在接下来的几个世纪里，农业的日益繁芜化支撑起不断增长的人口总量。第二次农业革命始于17世纪的英国，包括引入新型灌溉技能、肥料及农产品运输办法。20世纪曾经甚嚣尘上的人口崩溃论，被始于20世纪40年代的绿色革命（也称第三次农业革命）所避免。随着新型肥料与杀虫剂的广泛利用，农作物产量也迎来大幅增长。
如今第四次农业革命即将到来。包括物联网（IoT）支配（即用于网络和传输数据的数字扮装备）以及AI在内的技能进步，正将效率推向新的顶点，并有望再次从根本上改变人类宰治全体地球的详细办法。
将过往数百年的历史数据网络起来，并将其与新设备网络的新信息结合起来，使得农人能够全面改进自己的栽种、灌溉、病虫害管理及收成策略，从而提高产量并降落对环境的负面影响。如今，全天下农人已经利用近1亿台联网设备，而且随着农业生产运营的数字化水平持续提升，这个数字也只会越来越高。
为此，我们调查了物联网及AI技能在农业运营中的兴起，并得到AI及打算机视觉数据注释公司Sama的环球营销副总裁Lisa Avvocato、大数据剖析公司HEAVY.AI的产品副总裁Mike Flaxman以及供应用于监测植物康健的AI办理方案商Fermate创始人兼CEO Valeria Kogan的指引和评论。
当今环球人口已超81亿。估量未来30年，这一数字将再增加20亿。
在景象变革导致的干旱加剧、燃料本钱上涨、环境法规愈发严格、单一作物盛行以及入侵性害虫剧烈侵袭的新时期，天下人口爆发式增长所带来的坚持寻衅再次浮出水面。虽然环球人口出生率正不才降，但总人口的膨胀势头还在连续，粮食供应问题的严厉程度只增不减。
只管环球粮食产量截至目前仍与人口增长保持着同步，但发展中国家还是无法摆脱粮食短缺问题。据联合国称，到2022年，将有24亿人面临一定程度的粮食安全威胁。
过去十年间，粮食增长率乃至略有低落。据估计，为了养活未来几十年的新增人口，粮食产量还须要再增加110%。
农人们开始越来越多地依赖数字技能来管理农作物并提高产量。仅靠绿色革命的创新，已经不敷以知足粮食需求的指数级增长。如今，美国超过50%的玉米、棉花、水稻、高粱、大豆和冬小麦栽种户（按面积打算）都在利用某种形式的数字赞助技能。而那些短缺数字赞助支持的农人如果想要参与市场竞争，也必须迅速拥抱这股新兴潮流。换言之，精准农业彷佛成为个人从业者乃至全体天下的唯一出路。
农业AI与物联网的技能根本自20世纪70年代和80年代首次揭橥关于该主题的论文以来，AI在农业领域的运用一贯在缓慢加速。而与其他AI运用一样，农业AI从21世纪初起逐渐迎来腾飞。如今，对历史和当代大数据的网络和剖析，正在为险些所有可以想见的作物栽种群体创造巨大的效率上风。
利用各种各样的技能手段，我们可以网络湿度、害虫盛行率、降雨量、土壤温度及温度等数据，可以从地理信息系统中提取广泛的数据集，并有配备专门的红/绿/蓝（RGB）、光检测与测距（LIDAR）、热像仪、多光谱与高光谱相机的无人地面车（UGV）及无人驾驶翱翔器（UAV）乃至固定无线传感器以网络更多详细数据。由此得到的数据结果，则可交由机器学习和深度学习程序进行剖析。
Flaxman阐明称，“如果没有AI技能来组织这些数据，那么单凭人类的头脑根本无法加以理解。数据总量高达TB级别，我们必须找到可行的方法过滤掉个中的无效部分。总而言之，我们既须要有能力监控常规情形，又须要能够捕捉到非常指标。”
他同时补充称，不同类型的数据间的相互浸染，每每能够大大提升剖析结果的精确度。“现在我们终于能够像多年以来的军方那样，牢牢把握住可能具有全局影响的迹象和线索。所谓迹象，便是在监控过程中创造的某些可疑的表现，代表我们值得投入更多资源来搞清楚究竟发生了什么。AI技能在把握迹象和线索方面表现得特殊好，也便是先支配用于宏不雅观监控的技能，再引入一些详细的技能手段来弄清楚可疑迹象背后到底指向若何的底层问题。”
他还提到，AI技能已经发展到用户可以用自然措辞向软件程序提出查询，再以视觉表示的形式（例如描述某些特色的图谱）来获取答案的程度。
其余，用于网络数据的某些技能同时也可以作为办理方案的组成部分——例如，配备视觉检测技能的多种机器人技能（包括UGV和UAV）可以识别并打消杂草，并在目标区域喷洒杀虫剂。UGV能够在空想的深度栽种种子。这些设备在匹配上机器人附件之后，还可以通过图像识别以远超其他机器化技能的精度收成农产品，大大减少对水果和蔬菜作物的损伤。
历史与当代数据相结合自书写措辞出身以来，农人们已经翔实地记录下数千年间的数据。苏美尔人早在公元前3500年就开始记录他们的农作物产量。在美国，自1863年农业部成立统计司以来，该部门一贯在网络全国农业统计数据。
AI模型可以利用我们先人留下的记录信息，据此对决定当今农业运营状态的关键成分做出预测——特殊是热量、降雨等景象成分，以及地下水及土壤养分等本地资源的储备情形。
在此之后，可以将这些数据与物联网传感器、无人机和UGV网络的信息，以及美国Landsat系统及欧Sentinel-2等卫星的不雅观测结果进行比对，从而天生更详细且更有用的预测。事实上，这便是此类新型技能被统称为精准农业的缘故原由所在。
Mike Flaxman, HEAVY.AI公司产品副总裁
Flaxman阐明道，“AI技能特殊善于做数据洗濯。水体传感器可能会卡去世，航拍图像可能会被云层遮蔽。每个数据源、每种传感器都面临着自己的独特寻衅。”而AI程序能够过滤掉静态数据，并从中概括出最有用的信息。
专为农场设计的决策支持系统（DSS），即农场管理信息系统（FMIS），有助于整合这些不同的信息源，并利用机器学习技能为栽种、管理、收成和发卖方案供应可行的辅导建议。
这些建议有助于降落本钱、提高产量，并且以更可持续的办法利用农药、化肥和水资源。它们还可帮助农人预测市场需求及定价，并据此制订生产操持，从而提高利润并减少摧残浪费蹂躏。
下面来看目前已经相对成熟的几类物联网及AI实践运用。
水资源管理事实证明，AI在确定何时及如何灌溉农作物方面有着独特的功能上风。IBM开拓的Liquid Prep产品就利用来自土壤传感器的水分保持数据，结合景象预报数据和特定植物的需水量数据，为何时灌溉特定田地和给水量供应建议。干系数据可通过移动端运用随时访问，方便快捷。
其他系统则整合了蒸发、湿度、土壤和环境温度数据，以及可以指示旱灾早期迹象的卫星及无人机数据。
Flaxman在谈到卫星数据时表示，“所有这些传感器的分辨率都在提高。所谓分辨率，既包含人们熟知的空间分量，也涉及对农业有着重要意义的光谱分辨率。比如从蜜蜂的视角出发，它们是凭借对红外线的敏锐感知创造花朵的。当植被面临干旱威胁时，蜜蜂能够在人眼识别变革的几周之前就在红外波段不雅观察到迹象。这几周韶光非常宝贵，可以供应足够的韶光让我们支配对策。”
AI技能还能评估农场内不同区域的确切需水量，这些地区具有不同的地形和土壤参数，能够确保植物保持最佳供水状态——既不会灌溉过度，也不会灌溉不敷。这反过来又让植物能更好地接管肥料，并减少在过度湿润或者过度干燥的条件下诱发病虫害问题的几率。
径流问题也能因此得到良好掌握。径流不仅会摧残浪费蹂躏水资源，还会将污染物带入水体。随着干旱加剧、地下水资源枯竭以及可耕地质量随韶光推移而逐步低落，水资源管理将变得越来越主要。事实上，全天下只有不到1%的淡水可供给用，个中约70%的地下水被用于灌溉。
除了管理现有作物之外，AI程序还可以利用数据剖析结论来评估哪些类型的作物更适宜在未来的景象条件下茁壮发展、高效产出。例如，AI技能已经确定了耐旱性更强的大豆品种。一项研究乃至开拓出了能够减轻干旱对大豆影响的微生物，个中一部分事情便是由AI剖析卖力完成。
检测并缓解杂草与害虫问题杂草、害虫和病害压力会引发严重的作物丢失。在这些问题对作物造成无法修复的危害之前尽早创造迹象，对付坚持可持续农业经营并保障其预期收益而言至关主要。
AI能够有效剖析无人机和卫星拍摄的航拍图像，从中创造细微的光谱变革，据此剖析出反响疾病或害虫侵袭早期发生迹象的指标。乃至早在十年之前，AI剖析就能够检测出甜菜疾病，且准确率高达90%。
Kogan阐明称，“AI是由包含数千种不同植物病虫害示例的高质量数据集演习而成。在我们的产品中，我们利用深度学习和神经网络来剖析视觉数据并识别病虫害。以往，现场勘查职员须要穿过温室或野外，查看每株植物的叶片以识别非常状况。这当然是件非常辛劳的事情，勘查员也常常会错过一些主要特色，终极导致对病虫害的反应不足及时，均匀造成30%旁边的收成丢失。”
通过AI检测的加持，对受影响区域的快速识别成为可能，并可利用适当农药进行处理，同时持续监控未受影响的区域，从而减少资源利用和环境污染。Avvocato指出，有了AI识别技能，“我们只须要对特定区域的农田喷洒农药，而不像过去那样在整片田地里全面喷洒。”
对挤占农作物生存空间、猖獗汲取养分的杂草进行检测同样至关主要。据统计，杂草每年从农作物处攫取必需的养分和水资源，降落了作物活力和产量。美国农人每年花费约260亿美元购买除草剂来办理这个问题。在某些极度情形下，除草本钱乃至占到他们整年总开支的近三分之二。
利用AI技能则可精确定位杂草，而不会影响到周遭植物，也不须要在空中大面积喷洒除草剂。
Avvocato在采访中表示，“农作物和杂草在外不雅观上非常相似，特殊是在早期成长阶段。个中一大寻衅，便是如何获取数量充足的高质量图像。由于这些农作物和杂草看起来非常相似。我们须要高质量图像来判断目标是须要喷洒农药的杂草，还是农作物的幼枝新苗。”
有项目创造，安装在全地形车上的摄像头可以穿越田间地头并创造杂草，然后直接喷洒除草剂，其准确率高达78%。另一个项目则利用深度学习技能识别杂草，准确率进一步提升至98%，旨在利用非化学手段去除杂草。也有人利用针对性机器滋扰，例如革除或引燃杂草。更有激光除草机涌现，利用深度学习和机器人技能先识别杂草，再用激光将其消灭。
AI技能还可用于检测畜生疾病的涌现。例如，摄像头可用于检测养鱼塘中涌现病原体的迹象。智能项圈则可监测哺乳动物的心率、呼吸及其他生命体征，从而在疾病恶化之前完成检测和诊断。
土壤条件与栽种辅导除了监测土壤湿度和排水情形之外，AI技能还能够利用从物联网设备及历史来源网络到的数据帮忙剖析土壤养分、身分和质地。对土壤类型进行分类之后，AI即可根据不同作物的需求对地块进行分配，帮助农人决定栽种哪些作物、详细品种、种子播撒深度以及种间间隔间隔。
AI程序还可以识别出栽种办法的毛病，并根据植物需求做出调度，从而优化肥料及其他土壤改良剂的选择，同时预测特定土壤条件下随意马虎涌现的病原体和害虫。
成长监测与收成管理AI技能可以进一步帮忙农人，通过监测植物成长状况并将其与已知成长模式进行比较，进而评估作物的康健水平和成熟度，以及在不同情形下的详细产量。
例如，研究职员已经利用深度学习来监测草莓作物的成熟度，准确率高达99%。其能够确保在精确韶光进行收成，并提高客户对产品的满意度。另一款程序利用AI技能来检测葡萄的结实过程，以75%的准确率识别出葡萄串，帮助酿酒商在成熟季之初就大致估算出终极收成量。
AI与物联网技能的结合亦可利用于收成本身。一项研究利用图像识别与机器臂相结合，将成熟西红柿的成功采摘几率提升至89%。收成之后，还可利用图像识别技能按质量对农产品进行分类。一支研究小组还根据榛子的大小和破坏程度对果实进行分类，准确率高达96%。
质量、大小和储藏寿命等成分也在AI剖析的能力范围之内，成为栽种户预测市场价格、把握竞争态势的主要手段，更准确地把握潜在需求与预期收入。
局限和寻衅虽然面向各紧张作物的AI剖析功能已经相称前辈，但针对各种非常见作物的程序在可用性和准确性方面则参差不齐。要肃清个中的检测非常，就必须对AI检测程序进行全面调度。
Kogan阐明称，“由于缺少丰富的现实参考，数据质量仍旧是个巨大的寻衅。由于无法对每项诊断进行实验室测试，我们只能高度依赖农学家对图像做出的人力剖析。”
Valeria Kogan, Fermata公司创始人兼CEO
Flaxman还补充道，“目前的情形是，基于航拍的大范围测绘能力已经比较成熟，但对小规模细节的覆盖则不足充分。”
因此，这项技能可能还不适用于某些植物品类。Flaxman表示，“这将成为农业领域接下来须要战胜的难题，但巨大的潜力空间也在个中。只要能够帮助AI技能得到识别分外作物特色的能力，那么落地运用将再无障碍。毕竟很多人种的都不是常规的粮食作物。以草莓为例，很多企业可以绘制出专门的草莓栽种图，有针对性地知足市场上的现实需求和栽种户利益。”
虽然物联网和AI技能在帮忙农人经营方面显示出光明的前景，但目前干系方案还没有广泛被交付至个体庄家手中。只管部分发展中国家已经在考试测验支配干系项目，也有些小规模庄家设法在特定区域内引入新技能，但总体而言AI仍旧只是农业巨子们的专属。将各种技能和数据集整合成可操作信息并据此采纳行动是一项艰巨寻衅，须要大量投资才有希望得到回报。
纵然是单一运用，比如说灌溉管理，也须要大量数据和配套的管理程序。而且，每一项技能支配还只能网络特定类型的数据。Avvocato坦言，“进入这一领域的最大障碍，便是须要投入巨量资金购置根本举动步伐。而且这类资金累加起来，总体数额将极其可不雅观。”
FMIS已经初步显示出利用公开数据提取广泛见地，再据此辅导农业生产实践的潜力，但多数人仍旧不可能依赖小型空中无人机来创造局部疾病实例、或者安装传感器来监测土壤湿度。此外，在特定时间点上网络数据的实用性也比较有限。与从历史不雅观察中网络到的广泛趋势相反，细粒度确当地化数据每每须要在经由永劫光的积累之后才能真正具备实用性。
Flaxman指出，可以考虑为无法独自大担设备的农人供应空中不雅观测做事，乃至推出互助操持，由临近庄家们共同进行调查并相互分享结果数据。他建议将这些数据与其他免费发布的卫星数据相结合，并利用订阅形式的网络做事及开源工具对结果进行剖析。
随着技能的加速发展和更全面平台的涌现，干系技能培训项目也有望帮助栽种户们（特殊是在发展中国家等粮食供应紧张的地区）利用物联网和AI改进其经营状况。
Avvocato指出，“发展中国家粮食供应的薄弱程度要比美国高得多。如果能够将农作物产量提高 10%、20%乃至30%，必将产生巨大的现实影响。”
与此同时，无人机航拍和依托大量传感器的农园地步扫描，也将连续为须要现场数据的AI程序供应动力，从另一个侧面帮助其提升能力极限、勾勒出通用人工智能的未来形态。