撰文╱黃俊翔 財團法人農業科技研究院農業政策研究中心助理研究員
人工智慧（artificial intelligence, AI）熱潮席捲全球，在農業領域中也已廣泛應用。自2010年代興起的深度學習（deep learning）至今發展出成熟的AI技術應用，可協助進行農地產量預測推估、農地作物類別判釋、農作物分布概況等多個面向，並提升農業專家的作業流程效率，為農業帶來突破性發展。在國外多個運用案例之中，可以了解農業專家如何透過深度學習技術的運用來解決問題，並協助提升農業相關生產效益。
近年來全球因巨量資料（big data）興起、產業製程技術升級，以及AI演算法改良等因素影響下，人工智慧已對各個行業領域產生舉足輕重的影響，像是AI自動駕駛、物聯網管理、車牌影像辨識、醫療輔助分析、工業AI檢測等實務應用。在農業領域像是智慧環控栽培、精準農業、病蟲害檢測等面向，也都已採用AI相關技術；尤其影像辨識技術，在農地影像判釋方面扮演著舉足輕重的角色，本文後面也提及深度學習技術與農地影像相關的應用案例，也說明了人工智慧技術在農業領域的發展已臻成熟。
AI發展歷史三階段 深度學習、影像辨識開啟當前浪潮
回顧AI發展歷史，共歷經三個重要階段。第一階段起源於1950年代，由美國達特茅斯學院（Dartmouth College）約翰．麥卡錫（John McCarthy）等人發起AI相關研究議題的會議，AI自此獨立劃分為專門的研究領域。
在1950至1970年代期間，研究方向主要希望將人類邏輯、知識及思考方式等能力輸入至電腦（計算機）中，陸續有專家學者提出演算法、專家邏輯、自然語言處理（Natural Language Processing）等各類研究，但受限於當時硬體效能不足，以及當時AI技術難以處理複雜邏輯思考的問題，加上經費預算限制及其他因素影響下，人工智慧技術發展面臨第一次停滯期。
第二階段1980年代，電腦逐漸普及的情況下，專家們蒐集資訊建立專業知識資料庫，並以此設計推論系統來協助使用者處理專業領域問題，也是所謂的專家系統（expert systems）。但專家系統並不適合處理非屬專業領域的相關議題，系統應用也面臨技術瓶頸、硬體限制、維護成本、程式碼無法設計之規則，以及商業投資收益考量等問題，AI技術的發展到了1990年代逐漸趨緩。
第三階段自2010年代興起，受惠於電腦硬體運算效能提升，加上過去專家學者長期研究人工智慧所累積的技術及經驗，逐漸興起以機器學習（machine learning）最具代表性的相關技術，其概念主要由使用者準備數據資料，讓電腦自行規則整理及學習訓練。
2006年傑佛瑞．辛頓（Geoffrey Hinton）及其團隊，透過改良模型結構及數據學習方式來訓練多層神經網絡（multi-layer neural networks），後來命名為深度學習；他和團隊共同發表的AlexNet架構參加2012年的影像辨識比賽ILSVR（ImageNet Large Scale Visual Recognition Competition），藉由深度學習技術搭配圖形處理器（GPU）運算完成15.3%的Top-5測試錯誤率，以低於對手10%的差距取得當屆冠軍，此後專家及產業界人士，開始以基於深度學習的AI技術處理相關產業問題，並應用於生活案例之中，開啟了第三階段人工智慧發展的熱潮，直至現今仍持續發展中。
圖表重製╱林佳瑩
深度學習加快模型訓練效率 AI技術落地應用更快速
深度學習屬於AI「機器學習」（machine learning）的一個分支，傳統機器學習是基於計算機系統蒐集大量數據資料，透過演算法如決策樹（decision tree）、支援向量機（support vector machine, SVM）等，配合已標註資料及專家設計特徵等方式進行參數最佳化、模型訓練及預測分析。特徵相當於原始資料中可觀測的屬性或特性，特徵工程則是針對原始資料集進行處理及轉換的一種過程，以此提升模型的準確率，但針對大量資料進行特徵工程作業並非易事，專家需具備相關專業知識、統計分析、技術經驗等能力，另外也需要非常了解原始資料特性才能進行後續特徵工程，非結構化數據資料如影音及文字等，在特徵工程處理上也有一定難度。深度學習和傳統機器學習不同的地方在於，深度學習可以依相關數據資料自動進行重要特徵的萃取，省略掉專家在特徵工程的作業時間並提升效率。
深度學習的模型架構主要由輸入層（input layer）、隱藏層（hidden layers）及輸出層（output layer）等三個部分構成。輸入層主要是將彙整蒐集的數據資料放入相對應特徵值所組成的神經元網路架構；隱藏層則由單層或多層神經元網路架構組成，其特徵接收自前一層神經元網路的輸出後，進行加權計算及非線性轉換，並傳遞至下層神經元網路，另外隱藏層之層數會決定深度學習模型的訓練深度；輸出層則接收來自隱藏層運算數據特徵資料得到的計算成果，並透過優化器進行參數微調以取得適當的模型權重。
圖表重製╱林佳瑩
圖表重製╱林佳瑩
國外深度學習技術應用案例 掌握農作物狀況及作業流程整合
在農業領域上，影像判釋作業多以航照、衛星影像或無人機等方式獲取拍攝範圍內相關影像資訊，再透過電腦顯示目標影像，進行辨識及後續分析作業。影像判釋的應用層面非常廣泛，像是土地利用、農作物類別判釋、農作物生長監控、產量推估、病蟲害影響及農業災損評估等都包含在內。
隨著硬體效能提升及深度學習技術的導入，影像判釋技術在農業領域上有顯著的發展，在國外有數個影像判釋結合深度學習技術的相關應用案例。
美國：棉花田產量預測評估案例
美國農業部下屬的研究單位農業研究局（Agricultural Research Service, ARS），在2017至2019年期間與密蘇里大學（University of Missouri）合作進行田間研究，使用無人機影像，配合土壤、天氣、土壤導電率等數據資料，以深度學習技術訓練模型，用來預測第三年農地棉花田的產量變化。
其中無人機影像提供了農地空間資訊與時間變化，而氣候季節性、土壤表面導電率等訊息也整合至模型訓練使用，其研究成果顯示，使用兩年訓練資料所開發的模型在預測棉花田產量有不錯的準確率，產量誤差在8.9～13.7%範圍之間，有助於農民對後續農地產量管理和行銷決策之判斷。
希臘：農業土地覆蓋影像類別分類應用
歐盟於1962年推出「共同農業政策」（Common Agricultural Policy, CAP），基於負責管理農業生產力、技術應用、農民收入補貼、環境保護及農村推廣發展等框架背景下，落實相關農業的政策及措施。
在各成員國配合實施共同農業政策下，主管機關會定期透過土地坵塊識別系統（Land Parcel Identification System, LPIS）進行農地追蹤檢查、農民申報驗證及相關行政作業，而2018年為因應歐盟新制法規，需將傳統取樣方式改為全面監測農民申報作業，要如何有效管理農地坵塊相關資訊就顯得相當重要，其中一項計畫案例是在希臘研究區域內，使用哨兵2號（Sentinel-2）衛星任務所拍攝的多光譜影像，進行農業土地覆蓋類別預測，並分別訓練時間卷積神經網路（Temporal Convolutional Neural Network, TCNN）和遞迴卷積神經網路（Recurrent-Convolutional Neural Network, R-CNN）兩種深度學習模型，並與傳統機器學習模型隨機森林（Random Forest, RF）進行比較，研究結果顯示這兩種深度學習模型的整體準確率在約90%以上，但傳統機器學習模型整體準確率僅86%左右，顯示深度學習模型在農地覆蓋類別分類上能取得較佳的預測成果，有助於協助農民進行驗證申報、農地覆蓋空間位置掌握及後續作業。
美國：草莓植株分布偵測研究案例
另一項研究是美國佛羅里達大學食品與農業科學研究所（The Institute of Food and Agricultural Sciences, IFAS）運用深度學習技術整合農地影像進行精準農業（precision agriculture）判釋的案例，研究方法主要是在草莓苗床旁設置拖拉機平台，並在上方高度約4公尺設置兩部專用相機，透過拖拉機平台牽引進行高解析度影像拍攝，透過軟體產製出正射影像（orthoimages）和數值地表模型（digital surface model, DSM），將已圈繪標註草莓冠層範圍向量資料與已處理成紅光-紅外光-DSM（red, infrared, DSM）三波段結合後的影像，進行訓練資料輸出及訓練Mask RCNN模型，此模型進行影像預測後能準確辨識草莓植株的精確分布位置及冠層輪廓邊界，也同時證明技術運用之可行性；其模型學習後成功辨識的案例，也可進一步協助導入精準農業所需的相關實作經驗。
https://github.com/d2l-ai/d2l-en CC BY-SA 4.0
圖表重製╱林佳瑩
輔助農作物影像辨識 可導入至生產管理、災損相關作業
深度學習技術的發展演變，近幾年來已經廣泛應用於各個產業領域上，尤其是影像辨識技術已漸趨成熟，不再像過去一樣受限於硬體設備或停滯在理論階段。近期農業部也與農業相關單位合作，在「113年度當期航照影像輔助作物調查計畫」中，以AI深度學習技術建置農作物航照影像判釋模組，並結合地理資訊系統、現地調查等方式進行農作物影像辨識等相關作業，以協助農業相關單位人員輔助進行農作物農地調查填報，以及相關申報作業。未來也可運用相關技術了解農地作物分布、產量變化、農業災損調查或管理作業等。
未來，AI技術快速發展及資料蒐集處理，也可能面臨隱私、資訊安全等問題，或當初未預想的意外狀況，要如何持續運用AI技術及後續管理、維護，以因應可能面臨的挑戰，是政府及相關單位人員必須提前思考準備的重要課題。
（參考文獻請逕洽作者）
