智慧農業背景下的作物信息學：以信息獲取、分析和智能決策為例*

李家其，徐雯穎，葉 婷，吳 晗，姚 雪，吳洪洪，3*

（1.華中農業大學植物科學技術學院/華中農業大學深圳營養與健康研究院，湖北 武漢 430070；2.武漢船舶職業技術學院 計算機信息技術學院，湖北 武漢 430050；3.中國農業科學院深圳農業基因組研究所/嶺南現代農業科學與技術廣東省實驗室深圳分中心，廣東 深圳 518000）

1 背景介紹

到2050年，地球人口將超過90億人。人口的快速增長需要糧食產量翻一番以上[1]。隨著信息和自動化產業的不斷發展，農業科學家們需要新的創新管理技術構建智慧農業系統，來確保農業的可持續發展。智慧農業是指將現代科學技術與農業種植相結合，從而實現無人化、自動化、智能化管理。對于我國而言，智慧農業是智慧經濟主要的組成部分。我國是農業大國但不是農業強國，農業的豐產豐收離不開農藥化肥的大量投入使用。而過度依賴農用化學品不僅導致大量的資源浪費還造成嚴重的環境污染。因此，構建智慧農業是改變傳統農業生產模式實現農業強國的重要途徑。

2 作物信息學與智慧農業：信息獲取、分析及智能決策

2.1 智慧農業背景下的作物信息學

作物信息學在實際農業生產背景下，將信息學與植物生理學、作物組學、農業機械化及其自動化、計算機科學等學科有機結合，運用科學方法重點解決在作物信息感知，傳遞，儲存，分析，決策過程中所遇到的各種問題。作物信息學與智慧農業的深度結合是保證智慧農業穩定可持續運行，提升智慧農業系統“智慧”程度，提高智慧農業生產模式、生產能力的高效手段。

2.2 農業生產信息的獲取和收集

在智慧農業體系中，想要捕獲大面積作物的各種關鍵信息，要靠各種先進的傳感器。相較傳統農業以眼觀、手摸、鼻子嗅的方式去感知農作物信息，智慧農業中的傳感器對于信息的獲取速度快，獲取的信息全面準確并且便于分析量化。多傳感器結合，進一步提升了綜合“感知”能力從而給計算機提供大量的多方數據，有利于在智慧農業體系運行時減小預測失誤的概率。

近年來，農業傳感器逐漸成為傳感器領域的研究熱點，自2007年起我國各式的農業傳感器專利申請數量迅速提升[2]。農業傳感器的安裝位置根據功能間的差異而不同。檢測作物生態信息的環境傳感器往往置于農田中以便于獲取最貼近真實情況的實時環境數據，如溫濕度傳感器、CO2傳感器、土壤傳感器，這些傳感器相對成熟并且已經部分應用于智能灌溉、智能溫室大棚等智慧農業場景中[3-4]。搭建集多傳感器于一體的自動化農機設備，是目前農業機械領域的研究熱點之一。這些安裝在農機上的傳感元件可以獲取聲納，紅外，多光譜等多種特殊的農田信息，并且隨農業機械（無人機、智能農機車輛等）的快速移動實現對于大面積農作物的表型等信息進行快速掃描。利用這些經過加工的農業機械獲取作物的表型數據，是研究表型組學進行智能化表型分析的高效途徑。Pedro等研究開發的同時攜帶了四套傳感器（聲納傳感器、紅外輻射傳感器、GPS-RTK接收器、多光譜作物冠層傳感器）的田間表型動態性狀監測系統，能夠以0.84ha·h-1的速度同時測量冠層高度、歸一化植被指數以及溫度，從而對棉花的多個性狀進行快速準確地測量，并且所獲取的數據相比于成本更加昂貴的表型設施差異不大[5]。另一種微型電子傳感器元件被Birgit等開發，用以監測乙烯的濃度[6]。相較于傳統的氣相色譜等昂貴且復雜的檢測方法，這種可逆的化學電阻傳感器體積小，成本低，可以輕易安裝在作物葉片等部位，能夠檢測濃度小于1ppm的乙烯，從而為確定采收時間提供指標，避免水果過熟。

此外，納米感應元件逐漸成為國內外研究人員關注的熱點，相較于傳統傳感器而言，它具有體積小（直徑小于100nm），敏感度高，可以在植物生理水平和分子水平上監測等優勢。在智慧農業體系中這些納米級傳感器或納米感應元件可以用于精確檢測單個植物內的各種化學分子（葡萄糖，H2O2，NO，ATP 等），脅迫狀況以及營養缺失等作物信息，這有助于通過改善高通量監測篩選耐脅迫品種的化學表型，以改進作物育種相關技術[7]。此外，通過納米生物技術設計的智能植物能夠將植物化學信號轉化為數字信息，向智能農機設備報告作物健康狀況，實現對于水肥等資源的精準利用，促進農業自動化和智能化的發展。例如，光學納米傳感器在進行傳感時由于與被測分子結合發生氧化還原等反應，會導致納米材料中的電子密度和環境發生改變，導致傳感器與被測分子之間的價帶或導帶發生變化，使得納米材料中電子發生熒光共振轉移，處于基態或者激發態的電子轉移到修飾物的最低未占據空軌道，進而導致熒光猝滅[8]。Wu等設計的一種基于納米管的傳感器（通過DNA實體和血紅素進行表面修飾）能夠通過熒光猝滅遠程監測活體植物中的H2O2[9]。并且該傳感器（HeAptDNA-SWCNT sensor）對于不同類型脅迫的不同響應模式，將會為今后使用機器學習算法預測脅迫發生提供新的有效工具。最新開發的一種由單鏈核苷酸（ssDNA）和聚乙二醇（PEG）對（6，5）手性單臂碳納米管（SWCNT）進行非共價表面修飾的植物多酚傳感器通過與多羥基發生反應進而在近紅外波段表現出熒光猝滅[10]。不同于傳統的納米熒光探針，這種傳感器近紅外區域呈現組織透明進而最大程度減少背景噪音，在復雜生物系統中提供較高的時空分辨率，為智慧農業中病害監測和表型鑒定提供了高效傳感工具。這些納米級的作物傳感裝置只需要幾十微升甚至更少，就可以構建出優秀的作物“哨兵”，實現對于作物健康狀況等信息的遠程監控，這項技術有可能在未來為智慧農業系統提供更加靈活高效的多傳感體系，具體見圖1。

圖1 作物信息獲取，處理，儲存，決策

2.3 農業生產信息的處理

作物生產信息中蘊含著大量的數據，但是較難被直接利用。對這些數據進行篩選，提取有效信息排除“噪音”，優化機器學習算法，運用人工智能等方法對所捕獲的信息進行深度挖掘和分析，是作物信息學的研究重點。這些數據來自不同類型的傳感器設備，所產生的數據類型也不同，如數字數據、圖像數據，光譜數據等。作物信息學通過數據挖掘與分析，將不可直接利用的不同類型的數據通過適當算法轉換為可執行的決策。當前廣泛應用于農業、工業以及商業等領域的深度學習算法雖然同屬于機器學習，但是與傳統機器學習有很大不同，深度學習是機器學習中的具有深層結構的神經網絡算法[11]。深度學習允許由多個處理層組成的計算模型學習具有多個抽象級別的數據。這些方法極大地提高了語音識別、視覺物體識別、物體檢測和許多其他領域，如基因組學和藥物發現。深度學習算法通過使用反向傳播算法來指示機器如何工作，從而發現大型數據集中的復雜結構[12]。

傳統機器學習主要依賴人工進行特征提取，但是面對大量數據時效率較低，深度學習靠機器自動進行特征提取在處理復雜數據時有更好的表現，但可解釋性較差。深度學習中已經有很多成熟且高效的算法，如卷積神經網絡（Convolutional Neural Networks），循環神經網絡（Recurrent Neural Networks），遞歸神經網絡（Recursive Neural Networks）。CNN是前饋網絡，信息流在網絡中發生只有一個方向，從輸入到輸出，就像人工神經網絡（ANN）是受生物學啟發的，CNN也是受大腦的視覺皮層啟發，由簡單細胞和復雜細胞交替組成[13]。通過信號采集，加權求和以及導入激活函數這一流程模擬人腦中神經元傳遞信號的過程。在高光譜成像分析等智慧農業應用場景中卷積神經網絡展現出獨特的優勢，它通過卷積（Convolution）進行稀疏連接，通過激活函數（如ReLU）引入非線性函數，通過池化（Polling）減小維度特征提升效率，卷積神經網絡的應用極大提高了識別的準確率。在循環神經網絡中，遞歸層或隱藏層由遞歸單元組成，其狀態受過去狀態和反饋連接的當前輸入的影響。循環層可以安插在不同的架構中以形成不同的RNN。因此，RNN的主要區別在于循環層和網絡架構[14]。其中長短期記憶（Long short-term memory，LSTM）在RNN中扮演重要的角色，它是一種特殊的RNN，主要是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題，能夠在更長的序列中有更好的表現。遞歸神經網絡模型已經在許多自然語言處理任務中都有不錯的表現。遞歸模型間的主要區別在于組合函數[15]。在眾多農業傳感器中，生態傳感器往往能夠提供較為直觀的數字信息，呂奧博等基于決策樹與現有的成熟禾本作物Wheat-Grow生長模型，通過代入青稞生長過程中的環境數據（溫度、土壤含水量等），得到傳統生長模型因子對青稞生長的預測結果[16]。圖像數據，包括遙感圖像、高光譜圖像、近紅外圖像等。

隨著算法的不斷優化迭代以及計算機算力的極大提升，圖像識別在非農業領域圖像的識別分析已經有較為廣泛的應用。如在人臉識別、自動駕駛等前沿方向中圖像分析算法展現出優越的性能。近年來，已經有大量的研究人員努力將AI技術與農業生產相結合，極大地推動了智慧農業的發展。Mei等通過對四個基準數據集進行大量實驗，構造了一個五層神經網絡（C-CNN），該神經網絡包含深度學習領域的dropout方法（防止過擬合），批量標準化及激活函數（PReLU）等研究進展，用于高光譜分類并獲得良好的效果。并且構造出一個伴生特征學習神經網絡（FL-CNN），該算法進行特征提取可以在無監督或監督模式下進行，用于學習傳感器所捕獲的空間光譜特征，該算法的性能相較于一般機器學習算法有顯著提升[17]。有研究人員發現，在機器學習驅動下，拉曼光譜（SERS）可以用來測量不同細胞中至少8種代謝物的梯度[18]。細胞外環境是細胞分泌和消耗代謝物的復雜介質，傳統的檢測方法在分析研究這些分子梯度時具有很大的挑戰性，因為目前的工具不適合且具有破壞性，同時難以提供足夠的分辨率。該研究利用納米材料作為探針，使用TensorFlow分析拉曼光譜最后將整個光譜數據導入卷積神經網絡進行數據處理，獲得了高精度的分析結果，為研究細胞生物學提供了一個通用平臺。機器學習是人工智能的核心，其強大的數據處理能力和學習能力為農業發展帶來新的突破點。其中，有監督學習（線性回歸、決策樹、支持向量機、BP神經網絡、KNN等）在智慧農業中已有較為廣泛的應用，其根據相應的算法在有標記的作物信息數據集上訓練模型，優化參數，再利用優化后的模型對輸入的新數據進行分析，也就具有了對未知數據進行預測和分類的能力。但是該算法往往以大量的訓練數據為基礎，而創建大型農業數據集通常是非常耗時的任務。在未來，依托于無人智能設備，無監督學習有可能會成為驅動智慧農業的新動力。

2.4 農業生產信息的聯網和存儲

近年來，5G、物聯網、區塊鏈等信息技術飛速發展。新一代信息技術（Next Generation ICT）的開發為智慧農業發展提供了基礎支撐。一個完善的智慧農業系統，任何信息的傳遞應該是數據化、自動化、智能化的，從而不再需要人作為信息傳遞的媒介。各種傳感器所捕獲的實時高通量作物信息數據，需要快速無損地傳遞給數據分析終端從而及時做出決策，調動智慧農業體系中的智能化農機設備等。如前所述，不同傳感器所捕獲的信息類型多樣，包括高光譜數據、生態數據、近紅外圖像數據、遙感數據等。不同數據類型的傳輸存儲方式，數據轉換以及分析方法不同。在構建智慧農業系統時，往往是多種類型的傳感器同時運行。合理設計各種數據的傳輸，儲存，分析，整合，才能得到對農作物全面準確實時的預測和評價，也是提高體系自動化程度增強體系整體性能的重要一環。

智慧農業數字化的進一步優化，需要具備由高穩定性、高效能的硬件與軟件所共同構筑閉環，通過不斷迭代與升級，產業發展逐步向數字孿生[19]。提高信號的穩定性，增加數據傳輸帶寬和速度，提高信噪比降低數據的錯誤率，改進無線設備間的兼容性以及連接的穩定性，提高存儲設備的安全性和穩定性是保證信息穩定流通提高智慧農業信息化體系性能的研究方向。物聯網通過智能傳感器按照相應協議，把萬事萬物通過網絡連接起來，以實現智能監控管理等操作[20]。胡開明等以物聯網為基礎通過無線通信技術和智能化控制技術有機融合設計了一套智能溫室大棚控制系統。以單片機為控制器，采用DHT11模塊和PCF8591模塊收集溫室大棚內環境的溫濕度和光照等作物生態信息，經過單片機處理后自動調節大棚內的溫濕度、光照度及通風狀況，以完成智能化保溫、保濕和數據存儲，并且通過無線通信模塊GPRS-GA6將實時數據傳送到指定手機上[21]。一套智慧農業遠程監控系統同樣以物聯網為基礎，通過使用LoRa、網關和GPRS構建無線自組網，并使用智慧農業綜合信息管理平臺實現對于農業大棚環境數據的實時采集和監控[22]。5G技術（The Fifth Generation Mobile Communications System）具有帶寬龐大和低延遲等優勢，在作物信息傳遞時展現出較高的效能[23]。5G技術實際應用于智慧農業大棚系統灌溉模型中，建立了應用層、服務層、傳輸層以及傳感層，并提出系統灌溉模型解決方案。在智慧大棚系統灌溉模型方案中引入了智慧大棚內環境指數掌控體系，結合大棚內農作物精準培育環境優化展開分析，建立基于5G技術的實時監測與遠程聯動技術模塊，形成遠程通信技術體系，促成智慧田地方案，實現對大棚中傳感器所獲取的數據進行無損、低延遲的實時傳遞分析以及決策[24]。區塊鏈是基于密碼學算法的一種互聯網共享數據庫信息技術，從多個層面解決中心化模型所造成的數據庫信任安全問題。區塊鏈技術具有不可篡改和可追溯的特點，其運用密碼學算法的原理安全轉移數據信息。在智慧農業中采用區塊鏈賦能物聯網技術能夠對農業生產進行遠程操作和實時監控，大幅度降低了農業的生產成本，提升生產效率，從而推動智慧農業的進一步發展和普及[25]，具體見圖2。

2.5 作物信息學與農業生產中的智能決策

圖2 智慧農業決策系統模型之一

決策支持工具基于軟件和農業信息平臺，是尋求農業循證決策以提高生產力和環境產出的重要組成部分。其能夠給出最佳決策路徑，或者充當信息源為現實決策提供基礎[26]。隨著大數據技術的飛速發展，計算機存儲和數據處理的性能極大提升，人工智能也隨之復興。人工智能系統成本降低的同時，預測能力有了極大地提升。伴隨著AI的飛速發展，人工智能越來越廣泛地應用于決策系統[27]，農業智能決策支持系統也得到了相應的推動。智能決策支持系統（IDSS，Intellingence Decisionmaking Support System）是20世紀80年代以后在傳統決策支持系統（DSS）中引入AI技術而產生的決策支持系統，該系統基于農業大數據和成熟的技術，易于維護且能夠充分利用各層次資源。決策系統在其他領域已經展現出出色的效能，比如在醫學領域，放射科醫生可以通過使用AI系統提供的決策支持，大大提高他們在乳腺X光檢查中診斷乳腺癌的速度和精準度[28]。在智慧農業中，AI算法輸出的結果往往會傳送給智能農機設備或農業基站。國外研究人員開發了一套人工智能決策支持系統，利用在三個不同農戶冷藏設施中獲得的實驗數據訓練并驗證人工神經網絡（ANN），從而快速、簡單地預測成熟時間，幫助農戶確定適銷期從而減少浪費，并且開發了一個用戶界面[29]。在今后的智慧農業決策系統中，作物信息經過處理分析導入智能決策系統，智能決策支持系統如同“專家”，可以驅動智能農機設備自動執行決策，預測作物生長狀況，并對各種類型脅迫進行提前預警，使得智慧農業體系更加完善。盡管在人工智能的加持下，農業智能決策支持系統逐步完善，但其發展仍然面臨著諸多挑戰。例如，現有決策系統GUI對于農民過于復雜，其著重于短期決策而缺乏長期的規劃，面對不確定因素和動態環境其穩定性不足，并且現有算法在訓練決策系統時往往需要大量的信息數據基礎。而作物信息學正是解決這些問題的有效途徑。在未來，作物信息學將會通過簡化GUI設計[30]，增加系統決策周期，提高系統穩定性，以及優化算法等方式進一步提高農業智能決策系統的性能與可用性。

3 作物信息學與智慧農業：展望

當前我國智慧農業發展水平與發達國家還有一定差距，在農業傳感器設計、農機自動化、農業數據分析以及算法優化等軟件和硬件方面仍然有待進一步提高。作物信息學的技術和研究成果可以極大地推動信息自動化產業與傳統農業的深度結合，為智慧農業添“智”。在面對現實農業生產問題時，作物信息學能夠充分利用農業傳感器，遙感技術，地理信息系統，以及市場信息檢測軟件模塊等感知手段，通過信息傳輸遠程監測技術對作物生長狀態，農業環境狀況，農業生產過程進行全流程跟蹤式監測管理，通過人工智能算法整合分析農業大數據，以數據流驅動物資流、人才流、資金流、技術流，實現更為精準精確的農產品的種、管、采收、儲存、加工等[19]。隨著人工智能與大數據的飛快進步，作物育種已經進入4.0階段的核心是大數據驅動的基因組智能設計育種[31]。機器學習算法與傳統育種相結合的新育種模式吸引了越來越多育種家的目光，如今人們已經能夠將深度學習等人工智能理論與技術應用于小麥等作物育種中[32-34]。在未來，智能育種通過育種大數據與人工智能決策，結合基因組學以及基因編輯技術，將會實現進一步加快作物優良品系的培育，大大縮短育種周期，提高育種效率，降低育種成本。另一方面，在大力發展智慧農業的背景下，以需求為導向解決智慧農業發展中的難題從而實現與智慧農業體系的深層結合是作物信息學的一個發展方向之一。將作物信息學理論與技術在智慧農業中積極地應用于實踐，有利于解決優化發展中的問題，促進智慧農業的穩定運行，提高智慧農業的自動化、信息化和智能化。