智慧農(nóng)業(yè)背景下的作物信息學(xué)：以信息獲取、分析和智能決策為例*

李家其，徐雯穎，葉 婷，吳 晗，姚 雪，吳洪洪，3*

（1.華中農(nóng)業(yè)大學(xué)植物科學(xué)技術(shù)學(xué)院/華中農(nóng)業(yè)大學(xué)深圳營養(yǎng)與健康研究院，湖北 武漢 430070；2.武漢船舶職業(yè)技術(shù)學(xué)院 計算機信息技術(shù)學(xué)院，湖北 武漢 430050；3.中國農(nóng)業(yè)科學(xué)院深圳農(nóng)業(yè)基因組研究所/嶺南現(xiàn)代農(nóng)業(yè)科學(xué)與技術(shù)廣東省實驗室深圳分中心，廣東 深圳 518000）

1 背景介紹

到2050年，地球人口將超過90億人。人口的快速增長需要糧食產(chǎn)量翻一番以上[1]。隨著信息和自動化產(chǎn)業(yè)的不斷發(fā)展，農(nóng)業(yè)科學(xué)家們需要新的創(chuàng)新管理技術(shù)構(gòu)建智慧農(nóng)業(yè)系統(tǒng)，來確保農(nóng)業(yè)的可持續(xù)發(fā)展。智慧農(nóng)業(yè)是指將現(xiàn)代科學(xué)技術(shù)與農(nóng)業(yè)種植相結(jié)合，從而實現(xiàn)無人化、自動化、智能化管理。對于我國而言，智慧農(nóng)業(yè)是智慧經(jīng)濟主要的組成部分。我國是農(nóng)業(yè)大國但不是農(nóng)業(yè)強國，農(nóng)業(yè)的豐產(chǎn)豐收離不開農(nóng)藥化肥的大量投入使用。而過度依賴農(nóng)用化學(xué)品不僅導(dǎo)致大量的資源浪費還造成嚴重的環(huán)境污染。因此，構(gòu)建智慧農(nóng)業(yè)是改變傳統(tǒng)農(nóng)業(yè)生產(chǎn)模式實現(xiàn)農(nóng)業(yè)強國的重要途徑。

2 作物信息學(xué)與智慧農(nóng)業(yè)：信息獲取、分析及智能決策

2.1 智慧農(nóng)業(yè)背景下的作物信息學(xué)

作物信息學(xué)在實際農(nóng)業(yè)生產(chǎn)背景下，將信息學(xué)與植物生理學(xué)、作物組學(xué)、農(nóng)業(yè)機械化及其自動化、計算機科學(xué)等學(xué)科有機結(jié)合，運用科學(xué)方法重點解決在作物信息感知，傳遞，儲存，分析，決策過程中所遇到的各種問題。作物信息學(xué)與智慧農(nóng)業(yè)的深度結(jié)合是保證智慧農(nóng)業(yè)穩(wěn)定可持續(xù)運行，提升智慧農(nóng)業(yè)系統(tǒng)“智慧”程度，提高智慧農(nóng)業(yè)生產(chǎn)模式、生產(chǎn)能力的高效手段。

2.2 農(nóng)業(yè)生產(chǎn)信息的獲取和收集

在智慧農(nóng)業(yè)體系中，想要捕獲大面積作物的各種關(guān)鍵信息，要靠各種先進的傳感器。相較傳統(tǒng)農(nóng)業(yè)以眼觀、手摸、鼻子嗅的方式去感知農(nóng)作物信息，智慧農(nóng)業(yè)中的傳感器對于信息的獲取速度快，獲取的信息全面準確并且便于分析量化。多傳感器結(jié)合，進一步提升了綜合“感知”能力從而給計算機提供大量的多方數(shù)據(jù)，有利于在智慧農(nóng)業(yè)體系運行時減小預(yù)測失誤的概率。

近年來，農(nóng)業(yè)傳感器逐漸成為傳感器領(lǐng)域的研究熱點，自2007年起我國各式的農(nóng)業(yè)傳感器專利申請數(shù)量迅速提升[2]。農(nóng)業(yè)傳感器的安裝位置根據(jù)功能間的差異而不同。檢測作物生態(tài)信息的環(huán)境傳感器往往置于農(nóng)田中以便于獲取最貼近真實情況的實時環(huán)境數(shù)據(jù)，如溫濕度傳感器、CO2傳感器、土壤傳感器，這些傳感器相對成熟并且已經(jīng)部分應(yīng)用于智能灌溉、智能溫室大棚等智慧農(nóng)業(yè)場景中[3-4]。搭建集多傳感器于一體的自動化農(nóng)機設(shè)備，是目前農(nóng)業(yè)機械領(lǐng)域的研究熱點之一。這些安裝在農(nóng)機上的傳感元件可以獲取聲納，紅外，多光譜等多種特殊的農(nóng)田信息，并且隨農(nóng)業(yè)機械（無人機、智能農(nóng)機車輛等）的快速移動實現(xiàn)對于大面積農(nóng)作物的表型等信息進行快速掃描。利用這些經(jīng)過加工的農(nóng)業(yè)機械獲取作物的表型數(shù)據(jù)，是研究表型組學(xué)進行智能化表型分析的高效途徑。Pedro等研究開發(fā)的同時攜帶了四套傳感器（聲納傳感器、紅外輻射傳感器、GPS-RTK接收器、多光譜作物冠層傳感器）的田間表型動態(tài)性狀監(jiān)測系統(tǒng)，能夠以0.84ha·h-1的速度同時測量冠層高度、歸一化植被指數(shù)以及溫度，從而對棉花的多個性狀進行快速準確地測量，并且所獲取的數(shù)據(jù)相比于成本更加昂貴的表型設(shè)施差異不大[5]。另一種微型電子傳感器元件被Birgit等開發(fā)，用以監(jiān)測乙烯的濃度[6]。相較于傳統(tǒng)的氣相色譜等昂貴且復(fù)雜的檢測方法，這種可逆的化學(xué)電阻傳感器體積小，成本低，可以輕易安裝在作物葉片等部位，能夠檢測濃度小于1ppm的乙烯，從而為確定采收時間提供指標，避免水果過熟。

此外，納米感應(yīng)元件逐漸成為國內(nèi)外研究人員關(guān)注的熱點，相較于傳統(tǒng)傳感器而言，它具有體積?。ㄖ睆叫∮?00nm），敏感度高，可以在植物生理水平和分子水平上監(jiān)測等優(yōu)勢。在智慧農(nóng)業(yè)體系中這些納米級傳感器或納米感應(yīng)元件可以用于精確檢測單個植物內(nèi)的各種化學(xué)分子（葡萄糖，H2O2，NO，ATP 等），脅迫狀況以及營養(yǎng)缺失等作物信息，這有助于通過改善高通量監(jiān)測篩選耐脅迫品種的化學(xué)表型，以改進作物育種相關(guān)技術(shù)[7]。此外，通過納米生物技術(shù)設(shè)計的智能植物能夠?qū)⒅参锘瘜W(xué)信號轉(zhuǎn)化為數(shù)字信息，向智能農(nóng)機設(shè)備報告作物健康狀況，實現(xiàn)對于水肥等資源的精準利用，促進農(nóng)業(yè)自動化和智能化的發(fā)展。例如，光學(xué)納米傳感器在進行傳感時由于與被測分子結(jié)合發(fā)生氧化還原等反應(yīng)，會導(dǎo)致納米材料中的電子密度和環(huán)境發(fā)生改變，導(dǎo)致傳感器與被測分子之間的價帶或?qū)Оl(fā)生變化，使得納米材料中電子發(fā)生熒光共振轉(zhuǎn)移，處于基態(tài)或者激發(fā)態(tài)的電子轉(zhuǎn)移到修飾物的最低未占據(jù)空軌道，進而導(dǎo)致熒光猝滅[8]。Wu等設(shè)計的一種基于納米管的傳感器（通過DNA實體和血紅素進行表面修飾）能夠通過熒光猝滅遠程監(jiān)測活體植物中的H2O2[9]。并且該傳感器（HeAptDNA-SWCNT sensor）對于不同類型脅迫的不同響應(yīng)模式，將會為今后使用機器學(xué)習(xí)算法預(yù)測脅迫發(fā)生提供新的有效工具。最新開發(fā)的一種由單鏈核苷酸（ssDNA）和聚乙二醇（PEG）對（6，5）手性單臂碳納米管（SWCNT）進行非共價表面修飾的植物多酚傳感器通過與多羥基發(fā)生反應(yīng)進而在近紅外波段表現(xiàn)出熒光猝滅[10]。不同于傳統(tǒng)的納米熒光探針，這種傳感器近紅外區(qū)域呈現(xiàn)組織透明進而最大程度減少背景噪音，在復(fù)雜生物系統(tǒng)中提供較高的時空分辨率，為智慧農(nóng)業(yè)中病害監(jiān)測和表型鑒定提供了高效傳感工具。這些納米級的作物傳感裝置只需要幾十微升甚至更少，就可以構(gòu)建出優(yōu)秀的作物“哨兵”，實現(xiàn)對于作物健康狀況等信息的遠程監(jiān)控，這項技術(shù)有可能在未來為智慧農(nóng)業(yè)系統(tǒng)提供更加靈活高效的多傳感體系，具體見圖1。

圖1 作物信息獲取，處理，儲存，決策

2.3 農(nóng)業(yè)生產(chǎn)信息的處理

作物生產(chǎn)信息中蘊含著大量的數(shù)據(jù)，但是較難被直接利用。對這些數(shù)據(jù)進行篩選，提取有效信息排除“噪音”，優(yōu)化機器學(xué)習(xí)算法，運用人工智能等方法對所捕獲的信息進行深度挖掘和分析，是作物信息學(xué)的研究重點。這些數(shù)據(jù)來自不同類型的傳感器設(shè)備，所產(chǎn)生的數(shù)據(jù)類型也不同，如數(shù)字數(shù)據(jù)、圖像數(shù)據(jù)，光譜數(shù)據(jù)等。作物信息學(xué)通過數(shù)據(jù)挖掘與分析，將不可直接利用的不同類型的數(shù)據(jù)通過適當(dāng)算法轉(zhuǎn)換為可執(zhí)行的決策。當(dāng)前廣泛應(yīng)用于農(nóng)業(yè)、工業(yè)以及商業(yè)等領(lǐng)域的深度學(xué)習(xí)算法雖然同屬于機器學(xué)習(xí)，但是與傳統(tǒng)機器學(xué)習(xí)有很大不同，深度學(xué)習(xí)是機器學(xué)習(xí)中的具有深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)算法[11]。深度學(xué)習(xí)允許由多個處理層組成的計算模型學(xué)習(xí)具有多個抽象級別的數(shù)據(jù)。這些方法極大地提高了語音識別、視覺物體識別、物體檢測和許多其他領(lǐng)域，如基因組學(xué)和藥物發(fā)現(xiàn)。深度學(xué)習(xí)算法通過使用反向傳播算法來指示機器如何工作，從而發(fā)現(xiàn)大型數(shù)據(jù)集中的復(fù)雜結(jié)構(gòu)[12]。

傳統(tǒng)機器學(xué)習(xí)主要依賴人工進行特征提取，但是面對大量數(shù)據(jù)時效率較低，深度學(xué)習(xí)靠機器自動進行特征提取在處理復(fù)雜數(shù)據(jù)時有更好的表現(xiàn)，但可解釋性較差。深度學(xué)習(xí)中已經(jīng)有很多成熟且高效的算法，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks），循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks），遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Networks）。CNN是前饋網(wǎng)絡(luò)，信息流在網(wǎng)絡(luò)中發(fā)生只有一個方向，從輸入到輸出，就像人工神經(jīng)網(wǎng)絡(luò)（ANN）是受生物學(xué)啟發(fā)的，CNN也是受大腦的視覺皮層啟發(fā)，由簡單細胞和復(fù)雜細胞交替組成[13]。通過信號采集，加權(quán)求和以及導(dǎo)入激活函數(shù)這一流程模擬人腦中神經(jīng)元傳遞信號的過程。在高光譜成像分析等智慧農(nóng)業(yè)應(yīng)用場景中卷積神經(jīng)網(wǎng)絡(luò)展現(xiàn)出獨特的優(yōu)勢，它通過卷積（Convolution）進行稀疏連接，通過激活函數(shù)（如ReLU）引入非線性函數(shù)，通過池化（Polling）減小維度特征提升效率，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用極大提高了識別的準確率。在循環(huán)神經(jīng)網(wǎng)絡(luò)中，遞歸層或隱藏層由遞歸單元組成，其狀態(tài)受過去狀態(tài)和反饋連接的當(dāng)前輸入的影響。循環(huán)層可以安插在不同的架構(gòu)中以形成不同的RNN。因此，RNN的主要區(qū)別在于循環(huán)層和網(wǎng)絡(luò)架構(gòu)[14]。其中長短期記憶（Long short-term memory，LSTM）在RNN中扮演重要的角色，它是一種特殊的RNN，主要是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題，能夠在更長的序列中有更好的表現(xiàn)。遞歸神經(jīng)網(wǎng)絡(luò)模型已經(jīng)在許多自然語言處理任務(wù)中都有不錯的表現(xiàn)。遞歸模型間的主要區(qū)別在于組合函數(shù)[15]。在眾多農(nóng)業(yè)傳感器中，生態(tài)傳感器往往能夠提供較為直觀的數(shù)字信息，呂奧博等基于決策樹與現(xiàn)有的成熟禾本作物Wheat-Grow生長模型，通過代入青稞生長過程中的環(huán)境數(shù)據(jù)（溫度、土壤含水量等），得到傳統(tǒng)生長模型因子對青稞生長的預(yù)測結(jié)果[16]。圖像數(shù)據(jù)，包括遙感圖像、高光譜圖像、近紅外圖像等。

隨著算法的不斷優(yōu)化迭代以及計算機算力的極大提升，圖像識別在非農(nóng)業(yè)領(lǐng)域圖像的識別分析已經(jīng)有較為廣泛的應(yīng)用。如在人臉識別、自動駕駛等前沿方向中圖像分析算法展現(xiàn)出優(yōu)越的性能。近年來，已經(jīng)有大量的研究人員努力將AI技術(shù)與農(nóng)業(yè)生產(chǎn)相結(jié)合，極大地推動了智慧農(nóng)業(yè)的發(fā)展。Mei等通過對四個基準數(shù)據(jù)集進行大量實驗，構(gòu)造了一個五層神經(jīng)網(wǎng)絡(luò)（C-CNN），該神經(jīng)網(wǎng)絡(luò)包含深度學(xué)習(xí)領(lǐng)域的dropout方法（防止過擬合），批量標準化及激活函數(shù)（PReLU）等研究進展，用于高光譜分類并獲得良好的效果。并且構(gòu)造出一個伴生特征學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（FL-CNN），該算法進行特征提取可以在無監(jiān)督或監(jiān)督模式下進行，用于學(xué)習(xí)傳感器所捕獲的空間光譜特征，該算法的性能相較于一般機器學(xué)習(xí)算法有顯著提升[17]。有研究人員發(fā)現(xiàn)，在機器學(xué)習(xí)驅(qū)動下，拉曼光譜（SERS）可以用來測量不同細胞中至少8種代謝物的梯度[18]。細胞外環(huán)境是細胞分泌和消耗代謝物的復(fù)雜介質(zhì)，傳統(tǒng)的檢測方法在分析研究這些分子梯度時具有很大的挑戰(zhàn)性，因為目前的工具不適合且具有破壞性，同時難以提供足夠的分辨率。該研究利用納米材料作為探針，使用TensorFlow分析拉曼光譜最后將整個光譜數(shù)據(jù)導(dǎo)入卷積神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)處理，獲得了高精度的分析結(jié)果，為研究細胞生物學(xué)提供了一個通用平臺。機器學(xué)習(xí)是人工智能的核心，其強大的數(shù)據(jù)處理能力和學(xué)習(xí)能力為農(nóng)業(yè)發(fā)展帶來新的突破點。其中，有監(jiān)督學(xué)習(xí)（線性回歸、決策樹、支持向量機、BP神經(jīng)網(wǎng)絡(luò)、KNN等）在智慧農(nóng)業(yè)中已有較為廣泛的應(yīng)用，其根據(jù)相應(yīng)的算法在有標記的作物信息數(shù)據(jù)集上訓(xùn)練模型，優(yōu)化參數(shù)，再利用優(yōu)化后的模型對輸入的新數(shù)據(jù)進行分析，也就具有了對未知數(shù)據(jù)進行預(yù)測和分類的能力。但是該算法往往以大量的訓(xùn)練數(shù)據(jù)為基礎(chǔ)，而創(chuàng)建大型農(nóng)業(yè)數(shù)據(jù)集通常是非常耗時的任務(wù)。在未來，依托于無人智能設(shè)備，無監(jiān)督學(xué)習(xí)有可能會成為驅(qū)動智慧農(nóng)業(yè)的新動力。

2.4 農(nóng)業(yè)生產(chǎn)信息的聯(lián)網(wǎng)和存儲

近年來，5G、物聯(lián)網(wǎng)、區(qū)塊鏈等信息技術(shù)飛速發(fā)展。新一代信息技術(shù)（Next Generation ICT）的開發(fā)為智慧農(nóng)業(yè)發(fā)展提供了基礎(chǔ)支撐。一個完善的智慧農(nóng)業(yè)系統(tǒng)，任何信息的傳遞應(yīng)該是數(shù)據(jù)化、自動化、智能化的，從而不再需要人作為信息傳遞的媒介。各種傳感器所捕獲的實時高通量作物信息數(shù)據(jù)，需要快速無損地傳遞給數(shù)據(jù)分析終端從而及時做出決策，調(diào)動智慧農(nóng)業(yè)體系中的智能化農(nóng)機設(shè)備等。如前所述，不同傳感器所捕獲的信息類型多樣，包括高光譜數(shù)據(jù)、生態(tài)數(shù)據(jù)、近紅外圖像數(shù)據(jù)、遙感數(shù)據(jù)等。不同數(shù)據(jù)類型的傳輸存儲方式，數(shù)據(jù)轉(zhuǎn)換以及分析方法不同。在構(gòu)建智慧農(nóng)業(yè)系統(tǒng)時，往往是多種類型的傳感器同時運行。合理設(shè)計各種數(shù)據(jù)的傳輸，儲存，分析，整合，才能得到對農(nóng)作物全面準確實時的預(yù)測和評價，也是提高體系自動化程度增強體系整體性能的重要一環(huán)。

智慧農(nóng)業(yè)數(shù)字化的進一步優(yōu)化，需要具備由高穩(wěn)定性、高效能的硬件與軟件所共同構(gòu)筑閉環(huán)，通過不斷迭代與升級，產(chǎn)業(yè)發(fā)展逐步向數(shù)字孿生[19]。提高信號的穩(wěn)定性，增加數(shù)據(jù)傳輸帶寬和速度，提高信噪比降低數(shù)據(jù)的錯誤率，改進無線設(shè)備間的兼容性以及連接的穩(wěn)定性，提高存儲設(shè)備的安全性和穩(wěn)定性是保證信息穩(wěn)定流通提高智慧農(nóng)業(yè)信息化體系性能的研究方向。物聯(lián)網(wǎng)通過智能傳感器按照相應(yīng)協(xié)議，把萬事萬物通過網(wǎng)絡(luò)連接起來，以實現(xiàn)智能監(jiān)控管理等操作[20]。胡開明等以物聯(lián)網(wǎng)為基礎(chǔ)通過無線通信技術(shù)和智能化控制技術(shù)有機融合設(shè)計了一套智能溫室大棚控制系統(tǒng)。以單片機為控制器，采用DHT11模塊和PCF8591模塊收集溫室大棚內(nèi)環(huán)境的溫濕度和光照等作物生態(tài)信息，經(jīng)過單片機處理后自動調(diào)節(jié)大棚內(nèi)的溫濕度、光照度及通風(fēng)狀況，以完成智能化保溫、保濕和數(shù)據(jù)存儲，并且通過無線通信模塊GPRS-GA6將實時數(shù)據(jù)傳送到指定手機上[21]。一套智慧農(nóng)業(yè)遠程監(jiān)控系統(tǒng)同樣以物聯(lián)網(wǎng)為基礎(chǔ)，通過使用LoRa、網(wǎng)關(guān)和GPRS構(gòu)建無線自組網(wǎng)，并使用智慧農(nóng)業(yè)綜合信息管理平臺實現(xiàn)對于農(nóng)業(yè)大棚環(huán)境數(shù)據(jù)的實時采集和監(jiān)控[22]。5G技術(shù)（The Fifth Generation Mobile Communications System）具有帶寬龐大和低延遲等優(yōu)勢，在作物信息傳遞時展現(xiàn)出較高的效能[23]。5G技術(shù)實際應(yīng)用于智慧農(nóng)業(yè)大棚系統(tǒng)灌溉模型中，建立了應(yīng)用層、服務(wù)層、傳輸層以及傳感層，并提出系統(tǒng)灌溉模型解決方案。在智慧大棚系統(tǒng)灌溉模型方案中引入了智慧大棚內(nèi)環(huán)境指數(shù)掌控體系，結(jié)合大棚內(nèi)農(nóng)作物精準培育環(huán)境優(yōu)化展開分析，建立基于5G技術(shù)的實時監(jiān)測與遠程聯(lián)動技術(shù)模塊，形成遠程通信技術(shù)體系，促成智慧田地方案，實現(xiàn)對大棚中傳感器所獲取的數(shù)據(jù)進行無損、低延遲的實時傳遞分析以及決策[24]。區(qū)塊鏈是基于密碼學(xué)算法的一種互聯(lián)網(wǎng)共享數(shù)據(jù)庫信息技術(shù)，從多個層面解決中心化模型所造成的數(shù)據(jù)庫信任安全問題。區(qū)塊鏈技術(shù)具有不可篡改和可追溯的特點，其運用密碼學(xué)算法的原理安全轉(zhuǎn)移數(shù)據(jù)信息。在智慧農(nóng)業(yè)中采用區(qū)塊鏈賦能物聯(lián)網(wǎng)技術(shù)能夠?qū)r(nóng)業(yè)生產(chǎn)進行遠程操作和實時監(jiān)控，大幅度降低了農(nóng)業(yè)的生產(chǎn)成本，提升生產(chǎn)效率，從而推動智慧農(nóng)業(yè)的進一步發(fā)展和普及[25]，具體見圖2。

2.5 作物信息學(xué)與農(nóng)業(yè)生產(chǎn)中的智能決策

圖2 智慧農(nóng)業(yè)決策系統(tǒng)模型之一

決策支持工具基于軟件和農(nóng)業(yè)信息平臺，是尋求農(nóng)業(yè)循證決策以提高生產(chǎn)力和環(huán)境產(chǎn)出的重要組成部分。其能夠給出最佳決策路徑，或者充當(dāng)信息源為現(xiàn)實決策提供基礎(chǔ)[26]。隨著大數(shù)據(jù)技術(shù)的飛速發(fā)展，計算機存儲和數(shù)據(jù)處理的性能極大提升，人工智能也隨之復(fù)興。人工智能系統(tǒng)成本降低的同時，預(yù)測能力有了極大地提升。伴隨著AI的飛速發(fā)展，人工智能越來越廣泛地應(yīng)用于決策系統(tǒng)[27]，農(nóng)業(yè)智能決策支持系統(tǒng)也得到了相應(yīng)的推動。智能決策支持系統(tǒng)（IDSS，Intellingence Decisionmaking Support System）是20世紀80年代以后在傳統(tǒng)決策支持系統(tǒng)（DSS）中引入AI技術(shù)而產(chǎn)生的決策支持系統(tǒng)，該系統(tǒng)基于農(nóng)業(yè)大數(shù)據(jù)和成熟的技術(shù)，易于維護且能夠充分利用各層次資源。決策系統(tǒng)在其他領(lǐng)域已經(jīng)展現(xiàn)出出色的效能，比如在醫(yī)學(xué)領(lǐng)域，放射科醫(yī)生可以通過使用AI系統(tǒng)提供的決策支持，大大提高他們在乳腺X光檢查中診斷乳腺癌的速度和精準度[28]。在智慧農(nóng)業(yè)中，AI算法輸出的結(jié)果往往會傳送給智能農(nóng)機設(shè)備或農(nóng)業(yè)基站。國外研究人員開發(fā)了一套人工智能決策支持系統(tǒng)，利用在三個不同農(nóng)戶冷藏設(shè)施中獲得的實驗數(shù)據(jù)訓(xùn)練并驗證人工神經(jīng)網(wǎng)絡(luò)（ANN），從而快速、簡單地預(yù)測成熟時間，幫助農(nóng)戶確定適銷期從而減少浪費，并且開發(fā)了一個用戶界面[29]。在今后的智慧農(nóng)業(yè)決策系統(tǒng)中，作物信息經(jīng)過處理分析導(dǎo)入智能決策系統(tǒng)，智能決策支持系統(tǒng)如同“專家”，可以驅(qū)動智能農(nóng)機設(shè)備自動執(zhí)行決策，預(yù)測作物生長狀況，并對各種類型脅迫進行提前預(yù)警，使得智慧農(nóng)業(yè)體系更加完善。盡管在人工智能的加持下，農(nóng)業(yè)智能決策支持系統(tǒng)逐步完善，但其發(fā)展仍然面臨著諸多挑戰(zhàn)。例如，現(xiàn)有決策系統(tǒng)GUI對于農(nóng)民過于復(fù)雜，其著重于短期決策而缺乏長期的規(guī)劃，面對不確定因素和動態(tài)環(huán)境其穩(wěn)定性不足，并且現(xiàn)有算法在訓(xùn)練決策系統(tǒng)時往往需要大量的信息數(shù)據(jù)基礎(chǔ)。而作物信息學(xué)正是解決這些問題的有效途徑。在未來，作物信息學(xué)將會通過簡化GUI設(shè)計[30]，增加系統(tǒng)決策周期，提高系統(tǒng)穩(wěn)定性，以及優(yōu)化算法等方式進一步提高農(nóng)業(yè)智能決策系統(tǒng)的性能與可用性。

3 作物信息學(xué)與智慧農(nóng)業(yè)：展望

當(dāng)前我國智慧農(nóng)業(yè)發(fā)展水平與發(fā)達國家還有一定差距，在農(nóng)業(yè)傳感器設(shè)計、農(nóng)機自動化、農(nóng)業(yè)數(shù)據(jù)分析以及算法優(yōu)化等軟件和硬件方面仍然有待進一步提高。作物信息學(xué)的技術(shù)和研究成果可以極大地推動信息自動化產(chǎn)業(yè)與傳統(tǒng)農(nóng)業(yè)的深度結(jié)合，為智慧農(nóng)業(yè)添“智”。在面對現(xiàn)實農(nóng)業(yè)生產(chǎn)問題時，作物信息學(xué)能夠充分利用農(nóng)業(yè)傳感器，遙感技術(shù)，地理信息系統(tǒng)，以及市場信息檢測軟件模塊等感知手段，通過信息傳輸遠程監(jiān)測技術(shù)對作物生長狀態(tài)，農(nóng)業(yè)環(huán)境狀況，農(nóng)業(yè)生產(chǎn)過程進行全流程跟蹤式監(jiān)測管理，通過人工智能算法整合分析農(nóng)業(yè)大數(shù)據(jù)，以數(shù)據(jù)流驅(qū)動物資流、人才流、資金流、技術(shù)流，實現(xiàn)更為精準精確的農(nóng)產(chǎn)品的種、管、采收、儲存、加工等[19]。隨著人工智能與大數(shù)據(jù)的飛快進步，作物育種已經(jīng)進入4.0階段的核心是大數(shù)據(jù)驅(qū)動的基因組智能設(shè)計育種[31]。機器學(xué)習(xí)算法與傳統(tǒng)育種相結(jié)合的新育種模式吸引了越來越多育種家的目光，如今人們已經(jīng)能夠?qū)⑸疃葘W(xué)習(xí)等人工智能理論與技術(shù)應(yīng)用于小麥等作物育種中[32-34]。在未來，智能育種通過育種大數(shù)據(jù)與人工智能決策，結(jié)合基因組學(xué)以及基因編輯技術(shù)，將會實現(xiàn)進一步加快作物優(yōu)良品系的培育，大大縮短育種周期，提高育種效率，降低育種成本。另一方面，在大力發(fā)展智慧農(nóng)業(yè)的背景下，以需求為導(dǎo)向解決智慧農(nóng)業(yè)發(fā)展中的難題從而實現(xiàn)與智慧農(nóng)業(yè)體系的深層結(jié)合是作物信息學(xué)的一個發(fā)展方向之一。將作物信息學(xué)理論與技術(shù)在智慧農(nóng)業(yè)中積極地應(yīng)用于實踐，有利于解決優(yōu)化發(fā)展中的問題，促進智慧農(nóng)業(yè)的穩(wěn)定運行，提高智慧農(nóng)業(yè)的自動化、信息化和智能化。