人工智能（AI）在农林、水质、生态等方面应用调研
一、引言
1.1 大数据、人工智能(AI)、深度学习的关系
1.1.1 概念：
1、大数据：是对数据的挖掘、传输、储存、分类、分析（国内的话这个方向的运用比较少因为需要大量资金的支持，都是大厂在做的）的技术总称。其特点和核心为：①容量很大的数据；② 大容量且有用的数据；③ 可以从中挖掘核心数据的强大能力；④ 目前大数据仍处于表面应用、起步阶段；⑤ 它不会根据结果采取行动，而只是可以寻找结果。
2、数据挖掘：大数据的核心是数据挖掘。其通过对海量数据的交换、选择、整合和分析，发现新的知识，创造新的价值，带来\大知识\、\大科技\、\大利润\和\大发展\。
3、物联网：通过各种设备（比如RFID，传感器，二维码等）的接口将现实世界的物
体连接到互联网上互相连接，实现信息的传递和处理。嵌入在各个产品中的传感器（sensor）便会不断地将新数据上传至云端。人工智能处理和分析这些数据，以生成所需要的信息并继续积累知识。可以理解为：物联网可是源源不断产生数据，形成大数据，作为人工智能的
基础资料。
4、人工智能：其概念上世纪60年代已经提出，人工智能是典型的交叉学科。研究的内容集中在机器学习、自然语言处理、计算机视觉、机器人学、自动推理和知识表示等六大方向，目前机器学习的应用范围还是比较广泛的，比如深度学习（即机器学习内容之一）、无人驾驶、阿尔法狗、人脸识别、神经网络、对抗学习等技术领域。人工智能的核心在于“思考”和“决策”，如何进行合理的思考和合理的行动是目前人工智能研究的主流方向。其中物联网负责为人工智能传递和收集资料。
1.1.2 几者之间的关系
① 人工智能需要大量的数据作为“思考”和“决策”的基础；
② 大数据也需要人工智能技术实现数据价值化操作，比如机器学习就是数据分析的常用方式。
③ 数据应用的主要渠道之一就是智能体（人工智能产品），为智能体提供的数据量越大，智能体运行的效果就会越好，因为智能体通常需要大量的数据进行“训练”和“验证”，从而保障运行的可靠性和稳定性。
④ 目前大数据相关技术已经趋于成熟，相关的理论体系已经逐步完善，而人工智能尚处在行业发展的初期，理论体系依然有巨大的发展空间。
PS: 深度学习是人工智能的机器学习方面的一个子内容，是比较常见的逻辑算法的执行。
近些年发展的人工智能、大数据等都是得益于电脑设备价格降低、新技术的出现（如GPU、LOT技术等）。人工智能已经渗透到各方各面，只是目前大多数方
面是表层的应用。
二、基本情况
从上面的概念我们可以比较清晰的了解，对于我们遥感数据（光谱、地面数据）而言，其在大数据、人工智能方面的应用可以理解为：通过获取的数据、运用更加智能的算法（机器学习、神经网络），获取我们想要的目标结果，并自动产生我们想要的报告和分析结果。
简单的理解即为：研究算法，获取结果
2.1 农业方面的应用
人工智能在农业方面的应用，就是我们所称的智慧农业，目前正在向自动化、智能化、动态化管理，显著提高现代农业生产效率、质量和水平。
对于我们而言，目前可能仅仅涉及到数据分析、病虫害识别等类容，其他内容仅供参考。
2.1.1 主要应用（或与我们高度相关应用）
1、农业专家系统
农业专家系统包含丰富的农业知识与经验，通过人工智能技术手段，为农业从业者提供咨询服务，帮助解决农业生产中各种农业技术问题，如作物病虫草害预防、动物疫病诊断等等。农业专家系统的核心是知识库、推理机、大数据处理引擎。通过人工智能方法、大数据处理手段对各种农业大数据进行清洗、筛选、过滤和加工，利用知识推理挖掘出有价值的信息，分析农作物生长环境数据和生长状况数据形成专家知识，为农业提供科学准确的预测和决策。
目前，在农业部门、单位已经应用的比较比较广泛。在我国广泛应用的“12316”等农业技术服务推广平台就是比较好的系统。
2 病虫草害识别
主要依靠是机器视觉技术和人工智能学习方法，实现作物品种识别、病情分析、病症种类识别，针对病情病症“对症下药”。农作物病虫草害识别的核心是利用人工智能技术所建立的病虫草害特征知识库。
目前应用到范围有大烟的病虫害识别、小麦白粉病、叶锈病、水稻虫害监测；其通过智能学习、机器学习（我们常用的最大似然算法、ANN算法、支持向量机）等都已经得到比较广泛的应用。美国手机APP Plant Village 能智能识别14 种作物的26 种病虫害，识别准确率高达99.35%。
3、农业物种识别
对于大范围的监测而言，现在运用卫星技术来提取所需要的成果较多，其主要的应用为农作物分类、农作物识别、农作物长势估测、农作物动态监测等领域。其应用的技术主要为深度学习、图像识别、人工神经网络技术等。且目前大部分的GIS、遥感软件都会镶嵌这一模块。
4、 预测分析
在精准生产决策、食品安全监管、精准消费营销、市场贸易引导等方面，人工智能通过挖掘数据之间的关联特征，预测事物未来的发展趋势，增强预见性，实现精准农业、智慧农业。例如，美国aWhere 运用机器学习算法与卫星开展天气情况预测、农作物可持续性分析及农场病虫害评价。为灾害预警、耕地质量监测、重大动植物疫情提供支持。
2.1.2 其他应用
智能采摘、灌溉用水分析与控制、土壤肥力检测、农作物种子品质鉴定等见附件；
2.2 林业方面的应用
从应用需求看，人工智能在林业方面的主要应用场景有森林资源调查、林业种植（暂不调研）、森林火灾监测和救援、森林病虫害监测和防治、野生动物监测和保护、林业执法，具体如下： （1）森林资源调查。
要是为了调查森林分布范围、树高、胸径、生物量、蓄积量和碳储量的测算。通过机器学习、人工神经网络等建立更加可靠的森林模型估测模型，实现森林资源信息的快速、高效和低成本地获取。目前已经在大范围的估算（利用卫星数据）方面已经应用比较广泛。
（2）植被识别及分类提取
这方面主要的应用为植被识别、特征监测、林地物种分类、入侵物种监测等方面；我们常用的SVM、ANN、DBM（深度置信网络）等都是应用的比较成熟的。且一些树木已经可以达到自动识别的效果。
人工智能(AI)在农林水生态方面的应用调研 - 图文
