九月色婷婷,日韩经典在线,邻居少妇张开双腿让我爽一夜

AI作物模型馬鈴薯AI作物生長模型實現落地

2021-08-23 14:13:54 來源：大京網

農業智能化在今天看來是個熱詞，近幾年的人工智能熱潮，迅雷不及掩耳滲透應用到各個領域，使得“智能”二字變得家喻戶曉。國家對農業領域的大力扶持，農業人工智能科技慢慢進入了大眾視野，作為人工智能不可或缺的組成部分，模型的概念也漸漸被人們所熟知，并被各類科技公司視為敲開“智能大門”的金鑰匙！

在整個農業范圍內，雖然馬鈴薯領域傳統作物模型的研究與應用已經積攢了數十年的經驗，但仍受到了試驗標準不統一、區域適配難、驗證的影響要素有限等問題影響，導致傳統作物模型的應用落地十分困難。要想實現馬鈴薯產業智能化落地，人工智能模型技術成為最可行的路徑。

一、作物模型的過往

在農業種植領域應用的模型被稱為“作物模型”，也叫作物生長模擬模型，通過模擬作物生長過程，最終得到作物的生物量累積量、作物單產以及農田生態系統的水、碳、氮及能量的循環流動量。

農業智能化近幾年才受到廣泛關注，但對于作物生長模擬模型的應用研究早在20世紀60年代就已經開始了。當時荷蘭、美國、澳大利亞等國的科學家開始著手開發能夠解釋植物生理過程、解釋植物與環境相互作用的新模型，這種模型經過50多年的發展，在作物估產、作物育種、田間管理等方面已有較廣泛的應用。以作物生長模型為核心的農業決策支持系統的研究與應用越來越多元化，并逐漸成為輔助農業生產管理和決策的重要工具。

二、馬鈴薯作物生長模型的遷移

作物生長模型已經經歷了半個多世紀的發展，但早期的實踐應用主要集中在小麥、玉米、水稻這三大主糧作物上，在第四主糧馬鈴薯領域的研究和應用經驗沉淀相對較少。雖然同為大田作物，但馬鈴薯與小麥、水稻等禾本科作物在光合作用、呼吸作用、蒸騰作用以及其它生理生化特性方面具有不同的特點，所以馬鈴薯相關模型的建立與禾本科作物具有差別。

近些年來，隨著產業鏈發展和貿易規模的擴大，馬鈴薯產業受到了越來越多的關注，作物生長模型在馬鈴薯領域的研究與應用呈增長趨勢。自20世紀80年代以來，在國內外科研工作者的推動下，馬鈴薯作物生長模型的發展取得了長足的進步。

Sibma最先利用總二氧化碳同化率和日呼吸量來計算馬鈴薯的總干物產量。Ng和Loomis于1984年開發了具有詳細的形態學與生理學內容的“POTATO”模擬模型。為了描述作物水分管理的變化對馬鈴薯呼吸作用和產量的影響，Feddes等合作開發了一個模擬馬鈴薯綜合生長的“SWACRO”模型，由土壤水分平衡模型（SWATER）和作物生長模型兩個亞系統組成。在國內，張永成、杜守宇、高聚林等利用系統工程學的原理和方法，建立了馬鈴薯密度、施磷量（P2O5）、施鉀量（K2O）、施氮肥（N）及追施氮量與產量關系的數學模型，等等。

三、傳統馬鈴薯作物模型

目前世界范圍內流行的作物模型有APSIM、DSSAT和RZWQM等，下圖展示了核心作物模型及其主要譜系關系，各模型內部包含為數眾多的子模型。

其中應用比較廣泛的馬鈴薯模型主要有DSSAT-SUBSTOR模型、APSIM-POTATO模型、NPOTATO模型、SOLANUM模型、HPOTATC模型。

SUBSTOR – POTATO是國際上常用的模型，與CERES模型一同包含在DSSAT系統中。該系統由美國農業部組織開發研制，以天為步長模擬作物生長，按照作物生育期詳細描述作物生長發育過程；

APSIM-POTATO模型的核心模塊主要包括作物模塊、土壤水模塊、土壤氮模塊、土壤有機質模塊和管理模塊。該模型將馬鈴薯的生育期分為6個階段，分別為播種到萌芽、萌芽到出苗、出苗到現蕾、現蕾到開花、開花到成熟。基于太陽輻射、溫度、光周期、土壤水和氮肥，以日為步長，模擬馬鈴薯產量對不同基因型、氣候和管理條件的反應，評價輪作序列中土壤肥力指標和馬鈴薯產量。

NPOTATO模型通過冠層光截獲以及轉化效率來計算干物質產量，以天為步長，模擬氣候變化條件下的馬鈴薯生長，模塊包括植株生長、同化物分配、葉面積增長、土壤水分平衡、土壤氮元素變化、脅迫環境下的同化物分配等。

SOLANUM模型于2012年由國際馬鈴薯研究中心研發，通過控制水、氮、霜凍數據變量，來模擬馬鈴薯產量、生物量、塊莖鮮重，以及冠層覆蓋度等情況。

HPOTATC模型于2003年，由我國研究專家黃沖平教授，最早在國內完成的模擬馬鈴薯生長發育的動態模型，集成了生育期模型、株高、葉齡等植株個體性狀模型、群體葉面積動態與光合生產模型、干物質積累與產量形成等模型于一體。研究周期從塊莖形成到塊莖成熟為止。

其它類型模型，還有很多，如cropsyst、simpotato等，篇幅有限，不一一呈現了。

四、傳統馬鈴薯作物模型的弊端

無法及時發揮指導作用是導致傳統作物模型實際應用推進緩慢的罪魁禍首。

影響傳統作物模型發揮作用的原因有很多：試驗數據不完整或者標準不一致；模型的參數值來源地存在差異；應用地區逐日環境數據獲取難度大；機理模擬過程復雜，缺少算法說明，難以適應性調優；模型主要針對部分要素，例如光照與溫度對干物質形成的影響，氮素循環及對作物的影響；模擬生長的正向過程過于復雜，求逆即推薦水肥管理措施變得困難，等等。這些短板都嚴重限制了傳統作物模型的普適性，因此在影響因素復雜的現實生產場景下，難以實現廣泛應用。

另外，傳統作物模型為了方法的嚴謹性，先研究各個子系統再進行整合，追求數學可證明的因果關系。但生命體各影響要素之間的復雜互作，驗證周期的天然障礙，必然導致機理模型過度復雜且成熟周期漫長。在現實應用中，為了保證模型落地時的可操作性，難免會簡化原有模型的復雜程度，對模擬結果造成影響，從而失去科學模型對種植生產的指導意義。

五、AI作物模型——作物模型落地問題的高緯解題方式

簡耘科技基于自有的領先行業的馬鈴薯田塊級全維度數據，仍不能覆蓋主流模型的全部參數，加以經驗值進行調優后，仍不能得出可驗證的模型。是否有其他方式模擬作物生長？

哥德爾不完備定理已經指出基于數學的現代科學的內在矛盾，人工智能的進展也揭示出人類認知的局限性。簡耘科技獨立研發的AI作物模型，在探索新型作物模型的同時，也在反哺和促進傳統作物模型的研究。

簡耘科技在服務過程中，采集作物長勢照片近百萬張。通過卷積神經網絡技術，加快智能診斷技術的成熟。從長期應用角度出發，實現更為精準的智能化判斷，規避個人經驗主義帶來的誤判風險，同時提高診斷效率和農技需求的響應速度。

簡耘科技在累計110萬畝的馬鈴薯服務面積上，利用4億條來自不同品種、不同環境、不同氣候、不同農事干預行為，以及其它數十個緯度的田塊級數據，建立起基于組表達長短時記憶網絡作物模型，以7天為步長，模擬馬鈴薯的生長發育與產量形成過程，并通過因果優化傳輸生成對抗網絡提供灌溉與營養管理措施，真正做到因地制宜、因種制宜、千人千面的馬鈴薯種植解決方案。

在大范圍農業數據獲取方面，多光譜技術的應用已基本成熟。但從數據顆粒度和功能方面，仍較為宏觀，對現實生產的指導作用十分微弱。究其原因，當下多光譜技術采集的圖像數據只能反應作物的表型狀態，缺少對植株真實營養狀態數據的對照分析。

另外，由于已驗證的波段和營養關系有限，影響作物健康狀況的條件又十分復雜，因此，需要微觀的作物營養數據、作物地上地下部的體征數據和光譜數據進行對比分析，才能切實將多光譜技術應用到生產過程中來。

簡耘已完成多光譜技術、作物營養狀況，以及人工智能系統的多維度數據對接，依托AI模型的智能算法，自動生成基地作物長勢數據，并第一時間將操作建議同步到「耕簡單」馬鈴薯生長健康監護系統小程序中，輔助指導生產種植過程。

目前，簡耘AI模型在馬鈴薯一作區的應用得到了初步驗證，數字化農技服務覆蓋種植面積110萬畝，累計服務大規模種植戶650戶，環境及作物營養數據超4億條，科學指導種植戶26700余次，發布各類災害預警覆蓋面積超4萬畝，產量品質與水肥利用率同時得到提升，涉及商品價值超過9000萬元。

以AI模型為核心，簡耘科技打造馬鈴薯產業的數字航母。未來，更多科技手段可以直接在簡耘AI模型基礎上實現技術與數據的對接，強化科技成果的轉化能力，讓技術宏利切實惠及到整個馬鈴薯產業。

標簽： AI作物農業智能化人工智能農業領域