普華永道指出，基于物聯網的農業(IoTAg)監控已經成為聯網智能農業領域發展最快的技術領域，市場總額到2025年預計將增長至45億美元。

• 根據BI Intelligence Research發布的預測報告，到2025年全球在聯網智能農業技術與系統(包括人工智能與機器學習)領域的支出預計將增長兩倍，達到153億美元。
• 根據Markets&Markets公布的數據，僅農業方面的AI技術與解決方案支出預計將由2020年的10億美元增長至2026年的40億美元，年均復合增長率(CAGR)為25.5%。
• 普華永道指出，基于物聯網的農業(IoTAg)監控已經成為聯網智能農業領域發展最快的技術領域，市場總額到2025年預計將增長至45億美元。

AI、機器學習(ML)以及物聯網傳感器，能夠為算法提供豐富的實時數據，借此提高農業生產效率、提高農作物產量并降低食品生產成本。根據聯合國關于人口與饑餓問題的預測數據，到2050年，全球人口將進一步增加20億，農業生產力需要提高60%才能提供充足的食物。而根據美國農業部經濟研究局公布的數據，僅在美國，種植、加工與食品配送業務的市場總額就高達1.7萬億美元。到2050年，人工智能與機器學習很可能成為新的技術核心，幫助我們從容應對20億新增人口帶來的預期糧食需求。

「農業」——最具前景的人工智能與機器學習應用場景之一

設想一下，在這些通常以數百英畝為基本規劃單位的大型耕作區內，至少存在40種需要同步跟蹤、凸顯與監控的基礎流程。深入剖析天氣變化、季節性陽光差異、把握鳥類與昆蟲的遷徙方式、理解特種肥料的使用需求、為農作物選擇適宜的殺蟲劑、監督種植周期與灌溉周期等等，對機器學習來說都是有望解決且極具現實意義的重大問題。時至今日，農作物生產正越來越依賴于出色的數據收集與分析能力。正因為如此，農民、合作社以及農業發展企業才決定進一步采用以數據為中心的方法，并不斷引入AI與機器學習元素以提高農業產量與農作物質量。著眼于2021年，以下十種方式有望推動農業進一步發展向前：

1. 使用基于AI與機器學習的監控系統，跟蹤每塊作物田地的實時視頻源，借此識別動物或人類的違規行為并立即發出警報。

AI與機器學習能夠減少家畜或野生動物意外破壞農作物、或闖入偏遠地區農場的可能性。隨著AI與機器學習算法在視頻分析領域的快速發展，每一位農業生產參與者都可以借此保護自己的田地與農業設施。AI與機器學習視頻監控系統能夠輕松擴展以適應大規模農業運營，將關注范圍覆蓋到整個農場之上。隨著時間的流逝，我們可以對基于機器學習的監控系統進行編程或訓練，教導其識別人員與車輛。作為AI與機器學習監控系統領域的領導者，Twenty20 Solutions公司已經用實際行動證明這些技術能夠有效保護遠程設施、優化作物生產并通過機器學習識別出田間地頭上的意外入侵者。下圖所示，為Twnty20 Solutions實時監控示例：

圖：依靠AI與機器學習算法識別人員及車輛，能夠幫助全球農業企業簡化遠程運營流程。

2. AI與機器學習——通過無人機實時傳感器數據與視覺分析數據, 改善作物產量預測。

憑借智能傳感器提供的實時視頻流以及由無人機捕捉的數據，農業專家們得以訪問自己以往接觸不到的全新數據集。如今，研究人員可以結合水分、肥料與天然營養水平等傳感器數據分析每種作物隨時間推移而不斷變化的生長方式。機器學習則負責將大量數據集整合起來，攝取出基于約束條件的建議以優化農作物產量。下圖所示，為AI、機器學習、現場傳感器、紅外圖像以及實時視頻分析技術結合使用的場景示例，農民們能夠借此獲得關于改善作物健康及畝產水平的全新洞見：

圖：事實證明，無人機已經成為一種極為可靠的平臺，能夠收集關于特定肥料、灌溉方式與農藥處理方法對作物實際產量產生的影響數據。

3. 產量映射是一項農業技術，通過監督機器學習算法，從大規模數據集內查找模式并實時了解不同模式間的正交性，由此為作物生產規劃帶來無法衡量的重大價值。

時至今日，我們已經能夠在種植周期開始之前，就大致判斷出特定田地的潛在產量。通過將機器學習技術與3D映射、傳感器數據以及基于無人機的田間顏色數據相結合，農業專家即可快速預測出特定作物在潛在土壤條件下的產量。這些由無人機捕捉到的數據集準確且可靠。下圖所示，為產量映射分析得出的結果：

圖：在監督與無監督機器學習算法的加持下，農業專家得以確定如何最大程度提升田地產量。

4. 聯合國、各國際機構及大型農業項目，紛紛將無人機數據與現場傳感器相結合，借此改善害蟲管理能力。

通過將無人機的紅外熱像儀數據與能夠監測植物相對健康水平的傳感器結合使用，農業管理團隊可以在AI的幫助下搶在蟲害發生之前做出預測及識別。目前，聯合國就與普華永道合作評估亞洲各棕櫚種植園中潛在的有害生物侵染問題，如下圖所示：

圖：聯合國將現場傳感器與無人機數據結合起來，用以調優機器學習算法、幫助農民從種植園中獲取更高產量。

5. 如今，農業工人嚴重短缺，使得基于AI與機器學習的智能拖拉機、農用機器人以及其他智能機械，成為偏遠地區農業種植的首選方案。

目前，大型農業企業找不到足夠的員工，只能依靠機器人技術收取數百英畝土地上的農作物，這同時也給偏遠地區的安全態勢帶來積極推動。通過對自主式機器人設備進行編程，它們能夠為農作物播撒肥料、由此降低運營成本并進一步提高田地產量。目前農業機器人的復雜度正在迅速提高，下圖所示為VineScout機器人在運作過程中的儀表板信息。

圖：事實證明，農業機器人技術能夠快速捕捉寶貴數據，借此調優AI與機器學習算法，從而進一步提高農作物產量。

6. 通過消除一系列傳統阻礙，新興技術有望向市場交付更新鮮、更安全的農作物，同時極大改善農業供應鏈的可追溯性。

2020年爆發的新冠疫情加快了在農業供應鏈中部署跟蹤與溯源功能的速度，2021年這股趨勢也仍將穩定存在。這種擁有良好管理的跟蹤系統能夠提供更強大的可見性，全面提升對供應鏈的整體控制能力，借此有效降低庫存。最新跟蹤系統甚至能夠區分入庫貨物的批次、所屬項目并實現集裝箱級別的細粒度記錄。此外，隨著RFID與物聯網傳感器在整個制造流程中的快速普及，目前大多數先進跟蹤系統也開始依靠先進的傳感器以獲取關于每批貨物的更多狀態信息。沃爾瑪方面就在推動一項試點，旨在研究如何利用RFID簡化配送中心的貨品跟蹤性能，并將效率提升至手動操作的16倍。

7. 借助AI與機器學習組合優化可生物降解農藥的正確混合比例并僅在必要時使用，進而降低運營成本并提高單位田地產量。

通過將智能傳感器與無人機視覺數據流結合使用，農業AI應用現在可以檢測出種植區內病蟲害最嚴重的區域。以此為基礎，再使用監督式機器學習算法，農業專家即可確定農藥的最佳組合，有效控制有害生物威脅、阻止其進一步擴散并感染其他健康農作物。

8. 根據農作物單產率確定總產量，借此制定合理有效的農作物定價策略。

準確把握農作物的收成率與質量水平，有助于農業企業、合作社以及農民更好地制定定價策略。考慮到市場對于特定作物的總體需求基本恒定，各方可以根據作物的收成選擇固定售價、統一售價乃至彈性售價等策略。單憑這些數據，每年就能為農業企業消除數百萬美元損失。

9. AI可幫助農民查找灌溉系統中的滲漏點，優化系統效能并衡量如何調整灌溉頻率以提高農作物產量。

在北美很多地區，水都是最為稀缺的資源之一，甚至直接決定著以務農為生的整個社群的生活走向。高效利用水資源，也許能夠讓一家農場扭虧為盈、起死回生。通過線性編程，我們可以快速計算出特定田地或農作物達到理想產量水平時所需要的最佳水量。監督式機器學習算法則可以確保田地與農作物獲得足夠的水分以優化產量，但又不致過度浪費這種寶貴資源。

10. 監控并保持牲畜的健康狀況——包括生命體重、日常活動水平以及食物攝入量——已經成為AI與機器學習的全新應用陣地。

要保證長期為牲畜提供良好照料，我們必須隨時了解各類牲畜對于當前飲食及居住條件的實際反應。利用AI與機器學習技術，農業專家能夠理解哪些因素決定著奶牛們的情緒，并通過適當調整提高奶牛們的產奶量。對于以牛及其他家畜為主體的畜牧行業，新興技術的介入為牧場們開辟新的利潤空間帶來了前所未有的新方向。