之前的文章中我们简单列举了人工智能技术在金融领域的应用，金融行业因本身与数据有高度的相关性，自然而然地成为了大数据和人工智能技术最先落地的领域，那么在其他领域，人工智能技术是如何赋能的呢？农业，随着人类社会的发展，可以说是最古老的行业之一，农产品期货也是世界上最古老的期货品种。农产品的价格随着全球极端天气的加剧而波动性愈发频繁，大面积农产品的价格随产量波动。有什么方式可以准确地预测农产品的产量，更好的进行大宗农产品交易呢？
人工智能技术同样可以做到这一点，基于遥感技术（RS）、地理信息系统（GIS）和北斗导航系统（BDS）技术，利用地物的光谱特性，进行作物长势、作物品质、作物病虫害等方面的监测。
随着科技的发展，越来越多的新技术被引入到了农产品的种植量和产量的检测和评估，卫星遥感技术就是其一。最近十年，Space X、Skybox等一系列的创新公司应运而生。越来越多的卫星被发射到空间当中，地球每天千余颗卫星环绕，而且卫星的数量仍在急速增长中。这些卫星搭载的传感器，让我们得以越来越频繁、越来越清晰的观测到地球表面以及其附着物。卫星遥感技术应用的另一个基础在于，测量植物如何反射或吸收电磁辐射。根据植物反射回来的光谱，我们可以评估植物的长势从而推断未来的可能产量。卫星遥感数据是支撑农业大宗商品相关预测的核心数据，主要在于卫星遥感数据具有以下优点：
数据资源丰富；
数据源更新稳定；
无法篡改；
全局视野；
精确度高（最高已达亚米级）为农业大宗商品预测提供坚实基础。
计算机可以依据遥感图片学习、识别出相应的农作物，这对于我们预测农作物的种植面积和产量至关重要。
卫星、无人机或飞机上搭载的传感器得到以数字标记的各个像素的网格状图像。我们可以基于其反射特性来识别不同对象和对象之间的差异。正是这些差异可以帮助我们区分农作物和其他土地覆盖物，比如森林、水和城市。
没有两种作物是一样的，他们的反射光谱特征是有区别的，遥感方法能够精确识别不同作物的种植面积，从而给传统采样的农业调查方法带来了变革，这也是农业大数据的根基。对于主要的粮食和油料作物、棉花、甘蔗等，卫星遥感的方式能够很有效的评估作物的生长状态，因为我们可以很容易地检测到植物的生长周期。种植后，我们可以很容易地看到植物发育，成熟，衰老，然后收获。我们可以将本季的增长周期与不同时期的季节进行比较，得到不同时期作物的健康情况。虽然卫星图像本质上提供的是历史信息，但其完全可以用作前瞻性预测的一部分。此外，它们也是重要的交叉检查的工具。
在农作物种植和产量形成过程中，许多公司一直采取现场采样的形式。然而，使用卫星图像，允许我们在国家级别的范围内，不断地、更高频率地直接监测作物状况。更高的效率、更短的时间和更低经济成本，让卫星成为检测作物变化的最佳工具。对于大宗商品市场，正确的快速反应往往是成败的关键。暴雨、台风、地震等极端情况的出现后，大宗商品交易商需要知道精确的影响范围。传统的做法是依靠当地线人的信息，然而线人需要时间来培养和积累经验。并且当受灾面积在省级范围内，就会导致信息的传递十分低效和不准确。遥感技术可以应用于对天气灾害影响的评估。对于大宗商品市场来说，天气灾害究竟影响了该种农作物多大的种植面积，并在这些面积产生了多大的产量损失影响。
卫星遥感图像分析技术+深度学习技术是目前遥感与人工智能交叉学科的前沿，能够获得相比传统遥感统计类模型更高的识别精度。目前从国内文献情况看，深度学习模型的应用还非常初级，特征的处理及算法的调用均比较基础，算法组合应用非常少，仍有巨大改进空间。
基于此，我们提出了实现产量预测以及价格预测的技术路线：通过对获取到的遥感数据进行处理，利用光谱分析以及图像标注做特征提取，利用分类模型算法识别，将遥感数据、历史产量、气象数据、自然灾害等异常数据整合，引入特征学习、注意力机制等分析方法，推断出农作物产量以及达到进一步预测价格的目的。遥感数据获取以后，是不能直接使用的，其中不乏辐射畸变（指遥感传感器在接收来自地物的电磁波辐射能时，电磁波在大气层中传输和传感器测量中受到遥感传感器本身、地物光照条件（地形影响和太阳高度角影响）以及大气作用等影响，而导致的遥感传感器测量值与地物实际的光谱辐射率的不一致。）与几何畸变（遥感图像的几何位置上发生变化，产生诸如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等变形，称为几何畸变。）的情况，所以我们就要对遥感数据进行预处理才能使用。
基于遥感数据，我们用光谱分析法和图像训练法均做了实验，基于某地卫星遥感原始图像，通过植被指数首先将植被和非植被进行区分，然后根据棉花在0.43-0.59光谱特性设定分类规则，即可初步看到分类的效果
光谱分析法实验效果
某地原始遥感图像
通过植被数分割出植被覆盖图像
通过0.43-0.59μm谱段特征识别棉花种植区域
图像训练法实验效果
对某地遥感图像进行随机取样，将取样原图数据放入初步训练好的基于图像分类器中，达到预期效果（右侧黑色区域为棉花识别结果）
同样气象因素也是农业生产的一项关键变量，气象数据的变化与农产品产量、质量相关性极高，因此气象数据需要作为智慧商情的重要情报输入，我们同样可以利用卫星遥感监控气象数据，利用机器学习分析判断，从而达到天气预测的目的，通过天气预测来进一步推断地区农作物产量。运用机器学习算法与卫星预测天气情况、分析农作物可持续性分析及评价农场当前病虫害。
除了预测的产量，还有什么是影响农产品价格的呢？
还有进出口数据，农产品进出口数据、港口数据是市场供需和价格情况的直观反映，实时监测的贸易数据是预测结果更正、纠偏的重要信号。我们通过对贸易数据的实时监测，来预测农产品进出口量，从而对达到判断供需的目的。
同时，对于农产品来说，同样避免不了突发事件的影响，这就用到了我们之前介绍过我们的声量系统，新闻、社交媒体的海量文本数据中蕴含大量事件关联影响的信号和因子，利用自然语言处理方法，可以进行突发事件对大宗商品影响的智能推理。
说了这么多的过程，也来看一下我们的实践结果，综合考虑以上各种情况，我们结合历史数据以及LSTM（长短期记忆神经网络）分别作了2018年至2020年的棉花期货价格预测，通过与真实期货价格对比，结果如下：
2018年预测12个月棉花期货价格误差率：7.53
2019年预测12个月棉花期货价格误差率：5.99%
2020年预测12个月棉花期货价格误差率：8.09%
证券行业也有较大的农业遥感需求，特别是对涉农上市公司的资产盘点和经营情况调查。
除此以外，以美国为例，对冲基金经理或家畜饲养者也是农业遥感的大客户，他们间接使用遥感产品。国外基金早就开始使用卫星遥感技术来监控宏观和微观数据：计算中国各个城市在建高楼的投影长度，并结合经纬度及时间来估算房地产的进度；监测连锁超市的停车场情况，预估其客流；通过分析储油罐影子，来估算全球原油储备量。当然，人工智能技术在农业上的应用远不止这些，我们所介绍的也仅仅是冰山一角，人工智能技术为农业未来发展提供了更加丰富的应用场景和更加高效的解决方案。育种+AI、种植机械+AI、遥感预测+AI、植保无人机+AI、采摘+AI、农产品运输、销售+AI，农业生产流通及消费的一切环节，都正在被AI的能力改变。尤其中国凭借丰富的电商、物流大数据累积，可以在多个环节提升农业的效率。
