基于人工智能的植物碳含量模型的建立

摘 要：文章介绍了人工智能发展历史和人工神经网络的工作特点，结合植物碳含量的影响因素和测量方法，集合两者特点，总结出建立一个给予植物碳含量预测的人工智能模型。在不久的将来，植物碳含量这一需要大量科研工作的数据结果可以直接通过人工智能模型来快速预测，从而节约大量的人力物力。

关键词：植物碳含量;人工智能;人工神经网络

1 人工智能、人工神经网络及机器学习简介

1.1 人工智能概述

人工智能在现今的科学界处于炙手可热的状态，但早在20世纪30年代，为寻求赋予机器人智慧的方法，相关理论就已提出，是一门起步虽晚却发展迅速的一门学科。20世纪30年代末至50年代初，一些能够独立行走并掌握一些简单单词的机器人问世，与此同时，A.M.Turing研究证明了任何形式的计算都能够通过数字的方式传递，这两项研究为人工R智能机器人的发展奠定基础。1956年Samuel开发一个能够自学跳棋的程序，它不仅可以自己学习游戏规则，还可在对抗对手的过程中自发学习，与传统的跳棋程序相比，不再只是人工输出程序运行那么简单，它可根据自主学习的结果，进而完成原来人工程序中没有预先设置的功能。在1956年，美国John McCarthy提出“人工智能”（AI），从此人工智能便成为一门独立的学科，并在接下来的几十年里迅速发展。人工智能的主要研究目的是赋予机器智慧，让以前只能靠人类智慧才能够完成的复杂工作交给机器来完成。

1.2 人工神经网络

人工神经网络主要是用数字技术来模拟人脑神经元的连接和信息传递。人工神经网络是模仿人类大脑神经元的高度非线性排列，使用人工神经元来替代人脑神经元，这些人工神经元通过高度非线性连接形成了神经网络系统。人工神经网络是一种自适应的系统，其结构会随着外界信息的更改而发生变化。现代神经网络是主要由三部分组成，结构、激励函数和学习规则。人工神经网络有很明显的优点：在运用人工神经网络时，我们无需对其内部结构和细节特别注意;对于处理不同的数据分类，人工神经网络和其他算法相比，更容易被重新训练应对;同时人工神经网络可用于有监督学习和无监督学习。人工神经网络也存在着许多不足，人工神经网络的学习成果是通过对大量数据的训练得到的，这些数据通常很难获得。与此同时，那些不需要人类特别关心的细节往往隐藏在点点之间的权值里，而这些权值人类是无法理解的，因而目前的一些人工智能機器人的一些奇怪举措，人类不能准确的来解释。

1.3 机器学习

机器学习是一门涉及多个领域的交叉学科，是人工智能的核心，是使计算机具有智能的根本途径。机器学习理论主要设计一些算法，这些算法可赋予计算机自主“学习”能力，这些算法里涉及大量的统计学理论，因而机器学习与推断统计学有十分密切的联系，也被成为统计学习理论。机器学习源于20世纪50年代，经过几十年的发展，现在广泛应用于生物特征识别、搜索引擎、计算机视觉、自然与语言处理、医学诊断和机器人等诸多领域。

2 植物碳含量的检测方法及影响因素

2.1 植物碳含量及研究意义

植物碳含量指的是植被通过光合作用，对大气中二氧化碳的储备量，对气候变化起着重要的影响，是目前气候变化领域关注的重点。自工业革命以来，人类开发了大量的矿产资源，导致大气中二氧化碳的浓度急剧增加。特别是20世纪以来，越来越多的发展中国家崛起，石油和煤炭的过度开采以及不当使用，使大气二氧化碳浓度急剧增加进而引发全球温室效应以及异常的气候变化。因而，研究植物中的碳储存量为维护全球生态环境提供重要方法。由于森林是陆地生物圈的主体，并且碳储存量占整个陆地生态系统的2/3，在全球碳平衡中扮演着重要角色，因此，对森林系统的碳储存研究成为当前全球热点。由于各个国家所处的地域和气候不同，研究内容也存在差异，国外主要针对热带雨林和温带森林植物，国内主要集中于亚热带及温带森林植物。

2.2 植物碳含量的检测方法

植物有机碳测量的方法有很多，目前最常用的方法是干烧法和湿烧法，也可根据分子式或重量来直接计算植物内碳储存量。各种检测方法见表1。

2.3 植物碳含量的影响因素

植物碳含量的影响因素有很多，主要有种类、器官、年龄、所处的地理区域等。

2.3.1 植物种类 在不同种类的研究中，国外研究者Elias对处于热带的树种树干进行含碳率检测，得出不同树种树干碳含率不同且树种的影响因素高达38.7%。Thomas对我国吉林省东北常见的14个树种树干碳含率进行研究，得出胡桃楸的碳含率最低（48.4%），臭冷杉最高（51%），并且不同树种之间的差异显著。国内研究者于颖测试了东北不同地区森林的碳含量，得到大、小兴安岭林区阔叶数的碳含率明显大于针叶树，且不同树种间碳含率存在显著差异。因此，植物种类对植物碳含量有显著影响。

2.3.2 器官 在对同种植物不同器官的研究上，Bert对通过对海岸松的根、干、冠的碳含率检测得出，不同器官碳含率不同，其中根最小（51.7%），嫩枝最大（53.6%）。李江等对幼龄思茅松初树干外其他主要器官进行碳含率检测，得出碳含率由高到低排列为主干、树枝、树皮、松针、球果、树根。因此，植物器官对碳含量有很大影响。

2.3.3 年龄 尉海东和马祥庆通过对不同年龄的尤溪楠木的林乔木层、林下植被层的枯落物碳含率的检测分析综合得出，成熟林的碳含率最高、中龄林其次、幼龄林最低。从而得出年龄也是影响植物碳含量的重要因素之一。

2.3.4 地理区域 郑帷婕统计全球140多种陆生高等植物碳含量，根据其所处大气候带，得出高纬度气候带植物碳含量最高，其次是低纬度，中纬度最低，再根据这些植物所处的气候型，统计出碳含量的大小为：副极地大陆性气候>高地气候>热带季风气候>副热带湿润性气候>温带季风气候>温带干旱气候>热带半干旱气候>温带海洋性气候。因此，植物碳含量还与地理区域有关。

除了上述的4个主要因素以外，植物碳含量还会受到相对位置、木质组成及挥发性等因素的影响。影响植物碳含量的因素有许多，因而在估计植物碳含量时会存在较大的误差。

3 人工智能在植物碳含量模型上应用的可行性

3.1 人工智能发展状况

人工智能自20世纪50年代提出，由于受到当时计算机运行速度、CPU以及计算芯片的限制，发展速度缓慢。近些年来，随着人工神经算法、大数据以及CPU并行计算芯片的助力，人工智能发展速度十分迅速。我国近年来也颁布许多关于人工智能发展的政策文件，如表2所示。

从社会的广泛关注和政府政策支持上可以看出，人工智能将会是未来十几年甚至几十年国家重点发展的对象，目前各行各业都希望利用人工智能来突破行业的天花板，以达到技术革新和效率提升。目前人工智能在智能检索、语音识别、文字识别、指纹识别、遥感和医学诊断上已经比较成熟，但是还并没有广泛应用于植物的各项生理指标的监测上。

3.2 植物碳含量检测的困难

在植物碳含量的研究结果上，国内外已经有了大量的研究成果。但是这些文档的复用率很低。一方面是因为这些文档分散在世界各地不同的硬件计算机硬盘上，调用起来十分困难;另一方面，由于植物碳含量会受到许多因素的影响，且外界因素的变化是不可预判的，因而不能直接简单复制之前科研工作者的研究结果，需要继续试验，从而会消耗更多的人力物力。假如我们利用人工神经网络可以自主学习的特点，将之前的科学研究结果和相关过程进行梳理和储存，再根据现有的外在环境特估测出该地区植物的碳含量。

3.3 基于人工智能植物碳含量模型建立的可能性

碳是有机物组成的最基本的元素，是构成生命的最根本的物质。随着人类文明的发展，我们赖以生存的环境正遭受严重的破坏，由于大量矿石燃料的燃烧导致大气中的二氧化碳含量剧增，全球气候发生了明显的变化。而植物中碳含量是固定大气中二氧化碳最有效直接的方式。但是目前我们对植物碳含量的检测工作十分繁琐复杂，需要大量的科研工作人员和大量的实验来检测，耗时耗力。人工神经网络作为可以模拟人脑运作的计算机算法模型，它可以对出入的数据进行记忆、学习并输出，尤其是在遇到海量数据和众多非线性影响因素以及输出等方面都具有天然优势。植物碳含量的影响因素繁多，且并不按照一般的线性规律，同时不同地区不同的气候类型拥有独特的植被，数据庞大，利用人工神经网络来处理这些信息可以有效地解决上述难题。

3.4 人工智能应用植物碳含量的前景和不足

植物碳含量的测量过程复杂，而影响因素繁多，导致用普通线性方程算法不能够预测出植物碳含量的值。用实验法不仅要花费许多时间去实验来检测，还要耗费大量的人力去采集样本、统计众多的影响因子，是一项费时费力的工作。植物内的碳含量是影响着全球碳循环平衡的关键因素，也是防止气候恶化最有效的手段，因而植物碳含量的研究虽然任务量繁重，研究过程复杂困难，但为人类赖以生存的环境，我们还需花人力物力进行研究。

随着近些年来计算机芯片、互联网和大数据的突破性发展，为需要大量数据，高速运算和大容量CPU的人工神经网络提供了技术上的支持，使得人工神经网络在各领域得到广泛应用。在植物碳含量的预测上，通过对影响植物碳含量的影响因素和对应的检测结果输入人工神经网络，可以建立一个基于人工智能的植物碳含量的检测模型。根据现有的研究结果，输入大量的数据进入人工神經网络中，再利用人工神经网络自主学习、记忆和运算的特点，通过大量的运算后，当我们再次输入影响植物碳含量的外在影响因素（例如温度、湿度、维度）和内在因素（例如年龄、器官等），可以得到来自于人工神经网络给出的植物碳含量预测值，从而可减少许多样本采集和实验的过程，节省更多的时间和人力。但目前由于数据量还不足够，数据并不集中，不同国家地区的数据分散在不同的计算机硬盘上，且人工神经网络在数据量不够的情况下给出的结果误差大，因而，短时间内建立一个判断结果精准的全球植物碳含量的人工智能算法无法实现。但是可以根据地区的不同，着重收集一部分地区的数据从而判断该地区植物碳含量模型是有可能实现的。随着大数据的高速发展和人工智能的广泛应用，相信不久的将来建立一个能够实时、准确监测植物碳含量的人工智能系统是可以实现的。在未来，我们可以根据植物外在环境和内在因素的变化及时输入信息，利用人工智能系统，可随时得到对植物碳含量的估测。

作者简介：李家奥（1996-），男，硕士研究生。研究方向：设施农业。