由于人口增长、人均收入增加以及生物燃料使用的增加，预计到 2050 年全球对主要农作物产品的需求将大幅增加，因此有必要在现有农田采取可持续农业集约化做法来满足这一需求。然而，南半球国家目前采用的估算程序仍然不足。自我报告和作物收割等传统方法有其局限性，遥感技术在这方面没有得到充分利用。

然而，人工智能和机器学习的最新进展，特别是卷积神经网络 (CNN) 的深度学习，在这里提供了有前途的解决方案。为了探索这项新技术的应用范围，日本研究人员进行了一项针对水稻的研究。他们利用农作物收获阶段拍摄的地面数字图像，结合 CNN 来估算水稻产量。他们的研究于 2023 年 6 月 29 日在线发表，并于 2023 年 7 月 28 日发表在《植物表型学》第 5 卷上。

“我们首先开展了广泛的实地活动。我们收集了七个国家 20 个地点的水稻冠层图像和粗粮产量数据，以便创建一个综合性跨国数据库。 ”冈山大学环境、生命、自然科学与技术研究生院副教授 Yu Tanaka 博士说道，谁领导了这项研究。

这些图像是使用数码相机拍摄的，数码相机可以从稻冠垂直向下 0.8-0.9 米的距离收集所需的数据。该团队与国际水稻研究所(原非洲水稻中心)的 Kazuki Saito 博士和其他合作者一起，成功创建了包含 4,820 个收获田块产量数据和 22,067 张图像的数据库，涵盖各种水稻品种、生产系统和作物管理实践。

接下来，开发了一个 CNN 模型来估计每张收集到的图像的谷物产量。该团队使用视觉遮挡方法来可视化水稻冠层图像中不同区域的相加效果。它涉及屏蔽图像的特定部分并观察模型的产量估计如何响应屏蔽区域而变化。从这种方法中获得的见解使研究人员能够了解 CNN 模型如何解释水稻冠层图像中的各种特征，从而影响其准确性及其区分冠层中产量贡献成分和非贡献元素的能力。

该模型表现良好，解释了验证和测试数据集中大约 68%–69% 的产量变化。研究结果强调了圆锥花序(松散分枝的花簇)在通过基于遮挡的可视化进行产量估算中的重要性。该模型可以准确预测成熟阶段的产量，识别成熟的圆锥花序，还可以检测预测数据集中产量的品种和水分管理差异。然而，它的准确性随着图像分辨率的降低而降低。

尽管如此，事实证明该模型很强大，在不同的拍摄角度和一天中的时间都显示出良好的准确性。总体而言，开发的 CNN 模型在根据不同环境和品种的水稻冠层图像估算粗粮产量方面表现出了良好的能力。另一个吸引人的方面是它具有很高的成本效益，并且不需要劳动密集型的作物减产或复杂的遥感技术，”田中博士热情地说道。

该研究强调了基于 CNN 的模型在区域范围内监测水稻生产力的潜力。然而，该模型的准确性在不同条件下可能会有所不同，进一步的研究应集中于模型对低产和多雨环境的适应。基于人工智能的方法还可以通过简单的智能手机应用程序向农民和研究人员提供，从而大大提高了该技术及其现实应用的可及性。该应用程序的名称是“HOJO”，它已经在 iOS 和 Android 上可用。研究人员希望他们的工作能够更好地管理稻田并协助加速育种计划，为全球粮食生产和可持续发展举措做出积极贡献。