我們的土地上有相當多不同種類的農作物，如水稻、落花生、鳳梨、大宗蔬菜等等，政府當然會關心這些作物的生長情形，比方說有沒有生產過多或過少。我們可以派人去各個地方視察，但是我們已經可以利用影像處理的方式知道各種農作物生長的情形，也就是說我們會用空照圖或衛星影像。
我們多半會認為空照圖或衛星影像照出來的相片，用肉眼是可以判別照片中的作物是水稻、落花生或葡萄，其實並非如此，我們用的光大多數並不是可見光，因為各種不同的農作物對不同的光線會有完全不同的反應。現在舉一個例子，用短邊紅外光(光譜波長約680nm到750nm)照了兩張圖，如圖一和圖二。圖一是落花生，圖二是水稻。
圖一 落花生，左圖為用短邊紅外光拍攝影像，右圖為可見光影像
圖二 水稻，左圖為用短邊紅外光拍攝影像，右圖為可見光影像
大家可以看出圖一雖然是落花生，但人的肉眼是無法判斷的。如果用可見光照相，落花生和水稻又很難分辨，所以我們的影像分析必須有一個計算機學習的過程，所謂學習，牽涉到一些數學，我就不講了，但是我可以用簡單的方法來解釋計算機是如何學習的。
假如我們知道有三個區域絕對是種落花生的，對這三個區域當然就會有空照圖。所謂學習，其實是找出這三個區域的共同特色。這些共同特色還要有一個重要的性能，那就是它不僅能夠使得計算機可以判斷這三個區域種的是落花生，而且也可以判斷這三個區域不是種水稻。
有了這些共同的特色以後，我們再去找另外一個區域的空照圖或衛星影像，看看計算機判斷的結果是否正確。如果判斷得很正確，我們就會很高興。如果發現判斷錯誤率很高，我們的演算法就要繼續地尋找更好的特色，這就是所謂學習的過程。剛才我講的是三個區域，可以想見的是，採樣的地區越多，學習的結果會越好。當然，學習的演算法也是重要的。
台灣的作物種類很多，農地利用又很複雜，但是現在各種波長可用的空照圖或衛星影像也很多，我們用不同波長的衛星影像加上空照圖，或是用不同時間的空照圖或衛星影像讓計算機學習，就可以提高判斷的正確率。現在像菱角的正確率可以達到97%，牛蒡的正確率可以達到96%，還有西瓜、鳳梨、薑…等，學習越多次，正確率就可以漸漸提高，達到可以幫助政府有效施政的目標。
使得電腦有學習的能力，有人將它稱為”人工智慧”，所以我們的農業專家早在大家大聲叫人工智慧之前，他們早就利用人工智慧的技術了。如果各位看看這些圖片，我相信你一定會有一個結論，用人是判斷不了的。這種學問在我們資訊科學裡又叫做圖像識別，這不是在模擬人如何識別圖像，而是要懂得數學。
有的時候我們也不必要強調哪一個學問，將數學學好乃是一個最重要的事。也希望大家知道，我們國家一直有一些很有學問的專家，在利用電腦、數學和演算法來解決很多很難解決的問題。這些專家們是我們應該敬佩的。