智能农业大数据智能决策与知识服务

　　CAAI 2018年 第8卷 第4期 缪祎晟，吴华瑞

　　农业大数据智能决策与知识服务

　　随着物联网、云计算、大数据等新兴信息技术与农业的深度融合发展，积累形成了海量的农业数据资源，涉及耕地、育种、播种、施肥、收获、储运，以及加工和销售等各环节，其中所蕴含的农业信息与农业知识具有数据量大、结构复杂、模态多变、实时性强、关联度高等特点，单纯通过搜索引擎进行检索很难快速、准确地满足用户需求。如何利用人工智能对农业大数据进行挖掘、分析，并进行决策，以指导农业生产流通是提高农业生产经营效率的关键 [1]。农业大数据智能决策与分析技术，可以为农业生产、经营、管理等环节提供专业化的决策支持、智能化的分析方法和个性化的信息服务，对于增强政府部门宏观政策调控能力，提高农业信息服务质量和水平，保障国家食品安全，促进现代农业快速发展等具有重要意义 [2]。

　　农业大数据智能决策与知识服务系统是以农业知识为内容，通过智能化的方式向用户提供个性化服务，主要涉及农业知识资源的自动采集与知识发现、农业知识图谱构建与更新机制、知识图谱可视化编辑，以及知识漫游链接四部分研究内容。由于农业领域存在环境复杂、动植物种类繁多、生产过程繁琐各异等特点，造成农业大数据来源广泛、类型多样、更新频率高、数据质量参差不齐等实际问题，需要农业知识智能服务系统把分散的农业知识与数据组织起来，实现知识共享与综合辅助决策，提高农业领域知识服务的智能化程度。

　　1 农业智能决策与知识服务系统

　　发展历程

　　农业大数据来源、类型、结构等均存在较大差异化，相对应的农业知识抽取、推理与表达方式也呈现异构化特点。在农业领域，数据处理正从传统的数据挖掘、机器学习、统计分析向着动植物数字化模拟与过程建模分析、智能分析预警模型系统等演进。

　　20 世纪 70 年代，计算机决策支持系统在农业领域逐步开展应用。代表性产品有美国伊利诺斯大学开发的世界上最早的植物保护农业专家系统——大豆病害诊断专家系统 PLANT/DS 和德国联邦农业教育研究所开发的小麦选择模型 Genis，以及克里希纳和贝尔曼提出的价格变化趋势弹性模型等。90 年代后，由美国北卡罗来纳大学开发的杂草管理决策支持系统 HERB，在美国广泛应用。随后，随着国外越来越多的研究者和研究机构的加入，专家系统在农业领域的应用进入快速发展时期。进入 21 世纪以后，农业专家系统和作物生长模拟类模型成为信息技术领域研究热点之一。如 IWCMSB(小麦综合管理系统)、COMAX(棉花综合管理系统)和 HYDRA(灌溉管理系统)等农业专家系统，以及美国的禾谷类作物管理系统 DSSAT 和大豆管理系统 SMARTSOY、澳大利亚的棉花管理系统 SIRATAC、美国夏威夷大学的IBSNAT 系统。印度、加拿大等国家研究人员将 AEGIS/Win 与 RS、模型、专家系统等结合，进行干旱地区决策、农业生产模式等领域的深层次决策支持系统研究与应用。墨西哥的维拉克鲁斯大学建立了决策支持系统 TreeDSS，有力保护了加利福尼亚湾湿地走廊地区的自然资源。

　　在我国，农业智能决策系统始于 20 世纪 80 年代中期，起初只是在一些区域发展规划中应用。90 年代我国农业决策系统快速发展，开发出诸如小麦、烟草、水稻、花卉、果树及园艺作物等的病虫害诊断、栽培、管理等各种决策支持系统，涉及生态模拟、作物栽培、新品种选育、病虫害预测预报、生产管理、节水灌溉、农产品评价等方面。研究人员结合多元回归分析预测模型和 BP 神经网络多变量输入预测模型，根据粮食生产过程影响因子，以及产量历史数据，提出了粮食产量预测模型与方法。如江苏省农业科学院的作物栽培计算机模拟优化决策系统 RCSODS(水稻)和 WCSODS(小麦)，以及江西农业大学的水稻生产管理决策系统 RICAM/RICOS 和华南农业大学的水稻高产栽培模拟模型等。采用多维动态规划法(DP)与加速遗传算法(RAGA )相结合的方法，针对水稻灌溉，以及病虫害问题提出了遗传动态规划模型。随着农产品生产、加工、运输、销售的全流程信息化需求日益旺盛，研究者越来越多的转向收获、运输、销售等方面的智能决策研究和应用。通过实时高效地挖掘多维度、多形态的海量农业大数据，实现农业全产业链大数据智能决策分析具有重要意义。

　　农业知识图谱是以不同方式组成的农业知识集合、农业相关技术资料、文献库，以及农业相关经验总结和实施案例等。随着农业知识与数据资源的不断积累，单靠人工增加与维护农业知识图谱已不现实。为此，研究人员开始从大数据挖掘的角度进行知识挖掘，以实现基于大数据集的知识图谱维护与更新。知识图谱的可视化编辑可以更好的引入人类经验，以获得改进的建模能力，降低计算成本 [3]。

　　2 不同农业应用场景中的智能决

　　策与知识服务系统

　　农业生产决策系统面向小麦、玉米、水稻、大豆等作物的产前种 / 肥配置、种植方案制定、产中农情动态监测与分析、产后产量测报信息服务需求，挖掘作物区域种植制度和农作物生长发育规律，形成不同地区、不同品种农作物的生产技术规程，基于实时数据和知识库联合驱动构建实时决策模型，开发作物调优栽培管理与实时决策系统，基于群体智能启发的信息推荐模型，实现农田基础数据、气象土壤数据、遥感解析数据、田间作物信息和农业知识的融合分析，以及信息主动推送服务，提供科学的栽培技术指导 [4]。

　　在作物育种方面，国际种业巨头如美国孟山都、瑞士先正达等借助大数据技术手段，建立品种丰富、共享整合的种质资源库，进行信息化智能育种。国内如国家农业信息化工程技术研究中心研发的“互联网 +”商业化育种大数据平台“金种子育种云平台”提供种质资源管理、试验规划、性状采集、品种选育、品种区试、系谱管理、数据分析、育种全程可追溯等功能。

　　在农业灾害识别方面，利用大数据智能分析和挖掘技术，集成气温、降水、日照时数、风速等气象资料、地面观测数据和遥感影像数据等，建立农业气象灾害和病虫害等动态预测模型，实时监控农业生产风险。如中国农业科学院农业资源与农业区划研究所建立的复杂气候变化模型，为重大自然灾害监测发挥了重大作用。

　　在作物模型方面，国际上获得广泛认可的作物生长模型包括联合国粮食及农业组织 (FAO) 的 QUACROP、荷兰 WOSOFT系列和澳大利亚 APSIM 系列等。我国在引进国外优秀模型的基础上，先后提出了小麦、玉米、水稻和棉花等模拟模型和优化栽培系统等。借助大数据的技术手段，作物模型的准确性、普适性、机理性和预测性有待进一步提升和完善。

　　在精准农业生产指导方面，集成作物生长发育情况，以及气候、土壤、农事操作等作物生长环境数据，利用大数据处理分析技术，突破专家系统和模拟模型在多结构、密度数据处理方面的不足，为农业生产决策者提供精准施药、科学施肥、水肥调控等高效、可靠的决策信息。如美国 FarmLogs 公司研发的具备智能预测功能的农作物轮作优化产品，国内如国家农业信息化工程技术研究中心研发的“绿云格”大数据智能分析平台，利用云端托管的形式实现了设施农业中作物生长信息与专家经验知识、专业模型的有机集成和决策分析。

　　在农产品市场行情分析与预警方面，具有代表性的是经济合作与发展组织 (OECD)和 FAO 的 AGLINK-COSIMO 模型、FAO 的全球粮食和农业信息及预警系统 GIEWS、美国农业部的国家-商品联系模型、美国粮食和农业政策研究所的 FAPRI 模型和中国农业科学院农业信息研究所的 CAMES 模型等。借助大数据的智能计算，建立成熟的农产品中长期智能分析与预警模型，可以对农产品的生产发展态势、市场行情变化进行早期判断和预警分析。

　　如表 1 所示，借助大数据分析和多样的算法、方法和技术，大量的农业领域问题和事件被求解和模拟。机器学习主要用于农业数据的预测、聚类和分类。图像识别、小波分解和机器视觉等方法，通常综合运用在农业遥感、农产品无损检测、动植物表型特征识别等领域。云平台为大规模存储、预处理、分析和可视化农业大数据提供了支撑，GIS 工具主要用于农业时空大数据的分析。

　　表 1 不同农业应用中的智能决策与知识服务

　　3 农业智能决策与知识服务系统

　　的发展趋势

　　总体来看，农业智能决策与知识服务技术仍处在初步发展阶段。农业生产主体复杂，生产过程发散，需求千变万化，面向跨领域、跨行业、跨学科、多结构的交叉、综合、关联的农业大数据处理分析技术依然缺乏。今后智能农业大数据分析处理将针对农业领域的数据特征和应用目标，利用机器学习、人工智能、数学建模等技术手段，确定有效的智能分析模型和方法，对农业大数据进行处理分析，从而发现其中蕴含的模式和规律，实现农业领域决策分析的智能化、精确化和科学化。

　　实时高效地计算结构化、半结构化、非结构化的多维度、多粒度、多模型、多形态的海量农业大数据，探索“数据中的知识发现”“关联中的推理”“特征驱动的推荐”等理论模型与方法，建立链接全产业链的农业大数据智能决策分析理论模型和计算框架(如图 1 和图 2 所示)，形成从数据到知识再到服务的农业知识服务体系理论，对于汲取农业数据价值具有重要意义 [5-7]。

　　图 1 基于大数据的农业智能决策分析框架

　　图 2 知识推理与特征驱动的农业知识智能服务框架

　　为此，农业智能决策与知识服务技术发展的方向主要有以下几个方面。

　　(1)农业动植物表型信息高通量检测技术。在动植物功能特征筛选时往往需要同时提供多种表型信息，以便更准确全面地进行分析，因而多表型参数并行测量是需要解决的重要问题。表型组学在进行验证时往往需要大批量样本检测，在无损表型测量过程中动植物的表型性状也会随其生长发生改变，为了保证测量数据的有效性和筛选的准确性，短时间内进行大批量样本的表型性状检测，实现真正意义上的高通量测量是有待突破的技术难题。

　　(2)基于深度学习的农业大数据自适应分析模型。通过地域、作物态势、生产环境、经营管理等数据链语义归类，形成农作物生产经营跨模态信息资源池。基于凸模型的农业大数据表示方法，突破用于深度学习模型的自适应难点问题，挖掘发现农业大数据中的隐藏范式、未知关联、加载价值、市场趋势，以及社会规律等，解决多类复杂的农业生产环境智能控制、农业灾害风险评估与预测、农产品市场行情监测预警、农产品质量安全溯源等智能问题。

　　(3)强可视化农业大数据决策分析机制。研究农业大数据决策分析任务建模理论，建立农业数据多模态可视化表达与用户交互模型，研究可视化计算分析方法，突破基于强可视化交互的人机混合智能决策方法，探索动态多维度的农业大数据流实时可视化分析机制，提高决策的准确性并缩短算法训练周期。

　　(4)类人思维的农业知识图谱神经元框架。借鉴人类思维与知识推理机制，以深度学习神经网络为基础，重点突破以自然语言分析、用户行为理解、直觉判断为核心的类人思维知识图谱模型研究，建立“环境-营养-表征-病害-生产-追溯-流通”全环节农业知识的语义空间关系构建。在大数据挖掘分析的基础上，探索人脑经验、直觉机理与知识表达模型，加强大数据、小样本条件下的知识迁移学习推理，实现农业大数据下的类人思维知识图谱神经元框架构建。

　　(5)跨媒体农业知识关联理解与服务交互机制。研究农业文本、音频、视频、光谱等跨媒体知识统一表征新方法，研究建立公共映射空间不同模态数据的语义关联与相关性度量，突破跨媒体农业知识数据的高层级理解融合，形成跨媒体关联理解与知识自我更新能力，探索农业场景下语音、手势、动作等跨媒体内容在服务交互中的语义蕴含。

　　(6)基于用户画像的农业知识精准投送机制。基于农业移动互联网个人行为数据拼接技术，研究用户画像绘制与更新机制，建立生成式对抗网络模型。通过变分推理与对抗网络整合方法，突破无反馈或被动反馈推荐系统优化技术，探索离线智能技术解决农业细分领域推荐系统小样本训练收敛性问题。

　　突破上述关键技术难点，将能够解决农业领域信息感知、汇集、决策、服务等一系列的技术难题，从而推动农业的信息化与智能化发展。关键是加强对农业生产环境及动植物本体感知数据的采集、汇聚及挖掘，加快推广节水、节药、节肥、节劳动力等节本增效信息化应用技术，构建以人工智能技术为核心的现代农业产业应用体系，指导农业精准生产，实现合理使用农业资源，提高农业投入品利用率，降低生产成本，改善生态环境，提高农产品产量和品质的目的。

　　参考文献

　　[1] Andreas Kamilaris, Andreas Kartakoullis, Francesc X. Prenafeta-Boldú[J]. A review on the practice of big data analysis in agriculture, Computers and Electronics in Agriculture, 2017(143): 23-37.

　　[2] 许世卫，王东杰，李哲敏 . 大数据推动农业现代化应用研究 [J]. 中国农业科学 ,2015,48(17):3429-3438.

　　[3] Nickel M, Murphy K, Tresp V, et al. A Review of Relational Machine Learning for Knowledge Graphs[J]. Proceedings of the IEEE, 2016, 104(1):11-33.

　　[4] Wolfert, S, Ge, L, Verdouw, C, et al. Big Data in Smart Farming - A review[J]. Agricultural Systems,2017,153(5):69-80.

　　[5] Dutta R, Morshed A, Aryal J, et al. Development of an intelligent environmental knowledge system for sustainable agricultural decision support[J]. Environmental Modelling & Software, 2014, 52(5):264-272.

　　[6] Pan W K. A survey of transfer learning for collaborative recommendation with auxiliary data[J].

　　NEUROCOMPUTING, 2016, 177:447-453.

　　[7] Hernando A, Ortega F, Ortega, F. A non negative matrix factorization for collaborative filtering recommender systems based on a Bayesian probabilistic model[J]. KNOWLEDGE-BASED SYSTEMS, 2016, 97:188-202.

　　作者介绍：缪祎晟

　　国家农业信息化工程技术研究中心副研究员。主要从事农业智能系统、物联网方面的研究。

　　作者介绍：吴华瑞

　　博士，研究员，国家农业信息化工程技术研究中心软件工程部主任。中国人工智能学会理事，北京农业信息化学会监事，国家城镇化与村镇建设发展战略组成员。主要从事农业智能系统、农业大数据智能决策方面的研究。
来源:《中国人工智能学会通讯》2018年第4期