印度农民面临着土地所有权分散的挑战，这限制了规模经济，也面临着不可预测的天气的挑战，这增加了风险。获得数据驱动的见解的机会有限，进一步限制了生产力、市场准入和农场的整体盈利能力。谷歌正在介入，为该国的农业生态系统带来更高的精度、规模和智能。班加罗尔 Google DeepMind 的研究人员开发了两种基础人工智能模型：农业景观理解 (ALU) 和农业监测和事件检测 (AMED)，它们利用卫星图像和机器学习为农民提供数据驱动的见解。继在这里采用之后，谷歌正在将其业务范围扩大到马来西亚、越南、印度尼西亚和日本。
这些模式一直在支持印度的生态系统，包括初创企业、中央和邦政府实体，以增强印度的农业复原力。 API（即应用程序编程接口）可以免费提供，有助于开发人员访问这些模型的输出。这些工具有助于提供可行的见解——从绘制植被和水体图到监测作物周期和每 15 天检测一次农业事件。
谷歌 DeepMind 农业和可持续发展研究负责人阿洛克·塔莱卡 (Alok Talekar) 表示：“我们始终相信，解决印度最紧迫挑战的解决方案也可以为世界解决问题。” “这两个农业人工智能模型最初是为了增强印度的农业韧性而建立的，现在也将在这些模型在印度首次发布后的几个月内支持整个亚太地区的农业可持续发展，”他告诉FE。
“印度生态系统的用例实现了我们对人工智能的雄心，以协助有针对性的、数据驱动的行动和解决方案，使印度农业领域的利益相关者受益。基于这一势头，我们最近将 ALU API 和 AMED API 的访问范围扩大到马来西亚、越南、印度尼西亚和日本的值得信赖的测试人员，”Talekar 说。
塔莱卡表示，目前，大多数大规模解决方案通常针对大型农场主，并不能满足小农的需求，小农生产的粮食占世界粮食的三分之一以上，但却处于日益严重的气候威胁的最前线。 “我们的目标是支持开发能够帮助小农的解决方案，其中大多数小农也来自南半球，”他说。
ALU 和 AMED 如何提供可行的农场见解
ALU 识别田地、水体和植被边界，而 AMED 提供有关种植最多的作物及其在各个田地层面的播种和收获时间表的关键田间见解。 AMED 还主动刷新数据（大约每 15 天一次），帮助检测整个国家农业景观中各个田地的农业事件。
印度首个用例
塔莱卡表示，印度生态系统已经展示了这些模型的各种用例，可以增强当地农业部门的复原力。 Krishi DSS 是 Amnex 为政府农业和农民福利部开发的综合农业洞察和决策平台，它利用 ALU 和 AMED API 为作物健康监测、面积估算、灌溉建议和气候影响评估的高级分析提供支持。
TerraStack 在印度理工学院孟买分校孵化，建立了一个农村土地情报系统，可以支持农村贷款、土地记录现代化，并帮助确定农场对气候风险的脆弱性。该系统使用 ALU API 来识别农场边界并检测潜在的侵占和土地所有权的变化，这是农民从公共和私营部门获得支持的关键因素。
Vassar Labs 计划将 API 集成到其现有的 fieldWISE 平台和数据堆栈中，提供全面的气候智能农业平台。这些整合通过多个国家项目为超过一千万印度农民提供服务，将增强其针对不同地形和种植模式的现有解决方案——从农业部门的作物和田间监测，到作物、灌溉、害虫和肥料管理的个性化咨询，以及为农民提供的市场和定价动态。
Sugee.io 旨在实现农村社区金融准入民主化，正在将 ALU API 的见解直接整合到其贷款发放系统中，以提高农民申请流程的效率，同时支持银行农业贷款的质量、可靠性和合规性。
能源、环境和水理事会 (CEEW) 计划使用 ALU 和 AMED API 开发同类首个高分辨率分析，这将有助于确定最能从作物多样化中受益的区域。这一基础性见解将使 CEEW 能够构想出一种新机制，为农民提供直接、响应性和差异化的收入支持，推动他们种植更有营养和气候友好的作物。 CEEW 还将这些模型整合到其气候数据平台中，该平台将作为数字公共产品提供，用于指导有针对性的州级干预措施。
此外，Telangana 政府的农业数据交换 (ADeX) 平台通过开放网络连接农业数据用户和提供商，还提供这些模型的输出，以支持生态系统开发农业解决方案，从而对该州约 600 万农民和更广泛的农业链产生积极影响。
