黑科技下的云端农业，如何实现风调雨顺省心省力？

本文作者艺名海森堡，在大地量子打杂。

转载请联系本公众号后台。

一张诡异的图和一个大项目

让我们先来认真看下这张图，花3秒：

是否有电影《降临》（Arrival）里外星文字的即视感？

把第一张图稍微做些简单处理，就可以变成下面这样：

是不是看上去一下子就舒适些了？（或者不舒适些了......）

其实，这是2017年8月30日的全球降雨分布图，如果把这个时间前后几天的图全部拿出来，稍做处理，加个底图，做成小动画：

此图由NASA生成

这样看上去是不是就更舒适了呢？

这是美国宇航局(NASA) 主导的全球降雨监测项目。从2014年3月开始，直至数小时前，该项目记录着全球除了南北极外所有地方的降雨数据，空间精度在10公里左右。

此项计划不仅使用了来自美国、日本、法国、印度和欧盟的十余颗卫星，完成了对全球的高频率覆盖，还有大量的地面降雨计的数据对卫星观测数据进行校正。最后，这些数据会通过一系列精心设计的处理平台进行整合与分发。

参与此项目的部分卫星

那么，这和农业有什么关系呢？

关系可大了。

“既而克殷，风调雨顺” 是后晋时期《旧唐书·礼仪志》里对风雨适合农作物生长的说法，也喻指天下太平。实际上，从播种到收割，每种作物在一定气候环境下所需要的总水量基本是一致的——只要这届的雨好，收成总归差不到哪去。

目前，作物给水分为自然馈赠(降雨)和人为意志(灌溉)两类。前者难以控制，但我们能以后者来调整，最终达成总给水量一致。

中国灌溉区和非灌溉区*如下图：

灌溉区与非灌溉区

*注：在长期降雨量和作物需水量较为一致的地区，是不需要任何灌溉的，即非灌溉区。

我们劳心劳力的，当然主要是灌溉区。

在古代，因技术水平受限，土地收成主要依赖于自然馈赠，农户们想要风调雨顺的好收成只能靠祈祷；而在今天，全国机械灌溉普及率将近30%，人为意志对于收成的影响越来越大，于是，“究竟需要多少灌溉量”就成为了一个非常重要问题：

一方面，据联合国粮农组织数据，农业用水占人类全部抽水量的70%，在部分发展中国家甚至占了95%——农业既是水资源短缺的原因，也是受害者；

另一方面，据世界银行预计，2050年全球人口将达100亿，食物需求增长50%，单就灌溉这一项，如果不实现按需精准灌溉，不仅会使农场用水成本会大幅升高，还会造成人类水资源严重短缺。

不要认为缺水只是贫穷国家的事，在富可敌国的美国加州，过去几年里农业也曾遭遇严重缺水，仅2015年就造成了约6亿美元的损失，一万多农场主失业，而政府对此并没有什么能做的。

要解决灌溉量的问题，第一，要知道每种作物究竟需多少水量。

气候条件、土壤情况、作物品种都能影响该作物在生长期的总需水量，并且，作物每个生长期的需水量也是不同的。举例玉米，在温带大陆性气候区域，玉米生长期间总共需要635毫米左右水量；R3（乳熟期）需水量为266毫米，R4（蜡熟期）则为203毫米。

虽然这样的需水信息一般情况下农户们并不知晓，但只要资料足够齐全，分分钟就可以查到。

第二，也是更困难的，要知道降雨量。这才能决定灌溉究竟还需多少水量。

有人说，知道下了多少雨还不简单吗，每天看一下天气预报不就可以了？

然而，天气预报一般只报道到市级（最多到县级）情况，这对于土地广袤的农户们来说，其实非常不精准，特别是降雨数据——我们在大些的城市里可能都体会过“东边日出西边雨”的情况。研究表明，距离超过20公里，天气预报准确性会下降48%。因此，宏观气象数据对于农场尺度的指导意义并不大。当然，如果每个农场能有一个私有气象站那真是极好的，但这样成本过高，始终无法全面普及。

一个典型的非精准灌溉场景

于是，我们回到了刚刚说到的全球降水监测项目。

卫星监测看似成本高，但因能够全球覆盖，大家平摊下来也就非常廉价了。而我们只需要处理这类数据，稍加整合加入作物需水模型，就可以直接告诉农户们某时某刻的准确灌溉量——这至少迈出了低成本精准灌溉的第一步。虽然这样的云端卫星降雨监测系统看不见摸不着，但是却可以实实在在的为农场提供服务，就像普通人可能从没见过31颗GPS卫星，或29颗北斗卫星，也不懂卫星定位系统，但我们每次使用滴滴打车时，司机都能使用这样的云端系统软件迅速准确的找到你。

一盘围棋和一场大数据预测

2016年3月，谷歌开发的AlphaGo在完胜李世石，人工智能（AI）如雨后春笋，从此大热。

而AI技术远远不止一个特别高强的棋手、一辆无人驾驶汽车或电影《她》里可供聊天谈恋爱的机器人，它和“时空大数据”一样，是一个宽泛的概念，并在诸多领域早已开始应用。很多AI技术的应用都早于AlphaGo那一盘棋局，它看上去或许并不是很像一个会思考的机器人。

例如，利用AI技术把照片变成一副油画的小应用：

再例如AI预测未来...

噢天哪范围不能太大了会被各种组织和谐的......

嗯，我们还是把范围缩小一点，比如对农产品的产量预测。

实际上，产量预测从上世纪80年代就开始研究了，但直到最近两三年才有了些比较靠谱的成果——没错，这都归功于AI算法的不断发展和HPC（超级计算机）的广泛使用，让计算机运算能力有了大幅上升。

“老板，来一万个核”

产量预测涉及到数颗卫星遥感影像分析、深度学习、分布式计算、作物模型等核心技术，还需要将它们全部整合为一体——这不仅需要跨学科的人才通力合作，还需要特别强大的计算能力和稳健的运算架构才能实现。

举个例子，单是四川地区，每天的新数据就可以在100G左右，一个月就是3T（1T=1000G，按照硬盘厂商计量方式）……可以对比一下我们装了满世界照片的手机，现在才用了多大的空间？

SCYM产量预测，Stanford

我们将这些海量数据折腾了半天，最终给出来是一个简单的预测数字，其背后涉及的繁杂运算，系统用户们是看不到的——他们也没有必要看到。就像在琅琊阁里，内部的复杂系统都被封装了起来，最后交给用户的只是一个小锦囊，上面也就一句话（“麒麟才子，得之可得天下”）。

琅琊阁，复杂系统给出简单结果

那么，产量预测到底怎么用，农户们种多少卖多少不就行了吗？

行路呢，应该是脚踏实地的；但目光呢，是应该长远的。

张三经营着一个10万亩地的农场，作物主要是玉米，小麦等主粮。张三觉得，种粮食实在是不赚钱，于是参股投资建了个加工厂，把玉米变成可再生能源（生物乙醇），于是大大的提高了玉米的附加值。那么问题来了：生产1吨乙醇，需要淀粉酶、糖化酶等等辅料，按比例配置；那么张三今年到底要采购多少辅料，才能保证既不过多采购，又不浪费玉米？

美国全国消耗的燃料里约有10%是乙醇汽油

李四有一片3000亩的草莓园，面朝大海，草莓花开，日子过得非常舒服。但李四每年总有那么一段时间很不舒服，即渠道商来签草莓订单的时候。李四既不能预知供货具体数量，也不能预知交货具体时间。他为此感到很痛苦：承诺过多无法交货会付违约金，承诺过少产量超出则会影响销售——两头都是坑。

随便两个例子就可以看到，那些有追求的农场主对产量预测的需求是很大的。

另，如果乙醇汽油再继续普及的话，是不是油价也可以预测了呢？

另外，在其它领域里，产量预测也十分重要：

国家政策制定者很难在“没有产量数据”的基础上，提前进行补贴制定；

期货交易者们希望有一个“今年产量的预期”作为决策支撑数据；

国际组织需要产量预测来提前进行贫困的预期等等……

而这样数据的产生，都会在看不见摸不着的云端，并为实际决策提供着关键依据。

最后，大数据和AI的势头不可避免，而精准灌溉和产量预测只是时空大数据应用在现代化农业的一个小分支：精准施肥、除病虫害、长势监测…..未来足不出户的真·开心农场正在向人类招手。而我们正在凭借海量数据空间、高效数据处理、优质AI算法，利用时空大数据做更多有用有趣的事情，它们将一点点改变我们对这个世界的认知方式和生活方式。

请关注我们，时空大数据——物理世界的数据引擎，尽在“大地量子”。