當前位置: 主頁 > 市場&商機 >
 

珍愛生命泉源,用 AIoT 體察水情&農糧

本文作者:任苙萍       點擊: 2018-06-04 14:46
前言:
有沒發現,近年來除了電力吃緊,「水情」也讓人憂心,無論是水庫告急或暴雨氾濫成災;而當全球人口數往 75 億逼近後,糧食危機亦悄然而至,特別是安全、無毒的純良食材,恐更加難能可貴。想擁有優質生活,友善環境、順天應人,方為長久之計。
 
AI 時代的大禹治水
在眾多智慧應用中,有一塊「智慧水庫」操作與智慧型即時淹水預報,更深深牽動我們的生活。台灣大學農業工程學系 (現更名為「生物環境系統工程學系」) 博士,從事人工智慧 (AI)、類神經網路 (NN) 和大數據分析工作近二十年的淡江大學水資源及環境工程學系教授暨水環境資訊研究中心 (ICWE) 主任張麗秋引用國際期刊內容表示,受惠於科技的發達,天災所造成的傷害其實正在減少,唯有「洪災」因氣候變遷反而越見凶猛、且不確定大。美觀與實用,並非總能魚熊兼得;部分建築專家認為水利工程、加高堤防會破壞景觀以及人與河岸親水性。


照片人物:淡江大學水資源及環境工程學系教授暨水環境資訊研究中心主任 (ICWE) 張麗秋
 
「但有時就是那麼不起眼的 1 公尺些微差距,就會讓洪水趁隙而入」,張麗秋直戳要害。她解釋,機率是非線性的,砍了一、兩公尺的堤防高度,原有防護力可能因此少了三、四成!城市排水溝、下水道承載力也有限,做好預警才能真正防患於未然。例如,利用設立於路旁的電信箱、將感測器偵測到的水位上升數據傳送到水利署;然而,這種離散型的小量傳輸只能知悉局部、無法全盤掌握整個區域的概況。張麗秋說明,為製作淹水潛勢圖供消防署人員防災,多採取傳統定點測量配合模擬方式進行,但問題又來了。
 
一是借用物理和數學推導出的模擬結果,與真實資料差距不小;二是需要很長時間做模擬,只能離線操作且是靜態資料;三是若欲在各縣市單位建置私有雲以便即時運算處理,有經費壓力。所幸,AI 在此可發揮作用;儘管資料量大、網格數多,依然能做到精緻化預報,包括配合 Google 地圖做模擬仿真,讓人們對區域性更有感覺。不過張麗秋強調,AI 準確度是奠基於原始資料之上,若資料本身不夠精確或數量太少,AI 亦施力有限。在無法強求資料準確的情況下,只得借助 LoRa 等低功耗廣域網路 (LPWAN) 技術全面建置感測器以採集數據。
 
AI 非萬能,但可洞悉趨勢、提升決策品質
如此一來,至少能先抓到地域趨勢、調整並建立模型,有以下好處:1.可在數秒內算出各網格 (區里) 之即時淹水資訊,繪製淹水圖;2.軟、硬體需求低,只需一般規格電腦即可運作;3.就算初期缺乏大數據,亦可以二維淹水模擬製造並逐步修正;4. AI 可局部學習,無須重新模擬。張麗秋分享先前與經濟部水利署合作的「智慧即時線上動態區域淹水預報系統」,就是先就有限資料製作成「虛擬大數據」,作為 AI 和機器學習 (Machine Learning) 源頭並提供模式訓練而來。機器學習結合大數據資料庫,有助滅少資訊誤導與人為失誤,提升決策品質。
 

圖1:「自組織映射圖」訓練示例。藍色斑塊是訓練數據的分佈、小白斑是從該分佈中得出的當前訓練數據。左圖表示 SOM 節點被任意放置在數據空間中,
然後選擇最接近訓練數據的節點 (黃色顯示處) 向訓練數據移動;經過多次疊代後,網格將會趨近於右圖的數據分佈
資料來源:
https://en.wikipedia.org/wiki/Self-organizing_map
 
該系統採用「自組織映射圖」(Self-Organizing Map, SOM) 演算法,具兩大優勢:可壓縮大量淹水歷程圖,且拓樸分類特性易於了解洪水漫淹「過程」的相關性。經 2,000 次疊代,證實 SOM 能加速大區域淹水預報效率;與此同時,張麗秋團隊還使用擁有「時間特性」的 RNARX 類神經網路,以分區雨量作為輸入因子,經由權重加總後活化函數輸出「平均淹水深度」,再將這個數值多次重新回饋輸入。另一個案例是:採用「倒傳遞類神經網路」(Back Propagation Neural Network,. BPNN) 建構「降雨逕流預測模式」。
 
依據兩者的時間延遲關係,使用中央氣象局劇烈天氣監測系統 (QPESUMS) 推估雨量資料及水庫入流量觀測值,進而預測未來入流量以決定何時該洩洪或排砂?張麗秋闡述,為避免水龍頭流出黃泥水窘境再現,在適當時機清除大壩底部泥砂亦是必要措施。當水流濁度過高時,自來水廠無法直接過濾淨化及供水;且由於含砂量高、水流速度非常快,只有待其進入水庫發生沉降時,才有機會排砂。假如後池濁度太高,還必須用新進的水清淤。東華大學資訊工程系教授兼系主任吳秀陽則關注大數據分析在精準農業 (PA) 的應用。
 
基改效應減弱,「精準農業」成農作困境新解方
他指出,聯合國預估全球人口 2050 年將扣關百億,但大部分卻增長在「欠發達區域」(less-developed regions)。以現況推算,2050 年需增加 70% 糧食產量才能餵飽全球人口;可惜現今主要作物的年增量不足以支撐,連帶造成糧價每年以 8.2% 的增幅攀升,即使基改作物也無法解決——久而久之,害蟲對基改方式已免疫。偏偏,區域衝突和氣候變遷又使糧食危機更加惡化。吳秀陽表示,傳統農業靠天吃飯,依節氣、憑經驗、無差異性施作,習慣一窩蜂搶種,不在意對環境影響;且農作方式效能低落,無法有效提升產量。於是,精準農業成了眾望所歸。
 

照片人物:東華大學資訊工程系教授兼系主任吳秀陽
 
此概念發源自 1990 年代的美國大面積耕地管理——收集田間資訊做科學分析,並針對個別農田子區域 (subfields) 的時空特性耕植,例如,在低窪區降低灌溉水量、於土壤貧瘠區增加肥料用量、將藥劑只噴灑在生病的作物上等。「農田識別區塊化、資料收集自動化、數據分析科技化、農業施作精準化」為其核心精神。除了減少人力需求和資源消耗,最重要的是提升單位產量和農作物品質,實現友善環境與永續經營目標。吳秀陽強調,它是一個完整循環:從作物、土壤和環境監測出發,對應屬性、建立決策支援系統以便差異化施作,之後再就結果做監測。
 
統整「農業物聯網」的貢獻在於:資訊監控回傳、遠距監控、自動資料採集以及科學化分析、耕作,東華大學對此已發展有成。藉感測器探測農田環境之水質、土壤酸鹼值、日照、溫濕度、氮磷鉀等,並將數據透過網路回傳至資料庫;農友可利用任何可上網的裝置,即時得知上述資訊。特別一提,他們所使用的 Sequoia 多光譜相機是專為精準農業而設計的感測器,內建四種波段相機——綠光 (500nm)、紅光 (660nm)、紅邊光 (735nm) 和近紅外光 (790nm),可探測作物接收陽光後所反射的波長;搭配日照感測器,能自動校準並依光照修正每張相片。
 

圖2:植被具有獨特光譜特徵,葉綠素、細胞結構和含水量都會影響植被的光譜反射率,可藉此辨別受壓或有病的植物
資料來源:Humboldt State University,
http://gsp.humboldt.edu/OLM/Courses/GSP_216_Online/lesson2-1/vegetation.html
 
無人機+智慧網+動態大數據分析,建構「精準農業戰情室」
它搭載全球定位系統 (GPS)、磁力計、Wi-Fi 無線網路訊號介面和 64GB 內部儲存空間,可記錄位置;重量僅 72 公克,可安裝在無人機 (UAV) 下方、直接面向耕地拍攝,且可由無人機直接供電。將植被波段做分析、對照,就能得知作物生長進度及健康狀態。吳秀陽綜觀無人機在精準農業的效益主要是用於「觀測」與「植保」:搭載各種儀器進行農地觀測,所得數據可即時回傳並做分析;只需一、兩人操作,且噴灑速度較傳統快 3~4 倍,省時省力。另僅針對特定區域施作,也能省下農藥和給水的用量,亦可避免植保人員長時間接觸農藥。
 
他亦對無人機類型扼要點評:固定翼勝在省電、飛行時間長,但操縱較困難,適用於美洲等大規模、作物同質性高的地區;而「多軸」強在較穩定、操縱簡易好上手,但較耗電、飛行時間短,較適合台灣這種小規模耕作區。即使有眾多技術加持,最關鍵是「在地化」——作物生長與本土氣候、土壤等環境因素息息相關;唯有建立在地大數據庫,才能確實掌握特性對應。本身也是科技部「東台灣無毒有機精準農業小聯盟計畫」主持人的吳秀陽表示,無毒有機農業已是花東特色產業,惟多數仍維持傳統運作,亟需環境友善且有效提升效能的創新技術與服務。
 
「無人機+智慧網+動態大數據分析」,正是建構東台灣「精準農業戰情室」的基礎,旨在將精準農業的施作方式向農民會員推廣。為達宣導目的,聯盟還派譴「行動服務車」執行無人機巡田、植保、噴灑等工作,負責動態偵測並與物聯網監測資訊整合,視覺化即時呈現。農業物聯網另有一個要務:智慧勘災,以便估算水災/風災的後續農損補償;從此,農民不必再苦候專業人員到場評估災損而停擺農作。該計畫還擴大至公路坍方等現場即時探勘以及無人機飛控/自動巡航程式設計的人才訓練,包括:設置證照檢定場、舉辦檢定考試及尋求跨域合作。
 

圖3:「東台灣無毒有機精準農業小聯盟計畫」積極推動產、學、研跨領域合作
資料來源:吳秀陽提供;筆者製圖

電子郵件:look@compotechasia.com

聯繫電話:886-2-27201789       分機請撥:11