[论文解读] Data-Centric Digital Agriculture: A Perspective

Ribana Roscher, Lukas Roth+2 more|arXiv (Cornell University)|Dec 6, 2023

Smart Agriculture and AI被引用 4

一句话总结

本文倡导在数字农业中采用以数据为中心的方法，将关注点从模型优化转向提升数据质量、数据整理与数据利用。通过整合实验性与非实验性数据源，结合先进的传感技术与机器学习方法，实现更精确、更具泛化能力且可持续的作物管理解决方案，例如产量预测与病害检测。

ABSTRACT

In response to the increasing global demand for food, feed, fiber, and fuel, digital agriculture is rapidly evolving to meet these demands while reducing environmental impact. This evolution involves incorporating data science, machine learning, sensor technologies, robotics, and new management strategies to establish a more sustainable agricultural framework. So far, machine learning research in digital agriculture has predominantly focused on model-centric approaches, focusing on model design and evaluation. These efforts aim to optimize model accuracy and efficiency, often treating data as a static benchmark. Despite the availability of agricultural data and methodological advancements, a saturation point has been reached, with many established machine learning methods achieving comparable levels of accuracy and facing similar limitations. To fully realize the potential of digital agriculture, it is crucial to have a comprehensive understanding of the role of data in the field and to adopt data-centric machine learning. This involves developing strategies to acquire and curate valuable data and implementing effective learning and evaluation strategies that utilize the intrinsic value of data. This approach has the potential to create accurate, generalizable, and adaptable machine learning methods that effectively and sustainably address agricultural tasks such as yield prediction, weed detection, and early disease identification

研究动机与目标

• 通过将关注点重新转向数据质量与整理，解决以模型为中心的机器学习在数字农业中的局限性。
• 突出实验性与非实验性农业数据在训练稳健、泛化能力强的模型方面尚未被充分利用的潜力。
• 提出向以数据为中心的数字农业范式转变，以克服模型性能饱和问题并提升可持续性。
• 整合数据科学、遥感、机器人技术与传感器技术，构建适应性强、可扩展且可操作的农业解决方案。
• 弥合受控实验数据与真实世界观测数据之间的差距，以增强模型的泛化能力与实际适用性。

提出的方法

• 区分实验性数据（受控、以假设为驱动）与非实验性数据（真实世界、观测性），强调其在模型训练中的不同作用。
• 利用多源数据，包括卫星影像（Landsat、Planet）、基于无人机的遥感（亚米级分辨率）以及地面机器人，实现高分辨率、面向特定地点的数据采集。
• 应用数据驱动的机器学习方法，从非实验性数据中提取模式，尤其适用于在复杂农业系统中检测相关性与趋势。
• 实施数据整理策略，聚焦于提升数据质量、一致性和代表性，以增强模型性能与泛化能力。
• 整合农场管理信息系统与变量率施用（VRA）技术，使数据分辨率与操作尺度（如拖拉机车道、田块区域）相匹配。
• 利用在实验数据上校准的机理模型，并与基于非实验性数据训练的数据驱动模型相结合，构建混合、稳健的决策支持系统。

Figure 1: In this Venn diagram, we visually represent the evolution of different agricultural paradigms over time as technology usage and available data increase. In the past, traditional agriculture was dominant, but currently, the focus has shifted to digital agriculture. In the future, we expect

实验结果

研究问题

• RQ1 以数据为中心的方法如何克服以模型为中心的机器学习在数字农业中出现的性能饱和问题？
• RQ2 在训练具有泛化能力的农业任务机器学习模型时，实验性数据与非实验性数据的相对价值是什么？
• RQ3 如何系统性地提升数据质量、整理与利用，以增强作物生产中模型的准确性与可持续性？
• RQ4 新兴传感技术（如无人机、高分辨率卫星）在推动以数据为中心的数字农业中发挥什么作用？
• RQ5 以数据为中心的框架如何整合多样化数据源，以支持实时、面向特定地点的农业决策？

主要发现

• 以模型为中心的数字农业方法已达到性能饱和点，大多数成熟的机器学习方法在准确率上表现相近，且面临相似的局限性。
• 非实验性数据——如联合收割机生成的产量图与无人机及卫星获取的地理空间数据——为训练稳健、泛化能力强的模型提供了关键的真实世界变异性。
• 源自受控试验（具有重复与随机化设计）的实验性数据对于验证因果关系与校准机理模型至关重要。
• 结合第二代卫星（如Planet、SkySat）与无人机（亚厘米级分辨率）的高分辨率数据，可实现以拖拉机车道与小块田地为尺度的精准、面向特定地点的管理。
• 以数据为中心的数字农业可为早期病害检测、杂草识别与产量预测等关键任务提供更精确、更具适应性的解决方案。
• 实验性与非实验性数据的协同使用，结合先进的传感与数据整理实践，可显著提升模型在真实农业应用中的可靠性与可持续性。

Figure 2: Unmanned aerial vehicles (UAVs), robots, and smart agricultural machines integrate monitoring, phenotyping, spot-spraying, and chemical-free weeding. Image courtesy: PhenoInspect GmbH, EarthSense, Flourish Project, Naio, Verdant, Carbon Robotics.