前言：本站為你精心整理了農(nóng)業(yè)智能技術(shù)體系探析范文，希望能為你的創(chuàng)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(zhǔn)農(nóng)業(yè)決策需求

1.1精準(zhǔn)農(nóng)業(yè)的定義精準(zhǔn)農(nóng)業(yè)的生產(chǎn)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(zhì),坡度等)等;可控因素又稱為“后天”因素,包括品種、肥料、農(nóng)藥、水分等。精準(zhǔn)農(nóng)業(yè)生產(chǎn)的目的在于科學(xué)認識不可控因素(土壤、氣象),合理調(diào)配可控因素(肥、水、種、藥),優(yōu)化作物生長條件,使經(jīng)濟效益和生態(tài)效益達到最優(yōu)。簡單來說,精準(zhǔn)農(nóng)業(yè)是指基于環(huán)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(chǎn)資料數(shù)量,最終獲得最佳的效益。

1.2精準(zhǔn)農(nóng)業(yè)問題的分類精準(zhǔn)農(nóng)業(yè)的研究對象可用2種方式分類。一類是從靜態(tài)角度按生產(chǎn)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(huán)境(土壤、氣象)2種要素;另一類是從動態(tài)角度按生產(chǎn)環(huán)節(jié)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(qū)劃分、養(yǎng)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(zhǔn)施肥、病蟲害預(yù)測和產(chǎn)量預(yù)測等。從氣象方面來看,要解決的問題主要包括氣溫預(yù)測和降雨量預(yù)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(zhǔn)農(nóng)業(yè)中對氣象方面的研究相對較少。

1.3重要的精準(zhǔn)農(nóng)業(yè)決策需求

1.3.1管理分區(qū)。管理分區(qū)就是由相似的地貌或土壤狀況所導(dǎo)致的相似的作物生產(chǎn)潛力、養(yǎng)分利用效率和環(huán)境效應(yīng)的子區(qū)域。科學(xué)、合理的管理分區(qū)可以指導(dǎo)用戶以管理分區(qū)為單元,進行土壤和作物農(nóng)學(xué)參數(shù)采樣,并根據(jù)不同單元間的空間變異性,實施變量投入、精準(zhǔn)管理決策,這樣既能提高土壤養(yǎng)分利用效率、管理精度和農(nóng)產(chǎn)品產(chǎn)量、品質(zhì),又能節(jié)省資源,獲得較好的經(jīng)濟效益,達到保護農(nóng)業(yè)資源和環(huán)境質(zhì)量的目的。研究表明,管理分區(qū)可以作為網(wǎng)格采樣的一種替換手段在變量施肥中應(yīng)用。土壤分類和地力評價與管理分區(qū)密切相關(guān),可被認為是一種廣義的管理分區(qū)。

1.3.2品種選擇。品種選擇是精量播種的前提和基礎(chǔ)。與品種選擇密切相關(guān)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(jù)當(dāng)?shù)氐耐寥酪蛩睾蜌庀笠蛩?確定適宜的推廣品種。品種搭配是指在同一地區(qū),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(fēng)險。良種良法配套是指依據(jù)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(jù)品種耐密性確定種植密度、根據(jù)品種喜肥特性進行施肥、根據(jù)生育期確定播種期、根據(jù)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(zhǔn)施肥。精準(zhǔn)施肥是精準(zhǔn)農(nóng)業(yè)技術(shù)中的核心內(nèi)容,其基本思想是通過GPS在農(nóng)田地塊上劃分網(wǎng)格,在網(wǎng)格內(nèi)采樣、測土、化驗,依據(jù)土測值利用定量施肥模型獲取網(wǎng)格內(nèi)的施肥量,最后通過變量施肥機進行精準(zhǔn)施肥。實踐證明,精準(zhǔn)施肥可以節(jié)約肥料、增加糧食產(chǎn)量、均衡土壤養(yǎng)分、減少環(huán)境污染。

1.3.4病蟲害預(yù)測。病蟲害預(yù)測是玉米精準(zhǔn)生產(chǎn)決策中的重要環(huán)節(jié)。準(zhǔn)確的病蟲害預(yù)測可以使生產(chǎn)者及時地采取相應(yīng)措施,從而減少產(chǎn)量損失。病蟲害預(yù)測的內(nèi)容主要包括發(fā)生期、發(fā)生量、分布區(qū)、危害程度和損失的預(yù)測。其中,發(fā)生期和發(fā)生量的預(yù)測、預(yù)報更具實際意義。影響病蟲害發(fā)生的因素主要有:病原物和蟲源(病原物的數(shù)量、飛散和傳播;害蟲越冬、繁殖數(shù)量以及發(fā)育速度、遷飛)、寄主和食料(受害作物品種、生長狀況、發(fā)育期)以及環(huán)境條件(氣象、土壤、天敵)。由于影響病蟲害發(fā)生的相關(guān)因素眾多,而環(huán)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(fā)生最主要的因素,因此,現(xiàn)有的預(yù)測基本都采取了簡化方法,即以氣象因素來預(yù)測病蟲害的發(fā)生。

1.3.5產(chǎn)量預(yù)測及影響因素分析。產(chǎn)量是精準(zhǔn)農(nóng)業(yè)的出發(fā)點和落腳點,準(zhǔn)確的產(chǎn)量預(yù)測可以為管理區(qū)劃分、品種選擇和精準(zhǔn)施肥等提供依據(jù)。產(chǎn)量的影響因素分析有助于找到影響產(chǎn)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(chǎn)量的目的。

2精準(zhǔn)農(nóng)業(yè)的特點

2.1時空性作物生長與時間和空間密切相關(guān),隨時間的改變和空間位置的不同而呈現(xiàn)出不同的屬性和狀態(tài),這就是農(nóng)業(yè)生產(chǎn)的時空性。3S技術(shù)(GPS、GIS和RS)是處理時空信息的有力工具,在精準(zhǔn)農(nóng)業(yè)中具有廣泛的應(yīng)用。3S技術(shù)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(dāng)于“一個大腦”,用于空間信息的分析和處理;GPS和RS相當(dāng)于“兩只眼睛”,向GIS提供區(qū)域信息以及空間定位?；谵r(nóng)業(yè)生產(chǎn)的時空性特點,王生生等開發(fā)了數(shù)字農(nóng)業(yè)時空信息管理平臺,該平臺可以對多源、異構(gòu)的農(nóng)業(yè)時空數(shù)據(jù)和推理分析方法進行集中、統(tǒng)一的規(guī)范化管理[6]。張偉建立了集成3S技術(shù)的數(shù)字農(nóng)業(yè)空間信息管理平臺,在上海市數(shù)字農(nóng)業(yè)示范區(qū)進行應(yīng)用,取得了良好的效果[7]。時空推理和空間數(shù)據(jù)挖掘與3S技術(shù)緊密相關(guān),是近年來的研究熱點。王娟等探討了GIS與空間數(shù)據(jù)挖掘集成在農(nóng)業(yè)中的應(yīng)用[8]。充分利用空間數(shù)據(jù)挖掘和時空推理的理論成果,集成3S技術(shù)應(yīng)用于精準(zhǔn)農(nóng)業(yè)中是未來的研究方向。

2.2不確定性農(nóng)業(yè)生產(chǎn)復(fù)雜多變,農(nóng)業(yè)生產(chǎn)對象的運動具有隨機性,人們對農(nóng)業(yè)生產(chǎn)對象的認知具有模糊性和灰色性(不完全性),這就是農(nóng)業(yè)生產(chǎn)的不確定性。MAT-THEWL等介紹了精準(zhǔn)農(nóng)業(yè)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(xiàn)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(dǎo)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(tǒng)計、模糊數(shù)學(xué)和灰色系統(tǒng)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(shù)學(xué)著重研究“認知不確定”問題,其研究對象具有“內(nèi)涵明確、外延不明確的特點”。對于這類問題,模糊數(shù)學(xué)主要是憑經(jīng)驗借助于隸屬函數(shù)進行處理。②概率統(tǒng)計研究的是“隨機不確定”現(xiàn)象,著重于考察“隨機不確定”現(xiàn)象的歷史統(tǒng)計規(guī)律。其出發(fā)點是大樣本,并要求對象服從某種典型分布。③灰色系統(tǒng)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(nèi)涵不明確”的特點[10]。

3精準(zhǔn)農(nóng)業(yè)決策需求與智能技術(shù)的結(jié)合

基于精準(zhǔn)農(nóng)業(yè)決策需求和精準(zhǔn)農(nóng)業(yè)特點,需要確定相應(yīng)的智能求解技術(shù)。精準(zhǔn)農(nóng)業(yè)與智能決策的結(jié)合主要有3個步驟。第一,從精準(zhǔn)農(nóng)業(yè)的角度確定決策需求,并根據(jù)每種需求的性質(zhì)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(jù)每種方法的功能對方法進行分類;第三,根據(jù)分類結(jié)果取交集,即可得到精準(zhǔn)農(nóng)業(yè)與智能決策的結(jié)合。精準(zhǔn)農(nóng)業(yè)決策需求與智能計算方法的結(jié)合點或交集主要包括:關(guān)聯(lián)、分類、聚類、評判和預(yù)測等。關(guān)聯(lián)是指對數(shù)據(jù)間的相關(guān)性進行分析,如相關(guān)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(shù)據(jù)出發(fā),為下一個未知類別的數(shù)據(jù)歸類;聚類是指從一系列未知類別信息的數(shù)據(jù)出發(fā),分析其可以聚成幾類,以及哪些數(shù)據(jù)屬于同一類;評判是指按照給定的條件對事物的優(yōu)劣、好壞進行評比、判別;預(yù)測問題可以歸為2種:一種是因果預(yù)測,即基于因果關(guān)系數(shù)據(jù)由過去的因預(yù)測將來的果;另一種是時間序列預(yù)測,即基于時間序列數(shù)據(jù)由過去的果預(yù)測將來的果。可以得到精準(zhǔn)農(nóng)業(yè)決策需求所對應(yīng)的智能求解方案。精準(zhǔn)農(nóng)業(yè)決策需求與智能計算方法的結(jié)合屬于多對多的關(guān)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(qū)的劃分可采用神經(jīng)網(wǎng)絡(luò)、模糊聚類等多種方法求解,而神經(jīng)網(wǎng)絡(luò)方法可用于管理區(qū)劃分、病蟲害預(yù)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(xiàn)有數(shù)據(jù)屬性、數(shù)據(jù)量、算法的效率和算法的準(zhǔn)確度等,然后再從中選擇一種相對較好的方法。事實上,精準(zhǔn)農(nóng)業(yè)與智能決策結(jié)合的重要任務(wù)之一就是要根據(jù)現(xiàn)有數(shù)據(jù)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(dāng)前數(shù)據(jù)的方法。一般情況下,通過標(biāo)準(zhǔn)數(shù)據(jù)集對相關(guān)智能決策技術(shù)進行測試和比較,通過應(yīng)用數(shù)據(jù)集進行精準(zhǔn)農(nóng)業(yè)應(yīng)用。

4精準(zhǔn)農(nóng)業(yè)問題的求解

從計算機的角度看,精準(zhǔn)農(nóng)業(yè)的智能求解主要有3種情況。第一,將傳統(tǒng)的、已經(jīng)實現(xiàn)的智能決策技術(shù)應(yīng)用于精準(zhǔn)農(nóng)業(yè);第二,對原有的智能決策技術(shù)進行改進,使其效率更高,更適合于某個精準(zhǔn)農(nóng)業(yè)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(shù)進行相關(guān)問題的求解。

4.1精準(zhǔn)農(nóng)業(yè)問題的求解層次數(shù)據(jù)、知識、決策是精準(zhǔn)農(nóng)業(yè)問題求解的3個層次,三者間的關(guān)系如圖2所示。有一部分簡單數(shù)據(jù)、經(jīng)驗知識和已知決策可直接為用戶所用,而大多數(shù)情況下,數(shù)據(jù)都要經(jīng)過數(shù)據(jù)挖掘形成知識,再經(jīng)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(xiàn),就形成了智能決策支持系統(tǒng);為了實現(xiàn)軟件開發(fā)的標(biāo)準(zhǔn)化、規(guī)范化,需要軟件工程方法的指導(dǎo)。

4.2主要智能決策技術(shù)及其在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用

4.2.1神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是一個大規(guī)模自組織、自適應(yīng)的非線性動力系統(tǒng),能較好地模擬人的思維,具有大規(guī)模并行協(xié)同處理能力及較強的容錯、聯(lián)想和學(xué)習(xí)能力,能依據(jù)一定的學(xué)習(xí)算法自動地從訓(xùn)練事例中學(xué)習(xí),并根據(jù)外界環(huán)境的變化調(diào)整自己的行為。神經(jīng)網(wǎng)絡(luò)經(jīng)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(tǒng)的生化過程(人的感知、腦結(jié)構(gòu)、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(yīng)于農(nóng)業(yè)生產(chǎn)的不確定性。神經(jīng)網(wǎng)絡(luò)的功能主要有分類、聚類、預(yù)測等,可用于土壤分類、管理區(qū)劃分、病蟲害預(yù)測和產(chǎn)量預(yù)測等。單個神經(jīng)網(wǎng)絡(luò)具有不穩(wěn)定性,為了進一步提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度和泛化能力,可引入神經(jīng)網(wǎng)絡(luò)集成技術(shù)。神經(jīng)網(wǎng)絡(luò)集成是由Hansen與Salamon在1990年提出的,旨在通過訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)并將其進行組合來提高神經(jīng)網(wǎng)絡(luò)系統(tǒng)的泛化能力[12]。

4.2.2貝葉斯網(wǎng)。貝葉斯網(wǎng)方法是20世紀(jì)80年展起來的,最早由JudeaPearl于1986年提出,當(dāng)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(shù),并且在工業(yè)控制、醫(yī)療診斷等領(lǐng)域的許多智能系統(tǒng)中得到了應(yīng)用。貝葉斯網(wǎng)絡(luò)作為圖形模型的一種,具有圖形模型的大多數(shù)性質(zhì),圖形模型是概率理論和圖論的結(jié)合。他們提供了一種自然的工具來處理貫穿于應(yīng)用數(shù)學(xué)和工程中的2個問題———不確定性和復(fù)雜性。一個復(fù)雜系統(tǒng)是由多個簡單部分構(gòu)成的。概率理論提供了各個部分聯(lián)合起來的粘合劑,保證系統(tǒng)作為整體是一致的,并提供模型到數(shù)據(jù)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(shù)據(jù)結(jié)構(gòu)模型化。貝葉斯網(wǎng)具有雙向推理能力,既可以用于預(yù)測也可以用于診斷。貝葉斯網(wǎng)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(wǎng)的特例[13]。由于貝葉斯網(wǎng)的建造需要大量數(shù)據(jù),而農(nóng)業(yè)數(shù)據(jù)獲取相對困難,因此,貝葉斯網(wǎng)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用還不多見。在國外,F.trai將貝葉斯網(wǎng)應(yīng)用于冬小麥產(chǎn)量預(yù)測,KristianKristensen等將貝葉斯網(wǎng)應(yīng)用于大麥麥芽生產(chǎn)決策,均取得了很好的效果[14-15]。而在國內(nèi),幾乎沒有相關(guān)研究。隨著3S技術(shù)的發(fā)展,獲取大量農(nóng)業(yè)數(shù)據(jù)已經(jīng)成為可能,將貝葉斯網(wǎng)與遙感結(jié)合應(yīng)用于精準(zhǔn)農(nóng)業(yè)是一個發(fā)展趨勢[16]。另外,在數(shù)據(jù)量相對不足的情況下,可以采用一定的方法簡化貝葉斯網(wǎng)建造的復(fù)雜性,如充分利用領(lǐng)域?qū)＜业南闰炛R,采用“噪音“或和“分離”技術(shù)等[17]。總之,貝葉斯網(wǎng)在精準(zhǔn)農(nóng)業(yè)中必將具有良好的發(fā)展前景。

4.2.3灰色系統(tǒng)理論?；疑到y(tǒng)理論由我國學(xué)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(tǒng),通過對“部分”已知信息的生成、開發(fā)實現(xiàn)對現(xiàn)實世界的確切描述和認識。由于農(nóng)業(yè)系統(tǒng)具有復(fù)雜性,對于農(nóng)業(yè)生產(chǎn)者來說,信息是殘缺不全的,內(nèi)部特征“若明若暗”。因此,農(nóng)業(yè)是一個典型的灰系統(tǒng),農(nóng)業(yè)系統(tǒng)和灰色系統(tǒng)理論具有天然的聯(lián)系。與概率論相比,在某些場合,灰色系統(tǒng)理論在處理農(nóng)業(yè)不確定性信息方面更具有優(yōu)勢和獨到性。這是因為:首先,在農(nóng)業(yè)生產(chǎn)過程中,存在著大量不確定現(xiàn)象,要獲取足夠的數(shù)據(jù),并使其具有典型的概率分布特征是相當(dāng)困難的;其次,概率統(tǒng)計方法要求試驗設(shè)計復(fù)雜,且基本假定過于嚴(yán)格,而實際很難辦到。灰系統(tǒng)理論的主要功能有關(guān)聯(lián)分析、聚類、預(yù)測、評判等。可用于產(chǎn)量影響因素分析、品種評價、病蟲害預(yù)測等。

4.3精準(zhǔn)農(nóng)業(yè)智能決策系統(tǒng)精準(zhǔn)農(nóng)業(yè)決策需求的實現(xiàn),需要智能決策系統(tǒng)的開發(fā),而智能決策系統(tǒng)的開發(fā)依賴于大量數(shù)據(jù)的獲取,三者之間的關(guān)系見圖3。這是一個具有沙漏計時器形狀的技術(shù)體系,在該體系中,智能決策系統(tǒng)處于核心地位(信息處理層),它對下要處理各種多源、異構(gòu)數(shù)據(jù)(信息獲取層),對上要解決各種需求。由于農(nóng)業(yè)生產(chǎn)的復(fù)雜性,數(shù)據(jù)獲取相對困難,大部分知識都是以經(jīng)驗的形式存在于人的頭腦中,因此,早期的智能決策系統(tǒng)主要是知識驅(qū)動的,以農(nóng)業(yè)專家系統(tǒng)的開發(fā)和應(yīng)用為主要標(biāo)志,側(cè)重于軟件的實現(xiàn),這一階段可稱為智能農(nóng)業(yè)階段。隨著3S技術(shù)的發(fā)展,采集和獲取大量屬性或空間數(shù)據(jù)成為可能,因此,后期的智能決策系統(tǒng)主要是數(shù)據(jù)驅(qū)動的,以3S技術(shù)的開發(fā)和應(yīng)用為主要標(biāo)志,側(cè)重于軟硬件的結(jié)合,這一階段可稱為精準(zhǔn)農(nóng)業(yè)階段。當(dāng)前的農(nóng)業(yè)智能決策系統(tǒng)側(cè)重于數(shù)據(jù)驅(qū)動和知識驅(qū)動的集成。在數(shù)據(jù)量豐富的場合主要采用采用數(shù)據(jù)驅(qū)動模型,在知識量豐富的場合主要采用知識驅(qū)動模型。智能決策系統(tǒng)的發(fā)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(tǒng)[18-20];二是分布式,如面向服務(wù)的分布式精準(zhǔn)農(nóng)業(yè)信息平臺[21];三是網(wǎng)絡(luò)化,如基于網(wǎng)絡(luò)的作物品種選擇信息系統(tǒng)[22].

5結(jié)語

筆者在此主要作了如下幾方面的工作:①以農(nóng)業(yè)系統(tǒng)論為指導(dǎo),分析了精準(zhǔn)農(nóng)業(yè)決策需求;②將精準(zhǔn)農(nóng)業(yè)問題的求解分為數(shù)據(jù)、知識和決策3個層次;③指出了時空性和不確定性是精準(zhǔn)農(nóng)業(yè)的本質(zhì)特征;④構(gòu)建了具有沙漏計時器形狀的精準(zhǔn)農(nóng)業(yè)智能決策技術(shù)體系;⑤給出了精準(zhǔn)農(nóng)業(yè)決策需求與智能決策技術(shù)的結(jié)合方法與途徑。以上工作有助于人們清晰地認識精準(zhǔn)農(nóng)業(yè)中各種對象之間的關(guān)系,有利于促進精準(zhǔn)農(nóng)業(yè)決策需求與人工智能方法的結(jié)合?？傊?精準(zhǔn)農(nóng)業(yè)智能決策技術(shù)的目標(biāo)是使計算更準(zhǔn)確、決策更智能。因此,考慮更多的農(nóng)業(yè)因素、尋求更新的智能算法,將是精準(zhǔn)農(nóng)業(yè)智能決策技術(shù)發(fā)展的必然趨勢。