農(nóng)業(yè)信息處理技術(shù)研究與應(yīng)用進(jìn)展

歐非凡，張超群

（1中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083；2廣西民族大學(xué)人工智能學(xué)院，南寧 530006）

0 引言

農(nóng)業(yè)信息處理技術(shù)是農(nóng)業(yè)物聯(lián)網(wǎng)的一項(xiàng)關(guān)鍵技術(shù)，指的是利用模式識(shí)別、復(fù)雜計(jì)算、智能處理等技術(shù)，對(duì)農(nóng)業(yè)經(jīng)營管理、生產(chǎn)、服務(wù)和戰(zhàn)略決策過程中的有關(guān)信息進(jìn)行搜集、存儲(chǔ)、傳遞、處理及分析的技術(shù)總稱，包括農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)、農(nóng)業(yè)數(shù)據(jù)處理技術(shù)、農(nóng)業(yè)預(yù)測預(yù)警技術(shù)、農(nóng)業(yè)人工智能技術(shù)等技術(shù)[1-3]。農(nóng)業(yè)信息處理技術(shù)在農(nóng)業(yè)物聯(lián)網(wǎng)中的地位相當(dāng)重要，它能夠?yàn)檗r(nóng)業(yè)的研究者和從業(yè)人員提供技術(shù)指導(dǎo)、資料查詢、輔助決策及智能調(diào)控等各種服務(wù)，不僅是實(shí)現(xiàn)農(nóng)業(yè)信息有效傳遞、分析轉(zhuǎn)換、智能應(yīng)用的重要手段，更是實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)智能化的關(guān)鍵[4]。近20 年來，農(nóng)業(yè)信息處理技術(shù)在國內(nèi)已經(jīng)得到了初步研究與應(yīng)用。表1是基于中國知網(wǎng)(CNKI)中文文獻(xiàn)檢索數(shù)據(jù)，對(duì)近5 年農(nóng)業(yè)信息處理技術(shù)專題的中文文獻(xiàn)分類統(tǒng)計(jì)結(jié)果。

表1 近5年農(nóng)業(yè)信息處理技術(shù)專題中文文獻(xiàn)統(tǒng)計(jì)表 篇

檢索結(jié)果顯示，2016—2020年共發(fā)表農(nóng)業(yè)信息處理技術(shù)論文826篇，其中農(nóng)業(yè)人工智能技術(shù)文獻(xiàn)最多，達(dá)到587 篇。從研究主題來看，農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)研究主要涉及農(nóng)業(yè)數(shù)據(jù)挖掘系統(tǒng)的設(shè)計(jì)，以及數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)信息化、農(nóng)業(yè)機(jī)械質(zhì)量控制、數(shù)字化農(nóng)業(yè)生產(chǎn)、智慧農(nóng)業(yè)生產(chǎn)、農(nóng)業(yè)信息資源等領(lǐng)域的應(yīng)用等[5-14]；農(nóng)業(yè)數(shù)據(jù)處理技術(shù)研究主要涉及農(nóng)業(yè)物聯(lián)網(wǎng)時(shí)序數(shù)據(jù)處理平臺(tái)、智能農(nóng)業(yè)圖像處理系統(tǒng)、設(shè)施農(nóng)業(yè)區(qū)多路數(shù)據(jù)采集處理軟件、農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)采集與處理系統(tǒng)、農(nóng)業(yè)物聯(lián)網(wǎng)大數(shù)據(jù)處理系統(tǒng)等的構(gòu)建，以及農(nóng)業(yè)經(jīng)濟(jì)調(diào)查數(shù)據(jù)的缺失值處理、農(nóng)業(yè)WSN數(shù)據(jù)壓縮處理、農(nóng)業(yè)大棚數(shù)據(jù)融合處理、種植領(lǐng)域數(shù)據(jù)處理算法等[15-25]；農(nóng)業(yè)預(yù)測預(yù)警技術(shù)研究主要涉及農(nóng)業(yè)氣象、農(nóng)田土壤、漁業(yè)水位水質(zhì)、農(nóng)作物病蟲害、農(nóng)產(chǎn)品產(chǎn)量、農(nóng)產(chǎn)品價(jià)格等預(yù)測預(yù)警模型構(gòu)建及預(yù)測預(yù)警方法等[26-41]；農(nóng)業(yè)人工智能技術(shù)研究主要涉及農(nóng)產(chǎn)品價(jià)格主題搜索、農(nóng)業(yè)信息搜索系統(tǒng)設(shè)計(jì)、垂直搜索引擎研究等農(nóng)業(yè)信息搜索，玉米苗期雜草識(shí)別、果實(shí)簇識(shí)別、農(nóng)業(yè)機(jī)械圖像識(shí)別、豬體尺測量及行為識(shí)別、野生食用菌特征提取識(shí)別、農(nóng)田苗帶識(shí)別、葉菜質(zhì)量識(shí)別系統(tǒng)研究等模式識(shí)別，農(nóng)田保護(hù)知識(shí)圖譜、植物領(lǐng)域知識(shí)圖譜等知識(shí)表示，無人農(nóng)場、耘農(nóng)大腦管理系統(tǒng)的研究與應(yīng)用，以及農(nóng)業(yè)噴霧機(jī)器人、果蔬自動(dòng)收獲機(jī)器人、采摘機(jī)器人等農(nóng)業(yè)智能設(shè)備的導(dǎo)航路徑規(guī)劃[42-68]。下面基于中國知網(wǎng)(CNKI)中文文獻(xiàn)檢索數(shù)據(jù)，對(duì)近年中國農(nóng)業(yè)信息處理技術(shù)研究與應(yīng)用的進(jìn)展進(jìn)行簡要分析。

1 農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)

農(nóng)業(yè)大數(shù)據(jù)是由智能農(nóng)業(yè)傳感器收集到的農(nóng)業(yè)信息，如土壤質(zhì)量、作物生長進(jìn)程、天氣狀況、動(dòng)物健康狀況等，主要用于跟蹤農(nóng)業(yè)的業(yè)務(wù)狀況、員工表現(xiàn)、設(shè)備效率等，為生產(chǎn)操作和經(jīng)營決策提供依據(jù)。農(nóng)業(yè)大數(shù)據(jù)技術(shù)包括農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)和處理技術(shù)，其中農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)是指農(nóng)業(yè)生產(chǎn)環(huán)境信息、農(nóng)田變量數(shù)據(jù)、農(nóng)業(yè)遙感信息、農(nóng)產(chǎn)品市場經(jīng)濟(jì)信息、農(nóng)業(yè)網(wǎng)絡(luò)信息的采集，以及生物信息智能感知等方面的技術(shù)[69]。

近年來，隨著各種傳感器等新型物聯(lián)網(wǎng)設(shè)備的普及使用，農(nóng)業(yè)大數(shù)據(jù)呈現(xiàn)出快速爆發(fā)的趨勢，海量農(nóng)業(yè)數(shù)據(jù)日益表現(xiàn)出實(shí)時(shí)性強(qiáng)、模態(tài)多變、結(jié)構(gòu)復(fù)雜等特征，以至于原有的農(nóng)業(yè)數(shù)據(jù)統(tǒng)計(jì)方式越來越不能適應(yīng)農(nóng)業(yè)智能信息處理的特殊需要，亟須抽象數(shù)據(jù)對(duì)其描述，于是大數(shù)據(jù)挖掘技術(shù)成了必然且有效的選擇[70]。農(nóng)業(yè)大數(shù)據(jù)挖掘技術(shù)就是挖掘農(nóng)業(yè)資源環(huán)境、生產(chǎn)、加工和營銷等整個(gè)產(chǎn)業(yè)鏈的價(jià)值信息并對(duì)其進(jìn)行抽象描述的高效工具。它借助于統(tǒng)計(jì)學(xué)的方法，量化農(nóng)業(yè)的對(duì)象、行為和關(guān)系，挖掘農(nóng)業(yè)數(shù)據(jù)之中蘊(yùn)藏的價(jià)值。近年來，農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用得到了很多學(xué)者的關(guān)注。有的學(xué)者探討了農(nóng)業(yè)數(shù)據(jù)挖掘系統(tǒng)的構(gòu)建與實(shí)現(xiàn)問題，如劉天壘[71]梳理了數(shù)據(jù)挖掘技術(shù)的常用算法，有選擇地選取了常用算法予以計(jì)算機(jī)程序?qū)崿F(xiàn)，并以實(shí)現(xiàn)的算法為核心，研發(fā)了基于Web的農(nóng)業(yè)數(shù)據(jù)挖掘系統(tǒng)；侯亮等[72]分析了農(nóng)業(yè)數(shù)據(jù)的特點(diǎn)、數(shù)據(jù)分析現(xiàn)狀和大數(shù)據(jù)技術(shù)的優(yōu)勢，構(gòu)建了基于Hadoop的農(nóng)業(yè)大數(shù)據(jù)挖掘系統(tǒng)；柴進(jìn)[73]選取中國農(nóng)科院提供的農(nóng)業(yè)數(shù)據(jù)作為研究對(duì)象設(shè)計(jì)出基于Hadoop 平臺(tái)的農(nóng)業(yè)數(shù)據(jù)挖掘系統(tǒng)，在系統(tǒng)架構(gòu)方面設(shè)計(jì)了高效、易擴(kuò)展的分布式數(shù)據(jù)挖掘系統(tǒng)框架，在系統(tǒng)算法層面對(duì)CART（分類回歸樹）算法進(jìn)行了改進(jìn)，在數(shù)據(jù)存儲(chǔ)方面利用了HDFS 進(jìn)行大數(shù)據(jù)的分布式存儲(chǔ)；郭二秀[74]選取Hadoop 的分布式文件系統(tǒng)HDFS 來解決海量異構(gòu)農(nóng)業(yè)大數(shù)據(jù)的存儲(chǔ)問題，并選取基于內(nèi)存的Spark 計(jì)算框架，設(shè)計(jì)了基于Spark的農(nóng)業(yè)大數(shù)據(jù)挖掘系統(tǒng)，實(shí)現(xiàn)了農(nóng)業(yè)大數(shù)據(jù)的實(shí)時(shí)快速處理。有的學(xué)者側(cè)重于從理論上探討數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用問題，如王文生等[75]從農(nóng)業(yè)生產(chǎn)環(huán)境數(shù)據(jù)獲取、農(nóng)業(yè)生命信息感知等方面分析了農(nóng)業(yè)大數(shù)據(jù)獲取的途徑，并從精準(zhǔn)農(nóng)業(yè)可靠決策支持系統(tǒng)、國家農(nóng)村綜合信息服務(wù)系統(tǒng)等方面對(duì)農(nóng)業(yè)大數(shù)據(jù)的應(yīng)用進(jìn)行了展望；胡怡文[76]針對(duì)大數(shù)據(jù)技術(shù)在農(nóng)業(yè)選育、農(nóng)業(yè)栽培、農(nóng)業(yè)病蟲害防治等的應(yīng)用進(jìn)行研究和分析，建議應(yīng)用大數(shù)據(jù)技術(shù)準(zhǔn)確獲取農(nóng)作物生長情況并建立數(shù)據(jù)庫，建立各類型的農(nóng)業(yè)相關(guān)數(shù)據(jù)的知識(shí)庫，建立專家資源庫等；王志遠(yuǎn)[77]分析了農(nóng)業(yè)信息服務(wù)的數(shù)據(jù)采集手段，提出了建立農(nóng)業(yè)大數(shù)據(jù)中心模型的思路，并對(duì)數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)信息服務(wù)中的應(yīng)用提出了建議；王磊等[78]對(duì)云環(huán)境下的農(nóng)業(yè)服務(wù)模式、技術(shù)進(jìn)行了分析，構(gòu)建了云技術(shù)數(shù)據(jù)挖掘下的農(nóng)業(yè)服務(wù)模型體系設(shè)計(jì)結(jié)構(gòu)，并詳細(xì)介紹了云技術(shù)數(shù)據(jù)挖掘功能在農(nóng)業(yè)中的應(yīng)用；劉劍洋[79]針對(duì)數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)機(jī)械質(zhì)量控制中的具體應(yīng)用進(jìn)行了較為系統(tǒng)的分析，對(duì)其實(shí)現(xiàn)的方式和方法進(jìn)行詮釋。整體而言，中國農(nóng)業(yè)數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用已經(jīng)取得了一定的成績，但其成果數(shù)量或水平還不盡如人意，主要表現(xiàn)在是理論探討的多而實(shí)際應(yīng)用的少，研究方法較為單一，特別是缺乏全面、深入、系統(tǒng)的探索。

2 農(nóng)業(yè)數(shù)據(jù)處理技術(shù)

要想從種類繁多且體量巨大的農(nóng)業(yè)數(shù)據(jù)中去偽存真、去粗取精，傳統(tǒng)的存儲(chǔ)和計(jì)算方式已經(jīng)無法完成，數(shù)據(jù)的處理分析迫切需要由處理單一數(shù)據(jù)集向迭代增長數(shù)據(jù)集，由處理結(jié)構(gòu)化數(shù)據(jù)向處理非結(jié)構(gòu)化數(shù)據(jù)，由批處理向流處理，由驗(yàn)證性分析向探索性分析，由集中式分析向分布式分析的轉(zhuǎn)變[80]。

由于農(nóng)業(yè)物聯(lián)網(wǎng)連接著若干個(gè)節(jié)點(diǎn)，在剛開始部署的時(shí)候需要精準(zhǔn)確定每個(gè)節(jié)點(diǎn)的位置及其獨(dú)特功能，但節(jié)點(diǎn)異構(gòu)性和數(shù)據(jù)類型多樣性給信息處理增加了難度[81]。因此，如何提高網(wǎng)絡(luò)信息處理能力和網(wǎng)絡(luò)性能受到了重視，路由、組網(wǎng)和信息機(jī)制相關(guān)的方法得到了關(guān)注及研究[82]。為了提高計(jì)算能力，計(jì)算技術(shù)已經(jīng)由早期的并行計(jì)算發(fā)展到今天的云計(jì)算，農(nóng)業(yè)云計(jì)算最早使用的模型Map-Reduce。Map-Reduce 是谷歌(Google)2004年提出的一種面向大規(guī)模數(shù)據(jù)處理的并行計(jì)算模型和方法，后來演變成為一種分布式編程模型，其“并行處理”理念已被廣泛用于云計(jì)算的任務(wù)調(diào)度中，基本思路是在任務(wù)調(diào)度時(shí)，使用Map 程序?qū)?shù)據(jù)分片，發(fā)送到各個(gè)計(jì)算機(jī)進(jìn)行處理，將得到的大量結(jié)果通過Reduce 程序收集并輸出。然而原始的Map-Reduce架構(gòu)在今天已經(jīng)漸漸退出了開發(fā)一線，取而代之的是Hadoop 架構(gòu)，它的基本思路和Map-Reduce 相同，還集成了GFS（Google 文件系統(tǒng)）、BigTable（Google 云存儲(chǔ)技術(shù)）等引擎，能夠更好地服務(wù)云計(jì)算。伴隨著今天大企業(yè)對(duì)大數(shù)據(jù)處理的需求和降低成本的要求，Spark 架構(gòu)開始盛行，Spark 同樣基于Map-Reduce 模型，但更強(qiáng)調(diào)高速計(jì)算能力，它可以和Hadoop中的分布式文件系統(tǒng)配合使用，高效而低成本地解決農(nóng)業(yè)數(shù)據(jù)處理問題，是未來發(fā)展的一個(gè)方向。

利用大數(shù)據(jù)處理技術(shù)捕獲海量農(nóng)業(yè)數(shù)據(jù)里面的有益價(jià)值關(guān)系，是破解農(nóng)業(yè)變量強(qiáng)耦合、高維難題的主要渠道。農(nóng)業(yè)大數(shù)據(jù)的優(yōu)勢，就在于可以依托大體量的農(nóng)業(yè)數(shù)據(jù)及其處理方法，針對(duì)某個(gè)農(nóng)業(yè)問題，解讀剖析其數(shù)據(jù)變量之間的關(guān)系，研究提出具體的解決方案。農(nóng)業(yè)大數(shù)據(jù)的多樣性和容量決定了其復(fù)雜的程度，而農(nóng)業(yè)大數(shù)據(jù)處理方法的真實(shí)性和速度則決定了其質(zhì)量。借助農(nóng)業(yè)大數(shù)據(jù)處理技術(shù)，認(rèn)真剖析特定的農(nóng)業(yè)數(shù)據(jù)，獲取其潛在的有益價(jià)值，是農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)處理研究的重點(diǎn)[83]。

3 農(nóng)業(yè)預(yù)測預(yù)警技術(shù)

農(nóng)業(yè)預(yù)測預(yù)警技術(shù)是以農(nóng)業(yè)物聯(lián)網(wǎng)收集到海量數(shù)據(jù)和作物資料為依據(jù)，通過建立數(shù)學(xué)模型，對(duì)農(nóng)業(yè)研究對(duì)象未來發(fā)展的可能性進(jìn)行科學(xué)預(yù)測和評(píng)估，根據(jù)具體情況做出解讀評(píng)價(jià)，對(duì)生態(tài)環(huán)境可能出現(xiàn)的不利于農(nóng)作物或養(yǎng)殖對(duì)象正常生長的極端情景進(jìn)行提前警示，最大程度地消除或減輕有可能遭受的損失。

農(nóng)業(yè)預(yù)測預(yù)警是調(diào)節(jié)控制生態(tài)環(huán)境的前提和基礎(chǔ)，而實(shí)現(xiàn)農(nóng)業(yè)預(yù)測預(yù)警就是農(nóng)業(yè)信息智能處理的重要應(yīng)用。在國外，美國、日本等國家研發(fā)了大批的軟件及預(yù)測模型和預(yù)警模型，并在實(shí)踐當(dāng)中加以應(yīng)用[84]。在國內(nèi)，張克鑫等[85]學(xué)者基于BP神經(jīng)網(wǎng)絡(luò)，對(duì)葉綠素a的濃度開展預(yù)測預(yù)警的研究，并應(yīng)用于湖南鎮(zhèn)水庫當(dāng)中；李道亮等[86]在集約化河蟹養(yǎng)殖水質(zhì)預(yù)測模型和預(yù)警模型的研究和應(yīng)用中，基于粒子群優(yōu)化算法和最小支持向量回歸機(jī)(PSO-LSSVR)開發(fā)了水質(zhì)預(yù)測模型，基于粗糙集和支持向量機(jī)(RS-SVM)開發(fā)了水質(zhì)預(yù)警模型。

4 農(nóng)業(yè)人工智能技術(shù)

人工智能(Aritificial intelligence,AI)也可稱為機(jī)器智能或人造智能，指借助計(jì)算機(jī)程序來模擬和實(shí)現(xiàn)人類智能的技術(shù)[87]。農(nóng)業(yè)人工智能技術(shù)可以通過優(yōu)化求解過程，促進(jìn)農(nóng)業(yè)生產(chǎn)過程智能化，對(duì)農(nóng)業(yè)全過程實(shí)施動(dòng)態(tài)管理，提升資源利用率和勞動(dòng)效率，避免不必要的投入，減少生產(chǎn)成本和勞動(dòng)強(qiáng)度[88]。Dempster/Shafer 證據(jù)理論、粗糙集理論、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network,DBN)等人工智能理論為農(nóng)業(yè)數(shù)據(jù)的挖掘和處理提供了方法，實(shí)現(xiàn)了感知預(yù)測，為農(nóng)業(yè)決策提供了參考。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANNs)、進(jìn) 化 算 法(Evolutionary Algorithms,EAS)、遺傳算法(Genetic Algorithm,GA)等為農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用提供了非線性的機(jī)器學(xué)習(xí)方法，解決了農(nóng)業(yè)數(shù)據(jù)處理現(xiàn)存的問題，是實(shí)現(xiàn)農(nóng)業(yè)自動(dòng)決策的必然選擇[89]。

農(nóng)業(yè)人工智能可分為農(nóng)業(yè)信息搜索、模式識(shí)別、知識(shí)表示和智能規(guī)劃等4 個(gè)研究方向，它們的研究對(duì)象分別為農(nóng)業(yè)主題信息搜索、農(nóng)業(yè)對(duì)象識(shí)別方法、農(nóng)業(yè)知識(shí)數(shù)字化及決策支持、農(nóng)業(yè)機(jī)械作業(yè)智能化等[90]。近年國內(nèi)學(xué)者重點(diǎn)關(guān)注農(nóng)業(yè)智能規(guī)劃和農(nóng)業(yè)模式識(shí)別等研究方向，農(nóng)業(yè)智能規(guī)劃的研究熱點(diǎn)集中在建模與控制方法研究，農(nóng)業(yè)模式識(shí)別的研究熱點(diǎn)側(cè)重于與深度學(xué)習(xí)算法相互結(jié)合；農(nóng)業(yè)信息搜索的研究熱點(diǎn)側(cè)重在農(nóng)業(yè)信息搜索引擎技術(shù)和網(wǎng)絡(luò)爬取技術(shù)，農(nóng)業(yè)知識(shí)表示的研究熱點(diǎn)集中于知識(shí)圖譜[91]。農(nóng)業(yè)人工智能技術(shù)已經(jīng)應(yīng)用到農(nóng)業(yè)產(chǎn)前、產(chǎn)中、產(chǎn)后、運(yùn)維等各階段[92]。在產(chǎn)前階段主要應(yīng)用于土地景觀規(guī)劃、土壤分析評(píng)估、河川日常徑流量預(yù)測、灌溉用水供需分析以及種植品種鑒別等；在產(chǎn)中業(yè)務(wù)主要應(yīng)用于水產(chǎn)養(yǎng)殖投喂管理、水質(zhì)預(yù)測預(yù)警、田間雜草管理、插秧系統(tǒng)、作物種植和牧業(yè)管理專家系統(tǒng)等；在產(chǎn)后階段主要應(yīng)用于農(nóng)產(chǎn)品的分類、收貨、檢驗(yàn)、加工過程控制，以及染料提取和蒸餾冷點(diǎn)溫度預(yù)測等；在運(yùn)維業(yè)務(wù)主要應(yīng)用于農(nóng)業(yè)設(shè)施裝備的運(yùn)行管控及其故障診斷等。目前，人工智能在農(nóng)業(yè)領(lǐng)域的應(yīng)用還處于初步探索的過程中，農(nóng)業(yè)智能化程度還比較低，人工智能要想替代人類進(jìn)行實(shí)際生產(chǎn)任重而道遠(yuǎn)，亟須進(jìn)一步的技術(shù)突破[93]。

深度學(xué)習(xí)算法是人工智能的一個(gè)前沿技術(shù)，它的優(yōu)越性在于能夠自動(dòng)提取數(shù)據(jù)當(dāng)中蘊(yùn)含的特征，并對(duì)高維復(fù)雜變量之間的相互關(guān)系進(jìn)行數(shù)學(xué)表示。近年隨著大數(shù)據(jù)技術(shù)的迅速發(fā)展，機(jī)器學(xué)習(xí)研究取得了積極的成果，深度學(xué)習(xí)算法已經(jīng)在語音識(shí)別、圖像識(shí)別和數(shù)據(jù)預(yù)測回歸等得到了相對(duì)成熟的應(yīng)用，在圖像問答、圖像內(nèi)容的語義表達(dá)和自然語言處理等的特征抽取及建模方面持續(xù)獲得新突破，為整合多源異構(gòu)數(shù)據(jù)提供了更為可靠的解決方法。

綜上所述，中國農(nóng)業(yè)人工智能研究的側(cè)重點(diǎn)正在從過去單純的知識(shí)表示研究，向機(jī)器學(xué)習(xí)、模式識(shí)別和復(fù)雜系統(tǒng)規(guī)劃研究轉(zhuǎn)移；農(nóng)業(yè)人工智能技術(shù)重點(diǎn)聚焦在農(nóng)業(yè)的產(chǎn)中階段，基于農(nóng)業(yè)機(jī)器人的綜合性業(yè)務(wù)研究還處在前期的探索性研究之中，而農(nóng)業(yè)人工智能技術(shù)應(yīng)用于農(nóng)產(chǎn)品物流的研究則更加薄弱。深度學(xué)習(xí)研究的成果及其未來方向，對(duì)農(nóng)業(yè)人工智能技術(shù)的發(fā)展將產(chǎn)生更為深刻的影響。由于農(nóng)業(yè)業(yè)務(wù)變量之間的關(guān)系既復(fù)雜又相互關(guān)聯(lián)，而且其未知變量比較多，在某個(gè)區(qū)域農(nóng)業(yè)業(yè)務(wù)行之有效的農(nóng)業(yè)人工智能技術(shù)對(duì)其他的區(qū)域并不能夠替代人類自身在農(nóng)業(yè)業(yè)務(wù)中的特殊作用。所以，通過全新的模式識(shí)別和機(jī)器學(xué)習(xí)技術(shù)，研究農(nóng)業(yè)業(yè)務(wù)變量之間的特殊關(guān)系，全面提升基于農(nóng)業(yè)人工智能的復(fù)雜系統(tǒng)在不同區(qū)域的適切性和兼容性，從根本上促進(jìn)農(nóng)業(yè)機(jī)器人技術(shù)相互整合，將是農(nóng)業(yè)人工智能未來發(fā)展的主要方向。

5 結(jié)語

總之，農(nóng)業(yè)信息處理技術(shù)的研究與應(yīng)用，是現(xiàn)代農(nóng)業(yè)發(fā)展的理性選擇，也是未來農(nóng)業(yè)發(fā)展的趨勢及其發(fā)展水平的主要標(biāo)志。隨著人類社會(huì)進(jìn)入全新的信息化時(shí)代，傳統(tǒng)農(nóng)業(yè)升級(jí)對(duì)農(nóng)業(yè)信息處理技術(shù)提出了新的更高需求，研究農(nóng)業(yè)信息處理技術(shù)在農(nóng)業(yè)中的應(yīng)用將具有更深遠(yuǎn)的探索意義，未來農(nóng)業(yè)信息處理技術(shù)也將會(huì)呈現(xiàn)出集成化、專業(yè)化和智能化的發(fā)展趨勢[94]。