本文来源：物联传媒
联合国2020 年 11 月公布的总人口为 78 亿。据估计，这个数字到 2030 年将达到 85 亿，到 2050 年将达到 99 亿。随着总人口的快速增长，全球食品消费也在快速增长。农业的产量已经比三年前的产量高出约 17%。然而，世界上约有 8.21 亿人缺乏粮食保障。迅速增加农业或粮食产量以满足不断增长的粮食供应需求并非易事。
随着全球人口的增长，粮食和农业组织计算出，到 2050 年，农业产量需要增加 70%才能养活世界不断增长的人口。为了实现可持续农业生产，农业部门需要采用区块链、物联网和
人工智能等智能技术辅助农业生产。如果我们可以从农场生成大量数据并使用这些数据来推动一些农业决策。它可以帮助解决全球范围内的大部分食品问题。例如，如果我们可以使农场能够为该地区的土壤湿度、温度和湿度、水的可用性以及农场周围的其他环境因素构建数据集或地图，它将支持智能农业、精准农业、垂直农业等。
数据驱动的农业已被证明可以提高作物产量、降低成本并确保可持续性。这些不仅限于农业，而且对于畜牧业面临的若干挑战也有潜在的解决方案。
智慧农业生态
智慧农场基于物联网可穿戴设备的全面监控，由固件、人工智能、卫星图像和区块链技术提供支持，为农民提供有关健康、位置、喂养和他们的动物的繁殖条件。
大数据使农业从业者和相关行业能够获取有关影响农业生产的不同因素的信息，并在日常农业中做出有效的决策。大型工厂化农场采用了物联网和区块链等不同技术，旨在在农业实践中提高产量。区块链技术正在农业食品供应链的管理中实施，以提供所有操作的透明度、安全性、稳定性和可靠性等功能。
物联网协助农业生产和供应链各个阶段的数据收集，对农业、加工、物流和营销过程中收集的数据进行大数据分析。例如，移动农业专家系统和农业预测分析都依赖大数据为种植者提供精准农业的智能建议，精准的风险评估可以帮助农业从业者更好地应对农业风险，包括生产风险、市场风险、制度风险以及伴随的个人和货币风险。此外，大数据可用于解决食品安全、供应管理、食品安全以及食品损失和浪费等存在的挑战。
与其他行业类似，农业行业通过采用融合技术来追求创新。大数据和人工智能已经在整个行业展示了它们的潜力和用途。
在农业食品行业中有许多使用 AI 和 ML 的实例，自动化框架可以在几秒钟内收集关于单个食品的大量数据并进行快速分析。人工智能在农业部门的一些主要领域得到了应用，例如供应链管理、土壤、作物、疾病和病虫害管理。
大数据分析被概括为一个系统，其中尖端分析方法对庞大的数据集进行操作。它是两个技术实体的组合海量数据集，以及包括数据挖掘、统计、人工智能、预测分析、自然语言处理（NLP）等在内的分析工具类别的集合，构成了商业智能的重要组成部分。
大数据已成为学术研究和工业领域广泛研究的对象，例如，大数据正被用于亚马逊等大服务行业等众多领域，以了解客户行为和需求，从而更准确地相应地调整产品价格，提高运营效率并降低个人成本。甚至社交网站 Facebook、Twitter 和其他网站也利用大数据分析来研究用户的社交行为、兴趣和社交关系，然后制定个性化功能。在智能交通系统中，大数据技术可以处理期间产生的海量多样复杂的数据，为交通系统中的驾驶员和乘客提供安全、优质的设施。在农业领域，大数据显示了解决农业面临的许多挑战，从而提高农业生产质量和数量的巨大潜力。大数据分析可用于确定土壤质量、病虫害干扰、需水量，并可预测作物的收获时间。
大数据特征（10v）
海量数据在农业中的应用，不仅限于初级种植，而且在提升整个供应链的有效性方面也扮演着重要的角色，从而减少对粮食安全的担忧。
农业中的机器学习
有许多关于不同的机器学习算法的文献，这些算法已被用于农业的不同应用领域。与人工神经网络相比，SVR 表现出对异常值和噪声存在的稳健性，具有更好的估计精度。深度学习技术是农业图像数据集分割应用最有潜力的模型。
机器学习在精准农业中遇到的最具体的挑战是可变的时空分辨率和由于物联网设备故障、通信故障、恶劣天气阻止遥感图像采集。机器学习可以根据数据填补缺失的信息。
随着对来自无人驾驶飞行器和卫星的大量航拍图像的访问不断扩大，卷积神经网络（CNN）可以在这些信息的分析中发挥重要作用，以提取重要信息。例如数据的预处理和分析。由于无人机可以积累大量非结构化数据，基于大数据的工具（分析工具）和云计算具有提高数据处理效率、提供高数据安全性和可扩展性以及最小化成本的潜力。基于云计算的应用程序作为一种潜在的解决方案，具有较低的前期成本、计算资源的熟练利用和服务成本。
了解土壤的质地、结构和化学性质等不同特征有助于农业从业者选择最优质的作物在他们的农场种植。研究土壤、物联网和其他传感器网络的这些特征，以及基于 ML 的大数据技术，如聚类和分类方法来标记土壤数据。
农业环境中的大数据运行周期
在技术先进的大型工业农场中，田间管理看起来与传统农场不同，管理系统通过获取其内部可变性（包括时间和空间方面）的好处来处理实际田间数据，从而采用智能决策。现场数据采集是通过部署物联网设备、遥感和其他传感器网络来完成的。从物联网传感器网络收集的有关土壤、作物、天气或环境的数据存储在本地或云存储中。使用基于机器学习的大数据算法来提取重要信息。
除传统传感器外，不同的物联网传感器用于作物监测并从中收集所需的重要数据。这些传感器设备可以直接部署在农田、农业机器人、自主平台、机器或气象站中。人造卫星遥感通过远程访问现场数据，在精准农业的发展中发挥了重要作用。
无人机（无人机和遥控飞机）在农业生产中的应用逐渐增加，作为衡量可持续农业管理的有效方法允许种植者、农业工程师和农艺师协助简化他们的程序，利用强大的信息分析来获得一些关键意见。无人机在确定合适的作物推荐、植物和种群的出现方面使对大面积农田进行仔细的作物监测变得更加容易，因为更精确的数据可以帮助做出关于重新种植、修剪和间伐活动以及产量估算的决策。
在近端传感中，地面平台如无人地面车辆（UGV）和靠近作物操作的机器人增加了获取数据的准确性， UGV 应用需要实时数据，例如杂草检测和清除、选择性农药喷洒、土壤分析、害虫控制和作物侦察。
不同无线数据采集技术的应用在农业中创造了海量数据。由于农场管理涉及多个田间参数，人们实际上很难管理复杂的农业数据以做出更好的决策。在这种情况下，人工智能与深度学习、遗传算法、机器学习或专家系统可以辅助推理，建模能力可以在精准农业中发挥重要作用，有助于理解所有可用数据。经济型电子元件的普遍可用性将有利于包括小农场主在内的世界各地采用这些数字应用程序。
精准农业中的大数据挑战
1、数据收集挑战
在精准农业用例中，大量数据来自不同来源。合并来自各种来源的数据引发了对信息质量和信息合并问题的担忧，而对收集到的海量信息的访问引发了对安全和保护的担忧。数据驱动技术要求使用未受污染且适用的信息。不完整的数据集会抹掉信息，而训练集中存在的异常或倾向会影响模型精度。
2、大数据分析技术的挑战
为了控制与精准农业或智能农业相关的数据集，分析技术需要在一定程度上采用对齐和分布式手段，计算复杂度高。人工智能和分布式计算执行程序的集成提供了处理海量数据的潜在方法。
3、管理不断增长的数据和实时可扩展性
在植物生长监测期间，通过多个设备逐步生成大量图像和视频，这给存储和处理所有这些数据带来了一些挑战。农业中产生的大部分数据都是无定形或半结构化的，无法稳定地存储在 MySQL、SQL Server 等常用数据库中。
总结
通过 ICT 的发展，信息的可访问性不断提高，这似乎有望通过提高模型的精确性和泛化能力来改进不可或缺的决策创新。此外，从精准农业实践产生的大量数据中学习，预计将为精准农业创造大量机会和转型视角。随着大数据的进步，传统的学习方法在处理海量异构、多维、时空数据时自然不具备足够的能力或可扩展性。
除了精准农业外，人工智能、无人机、物联网、机器人和
大数据的自动化和应用预计将在各种农业领域发挥重要作用。采用高性能数据驱动的可扩展学习方法可提供更好的实时决策能力并使各种农业流程自动化，从而可以将传统的农场管理转变为
人工智能系统。
本文来源：IEEE
~END~
下载文档
