《Precision Agriculture》：A growing challenge: stakeholder perceptions of AI and ML applications in U.S. agriculture
编辑推荐：
**背景**：预计到2050年全球人口将超过100亿，同期粮食需求预计将增长多达100%。农业管理必须适应日益增长的全球需求。人工智能（AI）和机器学习（ML）技术可帮助农业界应对这些需求。
**目的**：研究开展了一项在线调查和后续访谈，以考察早期采用
**背景**：预计到2050年全球人口将超过100亿，同期粮食需求预计将增长多达100%。农业管理必须适应日益增长的全球需求。人工智能（AI）和机器学习（ML）技术可帮助农业界应对这些需求。
**目的**：研究开展了一项在线调查和后续访谈，以考察早期采用AI和ML的利益相关者的使用模式、感知和障碍。
**方法**：对农业利益相关者（n=129）开展的在线调查，包含参与者对将AI和ML技术纳入农业实践之看法的相关问题；另对农业利益相关者（n=10）进行了单独后续访谈，以更好地了解他们对技术使用以及采用AI赋能工具和技术的关切。
**主要结果**：采用混合研究方法，研究人员确定了在农业中建立AI/ML赋能技术的四大挑战，即与（1）系统之系统（SoS）、（2）次季节到季节（S2S）天气预报、（3）精准土壤管理以及（4）政策与经济相关的挑战。每项挑战均结合近期文献进行了讨论。
**结论**：受访者表达的关切集中于四大研究主题。本简短通讯将农业利益相关者的视角引入关于AI/ML赋能技术潜力及其在农业部门发展方向讨论。
**意义**：2021年收集的数据为美国农业中AI/ML使用的早期阶段建立了重要基线，从而能够对未来的感知和行业进展进行比较。
**影响**：本简短通讯描述了对农业利益相关者开展的一项调查和后续访谈，内容涉及影响其将AI和ML技术纳入农业实践的意愿与顾虑的因素。研究结果被总结并讨论为AI和ML在农业部门面临的四大关键挑战，有望简化相关研究活动。
**论文解读：美国农业中AI与ML应用的利益相关者感知——四大关键挑战**
**一、研究背景与问题**
全球人口预计在2050年达到96.44亿、2100年达到101.87亿，与此同时气候变化对水资源可用性、作物病虫害和极端天气事件的影响可能对作物生产力产生不利影响。为不断增长的世界人口提供粮食、饲料和纤维，需要农业部门采取协同努力以实现可持续生产。人工智能（AI）和机器学习（ML）技术可为农业提供工具和技术，帮助其适应全球与气候变化，并以可持续方式满足农产品需求。尽管近年取得相当进展，AI和ML在农业中的应用潜力尚未完全实现。实现滞后的原因包括：数据问题限制了所需方法论的开发，如尺度不匹配、样本外问题、数据源错位和数量过载；建模假设限制了现有方法对复杂、高维、互联生态系统的适用性；可用性关切限制了可靠、透明、可实地部署方案向研究人员、生产者和农场管理系统的推广。此外，AI/ML建议或结果的可解释性与可说明性普遍缺乏，成为用户信任的基础；目标不匹配和脆弱不稳定的方法也带来测试、评估和认证方面的挑战。为此，2021年研究人员以美国农业利益相关者为目标受众，开展了一项调查和后续访谈，以了解他们对AI和ML赋能技术及应用的挑战和期望。
**二、研究开展与结论**
研究人员于2021年3月至6月通过美国农学会、美国作物科学学会和美国ASA认证作物专业人员等专业学会的邮件列表分发在线调查问卷，共有129人完成调查。受访者主要为白人和男性，平均年龄57岁，2020年平均年收入10万至15万美元，涵盖农民、农业生产者、政府雇员、顾问、非营利组织员工和公司代表，来自加利福尼亚州（n=105）、俄克拉何马州（n=10）、俄勒冈州（n=7）、华盛顿州（n=4）、弗吉尼亚州（n=1）、纽约州（n=1）和马萨诸塞州（n=1）。近47%的受访者表示仅从事农业，平均农业经验26.2年；农场面积中位数为40英亩，范围从1英亩到40000英亩。调查包含受访者对将AI和ML技术纳入农业实践的看法和态度等问题。2021年8月，研究人员对20名表示愿意参与后续访谈的受访者中的10人进行了个别视频会议访谈，询问了农场地理信息、技术使用状况、天气预报数据使用、所面临问题、决策最重要信息、法规、成本、可持续性重要性以及农业活动决策的时间维度等问题。访谈被记录并转录，采用归纳主题编码进行分析。
调查结果显示，受访者总体上乐于采用创新技术，对水、天气、土壤、作物管理和害虫相关信息感兴趣；偏好依赖美国国家气象局、地方合作推广机构和大学科学家等可信实体开发的免费公开信息的应用程序、网站和文本/邮件提醒；青睐将AI纳入农业经营的决策支持工具，并认为AI/ML在监测水、土壤、作物、害虫和天气预报方面的收益大于风险。63%的受访者报告过去一年经历过水资源短缺，近75%认为极端天气事件（洪水、干旱和火灾）对其所在地区的人员和财产构成风险，58%报告过去三年天气更加多变，近46%认为天气将变得更不可预测，68%认为温室气体导致全球平均气温上升。受访者将土地成本、劳动力和设备视为最昂贵，作物投入最便宜；对无人机、智能建筑、自主农机和牲畜监测的支持水平略低于决策支持工具。
访谈结果显示，所有受访者已在使用某种形式的AI和ML技术（包括拖拉机和其他机械中的AI/ML集成）来改善农业经营，70%使用航空成像。尽管受访者认可AI和ML技术工具的价值，50%在缺乏已确立效果的情况下对投资新工具犹豫不决，“投资回报和可用性是首要问题，可靠性紧随其后”。受访者还对采用新技术和传感器的机会成本表示顾虑，包括初始安装成本、订阅费、运营成本以及采用AI/ML赋能技术所需的培训成本。80%的受访者表示，更长期的田间尺度、季节到次季节（S2S）天气预测将改善其经营，因为灌溉管理和收获调度等农业规划决策是在S2S时间尺度上做出的。80%提到土壤水分、70%提到土壤变异性为关切，60%当前采用精准农业来应对土壤特性变异性。多位受访者希望所有收集的数据能被整合，并对不同传感器、软件和系统缺乏整合以及验证传感器读数能力表示担忧，对新技术的信任不足。
结合调查和访谈结果，研究人员确定了AI/ML赋能技术在美国农业中应用的四类挑战：（1）系统之系统（SoS）挑战；（2）次季节到季节（S2S）天气预报挑战；（3）精准土壤管理挑战；（4）政策与经济挑战。
**三、主要关键技术方法**
研究人员采用了混合研究方法：其一，面向129名美国农业利益相关者的在线问卷调查，通过专业学会邮件列表分发，收集受访者人口统计信息、农业经营特征以及对AI和ML技术的看法与态度；其二，对其中10名自愿参与者的半结构化个别视频访谈，围绕技术使用、天气预报、决策信息和成本等主题展开，访谈记录经转录后采用归纳主题编码定性分析。样本来源涵盖美国多个州的农民、生产者、政府人员、顾问、非营利组织和企业代表，数据均于2021年采集。
**四、研究结果分述**
**（1）系统之系统（SoS）挑战**：研究人员根据访谈和调查结果指出，农业系统本身可被概念化为一个SoS，即由各自可独立运行的不同系统集成协作以实现超出任何单个组件能力的整体功能。开发SoS解决方案对整合通常为供应商特定的技术应用、在不同监管环境中满足多方利益至关重要。方法学挑战包括数据集成与标准化、可扩展性与适应性、可靠性与鲁棒性以及应用界面的用户友好性。农业数据多来源、多格式导致集成复杂，需要数据和技术互操作性；动态农业SoS要求技术跨越空间和时间进行扩展，并在干旱、过量降雨或病虫害爆发等不确定条件下保持良好性能；不可靠的传感、处理和传输会导致数据分析不准确，影响决策。
**（2）次季节到季节（S2S）天气预报挑战**：S2S天气预报填补了两周至数月之间的预报空白。许多农业管理决策属于S2S时间尺度，因此农业部门对S2S天气预测有强烈兴趣。例如灌溉调度是关键作物生产管理决策，而气候变化影响降水格局，使水资源稀缺地区及其他地区的灌溉需水量持续出现新的管理挑战。研究虽在AI/ML预测干旱频率、强度和分布方面有诸多努力，但仍需要以支持重要农业管理决策的空间分辨率提供S2S时间尺度天气预报的协调努力。气候变化引入了非线性动力和天气模式的定性转变，由于数据驱动模型高度依赖观测训练集，模型输出受到关注。近期ML进展已识别出预测“样本外”事件的有前景方法，在再分析数据集训练方面也取得成功，并朝向S2S建模的可解释性工作推进。此外，ML方法有望应对训练数据稀疏和历史天气气候记录不完整的问题，但S2S预报尚不能在支持农业决策的时空分辨率上运行。
**（3）精准土壤管理挑战**：土壤制图工作多在大尺度上以相对粗略的空间分辨率开展，许多制图工作侧重于土壤分类学分类，缺乏功能性土壤特性描述。土壤特性及其可持续利用研究被分割到不同学科，导致缺乏综合性跨学科土壤管理观点。由于土壤特性空间变异性高且对农业生产重要，最终用户需要高分辨率空间数据。土壤及其生物物理特性（如土壤水分或养分分布）是动态的，在三维空间和时间上变化。虽然AI和ML方法已被证明在性能上可与基于过程的土壤模型相匹配，但使用AI/ML开发高分辨率动态土壤模型仍是挑战。AI/ML土壤模型需要土壤特性数据进行训练和验证，数据采集涉及经济性埋地传感器布局等方法学问题。优化算法可用于土壤传感器定位，通过无人机（UAV）收集数据还可减少传感器数量；但无人机、雷达或卫星以非侵入方式收集的土壤信息仅限于土壤表层数厘米，最新方法进展将深度提升至10–30厘米，基于这些数据的计算模型不如基于埋地传感器数据构建的模型准确。作物管理决策所需信息最好包含根区，埋地土壤传感器可收集根区信息，但必须代表根区变异性，增加了“第三维度”的定位复杂性，且埋地传感器的经济成本可能限制数据驱动精准农业仅用于大型工业化农场。土壤是由有机和无机组分相互作用构成的系统，描述和建模这些复杂的生物-地球-化学相互作用需要理解受天气、气候和微生物过程影响的复杂交互。模型常侧重生成系统理解而非设计用于预测，数据驱动AI/ML在土壤制图方面的未来发展在于开发可解释和可说明的解决方案。
**（4）政策与经济挑战**：AI和ML赋能工具和模型往往未考虑农业政治、经济和社会维度的复杂性。访谈结果显示，农业经济中初始安装、运行维护、培训和升级技术的成本导致利益相关者在缺乏已证明效果时对投资新技术犹豫不决；保险费率和劳动力成本也影响决策。AI和ML研究界面临更广泛挑战：不准确的推荐。从社会科学视角看，存在“精准陷阱”风险，即相信新方法准确性可能导致农业和政策制定变化，最终因移除现有“制衡机制”而造成损害。AI在农业中的应用还引发算法偏见、决策和问责相关的伦理关切。以提高农业生产力为重点而忽视生态完整性或社会经济不平等的培训会引入偏见，可能排斥小农和自给农民，尤其在发展中国家。扩展技术设计过程纳入例如农村人类学家以开发以人为本的创新是解决途径之一。开发和部署AI/ML赋能系统还需考虑更广泛的法律和伦理背景，确保敏感农业数据的隐私和安全对减少对农民隐私的威胁至关重要；需遵守数据保护法规，明确AI应用造成损害或损失的责任描述。农业利益相关者需要负担得起的用户友好型技术解决方案，对小规模独立农民尤其如此，其生计可能依赖农业，因此对新技术风险投资更脆弱。技术开发者与最终用户之间的风险分担安排已在探索中，不同风险水平有待进一步研究。
**五、讨论总结与研究结论**
研究人员在讨论部分将四项挑战置于近期文献中加以阐述。系统之系统研究多侧重理论发展，农业系统作为SoS的集成需要数据标准化、兼容性和互操作性，并需解决可扩展性、适应性和稳健性；S2S预报研究取得进展但仍需在农业决策所需的时空分辨率上提供输入；精准土壤管理需结合高分辨率数据、根区信息以及经济可行的传感器部署，开发可解释模型；政策与经济层面需关注成本、保险、劳动力、算法伦理、数据隐私、责任分担以及“精准陷阱”风险。
研究结论指出，2021年开展的调查及后续访谈所生成的数据和发现，为AI/ML在美国农业中广泛普及之前的感知提供了一个重要基准。研究人员表示，在系统之系统方法、S2S天气预报和精准土壤管理方面已经取得相当大的进展，但将这些进展转化为实际效益需要关注经济和制度条件。受访者对成本、可靠性和投资回报的关切，凸显了在异质农业环境和生产系统下评估收益与风险的必要性。规范农业数据使用、数据隐私以及损失法律责任安排的明确协议，对农民信任以及最终采用AI赋能精准农业至关重要。因此，支持负担得起且可靠应用的经济评估和政策框架，与技术进步一起，仍然是高度优先事项。
