研究表明，農(nóng)業(yè)（即植物栽培與動物養(yǎng)殖）的歷史可以追溯到約1.2萬年前中東的新月沃地，對植物的管理和收獲也可能開始得更早。也正是這些技術(shù)的存在，使得人類能夠形成大型定居點，進而發(fā)展成定義人類現(xiàn)代生活的復(fù)雜城市中心。而這，還只是后世一系列農(nóng)業(yè)革命的開端。

在接下來的幾個世紀里，農(nóng)業(yè)的日益復(fù)雜化支撐起不斷增長的人口總量。第二次農(nóng)業(yè)革命始于17世紀的英國，包括引入新型灌溉技術(shù)、肥料及農(nóng)產(chǎn)品運輸方式。20世紀曾經(jīng)甚囂塵上的人口崩潰論，被始于20世紀40年代的綠色革命（也稱第三次農(nóng)業(yè)革命）所避免。隨著新型肥料與殺蟲劑的廣泛使用，農(nóng)作物產(chǎn)量也迎來大幅增長。

如今第四次農(nóng)業(yè)革命即將到來。包括物聯(lián)網(wǎng)（IoT）部署（即用于收集和傳輸數(shù)據(jù)的數(shù)字化設(shè)備）以及AI在內(nèi)的技術(shù)進步，正將效率推向新的頂點，并有望再次從根本上改變?nèi)祟愒字握麄€地球的具體方式。

將過往數(shù)百年的歷史數(shù)據(jù)收集起來，并將其與新設(shè)備收集的新信息結(jié)合起來，使得農(nóng)民能夠全面改進自己的種植、灌溉、病蟲害管理及收獲策略，從而提高產(chǎn)量并降低對環(huán)境的負面影響。如今，全世界農(nóng)民已經(jīng)使用近1億臺聯(lián)網(wǎng)設(shè)備，而且隨著農(nóng)業(yè)生產(chǎn)運營的數(shù)字化水平持續(xù)提升，這個數(shù)字也只會越來越高。

為此，我們調(diào)查了物聯(lián)網(wǎng)及AI技術(shù)在農(nóng)業(yè)運營中的興起，并得到AI及計算機視覺數(shù)據(jù)注釋公司Sama的全球營銷副總裁Lisa Avvocato、大數(shù)據(jù)分析公司HEAVY.AI的產(chǎn)品副總裁Mike Flaxman以及提供用于監(jiān)測植物健康的AI解決方案商Fermate創(chuàng)始人兼CEO Valeria Kogan的指引和評論。

滿足人口不斷增長提出的新需求

當今全球人口已超81億。預(yù)計未來30年，這一數(shù)字將再增加20億。

在氣候變化導致的干旱加劇、燃料成本上漲、環(huán)境法規(guī)愈發(fā)嚴格、單一作物盛行以及入侵性害蟲猛烈侵襲的新時代，世界人口爆發(fā)式增長所帶來的維持挑戰(zhàn)再次浮出水面。雖然全球人口出生率正在下降，但總?cè)丝诘呐蛎泟蓊^還在繼續(xù)，糧食供應(yīng)問題的嚴峻程度只增不減。

盡管全球糧食產(chǎn)量截至目前仍與人口增長保持著同步，但發(fā)展中國家還是無法擺脫糧食短缺問題。據(jù)聯(lián)合國稱，到2022年，將有24億人面臨一定程度的糧食安全威脅。

過去十年間，糧食增長率甚至略有下降。據(jù)估計，為了養(yǎng)活未來幾十年的新增人口，糧食產(chǎn)量還需要再增加110%。

農(nóng)民們開始越來越多地依賴數(shù)字技術(shù)來管理農(nóng)作物并提高產(chǎn)量。僅靠綠色革命的創(chuàng)新，已經(jīng)不足以滿足糧食需求的指數(shù)級增長。如今，美國超過50%的玉米、棉花、水稻、高粱、大豆和冬小麥種植戶（按面積計算）都在使用某種形式的數(shù)字輔助技術(shù)。而那些缺少數(shù)字輔助支持的農(nóng)民如果想要參與市場競爭，也必須迅速擁抱這股新興潮流。換言之，精準農(nóng)業(yè)似乎成為個人從業(yè)者乃至整個世界的唯一出路。

農(nóng)業(yè)AI與物聯(lián)網(wǎng)的技術(shù)基礎(chǔ)

自20世紀70年代和80年代首次發(fā)表關(guān)于該主題的論文以來，AI在農(nóng)業(yè)領(lǐng)域的應(yīng)用一直在緩慢加速。而與其他AI應(yīng)用一樣，農(nóng)業(yè)AI從21世紀初起逐漸迎來騰飛。如今，對歷史和當代大數(shù)據(jù)的收集和分析，正在為幾乎所有可以想見的作物種植群體創(chuàng)造巨大的效率優(yōu)勢。

運用各種各樣的技術(shù)手段，我們可以收集濕度、害蟲流行率、降雨量、土壤溫度及溫度等數(shù)據(jù)，可以從地理信息系統(tǒng)中提取廣泛的數(shù)據(jù)集，并有配備專門的紅/綠/藍（RGB）、光檢測與測距（LIDAR）、熱像儀、多光譜與高光譜相機的無人地面車（UGV）及無人駕駛飛行器（UAV）乃至固定無線傳感器以收集更多具體數(shù)據(jù)。由此獲得的數(shù)據(jù)結(jié)果，則可交由機器學習和深度學習程序進行分析。

Flaxman解釋稱，“如果沒有AI技術(shù)來組織這些數(shù)據(jù)，那么單憑人類的頭腦根本無法加以理解。數(shù)據(jù)總量高達TB級別，我們必須找到可行的方法過濾掉其中的無效部分。總而言之，我們既需要有能力監(jiān)控常規(guī)情況，又需要能夠捕捉到異常指標?！?/p>

他同時補充稱，不同類型的數(shù)據(jù)間的相互作用，往往能夠大大提升分析結(jié)果的精確度?！艾F(xiàn)在我們終于能夠像多年以來的軍方那樣，牢牢把握住可能具有全局影響的跡象和線索。所謂跡象，就是在監(jiān)控過程中發(fā)現(xiàn)的某些可疑的表現(xiàn)，代表我們值得投入更多資源來搞清楚究竟發(fā)生了什么。AI技術(shù)在把握跡象和線索方面表現(xiàn)得特別好，也就是先部署用于宏觀監(jiān)控的技術(shù)，再引入一些具體的技術(shù)手段來弄清楚可疑跡象背后到底指向怎樣的底層問題。”

他還提到，AI技術(shù)已經(jīng)發(fā)展到用戶可以用自然語言向軟件程序提出查詢，再以視覺表示的形式（例如描繪某些特征的圖譜）來獲取答案的程度。

另外，用于收集數(shù)據(jù)的某些技術(shù)同時也可以作為解決方案的組成部分——例如，配備視覺檢測技術(shù)的多種機器人技術(shù)（包括UGV和UAV）可以識別并清除雜草，并在目標區(qū)域噴灑殺蟲劑。UGV能夠在理想的深度種植種子。這些設(shè)備在匹配上機器人附件之后，還可以通過圖像識別以遠超其他機械化技術(shù)的精度收獲農(nóng)產(chǎn)品，大大減少對水果和蔬菜作物的損傷。

歷史與當代數(shù)據(jù)相結(jié)合

自書寫語言誕生以來，農(nóng)民們已經(jīng)翔實地記錄下數(shù)千年間的數(shù)據(jù)。蘇美爾人早在公元前3500年就開始記錄他們的農(nóng)作物產(chǎn)量。在美國，自1863年農(nóng)業(yè)部成立統(tǒng)計司以來，該部門一直在收集全國農(nóng)業(yè)統(tǒng)計數(shù)據(jù)。

AI模型可以利用我們祖先留下的記錄信息，據(jù)此對決定當今農(nóng)業(yè)運營狀態(tài)的關(guān)鍵因素做出預(yù)測——特別是熱量、降雨等氣候因素，以及地下水及土壤養(yǎng)分等本地資源的儲備情況。

在此之后，可以將這些數(shù)據(jù)與物聯(lián)網(wǎng)傳感器、無人機和UGV收集的信息，以及美國Landsat系統(tǒng)及歐Sentinel-2等衛(wèi)星的觀測結(jié)果進行比對，從而生成更具體且更有用的預(yù)測。事實上，這就是此類新型技術(shù)被統(tǒng)稱為精準農(nóng)業(yè)的原因所在。

Mike Flaxman, HEAVY.AI公司產(chǎn)品副總裁

Flaxman解釋道，“AI技術(shù)特別擅長做數(shù)據(jù)清洗。水體傳感器可能會卡死，航拍圖像可能會被云層遮蔽。每個數(shù)據(jù)源、每種傳感器都面臨著自己的獨特挑戰(zhàn)?！倍鳤I程序能夠過濾掉靜態(tài)數(shù)據(jù)，并從中概括出最有用的信息。

專為農(nóng)場設(shè)計的決策支持系統(tǒng)（DSS），即農(nóng)場管理信息系統(tǒng)（FMIS），有助于整合這些不同的信息源，并使用機器學習技術(shù)為種植、管理、收獲和銷售規(guī)劃提供可行的指導建議。

這些建議有助于降低成本、提高產(chǎn)量，并且以更可持續(xù)的方式使用農(nóng)藥、化肥和水資源。它們還可幫助農(nóng)民預(yù)測市場需求及定價，并據(jù)此制定生產(chǎn)計劃，從而提高利潤并減少浪費。

下面來看目前已經(jīng)相對成熟的幾類物聯(lián)網(wǎng)及AI實踐應(yīng)用。

水資源管理

事實證明，AI在確定何時及如何灌溉農(nóng)作物方面有著獨特的功能優(yōu)勢。IBM開發(fā)的Liquid Prep產(chǎn)品就使用來自土壤傳感器的水分保持數(shù)據(jù)，結(jié)合天氣預(yù)報數(shù)據(jù)和特定植物的需水量數(shù)據(jù)，為何時灌溉特定田地和給水量提供建議。相關(guān)數(shù)據(jù)可通過移動端應(yīng)用隨時訪問，方便快捷。

其他系統(tǒng)則整合了蒸發(fā)、濕度、土壤和環(huán)境溫度數(shù)據(jù)，以及可以指示旱災(zāi)早期跡象的衛(wèi)星及無人機數(shù)據(jù)。

Flaxman在談到衛(wèi)星數(shù)據(jù)時表示，“所有這些傳感器的分辨率都在提高。所謂分辨率，既包含人們熟知的空間分量，也涉及對農(nóng)業(yè)有著重要意義的光譜分辨率。比如從蜜蜂的視角出發(fā)，它們是憑借對紅外線的敏銳感知發(fā)現(xiàn)花朵的。當植被面臨干旱威脅時，蜜蜂能夠在人眼識別變化的幾周之前就在紅外波段觀察到跡象。這幾周時間非常寶貴，可以提供足夠的時間讓我們部署對策?！?/p>

AI技術(shù)還能評估農(nóng)場內(nèi)不同區(qū)域的確切需水量，這些地區(qū)具有不同的地形和土壤參數(shù)，能夠確保植物保持最佳供水狀態(tài)——既不會灌溉過度，也不會灌溉不足。這反過來又讓植物能更好地吸收肥料，并減少在過度潮濕或者過度干燥的條件下誘發(fā)病蟲害問題的幾率。

徑流問題也能因此得到良好控制。徑流不僅會浪費水資源，還會將污染物帶入水體。隨著干旱加劇、地下水資源枯竭以及可耕地質(zhì)量隨時間推移而逐步下降，水資源管理將變得越來越重要。事實上，全世界只有不到1%的淡水可供利用，其中約70%的地下水被用于灌溉。

除了管理現(xiàn)有作物之外，AI程序還可以利用數(shù)據(jù)分析結(jié)論來評估哪些類型的作物更適合在未來的氣候條件下茁壯成長、高效產(chǎn)出。例如，AI技術(shù)已經(jīng)確定了耐旱性更強的大豆品種。一項研究甚至開發(fā)出了能夠減輕干旱對大豆影響的微生物，其中一部分工作就是由AI分析負責完成。

檢測并緩解雜草與害蟲問題

雜草、害蟲和病害壓力會引發(fā)嚴重的作物損失。在這些問題對作物造成無法修復(fù)的損害之前盡早發(fā)現(xiàn)跡象，對于維持可持續(xù)農(nóng)業(yè)經(jīng)營并保障其預(yù)期收益而言至關(guān)重要。

AI能夠有效分析無人機和衛(wèi)星拍攝的航拍圖像，從中發(fā)現(xiàn)細微的光譜變化，據(jù)此分析出反映疾病或害蟲侵襲早期發(fā)生跡象的指標。甚至早在十年之前，AI分析就能夠檢測出甜菜疾病，且準確率高達90%。

Kogan解釋稱，“AI是由包含數(shù)千種不同植物病蟲害示例的高質(zhì)量數(shù)據(jù)集訓練而成。在我們的產(chǎn)品中，我們使用深度學習和神經(jīng)網(wǎng)絡(luò)來分析視覺數(shù)據(jù)并識別病蟲害。以往，現(xiàn)場勘查人員需要穿過溫室或田野，查看每株植物的葉片以識別異常狀況。這當然是件非常辛苦的工作，勘查員也經(jīng)常會錯過一些重要特征，最終導致對病蟲害的反應(yīng)不夠及時，平均造成30%左右的收成損失。”

通過AI檢測的加持，對受影響區(qū)域的快速識別成為可能，并可使用適當農(nóng)藥進行處理，同時持續(xù)監(jiān)控未受影響的區(qū)域，從而減少資源使用和環(huán)境污染。Avvocato指出，有了AI識別技術(shù)，“我們只需要對特定區(qū)域的農(nóng)田噴灑農(nóng)藥，而不像過去那樣在整片田地里全面噴灑?！?/p>

對擠占農(nóng)作物生存空間、瘋狂汲取養(yǎng)分的雜草進行檢測同樣至關(guān)重要。據(jù)統(tǒng)計，雜草每年從農(nóng)作物處奪取必需的養(yǎng)分和水資源，降低了作物活力和產(chǎn)量。美國農(nóng)民每年花費約260億美元購買除草劑來解決這個問題。在某些極端情況下，除草成本甚至占到他們?nèi)昕傞_支的近三分之二。

使用AI技術(shù)則可精確定位雜草，而不會影響到周遭植物，也不需要在空中大面積噴灑除草劑。

Avvocato在采訪中表示，“農(nóng)作物和雜草在外觀上非常相似，特別是在早期生長階段。其中一大挑戰(zhàn)，就是如何獲取數(shù)量充足的高質(zhì)量圖像。因為這些農(nóng)作物和雜草看起來非常相似。我們需要高質(zhì)量圖像來判斷目標是需要噴灑農(nóng)藥的雜草，還是農(nóng)作物的幼枝嫩芽?！?/p>

有項目發(fā)現(xiàn)，安裝在全地形車上的攝像頭可以穿越田間地頭并發(fā)現(xiàn)雜草，然后直接噴灑除草劑，其準確率高達78%。另一個項目則使用深度學習技術(shù)識別雜草，準確率進一步提升至98%，旨在使用非化學手段去除雜草。也有人使用針對性機械干擾，例如鏟除或引燃雜草。更有激光除草機出現(xiàn)，利用深度學習和機器人技術(shù)先識別雜草，再用激光將其消滅。

AI技術(shù)還可用于檢測牲畜疾病的出現(xiàn)。例如，攝像頭可用于檢測養(yǎng)魚塘中出現(xiàn)病原體的跡象。智能項圈則可監(jiān)測哺乳動物的心率、呼吸及其他生命體征，從而在疾病惡化之前完成檢測和診斷。

土壤條件與種植指導

除了監(jiān)測土壤濕度和排水情況之外，AI技術(shù)還能夠使用從物聯(lián)網(wǎng)設(shè)備及歷史來源收集到的數(shù)據(jù)協(xié)助分析土壤養(yǎng)分、成分和質(zhì)地。對土壤類型進行分類之后，AI即可根據(jù)不同作物的需求對地塊進行分配，幫助農(nóng)民決定種植哪些作物、具體品種、種子播撒深度以及種間間隔距離。

AI程序還可以識別出種植方式的缺陷，并根據(jù)植物需求做出調(diào)整，從而優(yōu)化肥料及其他土壤改良劑的選擇，同時預(yù)測特定土壤條件下容易出現(xiàn)的病原體和害蟲。

生長監(jiān)測與收獲管理

AI技術(shù)可以進一步協(xié)助農(nóng)民，通過監(jiān)測植物生長狀況并將其與已知生長模式進行比較，進而評估作物的健康水平和成熟度，以及在不同情況下的具體產(chǎn)量。

例如，研究人員已經(jīng)使用深度學習來監(jiān)測草莓作物的成熟度，準確率高達99%。其能夠確保在正確時間進行收獲，并提高客戶對產(chǎn)品的滿意度。另一款程序使用AI技術(shù)來檢測葡萄的結(jié)實過程，以75%的準確率識別出葡萄串，幫助釀酒商在成熟季之初就大致估算出最終收獲量。

AI與物聯(lián)網(wǎng)技術(shù)的結(jié)合亦可運用于收獲本身。一項研究使用圖像識別與機械臂相結(jié)合，將成熟西紅柿的成功采摘幾率提升至89%。收獲之后，還可使用圖像識別技術(shù)按質(zhì)量對農(nóng)產(chǎn)品進行分類。一支研究小組還根據(jù)榛子的大小和損壞程度對果實進行分類，準確率高達96%。

質(zhì)量、大小和儲藏壽命等因素也在AI分析的能力范圍之內(nèi)，成為種植戶預(yù)測市場價格、把握競爭態(tài)勢的重要手段，更準確地把握潛在需求與預(yù)期收入。

局限和挑戰(zhàn)

雖然面向各主要作物的AI分析功能已經(jīng)相當先進，但針對各類非常見作物的程序在可用性和準確性方面則參差不齊。要消除其中的檢測異常，就必須對AI檢測程序進行全面調(diào)整。

Kogan解釋稱，“由于缺乏豐富的現(xiàn)實參考，數(shù)據(jù)質(zhì)量仍然是個巨大的挑戰(zhàn)。因為無法對每項診斷進行實驗室測試，我們只能高度依賴農(nóng)學家對圖像做出的人力分析?！?/p>

Valeria Kogan, Fermata公司創(chuàng)始人兼CEO

Flaxman還補充道，“目前的情況是，基于航拍的大范圍測繪能力已經(jīng)比較成熟，但對小規(guī)模細節(jié)的覆蓋則不夠充分?！?/p>

因此，這項技術(shù)可能還不適用于某些植物品類。Flaxman表示，“這將成為農(nóng)業(yè)領(lǐng)域接下來需要克服的難題，但巨大的潛力空間也在其中。只要能夠幫助AI技術(shù)獲得識別特殊作物特征的能力，那么落地應(yīng)用將再無障礙。畢竟很多人種的都不是常規(guī)的糧食作物。以草莓為例，很多企業(yè)可以繪制出專門的草莓種植圖，有針對性地滿足市場上的現(xiàn)實需求和種植戶利益?！?/p>

雖然物聯(lián)網(wǎng)和AI技術(shù)在協(xié)助農(nóng)民經(jīng)營方面顯示出光明的前景，但目前相關(guān)方案還沒有廣泛被交付至個體農(nóng)戶手中。盡管部分發(fā)展中國家已經(jīng)在嘗試部署相關(guān)項目，也有些小規(guī)模農(nóng)戶設(shè)法在特定區(qū)域內(nèi)引入新技術(shù)，但總體而言AI仍然只是農(nóng)業(yè)巨頭們的專屬。將各類技術(shù)和數(shù)據(jù)集整合成可操作信息并據(jù)此采取行動是一項艱巨挑戰(zhàn)，需要大量投資才有希望獲得回報。

即使是單一應(yīng)用，比如說灌溉管理，也需要大量數(shù)據(jù)和配套的管理程序。而且，每一項技術(shù)部署還只能收集特定類型的數(shù)據(jù)。Avvocato坦言，“進入這一領(lǐng)域的最大障礙，就是需要投入巨量資金購置基礎(chǔ)設(shè)施。而且這類資金累加起來，總體數(shù)額將極其可觀。”

FMIS已經(jīng)初步顯示出利用公開數(shù)據(jù)提取廣泛見解，再據(jù)此指導農(nóng)業(yè)生產(chǎn)實踐的潛力，但多數(shù)人仍然不可能依靠小型空中無人機來發(fā)現(xiàn)局部疾病實例、或者安裝傳感器來監(jiān)測土壤濕度。此外，在特定時間點上收集數(shù)據(jù)的實用性也比較有限。與從歷史觀察中收集到的廣泛趨勢相反，細粒度的本地化數(shù)據(jù)往往需要在經(jīng)過長時間的積累之后才能真正具備實用性。

Flaxman指出，可以考慮為無法獨自負擔設(shè)備的農(nóng)民提供空中觀測服務(wù)，甚至推出合作計劃，由鄰近農(nóng)戶們共同進行調(diào)查并相互分享結(jié)果數(shù)據(jù)。他建議將這些數(shù)據(jù)與其他免費發(fā)布的衛(wèi)星數(shù)據(jù)相結(jié)合，并使用訂閱形式的網(wǎng)絡(luò)服務(wù)及開源工具對結(jié)果進行分析。

隨著技術(shù)的加速發(fā)展和更全面平臺的出現(xiàn)，相關(guān)技術(shù)培訓項目也有望幫助種植戶們（特別是在發(fā)展中國家等糧食供應(yīng)緊張的地區(qū)）使用物聯(lián)網(wǎng)和AI改善其經(jīng)營狀況。

Avvocato指出，“發(fā)展中國家糧食供應(yīng)的脆弱程度要比美國高得多。如果能夠?qū)⑥r(nóng)作物產(chǎn)量提高 10%、20%甚至30%，必將產(chǎn)生巨大的現(xiàn)實影響?！?/p>

與此同時，無人機航拍和依托大量傳感器的農(nóng)場田地掃描，也將繼續(xù)為需要現(xiàn)場數(shù)據(jù)的AI程序提供動力，從另一個側(cè)面幫助其提升能力極限、勾勒出通用人工智能的未來形態(tài)。