Page 40 - 《华中农业大学学报（自然科学版）》2023年第3期
P. 40

34                                 华 中 农 业 大 学 学 报                                    第 42 卷

               水分动态监测、农作物分类和生物量预测等                     ［55-56］ 。 智慧的人工智能还有很长一段距离              ［18］ 。未来的人工
               从“遥感”关键词的词频来看，遥感技术出现在大量                          智能算法还需要融合多尺度、多维度和大规模验证，
               农业研究文献中，在智慧农业研究领域占有重要                            提高图像表型与农艺性状的解析力，加快基因挖掘
               地位。                                              和分子育种，实现农业生产智能化和自动化，为农作
                   随着网络技术和 5G 的发展，以物联网为代表的                      物精准管控、全基因组选择育种和农业生产智能管
               信息感知、信息处理和信息管理成为近年来智慧农                           理提供解决方案。
               业领域的前沿热点。近年来，物联网领域研究热点                           3 结论与展望
               包括“安全”“供应链”“传感器”“边缘计算”“雾计算”
               等。智慧农业的快速发展对传感器的敏感性、精确                               随着土地资源的减少、极端气候带来的环境恶
               性、实用性提出了更高要求。由于终端设备类型和                           化，全球人口持续增长，传统农业生产方式亟待转
               数据的不断增加，云端物联网面临数据安全和延迟                           型。本研究运用文献计量学方法，统计和分析了智
               等问题，已无法满足快速处理数据的要求。面对这                           慧农业领域发表的文献，表明智慧农业作为一门交
               些挑战，计算范式正在从集中式云计算转向分布式                           叉学科，集成了信息技术、工程技术和生物技术。
               边缘计算    ［57］ 。近年来，一些新的计算范式已经出现， 3.1 研究结论
               如：透明计算、移动边缘计算、雾计算和微云（Cloud‐                          从科研文献产出的时间来看， 中国在智慧农业
               let）等，利用网络边缘的分布式资源来提供实时和情                        领域研究起步要比欧美发达国家晚至少 20 年。然
               景感知服务     ［58］ 。Firouzi等 ［59］ 提出了边缘-雾-云物联        而，中国是全球在该领域发展最为迅速的国家。近
               网的整体参考架构，并讨论了主要的设计和部署考                           年来，我国智慧农业相关研究发文量增长迅速，2017
               虑因素（如服务模型、基础设施设计、供应、资源分                          年年度发文量超过欧美国家，目前是全球在该领域
               配、卸载、服务迁移、性能评估和安全问题）。                            发文最多的国家，但科研影响力还有待提高。基于
                   机器学习和深度学习是近年来智慧农业领域的                         知识图谱分析，智慧农业的核心知识元素可概括为：
               研究重点和热点。随着大数据时代的到来，形成了                           遥感、人工智能、无人机、物联网和大数据。根据智
              “机器学习”“深度学习”“神经网络”“人工智能”“农                        慧农业的三大生产力要素——农业生物技术、信息
               业机器人”“语义分割”“产量预测”“植物病害”等前                        技术和工程技术，以及 VOSviewer 生成的关键词共
               沿热点。人工智能技术立足于神经网络，同时发展                           现聚类视图，智慧农业领域未来 5年仍将聚焦三大研
               出多层神经网络，进行深度机器学习。随着大数据                           究主题：以生物大数据为代表的现代生物技术，以物
               不断积累，深度学习和强化学习等算法根据不同的                           联网、人工智能和遥感为代表的信息技术，以无人机
               训练数据不断训练，拥有自优化的能力                  ［60］ 。随着深     和农业机器人为代表的智能农机装备。
               度神经网络（DNN）和卷积神经网络（CNN）等模型                            1）现代生物技术融合生物大数据加速生物育
               的成熟，人工智能被大规模应用到农业研究各个领                           种。农业遥感和作物高通量表型提供了大量作物生
               域，包括数据采集、多组学整合、全基因组选择、基因                         长发育、产量、抗病性、非生物胁迫等不同性状的表
               挖掘、病虫害诊断、杂草检测等方面。在作物表型检                          型数据，结合基因组、转录组、代谢组、表观基因组等
               测中选择不同的分割算法（如 R-CNN， VGG 等）对                     多组学数据，利用生物信息学分析方法，加速了大量
               可见光或多光谱图像的特定区域或动态变化进行数                           未知基因的克隆和功能解析。基于大量表型和基因
               字化提取。在育种领域，深度学习模型用于性状预                           型数据，优化深度学习模型用于性状预测，提高了全
               测，有助于提高全基因组选择精确度。Ma等                   ［61］ 构建   基因组选择的精确度。全基因组选择与基因组编
               了基于 CNN 的 DeepGS 模型对籽粒性状进行预测。 辑、转基因等技术结合，使作物育种更加快速和精
               Liu 等 ［62］ 使用的双 CNN 模型，相比于单个模型，有更                确，是未来农业技术发展的重要方向之一。
               好的预测效果。Sandhu 等         ［63］ 利用 MLP（多层感知             2）信息技术为智慧农业提供了系统支撑。以农
               器）和 CNN 2 种深度学习算法在春小麦不同性状的                       业物联网、人工智能和遥感为代表的信息技术大量
               预测中都获得了较好的预测精确度。然而目前的人                           应用在农业生产过程中，实现农业的数字化、精准
               工智能还只是应用在数据收集、处理和分析等特定                           化、智慧化发展。信息技术的快速发展对农业物联
               场景或单一任务，距离人类认知水平，甚至超越人类                          网感知技术提出了更高要求，亟需提高传感器的敏
   35   36   37   38   39   40   41   42   43   44   45