物联网与机器学习在精准农业中的应用

刘 闯，高国红

（河南科技学院 信息工程学院，河南 新乡 453003）

到2050年底，世界人口将增加到91亿，粮食需求将增加70%，粮食减产的主要原因是缺乏规划、不可预测的天气条件以及不当的收获和灌溉技术。在过去的几年中，由于全球变暖，大自然的天气条件发生了剧烈变化，伴随气候条件的不确定性，地球的平均温度逐渐升高，干旱、强降雨是农业、农民面临的最大挑战，精准农业便成为确保全球粮食安全的解决方案之一。

精准农业也简称为数字农业，是一种技术支持的数据驱动的可持续农场管理系统，它基本上是采用现代信息技术、软件工具和智能嵌入式设备进行农业决策支持。约翰迪尔在1990年引入了精准农业技术，用于使用全球定位系统控制的拖拉机播种和喷洒肥料。精准农业的重点是降低生产成本和环境影响，物联网、人工智能、数据分析、云计算和区块链技术等数字技术在精准农业中发挥着关键作用。在精准农业中，基于物联网的智能传感器被部署在农业用地，用于收集与土壤养分、肥料和水需求相关的数据以及分析作物生长情况。例如无人驾驶飞行器、机器人和卫星图像利用计算机视觉技术识别植物中的杂草、疾病和监测田地、识别植物病害。使用机器学习算法处理和分析从部署的传感器获得的数据，使农业实践更加可控和优化。由于创新机器和深度学习算法、高速互联网接入和高效计算设备的存在，精准农业才能在世界范围内得到广泛应用。

1 物联网在精准农业中的研究意义

物联网的设计处置便是“万物相连的互联网”，顾名思义，它是在互联网基础上进行延伸和扩展后的网络，通过将各种信息设备上的传感器信息通过与互联网连接而形成的一张巨大网络，最终实现在任何时间、任何地点，人、机、物的互联互通。

物联网技术是使得智能传感器、设备通过互联网互连，这些智能传感器用于收集不同学科的数据，例如农业领域、灾害多发地区、制造业，以实现资源的高效利用。随着人口的增加，对农产品的需求逐年增加，由于可供耕种的土地有限，年轻一代以农业为职业的人口减少，满足数百万人的粮食需求已成为农业行业的一项具有挑战性的任务。

2 机器学习在精准农业中的研究意义

机器学习是计算机科学的一个子领域，它使计算机能够在没有明确编程的情况下进行学习。Alan Turing在1950年提出了学习机器的概念，并撰写了一篇研究文章《机器智能的图灵测试》。他进行了一项测试并检查了机器展示类似于人类智能行为的能力。机器或智能计算机程序从数据中学习和提取知识，构建用于进行预测或智能决策的框架。因此，机器学习过程分为3个关键部分，即数据输入、模型构建和泛化，如图1所示。泛化是为算法之前未训练过的输入预测输出的过程。机器学习算法主要用于天气预报、植物疾病识别、模式识别等领域。

图1 机器学习过程

3 物联网在精准农业中的应用

精准农业是指最大限度减少农民直接参与的系统，物联网有助于维持农业日常工作所需的已定义参数标准。这些参数可以使用所需的传感器进行测量，并可以上传到物联网云进行远程监控，从而最大限度地减少农民的直接参与。

3.1 精准农业中的物联网传感器

物联网被定义为事物的互联，其中重要设备就是传感器。一组传感器可以与每个其他传感器进行通信，从而与控制中心进行通信。物联网中的WSN具有提高生产效率、提高产量质量、检测农场火灾的优势。物联网有助于扩大农业、动物和宠物饲养以及智能灌溉的范围。根据它们产生的输出信号的性质，传感器分为模拟或数字传感器。模拟传感器的输出需要在被任何物联网系统馈送和处理之前转换为数字信号。另一方面，产生数字形式信号的传感器可以直接连接到任何物联网系统。

3.2 精准农业中的无线传感器网络

WSN是空间位移传感器的集合，用于监控环境的物理参数并在中心位置协调收集的数据。物联网将记录的数据传输到云端，通过智能算法进一步处理和分析。在精准农业中，人工智能与 WSN的集成允许在农业领域进行实时监控和智能决策。包括土壤湿度传感器、电化学传感器、光学传感器等在内的物联网传感器网络持续监测现场数据，并作为机器学习和深度学习算法的训练数据。支持边缘计算的人工智能系统通过识别要通信的有意义数据并丢弃冗余数据，帮助减少要上传到物联网云的数据量。

4 机器学习在精准农业的应用

在许多国家，农民依靠传统的耕作方式，这种方法使农民受随机气候条件的影响，由于全球变暖和不均匀的降雨，气候条件已经变得比较随机。人工喷洒农药导致资源利用不当进而危害环境，人工智能和物联网支持的精准农业消除了随机性，并帮助新时代的农民优化农业过程的每一步。人工智能系统适用于每个农业操作，全球各种研究人员和从业人员提出并实施最先进技术。

4.1 土壤特性检测和天气预报

土壤特性的预测是影响作物选择、土地管理、种子选择、作物产量的第一步，也是最关键的一步。土壤性质与所用土地的地理和气候条件直接相关。土壤特性预测主要包括预测作物生命周期中土壤中的养分、土壤表面湿度、天气条件。人类活动极大地影响了土壤的特性，从而影响种植农作物的能力。一般来说，作物的生长取决于特定土壤中可用的养分，通过电传感器和电磁传感器对土壤养分进行监测。

对土壤养分、土壤水分、pH值的科学分析对于确定土壤特性很重要。E.Acar等人采用基于极限学习机（ELM）的回归模型来预测土壤表面湿度，使用极化Radarsat-2数据提取实时现场数据，该数据使用了SNAP工具箱进行预处理，通过将场分成方形网格，在局部测量的帮助下添加特征。预处理和特征提取完成后，数据将传递给基于ELM的回归模型以预测土壤表面湿度。该算法使用了5个不同的核函数进行测试，并使用留一法交叉验证技术验证预测。

4.2 作物产量预测

对于任何农民来说，重要的一条信息是作物产量的预测以及如何提高产量。pH值、土壤类型和质量、天气模式、温度、降雨量、湿度、日照时间、肥料和收获时间表是一些在预测作物产量方面发挥重要作用的参数。楚玉等人在中国广西壮族自治区81个县建立了一个端到端的夏冬水稻预测模型。他们所提出的BBI模型分3个阶段工作，第一阶段对原始区域数据和时间序列计量数据进行预处理，其输出作为第二阶段的输入，其中 BPNN和RNN（循环神经网络）学习深度空间和时间输入数据的特征。第三阶段，BPNN学习深度特征与水稻产量的关系，预测夏、冬水稻产量。从误差和收敛速度方面评估模型的性能，该模型呈现最低误差值，夏季水稻预测的MAE和RMSE分别为 0.004 4和0.005 7，冬稻预测的MAE和RMSE分别为0.007 4和 0.019 2，同时算法在100次迭代内收敛。

4.3 病害和杂草检测

病害真菌、微生物和细菌从它们赖以生存的植物中获取能量，进而影响作物产量，如果不及时发现可能会造成巨大的经济损失。许多经济负担以农药的形式转移到农民身上，过量使用农药还会导致环境破坏和农地水土循环的影响。

在作物生长期使用优化设计的人工智能系统，不仅可以降低作物病害的风险，最大限度地减少经济影响，还可以最大限度地减少非系统耕作对环境的不利影响。拉姆查兰等人使用机器学习算法检测木薯作物的病害，部署了深度CNN，从一组11 670个图像数据集中识别3种不同的疾病和2种类型的害虫。在Tensor Flow中使用了基于GoogLeNet算法的 Inception v3，实现了80%～93.0%范围内的效率，并且在混淆矩阵的帮助下完成了对结果的验证。

5 结论

精准农业正在为农民提供通过精确投入获得最佳产出的技术。支持物联网的智能传感器、执行器、卫星图像、机器人、无人机是推动农业发展的一些关键技术组件。这些组件在收集实时数据并相应地在没有人工支持的情况下做出决策方面发挥着至关重要的作用。人工智能是智能行为的自动化，不断造福人类生活并在生活的各个方面帮助人类。在本文中，简要回顾了机器学习在精准农业中的应用，阐述了人工智能和物联网在智能农场管理中的影响，并简要介绍了精准农业中最常用的机器学习算法。