突破传统作物模型短板——马铃薯AI作物生长模型实现落地
2021-08-23 11:35 马铃薯AI

农业智能化在今天看来是个热词,近几年的人工智能热潮,迅雷不及掩耳渗透应用到各个领域,使得“智能”二字变得家喻户晓。国家对农业领域的大力扶持,农业人工智能科技慢慢进入了大众视野,作为人工智能不可或缺的组成部分,模型的概念也渐渐被人们所熟知,并被各类科技公司视为敲开“智能大门”的金钥匙!

在整个农业范围内,虽然马铃薯领域传统作物模型的研究与应用已经积攒了数十年的经验,但仍受到了试验标准不统一、区域适配难、验证的影响要素有限等问题影响,导致传统作物模型的应用落地十分困难。要想实现马铃薯产业智能化落地,人工智能模型技术成为最可行的路径。

一、作物模型的过往

在农业种植领域应用的模型被称为“作物模型”,也叫作物生长模拟模型,通过模拟作物生长过程,最终得到作物的生物量累积量、作物单产以及农田生态系统的水、碳、氮及能量的循环流动量。

农业智能化近几年才受到广泛关注,但对于作物生长模拟模型的应用研究早在20世纪60年代就已经开始了。当时荷兰、美国、澳大利亚等国的科学家开始着手开发能够解释植物生理过程、解释植物与环境相互作用的新模型,这种模型经过50多年的发展,在作物估产、作物育种、田间管理等方面已有较广泛的应用。以作物生长模型为核心的农业决策支持系统的研究与应用越来越多元化,并逐渐成为辅助农业生产管理和决策的重要工具。

二、马铃薯作物生长模型的迁移

作物生长模型已经经历了半个多世纪的发展,但早期的实践应用主要集中在小麦、玉米、水稻这三大主粮作物上,在第四主粮马铃薯领域的研究和应用经验沉淀相对较少。虽然同为大田作物,但马铃薯与小麦、水稻等禾本科作物在光合作用、呼吸作用、蒸腾作用以及其它生理生化特性方面具有不同的特点,所以马铃薯相关模型的建立与禾本科作物具有差别。

近些年来,随着产业链发展和贸易规模的扩大,马铃薯产业受到了越来越多的关注,作物生长模型在马铃薯领域的研究与应用呈增长趋势。自20世纪80年代以来,在国内外科研工作者的推动下,马铃薯作物生长模型的发展取得了长足的进步。

Sibma最先利用总二氧化碳同化率和日呼吸量来计算马铃薯的总干物产量。Ng和Loomis于1984年开发了具有详细的形态学与生理学内容的“POTATO”模拟模型。为了描述作物水分管理的变化对马铃薯呼吸作用和产量的影响,Feddes等合作开发了一个模拟马铃薯综合生长的“SWACRO”模型,由土壤水分平衡模型(SWATER)和作物生长模型两个亚系统组成。在国内,张永成、杜守宇、高聚林等利用系统工程学的原理和方法,建立了马铃薯密度、施磷量(P2O5)、施钾量(K2O)、施氮肥(N)及追施氮量与产量关系的数学模型,等等。

三、传统马铃薯作物模型

目前世界范围内流行的作物模型有APSIM、DSSAT和RZWQM等,下图展示了核心作物模型及其主要谱系关系,各模型内部包含为数众多的子模型。

其中应用比较广泛的马铃薯模型主要有DSSAT-SUBSTOR模型、APSIM-POTATO模型、NPOTATO模型、SOLANUM模型、HPOTATC模型。

SUBSTOR – POTATO是国际上常用的模型,与CERES模型一同包含在DSSAT系统中。该系统由美国农业部组织开发研制,以天为步长模拟作物生长,按照作物生育期详细描述作物生长发育过程;

APSIM-POTATO模型的核心模块主要包括作物模块、土壤水模块、土壤氮模块、土壤有机质模块和管理模块。该模型将马铃薯的生育期分为6个阶段,分别为播种到萌芽、萌芽到出苗、出苗到现蕾、现蕾到开花、开花到成熟。基于太阳辐射、温度、光周期、土壤水和氮肥,以日为步长,模拟马铃薯产量对不同基因型、气候和管理条件的反应,评价轮作序列中土壤肥力指标和马铃薯产量。

NPOTATO模型通过冠层光截获以及转化效率来计算干物质产量,以天为步长,模拟气候变化条件下的马铃薯生长,模块包括植株生长、同化物分配、叶面积增长、土壤水分平衡、土壤氮元素变化、胁迫环境下的同化物分配等。

SOLANUM模型于2012年由国际马铃薯研究中心研发,通过控制水、氮、霜冻数据变量,来模拟马铃薯产量、生物量、块茎鲜重,以及冠层覆盖度等情况。

HPOTATC模型于2003年,由我国研究专家黄冲平教授,最早在国内完成的模拟马铃薯生长发育的动态模型,集成了生育期模型、株高、叶龄等植株个体性状模型、群体叶面积动态与光合生产模型、干物质积累与产量形成等模型于一体。研究周期从块茎形成到块茎成熟为止。

其它类型模型,还有很多,如cropsyst、simpotato等,篇幅有限,不一一呈现了。

四、传统马铃薯作物模型的弊端

无法及时发挥指导作用是导致传统作物模型实际应用推进缓慢的罪魁祸首。

影响传统作物模型发挥作用的原因有很多:试验数据不完整或者标准不一致;模型的参数值来源地存在差异;应用地区逐日环境数据获取难度大;机理模拟过程复杂,缺少算法说明,难以适应性调优;模型主要针对部分要素,例如光照与温度对干物质形成的影响,氮素循环及对作物的影响;模拟生长的正向过程过于复杂,求逆即推荐水肥管理措施变得困难,等等。这些短板都严重限制了传统作物模型的普适性,因此在影响因素复杂的现实生产场景下,难以实现广泛应用。

另外,传统作物模型为了方法的严谨性,先研究各个子系统再进行整合,追求数学可证明的因果关系。但生命体各影响要素之间的复杂互作,验证周期的天然障碍,必然导致机理模型过度复杂且成熟周期漫长。在现实应用中,为了保证模型落地时的可操作性,难免会简化原有模型的复杂程度,对模拟结果造成影响,从而失去科学模型对种植生产的指导意义。

五、AI作物模型——作物模型落地问题的高纬解题方式

简耘科技基于自有的领先行业的马铃薯田块级全维度数据,仍不能覆盖主流模型的全部参数,加以经验值进行调优后,仍不能得出可验证的模型。是否有其他方式模拟作物生长?

哥德尔不完备定理已经指出基于数学的现代科学的内在矛盾,人工智能的进展也揭示出人类认知的局限性。简耘科技独立研发的AI作物模型,在探索新型作物模型的同时,也在反哺和促进传统作物模型的研究。

简耘科技在服务过程中,采集作物长势照片近百万张。通过卷积神经网络技术,加快智能诊断技术的成熟。从长期应用角度出发,实现更为精准的智能化判断,规避个人经验主义带来的误判风险,同时提高诊断效率和农技需求的响应速度。

简耘科技在累计110万亩的马铃薯服务面积上,利用4亿条来自不同品种、不同环境、不同气候、不同农事干预行为,以及其它数十个纬度的田块级数据,建立起基于组表达长短时记忆网络作物模型,以7天为步长,模拟马铃薯的生长发育与产量形成过程,并通过因果优化传输生成对抗网络提供灌溉与营养管理措施,真正做到因地制宜、因种制宜、千人千面的马铃薯种植解决方案。

在大范围农业数据获取方面,多光谱技术的应用已基本成熟。但从数据颗粒度和功能方面,仍较为宏观,对现实生产的指导作用十分微弱。究其原因,当下多光谱技术采集的图像数据只能反应作物的表型状态,缺少对植株真实营养状态数据的对照分析。

另外,由于已验证的波段和营养关系有限,影响作物健康状况的条件又十分复杂,因此,需要微观的作物营养数据、作物地上地下部的体征数据和光谱数据进行对比分析,才能切实将多光谱技术应用到生产过程中来。

简耘已完成多光谱技术、作物营养状况,以及人工智能系统的多维度数据对接,依托AI模型的智能算法,自动生成基地作物长势数据,并第一时间将操作建议同步到「耕简单」马铃薯生长健康监护系统小程序中,辅助指导生产种植过程。

目前,简耘AI模型在马铃薯一作区的应用得到了初步验证,数字化农技服务覆盖种植面积110万亩,累计服务大规模种植户650户,环境及作物营养数据超4亿条,科学指导种植户26700余次,发布各类灾害预警覆盖面积超4万亩,产量品质与水肥利用率同时得到提升,涉及商品价值超过9000万元。

以AI模型为核心,简耘科技打造马铃薯产业的数字航母。未来,更多科技手段可以直接在简耘AI模型基础上实现技术与数据的对接,强化科技成果的转化能力,让技术宏利切实惠及到整个马铃薯产业。