軟計算技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究進(jìn)展

田 野，孫瑞志

(中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083)

隨著我國經(jīng)濟(jì)的高質(zhì)量發(fā)展，智慧農(nóng)業(yè)作為一種高新技術(shù)與農(nóng)業(yè)生產(chǎn)相結(jié)合的產(chǎn)業(yè)，是當(dāng)前農(nóng)業(yè)的發(fā)展趨勢，并已成為合理利用農(nóng)業(yè)資源、提高農(nóng)作物產(chǎn)量和品質(zhì)、降低生產(chǎn)成本、改善生態(tài)環(huán)境及農(nóng)業(yè)可持續(xù)發(fā)展的前沿性農(nóng)業(yè)科學(xué)研究熱點(diǎn)之一。智慧農(nóng)業(yè)發(fā)展過程中數(shù)據(jù)呈爆炸式增長，面對所產(chǎn)生的海量數(shù)據(jù)如何進(jìn)行數(shù)據(jù)挖掘或數(shù)據(jù)分析是急需解決的問題之一[1-2]。新的信息和通信技術(shù)以及對農(nóng)業(yè)生產(chǎn)大數(shù)據(jù)的分析，既可用于短期作物/農(nóng)業(yè)生產(chǎn)管理，也可用于大規(guī)模的生態(tài)系統(tǒng)觀測，可以針對具體的情況提高現(xiàn)有的管理和決策水平[3]。

軟計算技術(shù)是通過對不確定、不精確及不完全真值的容錯以取得低代價的解決方案和魯棒性，運(yùn)用模糊邏輯結(jié)合智能化技術(shù)解決復(fù)雜系統(tǒng)中帶有不確定因素的問題,使之更接近客觀事物的真實(shí)反映[4]。軟計算技術(shù)是實(shí)現(xiàn)智慧農(nóng)業(yè)的重要技術(shù)手段，是各種智能信息處理計算范式的統(tǒng)稱，用于對自然和人工系統(tǒng)中的不精確、不確定、模糊等信息的靈活處理，以實(shí)現(xiàn)智能決策與人類決策的密切相似。軟計算具有逼近性和傾向性，所涉及的主要技術(shù)包括機(jī)器學(xué)習(xí)、模糊邏輯、進(jìn)化計算、群體智能和概率推理等[4]。其中，機(jī)器學(xué)習(xí)包括神經(jīng)網(wǎng)絡(luò)、感知器和支持向量機(jī)等[5]，進(jìn)化計算包括進(jìn)化算法、遺傳算法和遺傳規(guī)劃等[6]，群體智能包括蟻群優(yōu)化和粒子群優(yōu)化等[4]，概率推理包括貝葉斯網(wǎng)絡(luò)和聚類算法等[7]。目前，軟計算技術(shù)已經(jīng)在農(nóng)業(yè)生產(chǎn)中得到廣泛應(yīng)用，涉及農(nóng)作物產(chǎn)量預(yù)測、雜草檢測、土地利用和土地覆蓋監(jiān)測、作物物候、鹽分檢測等[8]。其中，農(nóng)作物產(chǎn)量預(yù)測、雜草檢測以及土地利用和土地覆蓋監(jiān)測與糧食安全生產(chǎn)密切相關(guān)，鑒于此，從這3個方面介紹軟計算技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究進(jìn)展，以期為糧食安全生產(chǎn)提供理論支持。

1 農(nóng)作物產(chǎn)量預(yù)測

農(nóng)作物產(chǎn)量預(yù)測是一個迫切需要解決的農(nóng)業(yè)問題。作物產(chǎn)量預(yù)測是為了及時掌握生產(chǎn)動態(tài)，有利于糧食安全生產(chǎn)。早期的產(chǎn)量預(yù)測模型大多是靜態(tài)模型，而靜態(tài)模型通常不考慮植物的特性、氣候變化以及其他限制性條件的變化[8]。其中的一些模型僅依賴于1 a或1個地區(qū)的數(shù)據(jù)，是利用單一區(qū)域或單一年份信息所生成的模型，應(yīng)用必然會受到限制[9]?，F(xiàn)實(shí)中，影響農(nóng)作物產(chǎn)量的因素多且隨著季節(jié)、年份的變化而變化，同時還受制于環(huán)境、氣候性質(zhì)和一些不確定因素(如病害、財力等)[10]。因此，一些研究者使用模糊邏輯建立了動態(tài)預(yù)測模型，用以處理引起產(chǎn)量變化的一些不確定情況[11]。預(yù)測過程中如果沒有考慮影響預(yù)測準(zhǔn)確性的重要參數(shù)，就會影響預(yù)測結(jié)果的有效性，導(dǎo)致不能合理預(yù)測作物的產(chǎn)量[12]。因此，許多科研人員試圖建立新的模型來提高其準(zhǔn)確性。

BOSE等[13]提出了一種基于時間的人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks,ANN)模型，用于分析標(biāo)準(zhǔn)對比植被圖，從而進(jìn)行作物產(chǎn)量預(yù)測，該模型利用中分辨率成像光譜儀測定和記錄作物產(chǎn)量信息，然后將所獲得的信息按照時間和空間順序建模，訓(xùn)練ANN預(yù)測模型，進(jìn)而實(shí)現(xiàn)作物產(chǎn)量的預(yù)測。將這種模型用于我國冬小麥主產(chǎn)區(qū)山東地區(qū)冬小麥的產(chǎn)量評估，可以在收獲前1個半月左右準(zhǔn)確預(yù)測產(chǎn)量。ORTUZAR-IRAGORRI等[14]使用葉綠素儀測量軟紅冬小麥在不同生長發(fā)育階段的氮吸收量，從而預(yù)測作物產(chǎn)量。周亮等[15]針對傳統(tǒng)的農(nóng)作物估產(chǎn)方法過度依賴人工經(jīng)驗(yàn)，以及實(shí)地采樣成本高等問題，建立了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)的冬小麥估產(chǎn)模型，利用2006—2016年我國北方冬小麥核心產(chǎn)區(qū)五省60個地級市的冬小麥生長季中遙感影像的時間序列數(shù)據(jù)作為數(shù)據(jù)源，對該模型的準(zhǔn)確性進(jìn)行檢驗(yàn)，所得訓(xùn)練集和驗(yàn)證集的均方根誤差分別為183.82 kg/hm2和689.72 kg/hm2，估產(chǎn)精度較高。然而，由于該模型沒有考慮坡度、蒸散發(fā)、降雨等地理與氣象數(shù)據(jù)，應(yīng)用范圍受到了一定限制。

2 雜草檢測

雜草是影響作物產(chǎn)量的主要因素之一。隨著電子信息技術(shù)的發(fā)展，機(jī)器視覺結(jié)合圖像處理技術(shù)已成為一種有效的田間雜草和作物精確實(shí)時檢測工具，能夠?yàn)樘囟ǖ攸c(diǎn)的雜草管理提供有價值的信息[16]。雜草檢測的難點(diǎn)在于如何區(qū)分與作物有相似特性的雜草。一般情況下，生物形態(tài)學(xué)、光譜特征、視覺紋理和空間背景4類特征經(jīng)常會被用來進(jìn)行雜草檢測。對于植物，生物形態(tài)是指植物任何部分的形狀和結(jié)構(gòu)。特別是形狀特征，它對于識別植物物種具有重要價值，因此常被用于雜草檢測的圖像分析。對于不同葉色的植物，光譜特征是區(qū)分它們的有效方法。例如，由于大戟子雜草傾向于棕色，而水稻植株傾向于綠色，人們僅利用光譜特征就可以獲得理想的分類結(jié)果。對于顏色非常相似的雜草和作物，僅僅利用其光譜特征很難獲得滿意的結(jié)果，需要利用雜草和作物的形態(tài)學(xué)等其他特征才能將它們精確地分離[17]。紋理特征是識別圖像中目標(biāo)或感興趣區(qū)域的重要特征之一，對區(qū)分作物和雜草具有重要作用。在雜草檢測中常用的紋理特征計算方法有統(tǒng)計特征、結(jié)構(gòu)特征、模型特征和變換特征[16]。多數(shù)作物是按照預(yù)先設(shè)定的模式成排播種或種植的，故利用空間背景或位置等信息有助于提高雜草識別的準(zhǔn)確性。對于大麥、小麥等糧食作物，由于相鄰作物間有明顯的間隔距離，兩行之間的所有綠色植物都可以被認(rèn)為是雜草，此時，通過識別作物行的中心線和邊緣，就可以較為有效地檢測出行間雜草。

近年來，機(jī)器學(xué)習(xí)算法被應(yīng)用于植物分類研究，自然也被用于雜草檢測研究。這種算法中應(yīng)用比較廣泛的是CNN模型。例如，POTENA等[18]利用2種不同的CNN處理紅綠藍(lán)和近紅外圖像，可快速準(zhǔn)確地識別作物和雜草。輕量級的CNN可以用于快速植被分割，深度的CNN用于作物和雜草類別之間的分類提取。傳統(tǒng)的CNN采用隨機(jī)值對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化，可能導(dǎo)致層間傳播產(chǎn)生較大誤差。為解決這個問題，TANG等[19]將K-means非監(jiān)督特征學(xué)習(xí)作為預(yù)訓(xùn)練，取代了傳統(tǒng)CNN參數(shù)的隨機(jī)初始化權(quán)重，從而使雜草識別準(zhǔn)確率提高到92.89%，高于隨機(jī)初始化CNN 1.82個百分點(diǎn)和未經(jīng)微調(diào)的雙層網(wǎng)絡(luò)6.01個百分點(diǎn)。然而，經(jīng)過訓(xùn)練的CNN模型雖然具有較高的雜草檢測精度，卻有參數(shù)多、計算耗時等缺點(diǎn)。為了減少參數(shù)數(shù)量、加快處理過程，MCCOOL等[20]提出將多個輕量級模型組合為一個混合模型來增強(qiáng)性能，與單一模型相比，混合模型使用較少的參數(shù)，卻可達(dá)到較高的檢測精度和較快的處理速度(1.07～1.83 f/s)。

上述方法雖然提高了雜草識別的準(zhǔn)確率，但在植物生長的后期常會發(fā)生葉片遮擋和重疊情況[21]。在這種情況下，由于葉片形狀的變化不可預(yù)測，重疊的葉片往往被分割識別為一個物體，形態(tài)學(xué)特征也會表現(xiàn)欠佳。LOTTES等[22]曾使用一種基于關(guān)鍵點(diǎn)的方法處理重疊的植物葉片，但增加了計算量。為了平衡分類精度和速度，可以先在整個圖像中應(yīng)用基于對象的方法，將目標(biāo)識別為雜草或農(nóng)作物。然后，再針對不確定目標(biāo)，采用基于關(guān)鍵點(diǎn)的方法提高分類精度。植物在不同的生長階段，其葉片的形態(tài)、結(jié)構(gòu)和光譜特性都會發(fā)生改變，因而會影響到分類模型的性能。目前，人們普遍采用的方法是用不同生長階段的樣本訓(xùn)練分類模型[23]，該方法簡單明了，但會影響分類精度，而且需要大量樣本。因此，為提高分類模型的精度，常需用新樣本重新訓(xùn)練分類模型以提高準(zhǔn)確性，然而再訓(xùn)練過程既繁瑣又耗時。為了解決這一問題，LOTTES等[24]開發(fā)了基于空間序列的CNN分類模型，該模型是編碼器-解碼器結(jié)構(gòu)，能夠進(jìn)行背景、作物和雜草的逐像素語義分割,從代表部分作物行的圖像序列中學(xué)習(xí)植物排列信息，將其與視覺特征融合，從而提高分類模型的性能和泛化能力。

除此之外，光照條件的不同往往會導(dǎo)致同一場景的顏色、噪聲、陰影、反射、對比度、飽和度和亮度發(fā)生變異，造成分割(分類)算法，特別是基于閾值的分割(分類)算法的失敗。為了提高算法在可變光照條件下的性能，可以采用不同的顏色空間模型。例如，TANG等[25]曾提出YCrCb顏色空間模型比較適合處理對光照變化敏感的圖像，可將亮度和色度進(jìn)行分離。但由于YCrCb顏色空間模型沒有考慮綠色信號和光亮度的變異，需利用紅綠藍(lán)顏色空間轉(zhuǎn)換來描述綠色作物的特征，采用貝葉斯算法對雜草和作物加以區(qū)分。AHMAD等[26]利用自適應(yīng)分割來觀測圖像的平均強(qiáng)度值，動態(tài)計算每個圖像的分割光學(xué)閾值，以實(shí)現(xiàn)光照對特征提取影響的最小化，進(jìn)而利用葉片生長過程中所提取的局部形狀和紋理特征有效地區(qū)分雜草種類。此外，還有一種減輕光照影響的方法是在獲取圖像時提高圖像質(zhì)量，如SUJARITHA等[27]在相機(jī)上固定了一個特殊的光圈，避免陰影或其他與照明相關(guān)的障礙物的干擾，提高了圖像質(zhì)量，提高了對作物和雜草的識別。

為了驗(yàn)證和比較新算法的性能，還需要注意2個要素。一個是含有足夠數(shù)量樣本和相應(yīng)地面真值標(biāo)注的圖像數(shù)據(jù)集。在這方面，較權(quán)威的數(shù)據(jù)集，包括在胡蘿卜[28]和甜菜[29]生長田地上采集的圖像數(shù)據(jù)集，以及用于作物和雜草檢測的模型所自動生成數(shù)據(jù)集[30]。這些數(shù)據(jù)集對于測試算法的確有價值，但它們僅覆蓋專有作物和雜草，僅限于特定的生長階段，有一定的局限性。另一個要素是圖像的處理時間。復(fù)雜的算法通常能提供更好的檢測結(jié)果，但因所需要的處理時間一般較長，又限制了剔除效率。所以，往往需要在準(zhǔn)確度和效率之間尋求合適的平衡點(diǎn)[31]。

3 土地利用和土地覆蓋監(jiān)測

土地利用和土地覆蓋的變化顯著改變地球的能量平衡和生物地球化學(xué)循環(huán)，會導(dǎo)致氣候變化，進(jìn)而影響地表性質(zhì)和生態(tài)系統(tǒng)。土地利用和土地覆蓋監(jiān)測的主要目的是了解不同時間段之間土地利用和土地覆蓋的變化情況，并量化相應(yīng)的變化區(qū)域。例如，1982—2016年全球森林覆蓋面積增加了224萬km2(比1982年增加了7.1%)，而全球的裸地覆蓋面積則減少了116萬km2(-3.1%)，其中，僅中國就減少了25萬km2(-7%)。值得注意的是，變化最顯著的區(qū)域是亞洲的農(nóng)業(yè)地區(qū)。在所有這樣的土地變化中，60%與人類直接的土地利用活動有關(guān)，40%與氣候變化等間接驅(qū)動因素有關(guān)[32]。定期對變化進(jìn)行監(jiān)測和分析，可以及時對自然資源的退化和破壞采取必要的預(yù)防措施。同時，也有利于人類合理規(guī)劃和利用各種自然資源，進(jìn)而實(shí)現(xiàn)可持續(xù)發(fā)展[33]。

土地利用是一個動態(tài)的變化數(shù)據(jù)，以上海市4 a(2000年、2005年、2010年和2015年)的土地利用為例，農(nóng)業(yè)用地、森林用地、草地、水域用地、城市用地和未利用地6種土地利用類型在4 a中發(fā)生了巨大變化[34]。其中，建成區(qū)面積迅速擴(kuò)大，農(nóng)業(yè)用地面積逐年減少。QIAN等[34]使用基于軟計算的劃分策略自組織映射(Self-organizing map)將整個監(jiān)測區(qū)域劃分為若干均勻的子區(qū)域，并進(jìn)一步應(yīng)用三維CNN提取時空鄰域特征，相應(yīng)的最佳時間步長與城市建成區(qū)面積的增長率具有正相關(guān)。然后，他們又建立了ANN模型，利用時空鄰域特征和驅(qū)動土地利用的因素為每個子區(qū)域創(chuàng)建轉(zhuǎn)換概率圖。最后，他們將概率圖、約束條件和隨機(jī)因素進(jìn)行融合，以生成整個研究區(qū)域的動態(tài)仿真結(jié)果。該仿真結(jié)果對土地的優(yōu)化利用非常有用。

遙感輻射器或遙感器所采集的多光譜遙感影像(包括航空和衛(wèi)星遙感影像)是土地利用和土地覆蓋監(jiān)測的主要數(shù)據(jù)來源。這些遙感影像往往需要進(jìn)行分類處理才能獲取所需要的有效信息[35]。高分辨率的衛(wèi)星遙感影像淘汰了傳統(tǒng)影像的處理算法，推動了新的優(yōu)化算法的研發(fā)[36]。在這些新的優(yōu)化算法中，軟計算技術(shù)是遙感影像分類的重要工具。

特征提取是影像分類過程中的一個重要步驟。在機(jī)器學(xué)習(xí)、模式識別和圖像處理中，特征提取的主要過程是從一組初始的測量數(shù)據(jù)開始，通過一定的技術(shù)手段，最終形成一個新的特征。這樣得到或預(yù)測的新特征必須有用且非冗余[37]。目前，由于對輸出的特征提取、圖像融合和基本差分圖像進(jìn)行優(yōu)化處理，人們在土地利用和土地覆蓋的分類及變化的監(jiān)測方面，取得了較好的效果[6]。JUNEJA等[38]比較了粗糙集、模糊粗糙分類器和ANN 3種軟計算技術(shù)，認(rèn)為粗糙集和模糊粗糙分類器優(yōu)于ANN。PATKI等[39]通過對支持向量機(jī)(Support vector machine,SVM)與ANN、模糊邏輯、遺傳算法，以及用于土地覆蓋和土地利用分類的軟計算技術(shù)的比較研究，認(rèn)為SVM在小樣本情況下，土地利用分類性能更優(yōu)。一般而言，通過遙感影像對土地利用和土地覆蓋分類與變化進(jìn)行監(jiān)測，需要對具體情況作具體分析，因?yàn)闆]有一種技術(shù)能夠適合所有情況。但可以確定的是，特征提取方法和輸入影像的分辨率在土地覆蓋監(jiān)測和變化檢測中起著十分重要的作用。

TIAN等[40]提出了一種采用果蠅算法(Fruit fly optimization algorithm，F(xiàn)OA)對SVM參數(shù)進(jìn)行優(yōu)化的方法。即用果蠅算法對SVM參數(shù)進(jìn)行動態(tài)優(yōu)化，以提高SVM在網(wǎng)絡(luò)多源異構(gòu)數(shù)據(jù)中的分類精度。如果將FOA-SVM方法應(yīng)用于土地利用分類，與其他算法優(yōu)化的SVM相比，F(xiàn)OA-SVM能得到更高的分類準(zhǔn)確率。尤其是在動態(tài)數(shù)據(jù)下，通過動態(tài)地獲取參數(shù)不僅可以提高分類準(zhǔn)確度還可有效地減少計算的迭代次數(shù)。

4 展望

隨著我國農(nóng)業(yè)的高質(zhì)量發(fā)展，軟計算技術(shù)不僅在農(nóng)作物產(chǎn)量預(yù)測、雜草檢測以及土地利用和土地覆蓋監(jiān)測等方面開展應(yīng)用，相信未來在農(nóng)業(yè)生態(tài)、農(nóng)作物抗逆等其他領(lǐng)域也將發(fā)揮重要的作用。軟計算技術(shù)已從單一發(fā)展到多種，從淺層到深度再到集成，為智慧農(nóng)業(yè)提供了高精度的數(shù)據(jù)處理技術(shù)，更有利于糧食安全生產(chǎn)的智能決策。在大數(shù)據(jù)的環(huán)境下，軟計算技術(shù)可有效地對不確定、不精確、模糊等信息進(jìn)行智能化處理，為農(nóng)業(yè)領(lǐng)域糧食安全生產(chǎn)的智能決策提供依據(jù)，是實(shí)現(xiàn)現(xiàn)代信息技術(shù)與農(nóng)業(yè)生產(chǎn)相結(jié)合，并通過高科技投入和管理獲取資源的最大節(jié)約和農(nóng)業(yè)高產(chǎn)出的重要途徑。