本篇將帶大家一瞥農(nóng)業(yè)結(jié)合人工智能,，如何運(yùn)用大數(shù)據(jù)來(lái)預(yù)測(cè)影響棉花產(chǎn)量的重要因子：會(huì)行光合作用的葉。

§ 階段1【淺談運(yùn)用方式與概況】

§ 階段2【談?wù)劽藁ㄈ~面積和過(guò)往我們測(cè)量方式】

§ 階段3【人腦神經(jīng),，是如何變成人工神經(jīng)網(wǎng)絡(luò)的呢,？】

§ 階段4【輸入數(shù)據(jù)｜棉花葉片的樣本搜集】

§ 階段5【訓(xùn)練人工智能后，會(huì)得到什么答案,？進(jìn)一步分析】

＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿

階段1【淺談運(yùn)用方式與概況】

大家都知道,，植物透過(guò)葉子行光合作用產(chǎn)生能量，因此葉子的面積大小就成了作物長(zhǎng)得好不好與生產(chǎn)力的重要關(guān)鍵,。所以科學(xué)家們就實(shí)驗(yàn)來(lái)用數(shù)學(xué)預(yù)測(cè),、與不同的儀器搭配來(lái)估測(cè)蔬菜和水果農(nóng)作物的葉面積。

可以想象一下,，外界信息接收進(jìn)入我們大腦,，我們將數(shù)據(jù)記在腦中，當(dāng)別人問(wèn)我們問(wèn)題時(shí),，我們想一想然后告知答案,。這樣的流程，就像：接收,，整理,，再輸出。現(xiàn)在把我們?nèi)祟?lèi)的腦,，變成計(jì)算機(jī)的腦（人工神經(jīng)網(wǎng)絡(luò)（ANN）模型）「可以將人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)想象為我們?nèi)祟?lèi)腦神經(jīng)網(wǎng)絡(luò)是如何運(yùn)作,，透過(guò)計(jì)算機(jī)程序描繪出相似的網(wǎng)絡(luò)」。

我們搜集許許多多的棉花葉子的不同形狀與長(zhǎng)相,，輸入進(jìn)我們大腦(計(jì)算機(jī)),，來(lái)整理看看發(fā)現(xiàn)有什么樣的規(guī)律，透過(guò)大量的經(jīng)驗(yàn)以及練習(xí),，因此當(dāng)我們看見(jiàn)新的葉子,，我們就能二話不說(shuō)，馬上判斷新的葉子面積有多大,。

大量的經(jīng)驗(yàn)｜也就是棉花葉子的大數(shù)據(jù),，我們有兩萬(wàn)份數(shù)據(jù)，若真的要人腦記,，可記不起來(lái),。不斷的練習(xí)｜就是「深度學(xué)習(xí)」Deep Mining，如同才藝,，必須不斷透過(guò)練習(xí)來(lái)校正,，計(jì)算機(jī)也是,！人類(lèi)有好的歸納，不管是圖型歸納,、現(xiàn)象歸納…,，形塑大自然，發(fā)明公式,，都有賴(lài)人類(lèi)的歸納與整合,。而我們敏感度還是有限，視覺(jué)會(huì)疲勞,、過(guò)于小的尺度如奈米,，依舊得倚賴(lài)工具。

這是我們腦(計(jì)算機(jī))預(yù)測(cè)棉花的葉子面積的簡(jiǎn)單流程（Artificial Neural Network Model for the Prediction of the Cotton Crop Leaf Area）,。

在人工神經(jīng)網(wǎng)絡(luò)中,，我們有三層：輸入層、隱藏層,、輸出層,，我們用測(cè)量出最適合的模擬結(jié)果。輸入層有：葉寬,、主葉長(zhǎng),、右葉長(zhǎng)度和左葉長(zhǎng)，共4個(gè)節(jié)點(diǎn),，中間一隱藏層（六節(jié)點(diǎn)）和一個(gè)輸出層：葉面積,，一個(gè)節(jié)點(diǎn)，也是我們所求的答案,。

機(jī)器的模擬大腦運(yùn)算完,，跟實(shí)際相比倒底準(zhǔn)不準(zhǔn)呢？可以發(fā)現(xiàn)判定系數(shù)（R2）為0.9232,，而我們都知道判定系數(shù)越接近1越準(zhǔn),！也就是說(shuō)用人工神經(jīng)網(wǎng)絡(luò)模型順利的描述了棉花葉面積測(cè)量與預(yù)測(cè)的關(guān)系。這模型方法可簡(jiǎn)單用于農(nóng)藝學(xué)家和植物科學(xué)家來(lái)使用棉花作研究,。

最佳神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)（4-6-1）預(yù)測(cè)棉花葉面積

階段2【棉花葉面積和過(guò)往我們測(cè)量的方法吧,！】

說(shuō)到棉花，它是埃及最古老的栽培植物之一,，這對(duì)小規(guī)模耕種的埃及農(nóng)民是非常重要經(jīng)濟(jì)作物,。植物行光合作用的器官是葉，像葉的形狀,、大小、面積和單株葉的數(shù)目,，都會(huì)影響棉花的種子產(chǎn)量,。在研究農(nóng)作物葉面積,，他的原始數(shù)據(jù)的扮演重要的角色，來(lái)預(yù)測(cè)植物生長(zhǎng),、作物的生產(chǎn)力,、分析營(yíng)養(yǎng)汲取，甚至還可作為水的使用分析及雜草管理,、植物害蟲(chóng)的方法,。

而我們?cè)谧魅~面積測(cè)量時(shí)常用昂貴的方法，包含人工掃描機(jī),、雷射光學(xué)儀及預(yù)估模塊等等,。然而有時(shí)我們只是要做簡(jiǎn)單基礎(chǔ)的研究上，會(huì)太過(guò)復(fù)雜以及花費(fèi)昂貴,。一些在葉子的預(yù)估公式上會(huì)用「多重線性回歸」的統(tǒng)計(jì)方式來(lái)測(cè)量作物,、蔬果。

「多重線性回歸」被視為非常強(qiáng)大的工具被廣泛使用來(lái)研究變異因子與預(yù)測(cè)因子間的關(guān)系,。多重線性回歸方法作為一個(gè)僅需輸入葉維度的快速,、非破壞性的葉測(cè)量方法。

公式使用「多重線性回歸」可惜在,，它只有當(dāng)「響應(yīng)」和「預(yù)測(cè)變量」之間的關(guān)系他們呈現(xiàn)線性時(shí)是有用的,，換句話說(shuō)在圖形上，也就是一個(gè)數(shù)字對(duì)應(yīng)到一個(gè)數(shù)字,。但是,，在現(xiàn)實(shí)的情況下，這種假設(shè)其實(shí)很少呢,。如果有多個(gè)預(yù)測(cè)值,，就可能會(huì)變成非線性的函數(shù)。

幸運(yùn)的是,，「人工神經(jīng)網(wǎng)絡(luò)」是用非常靈活的方式來(lái)處理,，基于生物神經(jīng)網(wǎng)絡(luò)的行為計(jì)算模型，讓一個(gè)特定輸入（input）可以透過(guò)我們調(diào)整（訓(xùn)練）引導(dǎo)到指定的目標(biāo)輸出（output）,?？梢杂孟鄬?duì)較短的時(shí)間內(nèi)獲得分析的結(jié)果，在處理大量數(shù)據(jù)時(shí)也是,。他提供完整型態(tài)模塊的結(jié)果來(lái)吻合變量,、與在生物和農(nóng)業(yè)系統(tǒng)的難以測(cè)量現(xiàn)象。

階段3【人如何變成人工神經(jīng)網(wǎng)絡(luò)的呢,？】

人工神經(jīng)網(wǎng)絡(luò)模型發(fā)明是根據(jù)人的大腦和生物神經(jīng)元,。生物神經(jīng)元由三個(gè)主要部分組成：

1）樹(shù)突，信道輸入信號(hào),；

2）一細(xì)胞本體,，處理輸入信號(hào),；

3）軸突，輸出信號(hào)發(fā)送到其它連接的神經(jīng)元,。

在大腦中,，每個(gè)神經(jīng)元的軸突經(jīng)由電化學(xué)介質(zhì)稱(chēng)為神經(jīng)遞質(zhì)發(fā)送信息到其它神經(jīng)元。一個(gè)神經(jīng)元的突觸收到大約10,000其他神經(jīng)元信息,。

生物神經(jīng)元簡(jiǎn)化模型

跟腦包含大量的神經(jīng)元的數(shù)目很像,，人工神經(jīng)網(wǎng)絡(luò)有大量的組件稱(chēng)為人工神經(jīng)，用來(lái)處理跟傳輸信息,。神經(jīng)元他們的結(jié)構(gòu)就稱(chēng)為網(wǎng)絡(luò),，通過(guò)聯(lián)系被稱(chēng)為權(quán)重（就像我們考試科目不同有加權(quán)指數(shù)、在神經(jīng)元也有）,；在學(xué)習(xí)過(guò)程中的權(quán)重值他可以自由地改變或修改,。神經(jīng)元在網(wǎng)絡(luò)中連接的模式、分布在哪還有發(fā)生機(jī)率,，決定網(wǎng)絡(luò)形成的種類(lèi)跟他作用的類(lèi)型,。

05

i個(gè)輸入變異與輸出層含有k個(gè)神經(jīng)元的人工神經(jīng)網(wǎng)絡(luò)

我們可以想象是不同信號(hào)輸入神經(jīng)元細(xì)胞一樣。

（「集合x(chóng)1,…xi 」代表「輸入的信號(hào)」（例如葉寬,，葉長(zhǎng)…）,，「wki」是「神經(jīng)突觸加權(quán)值」，「bk」是「偏壓」,，「vk」是「神經(jīng)元k的活化電勢(shì)」,，「φ(.) 」是「激活函數(shù)」?！杆休斎搿钩艘浴杆型挥|加權(quán)值」的總和就是「 yk（神經(jīng)元k）輸出信號(hào)」,。）

用數(shù)學(xué)稍微整理一番，就變成了上面兩個(gè)公式,。而神經(jīng)網(wǎng)絡(luò)的神經(jīng)元被分成層,，在輸入層和輸出層之間的夾層叫作隱藏層；信號(hào)發(fā)送從輸入層傳到隱藏層由輸出層輸出,。

簡(jiǎn)化三層全連接人工神經(jīng)網(wǎng)絡(luò)

在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型的時(shí)候,，很重要的一點(diǎn)是他怎么進(jìn)行分配跟規(guī)劃什么空間配置是最合適的，也就是有多少層跟每層有多少神經(jīng)元的數(shù)量,。如果太少層神經(jīng)元會(huì)導(dǎo)致錯(cuò)誤的結(jié)果（就是俗稱(chēng)的腦洞,，腦子不好使），而高估會(huì)導(dǎo)致測(cè)試數(shù)據(jù)的偏擬合(腦子太過(guò)度了,，很偏激啊,，一個(gè)人小題大作)。在大多數(shù)農(nóng)業(yè)研究，訓(xùn)練的學(xué)習(xí)方法的「前饋網(wǎng)絡(luò)」用在開(kāi)發(fā)預(yù)測(cè)的模型公式,。

階段4【了解計(jì)算機(jī)大腦是什么后,，要來(lái)采集要輸入的數(shù)據(jù),，也就是：棉花的葉片作為樣品,！】

我們將葉子搜集自3冠層。

圖解棉花植株冠層,。

棉花葉圖,，顯示測(cè)量尺寸。

總共240片葉子,，收集一些葉尺寸像葉寬(左右距離W),，葉長(zhǎng)(主瓣長(zhǎng)度或主瓣尖端和葉原點(diǎn)之間的距離 L)，右葉長(zhǎng)度(圖右瓣尖和葉片原點(diǎn)之間的距離(L1)),，左葉長(zhǎng)度(距離左葉尖到葉原點(diǎn)(L2))

實(shí)際葉圖紙描繪

統(tǒng)計(jì)完了,！你可以看到葉片測(cè)量出長(zhǎng)度的最小值跟最大值。

棉花主瓣長(zhǎng)度的范圍為9.1至22.9公分之間,，棉葉寬的取值范圍為6.8到26.2公分,，棉花右葉瓣長(zhǎng)度的范圍為6.4至19公分，左棉花葉瓣長(zhǎng)度的取值范圍為6.2至19.2公分和測(cè)量的棉花葉面積的范圍是38.7至321.4公分平方,。

階段5【數(shù)據(jù)收集好,，開(kāi)始訓(xùn)練Training，將數(shù)據(jù)放入計(jì)算機(jī)大腦內(nèi)訓(xùn)練,，最后分析】

這個(gè)階段,，就相當(dāng)于我們?cè)诰毩?xí)鋼琴一樣，記琴譜與背譜,，慢慢訓(xùn)練到越來(lái)越不會(huì)出錯(cuò),。我們將圖片進(jìn)行的測(cè)量與記錄用在建置人工神經(jīng)網(wǎng)絡(luò)模型。220,00個(gè)數(shù)據(jù)（用來(lái)作為訓(xùn)練）和20個(gè)數(shù)據(jù)（用來(lái)驗(yàn)證）由軟件從數(shù)據(jù)庫(kù)隨機(jī)選擇,，用來(lái)訓(xùn)練還有測(cè)試神經(jīng)網(wǎng)絡(luò)模型,。

最佳神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)（4-6-1）預(yù)測(cè)棉花葉面積

根據(jù)「最高的相關(guān)系數(shù)」和「最低的訓(xùn)練誤差」來(lái)挑選出最好的人工神經(jīng)網(wǎng)絡(luò)模型。迭代固定為200,000,。學(xué)習(xí)速率和動(dòng)量系數(shù)固定,，分別為0.02和0.8。最佳的人工神經(jīng)網(wǎng)絡(luò)ANN結(jié)構(gòu)在隱藏層有6個(gè)神經(jīng)元,，訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu)跟我們前面提到的 4-6-1的一樣的,。

標(biāo)準(zhǔn)化模塊輸出之方均根誤差（葉面積）

這上圖就是最佳計(jì)算機(jī)大腦ANN結(jié)構(gòu)的訓(xùn)練誤差曲線，然而訓(xùn)練誤差是0.023883,。

ANN模型訓(xùn)練測(cè)試的統(tǒng)計(jì)分析可以看下面窗體,。

接著我們要來(lái)評(píng)估實(shí)際與預(yù)測(cè)間的人工神經(jīng)網(wǎng)絡(luò)輸出誤差，就要透過(guò)「統(tǒng)計(jì)」。普遍的方式是平均絕對(duì)誤差(MAE),、方均根誤差(RMSE)和平均相對(duì)誤差(MRE)：（看看就好）

總之經(jīng)由代入數(shù)字,，測(cè)試出經(jīng)過(guò)訓(xùn)練后的計(jì)算機(jī)大腦是很有效的！（其中LAviobs和LAvipre分別為是實(shí)際和預(yù)測(cè)的棉花葉面積,，N是觀測(cè)數(shù),。計(jì)算決定系數(shù)(R2)，以測(cè)量實(shí)際和預(yù)測(cè)之間的葉面積相關(guān)性,。R2的值越接近是1,，模型越吻合到實(shí)際的數(shù)據(jù)。）

在訓(xùn)練階段利用開(kāi)發(fā)人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)之棉花葉面積和實(shí)際棉花葉面積的關(guān)系

表：在訓(xùn)練和測(cè)試過(guò)程中,，神經(jīng)網(wǎng)絡(luò)模型預(yù)估出的平均絕對(duì)誤差（MAE）,，方均根誤差（RMSE）和平均葉面積的預(yù)測(cè)相對(duì)誤差（MRE）

方均根誤差RMSE在訓(xùn)練和測(cè)試階段測(cè)得的（實(shí)際）葉面積之間的和預(yù)測(cè)的葉面積分別是9.65平方公分和18.81平方公分，表示測(cè)定的棉花葉面積和利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的棉花葉面積之間有很好的一致性,。

【結(jié)論與分析｜人工智能進(jìn)而分析人類(lèi)難以歸納出的細(xì)微差異】

在人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后,，我們進(jìn)行敏感性分析，調(diào)查其中每個(gè)輸入（葉長(zhǎng),、寬）與輸出變量（面積）的相對(duì)貢獻(xiàn)程度,。

如圖為預(yù)測(cè)棉花葉面積描繪輸入因子的貢獻(xiàn)百分比。棉花葉面積貢獻(xiàn)程度：葉寬對(duì)網(wǎng)絡(luò)輸出貢獻(xiàn)29.03％,，主瓣長(zhǎng)度貢獻(xiàn)13.21％,，右葉長(zhǎng)度貢獻(xiàn)25.18％，左葉長(zhǎng)貢獻(xiàn)32.58％,。

作物生長(zhǎng)和生產(chǎn)力的研究中,，葉面積是重要的指標(biāo)，表著著植物生長(zhǎng),、估計(jì)植物生產(chǎn)力,、分析養(yǎng)分?jǐn)z取、葉面積之水份管理,、雜草管理及其他對(duì)植物有害的生物,。也因此，有不同的儀器跟預(yù)測(cè)模型使用跟開(kāi)發(fā)來(lái)估算不同作物的葉面積：例如蔬菜和水果,。

在這個(gè)研究的中,，人工神經(jīng)網(wǎng)絡(luò)（ANN）預(yù)測(cè)棉花葉面積，人工神經(jīng)網(wǎng)絡(luò)模型能夠解釋葉面積較準(zhǔn)(訓(xùn)練)數(shù)據(jù)的97.54％變異量,、檢驗(yàn)（測(cè)試）數(shù)據(jù)的92.32％變異量,，葉寬、葉長(zhǎng),、第二右葉的長(zhǎng)度和第二左葉長(zhǎng)分別為用作輸入變量,。雖然葉寬，葉長(zhǎng)，右二葉長(zhǎng)和第二左葉長(zhǎng)顯著的對(duì)人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)做出了貢獻(xiàn),，左葉長(zhǎng)略?xún)?yōu),，貢獻(xiàn)32.58％的預(yù)測(cè)能力。

藉由工具幫助我們理解觀察這個(gè)世界,，例如肉眼難以觀察的微生物,，我們就透過(guò)顯微鏡；肉眼看不遠(yuǎn),，就利用望眼鏡,；無(wú)法游這么遠(yuǎn)的距離,，就有船,、無(wú)法潛水，就有潛水艇,。而在細(xì)微的區(qū)別,、或大量的數(shù)據(jù)海中，人類(lèi)難以記,，很難歸納與判斷的,，例如，身高要高,，通常右手還是左手影響比較大,？我們得以透過(guò)大量數(shù)據(jù)，利用人工智能,、神經(jīng)網(wǎng)絡(luò)的方式,，利用計(jì)算機(jī)的深度學(xué)習(xí)，來(lái)擴(kuò)大我們的五官,。

但對(duì)于最后的結(jié)果,，要賦予什么樣意義、還有判別數(shù)據(jù)結(jié)果還是得靠我們?nèi)祟?lèi),。就如同,，用顯微鏡，幫助我們看見(jiàn)微生物,，我們不會(huì)害怕顯微鏡,，那畢竟是工具而已，而看見(jiàn)微生物后,，有什么用處,？只有我們自己知道。

本文源自網(wǎng)絡(luò),，謝謝閱讀,，如需轉(zhuǎn)載，請(qǐng)注明創(chuàng)意鄉(xiāng)村。