技術前瞻

    美國伊利諾大學厄巴納－香檳分校研究團隊提出結合人工智慧與遷移學習之產量預測方法，整合衛星觀測、氣候資料與州級統計數據，以解決巴西細尺度農業資料不足問題。研究結果顯示，該方法可在細尺度資料有限情況下推估市級尺度的大豆產量，並透過少量在地資料進一步提升預測能力，有助於農業決策與糧食供需評估。
 

細尺度作物產量資料缺乏情形

    能否準確預測農作物產量對全球糧食安全十分重要，政府可據此制定農業政策，農民亦可依預測結果調整種植策略。然而，在許多國家，細尺度（如市或農場層級）的作物產量資料相對缺乏，使細尺度的作物產量難以預測。

人工智慧方法提升產量預測能力

    美國伊利諾大學厄巴納－香檳分校（University of Illinois Urbana-Champaign）研究團隊提出結合人工智慧與衛星觀測的新方法，能在資料有限的情況下提升農作物產量預測能力。本研究以全球重要的大豆生產國巴西為案例，針對其缺乏細尺度農業資料的現況，建立可進行市級尺度預測的大豆產量模型。

遷移學習如何推估細尺度產量

    研究採用遷移學習（transfer learning），將原本利用美國農業資料訓練完成的模型，轉移應用至巴西，並結合衛星觀測、氣候資料及巴西州級（粗尺度）產量統計進行模型調整。此方法利用不同地區作物生長與對環境反應的共通性，使模型在缺乏細尺度資料的情況下，仍能推估較細尺度的產量分布。

模型預測能力變化之結果

    研究結果顯示，在未使用巴西市級產量資料的情況下，模型仍可進行市級尺度預測，且預測能力優於既有方法；當進一步加入少量在地資料後，預測能力顯著提升，接近需大量細尺度資料訓練之模型水準。透過遷移學習，可有效由粗尺度資料推估細尺度產量，補足資料不足所造成的限制。

細尺度產量預測方法應用範圍

    整體而言，本研究提供一種在資料有限情境下，進行細尺度產量預測的新方法，能將資料豐富地區所建立之模型應用於資料不足地區，不僅有助於農業決策與糧食供需評估，也為全球農業資料不均問題提供解決方向。本研究已發表於《International Journal of Applied Earth Observation and Geoinformation》期刊。


資料來源：農業科技-新脈動
https://agritech-foresight.atri.org.tw/article/contents/6180?Category=trend