在本周由2020年国际学习大会(ICLR)在线举办的研讨会上，小组成员讨论了人工智能和机器学习如何(已经)应用于农业挑战。正如几位专家所指出的，世界各国都面临着粮食供应短缺的问题，据估计，9%的人口(6.97亿)严重“粮食不安全”，这意味着他们无法可靠地获得负担得起的营养食品。
劳动力短缺、害虫和病原体的传播、气候变化和其他因素可能会加剧危机，但人工智能可以提供帮助。IBM科学家通过农业“数字双胞胎”或用于预测特定作物产量的作物数字模型谈论了他们在非洲的工作。阿卡迪亚大学的研究人员提出了一种算法，旨在比人类工人更准确地测量葡萄产量。来自加州大学戴维斯分校的一个团队详细介绍了利用卫星图像预测肯尼亚牲畜觅食条件的工作。
对数字农场培育“双胞胎”的建议
软件保障负责人Akram Mohammed详细介绍了IBM去年对尼日利亚农场的数字“克隆”，这需要收集多光谱图像和元数据的历史记录(如传感器读数、天气和土壤条件)，以在IBM的云平台上建立农场的模拟。这项工作在一定程度上是IBM和Hello Tractor合作的产物，Hello Tractor是一种订阅服务，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。
Mohammed断言，数字作物增值不仅对农民本身有价值，对经销商、政府和银行也有价值，它们可以利用数字作物增值来跟踪市场动态，规划和制定政策，并将投资风险降至最低。他指出，世界人口预计将在5年内超过80亿，但到本世纪末，可耕地将减少20%。
他说，“应对粮食安全挑战将取决于使供应链更简单、更安全和更少浪费。”
Mohammed和他的团队利用IBM的PAIRS Geoscope服务，该服务旨在托管和管理PB级的地理空间数据，如地图和无人机图像，以存储每个农场的卫星、天气和地面传感器数据。IBM -Watson农业决策平台的另一项服务是将IBM旗下天气公司的算法与物联网数据采集工具相结合——使工程师在输入多个深度的水分读数、土壤养分含量和肥力后，可以获得产量预测、农场运营和工作流程信息以及高清可视卫星图像。
挑战之一是相对缺乏小农场的数据。卫星图像只提供像素值的信息，并不是所有的农场都买得起监控设备。该团队的解决方案是对目标区域中超过40，000个集群的农场组进行建模。这使得工程师可以训练一个推荐系统来回答两个关键问题：(1)农民应该在什么时候进行具体的种植活动；(2)小规模农户作物产量最大化的最佳耕作日是哪一天？
该系统包括一个集成的学习模型，该模型将建议种植日期，利用历史状态(来自数字“双胞胎”)和未来元数据预测，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上的真实事件信息(位置和日期)。在实验中，元数据(如作物类型和土壤条件)的缺乏阻碍了模型的预测。但是研究人员声称他们的解决方案比启发式系统好得多。
利用计算机视觉估测葡萄产量
阿卡迪亚大学数据分析研究所的研究人员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。准确的葡萄产量估计对于计划收获和做出葡萄酒生产选择非常重要，但正如Silver和Nasa指出的那样，测量在历史上是一个昂贵的过程——更不用说是一个不准确的过程(准确率为75%至90%)。
为了为他们的估计产量的机器学习模型建立训练集，研究人员招募了志愿者，并要求他们拍摄葡萄藤上的葡萄照片，并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，对照片进行裁剪、归一化和大小调整，然后将两个数据集合并，输入到卷积神经网络(一种非常适合分析视觉图像的AI模型)。
他们报告说，他们表现最好的模型在收获前6天预测平均产量的平均准确率为85.15%，在收获前16天预测平均产量的平均准确率为82%。在未来的工作中，他们计划通过结合自动图像裁剪器和长期天气预报数据来改进它。
利用卫星图像预测饲料状况
来自加州大学戴维斯分校和人工智能咨询公司Weights and Biases的研究人员就预测肯尼亚牲畜饲料状况的努力发表了演讲。他们的工作受到肯尼亚北部牧民斗争的推动。他们依靠牲畜获得食物和收入，但他们往往无法预见干旱。
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，它可以链接到一个平台，该平台可以快速将资源转移到牧民手中，使他们能够支付家庭开支或牲畜需求。
研究人员通过编制一个训练语料库实现了这一想法，该语料库由带有人类标签的地面图像组成。这些数据点有时间标记、饲料质量(0-3级，零表示严重干旱)、动物和植物类型以及浇水距离。他们将其与在同一时间同一地点拍摄的10万幅卫星图像相关联，目的是仅使用上述卫星图像来预测质量。
该团队在Weights and Biases的基准网站上发布了数据集，允许贡献者将训练好的模型提交给公众排名。在撰写本文时，最好的算法可以预测干旱，准确率为77.8%，第二个模型可以达到77.5%的准确率。
展望未来，研究人员希望将他们的工作扩展到其他领域，部分是通过收集地面和牧场数据，以及玉米、木薯和水稻等主要作物的地理位置。
