计算机科学可以帮助农民探索替代作物和可持续农业方法

人类已经重新配置了身体 世界一半的土地 只种植八种主要作物：玉米、大豆、小麦、大米、木薯、高粱、红薯和马铃薯。它们占世界各地人们消耗的绝大多数卡路里。随着全球人口的增长，面临着压力 进一步扩大生产.

许多专家认为，进一步扩大现代工业化农业——严重依赖合成肥料、化学农药和高产种子—— 这不是正确的方法 到 养活不断增长的世界人口. 。在他们看来，这种做法 在生态或经济上不可持续, 以及农民和科学家 感觉被困住了 在这个体系内。

社会如何才能开发出满足其需求且更加健康和多样化的食品系统？事实证明，很难像工业化农业那样广泛推广有机农业等替代方法。

在最近的一项研究中，我们从我们的角度考虑了这个问题 计算机科学家 和一个 作物科学家. 。我们和我们的同事 布莱恩·朗克, 亚当·斯特里德, 黛安·R。王 和 帕特里克·M。尤因 提出了一种重新思考的方法 农业系统是如何设计和实施的, ，使用计算机科学的中心思想 - 抽象 - 总结数据和概念并以计算方式组织它们，因此我们可以分析它们并对其采取行动，而无需不断检查其内部细节。

产量大、影响大

现代农业在20世纪中叶短短几十年内得到了强化，这在人类历史上只是一眨眼的功夫。 技术改进 引领潮流，包括开发 合成肥料 以及改进植物育种的统计方法。

这些进步使农场能够生产更多的食物，但是以牺牲环境为代价的。规模化农业已 帮助推动气候变化, ，污染的湖泊和海湾 养分径流 和 加速物种丧失 将自然景观变成单一作物田。

许多美国农民和农业研究人员希望种植更广泛的作物并使用更可持续的耕作方法。但他们很难弄清楚哪些新系统可以表现良好，尤其是在气候变化的情况下。影响较低的农业系统通常需要深入的当地知识，以及对植物、天气和气候模型、地质学等的百科全书式的了解。

这就是我们的新方法的用武之地。

作为国家空间的农场

当计算机科学家思考复杂问题时，他们经常使用一个称为“ 状态空间. 。这种方法在数学上代表了系统配置的所有可能方式。在空间中移动需要做出选择，而这些选择会改变系统的状态，无论好坏。

举个例子，考虑有一个棋盘和两个玩家的国际象棋游戏。棋盘在某一时刻的每个配置都是游戏的一个状态。当玩家采取行动时，会将游戏切换到另一种状态。

整个游戏可以用它的“状态空间”来描述——通过玩家做出的有效动作，游戏可能处于的所有可能状态。在游戏过程中，每个玩家都在寻找对自己更有利的状态。

我们可以将农业系统视为特定生态系统中的状态空间。农场及其在任何时刻的植物物种布局都代表该状态空间中的一个状态。农民正在寻找更好的状态并试图避免坏的状态。

人类和自然都将农场从一种状态转移到另一种状态。在任何一天，农民都可能在土地上做十几种不同的事情，例如耕耘、播种、除草、收割或施肥。自然会导致较小的状态转变，例如植物生长和降雨，以及在洪水或野火等自然灾害期间发生更剧烈的状态转变。

寻找协同效应

将农业系统视为国家空间，可以扩大农民的选择范围，超越当今农业系统提供的有限选择。

个体农民没有时间也没有能力在自己的土地上进行多年的反复试验。但计算系统可以利用来自许多不同环境和思想流派的农业知识，与自然下一场隐喻的国际象棋游戏，帮助农民确定适合他们土地的最佳选择。

传统农业限制了农民对植物品种、耕作方法和投入的几种选择。我们的框架使考虑更高层次的策略成为可能，例如一起种植多种作物或寻找最适合特定土地的管理技术。用户可以搜索状态空间，考虑哪些方法、物种和地点的组合可以实现这些目标。

例如，如果科学家想要测试五次作物轮作——在同一块田地里种植计划的作物序列——每轮持续四年，种植七种植物，这代表了 721 次潜在的轮作。我们的方法可以使用以下信息： 长期生态研究 帮助找到最有潜力的系统进行测试。

我们看到巨大潜力的一个领域是 间作 – 混合或紧密种植不同的植物。人们早就知道许多特定植物的组合可以很好地一起生长，每种植物都以某种方式帮助其他植物。

最熟悉的例子是“三姐妹”——玉米、南瓜和豆类——由 美洲土著农民. 。玉米秆充当豆藤攀爬的棚架，而南瓜叶则遮荫地面，保持地面湿润，防止杂草发芽。豆类植物根部的细菌为这三种植物提供必需的营养物质氮。

整个人类历史上的文化都有自己喜欢的具有相似协同作用的间作系统，例如 姜黄和芒果 或者 小米、豇豆、枣子，俗称红枣. 。以及新的工作 农业光伏 表明将太阳能电池板和农业结合起来可以取得令人惊讶的效果：这些面板部分地遮蔽了生长在其下方的农作物，农民通过在自己的土地上生产可再生能源来赚取额外收入。

替代农场策略建模

我们正在努力将我们的框架转变为人们可以用来将农业建模为状态空间的软件。目标是让用户能够根据自己的直觉考虑替代设计，最大限度地减少现在测试农业新想法所需的昂贵的试验和错误。

当今的方法主要是对现有的、通常不可持续的农业系统进行建模和优化。我们的框架能够发现新的农业系统，然后在这些新系统中进行优化。

用户还能够向基于人工智能的代理指定他们的目标，该代理可以执行农场状态空间的搜索，就像它可能搜索棋盘的状态空间以选择获胜的动作一样。

与一个世纪前相比，现代社会可以获得更多的植物物种以及更多关于不同物种和环境如何相互作用的信息。我们认为，农业系统在利用所有这些知识方面做得还不够。通过计算将其结合起来可以帮助农业在快速变化的世界中变得更加高效、健康和可持续。