afsis logo

Technology for Agriculture

机器学习、云计算和地理信息系统在过去十年里的巨大发展正改变着农业和生态发展的蓝图。在这些行业中,新技术和新理念的注入,对于高效防治全球科学组织所预测的未来土壤枯竭和食物隐患问题,有着至关重要的作用。世界人口预计将在2050年达到90亿,此时此刻,我们的农业和土地管理规范比以往任何时候都更需要一场激进的蜕变。

受这一响亮号召的启发,QED致力于研发技术,以支持为各种不同地况和时空尺度定制的农业生态分析。作为非洲土壤信息服务(AfSIS)项目的合作伙伴,QED一直致力于开发端对端的数据处理工作流程,以涵盖土壤和土地生态信息处理和数据管理的整个周期。该工作流程包括实地数据获取、实验室分析、数据库管理、预测建模、地图可视化和统计决策工具。在与政府的合作中,这些技术已经被引入到多个非洲国家,其目的在于填补信息鸿沟,以及积极影响政策和行业规范。
下面让我们更详细地介绍一下这些技术。

Predictive Maps of Croplands, Human Settlements, and Soil Chemistry

QED已经在为AfSIS研发核心技术,使科学家可以更加有效和可靠地编录非洲的土壤和生态资源,并在当今最新技术的支持下进行创新性的生态研究。这些技术包括网络和手机应用程序、众包、大规模机器学习、云计算、计算机视觉、无人机、四轴飞行器、3D建模与打印,以及专业的软件工程规范。我们真诚地希望,我们所打造的技术将成为精准农业领域足以转换蓝图的工具。

就这些技术举一个例子:AfSIS能够快速收集经专家校验的、对近期卫星图像的众包评估,以用作建立机器学习模型。右边的数字地图就是由这些机器学习模型产生的。这些机器学习模型采用先进的机器学习算法,并且以不确定性指标辅助预测。

Readers are encouraged to browse more examples of novel applications below.

端对端的数据处理流程

QED构建成套的联锁软件,为收集、管理、运算,以及土壤和生态信息的传播提供端对端的支持。我们的设计受UNIX的ESR规则中的几个关键原则启发,所以这个工作流程的组件能够自由互换。,转载如下:

  • 模块化规则:编写简单部件,用简洁的界面连接。
  • 组成规则:设计可与其他程序关联的程序。
  • 简单原则:保持设计的简单性;仅在必要时增加复杂性。
  • 透明原则:保持设计的透明度,使检查和调试更容易。
  • 多样性原则:不相信存在唯一正确的方法。
workflow

数据采集

  • 众包的航拍图像勘探(卫星数据+无人机),以有效绘制土地类型图,并确定关注区域,如农田使用图。
  • 随机化的调查设计:抽样预算的统计检定力分析,以及权衡覆盖面和采集效率的多阶段抽样算法。
  • 手机数据采集应用程序,以便有效地进行数据输入,并实时监控数据采集。
  • 抽样方案已在12个非洲国家测试。

数据管理

  • 可自定义的二维码和条形码,以便在实地标记样本。
  • 存储在云端的数据管理系统,既安全,性价比又高。
  • 用可扩展的云基础设施支持关系型数据、二进制数据和地理空间数据。
  • 可视化网络界面,以方便浏览数据、上传数据和进行地理空间查询。

数据计算

  • 通过利用云中的众包数据和可扩展的机器学习计算,以生成农业生态属性地图。
  • 利用经济有效的光谱测量(该技术使用当下最好的校准模型并有不确定性测量数据的支持),预测土壤中关键营养和微量元素的化学浓度。
  • 利用经国际编程竞赛磨砺的机器学习模型来改善预测。

数据发布

  • 农业指标的互动示意图,表现为以点数据插补的平面图,并且在查询地理空间和化学约束时实时呈现。
  • 构建决策分析工具,以便优化在实验方法、肥料混合和作物品种之间的预算分配。
+ 数据采集

数据采集

  • 众包的航拍图像勘探(卫星数据+无人机),以有效绘制土地类型图,并确定关注区域,如农田使用图。
  • 随机化的调查设计:抽样预算的统计检定力分析,以及权衡覆盖面和采集效率的多阶段抽样算法。
  • 手机数据采集应用程序,以便有效地进行数据输入,并实时监控数据采集。
  • 抽样方案已在12个非洲国家测试。
+ 数据管理

数据管理

  • 可自定义的二维码和条形码,以便在实地标记样本。
  • 存储在云端的数据管理系统,既安全,性价比又高。
  • 用可扩展的云基础设施支持关系型数据、二进制数据和地理空间数据。
  • 可视化网络界面,以方便浏览数据、上传数据和进行地理空间查询。
+ 数据计算

数据计算

  • 通过利用云中的众包数据和可扩展的机器学习计算,以生成农业生态属性地图。
  • 利用经济有效的光谱测量(该技术使用当下最好的校准模型并有不确定性测量数据的支持),预测土壤中关键营养和微量元素的化学浓度。
  • 利用经国际编程竞赛磨砺的机器学习模型来改善预测。
+ 数据发布

数据发布

  • 农业指标的互动示意图,表现为以点数据插补的平面图,并且在查询地理空间和化学约束时实时呈现。
  • 构建决策分析工具,以便优化在实验方法、肥料混合和作物品种之间的预算分配。
Aerial Imagery
航拍图像

利用卫星网络、固定翼无人机和四轴飞行器快速扫描关注区域,并生成生态指标图和数字地况模型图。

Access Anywhere
随地访问

数据被可靠地存储在云基础设施里,并被复制在多个可用区中。实验室数据和土壤样品的自动输入验证。

Predict
预测

通过在远程硬件基础设施上运行最先进的机器学习算法,对土壤化学成分和土地使用情况进行预测。

马上联系我们

若对我们的服务有疑问或需要演示,请发送电子邮件至:info@qed.ai