AgAID研究所：农业人工智能解决方案和跨学科合作的新平台

计算机和电子在农业197（2022）106944特别报告：AgAID AI研究所为农业劳动力转型和决策支持Ananth Kalyanaramana，*，Margaret Burnettb，Alan Fern b，Lav Khot a，Joshua Viers ca美国华盛顿州普尔曼华盛顿州立大学b俄勒冈州立大学，科瓦利斯，美国c加州大学默塞德分校美国加州默塞德A R T I C L EI N FO关键词：农业人工智能决策支持A B标准要应对21世纪农业的巨大挑战，我们需要从根本上改变我们对人工智能（AI）技术作用的设想，以及我们构建农业AI系统的方式这特别是对于复杂的，高价值的农业生态系统，如美国西部，种植了300多种作物由于劳动力成本增加和熟练技术人员短缺等挑战，该地区的农民和政策制定者面临着盈利能力不稳定、农作物损失严重工人、天气和管理的不确定性以及水资源短缺。虽然人工智能有望成为应对这些挑战的重要工具，但人工智能的能力必须得到扩展，并需要考虑到人类的输入，人类行为-创新实现这一目标远远超出了任何具体的研究项目或学科筒仓的范围，需要在研究，开发和培训方面进行更全面的跨学科努力。为了满足这一需求，我们发起了AgAID研究所，这是一个多机构，跨学科的国家人工智能研究所，将建立新的公私合作伙伴关系，涉及农业和人工智能领域的各种利益相关者。该研究所的重点是为特种作物农业提供人工智能解决方案，这些农业面临着与水资源供应、气候变化和极端天气以及劳动力短缺有关的挑战。我们对AgAID研究所所有活动的方法都遵循三个交叉原则：（i）采用作为人工智能设计的首要原则;（ii）适应不断变化的环境和规模;（iii）扩大人类技能和机器效率。AgAID研究所正在开展一系列活动，包括：将农业人工智能应用作为开发创新人工智能技术和工作流程的试验平台;为气候智能型农业奠定技术基础;作为文化包容性协作和跨学科学习以及知识共同生产的纽带;为农业和人工智能技术交叉领域的职业生涯做好准备。促进技术的采用和转让。1. 介绍农业正处于第四次革命的风口浪尖。作为可持续强化农业的途径，农业4.0革命（Rose和Chilvers，2018）对于满足不断增长的全球人口的热量需求，同时应对生产和环境挑战（如熟练劳动力短缺，天气和气候变化以及自然资源稀缺）是必要的。 数字技术，特别是人工智能（AI），预计将成为第四次革命的关键组成部分。从农场的实时时空传感，到复杂的天气和作物理解和应用农业生产背后的科学的模型，用于自动化农业任务的机械化机器人，operations支持农业。要实现这一点，不仅需要在人工智能技术方面取得根本性突破，而且同样重要的是，我们设计和改进人工智能增强的工作流程，以满足农业工作中不同个体的需求此外，这些技术需要是上下文敏感的和可现场的。考虑到潜在的用途，技术的设计应该以公平、多样性、可解释性和公平性作为基本的设计约束，而不是事后的特别是美国西部的农业* 通讯作者。电子邮件地址：ananth@wsu.edu（A.Kalyanaraman）。https://doi.org/10.1016/j.compag.2022.106944接收日期：2022年2月19日;接收日期：2022年4月2日;接受日期：2022年4月4日2022年4月19日网上发售0168-1699/© 2022作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表农业中的计算机和电子期刊主页：www.elsevier.com/locate/compagA. Kalyanaraman等人计算机和电子在农业197（2022）1069442包括华盛顿州（WA）、加利福尼亚州（CA）和俄勒冈州（OR），是一个数十亿美元的产业，涉及数百种作物，包括（但不限于）特种作物，如果树、坚果、葡萄和浆果（Astill等人， 2020年）。 特种作物的生产是高度劳动密集型的，占美国农业劳动力的87%，仅WA和CA就占劳动密集型作物生产的55%以上（Hernandez等人，2013年）。然而，由于劳动力成本增加、工人减少和熟练劳动力短缺，该地区的农民正面临着不确定和可变的盈利能力（Hernandez等人，2013年）。天气也造成了这种不确定性。现在，由于极端或不可预测的天气事件，出现重大作物损失和作物质量差的年份的可能性越来越大（Smith和Katz，2013年）;收获期的压缩也是如此，导致人们争相在很短的时间内收获数十亿新鲜市场水果。水资源短缺也加剧了这种情况，因为流域和灌溉区管理者以及政策制定者在优化分配有限的水资源方面继续面临巨大障碍（Mekonnen和Hoekstra，2016年）。总的来说，这些挑战使Ag行业的生产和收入大幅下降。例如，在一次天气事件中，高达50%的年度国家农业生产损失（相当于数百万美元的收入）可以持续（Snyder和de Melo-Abreu，2005）。同样，在最近的干旱年份，WA，OR和CA报告了数百起数百万美元的损失（Sandison等人， 2017年）。这些挑战是真实存在的，但人工智能的出现以及数据可用性的增加为帮助减轻这些关键挑战的影响打开了一扇新的机会之窗。然而，实现人工智能农业4.0的承诺只有通过仔细协调和协调的跨学科团队科学努力才有可能。此外，水资源短缺、农场经营和农业劳动力挑战并不是美国西部独有的，但它们的结合确实使该地区成为AgAID团队设计和部署有效人工智能解决方案的独特试验平台，以应对日益增长的各种国家挑战。特别是，人工智能农业将需要在人工智能的几个基础领域取得进展，包括：1. 建模-需要一个新的系统建模框架来集成已知(data过程模型和领域专门知识）与未知（例如，人类行为和影响），使仿真和决策引擎更适合特定地点，与理论和数据更一致，并更了解不确定性。2. 决策支持它们具有很高的不确定性，复杂的决策空间和多尺度的空间（状态到分布到农场到树）和时间（季节到每周到每天到秒）。业务设想也各不相同，从与决策者的长时间互动会议到实地的实时支持。需要新的原则框架来覆盖这些问题类，并灵活地与建模中的正交AI进展进行交互3. 工作流设计建立工作流程。然而，目前，设计包容性人工智能工作流程的基本原则，以最大限度地提高净效益（从而采用）还处于起步阶段。农业人工智能应用程序为开发和测试系统框架和流程提供了一个肥沃的测试平台，用于设计和迭代改进人工智能工作流程，以提高生产力并加速采用。这些基础领域中的每一个都需要涉及多个AI主题的新进展。在Ag应用框架下开发这些技术为创新和解决这些不同主题的交叉问题提供了机会。AgAID研究所的愿景和方法：总之，应对21世纪农业的巨大挑战将需要我们设想人工智能技术的作用以及我们构建人工智能系统的方式发生了根本性的转变。这种转变对于多样化、高价值、依赖劳动力的农业生态系统尤其如此，例如美国西部的农业生态系统。传统的开发和部署方法是将人工智能和技术设计师视为解决方案提供者，将领域用户视为消费者。然而，这种生产者和消费者的单一观点在农业中变得非常不充分，农业是一个复杂的，商业的，多作物的企业，涉及多个利益相关者，包括农民（种植者），农场工人，顾问和技术服务提供商，国家和地区政策制定者，研究人员和推广科学家，以及形成未来劳动力的学生。天气的作用 和气候变化， 下 不完整的知识，风险管理和市场的不确定性增加了复杂性。因此，任何人工智能驱动的努力要在这个复杂的“银领域”取得成功，人工智能设计师和广泛的利益相关者之间必须建立强大的联盟。这个人工智能设计师-农业利益相关者（人）联盟还需要一个强大的人工智能技术-人为因素（系统）联盟的补充-即， AI能力需要包括整合人类输入和解释人类行为固有能力。人类可以提供专家（科学或现场）指导，或者在复杂的动态过程中发挥影响力（例如，用水）。显然，建立这两个维度的联盟，人和系统，超出了任何具体的研究项目或学科筒仓的范围，需要一个跨学科的多方研究所-规模努力为了实现这一愿景，AgAID研究所建立在我们团队与利益相关者群体之间的伙伴关系基础上，以人工智能，农业和人类作为其三大智力支柱，并以三个统一的原则，可以简洁地概括为具体而言，我们认为：采用离子作为AI设计的首要原则，以消除AI技术在Ag应用中采用的障碍。这是通过将实际约束和用户考虑视为人工智能设计过程的核心，并通过与利益相关者的积极和持续的投标参与来创造技术和知识共同生产的环境来实现的。• 适应不断变化的环境和规模的能力，我们的方法固有的编码能力并在Ag球的多个时空尺度上提供决策支持。通过使用人类技能增强自动化并创建密切的人类-AI部分来增强人类技能和机器效率。这对于缩小劳动力差距至关重要，同时确保行为一致性并减少决策支持的不确定性。放大既能提高人的技能和知识，又能提高机器的效率，从而使整体大于各部分之和这三个重要的交叉设计原则指导我们的方法，我们的研究所的核心活动，并正在协调沿九个交织的维度（图。 1 b）。因此，AgAID研究所的总体目标是：（a） 利用人工智能的基础设施，实现农业决策支持、农场运营和劳动力发展的根本性转变，以及（b）建立一个新的联盟，以创建包容性的人工智能农业，并准备好迎接未来具有社会重要性的挑战。AgAID研究所团队：AgAID研究所是一个跨学科的联盟，由农业和人工智能研究人员、教育工作者、推广专业人员、行业技术提供商、种植者、作物顾问、管理者和政策制定者组成，为推动农业4.0革命创造了一个生态系统。核心成员包括六所大学，··A. Kalyanaraman等人计算机和电子在农业197（2022）1069443Fig. 1. 农业援助署研究所及其三大机构支柱、主要利益攸关方（基金会）和设计指导原则（屋顶）。(b)AgAID研究所的主要目标矩阵两所地区大学和两家科技公司图2显示了所有成员组织及其各自的关键能力和与研究所愿景和目标相关的计划1.1. 组织手稿的其余部分组织如下。第2节描述了农业援助研究所正在开展的各种研究活动的协调中心以及相关推广和劳动力发展活动的关键要素。第3节讨论了研训所在实施方面的主要挑战以及应对这些挑战的战略。第4节概述了研究所的主要组成部分以及预期影响和成果。图二、 AgAID研究所团队和合作伙伴。A. Kalyanaraman等人计算机和电子在农业197（2022）10694442. 研究重点AgAID研究所的主要研究活动是围绕三个Ag启发的研究重点（“Ag推力”）组织的，图三.每个Ag推力代表了一组连贯的使用启发式AI开发活动，由一个中心Ag主题驱动。这些活动将侧重于建立应用程序测试平台，以开发，应用和演示AI实用程序。另一方面，每个人工智能推进都代表了一组核心抽象，这些核心抽象封装了一个或多个Ag推进的特定需求。2.1. 农业用途启发研究（Ag推力）水资源配置情报。推动水资源分配智能推进的核心假设是，解决分配挑战将需要新的人工智能模型来耦合人类和自然系统，以及人工智能决策支持。主要目标是补充水文科学，并通过纳入 的 人水 联系; 促进 一 移位 从水中“supply”分配决定。图4说明了本研究主旨的主要研究方案，包括其关键组件和目标用例。农场运营情报。推动农场运营智能的核心假设是，人工智能支持的实时、特定地点的决策可以优化农场资源的管理，从而提高生产力，减轻作物损失，提高产品质量。其主要目标是开发特定地点的模型，将累积的管理决策与农作物产量和质量结果联系起来，并构建传感器驱动的、自适应的、实时的农场运营决策支持框架。 图5显示了本研究主旨的主要研究模式。与赤字灌溉，霜冻管理和收获有关的几个用例是这一推力的一部分。劳工情报局。推动工党情报的核心假设-ligence的主旨是，通过人机合作，可以有效地解决劳动力成本上升和熟练劳动力短缺带来的挑战。其主要目标是：通过人工智能提高现有现场机器的效率;增强经验不足的通过培训机器来提高更有经验的工人涉及劳动密集型操作的几个用例用于种植水果（例如，修剪、疏伐）和坚果树（例如，机械收获）是这一推力的一部分，如图所示。 六、2.2. 基础人工智能研究和开发（AI推力）农业人工智能涉及一系列属性：相互作用的生物物理过程（已知和未知），高不确定性，多尺度时空数据，一系列决策时间尺度（实时与长期），用户多样性以及许多可能的人类人工智能工作流程。这推动了作为我们基础人工智能推动力一部分的研究活动。已知和未知的建模系统。农业人工智能需要对生物物理和人类过程的系统进行建模，从流域动态到果园温度动态，再到树木-机器动态。该系统包括已知的过程（例如，水动力学），以及未知的过程（例如，人类行为），对于这些行为只有稀疏的数据和较弱的知识。因此，建模框架需要使用数据、科学和人工智能来共同推断未知数并改进已知数。由此产生的模型将是特定于场地的（例如，对于特定区域、田地或树木），科学上一致的、可解释的，将明确地解释不确定性，并且将有助于直接数据收集以改进模型。多尺度决策支持。农业人工智能需要为人类和机器人提供多尺度决策支持，从灌溉区的输水计划到实时防冻，再到用于机械收割的半自主树木摇动机器人。决策框架需要改进现有的模型，使其适合于特定地点的决策支持，从实时执行到长期规划。这些框架还需要支持从人类专业知识中学习，人类-AI协作，并考虑不确定性帮助确保安全可靠的支持。设计交互式和包容性的人机工作流。采用农业人工智能需要识别具有人类-人工智能角色和交互的工作流程，以提高生产力。这可能包括从灌溉区的桌面决策支持，到农民的手持实时决策支持，或与机器人交互的农场工人图三. AgAID研究所在Ag领域的研究重点示意图。A. Kalyanaraman等人计算机和电子在农业197（2022）1069445图四、 水资源 分配智能：（左）推力能力;（右）不 同时 空 尺 度的 短期和长期决策。2.3. 参与、推广和劳动力培训农业推广和劳动力发展是AgAID研究所使命的一个组成部分。其目标是为研究人员、教育工作者以及农业和技术的主要利益相关者之间的持续接触建立一座桥梁，并强调一种可行的、务实的方法。的构建朝向知识合拍和共传播，同时为负责任的人工智能创新创造环境（Rose和Chilvers，2018）。农业援助推广和劳动力发展活动的重点是与农业社区进行持续和反复的接触，以进一步促进农业发展。图五. 农场运营智能：将近实时决策支持与预测经济重要结果的经验季节模型相结合。我们的工作是开发新的框架和流程，用于基于行动后审查的军事概念设计人工智能工作流程。其结果将是简单的迭代工作流程，如图7所示，使用可解释的接口封装AI功能，同时优先考虑公平采用的包容性。由此产生的工作流程可以适应新信息，提高生产力，并创建更容易的采用途径。研究所的目标。更具体地说，推广团队正在致力于：（i）通过学习圈促进以需求为驱动的包容性和负责任的人工智能工具的共同开发，从而使工具具有更高的采用可能性，并适应不断变化的需求;（二）快速启动的 通过过程 通过利用利益相关者关系，以招募早期采用者将提供关于原型工具的关键反馈，并加速其社交网络的采用;（iii）通过培训计划支持用户社区的采用扩大，并与中介机构合作，以扩大技术转让和采用。这种迭代和多阶段的过程如图所示。8.第八条。此外，AgAID研究所正在建立一个新的智能果园基础设施，以测试和展示新的人工智能工具，并培训图六、 人工智能：人工智能案例包括a）坚果收获，b）疏 花，c）用于自动修剪的树木骨架。图7.第一次会议。 AgAID研究所的 人 工 智 能 工 作 流 程 显 示 了 一 个 迭 代 的 以 人 为 中 心 的 设 计 循 环 。A. Kalyanaraman等人计算机和电子在农业197（2022）1069446见图8。 AgAID当前和下一代劳动力。更具体地说，正在建立一个由人工智能驱动的示范农场和社区学习中心，作为研究所级的资源。该示范农场将提供：（1）跨学科团队并肩工作的互动研究平台，以更好地了解如何为不同的农业用例开发人工智能技术;（2）学生获得实践经验的教育中心;以及（3）为包括种植者，田间工作者，教育工作者和技术提供商在内的关键利益相关者提供经验学习网站。为了培养下一代劳动力，AgAID研究所的培训方案针对各级学习者，重点是特别是，在K-12水平，重点是初中和高中水平，当学生确定职业偏好，并经常选择退出STEM。 在本科阶段，重点是社区学院和两年制副学士学位课程，为进入四年制大学提供重要的垫脚石，特别是对低收入、代表性不足和第一代学生。在研究生一级，重点是研究生和博士后学者，他们将成为研究和技术开发的劳动力。最后，作为培训当前农业劳动力的努力的一部分，AgAID团队还在开发培训材料和训练营，用于正在进行的培训计划，如韦纳奇山谷学院的西班牙裔果园员工教育计划。3. 挑战和替代战略农业援助研究所的主要挑战之一将是技术的转让和采用。采用将取决于几个关键因素，包括经济（投资回报率，回报的可变性），财务（借贷限制，杠杆），心理（风险规避）和社会（营销，学习）（Baerenklau，2005; Barham等人，2015年）。为了有效应对这一挑战，AgAID研究所正在实施一系列积极主动的战略，以建立一个生态系统，加速创新反馈周期，并支持新技术的吸收。早期采用者网络：社会因素和网络效应在农业技术采用中发挥着重要作用（Micheels和Nolan，2016）。少数早期采用者在展示新技术的有效性以及通过行动和采用传播成功方面发挥着关键作用。AgAID研究所正在利用现有的种植者网络，与AI就绪和Ag意识的用户群体一起促进研发成果。这些网络和当地顾问团体可以共同提供一个专门的早期采用者利益相关者小组，用于技术演示和潜在的采用。商业化：采用和技术转让的成功程度不仅可以通过参与种植者的数量来衡量，还可以通过寻求将研发整合到可扩展的商业产品中的联合技术公司的数量和规模来衡量。这个水平集成的需要参与整个硬件生态系统软件和以数据为中心的供应商，从创新周期的开始到整个&研发过程。虽然AgAID研究所学习圈的反馈将促进这种“采用飞轮”，但以人工智能为中心的采用和技术转让的潜在障碍是众所周知的。该研究所还与种植者和工业界合作，通过鼓励数据透明度、采用数据标准、使用开放API以及探索数据共享选项来保护专有和/或机密数据，从而采用数据和技术框架并建立对数据和技术框架的信任。这将促进创新和创业精神，并最终在从创意到退出的商业化过程中形成垂直存在。第三方采用：众所周知，农业技术的采用往往是parado-NICAL。随着个体农场获得新技术（例如，滴灌）需要更多的资本，并且可能需要投资来运行和维护该技术，从而可能降低经济效益。随着技术在复杂性和成本方面的进步，大多数农场都无法自行进行资本投资。由第三方实体运营、维护和交付技术即服务通常更有效。 除此之外，可以想象，以人工智能为中心的采用和技术转让可能需要改变贷款模式，集中硬件/软件，商品租赁和/或用于数据共享的作物保险回扣当考虑什么是可行的（艾伦和卢克，2008年）。结合区域经济模型的业务级财务分析将支持对人工智能技术直接采用农场的情况与专业运营与农场单独签订合同以部署技术或其他替代方案的情况进行比较。金融中介：人工智能技术在农业中的应用程度可能仅限于农业的某些领域。特别是，其中一个限制因素预计是小规模种植者或年轻和初出茅庐的农民（与已经高度杠杆化的农场相比）所承受的财政限制。农业的新进入者对于该行业的活力和创新至关重要（Aghion等人，2009），但由于大多数农场是缺乏有限责任的独资企业（Briggeman等人，2009年），技术投资是可变投入（如水和劳动力）的资本替代品，克服金融风险是采用努力的公认障碍。因此，该研究所将建立与公共和私人农业贷款机构的现有关系，以了解贷款标准如何限制技术采用，以及是否需要特殊融资计划或更具创造性的融资机制道德和负责任的创新：另一个重大挑战任何大规模的技术和创新驱动的倡议-AgAID方法 和 框架 将 借鉴 既定原则，A. Kalyanaraman等人计算机和电子在农业197（2022）1069447负责任的创新（例如，Stilgoe等人，2013年），以创建最佳实践，促进负责任的创新的长期文化。这包括提供一个平台，以促进围绕产品的提问，创新的过程和目的以及对研究和创新的兴趣人工智能公平本身就是一个迅速扩张的领域。有些问题是农业领域特有的，例如人工智能的一些做法可能会节省成本，但会损害环境，减少对农民有益的工作方面，或对人类和动物的福利产生负面影响（例如，（Ryan和Stahl，2020）。到为了使研究人员和学生意识到这些问题并保持警惕，需要在研讨会和其他以社区为中心的活动此外，鉴于农业和技术利益相关者的多样性和数据，但也“在引擎盖上”-即，在我们的人类利益相关者必须执行的工作流程中。4. 讨论AgAID研究所正在为农业人工智能技术和知识的共同生产以及劳动力发展建立一个创新生态系统，并正在利用受农业启发的用例在三个主要方向上推动基础人工智能研究的前沿：1）利用数据和科学知识建模已知和未知，同时考虑不确定性; 2）设计多尺度能力感知决策支持，用于实时和长期决策; 3）设计交互式和包容性的人机工作流和可解释的界面，可以增强人机环境中的学习和生产力。通过采纳-适应-放大原则，该研究所将预测指针从水供应（较弱）移动到水可用性（较强），同时考虑隐藏的人类和其他影响，b）农场操作智能，在多个尺度上提供有效的特定于地点的实时决策支持，以及c）劳动力智能，为农场工人和机器创造新的机会，以协同放大生产力。最终，该研究所标志着多个学科和利益相关者群体的融合，带来了远远超出学科界限的进步，以确保人工智能和农业社区之间的持续伙伴关系。我们预期的结果范围从短期到长期，跨越多个层面，从技能培养和工作质量改善，到新的职业机会，增强区域和国家粮食安全，以及提高人工智能的可采用性（如图9中的逻辑模型视图所示）。随着使用激励因素推动发展，基本的人工智能元素将有能力扩展到其他全球农业系统。与此同时，这些基础人工智能的进步也可以适应其他具有类似挑战和机遇的领域，例如制造业和医疗保健，这两个领域都具有强大的人工智能组成部分，尽管在运营和人力资源方面存在不同的利益相关者和相关挑战更多关于该研究所、其成员和推力水平的有关组织的详细信息，请访问该研究所gaid.org/竞争利益提交人声明，他们没有已知的竞争性经济利益或个人关系，可能会影响见图9。 一个逻辑模型，显示AgAID研究所预期的成果和产出清单。A. Kalyanaraman等人计算机和电子在农业197（2022）1069448本文报道了这方面的工作致谢AgAID研究所的其他成员和这项工作的主要贡献者包括JohnAbatzoglou 、 Jennifer Adam 、 Abhijin Adiga 、 Leigh Ber- nacchi 、Jessica Black 、 LeAnn Brosius 、 Jenny Bolivar-Medina 、 MichaelBrady 、 David Brown 、 Ian Cummings 、 Joseph Davidson 、NancyDeringer 、 Amit Dhingra 、 Jana Doppa 、 Cindi Dunn 、 RezaEhsani、Xiaoli Fern、Joshua Goldstein、Cindy Grimm、Sonia Hall、Rebecca Hutchinson、Jor- dan Jobe、Minsuk Kahng，Lee Kalcsits，Manoj Karkee ， Markus Keller ， Heather Knight ， Chad Kruger ，Stefan Lee，Mingliang Liu，Steve Mantle，Madhav Margaret，JosueMedellin-Azuara ， Paola Pesantez-Cabrera ， Troy Peters ， RavivRaich，Kirti Rajagopalan，Sai Ramaswamy，S. S. Ravi，BernarditaSallato-Carmona ， Sindhuja Sankaran ， Claudio Stockle ， SamarthSwarup，Jian-Qiao Sun，Prasad Tadepalli，Sinisa Torodovic，AnilVullikanti ， Matthew Whiting ， Weng-Keen Wong ， Yan Yan ，Jonathan Yoder，Georgine Yorgey，Jia Yu，Wenzhen Yuan，and QinZhang.AgAID AI劳动力决策支持转型研究所得到了美国农业部-国家粮食和农业研究所（NIFA）的支持，编号为2021 -67021-35344。&AgAID研究所是由美国政府和国际社会共同支持的人工智能研究所之一S.国家科学基金会和美国农业部，作为国家人工智能研究所计划的一部分引用Aghion，P.，布伦德尔河，格里菲斯河，Howitt，P.，Prantl，S.，2009.进入对现有创新和生产率的影响。修订版经济统计91 ，20-32 。https://doi.org/10.1162/rest.91.1.20。网址：https://direct.mit.edu/rest/article/91/1/20-32/57753。艾伦，D.W.，Lueck，D.，2008.农业合同，在：新制度经济学手册。Springer，BerlinHeidelberg，Berlin，Heidelberg，pp. 465-490. 网址：http：//doi.org/10.1007/978-3-540-69305-5_9网址：http://link.springer.com/10.1007/978-3-540-69305-5_9。阿斯蒂尔，G.，佩雷斯，A.，Thornsbury，S.，2020.发展特种作物的自动化和机械化--美国农业部向国会提交的报告。技术报告。美国农业部。网址：https://www.ers.usda.gov/publications/pub-details/? pubid = 95827。Baerenklau，K.A.，2005.对技术采用的理解：风险，学习和邻里效应。Land Econ.81，1-19. https://doi.org/10.3368/le.81.1.1.网址：http://le.uwpress.org/cgi/doi/10.3368/le.81.1.1。Barham，B.L.，Chavas，J.P.，菲茨，D.，Ríos-Salas，V.，谢克特湖， 2015. 风险、学习和技术采用。《农业经济学》，第46页，第11-24页。https://doi.org/10.1111/agec.12123.网址：https://onlinelibrary.wiley.com/doi/10.1111/agec.12123。布里格曼，不列颠哥伦比亚，托，CA，M.J.莫伊加特，2009.信贷约束：存在性、决定因素及对美国的启示农场和非农场独资经营。Am. J. 农业。经济91，275-289. https://doi.org/10.1111/j.1467-8276.2008.01173。X.网址：https://onlinelibrary.wiley.com/doi/10.1111/j.1467-8276.2008.01173。X.Hernandez，T.，Gabbard，S.，卡罗尔，D.，2013年。香港人口及就业概况美国农场工人技术报告。美国劳工部.网址：https://www.dol.gov/sites/dolgov/files/ETA/naws/pdfs/NAWS_Research_Report_13.pdf。Mekonnen，M.M.，美国纽约州霍克斯特拉2016. 40亿人面临严重缺水。Sci. Adv. 2，1500323 。 https://doi.org/10.1126/sciadv.1500323 网 站 。 网 址 ： https ：//www.cn.cn science.org/doi/10.1126/sciadv.1500323网站。米歇尔，外星人J.F.诺兰2016年。分析吸收能力和社会影响农业创新的资本：加拿大草原案例研究。Agric. Syst. 145，127-138.https://doi.org/10.1016/j.agsy.2016.03.010。URL：https：linkinghub.elsevier.com/retrieve/pii/S0308521X16300506.罗斯，华盛顿Chilvers，J.，2018年农业4.0：在智能农业时代扩大负责任的创新前面坚持住。食品系统二、 https://doi.org/10.3389/fsufs.2018.00087.网址：https://www.frontiersin.org/article/10.3389/fsufs.2018.00087/瑞安，M.，Stahl，B.C. 2020.人工智能开发者和用户伦理指南：澄清其内容和规范性影响。 J. 告知。Commun.伦理学会19，61-86. https://doi.org/10.1108/JICES-12-2019-0138publisher：翡翠出版有限公司。Sandison，D.，Hancock，J.，Drennan，M.，2017. 2015年干旱与农业：华盛顿州农业部的一项研究。技术报告。华盛顿州农业部。网址：https://agr.wa.gov/departments/land-and- 水/自然资源/水资源保护/干旱。史密斯，A.B.，Katz，R.W.，2013.美国十亿美元的天气和气候灾害：数据来源，趋势，准确性和偏见。Nat. Hazards 67，387-410.https://doi.org/10.1007/s11069-013-0566-5.网址：http://link.springer.com/10.1007/s11069-013-0566-5斯奈德河，de Melo-Abreu，J.P.，2005.防霜：基本原理、实践与经济学，第2卷。联合国粮食及农业组织，罗马。网址：https://www.fao.org/3/y7223e/y7223e02.htm#TopOfPage。Stilgoe，J.，欧文河，Macnaghten，P.，2013.建立负责任的创新框架。Res. Policy42，1568-1580. https://doi.org/10.1016/j的网站。 respol.2013.05.008。网址：https://linkinghub.elsevier.com/retrieve/pii/S0048733313000930。美国农业部，2020年。USDA科学蓝图：2020年至2025年USDA科学路线图。美国农业部，1https://www.usda.gov/sites/de-48URL：www.example.comfault/files/documents/usda-science-blueprint.pdf。