物聯(lián)網(wǎng)與機器學(xué)習(xí)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用

劉 闖，高國紅

（河南科技學(xué)院 信息工程學(xué)院，河南 新鄉(xiāng) 453003）

到2050年底，世界人口將增加到91億，糧食需求將增加70%，糧食減產(chǎn)的主要原因是缺乏規(guī)劃、不可預(yù)測的天氣條件以及不當(dāng)?shù)氖斋@和灌溉技術(shù)。在過去的幾年中，由于全球變暖，大自然的天氣條件發(fā)生了劇烈變化，伴隨氣候條件的不確定性，地球的平均溫度逐漸升高，干旱、強降雨是農(nóng)業(yè)、農(nóng)民面臨的最大挑戰(zhàn)，精準(zhǔn)農(nóng)業(yè)便成為確保全球糧食安全的解決方案之一。

精準(zhǔn)農(nóng)業(yè)也簡稱為數(shù)字農(nóng)業(yè)，是一種技術(shù)支持的數(shù)據(jù)驅(qū)動的可持續(xù)農(nóng)場管理系統(tǒng)，它基本上是采用現(xiàn)代信息技術(shù)、軟件工具和智能嵌入式設(shè)備進(jìn)行農(nóng)業(yè)決策支持。約翰迪爾在1990年引入了精準(zhǔn)農(nóng)業(yè)技術(shù)，用于使用全球定位系統(tǒng)控制的拖拉機播種和噴灑肥料。精準(zhǔn)農(nóng)業(yè)的重點是降低生產(chǎn)成本和環(huán)境影響，物聯(lián)網(wǎng)、人工智能、數(shù)據(jù)分析、云計算和區(qū)塊鏈技術(shù)等數(shù)字技術(shù)在精準(zhǔn)農(nóng)業(yè)中發(fā)揮著關(guān)鍵作用。在精準(zhǔn)農(nóng)業(yè)中，基于物聯(lián)網(wǎng)的智能傳感器被部署在農(nóng)業(yè)用地，用于收集與土壤養(yǎng)分、肥料和水需求相關(guān)的數(shù)據(jù)以及分析作物生長情況。例如無人駕駛飛行器、機器人和衛(wèi)星圖像利用計算機視覺技術(shù)識別植物中的雜草、疾病和監(jiān)測田地、識別植物病害。使用機器學(xué)習(xí)算法處理和分析從部署的傳感器獲得的數(shù)據(jù)，使農(nóng)業(yè)實踐更加可控和優(yōu)化。由于創(chuàng)新機器和深度學(xué)習(xí)算法、高速互聯(lián)網(wǎng)接入和高效計算設(shè)備的存在，精準(zhǔn)農(nóng)業(yè)才能在世界范圍內(nèi)得到廣泛應(yīng)用。

1 物聯(lián)網(wǎng)在精準(zhǔn)農(nóng)業(yè)中的研究意義

物聯(lián)網(wǎng)的設(shè)計處置便是“萬物相連的互聯(lián)網(wǎng)”，顧名思義，它是在互聯(lián)網(wǎng)基礎(chǔ)上進(jìn)行延伸和擴展后的網(wǎng)絡(luò)，通過將各種信息設(shè)備上的傳感器信息通過與互聯(lián)網(wǎng)連接而形成的一張巨大網(wǎng)絡(luò)，最終實現(xiàn)在任何時間、任何地點，人、機、物的互聯(lián)互通。

物聯(lián)網(wǎng)技術(shù)是使得智能傳感器、設(shè)備通過互聯(lián)網(wǎng)互連，這些智能傳感器用于收集不同學(xué)科的數(shù)據(jù)，例如農(nóng)業(yè)領(lǐng)域、災(zāi)害多發(fā)地區(qū)、制造業(yè)，以實現(xiàn)資源的高效利用。隨著人口的增加，對農(nóng)產(chǎn)品的需求逐年增加，由于可供耕種的土地有限，年輕一代以農(nóng)業(yè)為職業(yè)的人口減少，滿足數(shù)百萬人的糧食需求已成為農(nóng)業(yè)行業(yè)的一項具有挑戰(zhàn)性的任務(wù)。

2 機器學(xué)習(xí)在精準(zhǔn)農(nóng)業(yè)中的研究意義

機器學(xué)習(xí)是計算機科學(xué)的一個子領(lǐng)域，它使計算機能夠在沒有明確編程的情況下進(jìn)行學(xué)習(xí)。Alan Turing在1950年提出了學(xué)習(xí)機器的概念，并撰寫了一篇研究文章《機器智能的圖靈測試》。他進(jìn)行了一項測試并檢查了機器展示類似于人類智能行為的能力。機器或智能計算機程序從數(shù)據(jù)中學(xué)習(xí)和提取知識，構(gòu)建用于進(jìn)行預(yù)測或智能決策的框架。因此，機器學(xué)習(xí)過程分為3個關(guān)鍵部分，即數(shù)據(jù)輸入、模型構(gòu)建和泛化，如圖1所示。泛化是為算法之前未訓(xùn)練過的輸入預(yù)測輸出的過程。機器學(xué)習(xí)算法主要用于天氣預(yù)報、植物疾病識別、模式識別等領(lǐng)域。

圖1 機器學(xué)習(xí)過程

3 物聯(lián)網(wǎng)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用

精準(zhǔn)農(nóng)業(yè)是指最大限度減少農(nóng)民直接參與的系統(tǒng)，物聯(lián)網(wǎng)有助于維持農(nóng)業(yè)日常工作所需的已定義參數(shù)標(biāo)準(zhǔn)。這些參數(shù)可以使用所需的傳感器進(jìn)行測量，并可以上傳到物聯(lián)網(wǎng)云進(jìn)行遠(yuǎn)程監(jiān)控，從而最大限度地減少農(nóng)民的直接參與。

3.1 精準(zhǔn)農(nóng)業(yè)中的物聯(lián)網(wǎng)傳感器

物聯(lián)網(wǎng)被定義為事物的互聯(lián)，其中重要設(shè)備就是傳感器。一組傳感器可以與每個其他傳感器進(jìn)行通信，從而與控制中心進(jìn)行通信。物聯(lián)網(wǎng)中的WSN具有提高生產(chǎn)效率、提高產(chǎn)量質(zhì)量、檢測農(nóng)場火災(zāi)的優(yōu)勢。物聯(lián)網(wǎng)有助于擴大農(nóng)業(yè)、動物和寵物飼養(yǎng)以及智能灌溉的范圍。根據(jù)它們產(chǎn)生的輸出信號的性質(zhì)，傳感器分為模擬或數(shù)字傳感器。模擬傳感器的輸出需要在被任何物聯(lián)網(wǎng)系統(tǒng)饋送和處理之前轉(zhuǎn)換為數(shù)字信號。另一方面，產(chǎn)生數(shù)字形式信號的傳感器可以直接連接到任何物聯(lián)網(wǎng)系統(tǒng)。

3.2 精準(zhǔn)農(nóng)業(yè)中的無線傳感器網(wǎng)絡(luò)

WSN是空間位移傳感器的集合，用于監(jiān)控環(huán)境的物理參數(shù)并在中心位置協(xié)調(diào)收集的數(shù)據(jù)。物聯(lián)網(wǎng)將記錄的數(shù)據(jù)傳輸?shù)皆贫耍ㄟ^智能算法進(jìn)一步處理和分析。在精準(zhǔn)農(nóng)業(yè)中，人工智能與 WSN的集成允許在農(nóng)業(yè)領(lǐng)域進(jìn)行實時監(jiān)控和智能決策。包括土壤濕度傳感器、電化學(xué)傳感器、光學(xué)傳感器等在內(nèi)的物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)持續(xù)監(jiān)測現(xiàn)場數(shù)據(jù)，并作為機器學(xué)習(xí)和深度學(xué)習(xí)算法的訓(xùn)練數(shù)據(jù)。支持邊緣計算的人工智能系統(tǒng)通過識別要通信的有意義數(shù)據(jù)并丟棄冗余數(shù)據(jù)，幫助減少要上傳到物聯(lián)網(wǎng)云的數(shù)據(jù)量。

4 機器學(xué)習(xí)在精準(zhǔn)農(nóng)業(yè)的應(yīng)用

在許多國家，農(nóng)民依靠傳統(tǒng)的耕作方式，這種方法使農(nóng)民受隨機氣候條件的影響，由于全球變暖和不均勻的降雨，氣候條件已經(jīng)變得比較隨機。人工噴灑農(nóng)藥導(dǎo)致資源利用不當(dāng)進(jìn)而危害環(huán)境，人工智能和物聯(lián)網(wǎng)支持的精準(zhǔn)農(nóng)業(yè)消除了隨機性，并幫助新時代的農(nóng)民優(yōu)化農(nóng)業(yè)過程的每一步。人工智能系統(tǒng)適用于每個農(nóng)業(yè)操作，全球各種研究人員和從業(yè)人員提出并實施最先進(jìn)技術(shù)。

4.1 土壤特性檢測和天氣預(yù)報

土壤特性的預(yù)測是影響作物選擇、土地管理、種子選擇、作物產(chǎn)量的第一步，也是最關(guān)鍵的一步。土壤性質(zhì)與所用土地的地理和氣候條件直接相關(guān)。土壤特性預(yù)測主要包括預(yù)測作物生命周期中土壤中的養(yǎng)分、土壤表面濕度、天氣條件。人類活動極大地影響了土壤的特性，從而影響種植農(nóng)作物的能力。一般來說，作物的生長取決于特定土壤中可用的養(yǎng)分，通過電傳感器和電磁傳感器對土壤養(yǎng)分進(jìn)行監(jiān)測。

對土壤養(yǎng)分、土壤水分、pH值的科學(xué)分析對于確定土壤特性很重要。E.Acar等人采用基于極限學(xué)習(xí)機（ELM）的回歸模型來預(yù)測土壤表面濕度，使用極化Radarsat-2數(shù)據(jù)提取實時現(xiàn)場數(shù)據(jù)，該數(shù)據(jù)使用了SNAP工具箱進(jìn)行預(yù)處理，通過將場分成方形網(wǎng)格，在局部測量的幫助下添加特征。預(yù)處理和特征提取完成后，數(shù)據(jù)將傳遞給基于ELM的回歸模型以預(yù)測土壤表面濕度。該算法使用了5個不同的核函數(shù)進(jìn)行測試，并使用留一法交叉驗證技術(shù)驗證預(yù)測。

4.2 作物產(chǎn)量預(yù)測

對于任何農(nóng)民來說，重要的一條信息是作物產(chǎn)量的預(yù)測以及如何提高產(chǎn)量。pH值、土壤類型和質(zhì)量、天氣模式、溫度、降雨量、濕度、日照時間、肥料和收獲時間表是一些在預(yù)測作物產(chǎn)量方面發(fā)揮重要作用的參數(shù)。楚玉等人在中國廣西壯族自治區(qū)81個縣建立了一個端到端的夏冬水稻預(yù)測模型。他們所提出的BBI模型分3個階段工作，第一階段對原始區(qū)域數(shù)據(jù)和時間序列計量數(shù)據(jù)進(jìn)行預(yù)處理，其輸出作為第二階段的輸入，其中 BPNN和RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）學(xué)習(xí)深度空間和時間輸入數(shù)據(jù)的特征。第三階段，BPNN學(xué)習(xí)深度特征與水稻產(chǎn)量的關(guān)系，預(yù)測夏、冬水稻產(chǎn)量。從誤差和收斂速度方面評估模型的性能，該模型呈現(xiàn)最低誤差值，夏季水稻預(yù)測的MAE和RMSE分別為 0.004 4和0.005 7，冬稻預(yù)測的MAE和RMSE分別為0.007 4和 0.019 2，同時算法在100次迭代內(nèi)收斂。

4.3 病害和雜草檢測

病害真菌、微生物和細(xì)菌從它們賴以生存的植物中獲取能量，進(jìn)而影響作物產(chǎn)量，如果不及時發(fā)現(xiàn)可能會造成巨大的經(jīng)濟損失。許多經(jīng)濟負(fù)擔(dān)以農(nóng)藥的形式轉(zhuǎn)移到農(nóng)民身上，過量使用農(nóng)藥還會導(dǎo)致環(huán)境破壞和農(nóng)地水土循環(huán)的影響。

在作物生長期使用優(yōu)化設(shè)計的人工智能系統(tǒng)，不僅可以降低作物病害的風(fēng)險，最大限度地減少經(jīng)濟影響，還可以最大限度地減少非系統(tǒng)耕作對環(huán)境的不利影響。拉姆查蘭等人使用機器學(xué)習(xí)算法檢測木薯作物的病害，部署了深度CNN，從一組11 670個圖像數(shù)據(jù)集中識別3種不同的疾病和2種類型的害蟲。在Tensor Flow中使用了基于GoogLeNet算法的 Inception v3，實現(xiàn)了80%～93.0%范圍內(nèi)的效率，并且在混淆矩陣的幫助下完成了對結(jié)果的驗證。

5 結(jié)論

精準(zhǔn)農(nóng)業(yè)正在為農(nóng)民提供通過精確投入獲得最佳產(chǎn)出的技術(shù)。支持物聯(lián)網(wǎng)的智能傳感器、執(zhí)行器、衛(wèi)星圖像、機器人、無人機是推動農(nóng)業(yè)發(fā)展的一些關(guān)鍵技術(shù)組件。這些組件在收集實時數(shù)據(jù)并相應(yīng)地在沒有人工支持的情況下做出決策方面發(fā)揮著至關(guān)重要的作用。人工智能是智能行為的自動化，不斷造福人類生活并在生活的各個方面幫助人類。在本文中，簡要回顧了機器學(xué)習(xí)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用，闡述了人工智能和物聯(lián)網(wǎng)在智能農(nóng)場管理中的影響，并簡要介紹了精準(zhǔn)農(nóng)業(yè)中最常用的機器學(xué)習(xí)算法。