计算机机器学习在农业中的应用.docx

《计算机机器学习在农业中的应用.docx》由会员分享，可在线阅读，更多相关《计算机机器学习在农业中的应用.docx（2页珍藏版）》请在第一文库网上搜索。

1、计算机机器学习在农业中的应用摘要：农作物的保护是管理植物病虫害的科学和实践。鉴于害虫和杂草造成的作物产量损失很大，杂草管理和控制非常重要。然而，由于杂草进化出了对除草剂的抗性，农民面临着杂草控制的复杂性。本文首先简要介绍了利用计算机和大数据进行作物保护的一些重要研究成果，并着重介绍了其在杂草防治和管理方面的一些潜在应用，然后提及了一些相关机器学习技术的大数据分析。研究表明，在农作物保护领域中，大数据和机器学习的应用前景广阔。关键词：机器学习；农作物保护；除草剂抗性1前言以发展智能传感、仪器和机器为重点的数据驱动型经济有望在农业和智能农业系统中发挥变革作用。农业系统受到各种因素的影响，如环境条件

2、、土壤特性、水的可用性和收获方式。其他必须减轻的重要问题包括管理植物疾病、杂草和其他害虫。传统上，这些因素和问题由农民自己的专业知识和经验来管理。物联网等新趋势的出现，使农民能够采取数据驱动的方法，从安装在仪器上的传感器中收集关于他们农场（土壤、水、作物等）状况的大量信息，以提高农场产量，减少杂草、害虫和疾病带来的风险口。除了从传统传感器收集数据外,越来越多的先进传感技术被部署到智能农业系统中，包括近端传感器、机载传感器和卫星传感器。越来越受欢迎的传感技术包括RGB成像、热、近红外（NIR）、高光谱和多光谱成像，这些技术可以在地面或机载无人机上捕捉农场图像。这些成像传感器提供了大量不同类型的数

3、据，必须对这些数据进行分析，才能从集体农场信息中获得价值。需要开发高效的存储和分析解决方案来处理这些近实时的传感和仪器平台生成的数据。智能农业系统中的传感器和实时平台产生的数据量巨大、种类繁多、速度快，这导致了一个被称为“大数据的问题。为了解决由大型网络传感系统产生的大数据问题，作者使用了“大传感器数据”这个术语，并就智能城市中的潜在应用进行了讨论。我们预计大传感器数据系统将在现代农业应用中发挥越来越重要的作用。作物保护是管理植物病虫害的科学和实践。木文探讨了农作物保护中的大数据和机器学习问题。本文首先综述了利用大数据和机器学习技术在作物保护和杂草防治方面的研究进展。各种机器学习方法，包括鉴别

4、/生成和监督/非监督也被提及。接下来，探究了使用马尔可夫随机场（MRF）模型进行除草剂抗性建模的特定机器学习技术的潜力CMRF在图像、纹理和图案分析中应用广泛。在图像分析中，数据格通常是规则的。2计算机机器学习和大数据在农作物保护中的应用2.1 农作物保护中的大数据和机器学习方法机器学习方法也被用于检测入侵物种和杂草的问题。1awrence等人的研究使用了随机森林分类器从空中高光谱图像中绘制和检测入侵植物（叶撒草和斑点矢撒草）。随机森林技术的目的是通过反复取数据的随机子集来确定分类树的剖分，从而构建多个分类树。通过此方法，他们在数据中报告的斑点矢撒草和叶撒草的含量分别具有84%和86%的整体准

5、确性。Schmidt和Drake利用机器学习技术研究了一些植物属为什么更具侵略性的生物学特性。他们利用增强回归树建立了入侵植物的分类模型。与传统的基于树的回归模型相比，增强回归模型自适应地结合大量简单模型，提高了对包含多个自变量的大数据集的分析，优化了预测精度。研究结果表明，他们的方法可以解释24%和29%的变异对生物性状的属侵入性。2.2 大数据机器学习方法的分类机器学习方法有两种通用分类，可应用于大数据保护作物的应用中。这些方法可以分为判别式或生成式，有监督或无监督的学习方法。本节简要介绍了各种方法，并讨论了与各种学习方法相关的一些流行技术和算法。判别学习模型与生成学习模型之间的主要区别在

6、于判别模型不能生成新的综合数据，而生成模型则能够基于模型的概率分布来生成新的综合数据。区分性分类器的缺点是变量之间要建模的关系不明确且无法解释（即黑匣子视图）。但是，当可用于训练的大量数据时，判别模型通常比生成模型具有更好的性能。深度学习的当前趋势是歧视性模型。监督学习模型与非监督学习模型之间的区别在于，监督模型要求在训练过程中使用班级或目标标签，而无监督模型则不需要。生成式机器学习模型的一些示例是朴素贝叶斯，隐马尔可夫模型（HMM）,贝叶斯网络和马尔可夫随机域（MRF）,而判别模型的一些示例是逻辑回归，支持向量机（SVM）,多层感知器以及其他传统的神经网络以及条件随机字段（CRF）o尽管有一

7、些例外，生成模型通常与无监督学习相关，而判别模型通常与有监督学习相关。朴素的贝叶斯分类器是生成和监督学习模型的一个示例。众所周知的用于数据聚类的k-means算法是一种区分性和无监督学习模型的示例。本节的其余部分简要回顾了使用两种流行的农业和农作物保护机器学习方法的生成方法和判别方法：（1）概率图形模型（PGM）；（2）支持向量机（SVM）和传统的神经网络。我们还简要讨论了使用这些模型的一些农业应用。然后，这将导致接下来的两部分进行进一步的讨论，并使用我们提出的MRF方法来详细考虑数学问题，以考虑到在模拟澳大利亚郡的黑麦草抗除草剂性方面的空间关系。概率图形模型（PGM）说明了机器学习中的生成学

8、习方法。在计算机科学领域，图形结构通常用于建模对象之间的成对关系。在这种情况下，图由通过边（弧）连接的顶点（节点）组成。用于PGM的两种流行方法是使用有向无环图形模型的贝叶斯网络和使用无向图模型的MarkoV网络（或MarkoV随机域，MRF）。贝叶斯网络可以被认为是一个统计模型，代表了一组随机变量及其在有向无环图中的条件依赖性。支持向量机（SVM）和传统的人工神经网络分类器说明了机器学习中的判别式学习方法。SVM使用线性模型通过首先使用内核函数将输入转换为新空间来实现非线性类边界。通常用于这些目的的两个常用函数是径向基函数（RBF）和S形核。如Witten等人使用RBF内核的SVM对应于RB

9、F网络，而使用S型内核的SVM对应于传统的多层感知器（M1P）神经网络。3总结与展望农作物保护领域的大数据和机器学习的应用前景十分广阔。机器学习提供了一个强大的框架来吸收数据。机器学习的适当选择和使用对于获得这些复杂方法的最大可能收益非常重要。本文概述了使用大数据进行作物保护或杂草防治的研究成果。还介绍了包括监督和非监督方法在内的各种机器学习技术。参考文献：1A1EXANDRIDISTK,TAM0RID0UAA,PANTAZIXE,eta1.Nove1tydetectionc1assifiersinweedmapping：si1ybummarianumdetectiononUAVmu1tispectra1imagesJ,2017,17（9）：2007.2SENGKP,ANG1-MJITOM-SCS.Abigdata1ayeredarchitectureandfunctiona1unitsforthemu1timediaInternetofThingsJ,2018,4（4）：500-512.3ANG1-M,SENGKPJBDR.Bigsensordataapp1icationsinurbanenvironments,2016,4：1-12.