机器学习在农业领域的应用现状

分类：农业环境论文发表 时间：2021-01-28 10:50 关注：(1)

　　机器学习是研究机器如何来模拟人类学习的一门学科，通过识别现有知识来获取新的知识，达到温故而知新的效果。该文介绍了机器学习在农业各领域的应用现状，并对其在农业生产上的应用前景进行了展望，以期推动机器学习在农业领域更广泛的应用。

　　关键词：机器学习；农业领域；应用现状；前景

　　经济发展滞后，第二、三产业不发达，都不会对全球发展造成重大影响，但第一产业的发展落后一定会出现饥饿危机［1］，因此农业对全球经济发展至关重要，消除饥饿是全球经济发展的前提，也是世界可持续发展的难题。学习是人类具备的一种重要智能行为，而机器学习是研究机器如何来模拟人类学习的一门学科，通过识别现有知识来获取新的知识，达到温故而知新的效果。机器学习促进了人工智能的发展，人工智能的迅速发展又反过来为机器学习带来了大量的数据训练集。农业发展是世界发展的基础，当今各行各业飞速发展，农业更要与时俱进，与时代的前沿科技相结合。由此可见，农业与机器学习技术的结合将是大势所趋。

　　1机器学习

　　1.1概念

　　机器学习就是在已知经验基础上建立一个自动学习机，学习机能够在这些经验中获得新的知识，以解决新的问题。根据SAS的定义，机器学习是人工智能的核心，属于一种数据分析的途径，数据分析结束后进行半自动建模或自动建模，其宗旨就是减少人类干预，机器自行运行、自行分析、自行学习、自行解决问题［2］。机器学习中包含了大量的学习算法，不同的算法都有各自的优缺点，在各领域应用的优势也不同，因此机器学习在众多领域都有广泛的应用。

　　1.2历史

　　机器学习起始于神经心理学研究［3］，由赫布理论开启机器学习的篇章［4］，主要研究递归神经网络中节点之间的相关性。机器学习的发展历程可以分为5个阶段：第1阶段是1936—1957年。1936年Fisher发明了线性判别分析，当时还没有机器学习的概念。线性判别分析是一种数据降维算法，它通过线性变换将向量投影到低维空间中，保证投影后同一种类型的样本差异很小，不同类型的样本尽量不同。贝叶斯分类器起步于20世纪50年代，是基于贝叶斯决策理论建立起来的。该阶段的机器学习属于摸索阶段。第2阶段是1958—1966年。1958年出现了logistic回归、感知器模型。logistic回归直接预测出一个样本属于正样本的概率，感知器模型可看作是人工神经网络的前身。在这个阶段，机器可以使用符号来描述概念，各种概念假设被提出。该阶段的机器学习属于平静阶段。第3阶段是1967—1985年。1967年kNN算法诞生，这是一种基于模板匹配思想的算法，简单有效，至今仍在被使用。该阶段的机器学习属于复兴阶段。第4阶段是1986—2005年。1986年诞生了用于训练多层神经网络的真正意义上的反向传播算法，这是目前深度学习中仍被使用的训练算法，奠定了神经网络的基础。该阶段的机器学习属于成型阶段。第5阶段是2006年至今。该阶段的标志是2006年深度学习算法的出现，使得机器学习成为各领域的宠儿，深度网络更是成为最热门的算法。该阶段的机器学习属于发展阶段。

　　2机器学习在农业领域的应用

　　机器学习是我国农业进入智能化必不可缺的关键，它是人工智能的核心，可以运用到农业全产业链中，提高整个农业链条的速率，还能预测农产品产量［5］。

　　2.1在现代农业气象上的应用

　　农业气象工作中非常重要的一项数据任务就是制作土地覆盖和绘制农作物类型图［6］。近年来，完成制图任务最热门的应用技术就是集成学习和深度学习。对于复杂的地形地貌，深度学习和集成学习在处理分类方面具有更大优势。Yang［7］的研究表明，与其他机器学习方法相比，神经学习对土地覆盖和农作物分类具有明显优势。杂草的检测也是机器学习在农业气象方面的重要应用。有农业专家认为，杂草才是造成农作物减产的根本原因。不论这个理论是否正确，杂草确实是影响农作物产量的重要原因，而使用机器学习和遥感技术相结合，利用机器视觉来识别杂草，从而进行杂草检测，可以大大减少除草药剂量，缩短人工时长，提高食品安全性。Karimi［8］通过机器学习实现了对玉米田间杂草的识别。但总体而言，目前机器学习在国内农业气象方面的应用还相对落后，相关科研成就直到2015年之后才有所报道。

　　2.2在农作物产物检测方面的应用

　　机器学习在农作物产物检测方面的应用主要是对果实的检测，通过机器视觉和人工智能实现对果实的自动检测。张磊等［9］运用Faster-RCNN检测模型对桃子、苹果、橙子3种水果进行检测，设置了4个场景的测试，即稀疏型、密集型、远景拍摄、遮挡重叠，准确率达90%以上。该技术与采摘机器人配合，实现了对果实好坏的有效分辨及高效率采摘。但由于果园等田间地况复杂，因此仍需继续提高鲁棒性，以提高模型性能。

　　2.3在土壤属性检测方面的应用

　　了解一个地区土地的土壤属性，测定该土地的pH、SSC、SOM等指标信息，科学合理分析这块土地应该做什么，是否适合种植农作物，这对于农业生产规划至关重要。传统的土壤采样范围过大，耗时耗力，且精度不高，而使用遥感技术和人工智能技术测定土壤属性，可以极大缩短测定时间，提高工作效率。相关应用也屡见不鲜，如ZHU［10］等运用solm模型测定美国蒙大拿州的土壤属性；张振华等［11］使用Cubist和Bagging3模型对新疆渭干河—库车河绿洲干旱区进行了预测，发现其结果符合实际，且精准度较高。

　　2.4在育种方面的应用

　　机器学习可以利用农作物的基因表现，预测筛选出优良基因组合的农作物，而这些农作物往往具有较好的生产价值及耐旱、高产、抗虫等优良特性。同时，机器学习还可缩短农作物的育种周期。在“3000份亚洲水稻基因组研究”科研项目中，发表于《Nature》的《3010份亚洲栽培稻基因组研究》主要探究了亚洲水稻的出现及其基因异变的结构。该成果为世界水稻研究作出了重大贡献，揭示了水稻基因组的遗传多样性，为后续研究提供了理论基础，推动了世界水稻研究进程。

　　2.5在智能化农业方面的应用

　　现今炙手可热的无人化管理技术，其核心就是人工智能。而人工智能核心就是机器学习。利用机器学习可以科学计算出一块土地的肥料、水分、农药等的合理投放量，避免资源浪费或投放不足。同时，机器学习还可与各种传感器进行搭配，收集农业数据，使农业专家系统变得更加智能化。利用传感器收集到的信息还可以快速分析农作物目前面临的情况及其生长所需的最适条件，为其创造最优生长环境，最大程度避免影响农作物生长的问题出现。

　　2.6在病虫害防治方面的应用

　　对于病虫害预防而言，传统的人工诊断反应慢、精准度低，而以机器学习为核心的人工智能可以在第一时间发出警告；同时，农业专家系统具有丰富的数据信息，可以快速准确判断出虫害种类，针对性进行防治，将病虫害对农作物造成的伤害控制在较小的范围内［12］。

　　3机器学习在农业生产上的局限性

　　一方面，机器学习依赖数据，而我国的智慧农业发展较晚，收集的数据不够全面，因此会一定程度上影响机器学习各种算法作出判断的准确性。另一方面，机器学习在农业上收集数据的复杂程度较高，投入较大，因此需要的成本较高。农业属于投入大、收入薄类型的产业，需要大量资本的投入和国家的大力扶持，因此机器学习在农业生产上的应用还存在诸多局限性。

　　4机器学习在农业发展方面的展望

　　在全民大数据时代，大数据空前发展，以机器学习为核心的人工智能也得到了快速发展，推动机器学习在农业生产上的应用已刻不容缓，但同时也要结合实际，尊重机器学习的发展规律及农业领域的自身需求，不可盲目发展。在大田环境下建设高质量的数据资源库，虽然前期成本较高，但会极大提高管理效率，对推进无人化管理具有重要作用，也将逐渐成为农业大数据技术体系的标准旗杆。我国从事农作物种植的主体多数文化程度不高，农业专业知识匮乏，因此农业专家系统就显得尤为重要。基于知识学习的机器学习，模型的训练就是新知识的推理过程。农业是一个基于专业知识和实践经验的领域，具有充足数据库的农业专家系统可以为农业发展作出积极的贡献。

　　作者：李扬