農(nóng)業(yè)病害預測人工神經(jīng)網(wǎng)絡的應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了農(nóng)業(yè)病害預測人工神經(jīng)網(wǎng)絡的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

關(guān)鍵詞：農(nóng)業(yè)病害；預測；人工神經(jīng)網(wǎng)絡

我國是一個傳統(tǒng)農(nóng)業(yè)大國，在農(nóng)業(yè)種植和病害綜合防治方面積累了大量經(jīng)驗。我國耕地面積占世界耕地面積的7%，農(nóng)作物病害是我國的主要自然災害之一，具有突發(fā)性、普遍性和危害性3個顯著特點[1]。每年全世界范圍內(nèi)因為農(nóng)業(yè)病害所導致的糧食減產(chǎn)達到了總產(chǎn)量的10%[2]，造成了巨大的經(jīng)濟損失。因此，加強農(nóng)業(yè)病害綜合防治工作，對農(nóng)業(yè)經(jīng)濟發(fā)展具有重要意義。農(nóng)業(yè)病害預測是一種非常有效的手段，對降低農(nóng)業(yè)病害的危害具有重要作用。進入21世紀后，人工神經(jīng)網(wǎng)絡不斷發(fā)展，其在現(xiàn)代農(nóng)業(yè)應用方面取得了非常好的效果，特別是在“智慧農(nóng)業(yè)”發(fā)展方面提供了一種強有力的支持。馬麗麗等[3]建立BP（BackPropagation）神經(jīng)網(wǎng)絡，對發(fā)生在黃瓜上的4種常見病害發(fā)生情況進行了預測。張映梅等[4]利用BP神經(jīng)網(wǎng)絡對小麥吸漿蟲的發(fā)生程度進行預測，也取得了理想的效果。由此可見，利用人工神經(jīng)網(wǎng)絡對農(nóng)業(yè)病害進行預測是一種非常有力的手段。

1病害預測方法概述

在農(nóng)業(yè)病害防治工作中，為實現(xiàn)最好的防治效果，往往在病害大面積發(fā)生前對病害的發(fā)生面積、發(fā)生程度、發(fā)展方向等先進行全面的預測。這樣一來，在病害發(fā)生前便可以采取相應的措施，使病害發(fā)生的泛濫程度大幅度減小，從而降低病害的危害程度。病害的預測方法主要分為四大類：專家評估法、類推法、數(shù)理統(tǒng)計模型法和系統(tǒng)模擬模型法[5]。一是專家評估法。此方法是一種人為的預測方式，即通過本領(lǐng)域的專家們利用他們所掌握的農(nóng)業(yè)病害知識對病害的發(fā)生進行分析總結(jié)，最后再得出預測結(jié)果。二是類推法。通過對以往的病害發(fā)生程度進行一種經(jīng)驗上的預測。但此類方法不適合復雜環(huán)境下的病害預測，預測方式單一，往往只能在本地區(qū)病害類型不多的情況下達到預測的效果。三是數(shù)理統(tǒng)計模型法。通過記錄并分析病害發(fā)生前各項可能導致病害發(fā)生的環(huán)境因素，建立數(shù)理模型并進行預測。模型可以根據(jù)調(diào)查取得的影響病害發(fā)生的因子直接得出病害發(fā)生程度。如劉方等[6]利用數(shù)理統(tǒng)計模型中的馬爾科夫鏈模型對未來降水量進行預測。四是系統(tǒng)模擬模型法。此方法也屬于數(shù)理模型法，只是針對模型計算采用計算機。利用計算機高速運算能力可以很好地對模型進行計算并很快得到結(jié)果。但是，這種預測方法的模型構(gòu)建比較復雜且不易擴展。根據(jù)農(nóng)業(yè)病害發(fā)生的特點[7]，可將農(nóng)業(yè)病害預測分為3種類型，即病害發(fā)生期預測、病害發(fā)生量預測和病害發(fā)生分布預測[8]。通過這幾種方式的預測，就可大致掌握農(nóng)業(yè)病害發(fā)展趨勢。病害發(fā)生期預測又可分為短期預測、中期預測、中長期預測、長期預測。針對不同的病害可以采用不同的預測方式，通過預測發(fā)生期可以實時掌握病害的發(fā)生趨勢。

2農(nóng)業(yè)病害預測研究

農(nóng)業(yè)病害的發(fā)生不僅由外部因素導致，還有內(nèi)部因素的原因。外部因素具體表現(xiàn)為環(huán)境氣候，如溫度、降水量、日照時長、昆蟲攜帶病菌導致的感染。除此之外，土壤中微生物也會導致病害發(fā)生。如劉德飛等[9]通過分析發(fā)現(xiàn)，土壤中大量菌群對病害微生物的生長有益。內(nèi)部因素常表現(xiàn)為作物本身早已攜帶了病菌，導致作物一開始就已經(jīng)被病害感染。我國早在20世紀50年代就開展了病害預防預測工作，在農(nóng)業(yè)病害預測技術(shù)上積累了大量經(jīng)驗。在經(jīng)歷了傳統(tǒng)的經(jīng)驗預測、試驗預測、統(tǒng)計預測和信息預測[10]后，直到20世紀80年代，人工神經(jīng)網(wǎng)絡與非線性理論的引入，為病害的預測方式方法開辟了一條新道路，使農(nóng)業(yè)病害預測方式更加多樣化。

2.1傳統(tǒng)病害預測方法

傳統(tǒng)病害預測方法主要是通過專家評估和數(shù)理統(tǒng)計模型進行預測，類推法和系統(tǒng)模擬法分別屬于這2種模型中的一種分支。專家預測法是由各個學科的專家們根據(jù)病害的發(fā)生類別、病原、狀態(tài)特點、發(fā)生規(guī)律、診斷方法、無公害防治等內(nèi)容[11]建立知識庫。通過專家對知識庫的數(shù)據(jù)進行分析處理，再創(chuàng)建專家決策系統(tǒng)對病害的發(fā)生做預測；數(shù)理統(tǒng)計模型是通過對引起病害發(fā)生的各種外部條件進行大量統(tǒng)計并建立模型，得出一種綜合預測結(jié)果。這在一定條件下是有效的，但預測結(jié)果不穩(wěn)定[12]。傳統(tǒng)病害預測方法在病害預測上能起到一定的效果，病害發(fā)生是一種根據(jù)時間線發(fā)生的行為，也是一種動態(tài)行為，以上的預測方法為靜態(tài)（預測模型為靜態(tài)），隨著時間的推移，病害綜合防治方法也會導致病害防治效果下降。如果長期使用這些方式進行預測，預測精度會大幅下降。為了解決這種問題，常用方法是定期重新評估模型并改進。這樣雖然能達到最終目的，但必然會使預測工作量增加，人工神經(jīng)網(wǎng)絡的出現(xiàn)恰好能解決這個問題。

2.2基于人工神經(jīng)網(wǎng)絡的病害預測

2.2.1人工神經(jīng)網(wǎng)絡概述。人工神經(jīng)網(wǎng)絡是為了使計算機模擬人腦思維方式進行學習的一種網(wǎng)絡模型，最早由20世紀40年代的心理學家McCulloch以及數(shù)學家Pitts提出[13]。人工神經(jīng)網(wǎng)絡是由若干個網(wǎng)絡最基本單位“神經(jīng)元”構(gòu)成，不同層的神經(jīng)元與神經(jīng)元之間相互連接，2個神經(jīng)元之間的連線叫作權(quán)值，是前一個神經(jīng)元的加權(quán)值，后一個神經(jīng)元中存儲的就是上一個神經(jīng)元和權(quán)值共同計算后的結(jié)果。權(quán)值可以理解為人工神經(jīng)網(wǎng)絡的記憶，人工神經(jīng)網(wǎng)絡需要進行的訓練過程就是網(wǎng)絡通過對數(shù)據(jù)樣本的學習，通過不斷調(diào)整網(wǎng)絡中的權(quán)值，讓人工神經(jīng)網(wǎng)絡記住數(shù)據(jù)樣本分布情況，從而完成人工神經(jīng)網(wǎng)絡的訓練過程。人工神經(jīng)網(wǎng)絡一經(jīng)提出就引起了學術(shù)界的大規(guī)模研究，但是由于當時的計算機計算速度慢和理論不夠健全等原因，其曾經(jīng)被認為人工神經(jīng)網(wǎng)絡只停留在理論研究階段，是不能夠在實際中去實現(xiàn)的模擬人腦學習[14-15]，直到J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型以及計算機在計算速度上取得了突破，使人工神經(jīng)網(wǎng)絡的研究工作重新得到科學家的認可，并開展相關(guān)研究。人工神經(jīng)網(wǎng)絡具有強大的非線性逼近能力[16]和自適應能力，能夠感知環(huán)境變化，從而自動調(diào)節(jié)網(wǎng)絡結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡具有強大的容錯能力，個別樣本的誤差對整體誤差的影響非常渺小。上述這些特性使人工神經(jīng)網(wǎng)絡在解決預測問題和分類問題時能夠比很多傳統(tǒng)方法處理的效果要好，例如文字翻譯、語言識別、圖像識別、氣象預測、人機對話等。

2.2.2基于人工神經(jīng)網(wǎng)絡的病害預測。研究表明，排除人為因素，農(nóng)作物病害發(fā)生與當季的氣候因子和土壤微生物有巨大的關(guān)系，主要是各類微生物在溫度、濕度、陽光、降雨等氣候條件適宜其生存時，真菌孢子就會大量繁殖并侵害作物，使作物發(fā)生病變[17]。風是病害傳播的一個重要途徑，真菌孢子很輕，只需有一些很微弱的風吹過，便能將真菌孢子帶到下一個待傳染的地區(qū)（昆蟲也能成為病害傳播的另一個媒介）。根據(jù)病害特點，可以把需要預測的各種類型（病害發(fā)生期預測、病害發(fā)生量預測、病害發(fā)生分布預測）的發(fā)生程度，與對應其病害發(fā)生的因子和影響結(jié)果分別記錄，用作人工神經(jīng)網(wǎng)絡的學習樣本。當人工神經(jīng)網(wǎng)絡從樣本學習完畢后，即建立了最終預測模型。此時就可以對病害的發(fā)生期、發(fā)生量、發(fā)生分布進行預測。例如，用人工神經(jīng)網(wǎng)絡對病害發(fā)生量進行預測，通常需要將病害發(fā)生量分為5個等級，分別是輕、中偏輕、中、中偏重、重。將影響病害發(fā)生的因子和導致的病害結(jié)果作為網(wǎng)絡模型訓練樣本。訓練過程的大致原理表現(xiàn)為對數(shù)據(jù)樣本和標簽數(shù)據(jù)進行歸類，并劃出各類別的分布。當網(wǎng)絡訓練完畢之后，即各個類別的分布已規(guī)劃好，再把待預測數(shù)據(jù)錄入網(wǎng)絡中，即可計算出待預測數(shù)據(jù)與哪種分布最接近，分布最近的類別即為最終預測結(jié)果。

2.2.3常用于預測的神經(jīng)網(wǎng)絡模型。①BP神經(jīng)網(wǎng)絡模型。BP神經(jīng)網(wǎng)絡是一種應用鏈式求導法則的誤差反向傳播的前饋神經(jīng)網(wǎng)絡，是目前神經(jīng)網(wǎng)絡模型中應用最廣泛的網(wǎng)絡。整個網(wǎng)絡由輸入層、隱藏層和輸出層組成[18]，屬于機器學習中的監(jiān)督學習網(wǎng)絡。BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡家族中最基本的網(wǎng)絡。BP神經(jīng)網(wǎng)絡有非常好的非線性逼近能力，一個具有3層的神經(jīng)網(wǎng)絡可以無線逼近任何一個非線性連續(xù)函數(shù)。但是一個未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡也存在一些不足，例如在網(wǎng)絡訓練時容易陷入局部最小值問題，最終導致模型訓練失敗?；贐P神經(jīng)網(wǎng)絡自身的特性導致在解決問題時很少完全采用BP神經(jīng)網(wǎng)絡的思想，更多的做法是在更復雜的神經(jīng)網(wǎng)絡上面再加一個BP神經(jīng)網(wǎng)絡用作整體功能的一部分，又或使用改進的BP網(wǎng)絡[19]。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示。②LSTM（LongShortTermMemory）神經(jīng)網(wǎng)絡模型。LSTM網(wǎng)絡是循環(huán)神經(jīng)網(wǎng)絡（RecurrentNeuralNetwork）衍生出來的一種改進的網(wǎng)絡模型。在前面介紹的BP神經(jīng)網(wǎng)絡或者其他神經(jīng)網(wǎng)絡模型中幾乎沒有考慮過樣本與樣本之間的聯(lián)系，只是簡單地把樣本送交模型訓練，以減少模型結(jié)果與真實結(jié)果的誤差。RNN網(wǎng)絡模型的出現(xiàn)改變了這種原始做法，對樣本與樣本之間是否具有某些聯(lián)系進行了考慮，特別是有時間順序的樣本集。模型在訓練的時候每一個樣本的輸出值都會受到前面樣本輸出值的影響，樣本之間的聯(lián)系就得到了很好的利用。這種模型的出現(xiàn)使神經(jīng)網(wǎng)絡在解決問題的時候不僅能從數(shù)據(jù)的“量”里面獲取信息，還能夠從數(shù)據(jù)與數(shù)據(jù)間的“邏輯”中更精確地分析信息。雖然RNN神經(jīng)網(wǎng)絡相較傳統(tǒng)的神經(jīng)網(wǎng)絡來說具有特殊的記憶能力，但是RNN神經(jīng)網(wǎng)絡也有明顯的缺點，即在模型訓練時對前面樣本信息的記憶不長久，只能夠保留短期記憶，在某些問題上這種短期記憶所達到的效果欠佳。LSTM網(wǎng)絡模型提出的目的即是為了解決RNN神經(jīng)網(wǎng)絡不能擁有長期記憶力和梯度消失以及梯度爆炸等一系列問題[20]。LSTM神經(jīng)網(wǎng)絡也是前饋型神經(jīng)網(wǎng)絡，繼承了RNN網(wǎng)絡模型的特性并具有更強的記憶力。LSTM主要解決與時序有關(guān)的問題，網(wǎng)絡模型訓練時會把當前的樣本數(shù)據(jù)與以往的樣本數(shù)據(jù)計算后的結(jié)果共同參與計算，并留作與下個數(shù)據(jù)樣本共同計算。因此，每次得到的計算結(jié)果都與之前的數(shù)據(jù)有關(guān)系，是一種具有長期記憶力的神經(jīng)網(wǎng)絡。由于其長期的記憶功能，LSTM神經(jīng)網(wǎng)絡常用于解決在時序方面的預測問題，比如股票預測[21]、天氣預測、語言識別等[22]。沈皓俊等[23]利用LSTM網(wǎng)絡對氣候降水量進行預測，陳艷平等[24]利用LSTM網(wǎng)絡對自然語言中的句法要素進行識別，兩者都達到了非常高的精度，相對于使用其他不考慮時間序列的網(wǎng)絡來說效果更加明顯。LSTM網(wǎng)絡展開后的結(jié)構(gòu)如圖2所示。以上2種神經(jīng)網(wǎng)絡都可用于農(nóng)業(yè)病害發(fā)展趨勢預測，且2種神經(jīng)網(wǎng)絡都是通過對歷史病害發(fā)生情況和與之對應的環(huán)境因子作為樣本訓練，是深度學習里面的有監(jiān)督學習。訓練過程其實是利用神經(jīng)網(wǎng)絡強大的非線性逼近能力確定函數(shù)（神經(jīng)網(wǎng)絡的學習過程可以理解為一種確定函數(shù)具體形式的過程）的具體形式。當神經(jīng)網(wǎng)絡訓練完畢之后就可以利用模型對未來的病害發(fā)生情況進行預測。利用一個已經(jīng)訓練好的神經(jīng)網(wǎng)絡對當下的病害進行預測的過程非常簡單?？梢园讶斯ど窠?jīng)網(wǎng)絡模型理解為一個“黑盒”，只需把當前的天氣數(shù)據(jù)輸入到模型中就可以直接得出預測結(jié)果，無須知道模型是如何計算得到的。利用人工神經(jīng)網(wǎng)絡病害預測在神經(jīng)網(wǎng)絡模型訓練階段時會花一些時間訓練，模型訓練完畢之后便能很快得出預測結(jié)果，相較于傳統(tǒng)病害預測模型來說，人工神經(jīng)網(wǎng)絡幫助人類減少了對數(shù)據(jù)樣本分析的過程，只需關(guān)注模型構(gòu)建的本身。

2.2.4人工神經(jīng)網(wǎng)絡應用到病害預測中可能出現(xiàn)的問題。沒有任何一種模型和方法是完美的，人工神經(jīng)網(wǎng)絡也存在著一些缺點。一是人工神經(jīng)網(wǎng)絡的固有缺點，即訓練速度過慢。在人工神經(jīng)網(wǎng)絡模擬人類學習的過程中，即在人工神經(jīng)網(wǎng)絡進行訓練階段時（減少訓練得到的結(jié)果與真實結(jié)果的誤差過程），可能會花費大量時間。這不僅取決于樣本數(shù)量，也取決于硬件設(shè)備的計算速度。但農(nóng)業(yè)病害的樣本數(shù)據(jù)相較于語音、視頻等各種非結(jié)構(gòu)化的數(shù)據(jù)來說非常小，因而訓練時的速度問題幾乎不存在。二是在人工神經(jīng)網(wǎng)絡非線性逼近（模型訓練）時有可能出現(xiàn)不能逼近真實結(jié)果的情況，雖然可以通過對數(shù)據(jù)樣本進行再處理來解決，但同時也會增加預測工作量和構(gòu)建模型的難度，使人工神經(jīng)網(wǎng)絡難以找到一種通用的學習算法[25]。因此，在人工神經(jīng)網(wǎng)絡學習時，往往需要對學習的數(shù)據(jù)樣本進行再次處理才能達到目的。三是人工神經(jīng)網(wǎng)絡的訓練需要充足的訓練樣本數(shù)據(jù)。當訓練樣本不足時，會導致預測精度低，不能達到預測的目的。農(nóng)業(yè)病害的預測發(fā)展歷經(jīng)多年，積累了大量農(nóng)業(yè)數(shù)據(jù)，并且可以利用遷移學習技術(shù)[26]從類似且已經(jīng)訓練好的模型中擴展，因而數(shù)據(jù)不足的問題能夠很好地解決?？傮w來看，從在人工神經(jīng)網(wǎng)絡所能處理問題的領(lǐng)域來說，農(nóng)業(yè)病害預測屬于一種相對輕量級的問題，人工神經(jīng)網(wǎng)絡自身存在的各種缺點對農(nóng)業(yè)病害預測方面的影響都很小。

3農(nóng)業(yè)病害預測研究面臨的挑戰(zhàn)與展望

3.1我國農(nóng)業(yè)病害預測研究面臨的挑戰(zhàn)

農(nóng)業(yè)病害預測研究雖已取得了巨大進步，但是農(nóng)業(yè)病害預測的最終目的是防治，如果僅對農(nóng)業(yè)病害發(fā)展進行預測，而不做好病害防治工作，那么病害預測工作在整個農(nóng)業(yè)病害防治工作中會很無力。我國農(nóng)業(yè)病害綜合防治工作取得了巨大進步，特別是在生物技術(shù)病害綜合防治方面，利用病害的天敵昆蟲對病害進行防治[27]，取得了不錯的效果。資料顯示，我國每年在農(nóng)業(yè)病害防治方面使用的化學農(nóng)藥高達25萬t[28]。使用農(nóng)藥雖然解決了當下的病害問題，但是這種做法嚴重破壞了土壤結(jié)構(gòu)。化學防治導致的污染問題已成為影響我國農(nóng)業(yè)發(fā)展的一個因素。此外，農(nóng)業(yè)病害預測研究面臨的另一個問題是我國農(nóng)業(yè)現(xiàn)代化建設(shè)進程仍不完善，農(nóng)業(yè)病害預測所需的硬件設(shè)備和其他硬件設(shè)備并不多，究其原因是所需設(shè)備價格昂貴，從事農(nóng)業(yè)的人們不愿意使用昂貴的產(chǎn)品。綜合來看，我國病害預防工作不僅需要技術(shù)，更需要一種全面、現(xiàn)代、完備的農(nóng)業(yè)病害解決體系。

3.2農(nóng)業(yè)病害預測的展望

在加速建設(shè)農(nóng)業(yè)現(xiàn)代化進程中，我國增加了許多對農(nóng)業(yè)病害預測有巨大幫助的工具。智慧農(nóng)業(yè)概念提出后，對農(nóng)業(yè)病害研究工作提供了理論指導，特別是在實時數(shù)據(jù)獲取方面有了更加精確快速獲取數(shù)據(jù)的設(shè)備。對于農(nóng)業(yè)病害預測來說，有了這些實時數(shù)據(jù)，就能夠時刻監(jiān)測農(nóng)作物動態(tài)。當設(shè)備從當前獲取的數(shù)據(jù)中分析發(fā)現(xiàn)環(huán)境因素可能導致病害的發(fā)生，就可以使設(shè)備自動做出對應的措施，減少人工的工作量。不僅可以實現(xiàn)農(nóng)業(yè)全智能化，而且能夠減少人工成本。

4結(jié)語

綜上所述，傳統(tǒng)農(nóng)業(yè)病害預測方法雖然能夠?qū)Σ『Πl(fā)生起到預測的效果，但是一般傳統(tǒng)的農(nóng)業(yè)病害預測方法是一種靜態(tài)的預測方法，很難做到實時預測，很難根據(jù)新增的數(shù)據(jù)快速重新構(gòu)建和優(yōu)化模型。隨著時間的增加，傳統(tǒng)預測模型的病害預測效果也會減弱。人工神經(jīng)網(wǎng)絡對農(nóng)業(yè)病害的預測是一種非常有效的手段，人工神經(jīng)網(wǎng)絡模型是一種動態(tài)而不需要人為修改的模型，一旦網(wǎng)絡模型搭建完畢，模型就可以根據(jù)得到的數(shù)據(jù)進行訓練，然后完成預測工作，并且可以動態(tài)更新模型（利用最新數(shù)據(jù)對模型再次訓練），在這一過程中不需要任何人為干預。因此，農(nóng)業(yè)自動化將是未來農(nóng)業(yè)的發(fā)展趨勢。

作者：陳民 胡雪瓊 魯韋坤 周文文 陳亞平 李曉君 曹志勇 單位：云南農(nóng)業(yè)大學大數(shù)據(jù)學院