隨機森林在農(nóng)業(yè)方面的應(yīng)用*

李衍瑞

（塔里木大學信息工程學院，新疆 阿拉爾 843300）

我國是農(nóng)業(yè)大國，農(nóng)業(yè)經(jīng)濟在國民經(jīng)濟中占據(jù)著非常重要的地位，2020年全國農(nóng)業(yè)及相關(guān)產(chǎn)業(yè)增加值為166 900億元，占國內(nèi)生產(chǎn)總值（GDP）的比重為16.47%[1]。隨著經(jīng)濟的飛速發(fā)展，人們的生活質(zhì)量大幅度提升，人們對于食品方面的要求越來越高，這就要求農(nóng)業(yè)生產(chǎn)質(zhì)量也要不斷提高。機器學習成為農(nóng)業(yè)信息化中的重要一環(huán)，為農(nóng)業(yè)提質(zhì)增效作出了巨大貢獻，隨機森林算法作為機器學習的一種，在農(nóng)業(yè)中有著廣泛的應(yīng)用[2-4]。

1 隨機森林算法

1.1 決策樹

決策樹是有監(jiān)督的機器學習算法，是一種樹狀結(jié)構(gòu)的流程圖，主要解決分類問題。這種方法根據(jù)數(shù)據(jù)及參數(shù)的屬性特征對其進行分類，對每一次分類過程進行記錄并匯總。決策樹本身由根節(jié)點、非葉子節(jié)點（決策點）、葉子節(jié)點和分支組成。在決策樹中，每個決策點實現(xiàn)一個具有離散輸出的測試函數(shù)記為分支[5]。根節(jié)點是決策樹中最上面一層的節(jié)點，該節(jié)點往往具有信息增益大的特點，在根節(jié)點處，信息熵值下降最快，可以有效地對數(shù)據(jù)進行第一次分類。非葉子節(jié)點代表問題的決策，通常對應(yīng)決策所依據(jù)的屬性。葉子節(jié)點代表分類的標簽值，決策樹是一個由上到下的遍歷過程，每一次分類會有不同的判斷結(jié)果，將不同的判斷結(jié)果引入不同的分支，從而賦予不同的標簽值[6]。

1.2 決策樹的剪枝

如果決策樹在構(gòu)建中考慮了所有的訓練數(shù)據(jù)集，得到的決策樹就會很龐大[7]。雖然這樣可以保證訓練數(shù)據(jù)集的決策正確率達到100%，但是由于需要考慮所有數(shù)據(jù)，將數(shù)據(jù)分割得過于零散，致使決策樹學習到一些噪聲點和錯誤點，出現(xiàn)過擬合現(xiàn)象[8]。對于上述問題可以通過決策樹的剪枝有效解決。決策樹常用的剪枝方法有兩種。

1）預剪枝：在構(gòu)建決策樹時提前停止。如果該節(jié)點的信息增益過低，則說明該節(jié)點的分類效果不好，并將該節(jié)點設(shè)為葉子節(jié)點。

2）后剪枝：在決策樹構(gòu)造完成后，進行剪枝。自下而上地對每個非葉子節(jié)點進行考察，選擇該節(jié)點中個數(shù)最多的類別作為標簽，試將節(jié)點的子樹替換為葉子節(jié)點；若能夠使得決策樹在驗證集上的準確率升高，則將該子樹替換成葉子節(jié)點。

1.3 隨機森林算法

隨機森林由Leo Breiman提出，它通過自助法（Bootstrap）重采樣技術(shù)，從原始訓練樣本集N中有放回地重復隨機抽取m個樣本生成新的訓練樣本集合，然后根據(jù)自助樣本集生成m個分類樹組成隨機森林，新數(shù)據(jù)的分類結(jié)果按分類樹投票多少形成的分數(shù)而定。通俗來講，隨機森林就是將若干個弱分類器組成一個強分類器。其本質(zhì)是將決策樹算法進行了集合，將若干個決策樹組起來，每一個獨立抽取樣本建立一棵相關(guān)的決策樹，森林中的每棵樹具有相同的分布，每棵樹的誤差取決于每棵樹的相關(guān)性。參數(shù)特征采用隨機方式對每一個節(jié)點進行分類，然后比較不同情況下產(chǎn)生的誤差，能夠檢測到內(nèi)在估計誤差、分類能力和相關(guān)性決定選擇特征的數(shù)目[9]。每一棵樹的分類能力較小，隨著大量的樹的建立，其分類能力逐步提高，一個測試樣品可以通過每一棵樹的分類結(jié)果統(tǒng)計后選擇最可能的分類。隨機森林的基本原理和技術(shù)路線如圖1、圖2所示。

圖1 隨機森林基本原理

圖2 隨機森林技術(shù)路線

2 現(xiàn)代農(nóng)業(yè)存在的問題

2.1 農(nóng)業(yè)干旱監(jiān)測誤差較大

農(nóng)業(yè)干旱監(jiān)測一直是農(nóng)業(yè)方面的一項重大工作，干旱意味著農(nóng)作物從種植、生長到收獲都會受到巨大影響，而農(nóng)業(yè)干旱監(jiān)測如果出現(xiàn)誤差過大的情況，會導致灌溉量不符合要求，作物生長得不到有效保障，使得農(nóng)民種植成本大大提高，甚至出現(xiàn)經(jīng)濟損失等問題。對于大部分農(nóng)民來說，對土壤干旱檢測的方法還停留在經(jīng)驗層面，通過種植經(jīng)驗對土壤干旱程度進行估算，從而確定灌溉量等信息。這樣以經(jīng)驗來判斷土壤干旱程度的方法，對農(nóng)民種植經(jīng)驗有著較高要求。另外，不同作物的需水量不同，對土壤的含水量需求也不相同，一定程度上加大了土壤干旱檢測的誤差，使得農(nóng)民資金受損的風險大大提高。少部分人使用手持土壤檢測設(shè)備，對農(nóng)田進行隨機采樣，通過隨機采樣點的數(shù)據(jù)對整體農(nóng)田的土壤干旱度進行估算。這種方法不僅對人力有著巨大要求，而且只對農(nóng)田的個別區(qū)域有著較高的精度，農(nóng)田整體的土壤干旱數(shù)據(jù)可能存在較大誤差。上述兩種常用的方法都有著高誤差風險，一旦出現(xiàn)估算錯誤，對整體的種植進程有著巨大影響。

2.2 農(nóng)作物產(chǎn)量預測不準確

農(nóng)作物與人們生活息息相關(guān)，農(nóng)作物產(chǎn)量對人們的生活有著巨大的影響，隨著我國人口的增長，農(nóng)業(yè)系統(tǒng)的壓力逐步增大，另外，農(nóng)作物產(chǎn)量對國家農(nóng)業(yè)系統(tǒng)的政策制定等也有著重要的影響，因此農(nóng)作物產(chǎn)量預測非常重要。傳統(tǒng)的農(nóng)作物產(chǎn)量預測通常以近幾年的農(nóng)作物產(chǎn)量數(shù)據(jù)為基礎(chǔ)，應(yīng)用統(tǒng)計類模型進行相關(guān)預測，常用的分析方法有灰色關(guān)聯(lián)度分析、逐步回歸模型等。其中，灰色關(guān)聯(lián)度分析需要對各項指標的最優(yōu)值進行現(xiàn)行確定，相當一部分的指標無法現(xiàn)行確定，這就導致該方法主觀性過強，容易產(chǎn)生誤差，另外灰色關(guān)聯(lián)度分析的一系列模型已不能滿足當前對于模型的需求，導致結(jié)果具有偏差。在逐步回歸模型中，采用哪一種因子和該因子采用哪一種具體的表達式并不能完全確定，這就影響了因子的多樣性和不確定性，使得回歸分析的精度受到影響，導致作物產(chǎn)量預測有較大誤差。

2.3 農(nóng)作物品質(zhì)檢測煩瑣

隨著經(jīng)濟社會發(fā)展，人們對生活質(zhì)量的要求越發(fā)提高，并且隨著食品安全意識的普及，老百姓對食品品質(zhì)也越來越重視，農(nóng)產(chǎn)品在日常飲食中占據(jù)極大的比例，所以如今對農(nóng)作物品質(zhì)的檢測要求也越來越高。現(xiàn)如今對農(nóng)作物的品質(zhì)檢測分為有損檢測和無損檢測，有損檢測雖然更為精確，但是成本過高，而且農(nóng)作物的有損檢測步驟煩瑣，需要消耗大量的人力、物力。對于無損檢測來說，傳統(tǒng)的檢測方法有近紅外光譜檢測和高光譜檢測，通過高光譜成像對作物進行檢測。近紅外光譜檢測和高光譜成像技術(shù)雖然極具優(yōu)勢，但是有一定的局限性。近紅外光譜設(shè)備造價高，且接收光譜時容易受到外界因素的干擾，高光譜成像技術(shù)數(shù)據(jù)采集時間長，獲取的數(shù)據(jù)復雜、冗余高。

3 隨機森林在農(nóng)業(yè)中的應(yīng)用

3.1 隨機森林應(yīng)用于農(nóng)業(yè)干旱監(jiān)測

作為機器學習的一種，隨機森林算法有著分類回歸的作用。2022年，王曉燕等[10]通過隨機森林、BP神經(jīng)網(wǎng)絡(luò)、支持向量機等對農(nóng)業(yè)干旱監(jiān)測建立了模型。通過確定不同的參數(shù)因子，提取2002—2019年甘肅4—10月所有氣象站點的VCI、TCI、PCI和VSWI指數(shù)，按月依次對4種遙感指數(shù)和1個月、3個月、6個月時間尺度的SPEI進行Pearson相關(guān)性分析，分析單個遙感干旱指數(shù)監(jiān)測農(nóng)業(yè)干旱的能力以及融合多源數(shù)據(jù)的必要性。結(jié)果表示，各項因子都高于0.01，表示其對于干旱指數(shù)顯著相關(guān)，選取站點數(shù)據(jù)構(gòu)建隨機模型，對于隨機森林、BP神經(jīng)網(wǎng)絡(luò)、支持向量機的結(jié)果進行R2、RMSE、MAE的測算，結(jié)果如下：R2=0.86、0.81、0.82，RMSE=0.53、0.59、0.53，MAE=0.41、0.45、0.42。隨機森林算法在對數(shù)據(jù)進行擬合后，其精度高于BP神經(jīng)網(wǎng)絡(luò)和支持向量機。從而得出結(jié)論：隨機森林可以更全面、可靠地進行農(nóng)業(yè)干旱監(jiān)測。

3.2 隨機森林應(yīng)用于農(nóng)作物產(chǎn)量預測

2019年，王鵬新等[11]基于隨機森林回歸的算法，對玉米進行了單產(chǎn)估測。該文的研究區(qū)域為河北省的中原區(qū)域，特征變量選取了上包絡(luò)線S-G濾波的葉面積指數(shù)和條件植被溫度指數(shù)。該文首先確定了玉米對于水分的脅迫程度，進行了VTCI的計算，VTCI的計算公式如下：

通過上包絡(luò)線S-G濾波對選取的葉面積指數(shù)進行平滑處理，使得該葉面指數(shù)更加符合該地區(qū)玉米生長的實際情況，之后建立回歸決策樹，通過建立隨機子空間法確立決策樹的相關(guān)節(jié)點及其分裂特征。通過有放回地隨機參數(shù)抽樣，從最初的原始樣本抽取訓練樣本，通過該方法確立m個訓練樣本，在決策樹建立過程中，利用CART方法隨機選取樹的數(shù)量，且不對決策樹進行剪枝，將所有決策樹構(gòu)建成隨機森林后，對所有回歸后得到的玉米單產(chǎn)值進行平均計算，所得到的最終值即為該地區(qū)玉米單產(chǎn)的估算值。結(jié)果表明，通過隨機森林回歸模型構(gòu)建變量估產(chǎn)模型時，其精度較高，具有實際意義，可以對該地區(qū)的相關(guān)作物產(chǎn)量進行相對精確的預測。

3.3 隨機森林應(yīng)用于農(nóng)作物品質(zhì)檢測

2019年，劉倩[12]以哈密瓜為試驗材料，通過隨機森林算法對其進行了模型構(gòu)建，對哈密瓜的無損檢測進行研究。該文首先通過哈密瓜對不同基質(zhì)的含水量進行統(tǒng)計和處理，包括糖分、可溶性固體物、維生素C等不同品質(zhì)指標。并且提取了哈密瓜相關(guān)的外部表型特征，例如紋理特征、顏色特征等。之后對哈密瓜進行了外部因子的相關(guān)性分析，綜合多個環(huán)境因子，使用隨機森林的回歸算法，對哈 密瓜的紋理特征和顏色特征進行模型建立，結(jié)合哈密瓜對外部環(huán)境因子的敏感程度，對不同的環(huán)境因子進行了R2的測算。最后通過試驗證明哈密瓜內(nèi)部品質(zhì)與外部特征有著顯著的相關(guān)性，通過隨機森林進行預測模型的建立，結(jié)合外部表型特征，建立果實預測模型。通過對比哈密瓜含水量與內(nèi)部品質(zhì)，確定其規(guī)律，并將特征分析的結(jié)果與外部表型對比。試驗結(jié)果表明，哈密瓜對不同的內(nèi)外部因素測算得到相應(yīng)的R2，其R2均高于0.75。該試驗表明隨機森林算法在農(nóng)作物的品質(zhì)檢測方面，構(gòu)建的品質(zhì)預測模型有著較高的精度及實用性。

4 結(jié)論

綜上所述，隨機森林作為機器學習的一類算法，可以應(yīng)用到很多方面，在農(nóng)業(yè)上的應(yīng)用也很廣泛，無論是在農(nóng)業(yè)環(huán)境中的應(yīng)用還是在農(nóng)產(chǎn)品中的應(yīng)用，都有著較高的應(yīng)用價值。隨機森林算法具有高精度以及對數(shù)據(jù)的強大處理能力，并且可以有效地避免數(shù)據(jù)過多時出現(xiàn)數(shù)據(jù)冗余的情況。