機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用.pdf

書書書 李穎 陳懷亮 機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 應(yīng)用氣象學(xué)報(bào) 機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 李 穎 陳懷亮 中國(guó)氣象局 河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室 鄭州 河南省氣象科學(xué)研究所 鄭州 河南省氣象局 鄭州 摘 要 智慧氣象和精準(zhǔn)農(nóng)業(yè)結(jié)合下的現(xiàn)代農(nóng)業(yè)氣象工作意味著對(duì)包含遙感影像在內(nèi)的大型農(nóng)業(yè)和氣象數(shù)據(jù)高時(shí)效 性的分析與處理 機(jī)器學(xué)習(xí)技術(shù)是當(dāng)代自然科學(xué)研究和技術(shù)發(fā)展的主流技術(shù) 亦是現(xiàn)代農(nóng)業(yè)氣象科研和業(yè)務(wù)發(fā)展 的重要工具 該文系統(tǒng)論述了機(jī)器學(xué)習(xí)技術(shù)的主要方法及其在現(xiàn)代農(nóng)業(yè)氣象中的主要應(yīng)用方向 比較了不同方法 在農(nóng)業(yè)氣象不同領(lǐng)域應(yīng)用的情況 側(cè)重介紹了基于深度學(xué)習(xí)技術(shù)的成果和近年來的最新研究進(jìn)展 傳統(tǒng)淺層機(jī)器 學(xué)習(xí)技術(shù)中 以支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛且效果最為理想 近年來 隨機(jī)森林和梯度提升機(jī)等決 策樹集成方法普遍取得優(yōu)于核方法的精度 深度學(xué)習(xí)技術(shù)則在某些任務(wù)中取得更優(yōu)于集成學(xué)習(xí)的精度 未來 有 待檢驗(yàn)機(jī)器學(xué)習(xí)技術(shù)特別是深度學(xué)習(xí)技術(shù)在更多農(nóng)業(yè)氣象問題上的適用性和先進(jìn)性 更好地迎接現(xiàn)代農(nóng)業(yè)氣象發(fā) 展的新挑戰(zhàn)與新機(jī)遇 關(guān)鍵詞 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 農(nóng)業(yè)氣象 農(nóng)業(yè)遙感 引 言 農(nóng)業(yè)在全球經(jīng)濟(jì)中發(fā)揮著基礎(chǔ)性且至關(guān)重要的 作用 國(guó)家和地區(qū)農(nóng)業(yè)生產(chǎn)力高低直接影響其工業(yè) 化程度與經(jīng)濟(jì)水平 落后的農(nóng)業(yè)技術(shù)會(huì)帶來饑餓 貧 窮與社會(huì)發(fā)展的滯后 到 年 全球?qū)⑿略?億左右人口 加之氣候變化對(duì)農(nóng)業(yè)生產(chǎn)的影 響 使得消除饑餓和保障糧食安全成為當(dāng)今世界 可持續(xù)發(fā)展的重要議題 農(nóng)業(yè)技術(shù)的進(jìn)步可有力 應(yīng)對(duì)該挑戰(zhàn) 精準(zhǔn)農(nóng)業(yè)被列為農(nóng)業(yè)領(lǐng)域的十大發(fā) 展之一 其特點(diǎn)是應(yīng)用密集的數(shù)據(jù) 以遙感技 術(shù) 和無線傳感器技術(shù) 為主要手段采集信息并進(jìn) 行時(shí)空處理 提高農(nóng)業(yè)生產(chǎn)效率 作物產(chǎn)量和環(huán)境質(zhì) 量 農(nóng)業(yè)氣象學(xué)是研究農(nóng)業(yè)生產(chǎn)與氣象條件之間相 互關(guān)系及其規(guī)律的科學(xué) 以促進(jìn)農(nóng)業(yè)生產(chǎn)為主旨 圍 繞現(xiàn)代氣象與現(xiàn)代農(nóng)業(yè)的智慧化進(jìn)程也在不斷進(jìn)行 著自身的科學(xué)創(chuàng)新 智慧氣象和精準(zhǔn)農(nóng)業(yè)結(jié)合下的 現(xiàn)代農(nóng)業(yè)氣象工作意味著對(duì)納入遙感可視化數(shù)據(jù)在 內(nèi)的大型農(nóng)業(yè)和氣象數(shù)據(jù)高時(shí)效性的分析與處 理 機(jī)器學(xué)習(xí) 技術(shù)對(duì)其發(fā) 展有很大的助力 是圖像處理和大數(shù)據(jù)分析不可或缺的技 術(shù) 廣泛應(yīng)用于醫(yī)學(xué) 藥學(xué) 經(jīng)濟(jì)學(xué) 生物學(xué) 水文學(xué) 農(nóng)業(yè)氣象學(xué)等諸多科學(xué)領(lǐng)域 深度學(xué)習(xí) 和淺層學(xué)習(xí)中的梯度提升機(jī) 是當(dāng)前最受矚目的兩項(xiàng) 技術(shù) 其中 結(jié)構(gòu)中最著名的卷積神經(jīng)網(wǎng)絡(luò) 自 年起已 成為計(jì)算機(jī)視覺任務(wù)的首選解決方案 現(xiàn)代農(nóng) 業(yè)氣象研究不僅涉及大量氣象數(shù)據(jù) 土壤數(shù)據(jù) 作物 觀測(cè)數(shù)據(jù) 也涉及到農(nóng)業(yè)遙感中采集自地面 無人 機(jī) 衛(wèi)星的海量影像數(shù)據(jù) 技術(shù)的特點(diǎn)及其在機(jī) 器視覺領(lǐng)域的優(yōu)勢(shì)使其在現(xiàn)代農(nóng)業(yè)氣象工作中具有 收到 收到再改稿 資助項(xiàng)目 國(guó)家自然科學(xué)基金項(xiàng)目 氣候變化專項(xiàng)課題 中國(guó)氣象局 河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點(diǎn)開放實(shí) 驗(yàn)室開放基金項(xiàng)目 河南省氣象局氣象科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目 通信作者 郵箱 第 卷第 期 年 月 應(yīng)用氣象學(xué)報(bào) 很大的應(yīng)用潛力 本文對(duì) 技術(shù)的主要方法及其在現(xiàn)代農(nóng)業(yè) 氣象中尤其是涉及農(nóng)業(yè)遙感的應(yīng)用進(jìn)行系統(tǒng)性介 紹 由于所涉及的文獻(xiàn)眾多 側(cè)重列舉代表性文獻(xiàn) 對(duì)其研究成果進(jìn)行概要介紹 且重點(diǎn)列舉出 技 術(shù)的應(yīng)用實(shí)例 旨在推動(dòng) 技術(shù)特別是 技術(shù) 在現(xiàn)代農(nóng)業(yè)氣象科研與業(yè)務(wù)中的深入應(yīng)用 技術(shù)概述 技術(shù)蓬勃發(fā)展于 世紀(jì) 年代 是人工 智能 中最受歡迎和最成 功的子領(lǐng)域 將 定義為一門不 需要通過外部程序指令而讓計(jì)算機(jī)具有自我學(xué)習(xí)能 力的學(xué)科 在傳統(tǒng)編程中 人類輸入規(guī)則和需要規(guī) 則處理的數(shù)據(jù) 計(jì)算機(jī)輸出答案 而在 技術(shù)中 人類輸入數(shù)據(jù)和期望從數(shù)據(jù)中得到的答案 計(jì)算機(jī) 通過訓(xùn)練找到數(shù)據(jù)和答案間的統(tǒng)計(jì)結(jié)構(gòu) 輸出規(guī)則 并將這些規(guī)則應(yīng)用于該任務(wù)的新數(shù)據(jù)進(jìn)而生成答 案 技術(shù)與經(jīng)典統(tǒng)計(jì)分析的一項(xiàng)重要區(qū)別 是 技術(shù)傾向于處理大型 復(fù)雜的數(shù)據(jù)集 以及 沒有已知算法可解決的問題 將 技術(shù)用于大 數(shù)據(jù)挖掘可以適應(yīng)新的數(shù)據(jù) 發(fā)現(xiàn)數(shù)據(jù)中隱含的模 式 減少人工分析工作量 更好地處理解并解決傳統(tǒng) 方法難以應(yīng)對(duì)的復(fù)雜問題 技術(shù)是一個(gè)日益龐大的家族 其包含的眾 多算法與模型可根據(jù)不同標(biāo)準(zhǔn)進(jìn)行歸類 其中一種 廣泛使用的分類方法是根據(jù)訓(xùn)練過程中得到的監(jiān)督 的數(shù)量和類型 將其分為監(jiān)督學(xué)習(xí) 非監(jiān)督學(xué)習(xí) 半 監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí) 在監(jiān)督學(xué)習(xí)中 需要人工 為訓(xùn)練數(shù)據(jù)加標(biāo)簽 即明確的屬性標(biāo)識(shí) 其代表性 方法包括線性回歸 邏輯回歸 樸素貝葉斯 高 斯判別 支持 向量機(jī) 神經(jīng)網(wǎng)絡(luò) 最鄰近法 決策樹 隨 機(jī)森林 和梯度提升機(jī)等 在非 監(jiān)督學(xué)習(xí)中 訓(xùn)練數(shù)據(jù)則不加標(biāo)簽 其主要方法包括 以期望最大化算法 分 層聚類分析 均值法 為代表的聚類方法 以主成分分 析 和局部線性 嵌入算法 為代表的 降維算法 以及 等關(guān)聯(lián) 規(guī)則學(xué)習(xí)算法 在半監(jiān)督學(xué)習(xí)中 僅需為少量訓(xùn)練數(shù) 據(jù)加標(biāo)簽 或?yàn)橛?xùn)練數(shù)據(jù)加不確定性標(biāo)簽 其重要方 法包括拉普拉斯支持向量機(jī) 協(xié)同 過濾算法 以及貝葉斯網(wǎng)絡(luò) 馬爾科夫隨機(jī)場(chǎng) 等概率圖模型 在強(qiáng)化學(xué)習(xí)中 不需要預(yù) 先給定訓(xùn)練數(shù)據(jù) 而是通過接收環(huán)境對(duì)動(dòng)作的反饋 獲得學(xué)習(xí)信息 代表性算法包括策略梯度 學(xué)習(xí) 深度 網(wǎng)絡(luò) 算法等 技術(shù)是 技術(shù)的一個(gè)子領(lǐng)域 代表著一 類思想 即以多層結(jié)構(gòu)從數(shù)據(jù)中學(xué)習(xí)表示 其結(jié)構(gòu)通常包含數(shù)十個(gè)乃至上百個(gè)連續(xù) 的表示層 技術(shù)起源于神經(jīng)網(wǎng)絡(luò) 在神經(jīng)網(wǎng)絡(luò) 基礎(chǔ)上增加了層級(jí) 可自動(dòng)提取復(fù)雜特征 近年來 技術(shù)以其更高精度和更優(yōu)性能 在諸多應(yīng)用領(lǐng) 域已經(jīng)取代了以往支持向量機(jī)和集成學(xué)習(xí)的領(lǐng)先地 位 技術(shù)較經(jīng)典 技術(shù)的優(yōu)勢(shì)主要體現(xiàn)在 以下幾方面 技術(shù)完全自動(dòng)化了淺層 技 術(shù)的關(guān)鍵步驟 特征工程 對(duì)使用者更為簡(jiǎn)單 友 好 技術(shù)具有深層非線性網(wǎng)絡(luò)結(jié)構(gòu) 采用遞增 的 逐層的方式開發(fā)愈加復(fù)雜的特征 具有更強(qiáng)的學(xué) 習(xí)能力 有助于解決淺層 技術(shù)難以解決的復(fù)雜 問題 并可進(jìn)行遷移學(xué)習(xí) 技術(shù)可以一次性學(xué) 習(xí)所有特征 并持續(xù)在線學(xué)習(xí) 具有實(shí)時(shí)運(yùn)算能 力 的基本模型包括卷積神經(jīng)網(wǎng)絡(luò) 深度 信念網(wǎng)絡(luò) 循環(huán)神經(jīng)網(wǎng) 絡(luò) 深度自動(dòng)編碼 器 遞歸神經(jīng)網(wǎng)絡(luò) 等 技術(shù)在農(nóng)業(yè)氣象工作中的應(yīng)用 制圖與區(qū)劃 土地覆蓋與作物類型圖是農(nóng)業(yè)氣象工作的重要 基礎(chǔ)數(shù)據(jù)之一 過去的十幾年中 隨著遙感數(shù)據(jù)時(shí) 空分辨率不斷提高 以及大量豐富的免費(fèi)數(shù)據(jù)源向 公眾開放 將遙感影像用于土地覆蓋與作物類型分 類制圖方面的研究呈指數(shù)增長(zhǎng) 技術(shù)中多種經(jīng) 典算法 模型已成功應(yīng)用于該類任務(wù) 根據(jù) 等 的統(tǒng)計(jì) 最大似然分類法使用頻率最高 相關(guān) 應(yīng) 用 氣 象 學(xué) 報(bào) 第 卷 文獻(xiàn)中應(yīng)用比例達(dá) 最大似然分類法和 最鄰近法 均值法等也是文獻(xiàn)中平均精度較低的 方法 分類精度較高的方法則是集成分類器 人工神 經(jīng)網(wǎng)絡(luò)和支持向量機(jī) 等 進(jìn)一步統(tǒng)計(jì) 分析了既往研究 指出傳統(tǒng)監(jiān)督分類方法中支持向 量機(jī)平均精度最高 緊隨其后的是人工神經(jīng)網(wǎng)絡(luò) 且 當(dāng)影像空間分辨率和光譜分辨率提高時(shí) 支持向量 機(jī)表現(xiàn)出較人工神經(jīng)網(wǎng)絡(luò)更大的優(yōu)勢(shì) 此外 技術(shù)在作物管理區(qū)的劃分方面已有成功應(yīng)用的例 子 等 利用 均值法和自組織映射結(jié)合 遙感數(shù)據(jù) 土壤參數(shù)和產(chǎn)量數(shù)據(jù)進(jìn)行了作物管理分 區(qū) 進(jìn)一步看 農(nóng)業(yè)氣候區(qū)劃 如農(nóng)作物品質(zhì)氣候區(qū) 劃 農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)區(qū)劃 農(nóng)業(yè)保險(xiǎn)風(fēng)險(xiǎn)區(qū) 劃 等是農(nóng)業(yè)氣象工作的重要任務(wù) 有待有針對(duì) 性地將 技術(shù)應(yīng)用于區(qū)劃工作 近年來 最受歡迎和最具效率的多源多時(shí)相遙 感影像土地覆蓋與作物制圖方法是集成學(xué)習(xí)和 技術(shù) 針對(duì)復(fù)雜地區(qū)的分類問題 集成學(xué)習(xí)的經(jīng) 典算法隨機(jī)森林的分類精度明顯優(yōu)于傳統(tǒng)的決策 樹 結(jié)構(gòu)中的卷積神經(jīng)網(wǎng)絡(luò) 深度自動(dòng)編碼 器 深度信念網(wǎng)絡(luò) 循環(huán)神經(jīng)網(wǎng)絡(luò)等均被用于探索該 類任務(wù) 等 利用兩種循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)結(jié)合星載合成孔徑雷達(dá) 影像制作了冬季植被質(zhì)量分類圖 制圖精度優(yōu) 于支持向量機(jī)和隨機(jī)森林 等 研究表明 技術(shù)用于土地覆蓋分類的精度高于支持向量機(jī)等淺 層學(xué)習(xí)模型 且 技術(shù)無需人工設(shè)計(jì)分類特征 并 可在分類中使用遷移學(xué)習(xí) 等 將卷積神經(jīng) 網(wǎng)絡(luò)用于作物制圖的精度與隨機(jī)森林和一種集成的 多層感知器 方法對(duì) 比 結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)精度最高 檢測(cè)與觀測(cè) 雜草檢測(cè)是地基農(nóng)業(yè)遙感的一項(xiàng)重要任務(wù) 有 研究認(rèn)為雜草是對(duì)農(nóng)作物生產(chǎn)最大的威脅 技 術(shù)和田間傳感器結(jié)合可以精確檢測(cè)田間雜草 進(jìn)而 應(yīng)用于農(nóng)業(yè)工具和農(nóng)業(yè)機(jī)器人的除草作業(yè) 最大程 度減少除草劑的使用 等 使用電荷耦合 元件 相機(jī)和人工神經(jīng) 網(wǎng)絡(luò)組成的機(jī)器視覺系統(tǒng)識(shí)別了雜草與蘿卜 等 將支持向量機(jī)用于玉米田雜草和氮素脅 迫檢測(cè) 取得比人工神經(jīng)網(wǎng)絡(luò)更高的精度 等 的對(duì)比研究表明 在經(jīng)典 技術(shù)中 支持向 量機(jī)取得最優(yōu)的雜草檢測(cè)效果 近年來的研究表 明 技術(shù)可有效從圖像中自動(dòng)提取特征 在目標(biāo) 識(shí)別中取得優(yōu)于支持向量機(jī)的精度 王璨 等 應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確識(shí)別了幼苗期玉米與 雜草 等 應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)田影 像中識(shí)別了 種雜草與作物物種 并在后續(xù)研究中 將全卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于存在嚴(yán)重葉片遮擋的情況 下 從谷物田中成功識(shí)別單株雜草 除雜草檢 測(cè) 張雪芬等 利用支持向量機(jī)結(jié)合 影像實(shí) 現(xiàn)了作物發(fā)育期的圖像自動(dòng)識(shí)別 余衛(wèi)東等 在對(duì) 中國(guó)農(nóng)業(yè)氣象自動(dòng)化觀測(cè)的展望中提及計(jì)算機(jī)視覺 技術(shù)的應(yīng)用 技術(shù)在今后的農(nóng)業(yè)氣象自動(dòng)化觀 測(cè)中有待發(fā)揮更重要的作用 技術(shù)可以從高維海量數(shù)據(jù)中強(qiáng)有力提取復(fù) 雜的結(jié)構(gòu)信息 近年來在植株表型觀測(cè) 病蟲害 檢測(cè) 農(nóng)田障礙檢測(cè) 果實(shí)檢測(cè)等任務(wù)中得到成功應(yīng) 用 可極大提升農(nóng)業(yè)氣象自動(dòng)化觀測(cè)水平 等 對(duì)比了 技術(shù)和經(jīng)典 技術(shù) 在農(nóng)田障礙和異常檢測(cè)中的應(yīng)用效果 結(jié)果顯示 技術(shù)具有最高精度和最快運(yùn)算速度 等 利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像特征 識(shí)別農(nóng) 業(yè)植被的物候期 精度優(yōu)于基于手工設(shè)計(jì)特征的經(jīng) 典 技術(shù) 等 應(yīng)用更快速的區(qū)域卷積神經(jīng) 網(wǎng)絡(luò)和區(qū)域生長(zhǎng)法從 點(diǎn)云中分割單株玉 米 可準(zhǔn)確測(cè)量植株高度 等 開發(fā)了可 用于葉片計(jì)數(shù)等植物表型任務(wù)的 平臺(tái) 等 開發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割軟件用 于水稻穗部分割 可實(shí)現(xiàn)水稻表型自動(dòng)化測(cè)量 段凌 鳳等 和張領(lǐng)先等 開展了類似研究 等 使用 相機(jī)和卷積神經(jīng)網(wǎng)絡(luò)組成的機(jī)器視 覺系統(tǒng)自動(dòng)計(jì)算莖稈數(shù)并測(cè)量莖寬 黃雙萍等 利用卷積神經(jīng)網(wǎng)絡(luò)和穗株高光譜圖像提取不同尺度 穗瘟病斑分布式特征 實(shí)現(xiàn)水稻穗瘟病害的精準(zhǔn)檢 測(cè) 等 通過遷移學(xué)習(xí)和重新訓(xùn)練兩種 方式訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò) 有效識(shí)別 種作物物種和 種作物病害 孫俊等 開展了類似工作 等 提出一種 結(jié)構(gòu)用于果實(shí)計(jì)數(shù) 即使水果處于陰影下 或被樹葉 樹枝遮擋 或水果 之間存在一定程度的重疊 也能有效計(jì)數(shù) 薛月菊 等 利用 技術(shù)中的 網(wǎng)絡(luò)檢測(cè)未成熟 芒果 表明該方法在復(fù)雜場(chǎng)景下的檢測(cè)精度優(yōu)于更 快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 產(chǎn)量預(yù)測(cè) 在健康的生態(tài)系統(tǒng)下以最低成本取得最大作物 第 期 李 穎等 機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 產(chǎn)量是農(nóng)業(yè)生產(chǎn)最重要的目標(biāo)之一 作物產(chǎn)量 預(yù)測(cè)是農(nóng)業(yè)氣象工作中的一項(xiàng)重要任務(wù) 關(guān)系到糧 食安全 種植結(jié)構(gòu)調(diào)整 作物管理 農(nóng)業(yè)保險(xiǎn)等 提高 預(yù)測(cè)的準(zhǔn)確性有助于增加作物產(chǎn)量和商業(yè)利潤(rùn) 經(jīng) 典統(tǒng)計(jì)方法難以準(zhǔn)確預(yù)測(cè)作物產(chǎn)量的非線性時(shí)空變 化 當(dāng)前更有效的產(chǎn)量預(yù)測(cè)方法包括作物生長(zhǎng)模擬 和 技術(shù) 作物生長(zhǎng)模型將作物生長(zhǎng)階段的 動(dòng)態(tài)機(jī)制以數(shù)學(xué)模型抽象表達(dá) 建模過程耗時(shí)且 昂貴 其運(yùn)行所需參數(shù)集在發(fā)展中國(guó)家尤難獲取 另一方面的研究中 經(jīng)典 技術(shù)與遙感數(shù)據(jù) 氣 象數(shù)據(jù) 土壤數(shù)據(jù)等結(jié)合實(shí)現(xiàn)了不同尺度下不同作 物產(chǎn)量的準(zhǔn)確預(yù)測(cè) 并有學(xué)者對(duì)比不同方法的 預(yù)測(cè)能力 等 研究表明 在馬鈴薯產(chǎn)量預(yù) 測(cè)中 多層感知器預(yù)測(cè)效果優(yōu)于多元線性回歸 對(duì)比了多層感知器 回歸樹 徑向基核函數(shù)網(wǎng) 絡(luò)和支持向量回歸用于冬小麥產(chǎn)量預(yù)測(cè)的精度 表 明支持向量回歸預(yù)測(cè)結(jié)果最準(zhǔn)確 等 對(duì)比了多元線性回歸 回歸樹 人工神經(jīng) 網(wǎng)絡(luò) 最鄰近法和支持向量回歸對(duì)大規(guī)模種植的 多種作物產(chǎn)量的預(yù)測(cè)能力 結(jié)果顯示 回 歸樹表現(xiàn)最優(yōu) 作者同時(shí)指出變量和屬性的選取直 接影響不同算法 模型的預(yù)測(cè)精度 這是其研究與前 人研究結(jié)論存在差異的主要原因 與產(chǎn)量預(yù)測(cè)緊密 相關(guān)的農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估是農(nóng)業(yè)氣象學(xué)領(lǐng)域中 研究的熱點(diǎn) 較之傳統(tǒng)技術(shù)手段 技術(shù)對(duì)此 有很大的應(yīng)用潛力 目前已有研究將 技術(shù)用于 農(nóng)業(yè)氣象災(zāi)害遙感監(jiān)測(cè)與產(chǎn)量影響評(píng)估 如 等 利用隨機(jī)森林等 技術(shù)與多源遙感數(shù)據(jù)結(jié) 合 對(duì)農(nóng)業(yè)干旱進(jìn)行監(jiān)測(cè)評(píng)估 近幾年 將 技術(shù)應(yīng)用于作物產(chǎn)量預(yù)測(cè)的研 究陸續(xù)出現(xiàn) 等 對(duì)比使用 技術(shù)和 支持向量回歸預(yù)測(cè)玉米產(chǎn)量 顯示 技術(shù)預(yù)測(cè)精 度更高 等 將支持向量機(jī) 隨機(jī)森林 極限 隨機(jī)樹和 技術(shù)用于玉米產(chǎn)量預(yù)測(cè) 顯示 技 術(shù)精度最高 且可克服一般 技術(shù)應(yīng)用中的過擬 合問題 更穩(wěn)定 等 利用公眾可獲得的遙感 數(shù)據(jù)預(yù)測(cè)大豆產(chǎn)量 使用了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神 經(jīng)網(wǎng)絡(luò)中的長(zhǎng)短期記憶 網(wǎng)絡(luò)與 種對(duì)比方法 顯示卷積神經(jīng)網(wǎng)絡(luò)和 長(zhǎng)短期記憶網(wǎng)絡(luò)可自動(dòng)學(xué)習(xí)原始數(shù)據(jù)中的有效特征 并取得最高的預(yù)測(cè)精度 等 將深度遷移學(xué) 習(xí)和回歸模型分別與遙感數(shù)據(jù)結(jié)合用于作物產(chǎn)量預(yù) 測(cè) 表明使用遷移學(xué)習(xí)的長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)精度 最高 參數(shù)估算 農(nóng)業(yè)氣象研究相關(guān)的水文 土壤 作物參數(shù)通過 站點(diǎn)觀測(cè)無法取得其連續(xù)準(zhǔn)確的空間分布情況 且 某些參數(shù)測(cè)量難度大 費(fèi)用昂貴 技術(shù)與氣象 數(shù)據(jù) 遙感數(shù)據(jù)等相結(jié)合 可簡(jiǎn)單 高效地實(shí)現(xiàn)參數(shù) 估算 且使對(duì)其時(shí)空連續(xù)性監(jiān)測(cè)與預(yù)報(bào)成為可能 農(nóng)業(yè)氣象工作關(guān)注的熱點(diǎn)參數(shù)包括蒸散 土壤濕度 土壤溫度 氮素含量 葉面積指數(shù) 生物量等 準(zhǔn)確估算蒸散對(duì)農(nóng)業(yè)灌溉水資源時(shí)空優(yōu)化配置 至關(guān)重要 同時(shí)該參數(shù)測(cè)量難度較大 等 利用支持向量機(jī)結(jié)合通量觀測(cè)數(shù)據(jù)與 遙感 數(shù)據(jù)實(shí)現(xiàn)了大尺度蒸散的時(shí)空變化預(yù)測(cè) 等 使用一種模型樹集成的 技術(shù)集成站點(diǎn)觀 測(cè)蒸散與遙感數(shù)據(jù)和氣象數(shù)據(jù) 估算全球尺度的多 年蒸散 等 將 技術(shù)與氣象數(shù)據(jù)結(jié)合估 算參考蒸散 表明單層前饋神經(jīng)網(wǎng)絡(luò)中的極限學(xué)習(xí) 機(jī) 和最小二乘支持 向量機(jī)估算精度高于經(jīng)驗(yàn)?zāi)Ｐ?等 利 用支持向量機(jī) 基因表達(dá)式編程 多元自適應(yīng)回歸樣 條與氣象觀測(cè)資料結(jié)合估算干旱與半干旱地區(qū)的月 平均參考蒸散 顯示支持向量機(jī)和多元自適應(yīng)回歸 樣條效果最好 土壤溫濕度和養(yǎng)分含量直接影響作物生長(zhǎng)發(fā)育 和產(chǎn)量形成 其信息獲取對(duì)農(nóng)業(yè)生產(chǎn)中科學(xué)高效的 水肥管理具有重要意義 等 利用多層 感知器和 數(shù)據(jù)結(jié)合估算了農(nóng)業(yè)區(qū)的土壤表面 粗糙度和土壤濕度 等 對(duì)比了支持向 量機(jī) 關(guān)聯(lián)向量機(jī) 人工神經(jīng)網(wǎng)絡(luò)和廣義線性模型在 土壤濕度降尺度中的應(yīng)用效果 顯示基于人工神經(jīng) 網(wǎng)絡(luò)的降尺度方法提高遙感反演土壤濕度空間分辨 率效果最好 等 利用極限學(xué)習(xí)機(jī)與氣象 數(shù)據(jù)結(jié)合估算了不同深度的日平均土壤溫度 效果 理想 等 利用偏最小二乘回歸 主成分 回歸 以及兩種 技術(shù) 最小二乘支持向量機(jī)和 算法 與地面光譜數(shù)據(jù)結(jié)合估算土壤全氮 有 機(jī)碳和含水量 結(jié)果顯示 最小二乘支持向量機(jī)對(duì)含 水量和有機(jī)碳估算效果最好 而 算法對(duì)全氮 估算效果最好 葉面積指數(shù)和生物量是反映植被生長(zhǎng)狀況的重 要參數(shù) 與植被生產(chǎn)力和作物產(chǎn)量密切相關(guān) 等 的綜述顯示 人工神經(jīng)網(wǎng)絡(luò) 支持向量回歸和 隨機(jī)森林回歸是生物量和葉面積指數(shù)遙感反演中使 應(yīng) 用 氣 象 學(xué) 報(bào) 第 卷 用頻率較高的算法 等 利用人工神經(jīng)網(wǎng) 絡(luò)實(shí)現(xiàn)菠菜不同生育期葉面積指數(shù)和生物量等參數(shù) 的反演 等 利用人工神經(jīng)網(wǎng)絡(luò)與地面散射計(jì) 數(shù)據(jù)和 影像結(jié)合反演水稻生物量 取得理想精度 等 將隨機(jī)森林回歸和支持 向量回歸 人工神經(jīng)網(wǎng)絡(luò)兩種對(duì)比方法用于小麥多 個(gè)生育期生物量的遙感反演 結(jié)果顯示 隨機(jī)森林回 歸估算精度最高 且其穩(wěn)健性與支持向量回歸相當(dāng) 優(yōu)于人工神經(jīng)網(wǎng)絡(luò) 等 對(duì)比了人工神經(jīng)網(wǎng) 絡(luò) 支持向量回歸 隨機(jī)森林回歸 高斯過程回歸和 梯度升壓回歸樹 等 技術(shù)在棉花葉面積指數(shù)遙感反演中 的應(yīng)用效果 表明梯度升壓回歸樹估算精度最高且 穩(wěn)健性最好 支持向量回歸則計(jì)算效率最高 技術(shù)與遙感數(shù)據(jù)結(jié)合 還可反演作物的其他生物物 理和生物化學(xué)參數(shù) 并可監(jiān)測(cè)作物生長(zhǎng)過程的相關(guān) 活動(dòng) 等 利用一種神經(jīng)網(wǎng)絡(luò)模型與微波亮 溫?cái)?shù)據(jù)結(jié)合 反演了小麥植株含水量 等 分別利用支持向量回歸和逐步多元回歸與高光譜反 射率結(jié)合反演水稻葉面積指數(shù)和葉綠素含量 表明 支持向量回歸在水稻生理生化參數(shù)估算方面優(yōu)于逐 步多元回歸 等 利用隨機(jī)森林 回歸和逐步多元回歸分別與 高光譜數(shù)據(jù) 結(jié)合估算甘蔗葉片氮素含量 表明隨機(jī)森林回歸估 算精度高于逐步多元回歸 等 利用高斯過程與光譜數(shù)據(jù)結(jié)合成功估算了葉 片含水量 葉綠素含量 氮素含量和比葉面積等生化 與結(jié)構(gòu)參數(shù) 等 分別利用偏最小 二乘回歸 支持向量回歸和極限學(xué)習(xí)機(jī)回歸與多源 遙感數(shù)據(jù)結(jié)合反演大豆的生理參數(shù) 葉面積指數(shù)和 生物量 與生化參數(shù) 氮素含量和葉綠素含量 顯示 極限學(xué)習(xí)機(jī)回歸效果最理想 近些年 將 用于上述參數(shù)估算的研究陸續(xù) 見諸報(bào)道 等 提出一種聯(lián)合深度信念網(wǎng)絡(luò) 與宏觀細(xì)胞自動(dòng)機(jī) 的 模型 結(jié)合環(huán)境變量預(yù)測(cè)土壤 濕度 顯示其預(yù)測(cè)精度高于經(jīng)典 技術(shù) 為預(yù)測(cè) 高度非線性特點(diǎn)的土壤濕度提供了一個(gè)強(qiáng)有力的工 具 王璨等 利用卷積神經(jīng)網(wǎng)絡(luò)和近紅外光譜預(yù) 測(cè)土壤含水率 結(jié)果顯示 卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度優(yōu) 于人工神經(jīng)網(wǎng)絡(luò) 偏最小二乘回歸和最小二乘支持 向量機(jī)等對(duì)比方法 等 利用田間數(shù)字影像 和卷積神經(jīng)網(wǎng)絡(luò)估算冬小麥早期生育階段的地上生 物量 結(jié)果顯示該方法具有良好的穩(wěn)健性 馬浚誠(chéng) 等 利用可見光圖像和卷積神經(jīng)網(wǎng)絡(luò)估算冬小麥 冠層葉面積指數(shù)和地上生物量 表明卷積神經(jīng)網(wǎng)絡(luò) 估算精度優(yōu)于支持向量機(jī)和隨機(jī)森林兩種對(duì)比方 法 此外 技術(shù)還被用于農(nóng)業(yè)氣象條件預(yù)測(cè) 畜 牧業(yè)等相關(guān)研究 如 等 在作物規(guī)劃中利 用長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)天氣和土壤屬性 小 結(jié) 本文系統(tǒng)概述了 技術(shù)的主要方法及其在 現(xiàn)代農(nóng)業(yè)氣象中的主要應(yīng)用方向 有針對(duì)性且全面 涵蓋了現(xiàn)代農(nóng)業(yè)氣象中特別是涉及農(nóng)業(yè)遙感的 技術(shù)的研究及應(yīng)用情況 并納入近年來最新的研究 進(jìn)展 本文將 技術(shù)在農(nóng)業(yè)氣象工作中的主要應(yīng) 用歸納為 個(gè)方面 制圖與區(qū)劃 檢測(cè)與觀測(cè) 產(chǎn)量 預(yù)測(cè)和參數(shù)估算 在制圖與區(qū)劃方面 技術(shù)與 遙感影像結(jié)合實(shí)現(xiàn)了不同尺度的土地覆蓋與作物類 型制圖 亦已結(jié)合遙感數(shù)據(jù) 土壤數(shù)據(jù) 統(tǒng)計(jì)數(shù)據(jù)用 于作物長(zhǎng)勢(shì) 植被質(zhì)量等專題圖的制作與作物管理 區(qū)劃分 在檢測(cè)與觀測(cè)方面 技術(shù)成功用于田間 影像中的雜草檢測(cè) 技術(shù)在植株表型觀測(cè) 病蟲 害檢測(cè) 農(nóng)田障礙檢測(cè) 果實(shí)檢測(cè)等方面 取得了理 想精度 可極大提升農(nóng)業(yè)氣象自動(dòng)化觀測(cè)水平 在產(chǎn) 量預(yù)測(cè)方面 技術(shù)與遙感時(shí)間序列數(shù)據(jù) 氣象數(shù) 據(jù) 土壤數(shù)據(jù)結(jié)合在不同尺度成功預(yù)測(cè)了不同作物 的產(chǎn)量 與之相關(guān) 技術(shù)在農(nóng)業(yè)氣象災(zāi)害評(píng)估中 也有很大的應(yīng)用潛力 在參數(shù)估算方面 農(nóng)業(yè)氣象研 究關(guān)注的以蒸散 葉面積指數(shù) 土壤濕度 氮素含量 等為代表的水文 土壤 作物參數(shù)均可利用 技 術(shù)與氣象數(shù)據(jù) 遙感數(shù)據(jù)等的結(jié)合實(shí)現(xiàn)精確反演或 預(yù)測(cè) 綜合看 傳統(tǒng)淺層 技術(shù)中以支持向量機(jī)和 人工神經(jīng)網(wǎng)絡(luò)在本文涉及的諸多任務(wù)中應(yīng)用最為廣 泛且效果最為理想 近年來的方法對(duì)比類研究中 隨機(jī)森林和梯度提升機(jī)等集成學(xué)習(xí)方法普遍取得優(yōu) 于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的精度 技術(shù)則 在某些任務(wù)中取得更優(yōu)于集成學(xué)習(xí)的精度 且可解 決淺層 技術(shù)較難解決的一些問題 如在農(nóng)業(yè)氣 象觀測(cè)中可精準(zhǔn)實(shí)現(xiàn)植株表型的自動(dòng)化觀測(cè) 從應(yīng) 用時(shí)間上看 人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等淺層 技術(shù)自 世紀(jì) 年代開始在農(nóng)業(yè)氣象和農(nóng)業(yè) 第 期 李 穎等 機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 遙感中應(yīng)用并逐漸繁榮 其中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 略早于支持向量機(jī) 而以支持向量機(jī)為代表的核方 法則較人工神經(jīng)網(wǎng)絡(luò)更具優(yōu)勢(shì) 決策樹自 世紀(jì)開 始受到學(xué)界的關(guān)注 年后隨機(jī)森林和梯度提升 機(jī)等決策樹集成方法在很多方面被認(rèn)為是較核方法 更好的選擇 技術(shù)自 年前后重回主流學(xué)界 的視野 伴隨卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)的成 功 自 年后被廣泛認(rèn)為在諸多應(yīng)用中的表現(xiàn)超 越了支持向量機(jī)和集成學(xué)習(xí) 盡管將 技術(shù) 應(yīng)用于農(nóng)業(yè)問題的先驅(qū)探索始于 年 但大 部分研究成果發(fā)表于 年以后 且有逐年增 多的趨勢(shì) 國(guó)內(nèi)相關(guān)研究相對(duì)滯后 多數(shù)發(fā)表于 年以后 且涉及到的現(xiàn)代農(nóng)業(yè)氣象中的問題尚 十分有限 目前有待驗(yàn)證 技術(shù)特別是 技術(shù)在更多 農(nóng)業(yè)氣象問題上的適用性和先進(jìn)性 如農(nóng)業(yè)氣象災(zāi) 害遙感監(jiān)測(cè)與損失評(píng)估 農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估與 區(qū)劃 農(nóng)業(yè)氣候區(qū)劃 氣候變化對(duì)作物生長(zhǎng)的影響評(píng) 估等任務(wù) 同時(shí) 伴隨 技術(shù)的發(fā)展 特別是類似 長(zhǎng)短期記憶網(wǎng)絡(luò)的 時(shí)間維算法和新結(jié)構(gòu)的發(fā) 展 有望更好地結(jié)合以風(fēng)云系列氣象衛(wèi)星數(shù)據(jù)為代 表的遙感時(shí)間序列數(shù)據(jù) 在制圖 估產(chǎn) 預(yù)測(cè)等諸多 已開展研究的任務(wù)中取得更高的精度和準(zhǔn)確性 特 別地 將 技術(shù)與智能手機(jī)等移動(dòng)終端結(jié)合 可 為農(nóng)業(yè)管理者和生產(chǎn)者提供功能強(qiáng)大且智慧化的農(nóng) 業(yè)氣象信息服務(wù) 將 技術(shù)與地基觀測(cè) 無人機(jī)遙 感等結(jié)合 開發(fā)相關(guān)業(yè)務(wù)系統(tǒng) 可以顯著提升農(nóng)業(yè)氣 象自動(dòng)化觀測(cè)水平 同時(shí) 需要認(rèn)識(shí)到 技術(shù)中 沒有一種方法可以取代其他所有方法 在現(xiàn)代農(nóng)業(yè) 氣象工作中需要根據(jù)具體任務(wù)和數(shù)據(jù)情況選擇最適 用的 技術(shù) 如梯度提升機(jī)在當(dāng)今被普遍認(rèn)為是 處理非感知數(shù)據(jù)的最好算法之一 而當(dāng)訓(xùn)練數(shù)據(jù)有 限時(shí) 淺層 技術(shù)往往比 技術(shù)更適用 未來 技術(shù)的各種算法和模型必將進(jìn)一步 發(fā)展 程序庫和普適性的訓(xùn)練數(shù)據(jù)集也將更加豐富 繼承并突破現(xiàn)代 技術(shù)核心思想的新方法也終將 出現(xiàn) 需要熟悉 技術(shù)在現(xiàn)代農(nóng)業(yè)氣象所涉及 的各類問題上的適用情況 并及時(shí)追蹤掌握科技前 沿技術(shù) 使農(nóng)業(yè)氣象科研與業(yè)務(wù)工作可以最大程度 地受益于每一次信息技術(shù)的革命性突破 以 技 術(shù)特別是 技術(shù)帶動(dòng)農(nóng)業(yè)氣象服務(wù)模式的創(chuàng)新 更好地迎接現(xiàn)代農(nóng)業(yè)氣象發(fā)展的新挑戰(zhàn)與新機(jī)遇 參考文獻(xiàn) 犃犿犲狉犻犮犪狀犈犮狅狀狅犿犻犮犚犲狏犻犲狑 犖犪狋狌狉犲 犆狉狅狆犛犮犻犲狀犮犲 犅犻 狅狊狔狊狋犲犿狊犈狀犵犻狀犲犲狉犻狀犵 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犆狅犿狆狌狋犲狉狊 犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 韓豐 龍明盛 李月安 等 循環(huán)神經(jīng)網(wǎng)絡(luò)在雷達(dá)臨近預(yù)報(bào)中的 應(yīng)用 應(yīng)用氣象學(xué)報(bào) 陸虹 翟盤茂 覃衛(wèi)堅(jiān) 等 低溫雨雪過程的粒子群 神經(jīng)網(wǎng)絡(luò) 預(yù)報(bào)模型 應(yīng)用氣象學(xué)報(bào) 犈狓狆犲狉狋犛狔狊狋犲犿狊狑犻狋犺犃狆狆犾犻犮犪 狋犻狅狀狊 王在文 鄭祚芳 陳敏 等 支持向量機(jī)非線性回歸方法的氣象 要素預(yù)報(bào) 應(yīng)用氣象學(xué)報(bào) 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 應(yīng) 用 氣 象 學(xué) 報(bào) 第 卷 犖犪狋狌狉犲 犖犲狌狉犪犾犖犲狋狑狅狉犽狊 犚犲犿狅狋犲犛犲狀狊犈狀狏犻狉狅狀 李穎 李耀輝 王金鑫 等 和 在多光譜遙感影像 分類中的比較研究 海洋測(cè)繪 戴建國(guó) 張國(guó)順 郭鵬 等 基于無人機(jī)遙感可見光影像的北疆 主要農(nóng)作物分類方法 農(nóng)業(yè)工程學(xué)報(bào) 犐狀狋犑犚犲 犿狅狋犲犛犲狀狊 犚犲犿狅狋犲犛犲狀狊犈狀狏犻狉狅狀 任義方 趙艷霞 王春乙 河南省冬小麥干旱保險(xiǎn)風(fēng)險(xiǎn)評(píng)估與 區(qū)劃 應(yīng)用氣象學(xué)報(bào) 張蕾 霍治國(guó) 黃大鵬 等 月海南省瓜菜苗期濕澇風(fēng) 險(xiǎn)評(píng)估與區(qū)劃 應(yīng)用氣象學(xué)報(bào) 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋狋犲狉狊 犐犛犘犚犛犑狅狌狉狀犪犾狅犳犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱 犚犲犿狅狋犲犛犲狀狊犻狀犵 犐犈犈犈犑狅狌狉狀犪犾狅犳犛犲犾犲犮狋犲犱犜狅狆犻犮狊 犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵 犐犈犈犈犌犲狅狊犮犻犲狀犮犲 犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋狋犲狉狊 犐犈犈犈犑狅狌狉狀犪犾狅犳 犛犲犾犲犮狋犲犱犜狅狆犻犮狊犻狀犃狆狆犾犻犲犱犈犪狉狋犺犗犫狊犲狉狏犪狋犻狅狀狊犪狀犱犚犲犿狅狋犲 犛犲狀狊犻狀犵 犐犈犈犈犌犲狅狊犮犻犲狀犮犲犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵犔犲狋狋犲狉狊 犐犈犈犈犜狉犪狀狊犌犲狅狊犮犻犚犲犿狅狋犲犛犲狀狊 犛犲狀狊狅狉狊 犅犻狅狊狔狊狋犲犿狊犈狀犵犻狀犲犲狉犻狀犵 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犆狅犿狆狌狋 犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 王璨 武新慧 李志偉 基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特 征識(shí)別玉米雜草 農(nóng)業(yè)工程學(xué)報(bào) 犅犻狅狊狔狊狋犲犿狊 犈狀犵犻狀犲犲狉犻狀犵 第 期 李 穎等 機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 犃犱狏犪狀犮犲狊犻狀犃狀犻犿犪犾犅犻 狅狊犮犻犲狀犮犲狊 張雪芬 薛紅喜 孫涵 等 自動(dòng)農(nóng)業(yè)氣象觀測(cè)系統(tǒng)功能與設(shè) 計(jì) 應(yīng)用氣象學(xué)報(bào) 余衛(wèi)東 楊光仙 張志紅 我國(guó)農(nóng)業(yè)氣象自動(dòng)化觀測(cè)現(xiàn)狀與展 望 氣象與環(huán)境科學(xué) 犑狅狌狉狀犪犾狅犳犐犿犪犵犻狀犵 犌犻犵犪狊犮犻犲狀犮犲 犛犲狀狊狅狉狊 犉狉狅狀狋犻犲狉狊犻狀犘犾犪狀狋犛犮犻犲狀犮犲 犉狉狅狀狋犻犲狉狊 犻狀犘犾犪狀狋犛犮犻犲狀犮犲 犘犾犪狀狋犕犲狋犺狅犱狊 段凌鳳 熊雄 劉謙 等 基于深度全卷積神經(jīng)網(wǎng)絡(luò)的大田稻穗 分割 農(nóng)業(yè)工程學(xué)報(bào) 張領(lǐng)先 陳運(yùn)強(qiáng) 李云霞 等 基于卷積神經(jīng)網(wǎng)絡(luò)的冬小麥麥穗 檢測(cè)計(jì)數(shù)系統(tǒng) 農(nóng)業(yè)機(jī)械學(xué)報(bào) 黃雙萍 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測(cè)方法 農(nóng)業(yè) 工程學(xué)報(bào) 犉狉狅狀狋犻犲狉狊犻狀犘犾犪狀狋犛犮犻 犲狀犮犲 孫俊 譚文軍 毛罕平 等 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物 葉片病害識(shí)別 農(nóng)業(yè)工程學(xué)報(bào) 犛犲狀狊狅狉狊 薛月菊 黃寧 涂淑琴 等 未成熟芒果的改進(jìn) 識(shí)別 方法 農(nóng)業(yè)工程學(xué)報(bào) 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮 狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犛狆犪狀犻狊犺犑狅狌狉狀犪犾狅犳犃犵狉犻犮狌犾狋狌狉犪犾犚犲狊犲犪狉犮犺 犜狉犪狀狊犪犮狋犻狅狀狊狅犳狋犺犲犃犛犃犅犈 犘狉犲犮犻狊犻狅狀犃犵狉犻犮狌犾狋狌狉犲 郭建平 農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)測(cè)技術(shù)研究進(jìn)展 應(yīng)用氣象學(xué) 報(bào) 王春乙 張繼權(quán) 霍治國(guó) 等 農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估研究進(jìn)展 與展望 氣象學(xué)報(bào) 陳懷亮 鄧偉 張雪芬 等 河南小麥生產(chǎn)農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)分 析及區(qū)劃 自然災(zāi)害學(xué)報(bào) 侯英雨 張蕾 吳門新 等 國(guó)家級(jí)現(xiàn)代農(nóng)業(yè)氣象業(yè)務(wù)技術(shù)進(jìn) 展 應(yīng)用氣象學(xué)報(bào) 王馥棠 中國(guó)氣象科學(xué)研究院農(nóng)業(yè)氣象研究 年進(jìn)展 應(yīng)用 氣象學(xué)報(bào) 犃犵狉犻犮犉狅狉 犕犲狋犲狅狉狅犾 應(yīng) 用 氣 象 學(xué) 報(bào) 第 卷 犓狅狉犲犪狀犛狅犮犛狌狉狏 犌犲狅犱犲狊狔 犘犺狅狋狅犵狉犪犿犿犆犪狉狋狅犵狉 犐犈犈犈犜狉犪狀狊 犌犲狅狊犮犻犚犲犿狅狋犲犛犲狀狊 犖犪狋狌狉犲 犆狅犿 狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮狋狉狅狀犻犮狊犻狀 犃犵狉犻犮狌犾狋狌狉犲 犎狔犱狉狅犾狅犵狔犪狀犱犈犪狉狋犺犛狔狊狋犲犿犛犮犻 犲狀犮犲狊 犠犪狋犲狉犚犲狊狅狌狉犮犲狊犕犪狀犪犵犲犿犲狀狋 犆狅犿狆狌狋犲狉狊犪狀犱犈犾犲犮 狋狉狅狀犻犮狊犻狀犃犵狉犻犮狌犾狋狌狉犲 犅犻狅狊狔狊狋犲犿狊犈狀犵犻狀犲犲狉犻狀犵 犚犲犿狅狋犲犛犲狀狊犻狀犵 犃犱狏犪狀犮犲狊犻狀犛狆犪犮犲犚犲狊犲犪狉犮犺 犑狅狌狉狀犪犾狅犳犃狆狆犾犻犲犱 犚犲犿狅狋犲犛犲狀狊犻狀犵 犜犺犲犆狉狅狆犑狅狌狉狀犪犾 犃狆狆犾犻犲犱犛犮犻犲狀犮犲狊 犐犈犈犈犜狉犪狀狊犌犲狅狊犮犻犚犲犿狅狋犲犛犲狀狊 犛犮犻犲狀犮犲犆犺犻狀犪犔犻犳犲犛犮犻犲狀犮犲狊 犐狀狋犑犚犲犿狅狋犲犛犲狀狊 犑狅狌狉狀犪犾狅犳犘犺狅狋狅 犮犺犲犿犻狊狋狉狔犪狀犱犘犺狅狋狅犫犻狅犾狅犵狔犅 犅犻狅犾狅犵狔 犐犛犘犚犛犑狅狌狉狀犪犾狅犳 犘犺狅狋狅犵狉犪犿犿犲狋狉狔犪狀犱犚犲犿狅狋犲犛犲狀狊犻狀犵 犑狅狌狉狀犪犾狅犳犃狉犻犱犔犪狀犱 王璨 武新慧 李戀卿 等 卷積神經(jīng)網(wǎng)絡(luò)用于近紅外光譜預(yù) 測(cè)土壤含水率 光譜學(xué)與光譜分析 犈狌狉狅狆犲犪狀犑狅狌狉狀犪犾 狅犳犃犵狉狅狀狅犿狔 馬浚誠(chéng) 劉紅杰 鄭飛翔 等 基于可見光圖像和卷積神經(jīng)網(wǎng) 絡(luò)的冬小麥苗期長(zhǎng)勢(shì)參數(shù)估算 農(nóng)業(yè)工程學(xué)報(bào) 犐犉犃犆犘狉狅犮犲犲犱犻狀犵狊犞狅犾狌犿犲狊 第 期 李 穎等 機(jī)器學(xué)習(xí)技術(shù)在現(xiàn)代農(nóng)業(yè)氣象中的應(yīng)用 犚犲狏犻犲狑狅犳犕犪犮犺犻狀犲犔犲犪狉狀犻狀 犵 犃 狆狆 狉狅犪犮犺犲狊犳狅狉犕狅犱犲狉狀犃 犵 狉狅犿犲狋犲狅狉狅犾狅 犵狔 犆犕犃 犎犲狀犪狀犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犃犵狉狅犿犲狋犲狅狉狅犾狅犵犻犮犪犾犛狌狆狆狅狉狋犪狀犱犃狆狆犾犻犲犱犜犲犮犺狀犻狇狌犲 犣犺犲狀犵狕犺狅狌 犎犲狀犪狀犐狀狊狋犻狋狌狋犲狅犳犕犲狋犲狅狉狅犾狅犵犻犮犪犾犛犮犻犲狀犮犲狊 犣犺犲狀犵狕犺狅狌 犎犲狀犪狀犕犲狋犲狅狉狅犾狅犵犻犮犪犾犛犲狉狏犻犮犲 犣犺犲狀犵狕犺狅狌 犃犫狊狋狉犪犮狋 犓犲狔狑狅狉犱狊 應(yīng) 用 氣 象 學(xué) 報(bào) 第 卷