数字农科院2.0

人工智能在农业风险管理中的应用研究综述

文献类型： 中文期刊

作者： 桂泽春;赵思健

作者机构：

关键词： 农业风险管理;人工智能;脆弱性评估;风险预测;损害评估

期刊名称：智慧农业(中英文)

ISSN： 2096-8094

年卷期： 2023 年

页码：

收录情况： CSCD（2023-2024年度） ; ; 科技核心（2023版） ; ; 农林核心（2020版）

摘要： 农业是关系国计民生的基础产业，但同时又是弱质产业，传统农业风险管理研究方法中存在非线性信息挖掘不足、精确度不高和鲁棒性差等问题。人工智能（Artificial Intelligence,AI）拥有基于大数据的强非线性拟合、端到端建模和特征自学习等强大功能可很好地解决上述问题。本文首先分析了AI在农业脆弱性评估、农业风险预测，以及农业损害评估三大方面的研究进展，得出如下结论：1. AI在农业脆弱性评估中的特征重要性评估缺乏科学有效的验证指标，且应用方式导致无法比较多个模型之间的优劣，建议采用主客观法进行评价；2.在风险预测中，发现随着预测时间的增加，机器学习模型的预测能力往往会下降，过拟合问题是风险预测中的常见问题，且目前研究针对图数据空间信息的挖掘还较少；3.农业生产环境复杂，应用场景多变是影响损害评估准确性的重要因素，提升深度学习模型的特征提取能力和鲁棒性是未来技术发展需要克服的重点和难点问题。然后，针对AI应用过程中存在的性能提升问题和小样本问题提出了相应的解决方案。对于性能提升问题，根据使用者对人工智能的熟悉程度，可分别采用多种模型比较法、模型组合法和神经网络结构优化法以提升模型的性能表现；对于小样本的问题，往往可以将数据增强、生成对抗网络和迁移学习相结合，以增强模型的鲁棒性和提高模型识别的准确性。最后，对AI在农业风险管理中的应用进行了展望。未来可以考虑将人工智能引入农业脆弱性曲线的构建；针对农业产业链的上下游关系和与农业相关的行业关系，更多地应用图神经网络对农业价格风险预测进一步深入研究；损害评估建模过程中可以更多地引入评估目标相关领域的专业知识以增强对目标的特征学习，对小样本数据进行增广也是未来研究的重点内容。

分类号：

  • 相关文献

[1]Global dynamics of streptococcus agalactiae antibiotic resistance: Past, present, and future. 房辉,,李东航,, 魏夏夏 ,,王仁东,, 苏燕燕 ,,于佑任,, 白航铭,, 高会会,,侯捷,,毛大庆,,罗义. 2025

[2]棉铃虫对拟除虫菊酯类杀虫剂抗性遗传力的分析. 范贤林,卢美光,赵建周,魏岑. 1997

[3]矿区地表水环境损害评估研究及案例应用. 牛坤玉,於方,张天柱,郭静利. 2016

[4]我国食用农产品EMA防控体系构建研究. 张星联,张慧媛. 2019

[5]蜂蜜掺假的脆弱性评估技术研究. 张星联,张慧媛,宋华欣,陆柏益. 2020

[6]矿区地表水环境损害评估研究及案例应用. 牛坤玉,於方,张天柱,郭静利. 2017

[7]政府在农业风险管理中的角色定位——OECD国家的经验借鉴. 范丽萍. 2013

[8]构建大豆产业风险管理体系提高大豆产业组织化程度. 张峭. 2008

[9]推进风险模型系统建设,强化农业保险的风险管理. 赵思健. 2023

[10]浅论农业高新技术发展趋势及应用前景. 谭永强,田帅,刘蓉蓉. 2020

[11]农业科研单位人工智能财务发展及展望. 丁凡. 2018

[12]基于Agent的种植业比较优势协同分析系统的研究. 徐彦超,诸叶平. 2010

[13]中国信息化畜禽养殖技术应用现状与展望. 刘继芳,韩书庆,齐秀丽. 2021

[14]新一代信息技术对农产品追溯系统智能化影响的综述. 钱建平,吴文斌,杨鹏. 2020

[15]基于Agent技术的小麦生长模拟模型的建立. 刘升平,诸叶平. 2007

[16]互联网 + 教育在高校信息化建设中的应用. 高宝军,张晓华. 2019

[17]基于深度学习的作物基因组学和遗传改良. 辛志奇,赵航,汪海,路铁刚. 2021

[18]作物智能设计育种——自然变异的智能组合和人工变异的智能创制. 汪海,赖锦盛,王海洋,李新海. 2022

[19]智慧农业在棉花生产管理中的应用. 陈焕轩,韩迎春,冯璐,杨北方,雷亚平,王占彪,李亚兵. 2020

[20]新一代信息技术驱动下的 农业信息化发展思考. 孙坦,黄永文,鲜国建,崔运鹏,刘娟. 2021

作者其他论文 更多>>