编程技术网

关注微信公众号,定时推送前沿、专业、深度的编程技术资料。

 找回密码
 立即注册

QQ登录

只需一步,快速开始

极客时间

人工智能(AI)农业终极解决方案

Sekar Ramu 人工智能 2022-1-13 19:37 177人围观

腾讯云服务器

This article was published as a part of the Data Science Blogathon

在这个世界上,农业和农业是最古老的职业。随着人口增长,需要增长和产生更多,更好的作物和最佳质量也增加。像人工智能(AI)和区块链这样的新技术有助于。

为了解决低生产率,语言障碍和水资源稀缺等农业问题,AI是使农村人能够使用与城市居民相同的资源。如果您无法以英语读取或 writing ,则由于Alexa和Siri,将为这些人的智能助理助理称为基于语音的智能助理的应用程序。

城市社区将使用 create 力来 Interpreted 他们最紧迫的运输, train 和住宿问题。智能农业,包括垂直培养,明亮的苗圃和可爱的开放式园艺,是城市区域的一种成长发明。

在本博客中,提到了区块链和AI在农业中的应用。还包括时间序列预测的Arima模型和解决与农业相关的问题的努力。

关键词:人工智能,谷物,无人机,区块链,阿米马模型

介绍

人工智能,机器 Learning ,事物互联网, cloud ,区块链 - 随着这些进步的方法和接收,我们将在网上遇到一个创新的转型,普遍被称为“第四工业革命”。这些新技术的真正能力是区块链和AI。

存储在区块中的数据基部基数是混乱的。商业世界的人工智能和区块链有很多东西要提供。许多企业正试图弄清楚他们是什么以及如何把它们付诸实践。在这种情况下,建立一个区间的AI Venture,要求竞争力和彻底的调查。

Blockchains是存储个人数据的理想选择,如果良好准备好,可以在我们的生活中解锁丰富的价值和轻松。考虑智能 doctest 服务框架,根据我们的临床产出和数据,甚至 Amazon 和Netflix的提案发动机做出准确的决策,这表明我们可能希望立即购买或观看。

农业的困难是,

1.水的可达性。

2.暴雨周转时间。

3.自然堆肥的可访问性。

4.交通运输的可达性以运送生产/收割机。

5.生产能力的可达性。

6.市场价值各种各样的产品种类。

使每个物品有效,有吸引力的是测试。

园艺是5万亿美元的全球业务,借助AI进步,增加收获,管理虫子,屏幕土壤和改善生长条件的进步。它是一种开发,使用人类知识测量的三个子集,例如神经网络,机器 Learning 和 deep Learning ,重新制定人类知识措施。这是一种 breakOut ,它利用三个子集重新制定人类知识措施,例如神经网络,机器 Learning 和 deep Learning 。

图1在喀里夫季节的棉花作物生产

农业,钓鱼和林业对49%的工作负责。它包括16%的GDP和最高价值在印度经济中高达17.7万卢比。不正当的农业可以阻碍经济并对农民造成痛苦。

园艺链包含来自提供者的所有周期,培养,准备,循环,零售和购买者。

AI可以在某些领土中的农业行业中使用,如供应商管理,智能农业,自治运输和智能零售。

图2了无人机(图象源canva)的图象

通过了解天气条件, temperature ,水使用和土壤,AI协助农民做出更好的决定,以增长和收益生产庄稼。精度园艺是使用人工智能框架的 terms ,以帮助提高收获质量和精度。精度农业综合企业使用人工智能(AI)来帮助检测牧场上的植物疾病,刺激和无助的植物营养。模拟智能传感器可以检测和瞄准杂草,然后决定在适当的缓冲区中使用哪些农药。它可以防止过度使用杀虫剂和其他有害物质进入我们的食物。

农民使用AI创建零星预测模型,以提高园艺精度和效率。这些型号可以长时间预测未来的气候设计,允许小农做出更好的决定。由于信息在非工业 state 的信息有限,因此偶尔期待对小农场尤为重要。由于小农产生了70%的世界收获,因此保持这些较小的宅基地运营和开发小产量至关重要。

无人机在农业中的应用

•种子种植。

•土壤和田间分析

•收获喷涂和点喷涂。

•收获映射和测量。

•水系统监控和管理。

•正在进行的牲畜监测。

区块链和AI

区块链包括方块,每个广场包含信息(任何重要价值),其哈希 respecting (通过复杂的计算计算产生的特殊加密字符和数字),以及与过去广场散列的指针。

尽管如此,农业行业是一个令人兴奋的细分市场,其中区块链可以提供显着的好处。农业是人们长期生存最重要的基础之一,在 create 和效率方面有效地表演至关重要。园艺行业的使用可以为 rancher 和最终客户提供多种益处。虽然制造商将受益于盈利能力提高,但消费者将有能够获得所需信息所需的所有信息。与IOT设备和AI相 combine 时,区块链创新可能会为农业部门的 Marvel 做出 Marvel 。

随着全球化的扩大和竞争在市场上,食物灵活性链比任何其他时间都变得越来越长。食物柔性链中有一些问题,例如食品可疑,卫生和质量,食品信托和优雅的连锁失败,包括对整个社会,经济和人类的福祉的额外危险。

这些使得欺骗和低质量商品的提供者难以努力,并鼓励所有提供商在整个农业和食品工业上提高产品质量。BlockChain可以提供有关食物如何运输并可用的可靠信息。它减轻了买方对食品安全,质量和自然友好的担忧。它有助于更好地了解客户和制造商。它通过删除产品 transactions 的障碍来维护客户来支持客户来维护客户。从行政办公室的 Angular 来看,它可以做出有关受过教育和主管决策的精确数据。

信息和通信技术(ICT)

信息和通信技术(ICT)也被称为电子农业。其主要工作是在农村地区促进和加强农业。ICT包含小工具,组织,手机,主管部门和应用程序;这些范围从创新互联网期间进步和传感器到其他先前的指南,例如移动电话,电视,无线电和卫星。指导方针,标准和仪器秉承电子农业综合企业的主要部分。

ICT是否建立了不同地理区域的农民之间的差距?

它可以通过提供教育,建立ICT基础设施来做,使学术界,研究人员,科学家们向农村和文盲的人 stream 向优势,以便他们忽视了表征所需的标准和假设,以有效监督它们所需的标准和假设。

始终需要 huge 的努力,这是不切实际的和同步的。

害虫管理

棉花是米饭和小麦之后印度第三大作物之一,其中75%的小农民在生产和支付脆弱中战斗。他们面临的主要困难之一是无论杀虫剂的重量利用如何,都无法监督困难。

图3棉花的图3例证图象

超过十亿个小农生活在世界各地,其中大量这些农民争夺了可避免的滋扰,可能会 crash ,最多一半的收获产量。在印度,为3000万人,大约600万个农民及其家属依赖于棉花培养专业,棉花增长面临的主要挑战之一是害虫管理(升级2020)。

Wadhwani Ai以及马哈拉施特拉邦 kubernetes 的支持,而Telangana开发出一种探测棉花两种棉花的算法。它将最大限度地 reduce 作物的丧失。

人工智能将有助于识别和评估被传感器包装的害虫。这些传感器将与板载电子框架相关联,信息将前往Web,其中错误将被检查和区分。

然后使用手机或平板电脑在现成的报告中引入这种类型的信息。

它将有助于农民决定是否应该采取或不决定。

Challenges

1.不准确的天气预报。

2.倒入农作物的水是多少?

3.水危机

4.天气预报

目前的气候预测依赖于数据收集组织。虽然集成了高分辨率的远程传感器,但是对于更精确和准确的气候预测来说,它还挑战如何测量,分析和最大化这些数据的挑战。

传统上,气候预测围绕着围绕着重点放在更确切的预测的大型强大的数学模型附近。但是,由于气候变化的漏洞和几种模型缺陷,如内侧的相似性,这种技术可能无法匹配许多用例的要求。

自20世纪80年代以来,当神经组织首次出现时,人工智能已用于气候预测。气象学家现在正在利用卫星数据准备,现在的技术,现在的热带风暴和极端气候预测等经济和生态研究领域。

土壤抵抗

人工神经网络(ANN)和支持向量机(SVM)模型估计土壤抗性。

AI(ANN和SVM)制造的模型是生产性的,并且比Busscher模型更好地具有极限。

根据纹理 class 和非凡和比较管理的土壤信息状态,即使有更好的名单 respecting ,呈现给类似的管理。[6]

水管理

水危机是一个全球问题。每天数十亿加仑的水被浪费了。在美国,每天浪费七亿加仑水。

由于财务条件,发展中 state 面临更多问题,但感谢使用ANN和SVM模型的AI技术较便宜。

粮食供应需要增加2050年的97亿人。问题是岛屿,水资源正在下降,人口增长,三分之一的食物浪费。

为农民提供的应用程序

农业应用程序在那里。其中一个应用程序称为Plantix,并具有以下 Feature ,如下所述:

它可以识别植物病的500多种 Image 和缺乏营养素。

2.如果您面临该地区的风险,则会检测到早期疾病警报。

它为您提供有关产品和解决方案的信息。它还有助于防止下一次攻击。

它为您提供所有信息来试用新事物。

还有其他一些农业应用程序,其中一些是 -

1. Sirrus.

2.农场日志

3.种植者 Edge

4.农场特征

5.罗斯

以不同语言在互联网上共享的印度语言内容大约很低。0. 0015%,而英语内容为54%。所有 Learning 讲座或书籍都是英语。需要有不同的印度语言。

主要是创建内容的两种方法

1)自愿方法

2)付费方法

知识,时间和精度是解决当地人面临的挑战所需的一些特征。使用新技术作为AI以更好的方式改变农民的生命。它应该可以访问,价格实惠,可实现和可持续。

触摸屏接口是自然用户界面,允许通过点击手指来完成工作。例如,要打印,以书面或口语而不是计算机语言打开文件。

时间序列分析

Time Series Forecasting in terms of future predictions can predict the future using time series analysis. ARIMA is the best model as it is easy to utilize. More on the ARIMA model can be learned by following the blog Introduction to Time Series and Forecasting by ARIMA Model. – (analyticsvidhya.com).

import warnings                                  # `do not disturbe` mode
warnings.filterwarnings('ignore')
import numpy as np                               # vectors and matrices
import pandas as pd                              # tables and data manipulations
import matplotlib.pyplot as plt                  # plots
import seaborn as sns                            # more plots
from dateutil.relativedelta import relativedelta # working with dates with style
from scipy.optimize import minimize              # for function minimization
import statsmodels.formula.api as smf            # statistics and econometrics
import statsmodels.tsa.api as smt
import statsmodels.api as sm
import scipy.stats as scs
from itertools import product                    # some useful functions
from tqdm import tqdm_notebook
%matplotlib inline
# Time series data
import matplotlib.pyplot as plt
df = pd.read_csv('Cereals.csv',
parse_dates=['Year'], index_col='Year')
# Draw Plot
def plot_df(df, x, y, title="", xlabel='Year',
ylabel='Yield', dpi=100):
   
plt.figure(figsize=(16,5), dpi=dpi)
   
plt.plot(x, y, color='tab:red')
   
plt.gca().set(title=title, xlabel=xlabel, ylabel=ylabel)
   
plt.show()
plot_df(df, x=df.index,
y=df.Yield, title='Time Series Analysis of Cereals.')

 

图4从1960-2020谷物产量。

returns = pd.DataFrame(np.diff(np.log(df['Yield'].values)))
returns.index = data.index.values[1:data.index.values.shape[0]]
returns.columns = ["Yields"]
returns.head()
import pyflux as pf
arm_model = pf.ARIMA(data=returns, ar=4, ma=4, target='Yields',  family = pf.Normal())
arm = arm_model.fit("MLE")
arm.summary()
arm_model.plot_fit(figsize=(15,8))


arm_model.plot_predict(h=20,past_values=50,figsize=(15,5))

谷物产量预测的Arima模型。

图5预测Arima模型

尽管人口双重,但生产表明的水平具有相同的水平。

import matplotlib.pyplot as plt
df = pd.read_csv('Rapeseed.csv', parse_dates=['Year'], index_col='Year')
# Draw Plot
def plot_df(df, x, y, title="", xlabel='Year', ylabel='Yield', dpi=100):
    plt.figure(figsize=(16,5), dpi=dpi)
    plt.plot(x, y, color='tab:red')
    plt.gca().set(title=title, xlabel=xlabel, ylabel=ylabel)
    plt.show()
plot_df(df, x=df.index, y=df.Yield, title='Rapeseed.')

 

图6从1961年到2018年的油菜作物

returns = pd.DataFrame(np.diff(np.log(df['Yield'].values)))
returns.index = data.index.values[1:data.index.values.shape[0]]
returns.columns = ["Yields"]
returns.head()
import pyflux as pf
pf.acf_plot(returns.values.T[0])
arm_model = pf.ARIMA(data=returns, ar=4, ma=4, target='Yields',  family = pf.Normal())
arm = arm_model.fit("MLE")
arm.summary()
arm_model.plot_fit(figsize=(15,8))


arm_model.plot_predict(h=20,past_values=50,figsize=(15,5))

图7石油作物的Arima预测油菜籽。

预测导致相同的产量水平,没有增加和 reduce 。

import matplotlib.pyplot as plt
df = pd.read_csv('Population1.csv', parse_dates=['Year'], index_col='Year')
# Draw Plot
def plot_df(df, x, y, title="", xlabel='Year', ylabel='Population', dpi=100):
    plt.figure(figsize=(16,5), dpi=dpi)
    plt.plot(x, y, color='tab:red')
    plt.gca().set(title=title, xlabel=xlabel, ylabel=ylabel)
    plt.show()
plot_df(df, x=df.index, y=df.Population, title='Population of India.')

图8印度人口从1960年增加到2020年。

图9 2011年不同状态的人口

图10人口预测。

图11在印度的不同食用粒粒生产。

我们可以从 Graph 中看出,2005年和2011年的各种食品谷物的生产没有太大差异。

import matplotlib.pyplot as plt
df = pd.read_csv('Bean.csv', parse_dates=['Year'], index_col='Year')
# Draw Plot
def plot_df(df, x, y, title="", xlabel='Year', ylabel='Yield', dpi=100):
    plt.figure(figsize=(16,5), dpi=dpi)
    plt.plot(x, y, color='tab:red')
    plt.gca().set(title=title, xlabel=xlabel, ylabel=ylabel)
    plt.show()
plot_df(df, x=df.index, y=df.Yield, title='Yield')

 

图12 Bean生产于1977年至2018年

调查结果

在提升2020的会话中,与会者的几个民意调查 showing 了下面的用户响应 -

真菌感染是否通过ai解决了?

•69.1%的大部分可以在经济上更快地解决,18.05%较慢,昂贵,8.0%回应。

AI可以用于农民和青年的治疗心理健康问题吗?

•50%的用户认为它可以愈合。

为什么需要小心ai?

•55%的用户认为他们中的一些人可以以错误的方式使用AI。

DO AI是新技术中最好的工具吗?

•63%相信是的,23%可能是,13%的人认为没有。

AI可以帮助农民在未来会有更多需求吗?

•81%是,12%,和3%。

讨论

整个世界正在走向紧急情况。人口将升至九十亿九十九十一亿,需求更多的食品生产。城市化和全球变暖是种植庄稼的障碍。这是AI的开始,而不是结束。

谷歌的搜索结果,Facebook的朋友推荐, Amazon 的购买建议以及其他服务的扭转必须刮伤他们的头,想知道它来自哪里或者它甚至存在。 Ingestion 和分解大量数据的AI以找到常见的模式并将这些例子翻译成预测, Activity 是这些进步背后的动力。

印度农业从1960年到2020年差不多60岁。在图4和6中改变了很多。谷物的生产, aspeed 已增加40次,土豆大约是。,14倍,小麦八次;然而可可豆产量 reduce 。

印度是多语言,大部分农民/省级人都没有受过教育,互联网连接不良是在那里,他们将如何在日常生活中使用AI?

train ,称为“精确耕作”,利用恒定和记录的信息与AI计算。例如,而不是将大量农药应用于区域,你可以选择更多适度的措施加入明确的树木,荆棘或甚至叶子, reduce 费用和浪费,同时造成伤害,即复合物质可能导致适用于质量。

Panchang如何协调气候期望?

提出2020年的问题要求这是考虑洞察信息的真正必要的。

花生和蓖麻是Junagadh区的主要作物,但只能用重型季风繁荣昌盛。然而,农民必须在四月决定,愿播种和 await 结果。将跌倒多少雨,当在印度的每个农民都是焦虑的时候。

根据灌溉和运河蔓延,根据雨 reduce 了一些压力。但是,季风雨证明是至关重要的。为了进一步减轻压力,一些农民基于科学知识和一些非科学的传统预测转移到传统预测。

古吉拉特农业大学(GUA)助理 Teachable P R Kanani开始根据传统信仰收集数据。他在Bhadli找到了一本书,他的概念在1990年成真时季风延迟,但根据气象总监是一种普通的季风。

自1996年以来,卡纳尼一直在收集有关印度纳莲(Cassia Fistula)树的盛开季节的信息。它靠近萨拉什特拉的道路。Cassia Fistula与Storm的联系在大思想家Varahmihar的婆罗门Samhita的八世纪亚洲南部的时间表之前存档。

风暴在树上盛开的顶部后开始45天。“我们通过地区的树木收集信息。盛开的日期有一个分散 - 我们试图为树木进行正常的激励,“卡纳尼说。

结论

在即将到来的几年里,世界人口将是双重的,并且使生产的双重食物的斗争是一个挑战,可以在AI技术的帮助下克服。

一些作物预测的生产并未 showing 出生产的增加。它要么下降,要么没有变化,2050年的人口将是双倍的。

一些应用程序桥接英语和其他语言与AI之间的差距。在印度,90%的人口低于十万升,这些应用程序将为这些人提供祝福。

如果教育达到所有农民,庄稼可以增加,并且具有更好的质量,并且AI是克服农民面临的所有问题的最佳媒介。

本文中 showing 的媒体不受分析vidhya所拥有的,并在提交人的自由裁量权使用。

有关的

转自:https://www.analyticsvidhya.com/blog/2021/12/artificial-intelligence-ai-the-ultimate-solution-in-agriculture/
原作者: Sonia Singla
腾讯云服务器

相关推荐

阿里云服务器


关注微信
^