基于極限學習機算法的農業綠色智慧評價系統

王 琦

（1.鄭州大學圖書館，鄭州 450001；2.鄭州大學科學技術信息研究所，鄭州 450001）

0 引言

2019 年，中共中央辦公廳、國務院辦公廳印發《數字鄉村發展戰略綱要》［1］，提出要大力發展農村數字經濟和建設智慧綠色新農村。2021 年9 月農業部編制《“十四五”全國農業農村信息化發展規劃》，提出要進一步細化推進數字農業建設思想、內容和重點任務，其中，包括大力推進物聯網、大數據、人工智能、機器人等新一代信息技術在農業生產加工各環節融合應用。

人工智能技術（artificial intelligence,AI）是二十一世紀最重要的技術之一，世界各國政府的工作報告中都多次提到人工智能技術。人工智能技術的研究目標是使機器像人一樣思考，完成需要人類智能才能完成的復雜工作流程，使應用對象具有“智慧”能力。人工智能技術包含機器學習、機器視覺、語音分析等多個研究領域。人工神經網絡（artificial neural network,ANN）從信息處理角度，模擬人類腦神經元，具有黑箱功能，可以模擬自然界的數學規律，作為機器學習的載體，已經大規模應用于人類社會的各個領域。

近幾年來，關于人工智能和神經網絡技術在農業綠色智慧的應用研究，正受到國內學者的廣泛關注［2-7］。李揚［3］對機器學習技術在農業領域的應用現狀進行了詳細介紹。王肖芳［4］使用反向傳播（back propagation,BP）神經網絡對河南省生態農業綜合效益進行評價，促進了生態農業的發展。吳曉柯等［5］對區塊鏈技術在農業發展中的應用展開了相關研究，分析了區塊鏈技術在農業應用中所面臨的挑戰。王翠［6］對農業高新技術進行了綜合評價，采用BP 神經網絡構建了系統的評價模型，并采用機器學習和自然語義處理技術，實現了評價報告的自動生成。汝剛等［7］針對使用人工智能對我國傳統農業進行改造所存在的問題和改造方法進行了理論探討研究。

綠色智慧農業（green and smart agriculture,GSA）是物聯網技術、計算機技術、人工智能技術和農業的有機結合。綠色智慧農業就是為農民、政府和企業提供了科學的農業生產解決方案，可以解決傳統農業管理粗獷、效率低下的問題。通過物聯網技術，可以實時觀測農作物的生長狀況；通過大數據和人工智能技術，可以精確匹配農作物的生長環境，精準地執行農業生產活動，提高農業生產效率，提升農業生產競爭力，使經濟效益最大化。通過利用物聯網技術、機器學習技術、大數據技術和人工智能技術，可以有效提升農產品質量和生產效率，綠色智慧農業是未來農業發展的必然方向。

1 農業綠色智慧發展水平評價體系的建立

采用層次分析法（analytic hierarchy process,AHP）建立了基于2 個層次、4 個一級指標和20個二級指標的農業綠色智慧發展水平評價體系。

1.1 評價指標的選取

根據綠色智慧農業的本質特點，以河南省為例，通過對河南省下轄17 個地級市進行調查走訪研究，并查閱大量的文獻研究資料，篩選出和河南省農業綠色智慧發展水平最相關的高頻詞匯，借鑒評價體系建立的方法建立了資源利用、生態效益、智慧程度和經濟效益4個一級指標和20 個二級指標。其中，A5～A7為負向指標，其他均為正向指標。本研究樣本所用指標數據來源于《河南省統計年鑒（2019）》和部分其他網絡統計年鑒數據。評價指標的建立如表1所示。

表1 評價指標及權重分配值

影響農業綠色智慧發展水平評價的因素有很多，總體評價結果由20 個二級指標以及它們各自所占的權重共同決定。其中，權重是決定指標重要程度的重要數值。用K和L分別表示所有二級指標的數值矩陣和權重矩陣，用R表示評價結果，那么矩陣K與矩陣L的轉置乘法運算后即可得到R，如公式（1）～（3）所示：

采用層次分析法構建農業綠色智慧發展水平評價體系需要構造權重矩陣L。首先，需要構建判斷矩陣來確定各指標之間的相對重要性。以表2為例，引入“標度”的概念，來定量地衡量不同指標間相互之間的關系。其中，PA1A2取2，代表A1（土地復種指數）與A2（有效灌溉指數）相比，A1比A2稍微重要。PA2A1表示的是指標A2相對于A1的比較結果，且與PA1A2存在倒數關系，因此取值0.5。此外，同一個指標相對于自身具有同等的重要性，因此PA1A1和PA2A2皆為1。

表2 標度關系表

求得標度之后，通過yaahp 軟件進行一致性檢驗分析，CR值小于0.1，通過一致性檢驗后，可得指標的權重矩陣L。各指標權重如表1所示。

1.2 評價結果計算

根據前文所述，選取2005—2018 年對應的二級指標數值矩陣K與權重矩陣L代入公式（3），可得到2005—2018 年農業綠色智慧發展水平的評價結果，具體結果如表3所示，由于二級指標數值矩陣中的數據不在一個量綱，因此需要對所有的數據進行歸一化處理。

表3 評價結果

通過選取農業綠色智慧發展水平評價體系的指標變量和相應指標權重分配矩陣，構建了農業綠色智慧發展水平評價體系，并得到了每一年最終的評價結果，該評價體系的建立，為下一部分基于極限學習機算法的農業綠色智慧發展水平評價模型的構建提供了相關的理論支持。

2 基于極限學習機算法的農業綠色智慧發展水平評價模型構建

2.1 極限學習機算法

極限學習機（extreme learning machines,ELM）算法是新加坡南洋理工大學的GuangBin Huang教授于2006 年首次提出的［8］。極限學習機算法基于單隱含層前饋神經網絡結構，該算法隨機產生輸入層和隱藏層之間的權值矩陣及隱藏層神經元閾值，在訓練過程中，不需要每次反向調整權值矩陣及隱藏層神經元閾值，且隱藏層和輸出層之間的權值矩陣是通過求解方程組而確定的。因此，相比于傳統BP 神經網絡，具有訓練速度快、泛化能力強等優點，使用極限學習機算法建立農業綠色智慧發展水平評價模型可以有效地對河南省農業綠色智慧的發展水平進行預測。單隱含層前饋神經網絡結構如圖1所示。其中，該神經網絡包含一個輸入層，節點數為n；一個隱藏層，節點數為j；一個輸出層，節點數為m。其中，X=[x1(k),x2(k),…,xn(k)]為輸入變量矩陣，Y=[y1(k),y2(k),…,ym(k)]為輸出變量矩陣，Wa1為輸入層和隱藏層之間的權值矩陣，Wa2為隱藏層和輸出層之間的權值矩陣。

圖1 單隱含層前饋神經網絡結構

2.2 基于極限學習機農業綠色智慧評價系統

根據因子分析后的樣本集，引入極限學習機算法進行學習和訓練，建立基于ELM 的農業綠色智慧發展水平預測模型。ELM 評價模型建立步驟如圖2所示。

圖2 基于ELM的農業綠色智慧發展水平評價模型建立步驟

算法基于Matlab2021a 仿真環境進行編程實現。首先，對樣本數據進行處理。訓練數據采用樣本數據中2005—2014 年的數據。由于樣本數據量較小，因此，需要對訓練數據集進行擴充。為了方便模型的學習和訓練，將數據進行歸一化處理。隨后，建立ELM 神經網絡模型，這里采用Matlab2021a 自帶的神經網絡工具箱軟件建立ELM 神經網絡模型。建立模型后，使用訓練數據集對極限學習機進行訓練。訓練停止的條件為滿足設定的訓練次數。設定訓練次數完成后，極限學習機算法停止訓練。下一步，需要使用測試數據集，測試基于極限學習機算法建立的農業綠色智慧發展水平評價模型的準確性。

2.3 評價模型的驗證

訓練完成后，使用2015—2018 年的數據對極限學習機的預測性能進行測試。將測試數據輸入訓練好的極限學習機，并得到極限學習機輸出的預測結果，并和表3所得到的評價結果進行對比，結果如圖3所示，可以看出，極限學習機的預測結果和基于層次分析法計算的結果基本重合，誤差較小。

圖3 極限學習機測試結果

3 結語

本課題以河南省為例，對河南省下轄17 個地級市進行調查走訪研究，查閱相關資料和文獻，篩選出能反映河南省農業綠色智慧發展水平的變量指標，建立了具有2 個層次、4 個一級指標和20 個二級指標的農業綠色智慧發展水平評價體系。其次，通過引入極限學習機算法，建立了基于極限學習機算法的農業綠色智慧發展水平預測模型。最后，在Matlab2021a 環境下對預測模型進行學習和訓練，并使用測試數據集對極限學習機的預測性能進行測試。測試結果表明，該評價模型可以對農業綠色智慧發展水平進行有效的預測，具有一定的應用價值和產業化前景。