
土壤管理
对于从事农业的专家来说，土壤是一个异质的自然资源，具有复杂的过程和模糊的机制。仅土壤温度就可以提供有关气候变化对区域产量影响的见解。机器学习算法研究蒸发过程、土壤湿度和温度，以了解生态系统的动态以及对农业的影响。
水管理
农业中的水管理影响水文、气候和农业平衡。目前，最成熟的基于机器学习的应用与估算每日、每周或每月的蒸散发量相关，从而更有效地利用灌溉系统，并预测每日露点温度，这有助于识别预期的天气现象并估算蒸散发量和蒸发量。
产量预测
产量预测是精准农业中最重要且最受欢迎的话题之一，因为它涉及产量绘图和估算、作物供应与需求的匹配以及作物管理。最先进的方法已远远超出了基于历史数据的简单预测，而是结合了计算机视觉技术，提供实时数据和对作物、天气及经济条件的全面多维分析，以最大限度地提升农民和人口的产量。
作物质量
准确检测和分类作物质量特征可以提高产品价格并减少浪费。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系，揭示对作物整体质量起作用的新特性并加以检测。
疾病检测
无论在露天还是温室条件下，最常用的病虫害控制方法是均匀喷洒杀虫剂。为了有效，这种方法需要大量的杀虫剂，这导致了高昂的经济成本和显著的环境成本。机器学习作为精确农业管理的一部分，针对时间、地点和受影响的植物进行农业化学品的输入。
杂草检测
除了疾病，杂草是作物生产最重要的威胁。杂草防治最大的问题在于它们难以被发现和与作物区分。计算机视觉和机器学习算法可以以低成本且无环境问题和副作用地提高杂草的检测和区分能力。在未来，这些技术将驱动机器人来销毁杂草，从而减少对除草剂的需求。
牲畜生产
与作物管理类似，机器学习提供了准确的预测和估计农业参数，以优化牲畜生产系统的经济效益，如牛肉和鸡蛋生产。例如，体重预测系统可以在屠宰日的 150 天前估计未来的体重，从而允许农民相应地调整饮食和环境条件。
动物福利
在现代环境下，牲畜越来越被视为不仅仅是食物容器，而是可以在农场中感到不快乐和疲惫的动物。动物行为分类器可以将它们的咀嚼信号与饮食变化的需求联系起来，并通过它们的运动模式，包括站立、移动、进食和饮水，来判断动物所承受的压力程度，并预测其对疾病的易感性、体重增加和生产能力。
农民的小助手
这是一种可以称为额外福利的应用：想象一个农民在深夜坐着，试图弄清楚下一步的作物管理措施。他是否现在可以卖更多的作物给当地生产者，还是去参加区域博览会？他需要有人来讨论各种选择，以便做出最终决定。为了帮助他，公司们正在开发专业的聊天机器人，这些聊天机器人能够与农民进行对话，并提供有价值的事实和分析。农民用的聊天机器人预计将比面向消费者的 Alexa 和类似助手更智能，因为它们不仅能够提供数据，还能够分析这些数据并就棘手的问题咨询农民。
虽然阅读关于未来的内容总是令人着迷，但最重要的部分是铺平道路的技术。例如，农业机器学习并不是一种神秘的技巧或魔法，而是一套定义明确的模型，这些模型收集特定数据并应用特定算法以实现预期结果。
到目前为止，机器学习在农业中的分布并不均匀。主要，机器学习技术用于作物管理过程，其次是农业条件管理和牲畜管理。
文献综述显示，农业中最受欢迎的模型是人工神经网络（ANNs 和 DL）和支持向量机（SVMs）。
ANNs（人工神经网络）受到人脑功能的启发，代表了生物神经网络结构的简化模型，模拟复杂的功能，如模式生成、认知、学习和决策。这些模型通常用于回归和分类任务，在作物管理和杂草、疾病或特定特征的检测中证明了它们的有效性。ANNs 最近发展为深度学习，扩展了 ANN 在所有领域的应用，包括农业。
SVM（支持向量机）是构建线性分隔超平面的二分类器，用于对数据实例进行分类。SVM 可以用于分类、回归和聚类。在农业中，它们被用于预测作物的产量和质量以及畜牧业的生产。
更复杂的任务，如动物福利测量，需要不同的方法，例如在集成学习中的多分类器系统或贝叶斯模型——在贝叶斯推断的背景下进行分析的概率图模型。
尽管仍处于起步阶段，基于机器学习的农场已经在向人工智能系统演变。目前，机器学习解决方案解决个别问题，但随着自动数据记录、数据分析、机器学习和决策制定进一步整合成一个互联的系统，农业实践将变成所谓的知识驱动农业，这将有能力提高生产水平和产品质量。
简介：Sciforce 是一家总部位于乌克兰的 IT 公司，专注于基于科学驱动的信息技术开发软件解决方案。
原文。经许可转载。
相关：
-
2018 年最重要的机器学习/人工智能进展是什么？
-
值得密切关注的 6 个 AI 和机器学习领域
-
2018 年最有用的 6 个机器学习项目