基于人工智能的植物碳含量模型的建立

摘 要：文章介紹了人工智能發展歷史和人工神經網絡的工作特點，結合植物碳含量的影響因素和測量方法，集合兩者特點，總結出建立一個給予植物碳含量預測的人工智能模型。在不久的將來，植物碳含量這一需要大量科研工作的數據結果可以直接通過人工智能模型來快速預測，從而節約大量的人力物力。

關鍵詞：植物碳含量;人工智能;人工神經網絡

1 人工智能、人工神經網絡及機器學習簡介

1.1 人工智能概述

人工智能在現今的科學界處于炙手可熱的狀態，但早在20世紀30年代，為尋求賦予機器人智慧的方法，相關理論就已提出，是一門起步雖晚卻發展迅速的一門學科。20世紀30年代末至50年代初，一些能夠獨立行走并掌握一些簡單單詞的機器人問世，與此同時，A.M.Turing研究證明了任何形式的計算都能夠通過數字的方式傳遞，這兩項研究為人工R智能機器人的發展奠定基礎。1956年Samuel開發一個能夠自學跳棋的程序，它不僅可以自己學習游戲規則，還可在對抗對手的過程中自發學習，與傳統的跳棋程序相比，不再只是人工輸出程序運行那么簡單，它可根據自主學習的結果，進而完成原來人工程序中沒有預先設置的功能。在1956年，美國John McCarthy提出“人工智能”（AI），從此人工智能便成為一門獨立的學科，并在接下來的幾十年里迅速發展。人工智能的主要研究目的是賦予機器智慧，讓以前只能靠人類智慧才能夠完成的復雜工作交給機器來完成。

1.2 人工神經網絡

人工神經網絡主要是用數字技術來模擬人腦神經元的連接和信息傳遞。人工神經網絡是模仿人類大腦神經元的高度非線性排列，使用人工神經元來替代人腦神經元，這些人工神經元通過高度非線性連接形成了神經網絡系統。人工神經網絡是一種自適應的系統，其結構會隨著外界信息的更改而發生變化。現代神經網絡是主要由三部分組成，結構、激勵函數和學習規則。人工神經網絡有很明顯的優點：在運用人工神經網絡時，我們無需對其內部結構和細節特別注意;對于處理不同的數據分類，人工神經網絡和其他算法相比，更容易被重新訓練應對;同時人工神經網絡可用于有監督學習和無監督學習。人工神經網絡也存在著許多不足，人工神經網絡的學習成果是通過對大量數據的訓練得到的，這些數據通常很難獲得。與此同時，那些不需要人類特別關心的細節往往隱藏在點點之間的權值里，而這些權值人類是無法理解的，因而目前的一些人工智能機器人的一些奇怪舉措，人類不能準確的來解釋。

1.3 機器學習

機器學習是一門涉及多個領域的交叉學科，是人工智能的核心，是使計算機具有智能的根本途徑。機器學習理論主要設計一些算法，這些算法可賦予計算機自主“學習”能力，這些算法里涉及大量的統計學理論，因而機器學習與推斷統計學有十分密切的聯系，也被成為統計學習理論。機器學習源于20世紀50年代，經過幾十年的發展，現在廣泛應用于生物特征識別、搜索引擎、計算機視覺、自然與語言處理、醫學診斷和機器人等諸多領域。

2 植物碳含量的檢測方法及影響因素

2.1 植物碳含量及研究意義

植物碳含量指的是植被通過光合作用，對大氣中二氧化碳的儲備量，對氣候變化起著重要的影響，是目前氣候變化領域關注的重點。自工業革命以來，人類開發了大量的礦產資源，導致大氣中二氧化碳的濃度急劇增加。特別是20世紀以來，越來越多的發展中國家崛起，石油和煤炭的過度開采以及不當使用，使大氣二氧化碳濃度急劇增加進而引發全球溫室效應以及異常的氣候變化。因而，研究植物中的碳儲存量為維護全球生態環境提供重要方法。由于森林是陸地生物圈的主體，并且碳儲存量占整個陸地生態系統的2/3，在全球碳平衡中扮演著重要角色，因此，對森林系統的碳儲存研究成為當前全球熱點。由于各個國家所處的地域和氣候不同，研究內容也存在差異，國外主要針對熱帶雨林和溫帶森林植物，國內主要集中于亞熱帶及溫帶森林植物。

2.2 植物碳含量的檢測方法

植物有機碳測量的方法有很多，目前最常用的方法是干燒法和濕燒法，也可根據分子式或重量來直接計算植物內碳儲存量。各種檢測方法見表1。

2.3 植物碳含量的影響因素

植物碳含量的影響因素有很多，主要有種類、器官、年齡、所處的地理區域等。

2.3.1 植物種類 在不同種類的研究中，國外研究者Elias對處于熱帶的樹種樹干進行含碳率檢測，得出不同樹種樹干碳含率不同且樹種的影響因素高達38.7%。Thomas對我國吉林省東北常見的14個樹種樹干碳含率進行研究，得出胡桃楸的碳含率最低（48.4%），臭冷杉最高（51%），并且不同樹種之間的差異顯著。國內研究者于穎測試了東北不同地區森林的碳含量，得到大、小興安嶺林區闊葉數的碳含率明顯大于針葉樹，且不同樹種間碳含率存在顯著差異。因此，植物種類對植物碳含量有顯著影響。

2.3.2 器官 在對同種植物不同器官的研究上，Bert對通過對海岸松的根、干、冠的碳含率檢測得出，不同器官碳含率不同，其中根最小（51.7%），嫩枝最大（53.6%）。李江等對幼齡思茅松初樹干外其他主要器官進行碳含率檢測，得出碳含率由高到低排列為主干、樹枝、樹皮、松針、球果、樹根。因此，植物器官對碳含量有很大影響。

2.3.3 年齡 尉海東和馬祥慶通過對不同年齡的尤溪楠木的林喬木層、林下植被層的枯落物碳含率的檢測分析綜合得出，成熟林的碳含率最高、中齡林其次、幼齡林最低。從而得出年齡也是影響植物碳含量的重要因素之一。

2.3.4 地理區域 鄭帷婕統計全球140多種陸生高等植物碳含量，根據其所處大氣候帶，得出高緯度氣候帶植物碳含量最高，其次是低緯度，中緯度最低，再根據這些植物所處的氣候型，統計出碳含量的大小為：副極地大陸性氣候>高地氣候>熱帶季風氣候>副熱帶濕潤性氣候>溫帶季風氣候>溫帶干旱氣候>熱帶半干旱氣候>溫帶海洋性氣候。因此，植物碳含量還與地理區域有關。

除了上述的4個主要因素以外，植物碳含量還會受到相對位置、木質組成及揮發性等因素的影響。影響植物碳含量的因素有許多，因而在估計植物碳含量時會存在較大的誤差。

3 人工智能在植物碳含量模型上應用的可行性

3.1 人工智能發展狀況

人工智能自20世紀50年代提出，由于受到當時計算機運行速度、CPU以及計算芯片的限制，發展速度緩慢。近些年來，隨著人工神經算法、大數據以及CPU并行計算芯片的助力，人工智能發展速度十分迅速。我國近年來也頒布許多關于人工智能發展的政策文件，如表2所示。

從社會的廣泛關注和政府政策支持上可以看出，人工智能將會是未來十幾年甚至幾十年國家重點發展的對象，目前各行各業都希望利用人工智能來突破行業的天花板，以達到技術革新和效率提升。目前人工智能在智能檢索、語音識別、文字識別、指紋識別、遙感和醫學診斷上已經比較成熟，但是還并沒有廣泛應用于植物的各項生理指標的監測上。

3.2 植物碳含量檢測的困難

在植物碳含量的研究結果上，國內外已經有了大量的研究成果。但是這些文檔的復用率很低。一方面是因為這些文檔分散在世界各地不同的硬件計算機硬盤上，調用起來十分困難;另一方面，由于植物碳含量會受到許多因素的影響，且外界因素的變化是不可預判的，因而不能直接簡單復制之前科研工作者的研究結果，需要繼續試驗，從而會消耗更多的人力物力。假如我們利用人工神經網絡可以自主學習的特點，將之前的科學研究結果和相關過程進行梳理和儲存，再根據現有的外在環境特估測出該地區植物的碳含量。

3.3 基于人工智能植物碳含量模型建立的可能性

碳是有機物組成的最基本的元素，是構成生命的最根本的物質。隨著人類文明的發展，我們賴以生存的環境正遭受嚴重的破壞，由于大量礦石燃料的燃燒導致大氣中的二氧化碳含量劇增，全球氣候發生了明顯的變化。而植物中碳含量是固定大氣中二氧化碳最有效直接的方式。但是目前我們對植物碳含量的檢測工作十分繁瑣復雜，需要大量的科研工作人員和大量的實驗來檢測，耗時耗力。人工神經網絡作為可以模擬人腦運作的計算機算法模型，它可以對出入的數據進行記憶、學習并輸出，尤其是在遇到海量數據和眾多非線性影響因素以及輸出等方面都具有天然優勢。植物碳含量的影響因素繁多，且并不按照一般的線性規律，同時不同地區不同的氣候類型擁有獨特的植被，數據龐大，利用人工神經網絡來處理這些信息可以有效地解決上述難題。

3.4 人工智能應用植物碳含量的前景和不足

植物碳含量的測量過程復雜，而影響因素繁多，導致用普通線性方程算法不能夠預測出植物碳含量的值。用實驗法不僅要花費許多時間去實驗來檢測，還要耗費大量的人力去采集樣本、統計眾多的影響因子，是一項費時費力的工作。植物內的碳含量是影響著全球碳循環平衡的關鍵因素，也是防止氣候惡化最有效的手段，因而植物碳含量的研究雖然任務量繁重，研究過程復雜困難，但為人類賴以生存的環境，我們還需花人力物力進行研究。

隨著近些年來計算機芯片、互聯網和大數據的突破性發展，為需要大量數據，高速運算和大容量CPU的人工神經網絡提供了技術上的支持，使得人工神經網絡在各領域得到廣泛應用。在植物碳含量的預測上，通過對影響植物碳含量的影響因素和對應的檢測結果輸入人工神經網絡，可以建立一個基于人工智能的植物碳含量的檢測模型。根據現有的研究結果，輸入大量的數據進入人工神經網絡中，再利用人工神經網絡自主學習、記憶和運算的特點，通過大量的運算后，當我們再次輸入影響植物碳含量的外在影響因素（例如溫度、濕度、維度）和內在因素（例如年齡、器官等），可以得到來自于人工神經網絡給出的植物碳含量預測值，從而可減少許多樣本采集和實驗的過程，節省更多的時間和人力。但目前由于數據量還不足夠，數據并不集中，不同國家地區的數據分散在不同的計算機硬盤上，且人工神經網絡在數據量不夠的情況下給出的結果誤差大，因而，短時間內建立一個判斷結果精準的全球植物碳含量的人工智能算法無法實現。但是可以根據地區的不同，著重收集一部分地區的數據從而判斷該地區植物碳含量模型是有可能實現的。隨著大數據的高速發展和人工智能的廣泛應用，相信不久的將來建立一個能夠實時、準確監測植物碳含量的人工智能系統是可以實現的。在未來，我們可以根據植物外在環境和內在因素的變化及時輸入信息，利用人工智能系統，可隨時得到對植物碳含量的估測。

作者簡介：李家奧（1996-），男，碩士研究生。研究方向：設施農業。