康奈尔项目旨在培养数字农业景观|Cals

Jan Nyrop

为了扩展康奈尔大学的数字农业计划，已经宣布了六个项目，总计超过100万美元，以在农业，计算和工程学的相交领域产生创新研究。

研究投资康奈尔大学农业实验站（Cuaes）将在三年内为六个提案提供资金，重点是开发计算和信息技术，以创造更有利可图，高效和可持续的农业实践。这些项目（具有康奈尔大学研究人员的协作专业知识）将解决问题和新兴技术至关重要的现代农业：机器人技术，天气预报，大数据，隐私问题，动物健康和自然资源管理。

Cuaes昆虫学主任兼教授Jan Nyrop说：“在康奈尔大学，我们在种植者采用强大的大数据系统时面临的技术挑战处于独特状态。”

为了将农业研究人员与康奈尔大学工程和信息科学专家联系起来，旨在刺激与CALS，工程学院（COE）和计算和信息的研究人员进行对话的一系列冬季会议（CALS）科学（顺式）。

由于会议期间产生的讨论，研究人员发现了关注的领域，并提出了由Cuaes管理的联邦孵化资金的拟议项目。Nyrop表示，旨在利用大学的跨学科能力的赠款过程，其目标是投资于有希望的研究，并随着数据，自动化和分析的可能性对种植者产生最大影响的潜力，成为农业运营的重要组成部分。

Nyrop表示，由于到2050年的气候越来越不可预测，世界人口预计将超过90亿，因此在纽约州广泛采用可定制的数字农业实践的需求至关重要。

2015年，综合植物科学学院教授Harold Van Es和Charles H. Dyson应用经济学和管理学院的助理教授Joshua Woodard的报告，yabo88下载概述了纽约的数字农业建议。他们建议在研发方面进行战略投资，以更好地使农业种植者的需求与数据分析和系统技术的能力保持一致。

Nyrop表示，新资助的项目将推进对新兴技术和知识的研究，并以康奈尔为基金会为基础，成为农业创新的全球领导者。有关数字农业研究的更多信息可以在Cuaes网站上找到。六个公认的项目是：

首席研究人员：索隆·巴罗卡斯（Solon Barocas），独联体；卡伦·利维（Karen Levy），顺式；哈罗德·范·埃斯（Harold van Es），加州。

合作者：约书亚·伍德德（Joshua Woodard），加州。

为了在不断增长的运营中对农民与数据密集型系统有关的问题有更深入的了解，该研究将调查用户的采用考虑各种公共和私人农业数据管理系统的考虑。研究人员将研究现有的社会关系在采用数据技术中的作用，并解决有关隐私和法律的问题。

首席研究人员：加利福尼亚州亚瑟·德加塔诺（Arthur Degaetano）；玛德琳·乌德尔（Madeleine Udell），科

该项目将通过为手指湖区部署预测模型，探索和实施更有效的数据存储格式和检索算法来评估天气预测能力。更准确的预测信息有望最大化种植者使用现有和未来的农业工具的能力，并为他们提供更多的交付时间来主动管理其运营。

首席调查员：COE David Erickson；朱利奥·佐丹奴（Julio Giordano），加州

E-synch或电子同步是一个项目，旨在开发一种设备以自动化排卵并监测牛的生理学，并在授精之前监测牛的生理。将创建一种原型设备和控制软件，以通过减少劳动力需求并通过更好的生殖性能和减少牛操纵来提高牛福利来提高农场的可持续性。

首席研究人员：科尔斯汀·彼得森（Kirstin Petersen），科（Coe）；贾斯汀·范登·休夫（Justine Vanden Heuvel），卡尔斯（Cals）

专家：Amit Lal，Coe；罗伯特·谢泼德（Robert Shepherd），科（Coe）；韦恩·威尔科克斯（Wayne Wilcox），加州

该项目将采用廉价的机器人，这些机器人可以触摸，感知和仔细操纵脆弱的农产品，以收集有关葡萄产量和质量的数据。研究人员设想了葡萄园中的一系列廉价平台，该平台将与基站通信，从而为种植者提供实时群集数据，以促进有关酿酒厂中檐篷管理，作物控制，潜在的害虫管理，收获和流媒体的决策。

首席调查人员：加利福尼亚州莱利安格·郑（Lailiang Cheng）；艾伦·拉克索（Alan Lakso），加州；亚伯拉罕·斯特鲁克（Abraham Strouck），科（Coe）；冯克你，科

该项目将开发一个测量框架以及用于在苹果园中使用的水使用模型，以提供果园中灌溉和水压力的精确反馈控制。该项目的一个目标是将发现转化为商业实践，从而使种植者可以访问其苹果和其他高价值园艺作物的此类数据。

首席调查员：冯奇你，coe

联合调查人员：约书亚·伍德德（Joshua Woodard），加州；马修·瑞安（Matthew Ryan），加州

政府发布了各种远程感知的（卫星）数据产品，但这些数据产品并未在农业的运营政策环境中广泛使用。鉴于收集和加工农场级别的生产，保护和经济信息进行政策分析的持续困难，因此人们对使用远程感知的数据推动政策设计充满兴趣。该项目将使用自适应优化和机器学习将远程感知的数据与基于过程的模型整合在一起，以识别农业中的保护实践的使用（例如，覆盖裁剪）和设计新政策。