联合国预测，2050 年世界人口预计达到 91 亿，全球对粮食的需求量将增加 70%。

然而，由于世界农业发展不均衡，很多地区的粮食产量尚无法被准确统计，因此无法对这些区域的农业发展做出合理规划。现有的粮食产量统计方法则难以推广或是需要较高的科技水平。

为此，京都大学的研究者通过卷积神经网络 (CNN) 对农田照片进行分析，高效准确地对当地的粮食产量进行了统计，为促进全球农业发展提供了新方法。

受人口增长、收入增加以及生物燃料广泛使用的影响，2050 年全球对粮食的需求量将增加 70%。

然而，由于全球气候变暖和生物多样性下降，世界各地粮食产量极易受环境变化影响，且区域间发展不均衡。

可以看到，中国、美国、印度和巴西是主要的产粮地，而南半球的粮食产量相对较低。而且，由于南半球的农业生产力较低，其粮食产量很难被准确统计。因此，我们很难对当地的农业生产力进行有效评估，更无法提供有效的增产手段。

目前有 3 种常用的粮食产量统计方法，包括自我汇报、实割实测和遥感统计。前两种方法很难大规模推广，而遥感技术的使用则会受到当地科技水平的制约。

为此，京都大学的研究者利用卷积神经网络 (CNN)，对实地拍摄的农田照片进行分析，进而对当地的粮食产量进行统计。结果显示，CNN 模型可以对不同光照条件下的收割期和成熟后期的水稻产量进行迅速、准确的统计。这一成果已发表于《Plant Phenomics》。