李 穎 陳懷亮

1)(中國(guó)氣象局·河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室， 鄭州 450003)2)(河南省氣象科學(xué)研究所， 鄭州 450003)3)(河南省氣象局， 鄭州 450003)

引 言

農(nóng)業(yè)在全球經(jīng)濟(jì)中發(fā)揮著基礎(chǔ)性且至關(guān)重要的作用，國(guó)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(jì)水平，落后的農(nóng)業(yè)技術(shù)會(huì)帶來(lái)饑餓、貧窮與社會(huì)發(fā)展的滯后[1]。到2050年，全球?qū)⑿略?0億左右人口[2]，加之氣候變化對(duì)農(nóng)業(yè)生產(chǎn)的影響[3]，使得消除饑餓和保障糧食安全成為當(dāng)今世界可持續(xù)發(fā)展的重要議題[4]，農(nóng)業(yè)技術(shù)的進(jìn)步可有力應(yīng)對(duì)該挑戰(zhàn)[5]。精準(zhǔn)農(nóng)業(yè)被列為農(nóng)業(yè)領(lǐng)域的十大發(fā)展之一[6]，其特點(diǎn)是應(yīng)用密集的數(shù)據(jù)——以遙感技術(shù)[7]和無(wú)線傳感器技術(shù)[8]為主要手段采集信息并進(jìn)行時(shí)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(xué)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(xué)，以促進(jìn)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(jìn)程也在不斷進(jìn)行著自身的科學(xué)創(chuàng)新，智慧氣象和精準(zhǔn)農(nóng)業(yè)結(jié)合下的現(xiàn)代農(nóng)業(yè)氣象工作意味著對(duì)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(shí)效性的分析與處理[9]，機(jī)器學(xué)習(xí)(machine learning，ML)技術(shù)對(duì)其發(fā)展有很大的助力。

ML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(xué)、藥學(xué)、經(jīng)濟(jì)學(xué)、生物學(xué)、水文學(xué)、農(nóng)業(yè)氣象學(xué)等諸多科學(xué)領(lǐng)域[10-13]。深度學(xué)習(xí)(deep learning，DL)和淺層學(xué)習(xí)中的梯度提升機(jī)(gradient boosting machine，GBM)是當(dāng)前最受矚目的兩項(xiàng)ML技術(shù)，其中DL結(jié)構(gòu)中最著名的卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)自2012年起已成為計(jì)算機(jī)視覺(jué)任務(wù)的首選解決方案[14]。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(cè)數(shù)據(jù)，也涉及到農(nóng)業(yè)遙感中采集自地面、無(wú)人機(jī)、衛(wèi)星的海量影像數(shù)據(jù)，DL技術(shù)的特點(diǎn)及其在機(jī)器視覺(jué)領(lǐng)域的優(yōu)勢(shì)使其在現(xiàn)代農(nóng)業(yè)氣象工作中具有很大的應(yīng)用潛力[15]。

本文對(duì)ML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(jìn)行系統(tǒng)性介紹。由于所涉及的文獻(xiàn)眾多，側(cè)重列舉代表性文獻(xiàn)，對(duì)其研究成果進(jìn)行概要介紹，且重點(diǎn)列舉出DL技術(shù)的應(yīng)用實(shí)例，旨在推動(dòng)ML技術(shù)特別是DL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。

1 ML技術(shù)概述

ML技術(shù)蓬勃發(fā)展于20世紀(jì)90年代，是人工智能(artificial intelligence，AI)中最受歡迎和最成功的子領(lǐng)域。Arthur Samuel將ML定義為一門(mén)不需要通過(guò)外部程序指令而讓計(jì)算機(jī)具有自我學(xué)習(xí)能力的學(xué)科。在傳統(tǒng)編程中，人類(lèi)輸入規(guī)則和需要規(guī)則處理的數(shù)據(jù)，計(jì)算機(jī)輸出答案；而在ML技術(shù)中，人類(lèi)輸入數(shù)據(jù)和期望從數(shù)據(jù)中得到的答案，計(jì)算機(jī)通過(guò)訓(xùn)練找到數(shù)據(jù)和答案間的統(tǒng)計(jì)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(jìn)而生成答案[14]。ML技術(shù)與經(jīng)典統(tǒng)計(jì)分析的一項(xiàng)重要區(qū)別是ML技術(shù)傾向于處理大型、復(fù)雜的數(shù)據(jù)集，以及沒(méi)有已知算法可解決的問(wèn)題。將ML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(duì)的復(fù)雜問(wèn)題[16]。

ML技術(shù)是一個(gè)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(biāo)準(zhǔn)進(jìn)行歸類(lèi)。其中一種廣泛使用的分類(lèi)方法是根據(jù)訓(xùn)練過(guò)程中得到的監(jiān)督的數(shù)量和類(lèi)型，將其分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[16]。在監(jiān)督學(xué)習(xí)中，需要人工為訓(xùn)練數(shù)據(jù)加標(biāo)簽(即明確的屬性標(biāo)識(shí))，其代表性方法包括線性回歸(linear regression)、邏輯回歸(logistic regression)、樸素貝葉斯(na?ve bayes)、高斯判別(gaussian discriminant analysis，GDA)、支持向量機(jī)(support vector machine，SVM)、神經(jīng)網(wǎng)絡(luò)(neural network，NN)、K最鄰近法(K-Nearest neighbor，K-NN)、決策樹(shù)(decision trees，DTs)、隨機(jī)森林(random forest，RF)和梯度提升機(jī)等；在非監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)則不加標(biāo)簽，其主要方法包括以期望最大化算法(expectation maximization)、分層聚類(lèi)分析(hierarchical cluster analysis，HCA)、K均值法(K-means)為代表的聚類(lèi)方法，以主成分分析(principal component analysis，PCA)和局部線性嵌入算法(locally-linear embedding，LLE)為代表的降維算法，以及Apriori，F(xiàn)P-Growth，Eclat等關(guān)聯(lián)規(guī)則學(xué)習(xí)算法；在半監(jiān)督學(xué)習(xí)中，僅需為少量訓(xùn)練數(shù)據(jù)加標(biāo)簽，或?yàn)橛?xùn)練數(shù)據(jù)加不確定性標(biāo)簽，其重要方法包括拉普拉斯支持向量機(jī)(laplacian SVM)、協(xié)同過(guò)濾算法(collaborative filtering)，以及貝葉斯網(wǎng)絡(luò)(bayesian network)、馬爾科夫隨機(jī)場(chǎng)(markov random filed)等概率圖模型；在強(qiáng)化學(xué)習(xí)中，不需要預(yù)先給定訓(xùn)練數(shù)據(jù)，而是通過(guò)接收環(huán)境對(duì)動(dòng)作的反饋獲得學(xué)習(xí)信息，代表性算法包括策略梯度(policy gradient，PG)、Q學(xué)習(xí)(Q-learning)、深度Q網(wǎng)絡(luò)(deep Q network)、Sarsa算法等[17-20]。

DL技術(shù)是ML技術(shù)的一個(gè)子領(lǐng)域，代表著一類(lèi)思想，即以多層結(jié)構(gòu)從數(shù)據(jù)中學(xué)習(xí)表示(representation)，其結(jié)構(gòu)通常包含數(shù)十個(gè)乃至上百個(gè)連續(xù)的表示層。DL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(jí)，可自動(dòng)提取復(fù)雜特征，近年來(lái)，DL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(jī)和集成學(xué)習(xí)的領(lǐng)先地位[14]。DL技術(shù)較經(jīng)典ML技術(shù)的優(yōu)勢(shì)主要體現(xiàn)在以下幾方面：①DL技術(shù)完全自動(dòng)化了淺層ML技術(shù)的關(guān)鍵步驟——特征工程，對(duì)使用者更為簡(jiǎn)單、友好；②DL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(kāi)發(fā)愈加復(fù)雜的特征，具有更強(qiáng)的學(xué)習(xí)能力，有助于解決淺層ML技術(shù)難以解決的復(fù)雜問(wèn)題，并可進(jìn)行遷移學(xué)習(xí)；③DL技術(shù)可以一次性學(xué)習(xí)所有特征，并持續(xù)在線學(xué)習(xí)，具有實(shí)時(shí)運(yùn)算能力[21-23]。DL的基本模型包括卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)(deep belief network，DBN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(reccurent neural network，RNN)、深度自動(dòng)編碼器(deep autoencoder，DA)、遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network，RNN)等。

2 ML技術(shù)在農(nóng)業(yè)氣象工作中的應(yīng)用

2.1 制圖與區(qū)劃

土地覆蓋與作物類(lèi)型圖是農(nóng)業(yè)氣象工作的重要基礎(chǔ)數(shù)據(jù)之一。過(guò)去的十幾年中，隨著遙感數(shù)據(jù)時(shí)空分辨率不斷提高，以及大量豐富的免費(fèi)數(shù)據(jù)源向公眾開(kāi)放，將遙感影像用于土地覆蓋與作物類(lèi)型分類(lèi)制圖方面的研究呈指數(shù)增長(zhǎng)，ML技術(shù)中多種經(jīng)典算法、模型已成功應(yīng)用于該類(lèi)任務(wù)[24-26]，根據(jù)Yu等[27]的統(tǒng)計(jì)，最大似然分類(lèi)法使用頻率最高，相關(guān)文獻(xiàn)中應(yīng)用比例達(dá)32.34%，最大似然分類(lèi)法和K最鄰近法、K均值法等也是文獻(xiàn)中平均精度較低的方法，分類(lèi)精度較高的方法則是集成分類(lèi)器、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。Khatami等[28]進(jìn)一步統(tǒng)計(jì)分析了既往研究，指出傳統(tǒng)監(jiān)督分類(lèi)方法中支持向量機(jī)平均精度最高，緊隨其后的是人工神經(jīng)網(wǎng)絡(luò)，且當(dāng)影像空間分辨率和光譜分辨率提高時(shí)，支持向量機(jī)表現(xiàn)出較人工神經(jīng)網(wǎng)絡(luò)更大的優(yōu)勢(shì)。此外，ML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，Pantazi等[29]利用K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(jìn)行了作物管理分區(qū)，進(jìn)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(fēng)險(xiǎn)區(qū)劃、農(nóng)業(yè)保險(xiǎn)風(fēng)險(xiǎn)區(qū)劃[30-31]等是農(nóng)業(yè)氣象工作的重要任務(wù)，有待有針對(duì)性地將ML技術(shù)應(yīng)用于區(qū)劃工作。

近年來(lái)，最受歡迎和最具效率的多源多時(shí)相遙感影像土地覆蓋與作物制圖方法是集成學(xué)習(xí)和DL技術(shù)[32]。針對(duì)復(fù)雜地區(qū)的分類(lèi)問(wèn)題，集成學(xué)習(xí)的經(jīng)典算法隨機(jī)森林的分類(lèi)精度明顯優(yōu)于傳統(tǒng)的決策樹(shù)[33]，DL結(jié)構(gòu)中的卷積神經(jīng)網(wǎng)絡(luò)、深度自動(dòng)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(lèi)任務(wù)[34-38]。Minh等[39]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(dá)(synthetic aperture radar,SAR)影像制作了冬季植被質(zhì)量分類(lèi)圖，制圖精度優(yōu)于支持向量機(jī)和隨機(jī)森林。Yang等[40]研究表明：DL技術(shù)用于土地覆蓋分類(lèi)的精度高于支持向量機(jī)等淺層學(xué)習(xí)模型，且DL技術(shù)無(wú)需人工設(shè)計(jì)分類(lèi)特征，并可在分類(lèi)中使用遷移學(xué)習(xí)。Kussul等[32]將卷積神經(jīng)網(wǎng)絡(luò)用于作物制圖的精度與隨機(jī)森林和一種集成的多層感知器(multi-layer perceptrons，MLPs)方法對(duì)比，結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)精度最高。

2.2 檢測(cè)與觀測(cè)

雜草檢測(cè)是地基農(nóng)業(yè)遙感的一項(xiàng)重要任務(wù)，有研究認(rèn)為雜草是對(duì)農(nóng)作物生產(chǎn)最大的威脅，ML技術(shù)和田間傳感器結(jié)合可以精確檢測(cè)田間雜草，進(jìn)而應(yīng)用于農(nóng)業(yè)工具和農(nóng)業(yè)機(jī)器人的除草作業(yè)，最大程度減少除草劑的使用[41]。Cho等[42]使用電荷耦合元件(charge coupled device,CCD)相機(jī)和人工神經(jīng)網(wǎng)絡(luò)組成的機(jī)器視覺(jué)系統(tǒng)識(shí)別了雜草與蘿卜。Karimi等[43]將支持向量機(jī)用于玉米田雜草和氮素脅迫檢測(cè)，取得比人工神經(jīng)網(wǎng)絡(luò)更高的精度。Binch等[44]的對(duì)比研究表明：在經(jīng)典ML技術(shù)中，支持向量機(jī)取得最優(yōu)的雜草檢測(cè)效果。近年來(lái)的研究表明：DL技術(shù)可有效從圖像中自動(dòng)提取特征，在目標(biāo)識(shí)別中取得優(yōu)于支持向量機(jī)的精度[45-47]。王璨等[48]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確識(shí)別了幼苗期玉米與雜草。Dyrmann等[49]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)田影像中識(shí)別了22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(yán)重葉片遮擋的情況下，從谷物田中成功識(shí)別單株雜草[50]。除雜草檢測(cè)，張雪芬等[51]利用支持向量機(jī)結(jié)合CCD影像實(shí)現(xiàn)了作物發(fā)育期的圖像自動(dòng)識(shí)別，余衛(wèi)東等[52]在對(duì)中國(guó)農(nóng)業(yè)氣象自動(dòng)化觀測(cè)的展望中提及計(jì)算機(jī)視覺(jué)技術(shù)的應(yīng)用，ML技術(shù)在今后的農(nóng)業(yè)氣象自動(dòng)化觀測(cè)中有待發(fā)揮更重要的作用。

DL技術(shù)可以從高維海量數(shù)據(jù)中強(qiáng)有力提取復(fù)雜的結(jié)構(gòu)信息[21]，近年來(lái)在植株表型觀測(cè)、病蟲(chóng)害檢測(cè)、農(nóng)田障礙檢測(cè)、果實(shí)檢測(cè)等任務(wù)中得到成功應(yīng)用[53-55]，可極大提升農(nóng)業(yè)氣象自動(dòng)化觀測(cè)水平。Christiansen等[56]對(duì)比了DL技術(shù)和經(jīng)典ML技術(shù)在農(nóng)田障礙和異常檢測(cè)中的應(yīng)用效果，結(jié)果顯示DL技術(shù)具有最高精度和最快運(yùn)算速度。Yalcin等[57]利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像特征，識(shí)別農(nóng)業(yè)植被的物候期，精度優(yōu)于基于手工設(shè)計(jì)特征的經(jīng)典ML技術(shù)。Jin等[58]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(zhǎng)法從Lidar 3D點(diǎn)云中分割單株玉米，可準(zhǔn)確測(cè)量植株高度。Ubbens等[59]開(kāi)發(fā)了可用于葉片計(jì)數(shù)等植物表型任務(wù)的DL平臺(tái)。Xiong等[60]開(kāi)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(shí)現(xiàn)水稻表型自動(dòng)化測(cè)量，段凌鳳等[61]和張領(lǐng)先等[62]開(kāi)展了類(lèi)似研究。Baweja等[63]使用CCD相機(jī)和卷積神經(jīng)網(wǎng)絡(luò)組成的機(jī)器視覺(jué)系統(tǒng)自動(dòng)計(jì)算莖稈數(shù)并測(cè)量莖寬。黃雙萍等[64]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(shí)現(xiàn)水稻穗瘟病害的精準(zhǔn)檢測(cè)。Mohanty等[65]通過(guò)遷移學(xué)習(xí)和重新訓(xùn)練兩種方式訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，有效識(shí)別14種作物物種和26種作物病害，孫俊等[66]開(kāi)展了類(lèi)似工作。Rahnemoonfar等[67]提出一種DL結(jié)構(gòu)用于果實(shí)計(jì)數(shù)，即使水果處于陰影下，或被樹(shù)葉、樹(shù)枝遮擋，或水果之間存在一定程度的重疊，也能有效計(jì)數(shù)。薛月菊等[68]利用DL技術(shù)中的YOLOv2網(wǎng)絡(luò)檢測(cè)未成熟芒果，表明該方法在復(fù)雜場(chǎng)景下的檢測(cè)精度優(yōu)于更快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)。

2.3 產(chǎn)量預(yù)測(cè)

在健康的生態(tài)系統(tǒng)下以最低成本取得最大作物產(chǎn)量是農(nóng)業(yè)生產(chǎn)最重要的目標(biāo)之一[69]。作物產(chǎn)量預(yù)測(cè)是農(nóng)業(yè)氣象工作中的一項(xiàng)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(xiǎn)等，提高預(yù)測(cè)的準(zhǔn)確性有助于增加作物產(chǎn)量和商業(yè)利潤(rùn)。經(jīng)典統(tǒng)計(jì)方法難以準(zhǔn)確預(yù)測(cè)作物產(chǎn)量的非線性時(shí)空變化，當(dāng)前更有效的產(chǎn)量預(yù)測(cè)方法包括作物生長(zhǎng)模擬和ML技術(shù)[70]。作物生長(zhǎng)模型將作物生長(zhǎng)階段的動(dòng)態(tài)機(jī)制以數(shù)學(xué)模型抽象表達(dá)[71]，建模過(guò)程耗時(shí)且昂貴，其運(yùn)行所需參數(shù)集在發(fā)展中國(guó)家尤難獲取。另一方面的研究中，經(jīng)典ML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(shí)現(xiàn)了不同尺度下不同作物產(chǎn)量的準(zhǔn)確預(yù)測(cè)[72-73]，并有學(xué)者對(duì)比不同方法的預(yù)測(cè)能力。Fortin等[74]研究表明：在馬鈴薯產(chǎn)量預(yù)測(cè)中，多層感知器預(yù)測(cè)效果優(yōu)于多元線性回歸。Ruβ[75]對(duì)比了多層感知器、回歸樹(shù)、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(cè)的精度，表明支持向量回歸預(yù)測(cè)結(jié)果最準(zhǔn)確。González等[70]對(duì)比了多元線性回歸、M5-Prime回歸樹(shù)、人工神經(jīng)網(wǎng)絡(luò)、K最鄰近法和支持向量回歸對(duì)大規(guī)模種植的多種作物產(chǎn)量的預(yù)測(cè)能力，結(jié)果顯示：M5-Prime回歸樹(shù)表現(xiàn)最優(yōu)，作者同時(shí)指出變量和屬性的選取直接影響不同算法、模型的預(yù)測(cè)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(cè)緊密相關(guān)的農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估是農(nóng)業(yè)氣象學(xué)領(lǐng)域中研究的熱點(diǎn)[76-80]，較之傳統(tǒng)技術(shù)手段，ML技術(shù)對(duì)此有很大的應(yīng)用潛力，目前已有研究將ML技術(shù)用于農(nóng)業(yè)氣象災(zāi)害遙感監(jiān)測(cè)與產(chǎn)量影響評(píng)估，如Park等[81]利用隨機(jī)森林等ML技術(shù)與多源遙感數(shù)據(jù)結(jié)合，對(duì)農(nóng)業(yè)干旱進(jìn)行監(jiān)測(cè)評(píng)估。

近幾年，將DL技術(shù)應(yīng)用于作物產(chǎn)量預(yù)測(cè)的研究陸續(xù)出現(xiàn)[82]。Kuwata等[83]對(duì)比使用DL技術(shù)和支持向量回歸預(yù)測(cè)玉米產(chǎn)量，顯示DL技術(shù)預(yù)測(cè)精度更高。Kim等[84]將支持向量機(jī)、隨機(jī)森林、極限隨機(jī)樹(shù)和DL技術(shù)用于玉米產(chǎn)量預(yù)測(cè)，顯示DL技術(shù)精度最高，且可克服一般ML技術(shù)應(yīng)用中的過(guò)擬合問(wèn)題，更穩(wěn)定。You等[85]利用公眾可獲得的遙感數(shù)據(jù)預(yù)測(cè)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(zhǎng)短期記憶(long-short term memory，LSTM)網(wǎng)絡(luò)與3種對(duì)比方法，顯示卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)可自動(dòng)學(xué)習(xí)原始數(shù)據(jù)中的有效特征并取得最高的預(yù)測(cè)精度。Wang等[86]將深度遷移學(xué)習(xí)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(cè)，表明使用遷移學(xué)習(xí)的長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)精度最高。

2.4 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(guò)站點(diǎn)觀測(cè)無(wú)法取得其連續(xù)準(zhǔn)確的空間分布情況，且某些參數(shù)測(cè)量難度大、費(fèi)用昂貴。ML技術(shù)與氣象數(shù)據(jù)、遙感數(shù)據(jù)等相結(jié)合，可簡(jiǎn)單、高效地實(shí)現(xiàn)參數(shù)估算，且使對(duì)其時(shí)空連續(xù)性監(jiān)測(cè)與預(yù)報(bào)成為可能。農(nóng)業(yè)氣象工作關(guān)注的熱點(diǎn)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(zhǔn)確估算蒸散對(duì)農(nóng)業(yè)灌溉水資源時(shí)空優(yōu)化配置至關(guān)重要，同時(shí)該參數(shù)測(cè)量難度較大。Yang等[87]利用支持向量機(jī)結(jié)合通量觀測(cè)數(shù)據(jù)與MODIS遙感數(shù)據(jù)實(shí)現(xiàn)了大尺度蒸散的時(shí)空變化預(yù)測(cè)。Jung等[88]使用一種模型樹(shù)集成的ML技術(shù)集成站點(diǎn)觀測(cè)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。Patil等[89]將ML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(xué)習(xí)機(jī)(extreme learning machine，ELM)和最小二乘支持向量機(jī)估算精度高于經(jīng)驗(yàn)?zāi)Ｐ汀ehdizadeh等[90]利用支持向量機(jī)、基因表達(dá)式編程、多元自適應(yīng)回歸樣條與氣象觀測(cè)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(jī)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(zhǎng)發(fā)育和產(chǎn)量形成，其信息獲取對(duì)農(nóng)業(yè)生產(chǎn)中科學(xué)高效的水肥管理具有重要意義。Baghdadi等[91]利用多層感知器和SAR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。Srivastava等[92]對(duì)比了支持向量機(jī)、關(guān)聯(lián)向量機(jī)、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。Nahvi等[93]利用極限學(xué)習(xí)機(jī)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。Morellos等[94]利用偏最小二乘回歸、主成分回歸，以及兩種ML技術(shù)(最小二乘支持向量機(jī)和Cubist算法)與地面光譜數(shù)據(jù)結(jié)合估算土壤全氮、有機(jī)碳和含水量，結(jié)果顯示：最小二乘支持向量機(jī)對(duì)含水量和有機(jī)碳估算效果最好，而Cubist算法對(duì)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(zhǎng)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)。Ali等[95]的綜述顯示，人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸和隨機(jī)森林回歸是生物量和葉面積指數(shù)遙感反演中使用頻率較高的算法。Prasad等[96]利用人工神經(jīng)網(wǎng)絡(luò)實(shí)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。Jia等[97]利用人工神經(jīng)網(wǎng)絡(luò)與地面散射計(jì)數(shù)據(jù)和RADARSAT-2影像結(jié)合反演水稻生物量，取得理想精度。Wang等[98]將隨機(jī)森林回歸和支持向量回歸、人工神經(jīng)網(wǎng)絡(luò)兩種對(duì)比方法用于小麥多個(gè)生育期生物量的遙感反演，結(jié)果顯示：隨機(jī)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(dāng)，優(yōu)于人工神經(jīng)網(wǎng)絡(luò)。Mao等[99]對(duì)比了人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸、隨機(jī)森林回歸、高斯過(guò)程回歸和梯度升壓回歸樹(shù)(gradient boosting regression tree，GBRT)等ML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(shù)估算精度最高且穩(wěn)健性最好，支持向量回歸則計(jì)算效率最高。ML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(xué)參數(shù)，并可監(jiān)測(cè)作物生長(zhǎng)過(guò)程的相關(guān)活動(dòng)。Liu等[100]利用一種神經(jīng)網(wǎng)絡(luò)模型與微波亮溫?cái)?shù)據(jù)結(jié)合，反演了小麥植株含水量。Yang等[101]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。Abdel-Rahman等[102]利用隨機(jī)森林回歸和逐步多元回歸分別與Hyperion高光譜數(shù)據(jù)結(jié)合估算甘蔗葉片氮素含量，表明隨機(jī)森林回歸估算精度高于逐步多元回歸。Van Wittenberghe等[103]利用高斯過(guò)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)。Maimaitijiang等[104]分別利用偏最小二乘回歸、支持向量回歸和極限學(xué)習(xí)機(jī)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(xué)習(xí)機(jī)回歸效果最理想。

近些年，將DL用于上述參數(shù)估算的研究陸續(xù)見(jiàn)諸報(bào)道。Song等[105]提出一種聯(lián)合深度信念網(wǎng)絡(luò)與宏觀細(xì)胞自動(dòng)機(jī)(macroscopic cellular automata，MCA)的DBN-MCA模型，結(jié)合環(huán)境變量預(yù)測(cè)土壤濕度，顯示其預(yù)測(cè)精度高于經(jīng)典ML技術(shù)，為預(yù)測(cè)高度非線性特點(diǎn)的土壤濕度提供了一個(gè)強(qiáng)有力的工具。王璨等[106]利用卷積神經(jīng)網(wǎng)絡(luò)和近紅外光譜預(yù)測(cè)土壤含水率，結(jié)果顯示：卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(jī)等對(duì)比方法。Ma等[107]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(chéng)等[108]利用可見(jiàn)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(jī)和隨機(jī)森林兩種對(duì)比方法。此外，DL技術(shù)還被用于農(nóng)業(yè)氣象條件預(yù)測(cè)、畜牧業(yè)等相關(guān)研究，如Sehgal等[109]在作物規(guī)劃中利用長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)天氣和土壤屬性。

3 小 結(jié)

本文系統(tǒng)概述了ML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(duì)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ML技術(shù)的研究及應(yīng)用情況，并納入近年來(lái)最新的研究進(jìn)展。

本文將ML技術(shù)在農(nóng)業(yè)氣象工作中的主要應(yīng)用歸納為4個(gè)方面：制圖與區(qū)劃、檢測(cè)與觀測(cè)、產(chǎn)量預(yù)測(cè)和參數(shù)估算。在制圖與區(qū)劃方面，ML技術(shù)與遙感影像結(jié)合實(shí)現(xiàn)了不同尺度的土地覆蓋與作物類(lèi)型制圖，亦已結(jié)合遙感數(shù)據(jù)、土壤數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)用于作物長(zhǎng)勢(shì)、植被質(zhì)量等專題圖的制作與作物管理區(qū)劃分；在檢測(cè)與觀測(cè)方面，ML技術(shù)成功用于田間影像中的雜草檢測(cè)，DL技術(shù)在植株表型觀測(cè)、病蟲(chóng)害檢測(cè)、農(nóng)田障礙檢測(cè)、果實(shí)檢測(cè)等方面，取得了理想精度，可極大提升農(nóng)業(yè)氣象自動(dòng)化觀測(cè)水平；在產(chǎn)量預(yù)測(cè)方面，ML技術(shù)與遙感時(shí)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(cè)了不同作物的產(chǎn)量，與之相關(guān)，ML技術(shù)在農(nóng)業(yè)氣象災(zāi)害評(píng)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ML技術(shù)與氣象數(shù)據(jù)、遙感數(shù)據(jù)等的結(jié)合實(shí)現(xiàn)精確反演或預(yù)測(cè)。

綜合看，傳統(tǒng)淺層ML技術(shù)中以支持向量機(jī)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(lái)的方法對(duì)比類(lèi)研究中，隨機(jī)森林和梯度提升機(jī)等集成學(xué)習(xí)方法普遍取得優(yōu)于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的精度，DL技術(shù)則在某些任務(wù)中取得更優(yōu)于集成學(xué)習(xí)的精度，且可解決淺層ML技術(shù)較難解決的一些問(wèn)題，如在農(nóng)業(yè)氣象觀測(cè)中可精準(zhǔn)實(shí)現(xiàn)植株表型的自動(dòng)化觀測(cè)。從應(yīng)用時(shí)間上看，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等淺層ML技術(shù)自20世紀(jì)90年代開(kāi)始在農(nóng)業(yè)氣象和農(nóng)業(yè)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(jī)，而以支持向量機(jī)為代表的核方法則較人工神經(jīng)網(wǎng)絡(luò)更具優(yōu)勢(shì)；決策樹(shù)自21世紀(jì)開(kāi)始受到學(xué)界的關(guān)注，2010年后隨機(jī)森林和梯度提升機(jī)等決策樹(shù)集成方法在很多方面被認(rèn)為是較核方法更好的選擇；DL技術(shù)自2012年前后重回主流學(xué)界的視野，伴隨卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)的成功，自2015年后被廣泛認(rèn)為在諸多應(yīng)用中的表現(xiàn)超越了支持向量機(jī)和集成學(xué)習(xí)[14]。盡管將DL技術(shù)應(yīng)用于農(nóng)業(yè)問(wèn)題的先驅(qū)探索始于2010年[110]，但大部分研究成果發(fā)表于2015年以后[15]，且有逐年增多的趨勢(shì)，國(guó)內(nèi)相關(guān)研究相對(duì)滯后，多數(shù)發(fā)表于2017年以后，且涉及到的現(xiàn)代農(nóng)業(yè)氣象中的問(wèn)題尚十分有限。

目前有待驗(yàn)證ML技術(shù)特別是DL技術(shù)在更多農(nóng)業(yè)氣象問(wèn)題上的適用性和先進(jìn)性，如農(nóng)業(yè)氣象災(zāi)害遙感監(jiān)測(cè)與損失評(píng)估、農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估與區(qū)劃、農(nóng)業(yè)氣候區(qū)劃、氣候變化對(duì)作物生長(zhǎng)的影響評(píng)估等任務(wù)，同時(shí)，伴隨ML技術(shù)的發(fā)展，特別是類(lèi)似長(zhǎng)短期記憶網(wǎng)絡(luò)的DL時(shí)間維算法和新結(jié)構(gòu)的發(fā)展，有望更好地結(jié)合以風(fēng)云系列氣象衛(wèi)星數(shù)據(jù)為代表的遙感時(shí)間序列數(shù)據(jù)，在制圖、估產(chǎn)、預(yù)測(cè)等諸多已開(kāi)展研究的任務(wù)中取得更高的精度和準(zhǔn)確性。特別地，將ML技術(shù)與智能手機(jī)等移動(dòng)終端結(jié)合，可為農(nóng)業(yè)管理者和生產(chǎn)者提供功能強(qiáng)大且智慧化的農(nóng)業(yè)氣象信息服務(wù)；將DL技術(shù)與地基觀測(cè)、無(wú)人機(jī)遙感等結(jié)合，開(kāi)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(dòng)化觀測(cè)水平。同時(shí)，需要認(rèn)識(shí)到ML技術(shù)中沒(méi)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ML技術(shù)，如梯度提升機(jī)在當(dāng)今被普遍認(rèn)為是處理非感知數(shù)據(jù)的最好算法之一，而當(dāng)訓(xùn)練數(shù)據(jù)有限時(shí)，淺層ML技術(shù)往往比DL技術(shù)更適用。

未來(lái)ML技術(shù)的各種算法和模型必將進(jìn)一步發(fā)展，程序庫(kù)和普適性的訓(xùn)練數(shù)據(jù)集也將更加豐富，繼承并突破現(xiàn)代DL技術(shù)核心思想的新方法也終將出現(xiàn)。需要熟悉ML技術(shù)在現(xiàn)代農(nóng)業(yè)氣象所涉及的各類(lèi)問(wèn)題上的適用情況，并及時(shí)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ML技術(shù)特別是DL技術(shù)帶動(dòng)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(jī)遇。