通过数据融合实现精准农业
发布于2023-04-18
引言
现在，农业比以往任何时候都更需要少花钱多办事。根据世界银行的数据，农民和农场主只占美国就业人口的1.3%，也就是说，区区400万农民就养活了今天的3.35亿人。农业凭借一己之力，每年为美国经济贡献了大约1350亿美元。2018年，全球的农业部门总共雇用了约10亿人，占全球劳动力的27%，相比1991年的44%有所下降。这些都是非常引人瞩目的数字。农民们面临着诸多挑战，包括天气、害虫、减少化学品用量等，这些都会给农业管理带来困难。
近年来，一些农民在管理工作中采用了多种技术解决方案，例如使用无人机和远程传感器获取有关田地和土壤状况的信息，并用这些信息来安排浇水、喷洒和播种的时间。作为精准农业运动的一部分，这些技术让农民能够利用以往无法获得或需要大量时间和精力才能收集到的深入信息。然而，将各种类型的传感器相结合，会带来额外的挑战。本文中，我们将探讨在解决各种问题和帮助农民满足日益增长的需求方面表现突出的传感器融合和智慧农业系统。
精准农业的前景
想象一下，我们管理着一个占地数百乃至数千英亩的农场，其中有几十块田地，种植着数十万株植物。要对作物的种植进行优化，以产生理想的效果，就需要对田间环境、土壤含水量和化学组成、植株大小和健康状况以及病虫害等进行持续评估，并快速做出反应。传统的人工采样和分析工作通常要下到田间才能执行，而且也难以考虑到同一片区域不同部分或不同植株之间的差异。不仅如此，这还是个既费时又费力的过程，得出的结果还不一定适用于一块地里的每一排或每一株植物，在作物急需挽救的情况下也不一定能及时得出结果。由于数据缺失或不准确，人工过程往往难以准确描绘一段时间内的状况。
随着传感器、卫星图像、机器人技术和大数据分析的进步，精准农业应运而生。这是一个管理概念，侧重于实时观察、测量和响应田间出现的变化，并准确地反映出这些情况随时间发生的变化。完全启用精准农业后，这种方法会使用技术来执行以下工作：
- 监控田间状况
- 评估上述状况并诊断问题
- 决定优化作物所需的处理工作或任务
- 实施处置措施和任务
虽然按田间区域对作物进行分组是一个不错的做法，但精准农业并不止步于此。它面临的下一个挑战是实现更高的粒度——细化到植株的层面。在植株层面而非更大范围内确定正确处理要求的做法，可以提高收成，并尽可能减少浪费。
精准农业面临的挑战
虽然精准农业可以帮助农民优化作物，但处理收集自多个来源的大量数据，这件事本身也带来了挑战。要了解每块田地、每株作物的需求，农民需要同时获得大规模和小规模的深入信息。
大规模数据是指特定区域从环境方面受到的影响，如太阳辐射、温度、降水和土壤成分。此类数据对于农民管理种植园至关重要，因为它们是肥料、农药和水的需求指标。依赖这些数据的缺点在于它的收集过程，这涉及到植株间差异带来的不准确问题。能够识别单个植株的传感器和计算机能够实现以实时分析为主的精确分析，以正确调整其任务。
实时数据采集功能是高精度传感器与现场智能计算机共同实现的。其中，多光谱相机可以观察叶片在人类看不到的光谱中的颜色。随后，人工智能 (AI) 系统按照株龄、生长阶段和健康状况对植株进行分类，并使用多光谱相机的图像对果实和花进行识别和计数，然后针对因劳力和成本问题尚未到田间收集信息的植株生成基本数据。激光雷达 (LiDAR) 传感器能够收集空间数据并实时测量作物体积和密度，帮助农民根据每株作物的当前状态做出针对性的决策。
精准农业还有一大挑战是了解不同的参数和收集的数据如何影响作物，并实施能够实时处理这些数据以供田间应用的系统。新型传感器和系统能够迅速执行这种复杂分析，但要实施它们，需要多学科领域的广泛知识，并进行大量的研究和实验。
通过数据融合来解决挑战
鉴于所收集数据的复杂性，要以提供正确见解的方式处理数据，也就难怪会带来重大挑战了。不过，数据融合已经开始帮助解决这些问题。数据融合背后的概念是整合多个数据源，从而提供比任何单独数据源都更准确和有用的信息。在农业生产中，数据融合的效果可以通过土壤分析图和果树结果计数看到，虽然它们并不能完全代表作物的状况，但可以帮助农民更好地了解植株的需求，例如每种肥料的合适用量，从而尽可能提高产量。
通过结合全球定位系统 (GPS)、土壤地图、无人机图像、地面图像和LiDAR，可以更好地了解田间的每株植物。要获得如此大量的数据，离不开多个系统协同运作，每个系统都需要配备传感器。
传感器融合
传感器融合是合并来自多个来源的数据，以提供比单独使用这些来源更准确的信息的过程。能够进行传感器融合的计算机，可以使用多个传感器和一个配备人工智能算法的微控制器，这些算法能够处理各个传感器以实时为主的数据，通过使用所有读数或了解每个任务优先使用哪些传感器来提供更好的输出。
在田间施用农药期间，这种智能计算机可以借助相机图像来正确识别每棵树的病害感染程度，但仍然受限于空间理解。从这个意义上说，LiDAR有助于描述作物的尺寸，以便正确调整化学品的用量。
以前，农业数据收集非常耗费人力和成本，以至于农民只能按地块或按区域收集数据。传感器融合提供了植株层面上对作物的准确评估，极大地提高了农业数据的精度水平。
目前应用于农业的传感器融合系统的一个例子是SmartSense系统，由美国佛罗里达州的Agriculture Intelligence公司开发。该系统包含摄像头、LiDAR和GPS传感器，可实时收集柑橘类作物的各种数据，如树高、冠层密度、健康状况和果实数量。该系统可以连接到在田间行驶的任何地面车辆，如拖拉机。如果连接到通常每月在该地区运行多次的柑橘喷雾器或撒播机上，就可以用收集的数据控制这些机器，实现施用率可变的方法，同时还可以收集更精细的数据，并实时调整化学品的用量。
成体系系统
成体系系统，例如数据融合，是许多专用系统的集合。将这些系统的能力汇集到一起，就可以产生比各个部分的总和具有更强大功能和性能的更复杂的系统。成体系系统不是简单合并来自多个传感器的数据，而是利用多台计算机的输出和分析，提供高精度的大规模深入信息。
在农业数据收集中，经常会有对这种复杂系统的需求，这其中通常包含许多系统，如温度和降水气象站、田间侦察卫星和无人机图像，以及用于灌溉的水质传感器。尽管所有这些信息都有助于每个系统完成自己的任务，但它们也有助于改善整体的农场管理。
作物管理离不开尽快、准确地发现问题。采用不同的分析，会针对同一问题得出多种解决方案，但获得不同角度的分析有助于正确识别问题。例如，农民通过土壤分析，检测出一块地的土壤化学成分中养分的含量是正确的，那么这块地就应该是健康的。智能喷雾器在常规施药期间检测到一小群不健康的树木，那么就表明这里存在病害。借助带热像仪的无人机，可以进一步调查确定土地缺水问题是否是灌溉系统堵塞导致的。
成体系系统的一个例子是Agriculture Intelligence的Agroview云平台。农民可以使用带有光谱相机的无人机收集农场的图像，并将这些图像与土壤分析图、以往的收成信息等上传到这个基于云的软件。该平台将会生成田地的航拍图，并提供有关作物数量、大小、健康状况、产量预测，甚至植株的肥料需求等信息。
作物健康分析有助于农民调整农药的使用量，而肥力分析可以确定哪些点位需要更多或更少地施肥。农民可以将这些输出用作应用地图。具有智能可变施用率的农业机器可使用这些数据来确定每个区域的需求，并相应地调整施用率。这个过程可以显著节约成本，减少农药的用量，并产出更高质量的收获。
在佛罗里达大学进行的一项关于农业智能机械的研究中，配备SmartSense系统的柑橘树喷雾器在佛罗里达州的柑橘园中减少了30%的肥料用量。SmartSense在降低成本方面也取得了类似的结果，同时还展现了可靠、准确地评估植株健康状况和预测收获产量的创新方案。
结语
具有可变施用率功能的智能、自主田间机械，为满足日益增长的减少浪费和化学品用量的需求提供了一种解决方案。数据融合技术使这些系统能够在不同的田地和条件下生成可靠、准确的作物评估。在资源有限的情况下，新技术的应用可以在不断满足收获需求的同时尽可能减少资源消耗。
农业生产不断追求更大、更好的收成，同时减少环境中的化学品用量，新技术可以帮助农民对作物进行管理。精准农业技术可以通过将田间应用数据分析的优势与高效数据管理实践相结合，尽可能提高产量、减少支出，从而帮助农民用更少的资源来满足需求。
作者简介
Lucas拥有机器学习和机器人学硕士学位，是人工智能开发人员、研究人员和实践者，也是开源软件开发人员。他在佛罗里达大学担任研究员，并在其共同创立的公司Agriculture Intelligence担任开发人员，在精密农业智能机械的机器视觉和自动化方面拥有丰富的经验。他撰写了许多论文，并开发了云软件（Agroview）和数据融合系统。