2020年国际学习表示会议（ICLR）主办的研讨会上，与会人员在线讨论了AI和机器学习如何（而且已经应用）如何应用于农业挑战。正如几位专家指出的那样，世界各国面临粮食供应短缺的问题-估计有9％的人口（6.97亿）处于严重的“ 粮食不安全”状态。

诸如劳动力短缺，有害生物和病原体扩散以及气候变化等因素有可能使危机升级。但是人工智能可以提供帮助。IBM科学家通过农业“数字双生子”或用于预测特定农作物产量的农作物数字模型谈到了他们在非洲的工作。 Acadia大学的研究人员提出了一种算法，该算法可以比人类工人更准确地测量葡萄产量。加州大学戴维斯分校的一个小组详细介绍了使用卫星图像预测肯尼亚牲畜觅食条件的工作。

数字农场“双胞胎”的栽培建议

软件质量保证负责人Mohamed Akram详细介绍了IBM去年对尼日利亚的农场进行数字“克隆”的工作，这需要收集多光谱图像和元数据（如传感器读数，天气和土壤状况）的历史记录，以在IBM的云平台上构建农场的模拟。部分工作是IBM与Hello Tractor之间的合作完成。Hello Tractor是一项订阅服务，该服务将小规模农民与设备和数据分析联系起来，以提高作物产量。

Akram提到，数字化作物增值不仅对农民本身有价值，而且对使用它们的分销商，政府和银行也具有价值，可以利用它们来跟踪市场动态，计划和制定政策，并将其投资风险降至最低。他指出，预计五年内世界人口将超过80亿，但到本世纪末，可耕地将减少20％。

“应对粮食安全挑战将取决于使供应链更简单，更安全且浪费更少，”Akram说。

Akram和他的团队利用了IBM的PAIRS Geoscope服务，该服务旨在托管和管理PB级的地理时空数据，例如地图和无人机图像，以存储有关每个农场的卫星，天气和地面传感器数据。IBM的另一项服务-Watson农业决策平台，将IBM拥有的The Weather Company的算法与物联网数据摄取工具相结合-使工程师获得了多个深度的水分读数，土壤养分含量和肥力后，即可获得产量预测，农场做法和工作流程信息以及高清可视卫星图像。

要克服的挑战之一是规模较小的农场数据相对匮乏。卫星图像仅提供像素值的信息，而且并非所有农场都能买得起监视设备。团队的解决方案是将目标区域中超过40,000个集群的农场组建模。这使工程师能够训练一个推荐系统来回答两个关键问题：（1）农民什么时候应该进行特定的种植活动；（2）什么是最佳耕作日，从而使小规模农民的农作物产量最大化？

该系统包括一个集成的学习模型，该模型会建议栽培日期，利用历史状态（来自数字“双胞胎”）以及未来的元数据预测，例如最近的天气历史（湿度，能见度，温度，降水和风速），天气预报（四个不同深度的土壤湿度），多光谱卫星图像和地面真相事件信息（位置和日期）。在实验中，丢失的元数据（如农作物类型和土壤条件）阻碍了模型的预测。但是研究人员声称，他们的解决方案在很大程度上优于基于启发式的系统。

使用计算机视觉估算葡萄产量

Acadia大学数据分析研究所的两名研究人员Daniel L.Silver和Jabun Nasa介绍了他们开发的计算机视觉系统的工作，该系统可以根据葡萄图像测量葡萄产量。准确的葡萄产量估算对于计划收成和做出葡萄酒生产选择至关重要。但是正如Silver和Nasa指出的那样，进行测量在历史上是一个昂贵的过程-更不用说一个不精确的过程了（准确度为75％至90％）。

为了给他们的估算产量的机器学习模型建立训练集，研究人员招募了志愿者，并要求他们给葡萄拍摄葡萄在葡萄树上的照片，并使用数字秤测量葡萄的重量。收集后，Silver和Nasa将测量数据数字化，并对照片进行裁剪，归一化和调整大小，然后再组合两个数据集并将其馈入卷积神经网络（一种非常适合于分析视觉图像的AI模型）。

他们报告说，他们表现最好的模型在收获前六天的平均产量预测上平均准确率为85.15％，在预测收获前16天的平均产量上准确率为82％。在未来的工作中，他们计划通过合并自动图像裁剪器和长期天气预报数据来完善它。

利用卫星图像预测饲料状况

来自加州大学戴维斯分校和AI咨询公司Weights and Biases的研究人员发表讲话，预测肯尼亚的牲畜饲草状况。肯尼亚北部牧民的纷争和奋斗促使它的诞生-他们依靠牲畜获得食物和收入，但往往无法预知干旱可能发生的地方。

因此，理想的预测模型将通过分析公共数据来防止牲畜损失和饥饿。当干旱来袭时，可以将其链接到一个平台，该平台可以迅速将资源转移给牧民，他们可以用来满足家庭支出或牲畜需求。

研究人员遵循这一想法，编写了一个训练语料库，该训练语料库由人为标签的地面图像组成，这些数据点带有时间戳、草料质量（0-3范围，零表示严重干旱）、动植物类型。他们将其与在相同地点和相同时间拍摄的100,000幅卫星图像相关联，目的是仅使用上述卫星图像来预测质量。

该团队将数据集发布到了Weights and Biases的基准测试网站上，该网站允许贡献者将经过训练的模型提交给公共排行榜。在撰写本文时，性能最佳的算法可以以77.8％的精度预测干旱，次之的模型可以达到77.5％的精度。

展望未来，研究人员希望将工作范围扩大到其他地区，部分方法是收集地面和牧草数据，以及诸如玉米，木薯，水稻等主要农作物的地理位置。