编辑推荐：
当前农业耕作存在过度耕作等问题，研究人员开展了 “基于卷积神经网络（CNN）模型和算法的可持续耕作及施肥优化” 研究。结果表明该方法能减少碳排放、肥料使用和径流，对推动可持续农业发展意义重大。
在广袤的农田里，耕作本是为了让土壤更适宜农作物生长，可如今却陷入了困境。过度耕作现象十分普遍，就拿美国的农田来说，每年因过度耕作导致约 23.5 亿吨土壤流失。这不仅让土壤肥力下降，还释放了大量碳，造成养分流失和肥料过度使用，传统的耕作方式正面临着严峻的挑战。与此同时，农业自动化和土壤管理虽有进展，但仍存在不少问题。比如自动化耕作系统只注重生产力，却忽视了环境可持续性；现有的土壤侵蚀评估模型无法与实地实时数据相结合，难以有效指导耕作；耕作实践与土壤养分管理也缺乏协同。在这样的背景下，为了寻求农业可持续发展的新出路，来自美国都柏林高中（Dublin High School）的研究人员展开了一项极具意义的研究，相关成果发表在《npj Sustainable Agriculture》上。
研究人员采用了多种关键技术方法。首先是卷积神经网络（CNN）模型，它通过对土壤图像进行分析，来确定当前的耕作强度。为了训练这个模型，研究人员在模拟的耕作田床上，用 1200 万像素的相机拍摄了 1000 多张不同耕作水平的图像，这些图像经过农民的验证，确保了数据的准确性。其次是结合了土壤传感器数据和外部环境因素的算法，它能综合各种信息，计算出最优的耕作强度和施肥量。最后，研究人员还开发了一个功能完备的拖拉机原型和固定版本的原型，用于实地测试。
下面来看看具体的研究结果：
- 基于机器学习的耕作水平测定：研究人员用训练好的 CNN 模型对新的测试图像进行分类，在实验田的图像测试中，模型的准确率超过 97%，在实际农田采集的 120 张图像测试中，准确率也达到了 91.67%。即使面对一些非标准耕作水平的图像，模型也能以 90% 的准确率判断出其耕作水平，误差在 1 级以内。这充分证明了 CNN 模型在不同条件下都能可靠地分类耕作水平，为精准农业提供了有力的支持。
- 耕作水平和肥料水平算法输出：研究人员对算法进行了多组测试，模拟了不同的耕作水平、土壤 NPK 值，以及大气温度、降雨预测、风速预测等外部环境参数。算法在所有输入组合的测试中都成功通过，能够根据不同的环境和土壤条件，动态地调整耕作水平和肥料需求的建议。这与传统的经验式方法不同，它能实时适应田间的变化，大大提高了资源利用效率。
- 模拟测试输出：研究人员利用农业生产系统模拟器（APSIM），对传统耕作和基于算法的优化耕作进行了 30 年的模拟对比。结果显示，优化耕作能使径流减少 86%，碳排放减少 57%，肥料使用减少 43%。这表明优化后的耕作实践对环境有显著的积极影响，能够有效减少土壤侵蚀和环境污染。
在研究结论和讨论部分，该研究成果意义重大。从环境角度来看，优化后的耕作和施肥方法大大减少了土壤侵蚀、径流、碳排放和肥料使用，有助于保护土壤健康和生态环境，缓解气候变化的影响。从农业生产角度来说，这种基于数据驱动的方法，能够根据不同的田间条件进行精准调整，提高了资源利用效率，降低了生产成本。与传统的固定时间表耕作和施肥方法相比，该算法驱动的系统能够动态适应实时的土壤和环境条件，避免了资源的浪费和环境的破坏。虽然目前该系统还存在一些局限性，比如 CNN 模型是基于壤土样本训练的，对其他土壤类型的适用性可能有限，但这也为后续的研究指明了方向。总体而言，这项研究为可持续农业的发展提供了新的思路和方法，有望推动农业向更加绿色、高效的方向转型 。
