机器学习在农业领域的应用现状
2
机器学习在农业领域的应用
机器学习是我国农业进入智能化必不可缺的关键，它是人工智能的核心，可以运用到农业全产业链中，提高整个农业链条的速率，还能预测农产品产量。
2.1在现代农业气象上的应用
农业气象工作中非常重要的一项数据任务就是制作土地覆盖和绘制农作物类型图。近年来，完成制图任务最热门的应用技术就是集成学习和深度学习。对于复杂的地形地貌，深度学习和集成学习在处理分类方面具有更大优势。Yang的研究表明，与其他机器学习方法相比，神经学习对土地覆盖和农作物分类具有明显优势。杂草的检测也是机器学习在农业气象方面的重要应用。有农业专家认为，杂草才是造成农作物减产的根本原因。不论这个理论是否正确，杂草确实是影响农作物产量的重要原因，而使用机器学习和遥感技术相结合，利用机器视觉来识别杂草，从而进行杂草检测，可以大大减少除草药剂量，缩短人工时长，提高食品安全性。Karimi通过机器学习实现了对玉米田间杂草的识别。但总体而言，目前机器学习在国内农业气象方面的应用还相对落后，相关科研成就直到2015年之后才有所报道。
2.2在农作物产物检测方面的应用
机器学习在农作物产物检测方面的应用主要是对果实的检测，通过机器视觉和人工智能实现对果实的自动检测。张磊等运用Faster-RCNN检测模型对桃子、苹果、橙子3种水果进行检测，设置了4个场景的测试，即稀疏型、密集型、远景拍摄、遮挡重叠，准确率达90%以上。该技术与采摘机器人配合，实现了对果实好坏的有效分辨及高效率采摘。但由于果园等田间地况复杂，因此仍需继续提高鲁棒性，以提高模型性能。
2.3在土壤属性检测方面的应用
了解一个地区土地的土壤属性，测定该土地的pH、SSC、SOM等指标信息，科学合理分析这块土地应该做什么，是否适合种植农作物，这对于农业生产规划至关重要。传统的土壤采样范围过大，耗时耗力，且精度不高，而使用遥感技术和人工智能技术测定土壤属性，可以极大缩短测定时间，提高工作效率。相关应用也屡见不鲜，如ZHU等运用solm模型测定美国蒙大拿州的土壤属性；张振华等使用Cubist和Bagging3模型对新疆渭干河—库车河绿洲干旱区进行了预测，发现其结果符合实际，且精准度较高。
2.4在育种方面的应用
机器学习可以利用农作物的基因表现，预测筛选出优良基因组合的农作物，而这些农作物往往具有较好的生产价值及耐旱、高产、抗虫等优良特性。同时，机器学习还可缩短农作物的育种周期。在“3000份亚洲水稻基因组研究”科研项目中，发表于《Nature》的《3010份亚洲栽培稻基因组研究》主要探究了亚洲水稻的出现及其基因异变的结构。该成果为世界水稻研究作出了重大贡献，揭示了水稻基因组的遗传多样性，为后续研究提供了理论基础，推动了世界水稻研究进程。
2.5在智能化农业方面的应用
现今炙手可热的无人化管理技术，其核心就是人工智能。而人工智能核心就是机器学习。利用机器学习可以科学计算出一块土地的肥料、水分、农药等的合理投放量，避免资源浪费或投放不足。同时，机器学习还可与各种传感器进行搭配，收集农业数据，使农业专家系统变得更加智能化。利用传感器收集到的信息还可以快速分析农作物目前面临的情况及其生长所需的最适条件，为其创造最优生长环境，最大程度避免影响农作物生长的问题出现。
2.6在病虫害防治方面的应用
对于病虫害预防而言，传统的人工诊断反应慢、精准度低，而以机器学习为核心的人工智能可以在第一时间发出警告；同时，农业专家系统具有丰富的数据信息，可以快速准确判断出虫害种类，针对性进行防治，将病虫害对农作物造成的伤害控制在较小的范围内。
3
机器学习在农业生产上的局限性
一方面，机器学习依赖数据，而我国的智慧农业发展较晚，收集的数据不够全面，因此会一定程度上影响机器学习各种算法作出判断的准确性。另一方面，机器学习在农业上收集数据的复杂程度较高，投入较大，因此需要的成本较高。农业属于投入大、收入薄类型的产业，需要大量资本的投入和国家的大力扶持，因此机器学习在农业生产上的应用还存在诸多局限性。
4
机器学习在农业发展方面的展望
在全民大数据时代，大数据空前发展，以机器学习为核心的人工智能也得到了快速发展，推动机器学习在农业生产上的应用已刻不容缓，但同时也要结合实际，尊重机器学习的发展规律及农业领域的自身需求，不可盲目发展。在大田环境下建设高质量的数据资源库，虽然前期成本较高，但会极大提高管理效率，对推进无人化管理具有重要作用，也将逐渐成为农业大数据技术体系的标准旗杆。我国从事农作物种植的主体多数文化程度不高，农业专业知识匮乏，因此农业专家系统就显得尤为重要。基于知识学习的机器学习，模型的训练就是新知识的推理过程。农业是一个基于专业知识和实践经验的领域，具有充足数据库的农业专家系统可以为农业发展作出积极的贡献。返回搜狐，查看更多
人工智能在减灾遥感中的应用
人工智能在减灾遥感中的应用百晓张雪妮
人工智能及减灾遥感概述
近年来，人工智能已经渗透到国民经济、国防以及人民生活的各个方面，2017年国务院发布了《新一代人工智能发展规划》将人工智能上升为国家战略，有利地推动新一代智能研发应用与产业深入融合。美国、欧盟、英国、日本等也均将人工智能上升为国家战略，纷纷出台相关战略和计划，力争抢占产业技术制高点。
对于人工智能的定义有很多，但大多看来主要是让机器或系统具备人类那样的认知能力，能够对接收到的各种数据和信息进行分析学习获取其中的知识，虽然人工智能的研究才起步三十年，但近年来人工智能及其相关领域，如机器学习、计算机视觉、模式识别等均在理论上和应用上取得了很大的进展和突破。
在遥感领域，人工智能及相关方法也得到了很好的应用。遥感数据主要是指通过卫星、飞机等载体获得的远距离图像、雷达数据，通过对遥感数据的分析可以获得地表环境、城市结构、农业生产等重要信息和数据。传统的遥感数据分析大量依赖人力和一些简单的统计图像处理方法，随着近年来人工智能等相关领域的发展，遥感数据的分析也大量地使用人工智能方法。利用人工智能处理分析数据的优势，可以提高遥感数据分析的智能化、自动化，提升分析的精度与效率。
我国是一个地大物博的国家，资源丰富，但自然灾害也给国家民生带来了很大的影响，如何利用最新的技术减少自然灾害带给我们的伤害是科研领域的重要任务。多年来，遥感技术应用于各类灾害的减灾、预测、响应、灾后恢复等方面，取得了很多进展。灾害遥感已经成为各国应对自然灾害的重要手段。国际上，一系列用于环境、灾害等的遥感卫星SPOT、TM、AVHRR、MODIS、ASTER、PRISM 的发射也为开展遥感减灾提供了可行性，增强了遥感技术在减灾上的作用。国内也紧随其后发射了环境减灾小卫星“星座A”“星座B”以及“风云”“海洋”“资源”等系列卫星，此外，以高分系列卫星为代表的新一代遥感卫星也在加速发展，由此防灾减灾已成为卫星遥感技术的重要应用领域之一。
随着人工智能理论和方法的不断发展，遥感数据的分析将更加借助和依赖人工智能方法，从而更加有效地从遥感数据中获取有用的知识，为防灾减灾提供更加准确高效的服务。
本论文主要讲述人工智能及其相关方法（如目标检测、图像分类与识别、图像变化检测、图像分割等）在几类典型自然灾害（如暴风、洪涝、地震、森林火灾、滑坡等）中的应用，介绍人工智能在减灾遥感中发挥的作用及未来发展趋势。
人工智能方法在减灾遥感中的应用
目前，人们主要通过利用人工智能相关方法对遥感数据分析达到对自然灾害的检测与评估等目的。表1给出了不同人工智能方法在各种灾害遥感中所发挥的作用。主要涉及的方法包括：图像分类与识别、变化检测、图像分割、目标检测等，这里首先简单介绍一下这些人工智能方法。图像分类与识别是计算机视觉与机器学习领域的基本问题，根据图像中所含的目标图像特征与分类器学习到的类别特征进行比对，进而判断图像属于什么类别，识别出图像中的物体或场景。变化检测通过对不同时刻获取图像进行对比分析找出图像之间的区别。图像分割是根据图像中场景含义将图像分割成不同的区域，每个区域具有独特的语义信息。目标检测则是指在遥感图像数据中检测特定的目标，主要通过提取目标有效特征然后利用机器学习方法对量化的特征进行分析来确定存在目标的概率和位置等。上述方法是计算机视觉、机器学习领域的重要分析方法，需要指出的是随着人工智能的发展，上述方法本身也在发展，近年来也不断地提出了在性能上更加优秀的方法，进而也提升了应用的效果。
表1人工智能方法在各类灾害遥感图像上的应用
暴风
洪涝
地震
森林火灾
滑坡
图像分类与识别
次生地质灾害监测
火灾识别
滑坡体识别
变化检测
公路水毁识别
房屋倒塌评估；次生地质灾害监测
火灾区域提取
滑坡体区域提取
图像分割
风眼定位
水体识别
次生地质灾害监测
火灾区域提取
滑坡体区域提取
目标检测
救助物资识别
滑坡体识别
本文将根据不同灾害种类具体分析这些方法的应用。
（一）热带气旋
习惯上，热带气旋所带来的灾害可以被称为飓风、台风或热带风暴，它在卫星遥感图像上具有较明显的特征，图1是部分种类的热带气旋卫星图像示例。人工智能手段主要通过对采集到的遥感数据进行分析从而定位风眼和预测路径，进而对此类灾害进行预防和报警。
图1部分种类热带气旋的卫星云图
1.风眼定位：由于有眼热带气旋的眼壁轮廓通常是一条不规则的闭合曲线，因此可以使用基于活动轮廓模型的偏微分方程法来进行图像分割定位眼区。另外，由于在图像中风眼位置较暗，并且在边缘位置风速是不连续的,可根据这两个成像特点对遥感图像进行分析增加图像约束求得风眼边缘。风眼定位过程中要用到的人工智能方法有图像分割、图像识别等。
2.路径预测：研究表明，气旋路径可以通过周围积雨云的形状和相对位置进行判断，如图2所示。因此可以使用神经网络来学习不同时间点卫星图像中周围云相对于气旋中心的相对位置，及图像中云的拉长形状，以此指示气旋可能的移动路径。
图2 通过对积雨云的分析预测气旋路径
（二）洪涝
洪涝灾害中利用人工智能手段进行水体识别可以确定出洪涝受灾的区域，道路水毁识别则可以确定道路的毁坏进而评估受灾情况，确定最佳救援路径。
水体识别：水体识别技术是基于水体的光谱特征和空间位置关系进行分析，排除其他非水体信息从而实现水体信息提取的技术，是洪涝范围检测的核心。由于水体和周边地形地貌往往具有较大差异，根据水体特征的图像分割成为水体识别的主要方法。一种思路是通过综合提取遥感影像中地物的形状、光谱、纹理和邻域等特征进行逐像元分类实现智能分割。另一种思路是先进行遥感图像的多尺度分割，然后使用分类器，例如分类神经网络，进行水体识别。也可同时对洪涝前后时间段的同样位置进行水体识别，分析出受灾区域为抢险救灾提供信息。图3是鄱阳湖部分地区洪涝过后水体识别的结果示意图，在识别出水体和非水体的基础上，进一步根据水深程度进行洪涝等级分类并用不同的颜色表示，为下一步的灾害救援提供信息。这里用到的人工智能方法主要包括特征提取、图像分割、图像分类等。图3鄱阳湖（部分）地区洪涝分布图
2.公路水毁识别：公路水毁灾情是汛期灾情分析和抗灾抢险中的重要内容。通过对比洪涝发生前后的图像，采取图像多层次分析进行变化检测分析损毁信息。多层次方法就是采用面向对象的分类方法进行地物的分类和划分，但是分类有层次顺序，不同层次划分不同地物。例如可以在第一层次中，从洪灾发生后的影像中进行洪水范围的划分，然后在灾前灾后影像的配准基础上，用洪水发生前的影像进行第二层次的划分，划分道路和树木、建筑、空地等其他地物。
（三）地震
在地震灾害里，人工智能方法可以用来解决房屋倒塌评估、次生地质灾害监测，以及救灾帐篷识别等问题。
1.房屋倒塌评估：对房屋倒塌情况的评估是地震直接危害中最能反映震区破坏程度的指标。通过对震前震后遥感卫星数据进行影像匹配和变化检测，得到两者变化的区域，从而获取房屋倒塌信息和地震影响区域，评估结果如图4所示。这里应用人工智能中的图像变化检测方法完成地震影响区域分析。
图4汶川地震都江堰房屋倒塌评估图
2.次生地质灾害监测：地震次生地质灾害是指由地震直接引发或由地震作用影响而引发的灾害性地貌重塑过程。主要针对地震所造成的山体滑坡、堰塞湖等开展监测，按照其影像特征，结合灾前影像数据进行变化检测，开展滑坡体的识别。这里主要采用图像变化检测方法进行分析。
图像变化检测大致分为基于像元、基于特征以及基于目标三类方法。基于像元方法有灰度差值法、比值法、回归法等。基于特征的方法有主成分分析法、光谱角检测法、指数差值法、形状分析法和纹理分析法等。基于目标的方法主要利用图像识别、分类等方法，常用的算法有分类比较法、多时相分类法、小波变换分析法及神经网络分析法等。基于像元的方法是将像元作为单位进行前后时刻变换检测；特征方法则是在图像一定区域内提取图像量化特征并分析其变化；目标方法则根据特定目标，分析此目标在前后时刻是否有变化。
在特殊情况无法获得灾前影像数据时，图像分割方法也可以使用，具体表现为先分割后分类的思想，即先通过多尺度的分割将遥感图像划分为不同区域，然后通过分类器判别各区域是否属于地质灾害。这里一般需要进行分析方法训练，提前获取一些地震图像作为训练集，通过人工智能学习方法学习出地震区域的特点。图5给出一个灾后次生地质灾害提取的示例。
图5 震后次生灾害（滑坡、泥石流等）提取
3.救灾帐篷识别：救灾帐篷识别属于特定目标的识别与分析，救灾帐篷是地震发生后安置灾民的重要装备,准确核实灾区的帐篷数量和空间分布是评估灾区救助需求、核查地方救灾工作成效、优化安置点布局、估算转移安置人数的重要依据。目前主要使用分辨率高的无人机航空遥感图像，利用目标检测技术识别出帐篷的具体位置。目标检测算法根据要分析目标进行预学习和训练，然后设计一个滑动窗口在图像上均匀移动，每次对滑动窗口内的局部图像进行分类，判断是否存在此类物体，最终找到整张图像内的所有目标。
（四）森林火灾
人工智能方法在森林火灾中主要有火烧迹地分析、火灾识别等主要应用。
1.火灾识别：火灾识别主要利用无人机遥感的高分辨率图像判别有无可疑火灾发生，以便后续进行重点监测和及时救治。对无人机地面接收站接受的图像（图6）进行分类，使用分类神经网络进行训练，可以达到很高的识别精度。这里主要是通过对红外遥感图像进行分析，借用红外图像热成像特点对发热点区域进行分析。
图6 无人机拍摄森林火灾图像
2.火烧迹地：火烧迹地是指火灾结束后被烧毁的区域。由于森林中被火烧过的部分植被已不存在，在遥感图像上没有了森林影响反射，与周围植被的反射具有不连续性，因此可以通过面向区域的图像分割算法提取火烧迹地的范围。另外，也可以结合灾前的森林图像，通过面向像元的变化检测，比较配准后的灾前灾后影像得到差值灰度图，从而获得了火烧区域，可以进一步求得过火面积，如图7所示。
图7昆明西山森林火灾前后遥感影像及变化检测图像（局部）
（五）滑坡
人工智能方法主要在滑坡识别、滑坡区域提取等方面发挥作用。
1.滑坡体识别：遥感卫星图像通常包含的空间范围比较大，因此可以利用滑坡区域与背景区域之间存在明显差异的特点进行分析，快速确定滑坡体的位置。基于深度学习的目标检测技术主要包括基于可能区域的分类和基于边界框的回归两种思路，前者具有更高的准确度，后者则具有更快的速度。此外，大型滑坡调查中常常会使用无人机这种航空遥感手段获取地表灾害数据。由于航空遥感数据具有较高的分辨率，可以直接对其进行分类识别，来判断该区域是否包含滑坡体。深度学习的发展带来了分类精度的极大提高，因此也出现不少基于深度网络的滑坡分类识别方法。
2.滑坡体区域提取：通过对多时相遥感影像进行变化检测能够自动地提取滑坡边界信息。变化检测方法通常有两类方法：图像差集和后分类比较。图像差集是对灾前灾后图像进行减法，后分类比较则可以使用神经网络分类器对灾前灾后的图像进行多尺度分类，然后对分类结果进行比较得到变化信息，从而确定滑坡的区域。另外，也可以在滑坡体识别的基础上，进一步通过图像分割算法得到更精细的滑坡体轮廓（图8），从而为后续的救灾提供信息。
图8四川漳扎镇附近滑坡体提取
发展趋势及展望
人工智能在减灾遥感领域虽然取得了很好的发展与应用，但仍然还有很多的不足和值得突破的地方，具体如下：
1.目前人工智能在减灾遥感方面的应用主要依赖于对遥感图像数据的分析，下一步需要将卫星数据、地面数据以及其他传感器如无人机数据进行融合分析，利用人工智能方法对气象大数据和多源数据融合进行分析会比单纯只对遥感数据进行分析获得更多的信息和更好的预测。
2.现有智能分析方法大多还是在获取了数据后将数据传输到地面运算中心进行分析，未来将会在数据获取平台直接进行快速分析，例如在卫星上直接进行智能分析，将分析后有用的“信息”传输给地面，而不再是将卫星原始数据传给地面再分析。这好比在各类传感器上安装一个“大脑”提高了整体分析的效率和响应速度。
现有的人工智能方法大多还是用来解决灾害发生后的评估和救援，发挥的作用大多还是辅助现有灾害预防、气象分析等方法，随着人工智能领域的不断发展，笔者猜想未来人工智能会在灾害预测预防等方面起到引领的作用，从配角变成主角。
来源：《城市与减灾》2018年06期