摘要： 為了解決大規(guī)模生長(zhǎng)環(huán)境變量所帶來(lái)的計(jì)算復(fù)雜度較高的問(wèn)題， 采用細(xì)菌覓食優(yōu)化多核支持向量機(jī)算法對(duì)農(nóng)作物產(chǎn)量進(jìn)行預(yù)測(cè)分析， 從而實(shí)現(xiàn)作物生長(zhǎng)環(huán)境的最優(yōu)控制； 首先， 采用高斯核函數(shù)、 多項(xiàng)式核函數(shù)和Sigmoid核函數(shù)組合方式建立多核支持向量機(jī)，其輸入為作物生長(zhǎng)環(huán)境，采用細(xì)菌覓食優(yōu)化算法優(yōu)化核函數(shù)關(guān)鍵參數(shù)；其次，利用多核函數(shù)的參數(shù)構(gòu)建菌群進(jìn)行訓(xùn)練，設(shè)置作物產(chǎn)量作為細(xì)菌覓食優(yōu)化算法適應(yīng)度；最后，通過(guò)菌群位置更新優(yōu)化后的最優(yōu)核函數(shù)參數(shù)進(jìn)行多核支持向量機(jī)優(yōu)化求解，獲得空氣溫度、 濕度，土壤溫度、 濕度等生長(zhǎng)環(huán)境特征數(shù)據(jù)。結(jié)果表明，選擇合適的多核函數(shù)組合，并合理設(shè)置細(xì)菌覓食優(yōu)化算法的引力和斥力系數(shù)、遷徙概率閾值等參數(shù)，能夠獲得最高產(chǎn)量所對(duì)應(yīng)的作物生長(zhǎng)環(huán)境特征數(shù)據(jù)。

關(guān)鍵詞： 智慧農(nóng)業(yè)； 多核支持向量機(jī)； 細(xì)菌覓食優(yōu)化算法； 生長(zhǎng)環(huán)境

中圖分類號(hào)： TP273

文獻(xiàn)標(biāo)志碼： A

Abstract： To solve the problem of high computational complexity caused by largescale growth environment variables， multikernel support vector machine was used to predict and analyze crop yield， so as to realize optimal control of crop growth environment. Firstly， a multikernel support vector machine was established by combining Gaussian kernel function，polynomial kernel function， and Sigmoid kernel function， whose input was crop growth environment， and bacterial foraging optimization algorithm was used to optimize key parameters of kernel function. Secondly， the parameters of multikernel function were used to construct flora for training， and crop yield was set as the fitness of bacterial foraging optimizationalgorithm. Finally， the optimal kernel function parameters after updating and optimizing the flora position were solved by using multikernel support vector machine， and the growth environment characteristic data such as air temperatureand humidity， soil temperature and humidity were obtained. The results show that the characteristic data of crop growth environment corresponding to the highest yield can be obtained by selecting the appropriate combination of multikernel functions and reasonably setting the parameters such as gravity and repulsion coefficients and migration probabilitythreshold of bacterial foraging optimization algorithm.

Keywords： smart agriculture; multikernel support vector machine; bacterial foraging optimization algorithm; growth environment

基金項(xiàng)目： 國(guó)家自然科學(xué)基金項(xiàng)目 （71773033）；2020年度廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目（2020KY14025）；2019年度

廣西民族地區(qū)文化建設(shè)與社會(huì)治理研究中心研究項(xiàng)目（2019YJJD0008）

第一作者簡(jiǎn)介： 蔡桂全（1980—），男，廣西桂平人。教授，博士研究生，研究方向?yàn)檗r(nóng)業(yè)風(fēng)險(xiǎn)管理。Email： caiguiquan2005@126.com。

通信作者簡(jiǎn)介： 陶建平（1964—），男，湖北麻城人。教授，博士，研究方向?yàn)檗r(nóng)業(yè)風(fēng)險(xiǎn)管理。Email： jptao@mail.hzau.edu.cn。

網(wǎng)絡(luò)首發(fā)地址： https：//kns.cnki.net/kcms/detail/37.1378.n.20230330.1526.002.html

隨著大數(shù)據(jù)技術(shù)的大規(guī)模應(yīng)用， 農(nóng)業(yè)生產(chǎn)迎來(lái)了新的發(fā)展機(jī)遇， 智慧農(nóng)業(yè)在傳統(tǒng)農(nóng)業(yè)種植的基礎(chǔ)上， 將農(nóng)作物生長(zhǎng)環(huán)境傳感監(jiān)測(cè)、 作物生長(zhǎng)數(shù)據(jù)分析和生長(zhǎng)環(huán)境設(shè)備控制等技術(shù)應(yīng)用于農(nóng)業(yè)生產(chǎn)管理［1］， 以提高農(nóng)業(yè)種植產(chǎn)量， 及農(nóng)業(yè)生產(chǎn)管理的智能性。 通過(guò)對(duì)灌溉、 溫控及通風(fēng)等設(shè)備的精準(zhǔn)控制， 可以保證農(nóng)作物處于優(yōu)良的環(huán)境中生長(zhǎng)［2］， 從而增加作物產(chǎn)量。 在農(nóng)作物的全生長(zhǎng)環(huán)境中， 作物合適的生長(zhǎng)環(huán)境是處于動(dòng)態(tài)變化的， 因此要通過(guò)電控設(shè)備來(lái)精準(zhǔn)調(diào)整適合于農(nóng)作物的生長(zhǎng)環(huán)境并不簡(jiǎn)單。 作物生長(zhǎng)環(huán)境特征的數(shù)量及維度決定了作物生長(zhǎng)環(huán)境控制的復(fù)雜度［3］， 運(yùn)用智能分析技術(shù)將農(nóng)作物生長(zhǎng)環(huán)境特征和作物產(chǎn)量作為研究對(duì)象， 選擇作物高產(chǎn)所對(duì)應(yīng)的環(huán)境特征值作為農(nóng)業(yè)工程管理的關(guān)鍵點(diǎn)。

當(dāng)前，對(duì)于使用先進(jìn)機(jī)器學(xué)習(xí)技術(shù)進(jìn)行智能農(nóng)業(yè)工程的研究較多。魏曉奕等［4］采用線性回歸和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)油菜產(chǎn)量進(jìn)行預(yù)測(cè)分析，分析影響油菜產(chǎn)量的關(guān)鍵生長(zhǎng)環(huán)境因素，從而制定增產(chǎn)措施。赫曉慧等［5］采用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合訓(xùn)練小麥生長(zhǎng)環(huán)境變量，通過(guò)產(chǎn)量分析尋找適宜小麥生長(zhǎng)的環(huán)境變量。上述學(xué)者都從產(chǎn)量角度分析作物最優(yōu)生長(zhǎng)環(huán)境，通過(guò)制定最佳生長(zhǎng)環(huán)境方案來(lái)提高農(nóng)作物產(chǎn)量。

支持向量機(jī)（support vector machine， SVM）和神經(jīng)網(wǎng)絡(luò)同樣源自感知機(jī)原理， 多核支持向量機(jī)（multikernel support vector machine， MSVM）是在傳統(tǒng)SVM基礎(chǔ)上， 將多個(gè)核函數(shù)使用線性組合方式進(jìn)行融合， 從而在保持計(jì)算效率較高的同時(shí)具有全局最優(yōu)性。 本文中采用MSVM對(duì)農(nóng)作物產(chǎn)量進(jìn)行預(yù)測(cè)分析， 以解決大規(guī)模生長(zhǎng)環(huán)境變量所帶來(lái)的計(jì)算復(fù)雜度較高的問(wèn)題。 為了進(jìn)一步提高M(jìn)SVM對(duì)農(nóng)作物產(chǎn)量最優(yōu)值的優(yōu)化求解精度， 采用細(xì)菌覓食優(yōu)化（bacterial foraging optimization， BFO）算法對(duì)多核函數(shù)的參數(shù)進(jìn)行優(yōu)化求解， 從而提出細(xì)菌覓食優(yōu)化多核支持向量機(jī)（BFO-MSVM）算法（本文算法）。 通過(guò)本文算法進(jìn)行農(nóng)業(yè)生長(zhǎng)環(huán)境數(shù)據(jù)分析， 實(shí)現(xiàn)作物生長(zhǎng)環(huán)境的最優(yōu)控制。

根據(jù)適應(yīng)度從大到小排序，選擇排序靠前的個(gè)體進(jìn)行繁衍操作。由于受到環(huán)境影響，因此細(xì)菌也會(huì)進(jìn)行遷徙操作。設(shè)遷徙概率閾值為pe，細(xì)菌i的遷徙概率為pi。若pigt;pe則遷徙，否則不遷徙，遷徙操作的本質(zhì)是菌群邊界值的改變。不斷執(zhí)行迭代操作，直到達(dá)到菌群算法停止條件。

2.2 本文算法流程

在MSVM的作物產(chǎn)量預(yù)測(cè)及優(yōu)化過(guò)程中，摒棄傳統(tǒng)的迭代優(yōu)化多核參數(shù)求解，而是采用BFO算法對(duì)MSVM的核函數(shù)關(guān)鍵參數(shù)進(jìn)行優(yōu)化求解。將參數(shù)作為BFO算法的細(xì)菌個(gè)體，通過(guò)BFO算法的位置更新，求解作物產(chǎn)量最高適應(yīng)度所對(duì)應(yīng)的細(xì)菌個(gè)體位置，從而獲得最優(yōu)核函數(shù)參數(shù)。通過(guò)BFO算法的優(yōu)化求解，從而確定核函數(shù)的具體形式［16］，最后采用MSVM進(jìn)行作物產(chǎn)量預(yù)測(cè)及最佳生長(zhǎng)環(huán)境參數(shù)確定，算法流程如圖1所示。

3 實(shí)例仿真

為了驗(yàn)證本文算法在農(nóng)作物生長(zhǎng)環(huán)境控制中的性能，進(jìn)行實(shí)例仿真。仿真數(shù)據(jù)來(lái)源為某智能溫室蔬菜大棚，數(shù)據(jù)樣本來(lái)源于2019、 2021年多個(gè)大棚4類不同作物的全生長(zhǎng)周期傳感監(jiān)測(cè)數(shù)據(jù)，具體數(shù)據(jù)如表1所示。首先采用不同的多核函數(shù)進(jìn)行作物產(chǎn)量預(yù)測(cè)分析仿真，判斷MSVM對(duì)于農(nóng)作物產(chǎn)量預(yù)測(cè)的能力；其次驗(yàn)證BFO算法對(duì)于MSVM在農(nóng)業(yè)預(yù)測(cè)中的性能提升程度；最后采用常用控制優(yōu)化算法和本文算法分別進(jìn)行性能仿真。

樣本中包含作物在不同生長(zhǎng)周期內(nèi)的空氣及土壤溫、 濕度，二氧化碳濃度，光照強(qiáng)度和土壤pH等參數(shù)，因?yàn)椴煌魑锏纳L(zhǎng)周期階段有差異，所以不同作物的樣本包含參數(shù)量有所不同。

3.1 不同多核函數(shù)的作物產(chǎn)量預(yù)測(cè)分析

采用高斯核函數(shù)、多項(xiàng)式核函數(shù)和Sigmoid核函數(shù)組合方式構(gòu)建多核函數(shù)，采用MSVM對(duì)表1中4種作物的測(cè)試集樣本進(jìn)行產(chǎn)量預(yù)測(cè)分析，統(tǒng)計(jì)結(jié)果如表2所示。

從表中可以看出， 不同核函數(shù)組合的MSVM對(duì)4種農(nóng)作物的產(chǎn)量預(yù)測(cè)結(jié)果差異較明顯。 對(duì)于番茄作物樣本， 高斯核函數(shù)-多項(xiàng)式核函數(shù)-Sigmoid核函數(shù)組合的MSVM預(yù)測(cè)的產(chǎn)量為533.9 kg， 與實(shí)際產(chǎn)量534.3 kg最接近， 多項(xiàng)式核函數(shù)-Sigmoid核函數(shù)組合的MSVM預(yù)測(cè)效果最差， 預(yù)測(cè)產(chǎn)量?jī)H為516.3 kg； 對(duì)于豆角樣本， 高斯核函數(shù)-多項(xiàng)式核函數(shù)組合的MSVM預(yù)測(cè)的產(chǎn)量為468.1 kg， 與實(shí)際產(chǎn)量468.7 kg最接近； 而對(duì)于金針菇和黃瓜這2種作物樣本， 高斯核函數(shù)-Sigmoid核函數(shù)組合的MSVM均獲得了與實(shí)際產(chǎn)量最接近的預(yù)測(cè)產(chǎn)量， 分別為381.5、 498.2 kg。 這是因?yàn)楦咚购瘮?shù)具有一定的可分離性， 所以可以在多個(gè)方向獲得較好的平滑度。

從4種作物的產(chǎn)量預(yù)測(cè)所需時(shí)間來(lái)看，高斯核函數(shù)-多項(xiàng)式核函數(shù)組合的MSVM預(yù)測(cè)所需時(shí)間更短，高斯核函數(shù)-多項(xiàng)式核函數(shù)-Sigmoid核函數(shù)組合的MSVM預(yù)測(cè)所需時(shí)間最長(zhǎng)。在樣本量較少時(shí)，預(yù)測(cè)所需時(shí)間差異并不明顯，但當(dāng)進(jìn)行大規(guī)模作物產(chǎn)量預(yù)測(cè)時(shí)，可能會(huì)造成預(yù)測(cè)時(shí)間差異較大的問(wèn)題。

3.2 MSVM和本文算法優(yōu)化性能對(duì)比

為了進(jìn)一步驗(yàn)證BFO算法在MSVM預(yù)測(cè)農(nóng)作物產(chǎn)量中的優(yōu)化性能，分別采用MSVM和本文算法對(duì)4種農(nóng)作物的產(chǎn)量預(yù)測(cè)進(jìn)行仿真， 結(jié)果如圖2所示。 從圖2（a）中可以清楚地看出番茄作物測(cè)試樣本實(shí)際產(chǎn)量、 MSVM預(yù)測(cè)產(chǎn)量和本文算法預(yù)測(cè)產(chǎn)量之間的差異， 其中本文算法的預(yù)測(cè)產(chǎn)量更接近于實(shí)際產(chǎn)量， 而MSVM預(yù)測(cè)的產(chǎn)量明顯低于實(shí)際產(chǎn)量， 可見(jiàn)經(jīng)過(guò)BFO算法優(yōu)化后的MSVM對(duì)番茄作物的產(chǎn)量預(yù)測(cè)準(zhǔn)確度明顯提升。 從圖2（b）可以看出， 金針菇測(cè)試樣本的預(yù)測(cè)產(chǎn)量個(gè)體差距較小， 誤差為3～4 kg， 以實(shí)際產(chǎn)量為參照， 本文算法的產(chǎn)量預(yù)測(cè)結(jié)果更接近于實(shí)際產(chǎn)量。 從圖2（c）、 （d）中可以看出， 與實(shí)際產(chǎn)量相比， 本文算法對(duì)豆角、 黃瓜測(cè)試樣本的產(chǎn)量預(yù)測(cè)結(jié)果均優(yōu)于MSVM的。 綜合而言， 通過(guò)BFO算法對(duì)多核函數(shù)的關(guān)鍵參數(shù)進(jìn)行優(yōu)化求解， 使得本文算法在農(nóng)作物產(chǎn)量預(yù)測(cè)的精度遠(yuǎn)優(yōu)于傳統(tǒng)MSVM的迭代優(yōu)化求解的。

為了進(jìn)一步驗(yàn)證BFO算法對(duì)MSVM預(yù)測(cè)農(nóng)作物產(chǎn)量的性能優(yōu)化效果，以下對(duì)分別采用MSVM和本文算法預(yù)測(cè)4種作物產(chǎn)量的準(zhǔn)確率和預(yù)測(cè)時(shí)間進(jìn)行比較， 結(jié)果見(jiàn)表3。 從表中統(tǒng)計(jì)的4種作物樣本的產(chǎn)量預(yù)測(cè)準(zhǔn)確率的均方根誤差（RMSE）指標(biāo)來(lái)看， 本文算法預(yù)測(cè)結(jié)果的RMSE明顯小于MSVM預(yù)測(cè)結(jié)果的， 表明經(jīng)過(guò)BFO算法優(yōu)化后的MSVM的產(chǎn)量預(yù)測(cè)穩(wěn)定性明顯提升， 其中： MSVM、本文算法在番茄樣本集的RMSE最小， 分別為5.231×10-2、 3.537×10-2；在豆角樣本集中， 2種算法的產(chǎn)量預(yù)測(cè)穩(wěn)定性均最差。 從預(yù)測(cè)時(shí)間來(lái)看， MSVM算法優(yōu)于本文算法， 但兩者差距不大， 原因是BFO算法對(duì)多核函數(shù)參數(shù)的優(yōu)化求解要比MSVM的迭代優(yōu)化求解更耗時(shí)。

3.3 實(shí)例驗(yàn)證

通過(guò)采用2種算法對(duì)4種作物樣本產(chǎn)量預(yù)測(cè)性能進(jìn)行仿真，驗(yàn)證了本文算法的產(chǎn)量預(yù)測(cè)性能遠(yuǎn)優(yōu)于MSVM算法的， 并且通過(guò)差異化設(shè)置多核函數(shù)發(fā)現(xiàn)， 樣本集所采用的核函數(shù)組合不同， 算法的預(yù)測(cè)性能是不同的。 以下采用金針菇樣本集進(jìn)行作物生長(zhǎng)環(huán)境控制驗(yàn)證， 采用高斯核函數(shù)-Sigmoid核函數(shù)組合的本文算法進(jìn)行金針菇生長(zhǎng)環(huán)境參數(shù)優(yōu)化求解， 以產(chǎn)量作為適應(yīng)度函數(shù)進(jìn)行生長(zhǎng)環(huán)境參數(shù)尋優(yōu)， 設(shè)置尋優(yōu)次數(shù)為100，結(jié)果如圖3所示。由圖可知，在金針菇產(chǎn)量尋優(yōu)過(guò)程中，本文算法在第31次尋優(yōu)時(shí)獲得了最高產(chǎn)量（409.5 kg），記錄其獲得最高

產(chǎn)量的各生長(zhǎng)周期的環(huán)境參數(shù)值如表4所示。 按照本文算法優(yōu)化求解獲得的生長(zhǎng)環(huán)境參數(shù)，在金針菇生長(zhǎng)的這5個(gè)階段，通過(guò)借助外界設(shè)備對(duì)其生長(zhǎng)環(huán)境進(jìn)行相應(yīng)控制，可以獲得理論最高產(chǎn)量為409.5 kg。

將此生長(zhǎng)環(huán)境最優(yōu)方案進(jìn)行實(shí)例驗(yàn)證，將該方案于2021年部署于表1中101個(gè)金針菇測(cè)試樣本集所對(duì)應(yīng)的生長(zhǎng)環(huán)境控制中，獲得的實(shí)際產(chǎn)量為403.2 kg，與原產(chǎn)量382.7 kg相比增加了20.5 kg，表明本文算法在農(nóng)作物生長(zhǎng)環(huán)境參數(shù)控制中的效果較為顯著。

4 結(jié)語(yǔ)

采用MSVM算法用于農(nóng)作物生長(zhǎng)環(huán)境控制，采用BFO算法對(duì)核函數(shù)參數(shù)進(jìn)行優(yōu)化求解，可以獲得較高的作物產(chǎn)量預(yù)測(cè)準(zhǔn)確率，同時(shí)根據(jù)生長(zhǎng)環(huán)境參數(shù)和產(chǎn)量預(yù)測(cè)模型，可以求解最高產(chǎn)量所對(duì)應(yīng)的作物最佳生長(zhǎng)環(huán)境參數(shù)。本文算法可以為農(nóng)作物生長(zhǎng)環(huán)境參數(shù)控制提供精準(zhǔn)的數(shù)據(jù)支持，在智慧農(nóng)業(yè)領(lǐng)域具有較強(qiáng)的適用性。

參考文獻(xiàn)：

［1］ 吳文福， 張娜， 李姝峣， 等. 5T智慧農(nóng)場(chǎng)管理系統(tǒng)構(gòu)建與應(yīng)用探索［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（9）： 340.

［2］ 龐桂斌， 張立志， 王通， 等. 微咸水灌溉作物生理生態(tài)響應(yīng)與調(diào)節(jié)機(jī)制研究進(jìn)展［J］. 濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016， 30 （4）： 250.

［3］ ZHANG Y， SWAMINATHAN J M. Improved crop productivity through optimized planting schedules［J］. Manufacturing amp; Service Operations Management， 2020， 22（6）： 1165.

［4］ 魏曉奕， 張佩， 徐進(jìn)， 等. 油菜產(chǎn)量因素預(yù)測(cè)方法研究［J］. 江蘇農(nóng)業(yè)科學(xué)， 2021， 49（7）： 89.

［5］ 赫曉慧， 羅浩田， 喬夢(mèng)佳， 等. 基于CNNRNN網(wǎng)絡(luò)的中國(guó)冬小麥估產(chǎn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（17）： 124.

［6］ LIU X Y， ZHOU L， CHEN X H， et al. Lithofacies identification using support vector machine based on local deep multikernel learning［J］. Petroleum Science， 2020， 17（4）： 954.

［7］ ZHAO H S， GAO Y F， LIU H H， et al. Fault diagnosis of wind turbine bearing based on stochastic subspace identification and multikernel support vector machine［J］. Journal of Modern Power Systems and Clean Energy， 2019， 7（2）： 350.

［8］ LIU X Y， CHEN X H， LI J Y， et al. Facies identification based on multikernel relevance vector machine［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（10）： 7269.

［9］ CHEN S Y， GU C S， LIN C N， et al. Multikernel optimized relevancevector machine for probabilistic prediction of concrete dam displacement［J］. Engineering with Computers， 2021， 37（3）： 1943.

［10］ YU Z， SHI X Z， ZHOU J， et al. A new multikernel relevance vector machine based on the HPSOGWO algorithm for predicting and controlling blastinduced ground vibration［J］. Engineering with Computers， 2020， 38（2）： 1.

［11］ ZHOU C L， TU B， LI N Y， et al. Structureaware multikernel learning for hyperspectral image classification［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 9837.

［12］ VITALSOTO A， AZAB A， BAKI M F. Mathematical modeling and a hybridized bacterial foraging optimization algorithm for the flexible jobshop scheduling problem with sequencing flexibility［J］. Journal of Manufacturing Systems， 2020， 54： 74.

［13］ GUO C， TANG H， NIU B， et al. A survey of bacterial foraging optimization［J］. Neurocomputing， 2021， 452： 728.

［14］ FARSHI T R， ORUJPOUR M. A multimodal bacterial foraging optimization algorithm［J］. Journal of Ambient Intelligence and Humanized Computing， 2021， 12（11）： 10035.

［15］ LI F， JI W， TAN S， et al. Quantum bacterial foraging optimization： from theory to MIMO system designs［J］. IEEE Open Journal of the Communications Society， 2020， 1： 1632.

［16］ 賈夢(mèng)琦， 蔡振江， 胡建， 等. 基于機(jī)器學(xué)習(xí)的糧食產(chǎn)量預(yù)測(cè)模型研究［J］. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 44（3）： 103.

（責(zé)任編輯：劉 飚）