農業智能技術體系探析
前言：本站為你精心整理了農業智能技術體系探析范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。
1精準農業決策需求
1.1精準農業的定義精準農業的生產要素由不可控因素和可控因素組成。不可控因素又稱為“先天”因素,包括氣象(氣溫、降雨等)、土壤(母質,坡度等)等;可控因素又稱為“后天”因素,包括品種、肥料、農藥、水分等。精準農業生產的目的在于科學認識不可控因素(土壤、氣象),合理調配可控因素(肥、水、種、藥),優化作物生長條件,使經濟效益和生態效益達到最優。簡單來說,精準農業是指基于環境的時空變異性分析,在正確的時間和地點以正確的方式投入正確的生產資料數量,最終獲得最佳的效益。
1.2精準農業問題的分類精準農業的研究對象可用2種方式分類。一類是從靜態角度按生產要素分,可分為土壤、作物和氣象3種要素或者分為生物(作物)和環境(土壤、氣象)2種要素;另一類是從動態角度按生產環節分,可分為播種、施肥、灌溉、噴藥和收獲。從土壤方面來看,要解決的主要問題包括土壤類型分類、地力分級、管理分區劃分、養分插值等。從作物方面來看,要解決的主要問題如表1所示,其中,重點要解決的問題包括品種選擇、精準施肥、病蟲害預測和產量預測等。從氣象方面來看,要解決的問題主要包括氣溫預測和降雨量預測。與土壤因素相比,氣象因素的空間變異性很小,且更不容易控制,因此,在精準農業中對氣象方面的研究相對較少。
1.3重要的精準農業決策需求
1.3.1管理分區。管理分區就是由相似的地貌或土壤狀況所導致的相似的作物生產潛力、養分利用效率和環境效應的子區域。科學、合理的管理分區可以指導用戶以管理分區為單元,進行土壤和作物農學參數采樣,并根據不同單元間的空間變異性,實施變量投入、精準管理決策,這樣既能提高土壤養分利用效率、管理精度和農產品產量、品質,又能節省資源,獲得較好的經濟效益,達到保護農業資源和環境質量的目的。研究表明,管理分區可以作為網格采樣的一種替換手段在變量施肥中應用。土壤分類和地力評價與管理分區密切相關,可被認為是一種廣義的管理分區。
1.3.2品種選擇。品種選擇是精量播種的前提和基礎。與品種選擇密切相關的3個概念是品種布局、品種搭配和良種良法配套。品種布局是指依據當地的土壤因素和氣象因素,確定適宜的推廣品種。品種搭配是指在同一地區,有主次地搭配種植具有不同特點的品種,合理的品種搭配有助于降低風險。良種良法配套是指依據不同的品種特性采取不同的栽培措施,做到因種栽培,具體包括根據品種耐密性確定種植密度、根據品種喜肥特性進行施肥、根據生育期確定播種期、根據抗病性確定栽培管理辦法等。在品種確定以后,還有2個問題需要解決,即在時間上需要確定適宜的播期,在空間上需要確定合理的種植密度。
1.3.3精準施肥。精準施肥是精準農業技術中的核心內容,其基本思想是通過GPS在農田地塊上劃分網格,在網格內采樣、測土、化驗,依據土測值利用定量施肥模型獲取網格內的施肥量,最后通過變量施肥機進行精準施肥。實踐證明,精準施肥可以節約肥料、增加糧食產量、均衡土壤養分、減少環境污染。
1.3.4病蟲害預測。病蟲害預測是玉米精準生產決策中的重要環節。準確的病蟲害預測可以使生產者及時地采取相應措施,從而減少產量損失。病蟲害預測的內容主要包括發生期、發生量、分布區、危害程度和損失的預測。其中,發生期和發生量的預測、預報更具實際意義。影響病蟲害發生的因素主要有:病原物和蟲源(病原物的數量、飛散和傳播;害蟲越冬、繁殖數量以及發育速度、遷飛)、寄主和食料(受害作物品種、生長狀況、發育期)以及環境條件(氣象、土壤、天敵)。由于影響病蟲害發生的相關因素眾多,而環境條件中的氣象因素(溫度、濕度、降雨量等)又是影響病蟲害發生最主要的因素,因此,現有的預測基本都采取了簡化方法,即以氣象因素來預測病蟲害的發生。
1.3.5產量預測及影響因素分析。產量是精準農業的出發點和落腳點,準確的產量預測可以為管理區劃分、品種選擇和精準施肥等提供依據。產量的影響因素分析有助于找到影響產量的限制因子,從而有針對性地采取措施減少或消除這種限制因子,達到提高產量的目的。
2精準農業的特點
2.1時空性作物生長與時間和空間密切相關,隨時間的改變和空間位置的不同而呈現出不同的屬性和狀態,這就是農業生產的時空性。3S技術(GPS、GIS和RS)是處理時空信息的有力工具,在精準農業中具有廣泛的應用。3S技術的相互作用,形成了“一個大腦,兩只眼睛”的框架[5]。其中,GIS是核心,相當于“一個大腦”,用于空間信息的分析和處理;GPS和RS相當于“兩只眼睛”,向GIS提供區域信息以及空間定位。基于農業生產的時空性特點,王生生等開發了數字農業時空信息管理平臺,該平臺可以對多源、異構的農業時空數據和推理分析方法進行集中、統一的規范化管理[6]。張偉建立了集成3S技術的數字農業空間信息管理平臺,在上海市數字農業示范區進行應用,取得了良好的效果[7]。時空推理和空間數據挖掘與3S技術緊密相關,是近年來的研究熱點。王娟等探討了GIS與空間數據挖掘集成在農業中的應用[8]。充分利用空間數據挖掘和時空推理的理論成果,集成3S技術應用于精準農業中是未來的研究方向。
2.2不確定性農業生產復雜多變,農業生產對象的運動具有隨機性,人們對農業生產對象的認知具有模糊性和灰色性(不完全性),這就是農業生產的不確定性。MAT-THEWL等介紹了精準農業中不確定性的來源,并給出了不同類別不確定性的處理方法[9]。隨機性和模糊性的共同點是:都是針對不確定現象,都是用[0,1]來度量不確定性。不同點是:隨機性是由于條件不充分導致對象的不確定性,是對“因果律”的突破;模糊性是由于外延模糊而引起對象的不確定性,是對“排中律”的突破。概率統計、模糊數學和灰色系統理論是處理不確定信息的3個基本工具,分別用于處理信息的隨機性、模糊性和灰色性。①模糊數學著重研究“認知不確定”問題,其研究對象具有“內涵明確、外延不明確的特點”。對于這類問題,模糊數學主要是憑經驗借助于隸屬函數進行處理。②概率統計研究的是“隨機不確定”現象,著重于考察“隨機不確定”現象的歷史統計規律。其出發點是大樣本,并要求對象服從某種典型分布。③灰色系統著重研究“小樣本”、“貧信息”不確定性問題,研究對象通常都是“部分信息已知、部分信息未知”的,具有“外延明確、內涵不明確”的特點[10]。
基于精準農業決策需求和精準農業特點,需要確定相應的智能求解技術。精準農業與智能決策的結合主要有3個步驟。第一,從精準農業的角度確定決策需求,并根據每種需求的性質對需求進行分類;第二,從計算機的角度確定智能計算方法,并根據每種方法的功能對方法進行分類;第三,根據分類結果取交集,即可得到精準農業與智能決策的結合。精準農業決策需求與智能計算方法的結合點或交集主要包括:關聯、分類、聚類、評判和預測等。關聯是指對數據間的相關性進行分析,如相關分析、主成分分析、層次分析等;分類是指從一系列給定類別信息的數據出發,為下一個未知類別的數據歸類;聚類是指從一系列未知類別信息的數據出發,分析其可以聚成幾類,以及哪些數據屬于同一類;評判是指按照給定的條件對事物的優劣、好壞進行評比、判別;預測問題可以歸為2種:一種是因果預測,即基于因果關系數據由過去的因預測將來的果;另一種是時間序列預測,即基于時間序列數據由過去的果預測將來的果。可以得到精準農業決策需求所對應的智能求解方案。精準農業決策需求與智能計算方法的結合屬于多對多的關系,即一種決策需求可用多種智能方法求解,而一種智能方法也可用于求解多種決策需求。如管理分區的劃分可采用神經網絡、模糊聚類等多種方法求解,而神經網絡方法可用于管理區劃分、病蟲害預測等。需要說明的是,盡管一種決策需求可采用多種方法求解,但具體采用何種方法,要綜合考慮現有數據屬性、數據量、算法的效率和算法的準確度等,然后再從中選擇一種相對較好的方法。事實上,精準農業與智能決策結合的重要任務之一就是要根據現有數據的情況,對多種可能的方法進行測試和比較,并從中選擇最適合當前數據的方法。一般情況下,通過標準數據集對相關智能決策技術進行測試和比較,通過應用數據集進行精準農業應用。
4精準農業問題的求解
從計算機的角度看,精準農業的智能求解主要有3種情況。第一,將傳統的、已經實現的智能決策技術應用于精準農業;第二,對原有的智能決策技術進行改進,使其效率更高,更適合于某個精準農業需求;第三,如果前2種方式都行不通或者可能有更好的方法,則可以提出一種新的智能決策技術進行相關問題的求解。
4.1精準農業問題的求解層次數據、知識、決策是精準農業問題求解的3個層次,三者間的關系如圖2所示。有一部分簡單數據、經驗知識和已知決策可直接為用戶所用,而大多數情況下,數據都要經過數據挖掘形成知識,再經過知識工程方法形成決策,并最終為用戶所使用。上述過程通過軟件來實現,就形成了智能決策支持系統;為了實現軟件開發的標準化、規范化,需要軟件工程方法的指導。
4.2主要智能決策技術及其在精準農業中的應用
4.2.1神經網絡。人工神經網絡是一個大規模自組織、自適應的非線性動力系統,能較好地模擬人的思維,具有大規模并行協同處理能力及較強的容錯、聯想和學習能力,能依據一定的學習算法自動地從訓練事例中學習,并根據外界環境的變化調整自己的行為。神經網絡經常和遺傳算法、模糊計算配合使用,三者合在一起又稱為軟計算方法[11]。軟計算通過對不確定、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,它模擬自然界中智能系統的生化過程(人的感知、腦結構、進化和免疫等)來有效處理不確定性信息。軟計算方法的以上特征,適應于農業生產的不確定性。神經網絡的功能主要有分類、聚類、預測等,可用于土壤分類、管理區劃分、病蟲害預測和產量預測等。單個神經網絡具有不穩定性,為了進一步提高神經網絡的預測精度和泛化能力,可引入神經網絡集成技術。神經網絡集成是由Hansen與Salamon在1990年提出的,旨在通過訓練多個神經網絡并將其進行組合來提高神經網絡系統的泛化能力[12]。
4.2.2貝葉斯網。貝葉斯網方法是20世紀80年展起來的,最早由JudeaPearl于1986年提出,當時主要用于處理人工智能中的不確定性信息。隨后它逐步成為了處理不確定性信息的主流技術,并且在工業控制、醫療診斷等領域的許多智能系統中得到了應用。貝葉斯網絡作為圖形模型的一種,具有圖形模型的大多數性質,圖形模型是概率理論和圖論的結合。他們提供了一種自然的工具來處理貫穿于應用數學和工程中的2個問題———不確定性和復雜性。一個復雜系統是由多個簡單部分構成的。概率理論提供了各個部分聯合起來的粘合劑,保證系統作為整體是一致的,并提供模型到數據的接口;圖論則提供了一個可以訴求于知覺的界面,人們可以通過它將高度互動化的變量集和數據結構模型化。貝葉斯網具有雙向推理能力,既可以用于預測也可以用于診斷。貝葉斯網還具有分類功能。有代表性的分類器包括樸素貝葉斯分類器和TAN分類器,兩者都是貝葉斯網的特例[13]。由于貝葉斯網的建造需要大量數據,而農業數據獲取相對困難,因此,貝葉斯網在精準農業中的應用還不多見。在國外,F.trai將貝葉斯網應用于冬小麥產量預測,KristianKristensen等將貝葉斯網應用于大麥麥芽生產決策,均取得了很好的效果[14-15]。而在國內,幾乎沒有相關研究。隨著3S技術的發展,獲取大量農業數據已經成為可能,將貝葉斯網與遙感結合應用于精準農業是一個發展趨勢[16]。另外,在數據量相對不足的情況下,可以采用一定的方法簡化貝葉斯網建造的復雜性,如充分利用領域專家的先驗知識,采用“噪音“或和“分離”技術等[17]。總之,貝葉斯網在精準農業中必將具有良好的發展前景。
4.2.3灰色系統理論。灰色系統理論由我國學者鄧聚龍教授于1982年提出,其研究對象是“部分信息已知、部分信息未知”的“小樣本”、“貧信息”不確定性系統,通過對“部分”已知信息的生成、開發實現對現實世界的確切描述和認識。由于農業系統具有復雜性,對于農業生產者來說,信息是殘缺不全的,內部特征“若明若暗”。因此,農業是一個典型的灰系統,農業系統和灰色系統理論具有天然的聯系。與概率論相比,在某些場合,灰色系統理論在處理農業不確定性信息方面更具有優勢和獨到性。這是因為:首先,在農業生產過程中,存在著大量不確定現象,要獲取足夠的數據,并使其具有典型的概率分布特征是相當困難的;其次,概率統計方法要求試驗設計復雜,且基本假定過于嚴格,而實際很難辦到。灰系統理論的主要功能有關聯分析、聚類、預測、評判等。可用于產量影響因素分析、品種評價、病蟲害預測等。
4.3精準農業智能決策系統精準農業決策需求的實現,需要智能決策系統的開發,而智能決策系統的開發依賴于大量數據的獲取,三者之間的關系見圖3。這是一個具有沙漏計時器形狀的技術體系,在該體系中,智能決策系統處于核心地位(信息處理層),它對下要處理各種多源、異構數據(信息獲取層),對上要解決各種需求。由于農業生產的復雜性,數據獲取相對困難,大部分知識都是以經驗的形式存在于人的頭腦中,因此,早期的智能決策系統主要是知識驅動的,以農業專家系統的開發和應用為主要標志,側重于軟件的實現,這一階段可稱為智能農業階段。隨著3S技術的發展,采集和獲取大量屬性或空間數據成為可能,因此,后期的智能決策系統主要是數據驅動的,以3S技術的開發和應用為主要標志,側重于軟硬件的結合,這一階段可稱為精準農業階段。當前的農業智能決策系統側重于數據驅動和知識驅動的集成。在數據量豐富的場合主要采用采用數據驅動模型,在知識量豐富的場合主要采用知識驅動模型。智能決策系統的發展趨勢主要有3個方面:一是集成性,如集成GIS的空間決策支持系統[18-20];二是分布式,如面向服務的分布式精準農業信息平臺[21];三是網絡化,如基于網絡的作物品種選擇信息系統[22].
5結語
筆者在此主要作了如下幾方面的工作:①以農業系統論為指導,分析了精準農業決策需求;②將精準農業問題的求解分為數據、知識和決策3個層次;③指出了時空性和不確定性是精準農業的本質特征;④構建了具有沙漏計時器形狀的精準農業智能決策技術體系;⑤給出了精準農業決策需求與智能決策技術的結合方法與途徑。以上工作有助于人們清晰地認識精準農業中各種對象之間的關系,有利于促進精準農業決策需求與人工智能方法的結合。總之,精準農業智能決策技術的目標是使計算更準確、決策更智能。因此,考慮更多的農業因素、尋求更新的智能算法,將是精準農業智能決策技術發展的必然趨勢。
