农业智能技术体系探析
前言：本站为你精心整理了农业智能技术体系探析范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。
1精准农业决策需求
1.1精准农业的定义精准农业的生产要素由不可控因素和可控因素组成。不可控因素又称为“先天”因素,包括气象(气温、降雨等)、土壤(母质,坡度等)等;可控因素又称为“后天”因素,包括品种、肥料、农药、水分等。精准农业生产的目的在于科学认识不可控因素(土壤、气象),合理调配可控因素(肥、水、种、药),优化作物生长条件,使经济效益和生态效益达到最优。简单来说,精准农业是指基于环境的时空变异性分析,在正确的时间和地点以正确的方式投入正确的生产资料数量,最终获得最佳的效益。
1.2精准农业问题的分类精准农业的研究对象可用2种方式分类。一类是从静态角度按生产要素分,可分为土壤、作物和气象3种要素或者分为生物(作物)和环境(土壤、气象)2种要素;另一类是从动态角度按生产环节分,可分为播种、施肥、灌溉、喷药和收获。从土壤方面来看,要解决的主要问题包括土壤类型分类、地力分级、管理分区划分、养分插值等。从作物方面来看,要解决的主要问题如表1所示,其中,重点要解决的问题包括品种选择、精准施肥、病虫害预测和产量预测等。从气象方面来看,要解决的问题主要包括气温预测和降雨量预测。与土壤因素相比,气象因素的空间变异性很小,且更不容易控制,因此,在精准农业中对气象方面的研究相对较少。
1.3重要的精准农业决策需求
1.3.1管理分区。管理分区就是由相似的地貌或土壤状况所导致的相似的作物生产潜力、养分利用效率和环境效应的子区域。科学、合理的管理分区可以指导用户以管理分区为单元,进行土壤和作物农学参数采样,并根据不同单元间的空间变异性,实施变量投入、精准管理决策,这样既能提高土壤养分利用效率、管理精度和农产品产量、品质,又能节省资源,获得较好的经济效益,达到保护农业资源和环境质量的目的。研究表明,管理分区可以作为网格采样的一种替换手段在变量施肥中应用。土壤分类和地力评价与管理分区密切相关,可被认为是一种广义的管理分区。
1.3.2品种选择。品种选择是精量播种的前提和基础。与品种选择密切相关的3个概念是品种布局、品种搭配和良种良法配套。品种布局是指依据当地的土壤因素和气象因素,确定适宜的推广品种。品种搭配是指在同一地区,有主次地搭配种植具有不同特点的品种,合理的品种搭配有助于降低风险。良种良法配套是指依据不同的品种特性采取不同的栽培措施,做到因种栽培,具体包括根据品种耐密性确定种植密度、根据品种喜肥特性进行施肥、根据生育期确定播种期、根据抗病性确定栽培管理办法等。在品种确定以后,还有2个问题需要解决,即在时间上需要确定适宜的播期,在空间上需要确定合理的种植密度。
1.3.3精准施肥。精准施肥是精准农业技术中的核心内容,其基本思想是通过GPS在农田地块上划分网格,在网格内采样、测土、化验,依据土测值利用定量施肥模型获取网格内的施肥量,最后通过变量施肥机进行精准施肥。实践证明,精准施肥可以节约肥料、增加粮食产量、均衡土壤养分、减少环境污染。
1.3.4病虫害预测。病虫害预测是玉米精准生产决策中的重要环节。准确的病虫害预测可以使生产者及时地采取相应措施,从而减少产量损失。病虫害预测的内容主要包括发生期、发生量、分布区、危害程度和损失的预测。其中,发生期和发生量的预测、预报更具实际意义。影响病虫害发生的因素主要有:病原物和虫源(病原物的数量、飞散和传播;害虫越冬、繁殖数量以及发育速度、迁飞)、寄主和食料(受害作物品种、生长状况、发育期)以及环境条件(气象、土壤、天敌)。由于影响病虫害发生的相关因素众多,而环境条件中的气象因素(温度、湿度、降雨量等)又是影响病虫害发生最主要的因素,因此,现有的预测基本都采取了简化方法,即以气象因素来预测病虫害的发生。
1.3.5产量预测及影响因素分析。产量是精准农业的出发点和落脚点,准确的产量预测可以为管理区划分、品种选择和精准施肥等提供依据。产量的影响因素分析有助于找到影响产量的限制因子,从而有针对性地采取措施减少或消除这种限制因子,达到提高产量的目的。
2精准农业的特点
2.1时空性作物生长与时间和空间密切相关,随时间的改变和空间位置的不同而呈现出不同的属性和状态,这就是农业生产的时空性。3S技术(GPS、GIS和RS)是处理时空信息的有力工具,在精准农业中具有广泛的应用。3S技术的相互作用,形成了“一个大脑,两只眼睛”的框架[5]。其中,GIS是核心,相当于“一个大脑”,用于空间信息的分析和处理;GPS和RS相当于“两只眼睛”,向GIS提供区域信息以及空间定位。基于农业生产的时空性特点,王生生等开发了数字农业时空信息管理平台,该平台可以对多源、异构的农业时空数据和推理分析方法进行集中、统一的规范化管理[6]。张伟建立了集成3S技术的数字农业空间信息管理平台,在上海市数字农业示范区进行应用,取得了良好的效果[7]。时空推理和空间数据挖掘与3S技术紧密相关,是近年来的研究热点。王娟等探讨了GIS与空间数据挖掘集成在农业中的应用[8]。充分利用空间数据挖掘和时空推理的理论成果,集成3S技术应用于精准农业中是未来的研究方向。
2.2不确定性农业生产复杂多变,农业生产对象的运动具有随机性,人们对农业生产对象的认知具有模糊性和灰色性(不完全性),这就是农业生产的不确定性。MAT-THEWL等介绍了精准农业中不确定性的来源,并给出了不同类别不确定性的处理方法[9]。随机性和模糊性的共同点是:都是针对不确定现象,都是用[0,1]来度量不确定性。不同点是:随机性是由于条件不充分导致对象的不确定性,是对“因果律”的突破;模糊性是由于外延模糊而引起对象的不确定性,是对“排中律”的突破。概率统计、模糊数学和灰色系统理论是处理不确定信息的3个基本工具,分别用于处理信息的随机性、模糊性和灰色性。①模糊数学着重研究“认知不确定”问题,其研究对象具有“内涵明确、外延不明确的特点”。对于这类问题,模糊数学主要是凭经验借助于隶属函数进行处理。②概率统计研究的是“随机不确定”现象,着重于考察“随机不确定”现象的历史统计规律。其出发点是大样本,并要求对象服从某种典型分布。③灰色系统着重研究“小样本”、“贫信息”不确定性问题,研究对象通常都是“部分信息已知、部分信息未知”的,具有“外延明确、内涵不明确”的特点[10]。
基于精准农业决策需求和精准农业特点,需要确定相应的智能求解技术。精准农业与智能决策的结合主要有3个步骤。第一,从精准农业的角度确定决策需求,并根据每种需求的性质对需求进行分类;第二,从计算机的角度确定智能计算方法,并根据每种方法的功能对方法进行分类;第三,根据分类结果取交集,即可得到精准农业与智能决策的结合。精准农业决策需求与智能计算方法的结合点或交集主要包括:关联、分类、聚类、评判和预测等。关联是指对数据间的相关性进行分析,如相关分析、主成分分析、层次分析等;分类是指从一系列给定类别信息的数据出发,为下一个未知类别的数据归类;聚类是指从一系列未知类别信息的数据出发,分析其可以聚成几类,以及哪些数据属于同一类;评判是指按照给定的条件对事物的优劣、好坏进行评比、判别;预测问题可以归为2种:一种是因果预测,即基于因果关系数据由过去的因预测将来的果;另一种是时间序列预测,即基于时间序列数据由过去的果预测将来的果。可以得到精准农业决策需求所对应的智能求解方案。精准农业决策需求与智能计算方法的结合属于多对多的关系,即一种决策需求可用多种智能方法求解,而一种智能方法也可用于求解多种决策需求。如管理分区的划分可采用神经网络、模糊聚类等多种方法求解,而神经网络方法可用于管理区划分、病虫害预测等。需要说明的是,尽管一种决策需求可采用多种方法求解,但具体采用何种方法,要综合考虑现有数据属性、数据量、算法的效率和算法的准确度等,然后再从中选择一种相对较好的方法。事实上,精准农业与智能决策结合的重要任务之一就是要根据现有数据的情况,对多种可能的方法进行测试和比较,并从中选择最适合当前数据的方法。一般情况下,通过标准数据集对相关智能决策技术进行测试和比较,通过应用数据集进行精准农业应用。
4精准农业问题的求解
从计算机的角度看,精准农业的智能求解主要有3种情况。第一,将传统的、已经实现的智能决策技术应用于精准农业;第二,对原有的智能决策技术进行改进,使其效率更高,更适合于某个精准农业需求;第三,如果前2种方式都行不通或者可能有更好的方法,则可以提出一种新的智能决策技术进行相关问题的求解。
4.1精准农业问题的求解层次数据、知识、决策是精准农业问题求解的3个层次,三者间的关系如图2所示。有一部分简单数据、经验知识和已知决策可直接为用户所用,而大多数情况下,数据都要经过数据挖掘形成知识,再经过知识工程方法形成决策,并最终为用户所使用。上述过程通过软件来实现,就形成了智能决策支持系统;为了实现软件开发的标准化、规范化,需要软件工程方法的指导。
4.2主要智能决策技术及其在精准农业中的应用
4.2.1神经网络。人工神经网络是一个大规模自组织、自适应的非线性动力系统,能较好地模拟人的思维,具有大规模并行协同处理能力及较强的容错、联想和学习能力,能依据一定的学习算法自动地从训练事例中学习,并根据外界环境的变化调整自己的行为。神经网络经常和遗传算法、模糊计算配合使用,三者合在一起又称为软计算方法[11]。软计算通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性,它模拟自然界中智能系统的生化过程(人的感知、脑结构、进化和免疫等)来有效处理不确定性信息。软计算方法的以上特征,适应于农业生产的不确定性。神经网络的功能主要有分类、聚类、预测等,可用于土壤分类、管理区划分、病虫害预测和产量预测等。单个神经网络具有不稳定性,为了进一步提高神经网络的预测精度和泛化能力,可引入神经网络集成技术。神经网络集成是由Hansen与Salamon在1990年提出的,旨在通过训练多个神经网络并将其进行组合来提高神经网络系统的泛化能力[12]。
4.2.2贝叶斯网。贝叶斯网方法是20世纪80年展起来的,最早由JudeaPearl于1986年提出,当时主要用于处理人工智能中的不确定性信息。随后它逐步成为了处理不确定性信息的主流技术,并且在工业控制、医疗诊断等领域的许多智能系统中得到了应用。贝叶斯网络作为图形模型的一种,具有图形模型的大多数性质,图形模型是概率理论和图论的结合。他们提供了一种自然的工具来处理贯穿于应用数学和工程中的2个问题———不确定性和复杂性。一个复杂系统是由多个简单部分构成的。概率理论提供了各个部分联合起来的粘合剂,保证系统作为整体是一致的,并提供模型到数据的接口;图论则提供了一个可以诉求于知觉的界面,人们可以通过它将高度互动化的变量集和数据结构模型化。贝叶斯网具有双向推理能力,既可以用于预测也可以用于诊断。贝叶斯网还具有分类功能。有代表性的分类器包括朴素贝叶斯分类器和TAN分类器,两者都是贝叶斯网的特例[13]。由于贝叶斯网的建造需要大量数据,而农业数据获取相对困难,因此,贝叶斯网在精准农业中的应用还不多见。在国外,F.trai将贝叶斯网应用于冬小麦产量预测,KristianKristensen等将贝叶斯网应用于大麦麦芽生产决策,均取得了很好的效果[14-15]。而在国内,几乎没有相关研究。随着3S技术的发展,获取大量农业数据已经成为可能,将贝叶斯网与遥感结合应用于精准农业是一个发展趋势[16]。另外,在数据量相对不足的情况下,可以采用一定的方法简化贝叶斯网建造的复杂性,如充分利用领域专家的先验知识,采用“噪音“或和“分离”技术等[17]。总之,贝叶斯网在精准农业中必将具有良好的发展前景。
4.2.3灰色系统理论。灰色系统理论由我国学者邓聚龙教授于1982年提出,其研究对象是“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定性系统,通过对“部分”已知信息的生成、开发实现对现实世界的确切描述和认识。由于农业系统具有复杂性,对于农业生产者来说,信息是残缺不全的,内部特征“若明若暗”。因此,农业是一个典型的灰系统,农业系统和灰色系统理论具有天然的联系。与概率论相比,在某些场合,灰色系统理论在处理农业不确定性信息方面更具有优势和独到性。这是因为:首先,在农业生产过程中,存在着大量不确定现象,要获取足够的数据,并使其具有典型的概率分布特征是相当困难的;其次,概率统计方法要求试验设计复杂,且基本假定过于严格,而实际很难办到。灰系统理论的主要功能有关联分析、聚类、预测、评判等。可用于产量影响因素分析、品种评价、病虫害预测等。
4.3精准农业智能决策系统精准农业决策需求的实现,需要智能决策系统的开发,而智能决策系统的开发依赖于大量数据的获取,三者之间的关系见图3。这是一个具有沙漏计时器形状的技术体系,在该体系中,智能决策系统处于核心地位(信息处理层),它对下要处理各种多源、异构数据(信息获取层),对上要解决各种需求。由于农业生产的复杂性,数据获取相对困难,大部分知识都是以经验的形式存在于人的头脑中,因此,早期的智能决策系统主要是知识驱动的,以农业专家系统的开发和应用为主要标志,侧重于软件的实现,这一阶段可称为智能农业阶段。随着3S技术的发展,采集和获取大量属性或空间数据成为可能,因此,后期的智能决策系统主要是数据驱动的,以3S技术的开发和应用为主要标志,侧重于软硬件的结合,这一阶段可称为精准农业阶段。当前的农业智能决策系统侧重于数据驱动和知识驱动的集成。在数据量丰富的场合主要采用采用数据驱动模型,在知识量丰富的场合主要采用知识驱动模型。智能决策系统的发展趋势主要有3个方面:一是集成性,如集成GIS的空间决策支持系统[18-20];二是分布式,如面向服务的分布式精准农业信息平台[21];三是网络化,如基于网络的作物品种选择信息系统[22].
5结语
笔者在此主要作了如下几方面的工作:①以农业系统论为指导,分析了精准农业决策需求;②将精准农业问题的求解分为数据、知识和决策3个层次;③指出了时空性和不确定性是精准农业的本质特征;④构建了具有沙漏计时器形状的精准农业智能决策技术体系;⑤给出了精准农业决策需求与智能决策技术的结合方法与途径。以上工作有助于人们清晰地认识精准农业中各种对象之间的关系,有利于促进精准农业决策需求与人工智能方法的结合。总之,精准农业智能决策技术的目标是使计算更准确、决策更智能。因此,考虑更多的农业因素、寻求更新的智能算法,将是精准农业智能决策技术发展的必然趋势。
