關(guān)于智慧農(nóng)業(yè)的綜合研究，在安徽大學(xué)、悉尼大學(xué)、內(nèi)布拉斯加大學(xué)、中國農(nóng)業(yè)科學(xué)院、華南農(nóng)業(yè)大學(xué)等機構(gòu)的努力下，已經(jīng)取得了一定進展，在智慧養(yǎng)殖、農(nóng)業(yè)風(fēng)險管理、水產(chǎn)養(yǎng)殖等方面獲取了一定進展，本文分享下農(nóng)業(yè)科研的前沿知識。

一、深度學(xué)習(xí)在家畜智慧養(yǎng)殖中研究應(yīng)用進展

科研機構(gòu)：安徽大學(xué)互聯(lián)網(wǎng)學(xué)院、南陽農(nóng)業(yè)職業(yè)學(xué)院、悉尼大學(xué)工學(xué)院

準確高效檢測動物信息，及時分析動物的生理與身體健康狀況，并結(jié)合智能化技術(shù)進行自動飼喂和養(yǎng)殖管理，對于家畜規(guī)模化養(yǎng)殖意義重大。深度學(xué)習(xí)技術(shù)由于具有自動特征提取和強大圖像表示能力，更適用于復(fù)雜的畜牧養(yǎng)殖環(huán)境中動物信息監(jiān)測。為進一步分析人工智能技術(shù)在當下智慧畜牧業(yè)中研究應(yīng)用，該團隊針對牛、羊和豬三種家畜，將深度學(xué)習(xí)技術(shù)在目標檢測識別、體況評價與體重估計以及行為識別與量化方面進行分析。

智慧畜牧養(yǎng)殖技術(shù)當前面臨著應(yīng)用場景存在多視角、多尺度、多場景和少樣本等挑戰(zhàn)以及智能技術(shù)泛化應(yīng)用的問題，本文結(jié)合畜牧業(yè)實際飼養(yǎng)和管理需求，對智慧畜牧業(yè)發(fā)展進行展望并提出了：①結(jié)合半監(jiān)督或者少樣本學(xué)習(xí)來提高深度學(xué)習(xí)模型的泛化能力;②人、裝備和養(yǎng)殖動物這三者的統(tǒng)一協(xié)作及和諧發(fā)展;③大數(shù)據(jù)、深度學(xué)習(xí)技術(shù)與畜牧養(yǎng)殖的深度融合等發(fā)展建議，以期進一步推動畜牧養(yǎng)殖智能化發(fā)展。

二、作物脅迫感知和植物表型測量系統(tǒng)綜述(英文)

科研機構(gòu)：內(nèi)布拉斯加大學(xué)林肯分校生物系統(tǒng)工程系

提高農(nóng)田管理的資源使用效率和持續(xù)培育優(yōu)良作物品種，是確保糧食產(chǎn)量和減輕作物生產(chǎn)對環(huán)境影響的關(guān)鍵途徑。作物脅迫感知和植物表型測量系統(tǒng)是田間變量管理和高通量植物表型測量研究的核心，且兩者在硬件和數(shù)據(jù)處理技術(shù)上具有相似性。幾十年來，人們一直在開發(fā)可以用在田間變量管理領(lǐng)域的作物脅迫感知系統(tǒng)，旨在建立更加可持續(xù)的田間管理方案。與此同時，田間高通量表型系統(tǒng)開發(fā)取得的重大進展，為降低傳統(tǒng)表型測量成本提供了技術(shù)基礎(chǔ)。對田間變量管理中涉及的作物脅迫感知系統(tǒng)進行了回顧，特別對目前用于精準灌溉、氮素施用和農(nóng)藥噴灑中的感知和決策方法進行了總結(jié)。

該團隊在內(nèi)布拉斯加大學(xué)林肯分校開發(fā)的三套田間表型測量系統(tǒng)，對常見田間高通量表型測量系統(tǒng)的傳感器和數(shù)據(jù)的處理分析流程進行介紹。并對當前田間表型測量系統(tǒng)面臨的挑戰(zhàn)，并提出了潛在解決方案。人工智能、機器人平臺和創(chuàng)新儀器的持續(xù)發(fā)展有望顯著提高測量系統(tǒng)的性能，對系統(tǒng)在育種中的大范圍應(yīng)用起到積極作用。對主要植物生理過程更直接地測量，可能成為未來田間表型研究領(lǐng)域的研究熱點之一，并為培育更耐脅迫的作物新品種提供有價值的表型數(shù)據(jù)，為田間變量管理和高通量植物表型測量兩個研究領(lǐng)域，提供參考和獨特的見解。

三、人工智能在農(nóng)業(yè)風(fēng)險管理中的應(yīng)用研究綜述

科研機構(gòu)：中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所

農(nóng)業(yè)是關(guān)系國計民生的基礎(chǔ)產(chǎn)業(yè)，但同時又是弱質(zhì)產(chǎn)業(yè)，針對傳統(tǒng)農(nóng)業(yè)風(fēng)險管理研究方法中存在非線性信息挖掘不足、精確度不高和魯棒性差等問題。該團隊開展了研究，以擁有基于大數(shù)據(jù)的強非線性擬合、端到端建模和特征自學(xué)習(xí)等功能的人工智能技術(shù)為推手，在農(nóng)業(yè)脆弱性評估、農(nóng)業(yè)風(fēng)險預(yù)測，以及農(nóng)業(yè)損害評估三大方面的研究進展，得出如下結(jié)論：

①AI在農(nóng)業(yè)脆弱性評估中的特征重要性評估缺乏科學(xué)有效的驗證指標，且應(yīng)用方式導(dǎo)致無法比較多個模型之間的優(yōu)劣，建議采用主客觀法進行評價;

②在風(fēng)險預(yù)測中，發(fā)現(xiàn)隨著預(yù)測時間的增加，機器學(xué)習(xí)模型的預(yù)測能力往往會下降，過擬合問題是風(fēng)險預(yù)測中的常見問題，且目前研究針對圖數(shù)據(jù)空間信息的挖掘還較少;

③農(nóng)業(yè)生產(chǎn)環(huán)境復(fù)雜，應(yīng)用場景多變是影響損害評估準確性的重要因素，提升深度學(xué)習(xí)模型的特征提取能力和魯棒性是未來技術(shù)發(fā)展需要克服的重點和難點問題。然后，針對AI應(yīng)用過程中存在的性能提升問題和小樣本問題提出了相應(yīng)的解決方案。對于性能提升問題，根據(jù)使用者對人工智能的熟悉程度，可分別采用多種模型比較法、模型組合法和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化法以提升模型的性能表現(xiàn);對于小樣本的問題，往往可以將數(shù)據(jù)增強、生成對抗網(wǎng)絡(luò)和遷移學(xué)習(xí)相結(jié)合，以增強模型的魯棒性和提高模型識別的準確性。

對AI在農(nóng)業(yè)風(fēng)險管理中的應(yīng)用進行了展望。未來可以考慮將人工智能引入農(nóng)業(yè)脆弱性曲線的構(gòu)建;針對農(nóng)業(yè)產(chǎn)業(yè)鏈的上下游關(guān)系和與農(nóng)業(yè)相關(guān)的行業(yè)關(guān)系，更多的應(yīng)用圖神經(jīng)網(wǎng)絡(luò)對農(nóng)業(yè)價格風(fēng)險預(yù)測進一步深入研究;損害評估建模過程中可以更多地引入評估目標相關(guān)領(lǐng)域的專業(yè)知識以增強對目標的特征學(xué)習(xí)，對小樣本數(shù)據(jù)進行增廣也是未來研究的重點內(nèi)容。

四、水禽智能化養(yǎng)殖研究現(xiàn)狀及發(fā)展趨勢

科研機構(gòu)：華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院、華南農(nóng)業(yè)大學(xué)動物科學(xué)學(xué)院

水禽養(yǎng)殖在向規(guī)模化、標準化與智能化方向迅速發(fā)展。智能養(yǎng)殖裝備和信息化技術(shù)的研究與應(yīng)用是促進水禽養(yǎng)殖業(yè)健康持續(xù)發(fā)展的關(guān)鍵，對提高水禽養(yǎng)殖的產(chǎn)出效率、降低生產(chǎn)過程對勞動力的依賴、契合綠色環(huán)保的發(fā)展理念以及實現(xiàn)高質(zhì)量轉(zhuǎn)型發(fā)展具有重要意義。

該團隊介紹了智能化水禽棚舍的發(fā)展、水禽棚舍環(huán)境智能調(diào)控技術(shù)，以及智能化水禽飼喂、飲水、加藥消殺和自動糞污處理等智能化設(shè)備的新研究進展。

此外，對水禽的信息采集技術(shù)現(xiàn)狀，包括視覺成像系統(tǒng)、聲音捕獲系統(tǒng)和穿戴式傳感器，以及智能管理技術(shù)的新應(yīng)用進展進行了介紹，及水禽產(chǎn)業(yè)的智能化養(yǎng)殖所面臨的困難，并對未來水禽智能化養(yǎng)殖的發(fā)展和改進提出了建議。

審核編輯黃宇