機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)中應(yīng)用的進(jìn)展

季彥東，李 龍

長久以來，我國都是一個(gè)農(nóng)業(yè)大國，擁有著眾多的農(nóng)業(yè)從業(yè)者，近年來，隨著科學(xué)技術(shù)的發(fā)展并應(yīng)用于農(nóng)業(yè)生產(chǎn)，我國農(nóng)業(yè)科技取得了長足進(jìn)步，“智慧農(nóng)業(yè)”這一概念被提及，智慧農(nóng)業(yè)研究也取得了豐碩成果［1-2］.智慧農(nóng)業(yè)是農(nóng)業(yè)同科技高度融合的產(chǎn)物，主要應(yīng)用的科學(xué)技術(shù)包括傳感器網(wǎng)絡(luò)、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等等，其主要作用是通過對(duì)農(nóng)業(yè)生產(chǎn)生活當(dāng)中的相關(guān)數(shù)據(jù)進(jìn)行采集、處理和分析，為相應(yīng)的農(nóng)業(yè)生產(chǎn)提供指導(dǎo)和智能決策.機(jī)器學(xué)習(xí)算法是智慧農(nóng)業(yè)應(yīng)用較常見的技術(shù)，其主要作用是利用人們的先驗(yàn)知識(shí)建立不同算法模型，從而實(shí)現(xiàn)對(duì)未知事物的預(yù)測.農(nóng)作物的分類、病蟲害識(shí)別預(yù)測、農(nóng)產(chǎn)品價(jià)格預(yù)測是智慧農(nóng)業(yè)發(fā)展的至關(guān)重要的三個(gè)方面，大量的研究結(jié)果顯示，機(jī)器學(xué)習(xí)算法（主要包括支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、k最近鄰、隨機(jī)森林、Ada-Boost算法、線性判別分析、最小二乘支持向量、Fisher判別分析等）在以上三方面的應(yīng)用非常廣泛［3-17］.為了深入了解當(dāng)前機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)應(yīng)用方面的研究進(jìn)展，本文對(duì)機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)上的主要研究成果進(jìn)行了綜述，分析了相關(guān)研究的不足，以期為探索更加適合智慧農(nóng)業(yè)發(fā)展的機(jī)器學(xué)習(xí)算法提供借鑒.

1 機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)領(lǐng)域中應(yīng)用的狀況

1.1 機(jī)器學(xué)習(xí)算法與高光譜技術(shù)結(jié)合進(jìn)行農(nóng)作物分類

高光譜數(shù)據(jù)具有較高的分辨率，數(shù)據(jù)內(nèi)容豐富，數(shù)據(jù)獲取方式多樣化，可以直接對(duì)照片進(jìn)行光譜數(shù)據(jù)提取，也可以通過光譜儀進(jìn)行實(shí)地?cái)?shù)據(jù)采集，此外，還可以采用衛(wèi)星的遙感數(shù)據(jù)進(jìn)行分析，通常情況下，機(jī)器學(xué)習(xí)算法被用于分析高光譜的海量數(shù)據(jù).智慧農(nóng)業(yè)的一個(gè)重要發(fā)展前提是進(jìn)行農(nóng)作物的有效劃分，為后期的病蟲害預(yù)測、鋤草施肥提供依據(jù)，機(jī)器學(xué)習(xí)算法與高光譜技術(shù)結(jié)合成為智慧農(nóng)業(yè)中進(jìn)行農(nóng)作物分類的有效手段.

程術(shù)希等（2014）［2］利用高光譜技術(shù)，結(jié)合Ada-Boost、極限學(xué)習(xí)機(jī)、隨機(jī)森林和支持向量機(jī)四種機(jī)器學(xué)習(xí)算法對(duì)8個(gè)品種的239顆大白菜種子進(jìn)行品種驗(yàn)證分析，四種算法均具有較強(qiáng)的泛化能力，通過對(duì)比發(fā)現(xiàn)，最優(yōu)的算法是極限學(xué)習(xí)機(jī)，對(duì)大白菜種子的判斷準(zhǔn)確率可以達(dá)到100%.

Pu Ruiliang（2009）［3］從高光譜數(shù)據(jù)中抽取的30個(gè)光譜特征變量，使用非線性人工神經(jīng)網(wǎng)絡(luò)和線性判別分析兩種機(jī)器學(xué)習(xí)算法對(duì)美國佛羅里達(dá)州境內(nèi)的11種城市森林闊葉樹種進(jìn)行區(qū)分，結(jié)果顯示，采用高光譜技術(shù)與機(jī)器學(xué)習(xí)算法對(duì)闊葉樹種類的判斷精確度可以達(dá)到85%以上.

林川等（2013）［4］同樣在高光譜數(shù)據(jù)中抽取了8個(gè)光譜特征變量，同時(shí)使用非線性人工神經(jīng)網(wǎng)絡(luò)和Fisher線性判別分析兩種機(jī)器學(xué)習(xí)算法對(duì)北京野鴨湖濕地的7種濕地植物進(jìn)行生態(tài)類型分類，兩種算法的精確度分別達(dá)到85.5%和87.98%，甚至對(duì)兩種沉水植物的識(shí)別度達(dá)到了100%，說明機(jī)器學(xué)習(xí)算法可以對(duì)濕地植物進(jìn)行良好的識(shí)別和分類.

李嬋等（2018）［5］提取了高光譜數(shù)據(jù)當(dāng)中的63種特征變量，采用k最近鄰、支持向量機(jī)和隨機(jī)森林三種機(jī)器學(xué)習(xí)算法對(duì)江蘇宜興市郊的8種植物進(jìn)行分類，研究結(jié)果表明，支持向量分類優(yōu)于k最近鄰和隨機(jī)森林算法.

黃雙燕等（2018）［6］采用隨機(jī)森林機(jī)器學(xué)習(xí)算法對(duì)Sentinel 2A衛(wèi)星獲取的沙灣縣內(nèi)的典型農(nóng)作物遙感數(shù)據(jù)進(jìn)行分析，分類精度達(dá)到89%以上，整體的精度可以達(dá)到94.02%，此結(jié)果證明了隨機(jī)森林算法對(duì)農(nóng)作物分類的有效性.

何雋（2016）［7］實(shí)現(xiàn)了機(jī)器視覺對(duì)圖像進(jìn)行分割的技術(shù)，提高了農(nóng)作物分類感興趣區(qū)域的比重，從而更好地進(jìn)行農(nóng)作物分類.

以上研究成果顯示，機(jī)器學(xué)習(xí)算法與高光譜數(shù)據(jù)結(jié)合能夠有效地進(jìn)行植物物種識(shí)別和分類，針對(duì)不同的農(nóng)作物，進(jìn)行合理的機(jī)器學(xué)習(xí)算法的選擇能夠獲得較好的分類效果.

1.2 機(jī)器學(xué)習(xí)算法進(jìn)行農(nóng)作物病蟲害預(yù)測

傳統(tǒng)的病蟲害預(yù)測，需要到田間進(jìn)行農(nóng)作物取樣，通過調(diào)查研究才可以進(jìn)行相應(yīng)的決策實(shí)施，因此存在著費(fèi)時(shí)費(fèi)力、預(yù)測不及時(shí)、預(yù)測范圍有限等缺點(diǎn).而利用機(jī)器學(xué)習(xí)算法對(duì)農(nóng)作物進(jìn)行病蟲害的預(yù)測具有獨(dú)特的優(yōu)勢，尤其對(duì)早期的病蟲害預(yù)測和田間管理具有重要意義，省時(shí)省力，人為干擾誤差減小，在農(nóng)業(yè)生產(chǎn)中，可以為農(nóng)業(yè)技術(shù)人員針對(duì)相應(yīng)的病蟲害進(jìn)行預(yù)防處理提供科學(xué)的理論支撐.近年來，研究學(xué)者已經(jīng)在這方面取得了較多的研究成果.

石晶晶（2009）［8］利用支持向量機(jī)算法對(duì)稻縱卷葉螟危害水稻進(jìn)行了遙感識(shí)別，將獲取到的108個(gè)樣本分為70個(gè)訓(xùn)練樣本和38個(gè)測試樣本，測試的準(zhǔn)確率可達(dá)到100%，此實(shí)驗(yàn)驗(yàn)證了機(jī)器學(xué)習(xí)算法進(jìn)行農(nóng)作物病蟲害預(yù)測的可行性，為后期病蟲害治理提供了決策支撐.

尹小君（2015）［9］對(duì)加工番茄細(xì)菌性斑點(diǎn)病的氮素含量反演進(jìn)行了研究，通過病蟲害的預(yù)測來檢測氮素含量，為番茄施肥提供策略幫助.本研究首先對(duì)光譜指數(shù)進(jìn)行區(qū)分，選取具有代表性的13個(gè)光譜指數(shù)，通過相關(guān)驗(yàn)證，獲取4個(gè)穩(wěn)定的光譜指數(shù)，作為算法的特征變量.其次，建立線性核、多項(xiàng)式核、徑向基核、Sigmoid核為核函數(shù)的支持向量機(jī)模型，根據(jù)預(yù)測效果，選定徑向基核.最后，通過使用K-cv交叉驗(yàn)證，確定懲罰系數(shù)C、核函數(shù)參數(shù)g的最佳參數(shù).本研究的特征在于非不同機(jī)器學(xué)習(xí)算法的比較，而是僅選擇一個(gè)機(jī)器學(xué)習(xí)算法，采用不同的參數(shù)進(jìn)行模型的比較，為智慧農(nóng)業(yè)中農(nóng)作物病蟲害的預(yù)測提供了思路.

許章華（2018）［10］利用Fisher判別矩陣和隨機(jī)森林兩種機(jī)器學(xué)習(xí)算法對(duì)森林當(dāng)中的馬尾松毛蟲進(jìn)行了預(yù)測.其數(shù)據(jù)主要來自于LAI-2000實(shí)地采集的光譜數(shù)據(jù)和衛(wèi)星遙感數(shù)據(jù)，同時(shí)結(jié)合當(dāng)?shù)氐牧謽I(yè)工作者長期的病蟲害記錄和總結(jié)，共選取7個(gè)特征變量，結(jié)果顯示，F(xiàn)isher判別矩陣和隨機(jī)森林機(jī)器學(xué)習(xí)算法的平均檢測精度分別為74.5%和81.8%.二者的檢測精度比較接近，但在病蟲害等級(jí)劃分上具有差異，對(duì)于無、輕度、中度病蟲害檢測，隨機(jī)森林算法優(yōu)于Fisher判別矩陣，對(duì)于重度病蟲害檢測，結(jié)果相反，F(xiàn)isher判別矩陣要明顯優(yōu)于隨機(jī)森林，可見，F(xiàn)isher判別矩陣和隨機(jī)森林機(jī)器學(xué)習(xí)算法在病蟲害檢測方面各有優(yōu)劣，在實(shí)際應(yīng)用中，可以采用優(yōu)勢互補(bǔ)的方式交叉使用這兩種算法.

向昌盛（2012）［11］針對(duì)蟲害發(fā)生所具有的小樣本數(shù)據(jù)和非線性的特點(diǎn)，基于小樣本數(shù)據(jù)量和非線性模型，使用最小二乘支持向量機(jī)的機(jī)器學(xué)習(xí)算法進(jìn)行病蟲害的預(yù)測，結(jié)果顯示，通過遺傳算法對(duì)最小二乘支持向量機(jī)的參數(shù)進(jìn)行了優(yōu)化，可以獲得較好的預(yù)測效果.

葉聰?shù)龋?018）［12］利用人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法對(duì)圖像灰度頻率數(shù)據(jù)預(yù)處理后進(jìn)行病蟲害的預(yù)測.使用Canon EOS 550D數(shù)碼相機(jī)進(jìn)行粘蟲板圖像數(shù)據(jù)采集，構(gòu)建RGB彩色數(shù)碼圖像，進(jìn)行分割與信息提取，共獲得14個(gè)特征變量，將總體的樣本分為訓(xùn)練樣本和測試樣本兩類，訓(xùn)練樣本用來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，測試樣本進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的驗(yàn)證.結(jié)果顯示，采用人工神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法對(duì)溫室大棚環(huán)境下粉虱和薊馬的識(shí)別精度分別為96%和92%，說明人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法對(duì)溫室大棚內(nèi)的早期病蟲害的預(yù)測有幫助.

王雪麗（2018）［13］的研究則從專家?guī)旖ㄔO(shè)的角度出發(fā)，通過BP神經(jīng)網(wǎng)絡(luò)對(duì)所采集到的病蟲害相關(guān)的文本數(shù)據(jù)進(jìn)行分類，為病蟲害進(jìn)行專家系統(tǒng)的建立提供技術(shù)基礎(chǔ).

通過以上分析可知，機(jī)器學(xué)習(xí)算法在農(nóng)業(yè)病蟲害預(yù)測方面已經(jīng)取得了豐碩的研究成果，主要集中于方法學(xué)研究、病蟲害預(yù)測精度研究、病蟲害分類研究等幾個(gè)方面，研究方法介紹細(xì)致，研究內(nèi)容范圍較廣，可為后續(xù)的相關(guān)研究工作提供相應(yīng)的技術(shù)參考.

1.3 機(jī)器學(xué)習(xí)算法進(jìn)行農(nóng)產(chǎn)品價(jià)格預(yù)測

農(nóng)產(chǎn)品價(jià)格不僅與農(nóng)民自身的經(jīng)濟(jì)收入有關(guān)，同樣也關(guān)乎國民生活水平的穩(wěn)定.農(nóng)產(chǎn)品價(jià)格的上升有助于提高農(nóng)民自身的經(jīng)濟(jì)收入，但也帶來了物價(jià)上漲的困擾，相反，農(nóng)產(chǎn)品價(jià)格的下降則會(huì)降低農(nóng)民的經(jīng)濟(jì)收入.因此，在智慧農(nóng)業(yè)應(yīng)用過程中，農(nóng)產(chǎn)品價(jià)格的預(yù)測是影響智慧農(nóng)業(yè)建設(shè)的重要方面，如何利用科技的力量進(jìn)行合理、有效的農(nóng)產(chǎn)品價(jià)格預(yù)測是智慧農(nóng)業(yè)建設(shè)需要考慮的關(guān)鍵問題之一.

賀艷輝等（2010）［14］利用非線性BP人工神經(jīng)網(wǎng)絡(luò)對(duì)影響羅非魚價(jià)格的相關(guān)因素進(jìn)行分析，選擇銷售月份、銷售地經(jīng)度、銷售地緯度、銷售地人口密度、銷售地人均消費(fèi)水平五個(gè)指標(biāo)作為特征變量，而價(jià)格參考上海、虎門、新疆三地的水產(chǎn)品市場，共收集135個(gè)樣本，其中108個(gè)樣本作為訓(xùn)練樣本，27個(gè)作為測試樣本.結(jié)果顯示，測試的相對(duì)誤差在1%～6%，平均值為4%，測試結(jié)果非常準(zhǔn)確，因此，非線性BP人工神經(jīng)網(wǎng)絡(luò)算法可作為其他水產(chǎn)品或者農(nóng)產(chǎn)品的價(jià)格預(yù)測工具.

羅長壽（2011）［15］利用BP神經(jīng)網(wǎng)絡(luò)、遺傳算法下的神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)對(duì)北京的香菇市場的每日價(jià)格進(jìn)行預(yù)測分析，選取2003—2007年的每日香菇價(jià)格作為訓(xùn)練數(shù)據(jù)，并使用2008—2009年的每日香菇價(jià)格作為測試數(shù)據(jù).測試結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)、遺傳算法下的神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)建立的三種模型預(yù)測的平均絕對(duì)誤差分別為0.15%、0.114%、0.144%，三種模型的集成模型的平均絕對(duì)誤差為0.106%，穩(wěn)定性大大提高.

岳之峣等（2013）［16］以雞蛋價(jià)格預(yù)警作為切入點(diǎn)，采用支持向量機(jī)的機(jī)器學(xué)習(xí)算法對(duì)雞蛋價(jià)格進(jìn)行預(yù)測.將雞蛋和豬肉價(jià)格的比值作為預(yù)警值，采用2010年7月到2011年6月的數(shù)據(jù)作為訓(xùn)練樣本，采用2011年7月到2012年12月的數(shù)據(jù)作為測試樣本，最終測試樣本當(dāng)中的預(yù)測結(jié)果均在實(shí)際范圍之內(nèi)，說明支持向量機(jī)訓(xùn)練的價(jià)格預(yù)測模型有效.

石波等（2016）［17］采用RBF神經(jīng)網(wǎng)絡(luò)和訓(xùn)練預(yù)測模型對(duì)中國的大豆價(jià)格進(jìn)行預(yù)測，選取2009-2013年的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將2014年的數(shù)據(jù)作為測試數(shù)據(jù)，將大豆進(jìn)口量、消費(fèi)者信心指數(shù)、進(jìn)口大豆價(jià)格三個(gè)指數(shù)作為輸入變量，預(yù)測模型的預(yù)測誤差為3.64%，與傳統(tǒng)的數(shù)學(xué)建模分析方式相比，機(jī)器學(xué)習(xí)算法的分析難度和預(yù)測誤差均有所降低.

蔡超敏等（2016）［18］創(chuàng)新性地提出引進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解方法（EMD），將豬肉的歷史數(shù)據(jù)進(jìn)行分解并集成為高頻部分、低頻部分、殘余項(xiàng)三個(gè)模塊，通過支持向量機(jī)訓(xùn)練模型進(jìn)行預(yù)測.此外，還通過單純的SVM、EMD-BP、BP進(jìn)行預(yù)測，通過比較分析發(fā)現(xiàn)，EMD-SVM具有較好的預(yù)測精度.

謝申汝（2018）［19］利用支持向量機(jī)算法以2005—2016年的小麥最低收購價(jià)格數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，而后對(duì)2017年的小麥最低價(jià)格進(jìn)行預(yù)測，預(yù)測準(zhǔn)確率達(dá)到標(biāo)準(zhǔn)水平.

通過以上研究成果的分析可見，機(jī)器學(xué)習(xí)算法對(duì)農(nóng)作物價(jià)格的預(yù)測非常有幫助.機(jī)器學(xué)習(xí)的海量數(shù)據(jù)來源廣泛，如農(nóng)產(chǎn)品以往銷售的價(jià)格數(shù)據(jù)、當(dāng)?shù)厝丝谙M(fèi)水平的統(tǒng)計(jì)年鑒數(shù)據(jù)、原材料供應(yīng)的價(jià)格數(shù)據(jù)等，為農(nóng)產(chǎn)品價(jià)格的預(yù)測提供了數(shù)據(jù)支撐.采用機(jī)器學(xué)習(xí)算法對(duì)農(nóng)產(chǎn)品價(jià)格進(jìn)行預(yù)測，可以調(diào)控農(nóng)產(chǎn)品價(jià)格，保障農(nóng)民的經(jīng)濟(jì)收入，從智慧農(nóng)業(yè)的發(fā)展來看，農(nóng)產(chǎn)品價(jià)格的預(yù)測有利于智慧農(nóng)業(yè)發(fā)展方向的選擇，因此，有必要深入研究農(nóng)產(chǎn)品價(jià)格預(yù)測的方法.

2 不足與展望

本文主要綜述了機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)中的應(yīng)用進(jìn)展，集中對(duì)農(nóng)作物分類、病蟲害預(yù)測、農(nóng)產(chǎn)品價(jià)格預(yù)測三方面進(jìn)行了分析，雖然機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)上的應(yīng)用已經(jīng)取得了非常多的研究成果，且預(yù)測準(zhǔn)確度較高，但仍然存在一些問題值得我們進(jìn)一步思考.

首先，機(jī)器學(xué)習(xí)算法種類較多，各有優(yōu)缺點(diǎn)，前文中論述的部分研究已經(jīng)認(rèn)識(shí)到這一點(diǎn)，考慮到單一的機(jī)器學(xué)習(xí)算法不能有效地完成任務(wù)，因此，多數(shù)研究是將多種機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比分析，最終選擇準(zhǔn)確率較高的一種.但還有一個(gè)問題需要考慮，就是研究對(duì)象的差異性，研究對(duì)象的差異同樣會(huì)造成機(jī)器學(xué)習(xí)算法預(yù)測精度的差異，因此，筆者認(rèn)為，在后續(xù)的研究中，應(yīng)該加入不同的農(nóng)作物分類任務(wù)，重點(diǎn)考慮研究對(duì)象這一個(gè)維度，從而將研究結(jié)果細(xì)化.

其次，每種機(jī)器學(xué)習(xí)算法都需要引入一定的參數(shù)，參數(shù)選取的有效性直接影響機(jī)器學(xué)習(xí)算法分析的精度，對(duì)農(nóng)作物分類、病蟲害預(yù)測、農(nóng)產(chǎn)品價(jià)格預(yù)測的精度會(huì)有很大影響.但前文綜述的研究成果中對(duì)機(jī)器學(xué)習(xí)算法中不同參數(shù)選擇帶來的結(jié)果差異基本都沒有考慮，僅有的一篇文獻(xiàn)對(duì)支持向量機(jī)中的不同的參數(shù)所帶來的預(yù)測結(jié)果進(jìn)行了分析［10］，筆者認(rèn)為，不同參數(shù)的選擇對(duì)于機(jī)器學(xué)習(xí)算法精度的影響也應(yīng)該重點(diǎn)考慮，以提高預(yù)測結(jié)果的精度.

最后，機(jī)器學(xué)習(xí)算法中要求的特征變量及其數(shù)目的選擇具有隨機(jī)性.通常情況下，特征變量及其數(shù)目會(huì)影響機(jī)器學(xué)習(xí)算法的準(zhǔn)確性和泛化能力，應(yīng)該精確選取.然而，前文綜述的研究成果顯示，特征變量選擇的研究較少，多數(shù)特征變量的選擇僅僅是依據(jù)個(gè)人的經(jīng)驗(yàn)，具有一定的主觀性，標(biāo)準(zhǔn)不統(tǒng)一，從而導(dǎo)致相應(yīng)有效的模型的可移植性較差，可應(yīng)用的范圍縮小，不利于研究方法的進(jìn)一步開發(fā)和應(yīng)用.因此，今后應(yīng)加強(qiáng)特征變量選擇的研究工作，提高預(yù)測模型的通用性.

3 建議

為了促進(jìn)機(jī)器學(xué)習(xí)算法在智慧農(nóng)業(yè)中的應(yīng)用，今后的研究應(yīng)注意以下三方面：第一，著手從研究對(duì)象的差異方面切入，詳細(xì)分析研究對(duì)象的差異，進(jìn)而選擇合適的機(jī)器學(xué)習(xí)算法，擴(kuò)大機(jī)器學(xué)習(xí)算法的應(yīng)用范圍；第二，在機(jī)器學(xué)習(xí)算法的相關(guān)參數(shù)的選擇方面，多比較不同參數(shù)所造成的模型差異，選擇最佳的參數(shù)；第三，在機(jī)器學(xué)習(xí)算法的特征變量的選擇方面，農(nóng)業(yè)上應(yīng)進(jìn)行一個(gè)有效的統(tǒng)一，讓預(yù)測模型具有通用性，可以更加有效地為多樣化的智慧農(nóng)業(yè)生產(chǎn)服務(wù)需求提供幫助.