台灣生態旅遊協會舉行「新視野2021台灣生態旅遊國際研討會」，邀請國內外生態旅遊專家，探討COVID-19（2019冠狀病毒疾病）疫情影響下旅遊思維。

在印度，大約 600 萬人種植經濟作物-棉花，而該作物則是僅次於稻米和小麥的第三大農產品。然而棉花特別容易受到害蟲的侵害，為了幫助棉花農預防此災害，Wadhwani AI 與Google慈善組織合作，共同努力改進了非營利組織的“以人工智慧來驅動農場決策支援系統”：這一個應用程式是使用人工智慧來識別哪些害蟲正在吃農作物，然後預測其侵擾的軌跡，並從農業專家那裡獲得可行的補救建議。Wadhwani AI期望CottonAce 的應用程式能提升棉花農之利潤率及降低農藥成本，從而保護環境之永續性。

為紀念首次5月21日”國際飲茶日”的到來，聯合國糧食及農業組織主導了一場由茶葉出口商、生產商、專家及倡議組織參加的線上虛擬大會，會議中強調茶產業若要繁榮昌盛應優先考量其發展的永續性。

日本政府自1999年頒布《永續農業法》，依其第四條規定採用「農業永續生產方式」之友善耕作者可向各地方政府提出認證申請，一旦申請通過即可取得政府提供的特別專案措施。

藉由建立養殖漁業早期預警系統SeaState，來監測其養殖場可能面臨之風險，如低氧水域、溫度驟變和藻華等風險。使其養殖業者能滾動式地調整其養殖場之管理，降低災害損失，以補救因氣候現象而損失的海產，激勵水產養殖業者面對極端氣候狀況，確保水產養殖產業永續發展。

在臺灣除了台北、桃園、新竹比較沒有生產咖啡以外，其他縣市幾乎都有產咖啡，大致可分為3個產區，一起來了解各產區咖啡特色 一、中低海拔地區：咖啡酸度高，入口後風味濃郁 二、高山中高海拔產區：酸度中等柔順，果香味濃，口感柔順居中，整體平衡感順 三、中央山脈以東太平洋產區：烘焙酸度中等溫和，甜感佳、口感濃厚脂感細膩 　　雲林古坑是臺灣知名的咖啡產地，海拔超過1200公尺，日夜溫差10幾度，種出來的咖啡屬於中高海拔的風味。從生豆到一杯咖啡的過程，背後可蘊藏著不少學問，不單單只是時間掌握與水溫控制的沖泡過程，從種植條件、選種到園區管理，甚至還要經過調整後製或是品種改良，每個環節緊密相扣，最後才能萃取出你手中那一小杯品質穩定、香醇回甘的咖啡。讓我們一起前進雲林古坑咖啡園，更深入了解咖啡旅程吧!

加州一家人工肉的企業最近揭幕大型的設備，未來年產量能超過18萬公斤。美國政府尚未核准動物細胞培育的人工肉銷售，這家公司表示，技術已到位，「這不是科幻小說」。

在過去的一個世紀中，農業生產模式已徹底改變。農業生產者可透過日新月異的農業技術，如智慧灌溉系統、土壤品質監測技術及自動化農業機械等執行農耕之相關作業以減少農場勞動力成本、提升農耕作物產量及盈利、擴大農場規模及提升農田價值等。希望農業科技賦予作物、農田、農業更有增值潛力及空間。

農業在糧食供給肩負重責大任，卻也因為生產的過程，過度使用化學肥料與農藥，導致土壤與河川汙染，破獲生態平衡，反本末倒置對人體健康造成危害與惡性循環。而近年來消費者對環境意識的抬頭，農業在發揮國土保育與環境維護等同時也兼具多元性且多功能的重要角色，促使環境保全型農業逐漸受到重視。

農業智慧化之後的挑戰-數據分析 國立臺灣大學農藝學系 劉力瑜 教授兼系主任 國立臺灣大學農藝學系生物統計與生物資訊組博士班學生 李俊翰  一、前言　　 　　隨著資訊科技軟硬體的快速發展，大數據充斥在人們的日常生活周圍，包含民生消費(便利商店)、交通(捷運公車)、防疫安全(實聯制、警消)，直至每天使用的智慧型手機的資料備份等。大數據的收集與分析，近年來也應用在農業領域，從分子層級之微陣列 (microarray) 基因表現量資料、基因體或轉錄體的定序資料，到智慧農業應用於田區栽培管理的感測數據與影像資料等包羅萬象。收集數據的目的都是希望能藉由數據來轉換成有用的知識，例如透過基因表現量資料的分析瞭解基因調控機制，或者作物在不同環境下生長的速率或產量變化等。為了將數據轉換成知識，需要進行有效的數據分析。 　　以智慧農業為例，其中一種主要的應用方式，是結合感測設備、物聯網、大數據分析等軟硬體技術，進行作物與環境的監測，除了可以預測作物品質與產量，更希望進一步建議栽培管理行為決策。過程中收集的數據，包含大量的環境感測資訊（如：逐時的溫度、雨量、日照量等）、作物生長量化指標（如：開花日數、各器官乾物重、葉面積等）、農民或專家的栽培管理手段（如：灌溉或施肥的時機與數量、開啟溫室風扇或遮陰網等）。由於數位科技的進步，以上數據大多可自動或半自動地收集，也因此可快速累積遠比過去還要更大量的相關數據。這些數據透過系統化的收集與整合，針對不同田區規模與情境分析套用專家知識，得以進一步轉換為支援決策的資訊，因此衍生而出近年來常被提及的「專家系統」或「數位分身」等概念。從更長遠的目標來看，現代智慧農業應用更需要能及時分析環境與市場變化的相關數據，適時調整栽培管理策略。 　　本篇文章將以智慧農業為例，簡要介紹現行收集數據的來源或常用設備，接著簡述若干大數據常用的分析方法，最後提出農業大數據收集與分析時的幾點建議，包含實驗設計、資料視覺化與建議使用的程式語言等。 二、智慧農業數據的來源　　 　　農業數據來源，從傳統上的實驗室或田間試驗調查、感測設備（無論是否搭配物聯網傳輸）收集環境數據、到無人載具的數據或影像收集等，包羅萬象。與作物生長最密切相關的溫度與日照量等環境數據，可在田區或溫室架設微型氣象站，頻繁收集大氣相關資料，即便因成本考量無法架設私人氣象站，也可利用中央氣象局廣設的農業氣象觀測站，由中央氣象局「農業氣象觀測網監測系統」 (https://agri.coa.gov.tw) 讀取逐時氣溫、降雨量、日照輻射量、風速風向等與農業栽培應用相關的氣象資訊。過去這些氣象資訊未能即時發布，而是以旬報的方式公告，拜網路的發達，現在使用者已經可以很方便地取得最即時的訊息。另外，土壤是作物最直接取得生長所需水分及養分的媒介，因此土壤感測器也是智慧農業常使用的感測設備，很多人普遍認為監測土壤才能獲得最精確的作物水養的需求，但土壤較大氣來說均勻度不足，因此感測器取得之數據的代表性仍有待商榷。 　　作物生長情況、農民或專家的栽培管理手段等，過去大多透過經驗累積，少有能精確累積並傳承的數據，近年來透過影像紀錄或數位化記錄工具，例如農委會開發並推廣的「農務e把抓」等應用程式，讓數據收集更便利、更有系統，也更能透過數據單位的標準化，統整不同時間或地點的資料，使得數據得以量化並逐漸累積。無人機則是高效率收集作物生長情況的其中一種設備，可依據不同的應用目的，由無人機搭載適當規格的相機，飛到適當的高度，依適當的飛行速度在適當的間距取得影像後，搭配農業專家對影像拍攝結果的標註建立影像辨識模型，未來就能以模型的演算結果判斷作物特定的生長情況。其中無人機影像的解析度是模型能否正確判定作物生長情況的關鍵，依常理而言，飛行高度越低可取得解析度越高的影像，但由於相機拍攝角度的限制，飛行高度越低，表示取得全田區影像需要的時間越長、無人機消耗的電量越多，也表示影像檔案個數越多、未來影像分析需要的計算資源也越大。 三、數據的分析工具與實例 　　前述從感測器、應用程式、相機影像拍攝等各個管道，都能取得龐大數量的數據，除了挑戰資料儲存與管理的空間與效能外，接著就是如何從數據或資料中有效的萃取可實際應用於精進品種或栽培管理技術的知識。由於資料分析技術的快速發展，我們有相當多樣的分析工具，可供不同目的和形態的資料進行選擇，如熱圖（heatmap）、主成分分析（PCA）、迴歸分析（regression）等統計方法，或是支持向量機（support vector machine）、決策樹（decision tree）等機器學習方法、深度神經網路（deep neural network）等深度學習技術等，皆是在視覺化與分析農業數據上常被使用的工具。 　　在工具選擇上，需要考慮到分析的數據形態，以及分析的目標和運算資源來決定所使用的方法，例如機器學習和深度學習方法皆適合用於大數據建立預測模型，但兩者在計算資源需求、精確度上有所差異，需要依照分析之需求以及資源來決定要使用何種技術。舉例而言，在進行影像類資料分析時，可以使用影像特徵（feature）抽取的方式對資料進行處理，常被使用的特徵如植生指數（vegetative index, VI）、紋理特徵（texture feature）、邊緣特徵（edge feature）等。而建立辨識模型時，常用的方法則包含支持向量機（support vector machine）、決策樹（decision tree）、深度神經網路（deep neural network）等方法，使用者應該比較不同特徵及模型的特性，並建立符合需求的分析流程。                                圖一、建置雜草影像辨識模型流程示意圖 　　不同數據來源和不同情境下的數據，在分析上方法會有很大的差異。本文以一田間雜草影像識別為例（圖一），展示農業影像分析之流程。在此雜草影像分析的辨識中，分析目標是利用無人機拍攝的全彩影像，快速的辨識拍攝的影像內有無雜草。為了達到快速辨識的目標，可將相機各個波長的反射量，轉換為植生指數以簡化資料來加快計算速度，接著以植生指數搭配影像「有無雜草」的標註結果，以支持向量機 (support vector machine) 建構影像特徵分類器模型。整體工作流程簡述如下：首先由無人機拍攝影像建立訓練資料集（包含影像及「有無雜草」的標註結果），資料回傳至主機後依序進行影像整理、抽取植生指數、以標註結果建立支持向量機模型。完成模型建置後，無人機只要進行後續影像拍攝，並對拍攝影像與訓練資料集採用相同方法抽取特徵後，將特徵輸入先前建立好的模型中，便能辨識出影像中是否有雜草。 四、展望與結語 　　適當的數據分析得已傳遞作物生長、環境條件等訊息，提供給使用者判斷結果並做出適當的決策，前提是「收集的數據」與「決策的目標」具有關聯性，也因此，試驗前的實驗設計會是資料能否獲得適切分析結果的關鍵。實驗設計包含選擇適當的觀測變數、決定觀測數據的數量或各個處理的重複數量、判斷是否需要設置區集 (block) 以控制實驗現場影響試驗數據變動的因子等，透過事先規劃取得數據的方式與流程，能更確實掌握數據的穩定性及可分析性，比起事後才來決定分析的統計方法，更能避免錯付時間與成本。 　　如同前一節所述，在統計分析方法的選擇上，需考慮數據形態及運算資源。其中，數據形態可透過適當的圖形呈現、將數據視覺化，有助使用者更了解數據的特性，例如數據是否有未知的分組情況？是否有不正常的極端值出現？是否有過度集中的不均衡數據導致部分因子被過度強調其重要性？等，避免未經去除雜訊的數據做出不穩定的分析結果，或套用不適當甚至錯誤的統計或機器學習模式導致錯誤決策。 　　隨著數據大量累積，無論是數據視覺化或建立分類預測等統計模型，均需要搭配程式語言來進行，以資料科學應用的領域來說，目前普遍使用的R與Python兩種語言，對於初學者的進入門檻也都比過去常用的其他語言低，且也都有可免費下載之軟體供使用者操作。網路上不時可見哪一種語言使用率較高的爭論，但依據筆者的經驗，無論選擇哪一種程式語言，只要多加練習，將該語言的分析繪圖等應用做到精熟，使能確實掌握數據分析的正確性，均能達到最終決策的目的。

Cargill開發之熱反應監測器將有助於酪農對其牛棚奶牛生產及繁殖管理，亦有助提高奶牛生產量和動物福利等。該設備可即時監控其濕度和溫度及提供過去24小時和過去一周的平均溫度歷史數據，讓酪農即時地了解其牛棚中奶牛情況，進而地滾動式管理其牛棚，以減少溫度和濕度對奶牛的生產和繁殖能力產生負面影響。

拿起架上的蔬果，前方面板會顯示出該產品的蔬果產物紀錄；依據臉部辨識系統推薦適合顧客營養需求的蔬果汁；展售人員掃描標籤及可得知產品的採收及進貨日期。種種功能不僅方便消費者選購，也有利於商家統計數據，進而減少食材浪費，這也許是將來科技帶領超市走向的經營樣態，也是致理科技大學珍食物團隊在2018年已實踐的「未來超市」。