深度学习在农业领域的研究与应用

深度学习是目前人工智能领域最重要的技术之一,在学术领域和工程应用中掀起了研究高潮。鉴于深度学习在农业领域的应用潜力和重要性,通过对深度学习有关文献的研究,详细描述了深度学习的概念,结合典型深度神经网络的结构特征,对其特点、优缺点、变体及应用现状进行了综述;重点介绍了深度学习在语音识别、农业场景目标检测、农业图像语义分割领域的发展和应用;分析了深度学习在农业领域应用中存在问题和未来重点研究方向。

深度信念网络在农业信息领域中的应用研究

中国是农业大国,随着农业信息化和现代化的快速发展,农业信息领域更偏向于数据的挖掘和分析。深度信念网络是由多个受限玻尔兹曼机堆叠形成的深层神经网络模型,可以自动提取农业信息领域数据特征,具有操作简便、对计算机硬件要求较低的优点,在农业信息领域数据分析方面得到广泛应用,尤其是在农作物疾病和杂草识别检测、农作物产量预测、土壤性质预测和降水预报以及畜牧生产和管理等领域的应用表现出色,为农业信息领域数据处理和分析提供了新方向。在阐述深度信念网络在农业信息领域发展概况的基础上,介绍了深度信念网络的重要应用,分析了深度信念网络在农业信息领域的优势和缺陷,最后对深度信念网络在农业信息领域的应用前景了进行展望。

卷积神经网络在农业遥感图像语义分割中的应用综述

卷积神经网络是一种特殊的人工神经网络,通过卷积核遍历图获取更多的目标特征信息。近年来,遥感技术发展迅速并被广泛应用于土地利用分析、作物分类识别、作物生长监测和病虫害检测,卷积神经网络为提取农业遥感图像的有效信息提供了新方法。卷积神经语义分割网络可根据语义信息对遥感图像像素点进行标注分割,在计算机计算能力逐步提高的前提下,分割网络结构优化,深度加深,分割准确率提高,性能提升。针对实际需要网络侧重于模块化设计改进,在土地利用分析和农作物分类识别应用中,改进的网络分割边缘细化、清晰,且像素准确率较高。在作物生长监测和病虫害识别方面,模块化改进使网络可高效实现分割任务、满足实际需要,卷积神经网络对农业遥感图像信息的语义分割为农业现代化和精细化管理提供了信息支撑。

基于人工智能的地球物理参数反演范式理论及判定条件

[目的/意义]人工智能(Artificial Intelligence,AI)技术已在学术和工程应用领域掀起了研究高潮,在地球物理参数和农业气象遥感参数反演方面也表现出了强大的应用潜力。目前大部分AI技术在地学和农学的应用还是“黑箱”,没有物理意义或缺乏可解释性及通用性。为了促进AI在地学和农学的应用和培养交叉学科的人才,本研究提出基于AI耦合物理和统计方法的地球物理参数反演范式理论。[方法]首先基于物理能量平衡方程进行物理逻辑推理,从理论上构造反演方程组,然后基于物理推导构建泛化的统计方法。通过物理模型模拟获得物理方法的代表性解以及利用多源数据获得统计方法代表性的解作为深度学习的训练和测试数据库,最后利用深度学习进行优化求解。[结果和讨论]判定形成具有通用性和物理可解释的范式条件包括:(1)输入与输出变量(参数)之间必须存在因果关系;(2)输入和输出变量(参数)之间理论上可以构建闭合的方程组(未知数个数少于或等于方程组个数),也就是说输出参数可以被输入参数唯一确定。如果输入参数(变量)和输出参数(变量)之间存在很强的因果关系,则可以直接使用深度学习进行反演。如果输入参数和输出参数之间存在弱相关性,则需要添加先验知识来提高输出参数的反演精度。此外,本研究以农业气象遥感中的关键参数地表温度、发射率、近地表空气温度和大气水汽含量联合反演作为案例对理论进行了证明,分析结果表明本理论是可行的,并且可以辅助优化设计卫星传感器波段组合。[结论]本理论和判定条件的提出在地球物理参数反演史上具有里程碑意义。

中国地表温度时空变化及驱动因素分析

近年来随着全球极端气候事件不断加剧,我国极端天气和灾害事件频繁发生,伴随着地表温度(LST)变化异常对气候环境稳定和农业生产构成了巨大威胁。地表温度是衡量地球环境的重要参数,对于区域的物质能量循环、生态系统平衡以及人类的生产生活都具有重要影响。由于热红外遥感受云雨天气影响导致部分区域像元信息缺失和精度不高,该文通过对重建的中国2002—2018年月尺度遥感地表温度数据集进行了评价,分析表明该数据集可以有效改善MODIS LST数据的不足,进一步提高MODIS LST数据的利用率。在此基础上,从整体、局部和单个像元等多个空间尺度分析了我国地表温度在不同时间维度下的时空变化特征,特别对17年间地表温度异常变化的区域进行了重点关注和研究。最后,结合地表、大气、海洋以及社会经济活动等多种数据资料,深入探究了2002—2018年间我国地表温度时空变化特别是年际异常变化的驱动因素。

基于大数据的遥感参数人工智能反演范式理论形成与工程技术实现

为了解决人工智能(Artificial Intelligence)应用在地球物理参数反演中的“黑箱”问题,使得人工智能应用具有物理意义和可解释性及普适性,深度学习耦合物理方法和统计方法的理论和技术在各学科领域正在陆续展开。本研究通过梳理作者20余年的相关研究,在前面归纳和演绎得到人工智能地球物理参数反演范式理论和判定条件基础上,分别给出了遥感参数人工智能反演范式和判定条件。目前大家研究普遍遇到一个问题,很多人工智能参数反演理论模拟数据反演精度非常高,但实际应用反演精度不理想,因此深度学习如何耦合物理方法和统计方法成为当前亟须解决的工程与技术难题。我们以被动微波土壤水分和地表温度反演为例进行阐述,分析表明物理模型本身的精度还要很大的提升空间或者模拟数据只代表现实情况中的少部分情况。因此只利用物理模型模拟数据直接进行反演还存在很大的局限,必须补充大量高精度的多源统计观测数据。同时可以通过利用模拟数据对深度学习训练和用实际数据检验物理模型的误差。统计方法是人类最直观的描述,物理方法是对统计方法的归纳演绎总结,但真实世界的信息或能量传输是按量子形式传递,物理模型只是当前人们认识世界的最高形式,大部分模型并没有刻画好真实信息流。深度学习中的不同神经元更适合描述和表达量子信息的传输方式,以微积分量子能量信息流认识真实世界需要提高人类的思维认知方式,这才是最高模式。如何采集满足真实情况(量子信息或能量传输)的数据显得非常重要,当前可以充分利用物理逻辑推理构建物理方法和统计方法,并在范式理论和判定条件框架指导下利用大数据思维模式提高地球物理参数反演精度。通过物理逻辑推理证明输入变量能唯一确定输出变量是形成具有物理意义和可解释及通用的反演或分类或预测范式的基本条件,从量子信息(能量)传输真实角度控制采集数据质量是地球物理参数高精度反演工程与技术实现的关键,提高微积分量子信息流思维认知和甄辨物理模型的局限对实现人工智能高精度反演具有里程碑意义。

几种神经网络经典模型综述

近年来深度学习在众多领域都有突出表现并展现出巨大应用潜力。神经网络模型是深度学习的重要载体,因此有必要对其进行深入分析。然而神经网络模型发展至今,呈现出种类多样化、应用专有化等特点,例如有用于目标检测的YOLO系列模型、机器翻译的Transformer系列模型等。本文试图通过对几种主要神经网络经典模型的剖析,找到一条了解深度学习的高效路径。本文首先对深度学习的发展进行概述;然后分别对卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)、图神经网络(GNN)从模型介绍、原理分析、网络训练、模型改进方面进行详细阐述;最后对上述神经网络模型进行总结并对深度学习未来发展进行展望。

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。

乡村振兴战略视域下极端气候灾害与藏粮于民计划分析和展望

2018年中美贸易战和气候变化对中国粮食生产有很大的影响,旱涝等极端气候事件、病虫害频繁发生以及极端气候变化的逐渐加剧等必将给中国未来的粮食生产带来许多严峻的挑战。总体上,中美贸易战和极端气候对中国粮食生产和农业发展战略的影响很大,随着近年来极端气候事件和贸易摩擦的增多,保护农业生产显得非常重要。而由于极端灾害发生具有地域偏远和时间紧迫等特点,为缓解中国粮食安全压力,促进中国乡村振兴,通过对极端气候自然灾害特点的分析,提出了建立城乡居民互保协议、盘活中国农村经济的适合中国农村特点的藏粮于民及乡村振兴民间计划的措施和战略。

北美洲地表温度数据重建及时空变化分析

地表温度是反映区域自然环境和气候变化的重要指标,高质量的数据对区域地表温度时空变化研究是非常重要的。北美洲近年来的气候变化较为异常,因此研究分析该区域的地表温度具有较强的意义。文章基于MODIS地表温度数据,结合地面站点、邻近像元和海拔数据重建了北美洲2002—2018年的遥感地表温度数据集,并分析了其17 a的地表温度时空变化。重建的地表温度数据覆盖了所有陆地地表,数据验证表明精度在1℃左右。经过分析发现:北美洲17 a间以平均0.02℃/a的速度呈现波动增温趋势并在2016年达到历史峰值,此后2 a里地表温度直线下降,这与厄尔尼诺的影响密切相关;北美洲春秋两季的增温幅度较大,冬夏两季次之;阿拉斯加北部地区和加利福尼亚半岛区域近年来的增温趋势极为显著;植被和大气水汽显著地影响着地表温度的变化,40°N以北植被和大气水汽与地表温度呈正相关变化,40°N以南植被和大气水汽与地表温度呈负相关变化。根据北美洲平均地表温度周期波动的变化趋势以及厄尔尼诺的影响,在一定可靠程度上可以预测未来1~2 a整体地表温度变化趋势。

基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究

土壤水分是水文、气象、农业等研究中的重要参数,尤其在农作物估产模型和农业干旱监测研究中有特别重要的意义。前人在土壤水分反演算法研究上已经做了大量研究工作,但由于影响地表土壤水分的因素较多,各种算法依然存在一些不足。本研究在分析以往反演算法的基础上,总结不同算法的优势和局限性,提出利用具有深度学习特点的卷积神经网络方法(CNN)进行土壤水分反演,从而克服传统土壤水分反演方法的缺陷并提高土壤水分反演的精度。以被动微波AMSR2数据为例,在对土壤水分产品算法进行剖析的基础上,构建了基于卷积神经网络反演土壤水分的模型框架,从而提高反演算法的通用性和反演精度。深度学习卷积神经网络的精度主要取决于训练和测试样本数据库,然而被动微波像元分辨率比较低,以及很难获得与卫星同步的地面实测数据。本文选择不同地区地表均一的土壤水分观测站点,以AMSR2土壤水分产品作为参照来获取地面同步数据,从而克服地面同步观测数据的难题。将AMSR2亮温数据和对应地面同步观测土壤水分数据为样本随机分成训练和测试数据库,通过反复训练,当卷积神经网络选择两个卷积层两池化层的组合,迭代次数3000次时,网络反演的总体精度最高。经过测试样本验证表明,CNN反演土壤水分值与地面同步观测土壤水分的均方根误差RMSE为1.1178%,两者保持了较高相关性(r=0.8685)。以地面站点实测数据对CNN反演结果进行验证,相对误差为39.25%。相比于JAXA产品与实测值的验证结果,CNN反演结果的平均相对误差小10.24%,说明CNN明显提高被动微波遥感土壤水分反演的精度。

三峡大坝运行后长江中下游流域气温与植被变化特征及原因分析

基于长江中下游流域120个气象站点1971—2015年日值气温数据,2006—2015年ERA-Interim土壤湿度再分析资料和2006—2015年MODIS卫星遥感植被指数产品MOD13A3,研究了在考虑全球变暖背景下,长江中下游流域春、夏、秋、冬4个季节平均气温在三峡大坝运行前后的变化,采用百分比阈值方法量化最高和最低气温并进行MK突变检验,并分析三峡大坝运行后的长江中下游流域四季土壤湿度和增强型植被指数(EVI)的变化。结果表明:长江中下游流域四季平均气温在三峡大坝运行以后出现明显变化,江南地区主要出现增温现象,江北地区主要出现降温现象;MK突变检验结果显示,江南地区的高温日和江北的低温日均在2006年左右发生突变,与三峡大坝完全运行的时间相符;长江中下游流域土壤湿度在三峡大坝运行后出现南湿北干的变化趋势;EVI在江南地区诸多区域出现显著增加趋势,其中冬季最突出(33.06%),而江北地区诸多区域则出现显著减小趋势,其中夏季最明显(5.11%),EVI与平均气温的空间变化在春、夏、冬3个季节显著相关。

中国地表温度时空演变规律研究

地表温度(land surface temperature,LST)在农情信息监测和农业气象灾害等方面的研究中发挥着重要作用。由于云等因素的干扰,热红外LST数据中存在大量的缺失和低质量像元,因此以重建的高质量的2003—2017年MODIS LST数据为数据源,从年际、昼夜和季节不同时间尺度系统分析了15 a间中国LST的时空分布特征和长期的变化格局。结果表明:①2003—2017年间,中国LST值变化整体呈现微弱的增温态势,平均每年增长0.011℃,其中63.7%的区域呈现增温趋势;②中国的变暖趋势显著不均,总体具有“北方大于南方,西部大于东部”的特点,显著的变暖主要集中在西北地区的内蒙古高原中西部地区、西藏的南部地区以及黄淮海平原附近(变化斜率k>0.07℃·a^-1,R>0.6),降温幅度最大的地区集中在东北地区的松嫩平原附近(变化斜率k<-0.06℃·a^-1,R>0.55);③季节尺度上,冬季变暖趋势最快,以西部地区最为显著,其次为春季,而秋季和夏季变暖趋势变化不大。

蒙古高原土壤湿度时空变化格局及其对气候变化的响应

土壤水作为一种重要的水资源,其时空分布和动态变化对植被的分布和生长状况具有显著影响。蒙古高原是典型的干旱-半干旱气候区,也是亚欧大陆温带草原的主要构成部分,气候变化导致的土壤含水量变化无疑会对草原生态系统健康及稳定产生直接影响;厘清蒙古高原土壤湿度时空特征及其对气候变化的响应有助于为生态保护相关政策的制定提供科学支撑。本研究基于GLDAS-Noah土壤湿度数据,运用线性回归分析、相关分析和Mann-Kendall(M-K)检验等方法,分析1982—2018年不同深度土壤湿度的时空格局、变化趋势及突变性等特征,并与CRU温度、降水数据相结合探讨土壤湿度对气象因子变化的响应。结果表明:①蒙古高原年均土壤湿度总体呈“东北高西南低”的空间分布格局,且有明显的高值区、过渡带和低值区;②近37 a来,蒙古高原0~10 cm(SM1)土壤湿度整体呈现不显著上升趋势,变化速率为0.002 m^(3)/m^(3)/10 a,M-K结果显示在2012年前后发生突变;10~40 cm(SM2)土壤湿度的下降趋势较显著,变化速率为-0.005 m^(3)/m^(3)/10 a,其突变发生在1996年左右;③基于像元尺度的相关性分析表明不同季节土壤湿度整体上与降水呈显著正相关关系,与温度呈显著负相关关系。

基于空间权重分解的降尺度土壤水分产品的中国土壤水分时空格局研究

为应对微波遥感监测土壤水分(SM)空间分辨率相对较粗(10～50 km)的问题,本文结合微波遥感在大尺度监测方面的优势和温度-植被干旱指数对局部土壤水分的表现力,利用TVDI与土壤水分负相关关系,建立了基于温度植被干旱指数(TVDI)的空间权重分解模型,将AMSR-E、SMOS、AMSR2微波遥感土壤水分数据空间分辨率从25 km、10 km降尺度到1 km。地面气象站实测土壤水分的验证结果表明,与传统干旱指数反演和微波直接反演的土壤水分数据相比,该产品在研究时序内具有较高的精度(RMSE=0.10 m^3/m^3,MAE=0.08 m^3/m^3,Bias=0.05 m^3/m^3,R=0.93)。利用该产品研究分析了2002-2016年中国土壤水分的时空变化规律。结果发现:中国土壤水分在近15年整体呈现周期性震荡变化,并呈现下降趋势(b=-0.167,R=0.750,P=0.05)。中国华北季风区和华南季风区的江淮一带,长江三角洲地区以及环渤海区呈现快速下降趋势;而青藏高寒区北部西北干旱区南部地区却有显著上升趋势,总的可以归纳为"南湿北干,西增东减"。这意味着中国地区的土壤含水量目前处于一个小的减少周期,并且在未来几年中国会面临干旱加剧的风险(特别是夏季的东南季风区和华北季风区)。从不同季节看,春季到冬季土壤水分发生了显著变化,土壤水分的季节变化主要受地球降水的影响;而在西北干旱区逐年递增的降水使得该区域的土壤水分呈现某种上升的态势,这将有效缓解西北干旱地区的干旱灾害。

基于国际贸易与自然灾害背景下的中国农产品供需平衡展望

国际贸易与自然灾害是影响农产品供需的重要因素。通过python语言程序获取1978—2017年中国小麦、玉米、大豆3种主要农作物的年产量和近年来的国际贸易数据以及改革开放以来每年自然灾害造成的受灾、成灾、绝收面积,整合这些资料计算灾害强度指数,并分析其与粮食产量的相关关系,阐明了贸易战与自然灾害对中国农业生产的影响,并提出应对挑战的措施。分析表明,贸易战对中国不同农产品的影响程度不同,但都处于可控范围,大豆产业受到的影响相对较大,但可以通过其他措施予以缓冲和应对;自然灾害对中国农作物产量一直影响较大,加强灾害预警、保护农业生产至关重要。

农业大数据关键技术及应用进展

【目的】为了保障我国的粮食安全,促进农业大数据在农业领域的充分应用。【方法】通过对国内外大数据文献的调研和分析,对大数据理论的提出、发展和应用做了简单回顾。以此为背景,对农业大数据的关键技术和瓶颈问题进行分析,指出中国农业大数据发展中存在的主要问题,在此基础上,探索了农业大数据发展的理论、应用方法以及相关案例等,并对未来农业大数据发展进行了展望。【结果 /结论】我国农业现代化需要大数据技术提供决策支持,并结合人工智能技术、物联网技术、互联网技术在农业全产业链中的发挥合力,促进农业转型升级,实现我国农业全要素的现代化、信息化发展。

中国东海海表温度时空演化分析

为掌握中国东海2003—2018年间海表温度(sea surface temperature,SST)变化规律,分析SST变化与气候异常现象之间的联系,利用遥感数据监测东海16 a来SST时空演化特征。以2003—2018年MODIS SST产品为数据源,先通过最邻近点值替代法对数据进行修复,并用实测数据进行精度验证,利用最小二乘法、皮尔逊相关系数分析SST变化趋势,通过互相关分析研究海表温度异常(sea surface temperature anomaly,SSTA)与南方涛动指数(southern oscillation index,SOI)的相关性。结果表明:①2003—2018年东海SST总体呈上升趋势,夏季升温趋势更加明显,长江口海域升温速度可达0.042℃/a以上;②东海SST呈SE—NW分布,同纬度地区的大陆附近SST通常比其东部海域低,但4—9月杭州湾海域SST比其东部要高;③SOI与滞后其15个月内的东海SSTA基本不相关,但与滞后其21~39个月的东海SSTA呈较强负相关,相关系数超过-0.2。研究结果可为掌握气候变化规律、预测极端天气提供参考依据。

GPS/北斗双模接收机在精细农业中的应用分析

中国是一个人口和农业大国,精细农业对农业的发展具有很大的促进作用。随着“精细农业”的深入发展,简单的单模机定位渐渐不能适应其应用领域的精度要求,将双模卫星导航技术用于农业越来越重要。在阐述精细农业发展概况的基础上,介绍了GPS和北斗接收机发展情况,分析了接收机在精细农业中的关键作用,指出将双模卫星导航定位技术与农业应用相结合能够全面激发农作物的产量潜力,降低农作物的种植成本,减少对生态资源的污染,获得更高的经济效益。最后,对GPS/北斗双模接收机在精细农业中的应用前景进行了展望。

1949—2016年中国旱灾规律及其对粮食产量的影响

【目的】探究1949—2016年中国干旱灾害长时间序列时空变化特征及其对粮食生产的影响,为我国农业干旱灾害预警体系和保障粮食产量提供参考。【方法】基于Python语言获取1949年以来中国各省、市农业自然灾害和粮食生产数据,然后利用Pearson相关性统计分析、回归分析、自然断点分级法、GIS平台和R语言定性和定量地探讨干旱灾害对粮食生产的影响,阐述我国农业旱灾变化规律和粮食安全态势,探讨农业旱灾对粮食生产的影响。【结果】(1)农业干旱灾害呈现明显周期性波动,干旱轻重灾情交替出现,1949—1970年为波动阶段,1971—2000年为波动上升阶段,2001—2016年为波动下降阶段,发生特大干旱和严重干旱的年份所占比重较大;(2)农业干旱在空间上呈"北重南轻、中东部重西部轻"的格局。山东受灾最重,灾损高达208.2万hm^2,西藏最轻,灾损为2163.53 hm^2;(3)粮食产量和粮食单产总体呈稳步增长态势,波动幅度较平缓,二者受旱灾影响程度较大,粮食产量和粮食单产的年变化率均与干旱受灾率、成灾率、灾害强度指数、受灾率异常指数和成灾率异常指数等指标显著负相关,其中以受灾率异常指数和成灾率异常指数对粮食生产的影响更为显著,且受灾率异常指数的影响最为显著;(4)粮食产量的多少和受灾面积的大小在空间上具有相关性,粮食单产与干旱受灾面积呈负相关。【结论】干旱灾害制约我国粮食生产,各农业干旱灾害指标对粮食灾损的解释力较强,对粮食产量估测具有参考作用。建立和完善农业灾害预警体系,可以提高应对农业干旱灾害的能力,进一步为粮食进出口提供指导意见。此外,干旱灾害仅是影响粮食产量的一个方面,农业科技水平、社会经济制度、农业政策等也对其具有不容小觑的影响。