王 琦

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

0 引言

2019 年，中共中央辦公廳、國務(wù)院辦公廳印發(fā)《數(shù)字鄉(xiāng)村發(fā)展戰(zhàn)略綱要》［1］，提出要大力發(fā)展農(nóng)村數(shù)字經(jīng)濟和建設(shè)智慧綠色新農(nóng)村。2021 年9 月農(nóng)業(yè)部編制《“十四五”全國農(nóng)業(yè)農(nóng)村信息化發(fā)展規(guī)劃》，提出要進一步細化推進數(shù)字農(nóng)業(yè)建設(shè)思想、內(nèi)容和重點任務(wù)，其中，包括大力推進物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、機器人等新一代信息技術(shù)在農(nóng)業(yè)生產(chǎn)加工各環(huán)節(jié)融合應(yīng)用。

人工智能技術(shù)（artificial intelligence,AI）是二十一世紀最重要的技術(shù)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(shù)。人工智能技術(shù)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(fù)雜工作流程，使應(yīng)用對象具有“智慧”能力。人工智能技術(shù)包含機器學習、機器視覺、語音分析等多個研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（artificial neural network,ANN）從信息處理角度，模擬人類腦神經(jīng)元，具有黑箱功能，可以模擬自然界的數(shù)學規(guī)律，作為機器學習的載體，已經(jīng)大規(guī)模應(yīng)用于人類社會的各個領(lǐng)域。

近幾年來，關(guān)于人工智能和神經(jīng)網(wǎng)絡(luò)技術(shù)在農(nóng)業(yè)綠色智慧的應(yīng)用研究，正受到國內(nèi)學者的廣泛關(guān)注［2-7］。李揚［3］對機器學習技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用現(xiàn)狀進行了詳細介紹。王肖芳［4］使用反向傳播（back propagation,BP）神經(jīng)網(wǎng)絡(luò)對河南省生態(tài)農(nóng)業(yè)綜合效益進行評價，促進了生態(tài)農(nóng)業(yè)的發(fā)展。吳曉柯等［5］對區(qū)塊鏈技術(shù)在農(nóng)業(yè)發(fā)展中的應(yīng)用展開了相關(guān)研究，分析了區(qū)塊鏈技術(shù)在農(nóng)業(yè)應(yīng)用中所面臨的挑戰(zhàn)。王翠［6］對農(nóng)業(yè)高新技術(shù)進行了綜合評價，采用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建了系統(tǒng)的評價模型，并采用機器學習和自然語義處理技術(shù)，實現(xiàn)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(tǒng)農(nóng)業(yè)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(nóng)業(yè)（green and smart agriculture,GSA）是物聯(lián)網(wǎng)技術(shù)、計算機技術(shù)、人工智能技術(shù)和農(nóng)業(yè)的有機結(jié)合。綠色智慧農(nóng)業(yè)就是為農(nóng)民、政府和企業(yè)提供了科學的農(nóng)業(yè)生產(chǎn)解決方案，可以解決傳統(tǒng)農(nóng)業(yè)管理粗獷、效率低下的問題。通過物聯(lián)網(wǎng)技術(shù)，可以實時觀測農(nóng)作物的生長狀況；通過大數(shù)據(jù)和人工智能技術(shù)，可以精確匹配農(nóng)作物的生長環(huán)境，精準地執(zhí)行農(nóng)業(yè)生產(chǎn)活動，提高農(nóng)業(yè)生產(chǎn)效率，提升農(nóng)業(yè)生產(chǎn)競爭力，使經(jīng)濟效益最大化。通過利用物聯(lián)網(wǎng)技術(shù)、機器學習技術(shù)、大數(shù)據(jù)技術(shù)和人工智能技術(shù)，可以有效提升農(nóng)產(chǎn)品質(zhì)量和生產(chǎn)效率，綠色智慧農(nóng)業(yè)是未來農(nóng)業(yè)發(fā)展的必然方向。

1 農(nóng)業(yè)綠色智慧發(fā)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(nóng)業(yè)綠色智慧發(fā)展水平評價體系。

1.1 評價指標的選取

根據(jù)綠色智慧農(nóng)業(yè)的本質(zhì)特點，以河南省為例，通過對河南省下轄17 個地級市進行調(diào)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(nóng)業(yè)綠色智慧發(fā)展水平最相關(guān)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(tài)效益、智慧程度和經(jīng)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(shù)據(jù)來源于《河南省統(tǒng)計年鑒（2019）》和部分其他網(wǎng)絡(luò)統(tǒng)計年鑒數(shù)據(jù)。評價指標的建立如表1所示。

表1 評價指標及權(quán)重分配值

影響農(nóng)業(yè)綠色智慧發(fā)展水平評價的因素有很多，總體評價結(jié)果由20 個二級指標以及它們各自所占的權(quán)重共同決定。其中，權(quán)重是決定指標重要程度的重要數(shù)值。用K和L分別表示所有二級指標的數(shù)值矩陣和權(quán)重矩陣，用R表示評價結(jié)果，那么矩陣K與矩陣L的轉(zhuǎn)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(gòu)建農(nóng)業(yè)綠色智慧發(fā)展水平評價體系需要構(gòu)造權(quán)重矩陣L。首先，需要構(gòu)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(guān)系。其中，PA1A2取2，代表A1（土地復(fù)種指數(shù)）與A2（有效灌溉指數(shù)）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(jié)果，且與PA1A2存在倒數(shù)關(guān)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(guān)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(quán)重矩陣L。各指標權(quán)重如表1所示。

1.2 評價結(jié)果計算

根據(jù)前文所述，選取2005—2018 年對應(yīng)的二級指標數(shù)值矩陣K與權(quán)重矩陣L代入公式（3），可得到2005—2018 年農(nóng)業(yè)綠色智慧發(fā)展水平的評價結(jié)果，具體結(jié)果如表3所示，由于二級指標數(shù)值矩陣中的數(shù)據(jù)不在一個量綱，因此需要對所有的數(shù)據(jù)進行歸一化處理。

表3 評價結(jié)果

通過選取農(nóng)業(yè)綠色智慧發(fā)展水平評價體系的指標變量和相應(yīng)指標權(quán)重分配矩陣，構(gòu)建了農(nóng)業(yè)綠色智慧發(fā)展水平評價體系，并得到了每一年最終的評價結(jié)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(nóng)業(yè)綠色智慧發(fā)展水平評價模型的構(gòu)建提供了相關(guān)的理論支持。

2 基于極限學習機算法的農(nóng)業(yè)綠色智慧發(fā)展水平評價模型構(gòu)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該算法隨機產(chǎn)生輸入層和隱藏層之間的權(quán)值矩陣及隱藏層神經(jīng)元閾值，在訓練過程中，不需要每次反向調(diào)整權(quán)值矩陣及隱藏層神經(jīng)元閾值，且隱藏層和輸出層之間的權(quán)值矩陣是通過求解方程組而確定的。因此，相比于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)，具有訓練速度快、泛化能力強等優(yōu)點，使用極限學習機算法建立農(nóng)業(yè)綠色智慧發(fā)展水平評價模型可以有效地對河南省農(nóng)業(yè)綠色智慧的發(fā)展水平進行預(yù)測。單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中，該神經(jīng)網(wǎng)絡(luò)包含一個輸入層，節(jié)點數(shù)為n；一個隱藏層，節(jié)點數(shù)為j；一個輸出層，節(jié)點數(shù)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(quán)值矩陣，Wa2為隱藏層和輸出層之間的權(quán)值矩陣。

圖1 單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 基于極限學習機農(nóng)業(yè)綠色智慧評價系統(tǒng)

根據(jù)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(nóng)業(yè)綠色智慧發(fā)展水平預(yù)測模型。ELM 評價模型建立步驟如圖2所示。

圖2 基于ELM的農(nóng)業(yè)綠色智慧發(fā)展水平評價模型建立步驟

算法基于Matlab2021a 仿真環(huán)境進行編程實現(xiàn)。首先，對樣本數(shù)據(jù)進行處理。訓練數(shù)據(jù)采用樣本數(shù)據(jù)中2005—2014 年的數(shù)據(jù)。由于樣本數(shù)據(jù)量較小，因此，需要對訓練數(shù)據(jù)集進行擴充。為了方便模型的學習和訓練，將數(shù)據(jù)進行歸一化處理。隨后，建立ELM 神經(jīng)網(wǎng)絡(luò)模型，這里采用Matlab2021a 自帶的神經(jīng)網(wǎng)絡(luò)工具箱軟件建立ELM 神經(jīng)網(wǎng)絡(luò)模型。建立模型后，使用訓練數(shù)據(jù)集對極限學習機進行訓練。訓練停止的條件為滿足設(shè)定的訓練次數(shù)。設(shè)定訓練次數(shù)完成后，極限學習機算法停止訓練。下一步，需要使用測試數(shù)據(jù)集，測試基于極限學習機算法建立的農(nóng)業(yè)綠色智慧發(fā)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(shù)據(jù)對極限學習機的預(yù)測性能進行測試。將測試數(shù)據(jù)輸入訓練好的極限學習機，并得到極限學習機輸出的預(yù)測結(jié)果，并和表3所得到的評價結(jié)果進行對比，結(jié)果如圖3所示，可以看出，極限學習機的預(yù)測結(jié)果和基于層次分析法計算的結(jié)果基本重合，誤差較小。

圖3 極限學習機測試結(jié)果

3 結(jié)語

本課題以河南省為例，對河南省下轄17 個地級市進行調(diào)查走訪研究，查閱相關(guān)資料和文獻，篩選出能反映河南省農(nóng)業(yè)綠色智慧發(fā)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(nóng)業(yè)綠色智慧發(fā)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(nóng)業(yè)綠色智慧發(fā)展水平預(yù)測模型。最后，在Matlab2021a 環(huán)境下對預(yù)測模型進行學習和訓練，并使用測試數(shù)據(jù)集對極限學習機的預(yù)測性能進行測試。測試結(jié)果表明，該評價模型可以對農(nóng)業(yè)綠色智慧發(fā)展水平進行有效的預(yù)測，具有一定的應(yīng)用價值和產(chǎn)業(yè)化前景。