机器学习的最新用途，可让农业灌溉节水四成

康奈尔大学的科学家们近期研发出了一个预测模型，该模型结合了植物生理、土壤实时条件以及天气预报等信息，节省的水量可达到传统方法耗水量的四成。

水资源并不是无限的，世界上只有3%的水可饮用，而其中70%的水被用在了农业上。然而有些农作物的灌溉量甚至是其需求的两倍，不必要的灌溉不仅会浪费大量的水，还会造成含水层、湖泊和海洋的污染。

幸运的是，美国康奈尔大学的科学家们近期研发出了一个预测模型。该模型结合了植物生理、土壤实时条件以及天气预报等信息，节省的水量可达到传统方法耗水量的四成。

能源系统工程学教授Fengqi You和化学和生物分子工程学教授Abraham Stroock合作在《IEEE控制系统技术会刊》发表了这一模型的相关研究。

“那些生长在加利福尼亚中央谷地区的半干旱、半荒漠环境中的农作物会消耗大量的水——一颗杏仁对应着一加仑的水。”Stroock说，“而精确控制植物水分则可以提高葡萄等敏感特种作物的品质。”

研究中，他们利用历史天气数据和机器学习方法评估了实时天气预报以及从作物叶片和土壤散失到大气中的水量的不确定性，并结合了描述土壤水分变化的物理模型。结果发现，集成以上方法可以得出令人惊喜的结果。

这项研究的挑战之一是确定最适合每一种作物的方法，并确定从人工操作系统转向自动化系统的成本和效益。举例来说，由于苹果树相对较小，它们对降水变化反应迅速，因此可能不需要数周或数月的天气数据。而杏仁树往往更大，适应速度也更慢，主要从长期预测中受益。

“我们需要对控制策略的复杂程度作出适当的评估，而最异想天开的方法可能没有多大意义。”Stroock补充道。