摘 要：文章介紹了人工智能發(fā)展歷史和人工神經(jīng)網(wǎng)絡(luò)的工作特點(diǎn)，結(jié)合植物碳含量的影響因素和測量方法，集合兩者特點(diǎn)，總結(jié)出建立一個給予植物碳含量預(yù)測的人工智能模型。在不久的將來，植物碳含量這一需要大量科研工作的數(shù)據(jù)結(jié)果可以直接通過人工智能模型來快速預(yù)測，從而節(jié)約大量的人力物力。

關(guān)鍵詞：植物碳含量;人工智能;人工神經(jīng)網(wǎng)絡(luò)

1 人工智能、人工神經(jīng)網(wǎng)絡(luò)及機(jī)器學(xué)習(xí)簡介

1.1 人工智能概述

人工智能在現(xiàn)今的科學(xué)界處于炙手可熱的狀態(tài)，但早在20世紀(jì)30年代，為尋求賦予機(jī)器人智慧的方法，相關(guān)理論就已提出，是一門起步雖晚卻發(fā)展迅速的一門學(xué)科。20世紀(jì)30年代末至50年代初，一些能夠獨(dú)立行走并掌握一些簡單單詞的機(jī)器人問世，與此同時，A.M.Turing研究證明了任何形式的計算都能夠通過數(shù)字的方式傳遞，這兩項(xiàng)研究為人工R智能機(jī)器人的發(fā)展奠定基礎(chǔ)。1956年Samuel開發(fā)一個能夠自學(xué)跳棋的程序，它不僅可以自己學(xué)習(xí)游戲規(guī)則，還可在對抗對手的過程中自發(fā)學(xué)習(xí)，與傳統(tǒng)的跳棋程序相比，不再只是人工輸出程序運(yùn)行那么簡單，它可根據(jù)自主學(xué)習(xí)的結(jié)果，進(jìn)而完成原來人工程序中沒有預(yù)先設(shè)置的功能。在1956年，美國John McCarthy提出“人工智能”（AI），從此人工智能便成為一門獨(dú)立的學(xué)科，并在接下來的幾十年里迅速發(fā)展。人工智能的主要研究目的是賦予機(jī)器智慧，讓以前只能靠人類智慧才能夠完成的復(fù)雜工作交給機(jī)器來完成。

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)主要是用數(shù)字技術(shù)來模擬人腦神經(jīng)元的連接和信息傳遞。人工神經(jīng)網(wǎng)絡(luò)是模仿人類大腦神經(jīng)元的高度非線性排列，使用人工神經(jīng)元來替代人腦神經(jīng)元，這些人工神經(jīng)元通過高度非線性連接形成了神經(jīng)網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)的系統(tǒng)，其結(jié)構(gòu)會隨著外界信息的更改而發(fā)生變化。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是主要由三部分組成，結(jié)構(gòu)、激勵函數(shù)和學(xué)習(xí)規(guī)則。人工神經(jīng)網(wǎng)絡(luò)有很明顯的優(yōu)點(diǎn)：在運(yùn)用人工神經(jīng)網(wǎng)絡(luò)時，我們無需對其內(nèi)部結(jié)構(gòu)和細(xì)節(jié)特別注意;對于處理不同的數(shù)據(jù)分類，人工神經(jīng)網(wǎng)絡(luò)和其他算法相比，更容易被重新訓(xùn)練應(yīng)對;同時人工神經(jīng)網(wǎng)絡(luò)可用于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)也存在著許多不足，人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)成果是通過對大量數(shù)據(jù)的訓(xùn)練得到的，這些數(shù)據(jù)通常很難獲得。與此同時，那些不需要人類特別關(guān)心的細(xì)節(jié)往往隱藏在點(diǎn)點(diǎn)之間的權(quán)值里，而這些權(quán)值人類是無法理解的，因而目前的一些人工智能機(jī)器人的一些奇怪舉措，人類不能準(zhǔn)確的來解釋。

1.3 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一門涉及多個領(lǐng)域的交叉學(xué)科，是人工智能的核心，是使計算機(jī)具有智能的根本途徑。機(jī)器學(xué)習(xí)理論主要設(shè)計一些算法，這些算法可賦予計算機(jī)自主“學(xué)習(xí)”能力，這些算法里涉及大量的統(tǒng)計學(xué)理論，因而機(jī)器學(xué)習(xí)與推斷統(tǒng)計學(xué)有十分密切的聯(lián)系，也被成為統(tǒng)計學(xué)習(xí)理論。機(jī)器學(xué)習(xí)源于20世紀(jì)50年代，經(jīng)過幾十年的發(fā)展，現(xiàn)在廣泛應(yīng)用于生物特征識別、搜索引擎、計算機(jī)視覺、自然與語言處理、醫(yī)學(xué)診斷和機(jī)器人等諸多領(lǐng)域。

2 植物碳含量的檢測方法及影響因素

2.1 植物碳含量及研究意義

植物碳含量指的是植被通過光合作用，對大氣中二氧化碳的儲備量，對氣候變化起著重要的影響，是目前氣候變化領(lǐng)域關(guān)注的重點(diǎn)。自工業(yè)革命以來，人類開發(fā)了大量的礦產(chǎn)資源，導(dǎo)致大氣中二氧化碳的濃度急劇增加。特別是20世紀(jì)以來，越來越多的發(fā)展中國家崛起，石油和煤炭的過度開采以及不當(dāng)使用，使大氣二氧化碳濃度急劇增加進(jìn)而引發(fā)全球溫室效應(yīng)以及異常的氣候變化。因而，研究植物中的碳儲存量為維護(hù)全球生態(tài)環(huán)境提供重要方法。由于森林是陸地生物圈的主體，并且碳儲存量占整個陸地生態(tài)系統(tǒng)的2/3，在全球碳平衡中扮演著重要角色，因此，對森林系統(tǒng)的碳儲存研究成為當(dāng)前全球熱點(diǎn)。由于各個國家所處的地域和氣候不同，研究內(nèi)容也存在差異，國外主要針對熱帶雨林和溫帶森林植物，國內(nèi)主要集中于亞熱帶及溫帶森林植物。

2.2 植物碳含量的檢測方法

植物有機(jī)碳測量的方法有很多，目前最常用的方法是干燒法和濕燒法，也可根據(jù)分子式或重量來直接計算植物內(nèi)碳儲存量。各種檢測方法見表1。

2.3 植物碳含量的影響因素

植物碳含量的影響因素有很多，主要有種類、器官、年齡、所處的地理區(qū)域等。

2.3.1 植物種類 在不同種類的研究中，國外研究者Elias對處于熱帶的樹種樹干進(jìn)行含碳率檢測，得出不同樹種樹干碳含率不同且樹種的影響因素高達(dá)38.7%。Thomas對我國吉林省東北常見的14個樹種樹干碳含率進(jìn)行研究，得出胡桃楸的碳含率最低（48.4%），臭冷杉最高（51%），并且不同樹種之間的差異顯著。國內(nèi)研究者于穎測試了東北不同地區(qū)森林的碳含量，得到大、小興安嶺林區(qū)闊葉數(shù)的碳含率明顯大于針葉樹，且不同樹種間碳含率存在顯著差異。因此，植物種類對植物碳含量有顯著影響。

2.3.2 器官 在對同種植物不同器官的研究上，Bert對通過對海岸松的根、干、冠的碳含率檢測得出，不同器官碳含率不同，其中根最?。?1.7%），嫩枝最大（53.6%）。李江等對幼齡思茅松初樹干外其他主要器官進(jìn)行碳含率檢測，得出碳含率由高到低排列為主干、樹枝、樹皮、松針、球果、樹根。因此，植物器官對碳含量有很大影響。

2.3.3 年齡 尉海東和馬祥慶通過對不同年齡的尤溪楠木的林喬木層、林下植被層的枯落物碳含率的檢測分析綜合得出，成熟林的碳含率最高、中齡林其次、幼齡林最低。從而得出年齡也是影響植物碳含量的重要因素之一。

2.3.4 地理區(qū)域 鄭帷婕統(tǒng)計全球140多種陸生高等植物碳含量，根據(jù)其所處大氣候帶，得出高緯度氣候帶植物碳含量最高，其次是低緯度，中緯度最低，再根據(jù)這些植物所處的氣候型，統(tǒng)計出碳含量的大小為：副極地大陸性氣候>高地氣候>熱帶季風(fēng)氣候>副熱帶濕潤性氣候>溫帶季風(fēng)氣候>溫帶干旱氣候>熱帶半干旱氣候>溫帶海洋性氣候。因此，植物碳含量還與地理區(qū)域有關(guān)。

除了上述的4個主要因素以外，植物碳含量還會受到相對位置、木質(zhì)組成及揮發(fā)性等因素的影響。影響植物碳含量的因素有許多，因而在估計植物碳含量時會存在較大的誤差。

3 人工智能在植物碳含量模型上應(yīng)用的可行性

3.1 人工智能發(fā)展?fàn)顩r

人工智能自20世紀(jì)50年代提出，由于受到當(dāng)時計算機(jī)運(yùn)行速度、CPU以及計算芯片的限制，發(fā)展速度緩慢。近些年來，隨著人工神經(jīng)算法、大數(shù)據(jù)以及CPU并行計算芯片的助力，人工智能發(fā)展速度十分迅速。我國近年來也頒布許多關(guān)于人工智能發(fā)展的政策文件，如表2所示。

從社會的廣泛關(guān)注和政府政策支持上可以看出，人工智能將會是未來十幾年甚至幾十年國家重點(diǎn)發(fā)展的對象，目前各行各業(yè)都希望利用人工智能來突破行業(yè)的天花板，以達(dá)到技術(shù)革新和效率提升。目前人工智能在智能檢索、語音識別、文字識別、指紋識別、遙感和醫(yī)學(xué)診斷上已經(jīng)比較成熟，但是還并沒有廣泛應(yīng)用于植物的各項(xiàng)生理指標(biāo)的監(jiān)測上。

3.2 植物碳含量檢測的困難

在植物碳含量的研究結(jié)果上，國內(nèi)外已經(jīng)有了大量的研究成果。但是這些文檔的復(fù)用率很低。一方面是因?yàn)檫@些文檔分散在世界各地不同的硬件計算機(jī)硬盤上，調(diào)用起來十分困難;另一方面，由于植物碳含量會受到許多因素的影響，且外界因素的變化是不可預(yù)判的，因而不能直接簡單復(fù)制之前科研工作者的研究結(jié)果，需要繼續(xù)試驗(yàn)，從而會消耗更多的人力物力。假如我們利用人工神經(jīng)網(wǎng)絡(luò)可以自主學(xué)習(xí)的特點(diǎn)，將之前的科學(xué)研究結(jié)果和相關(guān)過程進(jìn)行梳理和儲存，再根據(jù)現(xiàn)有的外在環(huán)境特估測出該地區(qū)植物的碳含量。

3.3 基于人工智能植物碳含量模型建立的可能性

碳是有機(jī)物組成的最基本的元素，是構(gòu)成生命的最根本的物質(zhì)。隨著人類文明的發(fā)展，我們賴以生存的環(huán)境正遭受嚴(yán)重的破壞，由于大量礦石燃料的燃燒導(dǎo)致大氣中的二氧化碳含量劇增，全球氣候發(fā)生了明顯的變化。而植物中碳含量是固定大氣中二氧化碳最有效直接的方式。但是目前我們對植物碳含量的檢測工作十分繁瑣復(fù)雜，需要大量的科研工作人員和大量的實(shí)驗(yàn)來檢測，耗時耗力。人工神經(jīng)網(wǎng)絡(luò)作為可以模擬人腦運(yùn)作的計算機(jī)算法模型，它可以對出入的數(shù)據(jù)進(jìn)行記憶、學(xué)習(xí)并輸出，尤其是在遇到海量數(shù)據(jù)和眾多非線性影響因素以及輸出等方面都具有天然優(yōu)勢。植物碳含量的影響因素繁多，且并不按照一般的線性規(guī)律，同時不同地區(qū)不同的氣候類型擁有獨(dú)特的植被，數(shù)據(jù)龐大，利用人工神經(jīng)網(wǎng)絡(luò)來處理這些信息可以有效地解決上述難題。

3.4 人工智能應(yīng)用植物碳含量的前景和不足

植物碳含量的測量過程復(fù)雜，而影響因素繁多，導(dǎo)致用普通線性方程算法不能夠預(yù)測出植物碳含量的值。用實(shí)驗(yàn)法不僅要花費(fèi)許多時間去實(shí)驗(yàn)來檢測，還要耗費(fèi)大量的人力去采集樣本、統(tǒng)計眾多的影響因子，是一項(xiàng)費(fèi)時費(fèi)力的工作。植物內(nèi)的碳含量是影響著全球碳循環(huán)平衡的關(guān)鍵因素，也是防止氣候惡化最有效的手段，因而植物碳含量的研究雖然任務(wù)量繁重，研究過程復(fù)雜困難，但為人類賴以生存的環(huán)境，我們還需花人力物力進(jìn)行研究。

隨著近些年來計算機(jī)芯片、互聯(lián)網(wǎng)和大數(shù)據(jù)的突破性發(fā)展，為需要大量數(shù)據(jù)，高速運(yùn)算和大容量CPU的人工神經(jīng)網(wǎng)絡(luò)提供了技術(shù)上的支持，使得人工神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域得到廣泛應(yīng)用。在植物碳含量的預(yù)測上，通過對影響植物碳含量的影響因素和對應(yīng)的檢測結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)，可以建立一個基于人工智能的植物碳含量的檢測模型。根據(jù)現(xiàn)有的研究結(jié)果，輸入大量的數(shù)據(jù)進(jìn)入人工神經(jīng)網(wǎng)絡(luò)中，再利用人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)、記憶和運(yùn)算的特點(diǎn)，通過大量的運(yùn)算后，當(dāng)我們再次輸入影響植物碳含量的外在影響因素（例如溫度、濕度、維度）和內(nèi)在因素（例如年齡、器官等），可以得到來自于人工神經(jīng)網(wǎng)絡(luò)給出的植物碳含量預(yù)測值，從而可減少許多樣本采集和實(shí)驗(yàn)的過程，節(jié)省更多的時間和人力。但目前由于數(shù)據(jù)量還不足夠，數(shù)據(jù)并不集中，不同國家地區(qū)的數(shù)據(jù)分散在不同的計算機(jī)硬盤上，且人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)量不夠的情況下給出的結(jié)果誤差大，因而，短時間內(nèi)建立一個判斷結(jié)果精準(zhǔn)的全球植物碳含量的人工智能算法無法實(shí)現(xiàn)。但是可以根據(jù)地區(qū)的不同，著重收集一部分地區(qū)的數(shù)據(jù)從而判斷該地區(qū)植物碳含量模型是有可能實(shí)現(xiàn)的。隨著大數(shù)據(jù)的高速發(fā)展和人工智能的廣泛應(yīng)用，相信不久的將來建立一個能夠?qū)崟r、準(zhǔn)確監(jiān)測植物碳含量的人工智能系統(tǒng)是可以實(shí)現(xiàn)的。在未來，我們可以根據(jù)植物外在環(huán)境和內(nèi)在因素的變化及時輸入信息，利用人工智能系統(tǒng)，可隨時得到對植物碳含量的估測。

作者簡介：李家奧（1996-），男，碩士研究生。研究方向：設(shè)施農(nóng)業(yè)。