afsis logo

Technology for Agriculture

機器學習、雲計算和地理信息系統在過去十年里的巨大發展正改變著農業和生態發展的藍圖。在這些行業中,新技術和新理念的注入,對於高效防治全球科學組織所預測的未來土壤枯竭和食物隱患問題,有著至關重要的作用。世界人口預計將在2050年達到90億,此時此刻,我們的農業和土地管理規範比以往任何時候都更需要一場激進的蛻變。

受這一響亮號召的啟發,QED致力於研發技術,以支持為各種不同地況和時空尺度定制的農業生態分析。作為非洲土壤信息服務(AfSIS)項目的合作夥伴,QED一直致力於開發端對端的數據處理工作流程,以涵蓋土壤和土地生態信息處理和數據管理的整個週期。該工作流程包括實地數據獲取、實驗室分析、數據庫管理、預測建模、地圖可視化和統計決策工具。在與政府的合作中,這些技術已經被引入到多個非洲國家,其目的在於填補信息鴻溝,以及積極影響政策和行業規範。下面讓我們更詳細地介紹一下這些技術。

Predictive Maps of Croplands, Human Settlements, and Soil Chemistry

QED已經在為AfSIS研發核心技術,使科學家可以更加有效和可靠地編錄非洲的土壤和生態資源,並在當今最新技術的支持下進行創新性的生態研究。這些技術包括網絡和手機應用程序、眾包、大規模機器學習、雲計算、計算機視覺、無人機、四軸飛行器、3D建模與打印,以及專業的軟件工程規範。我們真誠地希望,我們所打造的技術將成為精準農業領域足以轉換藍圖的工具。

就這些技術舉一個例子:AfSIS能夠快速收集經專家校驗的、對近期衛星圖像的眾包評估,以用作建立機器學習模型。右邊的數字地圖就是由這些機器學習模型產生的。這些機器學習模型採用先進的機器學習算法,並且以不確定性指標輔助預測。

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

端對端的數據處理流程

QED構建成套的聯鎖軟件,為收集、管理、運算,以及土壤和生態信息的傳播提供端對端的支持。我們的設計受UNIX的ESR規則中的幾個關鍵原則啟發,所以這個工作流程的組件能夠自由互換。轉載如下:

  • 模塊化規則:編寫簡單部件,用簡潔的界面連接
  • 組成規則:設計可與其他程序關聯的程序。
  • 簡單原則:保持設計的簡單性;僅在必要時增加複雜性。
  • 透明原則:保持設計的透明度,使檢查和調試更容易。
  • 多樣性原則:不相信存在唯一正確的方法。
workflow

數據採集

  • 眾包的航拍圖像勘探(衛星數據+無人機),以有效繪製土地類型圖,並確定關注區域,如農業使用圖。
  • 隨機化的調查設計:抽樣預算的統計檢定力分析,以及權衡覆蓋面和採樣效率的多階級抽樣算法。
  • 手機數據採集應用程序,以便有效的進行數據輸入,並實時監控數據採集。
  • 抽樣方案已在12個非洲國家測試。

數據管理

  • 可自定義的二維碼和條形碼,以便在實地標記樣本。
  • 存儲在雲端的數據管理系統,既安全,性價比又高。
  • 用可擴展的雲基礎設施支持關係型數據、二進制數據和地理空間數據。
  • 可視化網絡界面,以方便瀏覽數據、上傳數據和進行地理空間查詢。

數據計算

  • 通過利用雲中的眾包數據和可擴展的機器學習計算,以生成農業生態屬性地圖。
  • 利用經濟有效的光譜測量(該技術使用當下最好的校準模型並有不確定性測量數據的支持),預測土壤中關鍵營養和微量元素的化學濃度。
  • 利用經國際編程競賽磨礪的機器學習模型來改善預測。

數據發佈

  • 農業指標的互動示意圖,表現為以點數據插補的平面圖,並且在查詢地理空間和化學約束時實時呈現。
  • 構建決策分析工具,以便優化在實驗方法、肥料混合和作物品種之間的預算分配。
+ 數據採集

數據採集

  • 眾包的航拍圖像勘探(衛星數據+無人機),以有效繪製土地類型圖,並確定關注區域,如農業使用圖。
  • 隨機化的調查設計:抽樣預算的統計檢定力分析,以及權衡覆蓋面和採樣效率的多階級抽樣算法。
  • 手機數據採集應用程序,以便有效的進行數據輸入,並實時監控數據採集。
  • 抽樣方案已在12個非洲國家測試。
+ 數據管理

數據管理

  • 可自定義的二維碼和條形碼,以便在實地標記樣本。
  • 存儲在雲端的數據管理系統,既安全,性價比又高。
  • 用可擴展的雲基礎設施支持關係型數據、二進制數據和地理空間數據。
  • 可視化網絡界面,以方便瀏覽數據、上傳數據和進行地理空間查詢。
+ 數據計算

數據計算

  • 通過利用雲中的眾包數據和可擴展的機器學習計算,以生成農業生態屬性地圖。
  • 利用經濟有效的光譜測量(該技術使用當下最好的校準模型並有不確定性測量數據的支持),預測土壤中關鍵營養和微量元素的化學濃度。
  • 利用經國際編程競賽磨礪的機器學習模型來改善預測。
+ 數據發佈

數據發佈

  • 農業指標的互動示意圖,表現為以點數據插補的平面圖,並且在查詢地理空間和化學約束時實時呈現。
  • 構建決策分析工具,以便優化在實驗方法、肥料混合和作物品種之間的預算分配。
Aerial Imagery
航拍圖像

利用衛星網絡、固定翼無人機和四軸飛行器快速掃描關注區域,並生成生態指標圖和數字地況模型圖。

Access Anywhere
隨地訪問

數據被可靠地存儲在雲基礎設施里,並被複製在多個可用區中。實驗室數據和土壤樣品的自動輸入驗證。

Predict
預測

通過在遠程硬件基礎設施上運行最先進的機器學習算法,對土壤化學成分和土地使用情況進行預測。

馬上聯繫我們

若對我們的服務有疑問或需要演示,請發送電子郵件至: info@qed.ai