在过去几年里，机器学习与其他大数据技术和先进计算一起发展，改变了世界各地的行业，农业也不例外。

随着机器学习的进步，农业中的机器学习已经能够解决该行业遇到的许多问题。

企业只有在决策上不断超越竞争对手，才能取得成功，农业也不例外。通过在农业中的机器学习，农民现在可以获得更先进的数据和分析工具，从而促进更好的决策、提高生产力，并减少粮食和燃料生产中的浪费，同时减少不利的环境影响。

机器学习如何适合农业?

在高精度算法的辅助下，“智能农业”的理念不断发展，提高了农业的效率和生产力。机器学习是一门科学分支，允许机器在没有明确编程的情况下进行学习，这是其背后的机制。为了在农业组织环境中解开、分析和理解数据密集型过程开辟新的可能性，机器学习与大数据技术和强大的计算机一起发展。农民现在可以根据支持机器学习的电子创新，使用农场中的传感器，预测农业产量和评估作物质量，确定植物种类，并诊断植物疾病和杂草侵害。这似乎是不可想象的水平。在整个种植、生长和收获的过程中，机器学习在农业中的作用非常突出。其从播种开始，经过土壤测试、种子育种和供水测量，最后由机器人收集收获并使用计算机视觉评估其成熟程度。如今，若是没有机器学习技术的帮助，农民可以获得的数据量是压倒性的。ML可以迅速评估大量的数据，并在这些数据的帮助下推荐最有利可图的策略。例如，ML可以建议何时种植以防止病虫害。数字农业的优势是合理的，其可以帮助种植者做出最佳的投入决策，以提高产量和利润。此外，还可以帮助农民逐个田地确定实际费用，而不仅仅是整个农场的实际费用。

机器学习在农业中的应用

近年来，机器学习在农业领域得到了广泛的发展。以下是其在农业中的应用:

物种繁育与识别

物种选择的艰难过程需要寻找能够保证对水和营养物质有效反应的特定基因。理想的植物品种将能够抵御气候变化、抗病、更多的营养和更好的味道。

为了彻底调查作物性能，机器学习使我们能够从几十年的田间数据中提取信息。这些数据被用来创建一个概率模型，预测哪些性状会给植物带来理想的遗传优势。

作物的物种鉴定通常是通过简单的比较来进行的，比如叶子的颜色和形状。利用更先进的方法，例如在叶脉形态的帮助下评估树叶，机器学习使我们能够以一种更复杂、准确和快速的方式评估植物。

水土管理

机器学习算法检查蒸发动态、土壤湿度和温度，以了解生态系统过程及其对农业的影响。

土壤中的缺陷可以通过ML策略来解决。例如，机器学习技术可以帮助农民保持最佳的无机氮量。通过氮模型预测土壤和环境中的氮循环，指导农民达到最佳水平。软件模拟可以检测氮是否可用，并确定何时向土壤中添加氮。此外，其还可以在氮含量过多时通知农民，以免损害作物。

灌溉系统的使用也可以更有效，这要归功于基于ML的应用程序。其可以估算每日、每周或每月的蒸发量，并预测每日露点温度，这有助于预测预期的天气事件并计算蒸散发量和蒸发量。

产量预测与作物质量

精准农业最重要和最著名的领域之一是产量预测，其中包括产量的测绘和评估、作物供需匹配以及作物管理。现代方法远远超出了基于历史数据的简单预测，结合计算机视觉技术即时提供数据，并对作物、天气和经济状况进行全面的多维度分析，为农民和广大公众实现产量最大化。

准确识别和分类农产品质量属性可以提高产品价格，减少浪费。与人类专家相比，机器可以利用看似毫无意义的数据和连接，来揭示和发现有助于作物整体质量的新属性。

疾病和杂草检测

为了防治疾病，必须在作物地区喷洒大量杀虫剂，这往往造成高昂的经济成本和相当大的环境影响。在使用一般精准农业管理时，ML是根据时间、地点和将受到影响的植物，有针对性地使用农药。

杂草对农作物的生长构成严重威胁。杂草很难与作物区分开来，这是杂草控制的最大挑战。农业中的计算机视觉和机器学习算法可以以最少的费用和对环境没有负面影响，增强杂草的识别和辨别能力。这种技术的未来模型将为除草机器人提供动力，最大限度地减少对除草剂的需求。

畜牧生产和动物福利

为了最大限度地提高畜牧生产系统的经济效益，如牛和鸡蛋的生产，机器学习能够对农业方面进行精确的预测和预测。例如，在屠宰前150天，体重预测系统可以预测未来的体重，使农民能够相应地调整其饮食和环境因素。

如今的牲畜越来越被视为在农场生活中不快乐和疲惫不堪的动物，而不仅仅是作为食物载体。动物的运动模式，如站立、移动、进食和饮水，可以确定动物面临的压力有多大，并预测其对疾病的易感性、体重增加和生产力。动物的咀嚼信号可以与食物调整的需要联系起来。

模型使用

农业机器学习不是什么神秘的噱头或魔术。相反，这是一组精心设计的模型，用于收集特定的数据，并采用方法论来获得预期的结果。

人工神经网络(ANN)和支持向量机(SVM)是用于农业的两种非常流行的机器学习模型。

ANN是生物神经网络的模型，可以模拟复杂的活动，如模式生产、推理、学习和判断。其灵感来自于人类大脑的运作方式。

SVM是使用线性分离超平面将数据实例划分为类别的二进制分类器。聚类、回归和分类都使用支持向量机进行。它们在农业中被用来估计动物产量和作物生产力和质量。

此外，农民聊天机器人正在开发中。这些机器人不仅能提供数字，还能评估数据，就复杂问题向农民提供咨询，因此预计会比面向消费者的Alexa和类似助手更智能。

总结

机器学习的突破具有不可思议的潜力，就像软件一样。农业科学家正在更大规模地检验其理论，并协助开发与作物有关的更精确、实时的预测模型。农业中的机器学习有能力为维持世界人口、应对气候变化和保护自然资源提供更多的解决方案。

目前，机器学习解决方案专注于特定问题，但随着自动数据收集、分析和决策进一步集成到互联系统中，许多农业活动将转变为众所周知的知识型农业，这将能够提高产量和产品质量。