#無線感測網路WSN #低功耗廣域網路LPWAN #人工智慧AI #機器學習MachineLearning #自組織映射圖SOM #倒傳遞類神經網路BPNN #精準農業PA #無人機UAV
【AI 非萬能，但可洞悉趨勢、提升決策品質】
有沒發現，近年來除了電力吃緊，「水情」也讓人憂心，無論是水庫告急或暴雨氾濫成災；而當全球人口數往 75 億逼近後，糧食危機亦悄然而至，特別是安全、無毒的純良食材，恐更加難能可貴。想擁有優質生活，友善環境、順天應人，方為長久之計。在眾多智慧應用中，有一塊「智慧水庫」操作與智慧型即時淹水預報，更深深牽動我們的生活。國際期刊曾做過研究：受惠於科技的發達，天災所造成的傷害其實正在減少，唯有「洪災」因氣候變遷反而越見凶猛、且不確定大。
部分建築專家認為水利工程、加高堤防會破壞景觀以及人與河岸親水性。但有時就是那麼不起眼的 1 公尺些微差距，就會讓洪水趁隙而入；因為機率是非線性的，砍了一、兩公尺的堤防高度，原有防護力可能因此少了三、四成！城市排水溝、下水道承載力也有限，做好預警才能真正防患於未然。例如，利用設立於路旁的電信箱、將感測器偵測到的水位上升數據傳送到水利署；然而，這種離散型的小量傳輸只能知悉局部、無法全盤掌握整個區域的概況。
俗話說：「旱的旱死、澇的澇死」，過猶不及，皆非我們所樂見。為製作淹水潛勢圖供防災，多採取傳統定點測量配合模擬方式進行，但問題又來了：一是借用物理和數學推導出的模擬結果，與真實資料差距不小；二是需要很長時間做模擬，只能離線操作且是靜態資料；三是若欲在各縣市單位建置私有雲以便即時運算處理，有經費壓力。所幸，AI 在此可發揮作用；儘管資料量大、網格數多，依然能做到精緻化預報，包括配合 Google 地圖做模擬仿真，讓人們對區域更有感。
不過，AI 準確度是奠基於原始資料之上，若資料本身不夠精確或數量太少，AI 亦施力有限。在無法強求資料準確的情況下，借助 LoRa 等低功耗廣域網路 (LPWAN) 技術全面建置感測器以採集數據，至少能先抓到地域趨勢、調整並建立模型，有以下好處：1.可在數秒內算出各網格 (區里) 之即時淹水資訊，繪製淹水圖；2.軟、硬體需求低，只需一般規格電腦即可運作；3.就算初期缺乏大數據，亦可以二維淹水模擬製造並逐步修正；4. AI 可局部學習，無須重新模擬。
此外，傳統農業靠天吃飯，依節氣、憑經驗、無差異性施作，且農作方式效能低落，無法有效提升產量。於是，精準農業 (PA) 成了眾望所歸，而「農業物聯網」的貢獻在於：資訊監控回傳、遠距監控、自動資料採集以及科學化分析、耕作。藉感測器探測農田環境之水質、土壤酸鹼值、日照、溫濕度、氮磷鉀等，並將數據透過網路回傳至資料庫；農友可利用任何可上網的裝置，即時得知上述資訊。「無人機＋智慧網＋動態大數據分析」，正是建構「精準農業戰情室」的基礎。
延伸閱讀：
《珍愛生命泉源，用 AIoT 體察水情＆農糧》
http://compotechasia.com/a/shi__shang_/2018/0604/39009.html
#淡江大學 #東華大學
★★【智慧應用開發論壇】(FB 不公開社團：https://www.facebook.com/groups/smart.application/) 誠邀各界擁有工程專業或實作經驗的好手參與討論，採「實名制」入社。申請加入前請至 https://goo.gl/forms/829J9rWjR3lVJ67S2 填寫基本資料，以利規劃議題方向；未留資料者恕不受理。★★
som 機器學習 在 2-9 SOM 實作( SOM in python ) - YouTube 的推薦與評價
影片程式碼請見留言處 SOM in R: https://rpubs.com/jiankaiwang/ som 分析實作: ... 頻道客服: https://www.instagram.com/learn_ml_dl/ 機器學習 、分群 ... ... <看更多>