在本周在网络上举行的2020年国际学习代表大会(ICLR)主办的研讨会上，小组成员讨论了AI和机器学习如何(并且已经)应用于农业挑战。正如几位专家指出的那样，世界各国面临粮食供应短缺的问题，估计有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。

诸如劳动力短缺，有害生物和病原体的传播以及气候变化等因素有可能使危机升级，但是人工智能可以提供帮助。IBM科学家通过农业“数字双生子”或用于预测特定农作物产量的农作物数字模型谈到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，该算法旨在比人类工人更准确地测量葡萄产量。加州大学戴维斯分校的一个小组详细介绍了使用卫星图像预测肯尼亚牲畜觅食条件的工作。

数字农场“双胞胎”的栽培建议

软件质量保证负责人Akram Mohammed详细介绍了IBM去年对尼日利亚农场进行数字“克隆”的工作，这需要收集多光谱图像和元数据(如传感器读数，天气和土壤条件)的历史记录，以在IBM的云平台上构建农场的模拟。部分工作是IBM与Hello Tractor之间的合作关系的产物，Hello Tractor是一项订阅服务，该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。

穆罕默德(Mohammed)断言，数字化作物增值不仅对农民本身有价值，而且对可以利用它们来跟踪市场动态，计划和制定政策并最大程度降低其投资风险的分销商，政府和银行也具有价值。他指出，预计五年内世界人口将超过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及其团队利用了IBM的PAIRS Geoscope服务，该服务旨在托管和管理PB级的地理时空数据，例如地图和无人机图像，以存储有关每个农场的卫星，天气和地面传感器数据。IBM的另一项服务-Watson农业决策平台，将IBM拥有的The Weather Company的算法与物联网数据摄取工具相结合-使工程师获得了多个深度的水分读数，土壤养分含量和肥力后，即可获得产量预测，农场操作和工作流程信息以及高清可视卫星图像。

挑战之一是规模较小的农场数据相对匮乏。卫星图像仅提供像素值的信息，并非所有农场都能买得起监视设备。团队的解决方案是将目标区域中超过40,000个集群的农场组建模。这使工程师能够训练一个推荐系统来回答两个关键问题：(1)农民什么时候应该进行特定的种植活动;(2)什么是最佳耕作日，从而使小规模农民的农作物产量最大化?

该系统包括一个集成的学习模型，该模型会建议栽培日期，利用历史状态(来自数字“双胞胎”)和将来的元数据预测，例如最近的天气历史(湿度，能见度，温度，降水和风速)，天气预报(在四个不同深度的土壤湿度)，多光谱卫星图像和地面真实事件信息(位置和日期)。在实验中，丢失的元数据(如农作物类型和土壤条件)阻碍了模型的预测。但是研究人员声称，他们的解决方案在很大程度上优于基于启发式的系统。