許多國家的農(nóng)業(yè)報(bào)告預(yù)測，到2027年，精準(zhǔn)農(nóng)業(yè)市場將達(dá)到129億美元，因此越來越需要開發(fā)能夠?qū)崟r指導(dǎo)管理決策的復(fù)雜數(shù)據(jù)分析解決方案。伊利諾伊大學(xué)跨學(xué)科研究小組的一項(xiàng)新研究提供了一種有前途的方法，可以更有效，更準(zhǔn)確地處理精密農(nóng)業(yè)數(shù)據(jù)。

因?yàn)閷τ谟衩追N植者來說，決定何時以及何時施用氮肥是一個長期的挑戰(zhàn)。由于多種氮肥施用量和施用時間，包括種植時施用的所有氮肥和幾個發(fā)育階段的分批施用，氮肥對田間玉米的有害脅迫程度不同。基于此，此前伊利諾伊大學(xué)的科學(xué)家表明，被稱為立方體衛(wèi)星的納米衛(wèi)星可以在季節(jié)早期檢測到氮脅迫，這可能使農(nóng)民有機(jī)會計(jì)劃季節(jié)性施氮肥并減輕作物的營養(yǎng)缺失問題。

雖然能夠?qū)崟r檢測和解決作物營養(yǎng)狀況的變化對于避免在關(guān)鍵時期造成損害并優(yōu)化產(chǎn)量至關(guān)重要，但通常，現(xiàn)有的衛(wèi)星技術(shù)不能同時實(shí)現(xiàn)高空間分辨率和高訪問頻率（給定衛(wèi)星多久回到地球上方的同一地點(diǎn)）。另外，無人駕駛飛機(jī)雖然可以實(shí)時檢測營養(yǎng)狀況，但是它們通常只能覆蓋本地區(qū)域。因此，它們的效用受到規(guī)模的限制。

但因?yàn)榈实牡统杀竞透哂衩桩a(chǎn)量的潛力促使農(nóng)民使用額外的氮作為'保證'來防止氮素缺乏，從而很多時候會降低產(chǎn)量，并且施用過量的氮肥既有經(jīng)濟(jì)風(fēng)險，也有環(huán)境風(fēng)險。于是科學(xué)家們做了一個結(jié)合，他們比較了無人機(jī)和立方體衛(wèi)星的圖像，判斷它們的信號與每周從田間葉片獲取的組織氮測量值非常匹配，兩種技術(shù)都能夠在季節(jié)的同一時間以相似的準(zhǔn)確度檢測葉綠素含量的變化。

最終他們通過新的衛(wèi)星技術(shù)和生態(tài)系統(tǒng)建模，最終借助一種更好的肥料使用模型，實(shí)現(xiàn)可以最終幫助農(nóng)民降低成本，增加產(chǎn)量，并同時減少可持續(xù)農(nóng)業(yè)景觀的環(huán)境足跡。

在后續(xù)，該項(xiàng)技術(shù)又得到了新的研究突破。科學(xué)家發(fā)現(xiàn)預(yù)測作物產(chǎn)量對管理和環(huán)境變量的響應(yīng)是優(yōu)化養(yǎng)分管理的關(guān)鍵一步。隨著農(nóng)業(yè)機(jī)械產(chǎn)生的數(shù)據(jù)量的增加，需要更復(fù)雜的模型來充分利用這些數(shù)據(jù)。

“我們正在嘗試改變?nèi)藗冞M(jìn)行農(nóng)藝研究的方式。我們試圖做的不是直接建立一個小塊田地圖，運(yùn)行統(tǒng)計(jì)數(shù)據(jù)和發(fā)布方法，而是更直接地涉及農(nóng)民。我們正在與農(nóng)民的農(nóng)戶進(jìn)行實(shí)驗(yàn)。該研究的作者，伊利諾伊州作物科學(xué)系副教授Nicolas Martin說：“我們可以檢測特定地點(diǎn)對不同輸入的響應(yīng)。我們還可以查看該字段的不同部分是否有響應(yīng)。

他補(bǔ)充說：“我們開發(fā)了使用深度學(xué)習(xí)的方法來生成產(chǎn)量預(yù)測。該方法結(jié)合了來自不同地形變量，土壤電導(dǎo)率以及我們在中西部9個玉米田中應(yīng)用的氮素和種子處理的信息?！?/p>

馬丁及其團(tuán)隊(duì)處理了數(shù)據(jù)密集型農(nóng)場管理項(xiàng)目的2017年和2018年數(shù)據(jù)，該項(xiàng)目在中西部，巴西，阿根廷和南非的226個田地以不同的速率施用了種子和氮肥。同時借助地面測量，同時用高分辨率衛(wèi)星圖像配對從PlanetLab的預(yù)測產(chǎn)量。

他們將場數(shù)字化分解為5米（約16英尺）的正方形，將每個正方形的土壤，海拔，氮肥施用量和種子播種率的數(shù)據(jù)輸入計(jì)算機(jī)，目的是了解因素如何相互作用以預(yù)測那個正方形的產(chǎn)量。

研究人員通過一種稱為卷積神經(jīng)網(wǎng)絡(luò)（CNN）的機(jī)器學(xué)習(xí)或人工智能進(jìn)行了分析。某些類型的機(jī)器學(xué)習(xí)從模式開始，然后要求計(jì)算機(jī)將新的數(shù)據(jù)位放入這些現(xiàn)有模式中。卷積神經(jīng)網(wǎng)絡(luò)對現(xiàn)有模式視而不見。取而代之的是，它們獲取少量數(shù)據(jù)并學(xué)習(xí)組織數(shù)據(jù)的模式，類似于人類通過大腦中的神經(jīng)網(wǎng)絡(luò)組織新信息的方式。CNN的過程，其預(yù)測與產(chǎn)量高的精度，也被相對于其他機(jī)器學(xué)習(xí)算法和傳統(tǒng)的統(tǒng)計(jì)技術(shù)。

“我們真的不知道是什么導(dǎo)致了整個田間對投入物的產(chǎn)量響應(yīng)產(chǎn)生差異。有時候人們有一個想法，即某個地點(diǎn)對氮的反應(yīng)非常強(qiáng)烈，反之亦然。CNN可以接管可能會引起變化的農(nóng)業(yè)隱藏模式?！瘪R丁說。“當(dāng)我們比較幾種方法時，我們發(fā)現(xiàn)CNN很好地解釋了產(chǎn)量變化?！?/p>