最新消息

:::

智慧農業技術及其應用文獻回顧（下）

  • 發佈日期：
  • 資料來源：農業部農業科技專案計畫服務網

農業科專服務小組 柯旻君 專案經理

上篇文章已回顧智慧農業之發展、願景、技術及其應用，本文將繼續探討智慧農業技術發展近況，並依據數據、網路、儲存、分析及決策等五個技術分類於栽培管理、作物預測及供應鏈等3個作物管理情境探討智慧農業技術於農糧產業之技術發展觀點。

智慧農業技術之應用

鑒於AI技術蓬勃發展，以下延續先前五種智慧農業技術層面（數據、網路、儲存、分析及決策），並分別列舉相關技術（如農用無人機具、農業聯網、雲端/霧端/邊緣運算、可解釋人工智慧及決策支援系統），再將其應用於不同作物管理之情境（栽培管理、作物預測及供應鏈）[Bhatia and Albarrak, 2023；Nitin and Gupta, 2023；Peladarinos et al., 2023；Razak et al., 2024]（表1）。

表1.智慧農業技術及其應用

表1智慧農業技術及其應用

  • 數據層面

近年來，具備驅動器（Actuator）、感測器（Sensor）、遙感探測器（Remote Sensing）及自動導航（Autopilot）之機器人，包含無人飛行載具（Unmanned Aerial Vehicle, UAV）與無人地面載具（Unmanned Ground Vehicle, UGV）已應用於田間，例如：標靶噴灑、腹地測繪、作物收成及害蟲防治，這些機器人不僅提高栽培效率並減少人力需求。以下舉出五種主要農業機器人之應用情境[Lytridis et al., 2021；Maddikunta et al., 2021]（表2）

表2. 農業機器人之應用
表2_ 農業機器人之應用表2農業機器人之應用

  • 網路層面

農業聯網（Internet of Agriculture, IoAT）係透過相關裝置進行網絡聯繫、高速數據處理、計算及提供解決方案，其框架組成包含：感知層（Sensing）、中間層（Middle）、應用層（Application）及商業層（Business）。透過農業物聯網之智慧感知設備、萬物聯網技術及人工智慧，提出精準決策；另不同聯網方式（如邊緣運算）則能克服偏遠地區網路缺乏困境，對於縮短城鄉差距與促進農業發展做出貢獻[Javaid, 2023]（圖1）。

圖1. 農業聯網設計框架及應用（本研究翻譯重繪）
圖1. 農業聯網設計框架及應用（本研究翻譯重繪）

  • 儲存層面

農業中，雲端/霧端/邊緣運算（Cloud, Fog and Edge Computing）各自依其特性將感測層數據交由邊緣運算層進行初步提取及簡易計算，較為繁重運算則由霧端節點處理，而雲端運算接續執行高度複雜運算，由下而上分工達到超低延遲及高速運算之效。雲端/霧端/邊緣運算提供資料儲存及安全運算平臺等智能解決方案、制定作物栽培最佳參數（例如：溫度、降雨量及作物品種）並應用於農務管理（作物管理、溫室管理、灌溉管理、土壤管理及天氣管理）等領域，對於各式監測（空氣、土壤、水體、植物及動物）、控制（灌溉、施肥、農藥及光照）、物流（生產、商業及運輸）及預測（環境條件、產量估算及作物生長）提供低延遲、即時性、高頻寬等優勢[Ashraf, 2022；Cravero and Sepulveda, 2021；Cravero et al., 2022；Debauche et al., 2022；Mi et al., 2021]（圖2、表3）。

圖2. 雲端/霧端/邊緣運算結構階層圖
圖2. 雲端/霧端/邊緣運算結構階層圖（Ashraf et al., 2022，本研究翻譯重繪）

表3. 雲端/霧端/邊緣運算於農業領域之應用
表3. 雲端/霧端/邊緣運算於農業領域之應用

  • 分析層面

隨著資料擷取、物聯網、無線感測器網路及雲端運算技術之發展，農業資料量急劇增加，故透過AI相關技術處理數據已成為研發智慧農業之重要趨勢。此外，這些演算法可分析與識別隱藏於數據中之關鍵趨勢、關係及複雜模式，能輔助管理者決策，進而提高作物產量並降低投入成本[Devi et al., 2022；Dhanya et al., 2022]。其中，可解釋人工智慧（Explainable Artificial Intelligence, XAI）能幫助解釋AI模型模擬之結果，從而瞭解模型功能及行為，減少偏見及錯誤，並提高決策正確率（Love et al., 2023）。XAI過去十年已應用於多個自然科學領域（例如：生物多樣性、地球科學及水文學/氣候科學），而自109年以來已有多項研究於農業領域導入此技術，例如：栽培管理（衛星對作物類型/性狀分類、土壤質地分類、葉片病徵分類、水通量/水質評估、生物甲烷產量及農業用地辨識）、作物預測（作物產量估算）及供應鏈（智慧農業物聯網系統）[Bhatia and Albarrak, 2023；Razak et al., 2024；Ryo, 2022]（表4）。


表4. 可解釋人工智慧於農業之應用

表4. 可解釋人工智慧於農業之應用

  • 決策層面

農業決策支援系統（Agriculture Decision Support Systems, ADSS）可為農民提供充分之決策建議。其具有農場規劃演算法，可根據模式（定義最佳農業計畫）、技術路徑（定義操作順序）、資源（定義所需資源，例如用於評估操作成本之勞動力與機械）、優先順序（定義操作之優先順序）及時間軸（定義從開始到完成操作之時間），計算所有模式成本，並將其與最佳模式進行比較[Conesa-Munoz et al., 2016；Recio et al., 2003]。ADSS係模擬模型、土壤、天氣/作物資料庫、統計及其他相關資訊技術之整合，係即時與友善使用者之系統，當其應用於協助及管理作物種植時，可向農民即時提出適當之操作與建議。而當決策支援系統融合天氣、土壤性質、水位及病蟲害發生率等參數後，亦可增強其促進作物栽培管理之功能與深度。該決策支援系統現已於農業廣泛應用，包含營養管理、灌溉管理、病蟲害管理、作物模擬、行銷策略、任務規劃、氣候變遷調適及糧食浪費管控等[Sridevy and Djanaguiraman, 2023；Zhai et al., 2020]（表5）。
 

表5. 決策支援系統於智慧農業技術之應用

表5. 決策支援系統於智慧農業技術之應用

全球積極將智慧農業技術應用於提升糧食安全、降低栽培成本、解決勞動力短缺及應對氣候變遷挑戰，從而提高農業生產力及增加農民收益。然而，應用智慧農業技術過程中，首先需針對數據、網絡、儲存、分析及決策等技術屬性進行全面性考量，評估不同技術屬性於各階段發展策略與農業應用情境（如栽培管理、產程預測及供應鏈管理）所呈現之功能與價值各有所長。因此，如何針對農業產銷環節，妥適構建最佳化智慧農業技術並精準導入，將成為未來提升產業發展重要課題。透過這些應對策略施，智慧農業技術不僅提升生產效率、促進農業永續發展亦為相關產業帶來獲利新契機。


參考文獻：

  1. Bhatia, S., and Albarrak, A. S. (2023). A blockchain-driven food supply chain management using QR code and XAI-Faster RCNN architecture. Sustainability, 15, 2579.
  2. Conesa-Munoz, J., Valente, J., Cerro, J. D., Barrientos, A. and Ribeiro, A. (2016). A multi-robot sense-act approach to lead to a proper acting in environmental incidents, Sensors, 16(8). 
  3. Cravero, A., Pardo, S., Sepúlveda, S. and Muñoz, L. (2022). Challenges to use machine learning in agricultural big data: A systematic literature review. Agronomy, 12(3). 
  4. Cravero, S. and Sepulveda, A. (2021). Use and adaptations of machine learning in big data- applications in real cases in agriculture. Electronics, 10(5). 
  5. Debauche, O., Mahmoudi, S., Manneback, P. and Lebeau, F. (2022). Cloud and distributed architectures for data management in agriculture 4.0: Review and future trends, Journal of King Saud University - Computer and Information Sciences, 34(9), 7494-7514.
  6. Devi, M. A., Suresh, D., Jeyakumar, D., Swamydoss, D. and Florence, M. L. (2022). Agriculture crop selection and yield prediction using machine learning algorithms. Second International Conference on Artificial Intelligence and Smart Energy (ICAIS), Coimbatore, India, February 23-25, 2022, pp. 510-517.
  7. Dhanya, V. G., Subeesh, A., Kushwaha, N. L., Vishwakarma, D. K., Kumar, T. N., Ritika, G., Singh and Dinesh, K. (2022). Deep learning-based computer vision approaches for smart agricultural applications, Artificial Intelligence in Agriculture, 6, 211-229. 
  8. Javaid, N. (2023) Integration of context awareness in Internet of Agricultural Things. ICT Express, 9, 189-196. https://doi.org/10.1016/j.icte.2021.09.004
  9. Engineering Informatics, 57, 102024. 
  10. Love, P. E. D., Fang, W., Matthews, J., Porter, S., Luo, H., and Ding, L. (2023). Explainable artificial intelligence (XAI): Precepts, models, and opportunities for research in construction. Advanced Engineering Informatics, 57, 102024. 
  11. Lytridis, C., Kaburlasos, V. G., Pachidis, T., Manios, M., Vrochidou, E., Kalampokas, T., and Chatzistamatis, S. (2021). An overview of cooperative robotics in agriculture. Agronomy, 11, 1818. 
  12. Maddikunta P. K., Hakak, S., Alazab, M., Bhattacharya, S., Gadekallu, T. R., Khan, W. and Pham, Q. (2021). Unmanned aerial vehicles in smart agriculture: Applications, requirements, and challenges. IEEE Sensors Journal, 21(16), 17608-17619.
  13. Mi, C., Peng, X., Peng, L., Zhao, C. and Deng, X. (2021). Research on crop disaster stress risk mapping system based on agriculture big data. 2021 International Conference on Electronic Information Technology and Smart Agriculture (ICEITSA), Huaihua, China, December 10-12, 2021, pp. 525-530.
  14. Nitin, and Gupta, S. B. (2023). Artificial intelligence in smart agriculture: Applications and challenges. Current Applied Science and Technology, 24, 2. 
  15. Peladarinos, N., Piromalis, D., Cheimaras, V., Tserepas, E., Munteanu, R. A., Papageorgas, P. (2023). Enhancing smart agriculture by implementing digital twins: A comprehensive review. Sensors, 23, 7128. 
  16. Razak, S. F. A., Yogarayan, S., Sayeed, M. S., and Derafi M. I. F. M. (2024) Agriculture 5.0 and explainable AI for smart agriculture: A scoping review. Emerging Science Journal. 8, 2. 
  17. Recio, B., Rubio, F. and Criado, J. A. (2003). A decision support system for farm planning using AgriSupport II. Decision Support System, 36, 189-203.
  18. Ryo, M. (2022). Explainable artificial intelligence and interpretable machine learning for agricultural data analysis. Artificial Intelligence in Agriculture, 6, 257-265. 
  19. Sridevy, S., and Djanaguiraman, M. (2023). A glance at agricultural decision support systems. The Pharma Innovation Journal, 12(5): 755-757.
  20. Zhai, Z., Martínez, J. F., Beltran, V., and Martínez, N. L. (2020). Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture, 170, 105256.