京都大学(University)行使cnn预测粮食产量，丰收不问天，问ai就够了

李泽霖 2023-09-19 06:32 931

"京都大学行使cnn预测粮食产量，丰收不问天，问ai就够了,这篇新闻报道详尽，内容丰富，非常值得一读。这篇报道的内容很有深度，让人看了之后有很多的感悟。作者对于这个话题做了深入的调查和研究，呈现了很多有价值的信息。这篇报道的观点独到，让人眼前一亮。 " 账号设置我的关注我的收藏申请的报道退出登录登录搜索36氪Auto数字时氪将来消费智能涌现将来城市启动Power on36氪出海36氪研究院超人测评36氪企服点评36氪财经(Finance)职场bonus36碳后浪研究所暗涌Waves硬氪媒体品牌企业号企服点评创投平台36Kr研究院36Kr创新咨询企业服务城市之窗行政部门服务创投发布LP源计划VClubVClub投资机构库投资机构职位推介投资人认证投资人服务寻求报道36氪Pro创投氪堂企业入驻创业者服务首页快讯资讯推荐财经(Finance)科技(Technology)创新城市最新创投汽车(Car)企服专精特新直播视频专题活动搜索寻求报道我要入驻京都大学(University)利用(Use)CNN预测粮食产量，丰收不问天，问AI就够了超神经HyperAI·2023-09-18 19:36关注古有曹冲称象，今有 AI 「称粮」

联合国预测，2050 年世界人口预计达到 91 亿，全球对粮食的需求量将增加 70%。

然而，由于世界农业发展不均衡，很多地区的粮食产量尚无法被准确统计，因此无法对这些区域的农业发展做出合理规划。现有的粮食产量统计方法则难以推广可能是需要较高的科技(Technology)水平。

为此，京都大学(University)的研究者通过卷积神经网站 (CNN) 对农田照片进行(Carry Out)分析，高效准确地对当地的粮食产量进行(Carry Out)了统计，为促进全球农业发展提供了新方法。

受人口增长、收入增加以及生物燃料广泛使用的影响，2050 年全球对粮食的需求量将增加 70%。

然而，由于全球气候变暖和生物多样性下降，世界各地粮食产量极易受环境变化影响，且区域间发展不均衡。

可以看到，祖国、米国、印度和巴西是主要的产粮地，而南半球的粮食产量相对较低。而且，由于南半球的农业生产力较低，其粮食产量很难被准确统计。因此，我们(We)很难对当地的农业生产力进行(Carry Out)有效评估，更无法提供有效的增产手段。

目前(Currently)有 3 种常用的粮食产量统计方法，包括自我汇报、实割实测和遥感统计。前两种方法很难大规模推广，而遥感技术的使用则会受到当地科技(Technology)水平的制约。

为此，京都大学(University)的研究者利用(Use)卷积神经网站 (CNN)，对实地拍摄的农田照片进行(Carry Out)分析，进而对当地的粮食产量进行(Carry Out)统计。结果(Result)显示，CNN 模型可以对不同光照条件下的收割期和成熟后期的水稻产量进行(Carry Out)迅速、准确的统计。这一成果已发表于《Plant Phenomics》。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0073

实验过程1.建立数据库：水稻冠层照片 + 粮食产量

研究人员在 7 个我国的 20 块农田中采集了水稻照片和粮食产量。水稻成熟后，用数码相机在水稻冠层上 0.8 至 0.9 米的高度，垂直向下拍摄，得到面积 1 m2 水稻的 RGB 照片。

注：水稻的冠层是水稻枝叶稠密的顶层，是植物进行(Carry Out)光合作用的主要部位。

随后，他们(They)改变了拍摄角度、时间和时期，并在部分实验中逐次摘掉了水稻的花序，以探究 CNN 模型预测产量的机制。最终他们(They)从 4,820 个拍摄地点得到了 462 种水稻的 22,067 张 RGB 照片。

实验中粮食产量为粗粒产量，包括水稻实粒和空粒的总重。统计得到的粮食产量在 0.1 t/ha （吨每公顷）和 16.1 t/ha 之间，呈现正态分布，平均产量约 5.8 t/ha。

图 2：水稻冠层图像及粮食产量分布

A：7 个我国的粗粒产量分布；

B：不同我国平均粗粒产量饼状图；

C：粗粒产量最高的水稻图像；

D：粗粒产量最低的水稻图像。

2.产量预测：冠层照片 + CNN → 粮食产量

CNN 模型、丢失函数和优化器使用 Python 语言和 PyTorch 框架进行(Carry Out)部署。随后，研究人员通过组合不同的 Batch Size 和 Learning Rate，计算模型训练完成时的验证损失和相对均方根误差 (rRMSE)，得到了模型的最佳 Batch Size (32) 和 Learning Rate (0.0001)。

CNN 模型在 Main Stream (MS) 中有 5 个卷积层，Branching Stream (BS)中有 4 个卷积层。模型的池化层包括平均池化层 (AveragePooling) 和最大池化层 (MaxPooling)。激活函数主要为整流线性单元 (ReLU)，在某些部分使用指数线性单元 (ELU)。最后 MS 和 BS 汇合，通过 ReLU 层输出预估的粮食产量。

图 3：CNN 模型示意图

CNN 模型对图像有着较强的分辨能力。当地面采样间隔 (GSD，照片中每个像素点对应的现实距离，与分辨率相反)为 0.2 cm/pixel 时，CNN 模型预测结果(Result)和实际结果(Result)的相关系数 R2 在 0.65 以上。即使 GSD 增大到 3.2 cm/pixel，模型的 R2 也能保持在 0.55 以上。

图 4：CNN 模型预测结果(Result)与 GSD 的关系

A：CNN 模型的 R2 与验证集、测试集照片 GSD 的关系；

B：CNN 模型预测产量与实际产量的散点图；

C D：GSD 为 0.2 cm/pixel 和 3.2 cm/pixel 的示意照片。

进一步的，研究人员用预测集的数据对 CNN 模型进行(Carry Out)了测试。CNN 模型可以分辨出在东京的高成 (Takanari) 水稻和越光 (Koshihikari) 水稻产量的差异，且预测数据接近实际数据。

图 5：高成水稻和越光水稻的实际产量 (A) 和预测产量 (B)

随后，团队对图片进行(Carry Out)了遮挡，以探究 CNN 模型分析图片并预测粮食产量的机制。他们(They)用灰色块遮挡了照片的特定区域，并计算了遮挡前后 CNN 模型预测产量的差值。

图 6：遮挡实验示意图

A：遮挡前的照片；

B：遮挡后的照片；

C：照片不同区域对预测产量的权重。

结果(Result)显示，粮食产量与水稻花序的数量正相关，而与茎、叶、地面等元素在图片中的占比负相关。

于是，研究人员通过花序移除实验，验证了花序在产量预测中的作用。他们(They)从每株水稻上摘下两个花序，拍照并统计粗粒产量，直到花序被全部摘下。

图 7：花序移除实验及结果(Result)

A：花序移除实验示意图；

B：花序移除后的照片；

C：预计产量和实际产量折线图；

D：花序移除过程中预计产量和实际产量之间的关系。

随着花序数量减少，CNN 模型的产量预测结果(Result)不断降低，最后降至 1.6 t/ha。这一实验说明，CNN 模型主要是基于照片内花序的数量对粮食产量进行(Carry Out)判断的。

3. 鲁棒性：拍照角度、时间及时期

验证了 CNN 模型对粮食产量的预测能力后，研究人员改变了拍摄角度、时间和时期，以探究 CNN 模型在不同条件下的鲁棒性。

照片的拍摄角度在 20°-90° 之间，测试间隔为 10°。结果(Result)显示，CNN 模型的预测精度随拍照角度的增大而提高。当拍摄误差为 20° 时，CNN 模型的预测结果(Result)为 -3.7-2.4 t/ha。拍摄角度为 60° 时，预测误差在 -0.45-2.44 t/ha 之间，与 90° 时的预测结果(Result)接近。

图 8：拍摄角度测试及结果(Result)

A：拍摄角度实验示意图；

B：不同拍摄角度得到的照片；

C：不同拍摄角度照片预测产量与实际产量的差距。

随后，相机被放置在一个固定位置，每 30 分钟拍摄一张农田照片，以探究拍摄时间对 CNN 模型的影响。结果(Result)显示，虽然光照环境发生了变化，但 CNN 模型对全天照片的预测结果(Result)基本稳定。

图 9：拍摄时间测试及结果(Result)

A：拍摄时间实验示意图；

B：不同拍摄时间得到的照片；

C：CNN 模型对不同拍摄时间照片的预测产量。

最后，研究人员探究了拍摄时期对 CNN 模型预测结果(Result)的影响。在水稻 50% 抽穗之后，他们(They)每周去农田收集照片，并用 CNN 模型进行(Carry Out)分析。在水稻成熟初期，CNN 模型的预测产量低于收获期的实际产量，因为此时花序尚未完全成熟。

随着时间推移，CNN 模型的预测结果(Result)逐渐接近实际产量。50% 抽穗后 4 周，CNN 模型的预测结果(Result)基本稳定，与实际产量接近。

图 10：拍摄时期测试及结果(Result)

A：不同拍摄时期得到的照片，DAH 代表抽穗后天(The Day After Tomorrow)数，DBH 代表收割前天数；

B：CNN 模型对不同时期拍摄照片的预测结果(Result)。

上述结果(Result)共同说明，CNN 模型可以对不同拍摄角度、时间和时期下得到的农田照片准确分析，得到稳定的产量预测结果(Result)。CNN 模型具有鲁棒性。

智慧农业：AI 助力农业规划

据联合国预测，2050 年全球人口将达到约 91 亿。随着全球人口增长和收入提高，人们对于粮食的需求量也在不断增加。

同时，农业生产的集约化、数字化和智能化使粮食亩产量不断提高。2000 年至 2019 年，全球农业用地面积降低了 3%，而主要作物的产量增加了 52%，水果蔬菜产量也增加了 20% 左右。

大型收割机、无人机等专业设备投入使用，使农户可以精准便捷地对自己的农田进行(Carry Out)规划。大数据、物联网等技术帮助农户对农田状况实时感知，还能够对大棚内的环境进行(Carry Out)自动调整。深度学习和大模型对天气的提前预测能够防范极端天气于未然，缓解传统农业「靠天吃饭」的难题。

图 11：智慧农业系统示意图

然而，截至 2021 年，全球受饥饿影响的人数较前一年增加约 4600 万人，达到 8.28 亿。农业生产不均衡、体系不健全的问题依然存在，甚至更加突出。

在 AI 的帮助下，我们(We)可以对当地的农业发展做出更好的规划，推动世界农业生产均衡发展，为解决全球饥饿问题交出一份满意的答卷。

参考链接：

[1] https://www.fao.org/documents/card/en/c/cc2211en

[2] https://www.deccanherald.com/opinion/smart-farming-tech-new-age-700994.html

本文来自微信公众号“HyperAI超神经”（ID:HyperAI），作者：雪菜，36氪经授权发布。

该文观点仅代表作者本人，36氪平台仅提供信息存储空间服务。

+10

好文章，需要你的鼓励

超神经HyperAI特邀作者0收藏+10评论打开微信“扫一扫”，打开网页后点击屏幕右上角分享按钮微博沉浸阅读返回顶部参与评论评论千万条，友善第一条登录后参与讨论(Discuss)提交评论0/1000你可能也喜欢这些文章《经济(Economy)学人》：AI能否改变科学的研究方式？Arm正式IPO，Meta计划对标GPT-4训练下一代大模型，Adobe Firefly 生成式 AI 模型全面开放商用｜36氪GPT周报AI「领悟」有理论解释了，谷歌：两种脑回路内部竞争，训练久了突然不再死记硬背4岁男孩得“怪病”三年：17位医生(Doctor)无解，最终被ChatGPT成功(Success)诊断全世界砸了上百亿给它，到底图什么？如何在人工智能革命中提升职业竞争力？面向将来的5项技能谷歌这一“大招”，要逼死多少AI标注公司？一门课售价近5000元，AI培训机构狂赚“职业焦虑”钱求医3年无果，ChatGPT诊断出4岁男孩病因，大模型开始入局医疗最新文章推荐《经济(Economy)学人》：AI能否改变科学的研究方式？李佳琦翻的车，B站上得去吗？对话二代：家族地位是自己争取来的历史(History)上首次，米国三大车企工人(Worker)同时罢工，马斯克却成最大赢家？下半年，美股 “鸡肋”，中概 “等待”Unity修改收费条款，要将游戏(Game)开发者当年猪？汤道生再闯“迷宫”蒙牛距离千亿还有多远？Arm正式IPO，Meta计划对标GPT-4训练下一代大模型，Adobe Firefly 生成式 AI 模型全面开放商用｜36氪GPT周报AI「领悟」有理论解释了，谷歌：两种脑回路内部竞争，训练久了突然不再死记硬背

超神经HyperAI特邀作者

链接人工智能新场景

发表文章110篇最近内容京都大学(University)利用(Use)CNN预测粮食产量，丰收不问天，问AI就够了24分钟前雹暴中心收集数据、大模型加持极端天气预测，「追风者也」正在上演2023-08-31狗狗求职记：AI 面试、人类辅助，美研究所利用(Use) 628 只拉布拉多数据，提升嗅觉检测犬选拔效率2023-08-21阅读更多内容，狠戳这里下一篇出海速递 | 2023年，那些出海的公司怎么样了；阿里计划在土耳其投资20亿美元

查阅更多出海好文章，请移步出海官网 letschuhai.com。

27分钟前

热门标签流行病金粉世家孝庄秘史男才女貌玉观音走向共和绿盾李兰娟两新组织保险经纪人淋巴结转移抗击非典权衡理论想见你社区志愿者李庆安庆安庆崛起江苏移动赣江新区管委会财政制度财政厅徐春元宵晚会ios9玩吧诺斯许小年吉祥棋牌jj斗地主关于36氪城市加盟寻求报道我要入驻投资者关系商务合作关于我们(We)联系我们(We)加入我们(We)网站谣言信息举报入口热门推荐热门资讯热门产品文章标签快讯标签合作伙伴