聯(lián)合國2020 年 11 月公布的總人口為 78 億。據估計，這個數(shù)字到 2030 年將達到 85 億，到 2050 年將達到 99 億。隨著總人口的快速增長，全球食品消費也在快速增長。農業(yè)的產量已經比三年前的產量高出約 17%。然而，世界上約有 8.21 億人缺乏糧食保障。迅速增加農業(yè)或糧食產量以滿足不斷增長的糧食供應需求并非易事。

隨著全球人口的增長，糧食和農業(yè)組織計算出，到 2050 年，農業(yè)產量需要增加 70%才能養(yǎng)活世界不斷增長的人口。為了實現(xiàn)可持續(xù)農業(yè)生產，農業(yè)部門需要采用區(qū)塊鏈、物聯(lián)網和人工智能等智能技術輔助農業(yè)生產。如果我們可以從農場生成大量數(shù)據并使用這些數(shù)據來推動一些農業(yè)決策。它可以幫助解決全球范圍內的大部分食品問題。例如，如果我們可以使農場能夠為該地區(qū)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(huán)境因素構建數(shù)據集或地圖，它將支持智能農業(yè)、精準農業(yè)、垂直農業(yè)等。

數(shù)據驅動的農業(yè)已被證明可以提高作物產量、降低成本并確保可持續(xù)性。這些不僅限于農業(yè)，而且對于畜牧業(yè)面臨的若干挑戰(zhàn)也有潛在的解決方案。

智慧農業(yè)生態(tài)

智慧農場基于物聯(lián)網可穿戴設備的全面監(jiān)控，由固件、人工智能、衛(wèi)星圖像和區(qū)塊鏈技術提供支持，為農民提供有關健康、位置、喂養(yǎng)和他們的動物的繁殖條件。

大數(shù)據使農業(yè)從業(yè)者和相關行業(yè)能夠獲取有關影響農業(yè)生產的不同因素的信息，并在日常農業(yè)中做出有效的決策。大型工廠化農場采用了物聯(lián)網和區(qū)塊鏈等不同技術，旨在在農業(yè)實踐中提高產量。區(qū)塊鏈技術正在農業(yè)食品供應鏈的管理中實施，以提供所有操作的透明度、安全性、穩(wěn)定性和可靠性等功能。

物聯(lián)網協(xié)助農業(yè)生產和供應鏈各個階段的數(shù)據收集，對農業(yè)、加工、物流和營銷過程中收集的數(shù)據進行大數(shù)據分析。例如，移動農業(yè)專家系統(tǒng)和農業(yè)預測分析都依賴大數(shù)據為種植者提供精準農業(yè)的智能建議，精準的風險評估可以幫助農業(yè)從業(yè)者更好地應對農業(yè)風險，包括生產風險、市場風險、制度風險以及伴隨的個人和貨幣風險。此外，大數(shù)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等存在的挑戰(zhàn)。

與其他行業(yè)類似，農業(yè)行業(yè)通過采用融合技術來追求創(chuàng)新。大數(shù)據和人工智能已經在整個行業(yè)展示了它們的潛力和用途。

人工智能

在農業(yè)食品行業(yè)中有許多使用 AI 和 ML 的實例，自動化框架可以在幾秒鐘內收集關于單個食品的大量數(shù)據并進行快速分析。人工智能在農業(yè)部門的一些主要領域得到了應用，例如供應鏈管理、土壤、作物、疾病和病蟲害管理。

大數(shù)據分析

大數(shù)據分析被概括為一個系統(tǒng)，其中尖端分析方法對龐大的數(shù)據集進行操作。它是兩個技術實體的組合海量數(shù)據集，以及包括數(shù)據挖掘、統(tǒng)計、人工智能、預測分析、自然語言處理（NLP）等在內的分析工具類別的集合，構成了商業(yè)智能的重要組成部分。

大數(shù)據已成為學術研究和工業(yè)領域廣泛研究的對象，例如，大數(shù)據正被用于亞馬遜等大服務行業(yè)等眾多領域，以了解客戶行為和需求，從而更準確地相應地調整產品價格，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數(shù)據分析來研究用戶的社交行為、興趣和社交關系，然后制定個性化功能。在智能交通系統(tǒng)中，大數(shù)據技術可以處理期間產生的海量多樣復雜的數(shù)據，為交通系統(tǒng)中的駕駛員和乘客提供安全、優(yōu)質的設施。在農業(yè)領域，大數(shù)據顯示了解決農業(yè)面臨的許多挑戰(zhàn)，從而提高農業(yè)生產質量和數(shù)量的巨大潛力。大數(shù)據分析可用于確定土壤質量、病蟲害干擾、需水量，并可預測作物的收獲時間。

大數(shù)據特征（10v）

海量數(shù)據在農業(yè)中的應用，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著重要的角色，從而減少對糧食安全的擔憂。

農業(yè)中的機器學習

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(yè)的不同應用領域。與人工神經網絡相比，SVR 表現(xiàn)出對異常值和噪聲存在的穩(wěn)健性，具有更好的估計精度。深度學習技術是農業(yè)圖像數(shù)據集分割應用最有潛力的模型。

機器學習在精準農業(yè)中遇到的最具體的挑戰(zhàn)是可變的時空分辨率和由于物聯(lián)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(shù)據填補缺失的信息。

隨著對來自無人駕駛飛行器和衛(wèi)星的大量航拍圖像的訪問不斷擴大，卷積神經網絡（CNN）可以在這些信息的分析中發(fā)揮重要作用，以提取重要信息。例如數(shù)據的預處理和分析。由于無人機可以積累大量非結構化數(shù)據，基于大數(shù)據的工具（分析工具）和云計算具有提高數(shù)據處理效率、提供高數(shù)據安全性和可擴展性以及最小化成本的潛力?；谠朴嬎愕膽贸绦蜃鳛橐环N潛在的解決方案，具有較低的前期成本、計算資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(yè)從業(yè)者選擇最優(yōu)質的作物在他們的農場種植。研究土壤、物聯(lián)網和其他傳感器網絡的這些特征，以及基于 ML 的大數(shù)據技術，如聚類和分類方法來標記土壤數(shù)據。

農業(yè)環(huán)境中的大數(shù)據運行周期

在技術先進的大型工業(yè)農場中，田間管理看起來與傳統(tǒng)農場不同，管理系統(tǒng)通過獲取其內部可變性（包括時間和空間方面）的好處來處理實際田間數(shù)據，從而采用智能決策?，F(xiàn)場數(shù)據采集是通過部署物聯(lián)網設備、遙感和其他傳感器網絡來完成的。從物聯(lián)網傳感器網絡收集的有關土壤、作物、天氣或環(huán)境的數(shù)據存儲在本地或云存儲中。使用基于機器學習的大數(shù)據算法來提取重要信息。

除傳統(tǒng)傳感器外，不同的物聯(lián)網傳感器用于作物監(jiān)測并從中收集所需的重要數(shù)據。這些傳感器設備可以直接部署在農田、農業(yè)機器人、自主平臺、機器或氣象站中。人造衛(wèi)星遙感通過遠程訪問現(xiàn)場數(shù)據，在精準農業(yè)的發(fā)展中發(fā)揮了重要作用。

無人機（無人機和遙控飛機）在農業(yè)生產中的應用逐漸增加，作為衡量可持續(xù)農業(yè)管理的有效方法允許種植者、農業(yè)工程師和農藝師協(xié)助簡化他們的程序，利用強大的信息分析來獲得一些關鍵意見。無人機在確定合適的作物推薦、植物和種群的出現(xiàn)方面使對大面積農田進行仔細的作物監(jiān)測變得更加容易，因為更精確的數(shù)據可以幫助做出關于重新種植、修剪和間伐活動以及產量估算的決策。

在近端傳感中，地面平臺如無人地面車輛（UGV）和靠近作物操作的機器人增加了獲取數(shù)據的準確性， UGV 應用需要實時數(shù)據，例如雜草檢測和清除、選擇性農藥噴灑、土壤分析、害蟲控制和作物偵察。

不同無線數(shù)據采集技術的應用在農業(yè)中創(chuàng)造了海量數(shù)據。由于農場管理涉及多個田間參數(shù)，人們實際上很難管理復雜的農業(yè)數(shù)據以做出更好的決策。在這種情況下，人工智能與深度學習、遺傳算法、機器學習或專家系統(tǒng)可以輔助推理，建模能力可以在精準農業(yè)中發(fā)揮重要作用，有助于理解所有可用數(shù)據。經濟型電子元件的普遍可用性將有利于包括小農場主在內的世界各地采用這些數(shù)字應用程序。

精準農業(yè)中的大數(shù)據挑戰(zhàn)

1、數(shù)據收集挑戰(zhàn)

在精準農業(yè)用例中，大量數(shù)據來自不同來源。合并來自各種來源的數(shù)據引發(fā)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(fā)了對安全和保護的擔憂。數(shù)據驅動技術要求使用未受污染且適用的信息。不完整的數(shù)據集會抹掉信息，而訓練集中存在的異常或傾向會影響模型精度。

2、大數(shù)據分析技術的挑戰(zhàn)

為了控制與精準農業(yè)或智能農業(yè)相關的數(shù)據集，分析技術需要在一定程度上采用對齊和分布式手段，計算復雜度高。人工智能和分布式計算執(zhí)行程序的集成提供了處理海量數(shù)據的潛在方法。

3、管理不斷增長的數(shù)據和實時可擴展性

在植物生長監(jiān)測期間，通過多個設備逐步生成大量圖像和視頻，這給存儲和處理所有這些數(shù)據帶來了一些挑戰(zhàn)。農業(yè)中產生的大部分數(shù)據都是無定形或半結構化的，無法穩(wěn)定地存儲在 MySQL、SQL Server 等常用數(shù)據庫中。

總結

通過 ICT 的發(fā)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確性和泛化能力來改進不可或缺的決策創(chuàng)新。此外，從精準農業(yè)實踐產生的大量數(shù)據中學習，預計將為精準農業(yè)創(chuàng)造大量機會和轉型視角。隨著大數(shù)據的進步，傳統(tǒng)的學習方法在處理海量異構、多維、時空數(shù)據時自然不具備足夠的能力或可擴展性。

除了精準農業(yè)外，人工智能、無人機、物聯(lián)網、機器人和大數(shù)據的自動化和應用預計將在各種農業(yè)領域發(fā)揮重要作用。采用高性能數(shù)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(yè)流程自動化，從而可以將傳統(tǒng)的農場管理轉變?yōu)槿斯ぶ悄芟到y(tǒng)。

本文來源：IEEE