書書書 李穎 陳懷亮 機器學習技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 應(yīng)用氣象學報 機器學習技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 李 穎 陳懷亮 中國氣象局 河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點實驗室 鄭州 河南省氣象科學研究所 鄭州 河南省氣象局 鄭州 摘 要 智慧氣象和精準農(nóng)業(yè)結(jié)合下的現(xiàn)代農(nóng)業(yè)氣象工作意味著對包含遙感影像在內(nèi)的大型農(nóng)業(yè)和氣象數(shù)據(jù)高時效 性的分析與處理 機器學習技術(shù)是當代自然科學研究和技術(shù)發(fā)展的主流技術(shù) 亦是現(xiàn)代農(nóng)業(yè)氣象科研和業(yè)務(wù)發(fā)展 的重要工具 該文系統(tǒng)論述了機器學習技術(shù)的主要方法及其在現(xiàn)代農(nóng)業(yè)氣象中的主要應(yīng)用方向 比較了不同方法 在農(nóng)業(yè)氣象不同領(lǐng)域應(yīng)用的情況 側(cè)重介紹了基于深度學習技術(shù)的成果和近年來的最新研究進展 傳統(tǒng)淺層機器 學習技術(shù)中 以支持向量機和人工神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛且效果最為理想 近年來 隨機森林和梯度提升機等決 策樹集成方法普遍取得優(yōu)于核方法的精度 深度學習技術(shù)則在某些任務(wù)中取得更優(yōu)于集成學習的精度 未來 有 待檢驗機器學習技術(shù)特別是深度學習技術(shù)在更多農(nóng)業(yè)氣象問題上的適用性和先進性 更好地迎接現(xiàn)代農(nóng)業(yè)氣象發(fā) 展的新挑戰(zhàn)與新機遇 關(guān)鍵詞 機器學習 深度學習 農(nóng)業(yè)氣象 農(nóng)業(yè)遙感 引 言 農(nóng)業(yè)在全球經(jīng)濟中發(fā)揮著基礎(chǔ)性且至關(guān)重要的 作用 國家和地區(qū)農(nóng)業(yè)生產(chǎn)力高低直接影響其工業(yè) 化程度與經(jīng)濟水平 落后的農(nóng)業(yè)技術(shù)會帶來饑餓 貧 窮與社會發(fā)展的滯后 到 年 全球?qū)⑿略?億左右人口 加之氣候變化對農(nóng)業(yè)生產(chǎn)的影 響 使得消除饑餓和保障糧食安全成為當今世界 可持續(xù)發(fā)展的重要議題 農(nóng)業(yè)技術(shù)的進步可有力 應(yīng)對該挑戰(zhàn) 精準農(nóng)業(yè)被列為農(nóng)業(yè)領(lǐng)域的十大發(fā) 展之一 其特點是應(yīng)用密集的數(shù)據(jù) 以遙感技 術(shù) 和無線傳感器技術(shù) 為主要手段采集信息并進 行時空處理 提高農(nóng)業(yè)生產(chǎn)效率 作物產(chǎn)量和環(huán)境質(zhì) 量 農(nóng)業(yè)氣象學是研究農(nóng)業(yè)生產(chǎn)與氣象條件之間相 互關(guān)系及其規(guī)律的科學 以促進農(nóng)業(yè)生產(chǎn)為主旨 圍 繞現(xiàn)代氣象與現(xiàn)代農(nóng)業(yè)的智慧化進程也在不斷進行 著自身的科學創(chuàng)新 智慧氣象和精準農(nóng)業(yè)結(jié)合下的 現(xiàn)代農(nóng)業(yè)氣象工作意味著對納入遙感可視化數(shù)據(jù)在 內(nèi)的大型農(nóng)業(yè)和氣象數(shù)據(jù)高時效性的分析與處 理 機器學習 技術(shù)對其發(fā) 展有很大的助力 是圖像處理和大數(shù)據(jù)分析不可或缺的技 術(shù) 廣泛應(yīng)用于醫(yī)學 藥學 經(jīng)濟學 生物學 水文學 農(nóng)業(yè)氣象學等諸多科學領(lǐng)域 深度學習 和淺層學習中的梯度提升機 是當前最受矚目的兩項 技術(shù) 其中 結(jié)構(gòu)中最著名的卷積神經(jīng)網(wǎng)絡(luò) 自 年起已 成為計算機視覺任務(wù)的首選解決方案 現(xiàn)代農(nóng) 業(yè)氣象研究不僅涉及大量氣象數(shù)據(jù) 土壤數(shù)據(jù) 作物 觀測數(shù)據(jù) 也涉及到農(nóng)業(yè)遙感中采集自地面 無人 機 衛(wèi)星的海量影像數(shù)據(jù) 技術(shù)的特點及其在機 器視覺領(lǐng)域的優(yōu)勢使其在現(xiàn)代農(nóng)業(yè)氣象工作中具有 收到 收到再改稿 資助項目 國家自然科學基金項目 氣候變化專項課題 中國氣象局 河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點開放實 驗室開放基金項目 河南省氣象局氣象科學技術(shù)研究重點項目 通信作者 郵箱 第 卷第 期 年 月 應(yīng)用氣象學報 很大的應(yīng)用潛力 本文對 技術(shù)的主要方法及其在現(xiàn)代農(nóng)業(yè) 氣象中尤其是涉及農(nóng)業(yè)遙感的應(yīng)用進行系統(tǒng)性介 紹 由于所涉及的文獻眾多 側(cè)重列舉代表性文獻 對其研究成果進行概要介紹 且重點列舉出 技 術(shù)的應(yīng)用實例 旨在推動 技術(shù)特別是 技術(shù) 在現(xiàn)代農(nóng)業(yè)氣象科研與業(yè)務(wù)中的深入應(yīng)用 技術(shù)概述 技術(shù)蓬勃發(fā)展于 世紀 年代 是人工 智能 中最受歡迎和最成 功的子領(lǐng)域 將 定義為一門不 需要通過外部程序指令而讓計算機具有自我學習能 力的學科 在傳統(tǒng)編程中 人類輸入規(guī)則和需要規(guī) 則處理的數(shù)據(jù) 計算機輸出答案 而在 技術(shù)中 人類輸入數(shù)據(jù)和期望從數(shù)據(jù)中得到的答案 計算機 通過訓練找到數(shù)據(jù)和答案間的統(tǒng)計結(jié)構(gòu) 輸出規(guī)則 并將這些規(guī)則應(yīng)用于該任務(wù)的新數(shù)據(jù)進而生成答 案 技術(shù)與經(jīng)典統(tǒng)計分析的一項重要區(qū)別 是 技術(shù)傾向于處理大型 復(fù)雜的數(shù)據(jù)集 以及 沒有已知算法可解決的問題 將 技術(shù)用于大 數(shù)據(jù)挖掘可以適應(yīng)新的數(shù)據(jù) 發(fā)現(xiàn)數(shù)據(jù)中隱含的模 式 減少人工分析工作量 更好地處理解并解決傳統(tǒng) 方法難以應(yīng)對的復(fù)雜問題 技術(shù)是一個日益龐大的家族 其包含的眾 多算法與模型可根據(jù)不同標準進行歸類 其中一種 廣泛使用的分類方法是根據(jù)訓練過程中得到的監(jiān)督 的數(shù)量和類型 將其分為監(jiān)督學習 非監(jiān)督學習 半 監(jiān)督學習和強化學習 在監(jiān)督學習中 需要人工 為訓練數(shù)據(jù)加標簽 即明確的屬性標識 其代表性 方法包括線性回歸 邏輯回歸 樸素貝葉斯 高 斯判別 支持 向量機 神經(jīng)網(wǎng)絡(luò) 最鄰近法 決策樹 隨 機森林 和梯度提升機等 在非 監(jiān)督學習中 訓練數(shù)據(jù)則不加標簽 其主要方法包括 以期望最大化算法 分 層聚類分析 均值法 為代表的聚類方法 以主成分分 析 和局部線性 嵌入算法 為代表的 降維算法 以及 等關(guān)聯(lián) 規(guī)則學習算法 在半監(jiān)督學習中 僅需為少量訓練數(shù) 據(jù)加標簽 或為訓練數(shù)據(jù)加不確定性標簽 其重要方 法包括拉普拉斯支持向量機 協(xié)同 過濾算法 以及貝葉斯網(wǎng)絡(luò) 馬爾科夫隨機場 等概率圖模型 在強化學習中 不需要預(yù) 先給定訓練數(shù)據(jù) 而是通過接收環(huán)境對動作的反饋 獲得學習信息 代表性算法包括策略梯度 學習 深度 網(wǎng)絡(luò) 算法等 技術(shù)是 技術(shù)的一個子領(lǐng)域 代表著一 類思想 即以多層結(jié)構(gòu)從數(shù)據(jù)中學習表示 其結(jié)構(gòu)通常包含數(shù)十個乃至上百個連續(xù) 的表示層 技術(shù)起源于神經(jīng)網(wǎng)絡(luò) 在神經(jīng)網(wǎng)絡(luò) 基礎(chǔ)上增加了層級 可自動提取復(fù)雜特征 近年來 技術(shù)以其更高精度和更優(yōu)性能 在諸多應(yīng)用領(lǐng) 域已經(jīng)取代了以往支持向量機和集成學習的領(lǐng)先地 位 技術(shù)較經(jīng)典 技術(shù)的優(yōu)勢主要體現(xiàn)在 以下幾方面 技術(shù)完全自動化了淺層 技 術(shù)的關(guān)鍵步驟 特征工程 對使用者更為簡單 友 好 技術(shù)具有深層非線性網(wǎng)絡(luò)結(jié)構(gòu) 采用遞增 的 逐層的方式開發(fā)愈加復(fù)雜的特征 具有更強的學 習能力 有助于解決淺層 技術(shù)難以解決的復(fù)雜 問題 并可進行遷移學習 技術(shù)可以一次性學 習所有特征 并持續(xù)在線學習 具有實時運算能 力 的基本模型包括卷積神經(jīng)網(wǎng)絡(luò) 深度 信念網(wǎng)絡(luò) 循環(huán)神經(jīng)網(wǎng) 絡(luò) 深度自動編碼 器 遞歸神經(jīng)網(wǎng)絡(luò) 等 技術(shù)在農(nóng)業(yè)氣象工作中的應(yīng)用 制圖與區(qū)劃 土地覆蓋與作物類型圖是農(nóng)業(yè)氣象工作的重要 基礎(chǔ)數(shù)據(jù)之一 過去的十幾年中 隨著遙感數(shù)據(jù)時 空分辨率不斷提高 以及大量豐富的免費數(shù)據(jù)源向 公眾開放 將遙感影像用于土地覆蓋與作物類型分 類制圖方面的研究呈指數(shù)增長 技術(shù)中多種經(jīng) 典算法 模型已成功應(yīng)用于該類任務(wù) 根據(jù) 等 的統(tǒng)計 最大似然分類法使用頻率最高 相關(guān) 應(yīng) 用 氣 象 學 報 第 卷 文獻中應(yīng)用比例達 最大似然分類法和 最鄰近法 均值法等也是文獻中平均精度較低的 方法 分類精度較高的方法則是集成分類器 人工神 經(jīng)網(wǎng)絡(luò)和支持向量機 等 進一步統(tǒng)計 分析了既往研究 指出傳統(tǒng)監(jiān)督分類方法中支持向 量機平均精度最高 緊隨其后的是人工神經(jīng)網(wǎng)絡(luò) 且 當影像空間分辨率和光譜分辨率提高時 支持向量 機表現(xiàn)出較人工神經(jīng)網(wǎng)絡(luò)更大的優(yōu)勢 此外 技術(shù)在作物管理區(qū)的劃分方面已有成功應(yīng)用的例 子 等 利用 均值法和自組織映射結(jié)合 遙感數(shù)據(jù) 土壤參數(shù)和產(chǎn)量數(shù)據(jù)進行了作物管理分 區(qū) 進一步看 農(nóng)業(yè)氣候區(qū)劃 如農(nóng)作物品質(zhì)氣候區(qū) 劃 農(nóng)業(yè)氣象災(zāi)害風險區(qū)劃 農(nóng)業(yè)保險風險區(qū) 劃 等是農(nóng)業(yè)氣象工作的重要任務(wù) 有待有針對 性地將 技術(shù)應(yīng)用于區(qū)劃工作 近年來 最受歡迎和最具效率的多源多時相遙 感影像土地覆蓋與作物制圖方法是集成學習和 技術(shù) 針對復(fù)雜地區(qū)的分類問題 集成學習的經(jīng) 典算法隨機森林的分類精度明顯優(yōu)于傳統(tǒng)的決策 樹 結(jié)構(gòu)中的卷積神經(jīng)網(wǎng)絡(luò) 深度自動編碼 器 深度信念網(wǎng)絡(luò) 循環(huán)神經(jīng)網(wǎng)絡(luò)等均被用于探索該 類任務(wù) 等 利用兩種循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)結(jié)合星載合成孔徑雷達 影像制作了冬季植被質(zhì)量分類圖 制圖精度優(yōu) 于支持向量機和隨機森林 等 研究表明 技術(shù)用于土地覆蓋分類的精度高于支持向量機等淺 層學習模型 且 技術(shù)無需人工設(shè)計分類特征 并 可在分類中使用遷移學習 等 將卷積神經(jīng) 網(wǎng)絡(luò)用于作物制圖的精度與隨機森林和一種集成的 多層感知器 方法對 比 結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)精度最高 檢測與觀測 雜草檢測是地基農(nóng)業(yè)遙感的一項重要任務(wù) 有 研究認為雜草是對農(nóng)作物生產(chǎn)最大的威脅 技 術(shù)和田間傳感器結(jié)合可以精確檢測田間雜草 進而 應(yīng)用于農(nóng)業(yè)工具和農(nóng)業(yè)機器人的除草作業(yè) 最大程 度減少除草劑的使用 等 使用電荷耦合 元件 相機和人工神經(jīng) 網(wǎng)絡(luò)組成的機器視覺系統(tǒng)識別了雜草與蘿卜 等 將支持向量機用于玉米田雜草和氮素脅 迫檢測 取得比人工神經(jīng)網(wǎng)絡(luò)更高的精度 等 的對比研究表明 在經(jīng)典 技術(shù)中 支持向 量機取得最優(yōu)的雜草檢測效果 近年來的研究表 明 技術(shù)可有效從圖像中自動提取特征 在目標 識別中取得優(yōu)于支持向量機的精度 王璨 等 應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)準確識別了幼苗期玉米與 雜草 等 應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)田影 像中識別了 種雜草與作物物種 并在后續(xù)研究中 將全卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于存在嚴重葉片遮擋的情況 下 從谷物田中成功識別單株雜草 除雜草檢 測 張雪芬等 利用支持向量機結(jié)合 影像實 現(xiàn)了作物發(fā)育期的圖像自動識別 余衛(wèi)東等 在對 中國農(nóng)業(yè)氣象自動化觀測的展望中提及計算機視覺 技術(shù)的應(yīng)用 技術(shù)在今后的農(nóng)業(yè)氣象自動化觀 測中有待發(fā)揮更重要的作用 技術(shù)可以從高維海量數(shù)據(jù)中強有力提取復(fù) 雜的結(jié)構(gòu)信息 近年來在植株表型觀測 病蟲害 檢測 農(nóng)田障礙檢測 果實檢測等任務(wù)中得到成功應(yīng) 用 可極大提升農(nóng)業(yè)氣象自動化觀測水平 等 對比了 技術(shù)和經(jīng)典 技術(shù) 在農(nóng)田障礙和異常檢測中的應(yīng)用效果 結(jié)果顯示 技術(shù)具有最高精度和最快運算速度 等 利用卷積神經(jīng)網(wǎng)絡(luò)自動提取圖像特征 識別農(nóng) 業(yè)植被的物候期 精度優(yōu)于基于手工設(shè)計特征的經(jīng) 典 技術(shù) 等 應(yīng)用更快速的區(qū)域卷積神經(jīng) 網(wǎng)絡(luò)和區(qū)域生長法從 點云中分割單株玉 米 可準確測量植株高度 等 開發(fā)了可 用于葉片計數(shù)等植物表型任務(wù)的 平臺 等 開發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割軟件用 于水稻穗部分割 可實現(xiàn)水稻表型自動化測量 段凌 鳳等 和張領(lǐng)先等 開展了類似研究 等 使用 相機和卷積神經(jīng)網(wǎng)絡(luò)組成的機器視 覺系統(tǒng)自動計算莖稈數(shù)并測量莖寬 黃雙萍等 利用卷積神經(jīng)網(wǎng)絡(luò)和穗株高光譜圖像提取不同尺度 穗瘟病斑分布式特征 實現(xiàn)水稻穗瘟病害的精準檢 測 等 通過遷移學習和重新訓練兩種 方式訓練卷積神經(jīng)網(wǎng)絡(luò) 有效識別 種作物物種和 種作物病害 孫俊等 開展了類似工作 等 提出一種 結(jié)構(gòu)用于果實計數(shù) 即使水果處于陰影下 或被樹葉 樹枝遮擋 或水果 之間存在一定程度的重疊 也能有效計數(shù) 薛月菊 等 利用 技術(shù)中的 網(wǎng)絡(luò)檢測未成熟 芒果 表明該方法在復(fù)雜場景下的檢測精度優(yōu)于更 快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 產(chǎn)量預(yù)測 在健康的生態(tài)系統(tǒng)下以最低成本取得最大作物 第 期 李 穎等 機器學習技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 產(chǎn)量是農(nóng)業(yè)生產(chǎn)最重要的目標之一 作物產(chǎn)量 預(yù)測是農(nóng)業(yè)氣象工作中的一項重要任務(wù) 關(guān)系到糧 食安全 種植結(jié)構(gòu)調(diào)整 作物管理 農(nóng)業(yè)保險等 提高 預(yù)測的準確性有助于增加作物產(chǎn)量和商業(yè)利潤 經(jīng) 典統(tǒng)計方法難以準確預(yù)測作物產(chǎn)量的非線性時空變 化 當前更有效的產(chǎn)量預(yù)測方法包括作物生長模擬 和 技術(shù) 作物生長模型將作物生長階段的 動態(tài)機制以數(shù)學模型抽象表達 建模過程耗時且 昂貴 其運行所需參數(shù)集在發(fā)展中國家尤難獲取 另一方面的研究中 經(jīng)典 技術(shù)與遙感數(shù)據(jù) 氣 象數(shù)據(jù) 土壤數(shù)據(jù)等結(jié)合實現(xiàn)了不同尺度下不同作 物產(chǎn)量的準確預(yù)測 并有學者對比不同方法的 預(yù)測能力 等 研究表明 在馬鈴薯產(chǎn)量預(yù) 測中 多層感知器預(yù)測效果優(yōu)于多元線性回歸 對比了多層感知器 回歸樹 徑向基核函數(shù)網(wǎng) 絡(luò)和支持向量回歸用于冬小麥產(chǎn)量預(yù)測的精度 表 明支持向量回歸預(yù)測結(jié)果最準確 等 對比了多元線性回歸 回歸樹 人工神經(jīng) 網(wǎng)絡(luò) 最鄰近法和支持向量回歸對大規(guī)模種植的 多種作物產(chǎn)量的預(yù)測能力 結(jié)果顯示 回 歸樹表現(xiàn)最優(yōu) 作者同時指出變量和屬性的選取直 接影響不同算法 模型的預(yù)測精度 這是其研究與前 人研究結(jié)論存在差異的主要原因 與產(chǎn)量預(yù)測緊密 相關(guān)的農(nóng)業(yè)氣象災(zāi)害風險評估是農(nóng)業(yè)氣象學領(lǐng)域中 研究的熱點 較之傳統(tǒng)技術(shù)手段 技術(shù)對此 有很大的應(yīng)用潛力 目前已有研究將 技術(shù)用于 農(nóng)業(yè)氣象災(zāi)害遙感監(jiān)測與產(chǎn)量影響評估 如 等 利用隨機森林等 技術(shù)與多源遙感數(shù)據(jù)結(jié) 合 對農(nóng)業(yè)干旱進行監(jiān)測評估 近幾年 將 技術(shù)應(yīng)用于作物產(chǎn)量預(yù)測的研 究陸續(xù)出現(xiàn) 等 對比使用 技術(shù)和 支持向量回歸預(yù)測玉米產(chǎn)量 顯示 技術(shù)預(yù)測精 度更高 等 將支持向量機 隨機森林 極限 隨機樹和 技術(shù)用于玉米產(chǎn)量預(yù)測 顯示 技 術(shù)精度最高 且可克服一般 技術(shù)應(yīng)用中的過擬 合問題 更穩(wěn)定 等 利用公眾可獲得的遙感 數(shù)據(jù)預(yù)測大豆產(chǎn)量 使用了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神 經(jīng)網(wǎng)絡(luò)中的長短期記憶 網(wǎng)絡(luò)與 種對比方法 顯示卷積神經(jīng)網(wǎng)絡(luò)和 長短期記憶網(wǎng)絡(luò)可自動學習原始數(shù)據(jù)中的有效特征 并取得最高的預(yù)測精度 等 將深度遷移學 習和回歸模型分別與遙感數(shù)據(jù)結(jié)合用于作物產(chǎn)量預(yù) 測 表明使用遷移學習的長短期記憶網(wǎng)絡(luò)預(yù)測精度 最高 參數(shù)估算 農(nóng)業(yè)氣象研究相關(guān)的水文 土壤 作物參數(shù)通過 站點觀測無法取得其連續(xù)準確的空間分布情況 且 某些參數(shù)測量難度大 費用昂貴 技術(shù)與氣象 數(shù)據(jù) 遙感數(shù)據(jù)等相結(jié)合 可簡單 高效地實現(xiàn)參數(shù) 估算 且使對其時空連續(xù)性監(jiān)測與預(yù)報成為可能 農(nóng)業(yè)氣象工作關(guān)注的熱點參數(shù)包括蒸散 土壤濕度 土壤溫度 氮素含量 葉面積指數(shù) 生物量等 準確估算蒸散對農(nóng)業(yè)灌溉水資源時空優(yōu)化配置 至關(guān)重要 同時該參數(shù)測量難度較大 等 利用支持向量機結(jié)合通量觀測數(shù)據(jù)與 遙感 數(shù)據(jù)實現(xiàn)了大尺度蒸散的時空變化預(yù)測 等 使用一種模型樹集成的 技術(shù)集成站點觀 測蒸散與遙感數(shù)據(jù)和氣象數(shù)據(jù) 估算全球尺度的多 年蒸散 等 將 技術(shù)與氣象數(shù)據(jù)結(jié)合估 算參考蒸散 表明單層前饋神經(jīng)網(wǎng)絡(luò)中的極限學習 機 和最小二乘支持 向量機估算精度高于經(jīng)驗?zāi)Ｐ?等 利 用支持向量機 基因表達式編程 多元自適應(yīng)回歸樣 條與氣象觀測資料結(jié)合估算干旱與半干旱地區(qū)的月 平均參考蒸散 顯示支持向量機和多元自適應(yīng)回歸 樣條效果最好 土壤溫濕度和養(yǎng)分含量直接影響作物生長發(fā)育 和產(chǎn)量形成 其信息獲取對農(nóng)業(yè)生產(chǎn)中科學高效的 水肥管理具有重要意義 等 利用多層 感知器和 數(shù)據(jù)結(jié)合估算了農(nóng)業(yè)區(qū)的土壤表面 粗糙度和土壤濕度 等 對比了支持向 量機 關(guān)聯(lián)向量機 人工神經(jīng)網(wǎng)絡(luò)和廣義線性模型在 土壤濕度降尺度中的應(yīng)用效果 顯示基于人工神經(jīng) 網(wǎng)絡(luò)的降尺度方法提高遙感反演土壤濕度空間分辨 率效果最好 等 利用極限學習機與氣象 數(shù)據(jù)結(jié)合估算了不同深度的日平均土壤溫度 效果 理想 等 利用偏最小二乘回歸 主成分 回歸 以及兩種 技術(shù) 最小二乘支持向量機和 算法 與地面光譜數(shù)據(jù)結(jié)合估算土壤全氮 有 機碳和含水量 結(jié)果顯示 最小二乘支持向量機對含 水量和有機碳估算效果最好 而 算法對全氮 估算效果最好 葉面積指數(shù)和生物量是反映植被生長狀況的重 要參數(shù) 與植被生產(chǎn)力和作物產(chǎn)量密切相關(guān) 等 的綜述顯示 人工神經(jīng)網(wǎng)絡(luò) 支持向量回歸和 隨機森林回歸是生物量和葉面積指數(shù)遙感反演中使 應(yīng) 用 氣 象 學 報 第 卷 用頻率較高的算法 等 利用人工神經(jīng)網(wǎng) 絡(luò)實現(xiàn)菠菜不同生育期葉面積指數(shù)和生物量等參數(shù) 的反演 等 利用人工神經(jīng)網(wǎng)絡(luò)與地面散射計 數(shù)據(jù)和 影像結(jié)合反演水稻生物量 取得理想精度 等 將隨機森林回歸和支持 向量回歸 人工神經(jīng)網(wǎng)絡(luò)兩種對比方法用于小麥多 個生育期生物量的遙感反演 結(jié)果顯示 隨機森林回 歸估算精度最高 且其穩(wěn)健性與支持向量回歸相當 優(yōu)于人工神經(jīng)網(wǎng)絡(luò) 等 對比了人工神經(jīng)網(wǎng) 絡(luò) 支持向量回歸 隨機森林回歸 高斯過程回歸和 梯度升壓回歸樹 等 技術(shù)在棉花葉面積指數(shù)遙感反演中 的應(yīng)用效果 表明梯度升壓回歸樹估算精度最高且 穩(wěn)健性最好 支持向量回歸則計算效率最高 技術(shù)與遙感數(shù)據(jù)結(jié)合 還可反演作物的其他生物物 理和生物化學參數(shù) 并可監(jiān)測作物生長過程的相關(guān) 活動 等 利用一種神經(jīng)網(wǎng)絡(luò)模型與微波亮 溫數(shù)據(jù)結(jié)合 反演了小麥植株含水量 等 分別利用支持向量回歸和逐步多元回歸與高光譜反 射率結(jié)合反演水稻葉面積指數(shù)和葉綠素含量 表明 支持向量回歸在水稻生理生化參數(shù)估算方面優(yōu)于逐 步多元回歸 等 利用隨機森林 回歸和逐步多元回歸分別與 高光譜數(shù)據(jù) 結(jié)合估算甘蔗葉片氮素含量 表明隨機森林回歸估 算精度高于逐步多元回歸 等 利用高斯過程與光譜數(shù)據(jù)結(jié)合成功估算了葉 片含水量 葉綠素含量 氮素含量和比葉面積等生化 與結(jié)構(gòu)參數(shù) 等 分別利用偏最小 二乘回歸 支持向量回歸和極限學習機回歸與多源 遙感數(shù)據(jù)結(jié)合反演大豆的生理參數(shù) 葉面積指數(shù)和 生物量 與生化參數(shù) 氮素含量和葉綠素含量 顯示 極限學習機回歸效果最理想 近些年 將 用于上述參數(shù)估算的研究陸續(xù) 見諸報道 等 提出一種聯(lián)合深度信念網(wǎng)絡(luò) 與宏觀細胞自動機 的 模型 結(jié)合環(huán)境變量預(yù)測土壤 濕度 顯示其預(yù)測精度高于經(jīng)典 技術(shù) 為預(yù)測 高度非線性特點的土壤濕度提供了一個強有力的工 具 王璨等 利用卷積神經(jīng)網(wǎng)絡(luò)和近紅外光譜預(yù) 測土壤含水率 結(jié)果顯示 卷積神經(jīng)網(wǎng)絡(luò)預(yù)測精度優(yōu) 于人工神經(jīng)網(wǎng)絡(luò) 偏最小二乘回歸和最小二乘支持 向量機等對比方法 等 利用田間數(shù)字影像 和卷積神經(jīng)網(wǎng)絡(luò)估算冬小麥早期生育階段的地上生 物量 結(jié)果顯示該方法具有良好的穩(wěn)健性 馬浚誠 等 利用可見光圖像和卷積神經(jīng)網(wǎng)絡(luò)估算冬小麥 冠層葉面積指數(shù)和地上生物量 表明卷積神經(jīng)網(wǎng)絡(luò) 估算精度優(yōu)于支持向量機和隨機森林兩種對比方 法 此外 技術(shù)還被用于農(nóng)業(yè)氣象條件預(yù)測 畜 牧業(yè)等相關(guān)研究 如 等 在作物規(guī)劃中利 用長短期記憶網(wǎng)絡(luò)預(yù)測天氣和土壤屬性 小 結(jié) 本文系統(tǒng)概述了 技術(shù)的主要方法及其在 現(xiàn)代農(nóng)業(yè)氣象中的主要應(yīng)用方向 有針對性且全面 涵蓋了現(xiàn)代農(nóng)業(yè)氣象中特別是涉及農(nóng)業(yè)遙感的 技術(shù)的研究及應(yīng)用情況 并納入近年來最新的研究 進展 本文將 技術(shù)在農(nóng)業(yè)氣象工作中的主要應(yīng) 用歸納為 個方面 制圖與區(qū)劃 檢測與觀測 產(chǎn)量 預(yù)測和參數(shù)估算 在制圖與區(qū)劃方面 技術(shù)與 遙感影像結(jié)合實現(xiàn)了不同尺度的土地覆蓋與作物類 型制圖 亦已結(jié)合遙感數(shù)據(jù) 土壤數(shù)據(jù) 統(tǒng)計數(shù)據(jù)用 于作物長勢 植被質(zhì)量等專題圖的制作與作物管理 區(qū)劃分 在檢測與觀測方面 技術(shù)成功用于田間 影像中的雜草檢測 技術(shù)在植株表型觀測 病蟲 害檢測 農(nóng)田障礙檢測 果實檢測等方面 取得了理 想精度 可極大提升農(nóng)業(yè)氣象自動化觀測水平 在產(chǎn) 量預(yù)測方面 技術(shù)與遙感時間序列數(shù)據(jù) 氣象數(shù) 據(jù) 土壤數(shù)據(jù)結(jié)合在不同尺度成功預(yù)測了不同作物 的產(chǎn)量 與之相關(guān) 技術(shù)在農(nóng)業(yè)氣象災(zāi)害評估中 也有很大的應(yīng)用潛力 在參數(shù)估算方面 農(nóng)業(yè)氣象研 究關(guān)注的以蒸散 葉面積指數(shù) 土壤濕度 氮素含量 等為代表的水文 土壤 作物參數(shù)均可利用 技 術(shù)與氣象數(shù)據(jù) 遙感數(shù)據(jù)等的結(jié)合實現(xiàn)精確反演或 預(yù)測 綜合看 傳統(tǒng)淺層 技術(shù)中以支持向量機和 人工神經(jīng)網(wǎng)絡(luò)在本文涉及的諸多任務(wù)中應(yīng)用最為廣 泛且效果最為理想 近年來的方法對比類研究中 隨機森林和梯度提升機等集成學習方法普遍取得優(yōu) 于支持向量機和人工神經(jīng)網(wǎng)絡(luò)的精度 技術(shù)則 在某些任務(wù)中取得更優(yōu)于集成學習的精度 且可解 決淺層 技術(shù)較難解決的一些問題 如在農(nóng)業(yè)氣 象觀測中可精準實現(xiàn)植株表型的自動化觀測 從應(yīng) 用時間上看 人工神經(jīng)網(wǎng)絡(luò)和支持向量機等淺層 技術(shù)自 世紀 年代開始在農(nóng)業(yè)氣象和農(nóng)業(yè) 第 期 李 穎等 機器學習技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 遙感中應(yīng)用并逐漸繁榮 其中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 略早于支持向量機 而以支持向量機為代表的核方 法則較人工神經(jīng)網(wǎng)絡(luò)更具優(yōu)勢 決策樹自 世紀開 始受到學界的關(guān)注 年后隨機森林和梯度提升 機等決策樹集成方法在很多方面被認為是較核方法 更好的選擇 技術(shù)自 年前后重回主流學界 的視野 伴隨卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的成 功 自 年后被廣泛認為在諸多應(yīng)用中的表現(xiàn)超 越了支持向量機和集成學習 盡管將 技術(shù) 應(yīng)用于農(nóng)業(yè)問題的先驅(qū)探索始于 年 但大 部分研究成果發(fā)表于 年以后 且有逐年增 多的趨勢 國內(nèi)相關(guān)研究相對滯后 多數(shù)發(fā)表于 年以后 且涉及到的現(xiàn)代農(nóng)業(yè)氣象中的問題尚 十分有限 目前有待驗證 技術(shù)特別是 技術(shù)在更多 農(nóng)業(yè)氣象問題上的適用性和先進性 如農(nóng)業(yè)氣象災(zāi) 害遙感監(jiān)測與損失評估 農(nóng)業(yè)氣象災(zāi)害風險評估與 區(qū)劃 農(nóng)業(yè)氣候區(qū)劃 氣候變化對作物生長的影響評 估等任務(wù) 同時 伴隨 技術(shù)的發(fā)展 特別是類似 長短期記憶網(wǎng)絡(luò)的 時間維算法和新結(jié)構(gòu)的發(fā) 展 有望更好地結(jié)合以風云系列氣象衛(wèi)星數(shù)據(jù)為代 表的遙感時間序列數(shù)據(jù) 在制圖 估產(chǎn) 預(yù)測等諸多 已開展研究的任務(wù)中取得更高的精度和準確性 特 別地 將 技術(shù)與智能手機等移動終端結(jié)合 可 為農(nóng)業(yè)管理者和生產(chǎn)者提供功能強大且智慧化的農(nóng) 業(yè)氣象信息服務(wù) 將 技術(shù)與地基觀測 無人機遙 感等結(jié)合 開發(fā)相關(guān)業(yè)務(wù)系統(tǒng) 可以顯著提升農(nóng)業(yè)氣 象自動化觀測水平 同時 需要認識到 技術(shù)中 沒有一種方法可以取代其他所有方法 在現(xiàn)代農(nóng)業(yè) 氣象工作中需要根據(jù)具體任務(wù)和數(shù)據(jù)情況選擇最適 用的 技術(shù) 如梯度提升機在當今被普遍認為是 處理非感知數(shù)據(jù)的最好算法之一 而當訓練數(shù)據(jù)有 限時 淺層 技術(shù)往往比 技術(shù)更適用 未來 技術(shù)的各種算法和模型必將進一步 發(fā)展 程序庫和普適性的訓練數(shù)據(jù)集也將更加豐富 繼承并突破現(xiàn)代 技術(shù)核心思想的新方法也終將 出現(xiàn) 需要熟悉 技術(shù)在現(xiàn)代農(nóng)業(yè)氣象所涉及 的各類問題上的適用情況 并及時追蹤掌握科技前 沿技術(shù) 使農(nóng)業(yè)氣象科研與業(yè)務(wù)工作可以最大程度 地受益于每一次信息技術(shù)的革命性突破 以 技 術(shù)特別是 技術(shù)帶動農(nóng)業(yè)氣象服務(wù)模式的創(chuàng)新 更好地迎接現(xiàn)代農(nóng)業(yè)氣象發(fā)展的新挑戰(zhàn)與新機遇 參考文獻 犃犿犲狉犻犮犪狀犈犮狅狀狅犿犻犮犚犲狏犻犲狑 犖犪狋狌狉犲 犆狉狅狆犛犮犻犲狀犮犲 犅犻 狅狊狔狊狋犲犿狊犈狀犵犻狀犲犲狉犻狀犵 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犆狅犿狆狌狋犲狉狊 犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 韓豐 龍明盛 李月安 等 循環(huán)神經(jīng)網(wǎng)絡(luò)在雷達臨近預(yù)報中的 應(yīng)用 應(yīng)用氣象學報 陸虹 翟盤茂 覃衛(wèi)堅 等 低溫雨雪過程的粒子群 神經(jīng)網(wǎng)絡(luò) 預(yù)報模型 應(yīng)用氣象學報 犈狓狆犲狉狋犛狔狊狋犲犿狊狑犻狋犺犃狆狆犾犻犮犪 狋犻狅狀狊 王在文 鄭祚芳 陳敏 等 支持向量機非線性回歸方法的氣象 要素預(yù)報 應(yīng)用氣象學報 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 應(yīng) 用 氣 象 學 報 第 卷 犖犪狋狌狉犲 犖犲狌狉犪犾犖犲狋狑狅狉犽狊 犚犲犿狅狋犲犛犲狀狊犈狀狏犻狉狅狀 李穎 李耀輝 王金鑫 等 和 在多光譜遙感影像 分類中的比較研究 海洋測繪 戴建國 張國順 郭鵬 等 基于無人機遙感可見光影像的北疆 主要農(nóng)作物分類方法 農(nóng)業(yè)工程學報 犐狀狋犑犚犲 犿狅狋犲犛犲狀狊 犚犲犿狅狋犲犛犲狀狊犈狀狏犻狉狅狀 任義方 趙艷霞 王春乙 河南省冬小麥干旱保險風險評估與 區(qū)劃 應(yīng)用氣象學報 張蕾 霍治國 黃大鵬 等 月海南省瓜菜苗期濕澇風 險評估與區(qū)劃 應(yīng)用氣象學報 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋狋犲狉狊 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱 犚犲犿狅狋犲犛犲狀狊犻狀犵 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊 犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵 犐犈犈犈犌犲狅狊犮犻犲狀犮犲 犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋狋犲狉狊 犐犈犈犈犑狅狌狉狀犪犾狅犳 犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲 犛犲狀狊犻狀犵 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋狋犲狉狊 犐犈犈犈犜狉犪狀狊犌犲狅狊犮犻犚犲犿狅狋犲犛犲狀狊 犛犲狀狊狅狉狊 犅犻狅狊狔狊狋犲犿狊犈狀犵犻狀犲犲狉犻狀犵 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犆狅犿狆狌狋 犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 王璨 武新慧 李志偉 基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特 征識別玉米雜草 農(nóng)業(yè)工程學報 犅犻狅狊狔狊狋犲犿狊 犈狀犵犻狀犲犲狉犻狀犵 第 期 李 穎等 機器學習技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 犃犱狏犪狀犮犲狊犻狀犃狀犻犿犪犾犅犻 狅狊犮犻犲狀犮犲狊 張雪芬 薛紅喜 孫涵 等 自動農(nóng)業(yè)氣象觀測系統(tǒng)功能與設(shè) 計 應(yīng)用氣象學報 余衛(wèi)東 楊光仙 張志紅 我國農(nóng)業(yè)氣象自動化觀測現(xiàn)狀與展 望 氣象與環(huán)境科學 犑狅狌狉狀犪犾狅犳犐犿犪犵犻狀犵 犌犻犵犪狊犮犻犲狀犮犲 犛犲狀狊狅狉狊 犉狉狅狀狋犻犲狉狊犻狀犘犾犪狀狋犛犮犻犲狀犮犲 犉狉狅狀狋犻犲狉狊 犻狀犘犾犪狀狋犛犮犻犲狀犮犲 犘犾犪狀狋犕犲狋犺狅犱狊 段凌鳳 熊雄 劉謙 等 基于深度全卷積神經(jīng)網(wǎng)絡(luò)的大田稻穗 分割 農(nóng)業(yè)工程學報 張領(lǐng)先 陳運強 李云霞 等 基于卷積神經(jīng)網(wǎng)絡(luò)的冬小麥麥穗 檢測計數(shù)系統(tǒng) 農(nóng)業(yè)機械學報 黃雙萍 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法 農(nóng)業(yè) 工程學報 犉狉狅狀狋犻犲狉狊犻狀犘犾犪狀狋犛犮犻 犲狀犮犲 孫俊 譚文軍 毛罕平 等 基于改進卷積神經(jīng)網(wǎng)絡(luò)的多種植物 葉片病害識別 農(nóng)業(yè)工程學報 犛犲狀狊狅狉狊 薛月菊 黃寧 涂淑琴 等 未成熟芒果的改進 識別 方法 農(nóng)業(yè)工程學報 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮 狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犛狆犪狀犻狊犺犑狅狌狉狀犪犾狅犳犃犵狉犻犮狌犾狋狌狉犪犾犚犲狊犲犪狉犮犺 犜狉犪狀狊犪犮狋犻狅狀狊狅犳狋犺犲犃犛犃犅犈 犘狉犲犮犻狊犻狅狀犃犵狉犻犮狌犾狋狌狉犲 郭建平 農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)測技術(shù)研究進展 應(yīng)用氣象學 報 王春乙 張繼權(quán) 霍治國 等 農(nóng)業(yè)氣象災(zāi)害風險評估研究進展 與展望 氣象學報 陳懷亮 鄧偉 張雪芬 等 河南小麥生產(chǎn)農(nóng)業(yè)氣象災(zāi)害風險分 析及區(qū)劃 自然災(zāi)害學報 侯英雨 張蕾 吳門新 等 國家級現(xiàn)代農(nóng)業(yè)氣象業(yè)務(wù)技術(shù)進 展 應(yīng)用氣象學報 王馥棠 中國氣象科學研究院農(nóng)業(yè)氣象研究 年進展 應(yīng)用 氣象學報 犃犵狉犻犮犉狅狉 犕犲狋犲狅狉狅犾 應(yīng) 用 氣 象 學 報 第 卷 犓狅狉犲犪狀犛狅犮犛狌狉狏 犌犲狅犱犲狊狔 犘犺狅狋狅犵狉犪犿犿犆犪狉狋狅犵狉 犐犈犈犈犜狉犪狀狊 犌犲狅狊犮犻犚犲犿狅狋犲犛犲狀狊 犖犪狋狌狉犲 犆狅犿 狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀 犃犵狉犻犮狌犾狋狌狉犲 犎狔犱狉狅犾狅犵狔犪狀犱犈犪狉狋犺犛狔狊狋犲犿犛犮犻 犲狀犮犲狊 犠犪狋犲狉犚犲狊狅狌狉犮犲狊犕犪狀犪犵犲犿犲狀狋 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮 狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犅犻狅狊狔狊狋犲犿狊犈狀犵犻狀犲犲狉犻狀犵 犚犲犿狅狋犲犛犲狀狊犻狀犵 犃犱狏犪狀犮犲狊犻狀犛狆犪犮犲犚犲狊犲犪狉犮犺 犑狅狌狉狀犪犾狅犳犃狆狆犾犻犲犱 犚犲犿狅狋犲犛犲狀狊犻狀犵 犜犺犲犆狉狅狆犑狅狌狉狀犪犾 犃狆狆犾犻犲犱犛犮犻犲狀犮犲狊 犐犈犈犈犜狉犪狀狊犌犲狅狊犮犻犚犲犿狅狋犲犛犲狀狊 犛犮犻犲狀犮犲犆犺犻狀犪犔犻犳犲犛犮犻犲狀犮犲狊 犐狀狋犑犚犲犿狅狋犲犛犲狀狊 犑狅狌狉狀犪犾狅犳犘犺狅狋狅 犮犺犲犿犻狊狋狉狔犪狀犱犘犺狅狋狅犫犻狅犾狅犵狔犅 犅犻狅犾狅犵狔 犐犛犘犚犛犑狅狌狉狀犪犾狅犳 犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵 犑狅狌狉狀犪犾狅犳犃狉犻犱犔犪狀犱 王璨 武新慧 李戀卿 等 卷積神經(jīng)網(wǎng)絡(luò)用于近紅外光譜預(yù) 測土壤含水率 光譜學與光譜分析 犈狌狉狅狆犲犪狀犑狅狌狉狀犪犾 狅犳犃犵狉狅狀狅犿狔 馬浚誠 劉紅杰 鄭飛翔 等 基于可見光圖像和卷積神經(jīng)網(wǎng) 絡(luò)的冬小麥苗期長勢參數(shù)估算 農(nóng)業(yè)工程學報 犐犉犃犆犘狉狅犮犲犲犱犻狀犵狊犞狅犾狌犿犲狊 第 期 李 穎等 機器學習技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 犚犲狏犻犲狑狅犳犕犪犮犺犻狀犲犔犲犪狉狀犻狀 犵 犃 狆狆 狉狅犪犮犺犲狊犳狅狉犕狅犱犲狉狀犃 犵 狉狅犿犲狋犲狅狉狅犾狅 犵狔 犆犕犃 犎犲狀犪狀犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犃犵狉狅犿犲狋犲狅狉狅犾狅犵犻犮犪犾犛狌狆狆狅狉狋犪狀犱犃狆狆犾犻犲犱犜犲犮犺狀犻狇狌犲 犣犺犲狀犵狕犺狅狌 犎犲狀犪狀犐狀狊狋犻狋狌狋犲狅犳犕犲狋犲狅狉狅犾狅犵犻犮犪犾犛犮犻犲狀犮犲狊 犣犺犲狀犵狕犺狅狌 犎犲狀犪狀犕犲狋犲狅狉狅犾狅犵犻犮犪犾犛犲狉狏犻犮犲 犣犺犲狀犵狕犺狅狌 犃犫狊狋狉犪犮狋 犓犲狔狑狅狉犱狊 應(yīng) 用 氣 象 學 報 第 卷