新兴的智能农业概念，该概念借助高精度算法使农业更加高效。驱动它的机制是机器学习，这是使机器无需严格编程即可学习的科学领域。它与大数据技术和高性能计算一起出现，为在农业运营环境中解开，量化和理解数据密集型流程提供了新的机会。

在整个生长和收获周期中，机器学习无处不在。它始于在土壤中播种的种子-从整地，种子育种和水饲料测量开始-直到机器人摘取收获物并借助计算机视觉确定成熟度时结束。

让我们发现农业如何在每个阶段都能从机器学习中受益：

物种管理

物种繁殖

我们最喜欢的是，此应用程序如此逻辑而又出乎意料，因为大多数情况下，您会在以后的阶段阅读有关收获预测或环境条件管理的信息。

物种选择是一个繁琐的过程，需要寻找特定的基因来确定水和养分利用的有效性，对气候变化的适应性 ，抗病性以及养分含量或更好的口味。机器学习，尤其是深度学习算法，需要数十年的现场数据来分析农作物在各种气候条件下的表现以及过程中开发的新特性。基于这些数据，他们可以建立一个概率模型，该模型可以预测哪些基因最有可能为植物带来有益的性状。

物种识别

传统的人类分类方法是比较叶子的颜色和形状，而机器学习可以分析叶脉形态，从而提供更准确，更快速的结果，其中包含有关叶特性的更多信息。

现场条件管理

土壤管理

对于从事农业的专家而言，土壤是一种异质自然资源，具有复杂的过程和模糊的机制。仅其温度就能洞悉气候变化对地区产量的影响。机器学习算法研究蒸发过程，土壤湿度和温度，以了解生态系统的动态和对农业的影响。

水管理

农业用水管理影响水文，气候和农学平衡。到目前为止，最发达的基于ML的应用与每日，每周或每月的蒸散量估算相关，从而可以更有效地利用灌溉系统并预测每日露点温度，从而有助于识别预期的天气现象并估算蒸散量和蒸发量。

作物管理

产量预测

产量预测是精确农业中最重要和最受欢迎的主题之一，因为它定义了产量映射和估算，作物供需匹配以及作物管理。最先进的方法已经远远超出了基于历史数据的简单预测，而是结合了计算机视觉技术来提供实时数据，并对作物，天气和经济状况进行全面的多维分析，从而最大程度地提高产量。农民和人口。

作物品质

作物质量特征的准确检测和分类可以提高产品价格，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互连来揭示新质量，这些新质量在农作物的总体质量中发挥着作用并进行检测。

疾病检测

在露天和温室条件下，在病虫害控制中最广泛使用的做法是在农作物区域均匀喷洒农药。为了有效，这种方法需要大量的农药，这导致高昂的财务和巨大的环境成本。ML用作一般精密农业管理的一部分，在该管理中，农药的输入针对时间，地点和受影响的植物。

杂草检测

除疾病外，杂草是对作物生产的最重要威胁。杂草扑灭的最大问题是很难发现它们并与农作物区分开。计算机视觉和ML算法可以低成本，无环境问题和副作用的情况下提高对杂草的检测和识别。未来，这些技术将驱动将摧毁杂草的机器人，从而最大限度地减少对除草剂的需求。

家畜管理

畜牧生产

与作物管理类似，机器学习可提供准确的农业参数预测和估计，以优化牲畜生产系统（例如牛和蛋的生产）的经济效率。例如，体重预测系统可以在屠宰日之前150天估计未来的体重，从而使农民可以分别修改饮食和条件。

动物福利

在当今的环境中，越来越多的牲畜不仅被当作食物容器，而且还被当成对农场生活感到不快和精疲力尽的动物。动物行为分类器可以将咀嚼信号与饮食变化的需求联系起来，并通过其运动方式（包括站立，移动，喂养和饮水）来区分动物所承受的压力并预测其对疾病，体重的敏感性获得和生产。

农夫的小帮手

这是一个可以称为奖励的应用程序：想象一个农民在深夜里坐着，试图弄清楚下一步的农作物管理方法。他现在是否可以向本地生产商出售更多产品或前往区域博览会？他需要有人讨论各种选择，以做出最终决定。为了帮助他，公司现在正在开发专门的聊天机器人，该机器人可以与农民交谈并为他们提供有价值的事实和分析。期望农民的聊天机器人比面向消费者的Alexa和类似的助手更加聪明，因为它们不仅能够给出数字，而且可以分析它们并就困难问题咨询农民。

背后的模型

尽管对未来的了解总是很有趣，但是最重要的部分是为未来铺平道路的技术。例如，农业机器学习不是神秘的技巧或魔术，而是一组定义明确的模型，这些模型收集特定数据并应用特定算法以达到预期效果。

到目前为止，整个农业中机器学习的分布是不平等的。通常，机器学习技术用于农作物管理过程中，继之以耕种条件管理和牲畜管理。

该文献显示，在农业中最畅销的车型是人工和深层神经网络（人工神经网络和DL）和支持向量机（SVM）。

人工神经网络受人脑功能的启发，代表了生物神经网络结构的简化模型，可模拟复杂的功能，例如模式生成，认知，学习和决策。此类模型通常用于回归和分类任务，证明其在作物管理和杂草，疾病或特定特征检测中的有用性。ANN在深度学习中的最新发展已扩大了ANN在包括农业在内的所有领域中的应用范围。

SVM是二进制分类器，可构造一个线性分离的超平面以对数据实例进行分类。SVM用于分类，回归和聚类。在农业中，它们被用来预测农作物的产量和质量以及牲畜的产量。

更复杂的任务（例如动物福利测量）需要不同的方法，例如集成学习中的多个分类系统或贝叶斯模型（贝叶斯模型），其中概率分析模型是在贝叶斯推断的上下文中进行的。

尽管仍处于起步阶段，但由机器学习驱动的农场已经在发展为人工智能系统。目前，机器学习解决方案可以解决各个问题，但是随着将自动数据记录，数据分析，机器学习和决策制定进一步集成到一个相互关联的系统中，农业实践将转变为所谓的基于知识的农业，能够提高生产水平和产品质量。