机器学习技术在现代农业气象中的应用

分类：论文范文 发表时间：2021-07-02 10:24

　　摘要：智慧气象和精准农业结合下的现代农业气象工作意味着对包含遥感影像在内的大型农业和气象数据高时效性的分析与处理，机器学习技术是当代自然科学研究和技术发展的主流技术，亦是现代农业气象科研和业务发展的重要工具。该文系统论述了机器学习技术的主要方法及其在现代农业气象中的主要应用方向，比较了不同方法在农业气象不同领域应用的情况，侧重介绍了基于深度学习技术的成果和近年来的最新研究进展。传统浅层机器学习技术中，以支持向量机和人工神经网络应用最为广泛且效果最为理想。近年来，随机森林和梯度提升机等决策树集成方法普遍取得优于核方法的精度，深度学习技术则在某些任务中取得更优于集成学习的精度。未来，有待检验机器学习技术特别是深度学习技术在更多农业气象问题上的适用性和先进性，更好地迎接现代农业气象发展的新挑战与新机遇。

　　关键词：机器学习；深度学习；农业气象；农业遥感

　　引言

　　农业在全球经济中发挥着基础性且至关重要的作用，和地区农业生产力高低直接影响其工业化程度与经济水平，落后的农业技术会带来饥饿、贫穷与社会发展的滞后［１］。到２０５０年，全球将新增２０亿左右人口［２］，加之气候变化对农业生产的影响［３］，使得消除饥饿和保障粮食安全成为当今世界可持续发展的重要议题［４］，农业技术的进步可有力应对该挑战［５］。精准农业被列为农业领域的十大发展之一［６］，其特点是应用密集的数据———以遥感技术［７］和无线传感器技术［８］为主要手段采集信息并进行时空处理，提高农业生产效率、作物产量和环境质量。农业气象学是研究农业生产与气象条件之间相互关系及其规律的科学，以促进农业生产为主旨，围绕现代气象与现代农业的智慧化进程也在不断进行着自身的科学创新，智慧气象和精准农业结合下的现代农业气象工作意味着对纳入遥感可视化数据在内的大型农业和气象数据高时效性的分析与处理［９］，机器学习（ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ，ＭＬ）技术对其发展有很大的助力。

　　１ＭＬ技术概述

　　ＭＬ技术蓬勃发展于２０世纪９０年代，是人工智能（ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）中最受欢迎和最成功的子领域。ＡｒｔｈｕｒＳａｍｕｅｌ将ＭＬ定义为一门不需要通过外部程序指令而让计算机具有自我学习能力的学科。在传统编程中，人类输入规则和需要规则处理的数据，计算机输出答案；而在ＭＬ技术中，人类输入数据和期望从数据中得到的答案，计算机通过训练找到数据和答案间的统计结构、输出规则，并将这些规则应用于该任务的新数据进而生成答案［１４］。ＭＬ技术与经典统计分析的一项重要区别是ＭＬ技术倾向于处理大型、复杂的数据集，以及没有已知算法可解决的问题。将ＭＬ技术用于大数据挖掘可以适应新的数据，发现数据中隐含的模式，减少人工分析工作量，更好地处理解并解决传统方法难以应对的复杂问题［１６］。

　　２ＭＬ技术在农业气象工作中的应用

　　２．１制图与区划

　　土地覆盖与作物类型图是农业气象工作的重要基础数据之一。过去的十几年中，随着遥感数据时空分辨率不断提高，以及大量丰富的免费数据源向公众开放，将遥感影像用于土地覆盖与作物类型分类制图方面的研究呈指数增长，ＭＬ技术中多种经典算法、模型已成功应用于该类任务［２４２６］，根据Ｙｕ等［２７］的统计，最大似然分类法使用频率最高，相关文献中应用比例达３２．３４％，最大似然分类法和Ｋ最邻近法、Ｋ均值法等也是文献中平均精度较低的方法，分类精度较高的方法则是集成分类器、人工神经网络和支持向量机。Ｋｈａｔａｍｉ等［２８］进一步统计分析了既往研究，指出传统监督分类方法中支持向量机平均精度最高，紧随其后的是人工神经网络，且当影像空间分辨率和光谱分辨率提高时，支持向量机表现出较人工神经网络更大的优势。此外，ＭＬ技术在作物管理区的划分方面已有成功应用的例子，Ｐａｎｔａｚｉ等［２９］利用Ｋ均值法和自组织映射结合遥感数据、土壤参数和产量数据进行了作物管理分区，进一步看，农业气候区划（如农作物品质气候区划）、农业气象灾害风险区划、农业保险风险区划［３０３１］等是农业气象工作的重要任务，有待有针对性地将ＭＬ技术应用于区划工作。

　　２．２检测与观测

　　杂草检测是地基农业遥感的一项重要任务，有研究认为杂草是对农作物生产最大的威胁，ＭＬ技术和田间传感器结合可以精确检测田间杂草，进而应用于农业工具和农业机器人的除草作业，最大程度减少除草剂的使用［４１］。Ｃｈｏ等［４２］使用电荷耦合元件（ｃｈａｒｇｅｃｏｕｐｌｅｄｄｅｖｉｃｅ，ＣＣＤ）相机和人工神经网络组成的机器视觉系统识别了杂草与萝卜。Ｋａｒｉｍｉ等［４３］将支持向量机用于玉米田杂草和氮素胁迫检测，取得比人工神经网络更高的精度。Ｂｉｎｃｈ等［４４］的对比研究表明：在经典ＭＬ技术中，支持向量机取得最优的杂草检测效果。近年来的研究表明：ＤＬ技术可有效从图像中自动提取特征，在目标识别中取得优于支持向量机的精度［４５４７］。王璨等［４８］应用卷积神经网络准确识别了幼苗期玉米与杂草。Ｄｙｒｍａｎｎ等［４９］应用卷积神经网络在农田影像中识别了２２种杂草与作物物种，并在后续研究中将全卷积神经网络应用于存在严重叶片遮挡的情况下，从谷物田中成功识别单株杂草［５０］。除杂草检测，张雪芬等［５１］利用支持向量机结合ＣＣＤ影像实现了作物发育期的图像自动识别，余卫东等［５２］在对农业气象自动化观测的展望中提及计算机视觉技术的应用，ＭＬ技术在今后的农业气象自动化观测中有待发挥更重要的作用。

　　小结

　　本文系统概述了ＭＬ技术的主要方法及其在现代农业气象中的主要应用方向，有针对性且全面涵盖了现代农业气象中特别是涉及农业遥感的ＭＬ技术的研究及应用情况，并纳入近年来最新的研究进展。

　　本文将ＭＬ技术在农业气象工作中的主要应用归纳为４个方面：制图与区划、检测与观测、产量预测和参数估算。在制图与区划方面，ＭＬ技术与遥感影像结合实现了不同尺度的土地覆盖与作物类型制图，亦已结合遥感数据、土壤数据、统计数据用于作物长势、植被质量等专题图的制作与作物管理区划分；在检测与观测方面，ＭＬ技术成功用于田间影像中的杂草检测，ＤＬ技术在植株表型观测、病虫害检测、农田障碍检测、果实检测等方面，取得了理想精度，可极大提升农业气象自动化观测水平；在产量预测方面，ＭＬ技术与遥感时间序列数据、气象数据、土壤数据结合在不同尺度成功预测了不同作物的产量，与之相关，ＭＬ技术在农业气象灾害评估中也有很大的应用潜力；在参数估算方面，农业气象研究关注的以蒸散、叶面积指数、土壤湿度、氮素含量等为代表的水文、土壤、作物参数均可利用ＭＬ技术与气象数据、遥感数据等的结合实现精确反演或预测。

　　综合看，传统浅层ＭＬ技术中以支持向量机和人工神经网络在本文涉及的诸多任务中应用最为广泛且效果最为理想。近年来的方法对比类研究中，随机森林和梯度提升机等集成学习方法普遍取得优于支持向量机和人工神经网络的精度，ＤＬ技术则在某些任务中取得更优于集成学习的精度，且可解决浅层ＭＬ技术较难解决的一些问题，如在农业气象观测中可精准实现植株表型的自动化观测。从应用时间上看，人工神经网络和支持向量机等浅层ＭＬ技术自２０世纪９０年代开始在农业气象和农业遥感中应用并逐渐繁荣，其中人工神经网络的应用略早于支持向量机，而以支持向量机为代表的核方法则较人工神经网络更具优势；决策树自２１世纪开始受到学界的关注，２０１０年后随机森林和梯度提升机等决策树集成方法在很多方面被认为是较核方法更好的选择；ＤＬ技术自２０１２年前后重回主流学界的视野，伴随卷积神经网络和长短期记忆网络的成功，自２０１５年后被广泛认为在诸多应用中的表现超越了支持向量机和集成学习［１４］。尽管将ＤＬ技术应用于农业问题的先驱探索始于２０１０年［１１０］，但大部分研究成果发表于２０１５年以后［１５］，且有逐年增多的趋势，国内相关研究相对滞后，多数发表于２０１７年以后，且涉及到的现代农业气象中的问题尚十分有限。

　　参考文献

　　［１］ＧｏｌｌｉｎＤ，ＰａｒｅｎｔｅＳ，ＲｏｇｅｒｓｏｎＲ．Ｔｈｅｒｏｌｅｏｆａｇｒｉｃｕｌｔｕｒｅｉｎｄｅｖｅｌｏｐｍｅｎｔ，２００２，９２（２）：１６０１６４．

　　［２］ＤｏｄｄｓＦ，ＢａｒｔｒａｍＪ．ＴｈｅＷａｔｅｒ，Ｆｏｏｄ，ＥｎｅｒｇｙａｎｄＣｌｉｍａｔｅＮｅｘｕｓ：ＣｈａｌｌｅｎｇｅｓａｎｄａｎＡｇｅｎｄａｆｏｒＡｃｔｉｏｎ．ＮｅｗＹｏｒｋ：Ｒｏｕｔｌｅｄｇｅ，２０１６．

　　［３］ＨｏｗｄｅｎＳＭ，ＳｏｕｓｓａｎａＪＦ，ＴｕｂｉｅｌｌｏＦＮ，ｅｔａｌ．ＡｄａｐｔｉｎｇＡｇｒｉｃｕｌｔｕｒｅｔｏＣｌｉｍａｔｅＣｈａｎｇｅ∥ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，２００７，１０４（５０）：１９６９１１９６９６．

　　［４］ＵｎｉｔｅｄＮａｔｉｏｎｓ．ＴｒａｎｓｆｏｒｍｉｎｇＯｕｒＷｏｒｌｄ：Ｔｈｅ２０３０ＡｇｅｎｄａｆｏｒＳｕｓｔａｉｎａｂｌｅＤｅｖｅｌｏｐｍｅｎｔ．ＧｅｎｅｒａｌＡｓｓｅｍｂｌｅｙ７０Ｓｅｓｓｉｏｎ，２０１５

　　李颖１）２）陈怀亮１）

上一篇：小学语文作文写作技巧教学实践探析 下一篇：玉米栽培技术及病虫害防治对策之研究