隨機(jī)森林在農(nóng)業(yè)方面的應(yīng)用*

李衍瑞

（塔里木大學(xué)信息工程學(xué)院，新疆 阿拉爾 843300）

我國(guó)是農(nóng)業(yè)大國(guó)，農(nóng)業(yè)經(jīng)濟(jì)在國(guó)民經(jīng)濟(jì)中占據(jù)著非常重要的地位，2020年全國(guó)農(nóng)業(yè)及相關(guān)產(chǎn)業(yè)增加值為166 900億元，占國(guó)內(nèi)生產(chǎn)總值（GDP）的比重為16.47%[1]。隨著經(jīng)濟(jì)的飛速發(fā)展，人們的生活質(zhì)量大幅度提升，人們對(duì)于食品方面的要求越來(lái)越高，這就要求農(nóng)業(yè)生產(chǎn)質(zhì)量也要不斷提高。機(jī)器學(xué)習(xí)成為農(nóng)業(yè)信息化中的重要一環(huán)，為農(nóng)業(yè)提質(zhì)增效作出了巨大貢獻(xiàn)，隨機(jī)森林算法作為機(jī)器學(xué)習(xí)的一種，在農(nóng)業(yè)中有著廣泛的應(yīng)用[2-4]。

1 隨機(jī)森林算法

1.1 決策樹

決策樹是有監(jiān)督的機(jī)器學(xué)習(xí)算法，是一種樹狀結(jié)構(gòu)的流程圖，主要解決分類問題。這種方法根據(jù)數(shù)據(jù)及參數(shù)的屬性特征對(duì)其進(jìn)行分類，對(duì)每一次分類過程進(jìn)行記錄并匯總。決策樹本身由根節(jié)點(diǎn)、非葉子節(jié)點(diǎn)（決策點(diǎn)）、葉子節(jié)點(diǎn)和分支組成。在決策樹中，每個(gè)決策點(diǎn)實(shí)現(xiàn)一個(gè)具有離散輸出的測(cè)試函數(shù)記為分支[5]。根節(jié)點(diǎn)是決策樹中最上面一層的節(jié)點(diǎn)，該節(jié)點(diǎn)往往具有信息增益大的特點(diǎn)，在根節(jié)點(diǎn)處，信息熵值下降最快，可以有效地對(duì)數(shù)據(jù)進(jìn)行第一次分類。非葉子節(jié)點(diǎn)代表問題的決策，通常對(duì)應(yīng)決策所依據(jù)的屬性。葉子節(jié)點(diǎn)代表分類的標(biāo)簽值，決策樹是一個(gè)由上到下的遍歷過程，每一次分類會(huì)有不同的判斷結(jié)果，將不同的判斷結(jié)果引入不同的分支，從而賦予不同的標(biāo)簽值[6]。

1.2 決策樹的剪枝

如果決策樹在構(gòu)建中考慮了所有的訓(xùn)練數(shù)據(jù)集，得到的決策樹就會(huì)很龐大[7]。雖然這樣可以保證訓(xùn)練數(shù)據(jù)集的決策正確率達(dá)到100%，但是由于需要考慮所有數(shù)據(jù)，將數(shù)據(jù)分割得過于零散，致使決策樹學(xué)習(xí)到一些噪聲點(diǎn)和錯(cuò)誤點(diǎn)，出現(xiàn)過擬合現(xiàn)象[8]。對(duì)于上述問題可以通過決策樹的剪枝有效解決。決策樹常用的剪枝方法有兩種。

1）預(yù)剪枝：在構(gòu)建決策樹時(shí)提前停止。如果該節(jié)點(diǎn)的信息增益過低，則說明該節(jié)點(diǎn)的分類效果不好，并將該節(jié)點(diǎn)設(shè)為葉子節(jié)點(diǎn)。

2）后剪枝：在決策樹構(gòu)造完成后，進(jìn)行剪枝。自下而上地對(duì)每個(gè)非葉子節(jié)點(diǎn)進(jìn)行考察，選擇該節(jié)點(diǎn)中個(gè)數(shù)最多的類別作為標(biāo)簽，試將節(jié)點(diǎn)的子樹替換為葉子節(jié)點(diǎn)；若能夠使得決策樹在驗(yàn)證集上的準(zhǔn)確率升高，則將該子樹替換成葉子節(jié)點(diǎn)。

1.3 隨機(jī)森林算法

隨機(jī)森林由Leo Breiman提出，它通過自助法（Bootstrap）重采樣技術(shù)，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機(jī)抽取m個(gè)樣本生成新的訓(xùn)練樣本集合，然后根據(jù)自助樣本集生成m個(gè)分類樹組成隨機(jī)森林，新數(shù)據(jù)的分類結(jié)果按分類樹投票多少形成的分?jǐn)?shù)而定。通俗來(lái)講，隨機(jī)森林就是將若干個(gè)弱分類器組成一個(gè)強(qiáng)分類器。其本質(zhì)是將決策樹算法進(jìn)行了集合，將若干個(gè)決策樹組起來(lái)，每一個(gè)獨(dú)立抽取樣本建立一棵相關(guān)的決策樹，森林中的每棵樹具有相同的分布，每棵樹的誤差取決于每棵樹的相關(guān)性。參數(shù)特征采用隨機(jī)方式對(duì)每一個(gè)節(jié)點(diǎn)進(jìn)行分類，然后比較不同情況下產(chǎn)生的誤差，能夠檢測(cè)到內(nèi)在估計(jì)誤差、分類能力和相關(guān)性決定選擇特征的數(shù)目[9]。每一棵樹的分類能力較小，隨著大量的樹的建立，其分類能力逐步提高，一個(gè)測(cè)試樣品可以通過每一棵樹的分類結(jié)果統(tǒng)計(jì)后選擇最可能的分類。隨機(jī)森林的基本原理和技術(shù)路線如圖1、圖2所示。

圖1 隨機(jī)森林基本原理

圖2 隨機(jī)森林技術(shù)路線

2 現(xiàn)代農(nóng)業(yè)存在的問題

2.1 農(nóng)業(yè)干旱監(jiān)測(cè)誤差較大

農(nóng)業(yè)干旱監(jiān)測(cè)一直是農(nóng)業(yè)方面的一項(xiàng)重大工作，干旱意味著農(nóng)作物從種植、生長(zhǎng)到收獲都會(huì)受到巨大影響，而農(nóng)業(yè)干旱監(jiān)測(cè)如果出現(xiàn)誤差過大的情況，會(huì)導(dǎo)致灌溉量不符合要求，作物生長(zhǎng)得不到有效保障，使得農(nóng)民種植成本大大提高，甚至出現(xiàn)經(jīng)濟(jì)損失等問題。對(duì)于大部分農(nóng)民來(lái)說，對(duì)土壤干旱檢測(cè)的方法還停留在經(jīng)驗(yàn)層面，通過種植經(jīng)驗(yàn)對(duì)土壤干旱程度進(jìn)行估算，從而確定灌溉量等信息。這樣以經(jīng)驗(yàn)來(lái)判斷土壤干旱程度的方法，對(duì)農(nóng)民種植經(jīng)驗(yàn)有著較高要求。另外，不同作物的需水量不同，對(duì)土壤的含水量需求也不相同，一定程度上加大了土壤干旱檢測(cè)的誤差，使得農(nóng)民資金受損的風(fēng)險(xiǎn)大大提高。少部分人使用手持土壤檢測(cè)設(shè)備，對(duì)農(nóng)田進(jìn)行隨機(jī)采樣，通過隨機(jī)采樣點(diǎn)的數(shù)據(jù)對(duì)整體農(nóng)田的土壤干旱度進(jìn)行估算。這種方法不僅對(duì)人力有著巨大要求，而且只對(duì)農(nóng)田的個(gè)別區(qū)域有著較高的精度，農(nóng)田整體的土壤干旱數(shù)據(jù)可能存在較大誤差。上述兩種常用的方法都有著高誤差風(fēng)險(xiǎn)，一旦出現(xiàn)估算錯(cuò)誤，對(duì)整體的種植進(jìn)程有著巨大影響。

2.2 農(nóng)作物產(chǎn)量預(yù)測(cè)不準(zhǔn)確

農(nóng)作物與人們生活息息相關(guān)，農(nóng)作物產(chǎn)量對(duì)人們的生活有著巨大的影響，隨著我國(guó)人口的增長(zhǎng)，農(nóng)業(yè)系統(tǒng)的壓力逐步增大，另外，農(nóng)作物產(chǎn)量對(duì)國(guó)家農(nóng)業(yè)系統(tǒng)的政策制定等也有著重要的影響，因此農(nóng)作物產(chǎn)量預(yù)測(cè)非常重要。傳統(tǒng)的農(nóng)作物產(chǎn)量預(yù)測(cè)通常以近幾年的農(nóng)作物產(chǎn)量數(shù)據(jù)為基礎(chǔ)，應(yīng)用統(tǒng)計(jì)類模型進(jìn)行相關(guān)預(yù)測(cè)，常用的分析方法有灰色關(guān)聯(lián)度分析、逐步回歸模型等。其中，灰色關(guān)聯(lián)度分析需要對(duì)各項(xiàng)指標(biāo)的最優(yōu)值進(jìn)行現(xiàn)行確定，相當(dāng)一部分的指標(biāo)無(wú)法現(xiàn)行確定，這就導(dǎo)致該方法主觀性過強(qiáng)，容易產(chǎn)生誤差，另外灰色關(guān)聯(lián)度分析的一系列模型已不能滿足當(dāng)前對(duì)于模型的需求，導(dǎo)致結(jié)果具有偏差。在逐步回歸模型中，采用哪一種因子和該因子采用哪一種具體的表達(dá)式并不能完全確定，這就影響了因子的多樣性和不確定性，使得回歸分析的精度受到影響，導(dǎo)致作物產(chǎn)量預(yù)測(cè)有較大誤差。

2.3 農(nóng)作物品質(zhì)檢測(cè)煩瑣

隨著經(jīng)濟(jì)社會(huì)發(fā)展，人們對(duì)生活質(zhì)量的要求越發(fā)提高，并且隨著食品安全意識(shí)的普及，老百姓對(duì)食品品質(zhì)也越來(lái)越重視，農(nóng)產(chǎn)品在日常飲食中占據(jù)極大的比例，所以如今對(duì)農(nóng)作物品質(zhì)的檢測(cè)要求也越來(lái)越高?，F(xiàn)如今對(duì)農(nóng)作物的品質(zhì)檢測(cè)分為有損檢測(cè)和無(wú)損檢測(cè)，有損檢測(cè)雖然更為精確，但是成本過高，而且農(nóng)作物的有損檢測(cè)步驟煩瑣，需要消耗大量的人力、物力。對(duì)于無(wú)損檢測(cè)來(lái)說，傳統(tǒng)的檢測(cè)方法有近紅外光譜檢測(cè)和高光譜檢測(cè)，通過高光譜成像對(duì)作物進(jìn)行檢測(cè)。近紅外光譜檢測(cè)和高光譜成像技術(shù)雖然極具優(yōu)勢(shì)，但是有一定的局限性。近紅外光譜設(shè)備造價(jià)高，且接收光譜時(shí)容易受到外界因素的干擾，高光譜成像技術(shù)數(shù)據(jù)采集時(shí)間長(zhǎng)，獲取的數(shù)據(jù)復(fù)雜、冗余高。

3 隨機(jī)森林在農(nóng)業(yè)中的應(yīng)用

3.1 隨機(jī)森林應(yīng)用于農(nóng)業(yè)干旱監(jiān)測(cè)

作為機(jī)器學(xué)習(xí)的一種，隨機(jī)森林算法有著分類回歸的作用。2022年，王曉燕等[10]通過隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等對(duì)農(nóng)業(yè)干旱監(jiān)測(cè)建立了模型。通過確定不同的參數(shù)因子，提取2002—2019年甘肅4—10月所有氣象站點(diǎn)的VCI、TCI、PCI和VSWI指數(shù)，按月依次對(duì)4種遙感指數(shù)和1個(gè)月、3個(gè)月、6個(gè)月時(shí)間尺度的SPEI進(jìn)行Pearson相關(guān)性分析，分析單個(gè)遙感干旱指數(shù)監(jiān)測(cè)農(nóng)業(yè)干旱的能力以及融合多源數(shù)據(jù)的必要性。結(jié)果表示，各項(xiàng)因子都高于0.01，表示其對(duì)于干旱指數(shù)顯著相關(guān)，選取站點(diǎn)數(shù)據(jù)構(gòu)建隨機(jī)模型，對(duì)于隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的結(jié)果進(jìn)行R2、RMSE、MAE的測(cè)算，結(jié)果如下：R2=0.86、0.81、0.82，RMSE=0.53、0.59、0.53，MAE=0.41、0.45、0.42。隨機(jī)森林算法在對(duì)數(shù)據(jù)進(jìn)行擬合后，其精度高于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。從而得出結(jié)論：隨機(jī)森林可以更全面、可靠地進(jìn)行農(nóng)業(yè)干旱監(jiān)測(cè)。

3.2 隨機(jī)森林應(yīng)用于農(nóng)作物產(chǎn)量預(yù)測(cè)

2019年，王鵬新等[11]基于隨機(jī)森林回歸的算法，對(duì)玉米進(jìn)行了單產(chǎn)估測(cè)。該文的研究區(qū)域?yàn)楹颖笔〉闹性瓍^(qū)域，特征變量選取了上包絡(luò)線S-G濾波的葉面積指數(shù)和條件植被溫度指數(shù)。該文首先確定了玉米對(duì)于水分的脅迫程度，進(jìn)行了VTCI的計(jì)算，VTCI的計(jì)算公式如下：

通過上包絡(luò)線S-G濾波對(duì)選取的葉面積指數(shù)進(jìn)行平滑處理，使得該葉面指數(shù)更加符合該地區(qū)玉米生長(zhǎng)的實(shí)際情況，之后建立回歸決策樹，通過建立隨機(jī)子空間法確立決策樹的相關(guān)節(jié)點(diǎn)及其分裂特征。通過有放回地隨機(jī)參數(shù)抽樣，從最初的原始樣本抽取訓(xùn)練樣本，通過該方法確立m個(gè)訓(xùn)練樣本，在決策樹建立過程中，利用CART方法隨機(jī)選取樹的數(shù)量，且不對(duì)決策樹進(jìn)行剪枝，將所有決策樹構(gòu)建成隨機(jī)森林后，對(duì)所有回歸后得到的玉米單產(chǎn)值進(jìn)行平均計(jì)算，所得到的最終值即為該地區(qū)玉米單產(chǎn)的估算值。結(jié)果表明，通過隨機(jī)森林回歸模型構(gòu)建變量估產(chǎn)模型時(shí)，其精度較高，具有實(shí)際意義，可以對(duì)該地區(qū)的相關(guān)作物產(chǎn)量進(jìn)行相對(duì)精確的預(yù)測(cè)。

3.3 隨機(jī)森林應(yīng)用于農(nóng)作物品質(zhì)檢測(cè)

2019年，劉倩[12]以哈密瓜為試驗(yàn)材料，通過隨機(jī)森林算法對(duì)其進(jìn)行了模型構(gòu)建，對(duì)哈密瓜的無(wú)損檢測(cè)進(jìn)行研究。該文首先通過哈密瓜對(duì)不同基質(zhì)的含水量進(jìn)行統(tǒng)計(jì)和處理，包括糖分、可溶性固體物、維生素C等不同品質(zhì)指標(biāo)。并且提取了哈密瓜相關(guān)的外部表型特征，例如紋理特征、顏色特征等。之后對(duì)哈密瓜進(jìn)行了外部因子的相關(guān)性分析，綜合多個(gè)環(huán)境因子，使用隨機(jī)森林的回歸算法，對(duì)哈 密瓜的紋理特征和顏色特征進(jìn)行模型建立，結(jié)合哈密瓜對(duì)外部環(huán)境因子的敏感程度，對(duì)不同的環(huán)境因子進(jìn)行了R2的測(cè)算。最后通過試驗(yàn)證明哈密瓜內(nèi)部品質(zhì)與外部特征有著顯著的相關(guān)性，通過隨機(jī)森林進(jìn)行預(yù)測(cè)模型的建立，結(jié)合外部表型特征，建立果實(shí)預(yù)測(cè)模型。通過對(duì)比哈密瓜含水量與內(nèi)部品質(zhì)，確定其規(guī)律，并將特征分析的結(jié)果與外部表型對(duì)比。試驗(yàn)結(jié)果表明，哈密瓜對(duì)不同的內(nèi)外部因素測(cè)算得到相應(yīng)的R2，其R2均高于0.75。該試驗(yàn)表明隨機(jī)森林算法在農(nóng)作物的品質(zhì)檢測(cè)方面，構(gòu)建的品質(zhì)預(yù)測(cè)模型有著較高的精度及實(shí)用性。

4 結(jié)論

綜上所述，隨機(jī)森林作為機(jī)器學(xué)習(xí)的一類算法，可以應(yīng)用到很多方面，在農(nóng)業(yè)上的應(yīng)用也很廣泛，無(wú)論是在農(nóng)業(yè)環(huán)境中的應(yīng)用還是在農(nóng)產(chǎn)品中的應(yīng)用，都有著較高的應(yīng)用價(jià)值。隨機(jī)森林算法具有高精度以及對(duì)數(shù)據(jù)的強(qiáng)大處理能力，并且可以有效地避免數(shù)據(jù)過多時(shí)出現(xiàn)數(shù)據(jù)冗余的情況。