CN104134003A - 基于知识与数据共同驱动的作物单产量预测方法 - Google Patents

Abstract

本发明公开了一种基于知识与数据共同驱动的作物单产量预测方法，该方法包括以下步骤：利用基于数据驱动的作物单产量生产潜力子模型，根据输入的环境数据得到作物的单产量生产潜力E；利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，然后根据作物的单产量生产潜力E和作物内在的机理参数得到作物的单产量y；利用区域历史环境数据和作物的单产量y，辨识得到模型参数θ_d和θ_k，以根据未来某区域的气象数据来对该区域作物的单产量进行预测。本发明能够最大化利用历史环境数据和作物知识模型，使模型参数得到***化估计，潜力分析更加精确，易于使用，这为辅助温室作物生产、环境调控以及栽培管理提供了更加可靠的方法。

Description

基于知识与数据共同驱动的作物单产量预测方法

技术领域

本发明属于数据处理方法和一般植物学技术领域，尤其涉及一种基于知识与数据共同驱动的作物单产量预测方法。

背景技术

温室作物生产、环境调控以及栽培管理需要可靠的作物单产量预测方法。通常来说，作物单产量预测方法根据是否包含与作物生长发育规律相关的知识，可分为基于数据驱动的作物单产量预测方法和基于知识驱动的作物单产量预测方法。

基于数据驱动的作物单产量预测方法将作物的复杂生长行为视为黑箱，对生长过程不作考虑，其方法的构建完全依赖于历史环境数据和作物单产量数据(不包含任何作物相关的知识)，如采用基于人工神经网络的作物单产量预测方法。这种方法能够通过数据学习方式来处理机理未知的非线性关系，且对一定环境生长下的数据能达到较高的预测精度。但是该方法不能够最大化利用已有的作物知识去改善作物单产量的预测精度，且当增加输出变量时模型的复杂度迅速提升。

不同于基于数据驱动的方法，基于知识驱动的作物单产量预测方法则是基于作物生长发育规律建立的模型，包括作物的生物量产生、分配、叶面积形成等动态过程，如基于中法合作研究发展而来的植物功能结构模型(GreenLab)，该模型是一种通用的植物生长模型，已成功应用于玉米、小麦、黄瓜、西红柿等经济作物，且能够辅助温室作物生产、环境调控以及栽培管理。但是该模型不能够最大化利用环境数据去提高作物单产量的预测精度。

区别于传统的作物单产量预测方法，为了最大化利用作物知识和环境数据来改善作物单产量预测精度，本发明提出一种基于知识与数据共同驱动的作物单产量预测方法，可辅助温室作物生产、环境调控以及栽培管理。

发明内容

本发明的目的在于提供一种可靠的作物单产量预测方法，并使该方法能够最大化利用已有的作物知识和环境数据，提高作物单产量预测精度，且能够辅助温室作物生产、环境调控以及栽培管理。

为实现上述目的，本发明提供一种基于知识与数据共同驱动的作物单产量预测方法，该方法包括以下步骤：

步骤1，利用基于数据驱动的作物单产量生产潜力子模型，根据输入的环境数据得到作物的单产量生产潜力E；

步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，然后根据所述作物的单产量生产潜力E和作物内在的机理参数得到作物的单产量y；

步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θ_d和所述基于知识驱动的作物单产量子模型的模型参数θ_k，以根据未来某区域的气象数据来对该区域作物的单产量进行预测。

本发明提出的基于知识与数据共同驱动的作物单产量预测方法充分利用了基于知识驱动的方法和基于数据驱动的方法各自的优点，能够最大化利用作物知识和环境数据，提高作物单产量预测精度的可靠性。本发明与现有技术的区别主要体现在本发明采用基于数据驱动的方法，构建基于数据驱动的作物单产量生产潜力子模型，采用基于过程的作物模型，构建基于知识驱动的作物单产量子模型，两个子模型采用串联的方式耦合在一起。因此，本发明可以更加灵活的应用历史环境数据构建基于数据驱动的作物单产量生产潜力模型，且结合作物生长发育规律(作物知识)，从机理角度对作物单产量进行了预测。实验表明，本发明方法集成了二者的优点，并具有较高的作物单产量预测精度。

本发明利用区域历史环境数据和作物单产量数据，辨识出模型参数，以用于未来该区域作物的单产量预测。本发明能够最大化利用历史环境数据和作物知识模型，使模型参数得到***化估计，潜力分析更加精确，易于使用，这也为温室作物生产、环境调控以及栽培管理提供了更加可靠的方法。

附图说明

图1是本发明基于知识与数据共同驱动的作物单产量预测方法的原理框图。

图2是根据本发明一实施例的基于知识与数据共同驱动的作物单产量预测方法的框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明基于知识与数据共同驱动的作物单产量预测方法的原理框图，如图1所示，所述方法包括以下步骤：

步骤1，利用基于数据驱动的作物单产量生产潜力子模型，根据输入的环境数据得到作物的单产量生产潜力E；

该步骤反映了气候环境对于作物单产量的影响。

其中，所述环境数据包括但不限于温度、光照、CO₂浓度、相对湿度等气象数据。

其中，所述基于数据驱动的作物单产量生产潜力子模型是基于数据驱动的方法构建得到的，其表示为：

E＝f_d(x,θ_d)，

其中，f_d(·)表示基于数据驱动的方法，x为输入的环境数据，E为该环境条件下作物单产量的生产潜力，θ_d为子模型E的参数。

步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，然后根据所述作物的单产量生产潜力E和作物内在的机理参数得到作物的单产量y；

其中，所述基于知识驱动的作物单产量子模型表示为：

y＝f_k(E,θ_k)，

其中，f_k(·)表示基于过程的作物模型，θ_k为子模型y的参数，即作物内在的机理参数。

所述步骤1和步骤2也可以认为将基于数据驱动的作物单产量生产潜力子模型和基于知识驱动的作物单产量子模型串联耦合，得到基于知识与数据共同驱动的作物单产量预测模型，对于该模型，输入环境数据，即可得到作物的单产量。

步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θ_d和所述基于知识驱动的作物单产量子模型的模型参数θ_k，以用于根据未来某区域的气象数据来对该区域作物的单产量进行预测。

在本发明一实施例中，利用梯度下降法辨识得到基于知识与数据共同驱动的作物单产量预测模型参数θ_d和θ_k。

图2是根据本发明一实施例的基于知识与数据共同驱动的作物单产量预测方法的框图，如图2所示，在本发明一实施例中，基于径向基函数神经网络(RBFN)构建基于数据驱动的作物单产量生产潜力子模型，基于植物功能结构模型(GreenLab)或园艺作物通用模型(HortiSim)构建基于知识驱动的作物单产量子模型。

基于径向基函数神经网络(RBFN)构建得到的基于数据驱动的作物单产量生产潜力子模型可表示为：

E＝f_d(x,θ_d)＝Φ(x)θ_d，

其中，θ_d为RBFN的权值参数，Φ(x)＝[φ₁(x),φ₂(x),…,φ_h(x)]为径向基函数，且 ${\mathrm{\φ}}_l\left(x\right)=\sqrt{1+{\left(\frac{x-c_l}{{\mathrm{\σ}}_l}\right)}^2}.$

在植物功能结构模型(GreenLab)中，第i个生长周期的生物量增量Q(i)表示为：

$Q\left(i\right)=E\left(i\right)\·r\·\mathrm{Sp}\{1-\exp [-\frac{S\left(i\right)}{\mathrm{Sp}}\left]\right\},$

其中，E(i)为第i个生长周期在该周期气象环境条件下作物单产量生产潜力，r和Sp为内在生长发育的机理参数，常常根据实际生产数据进行估计设定，S(i)为第i个生长周期的作物总的叶面积。

对于生长周期i，不同作物器官o累积的生物量表示为：

$q_o\left(i\right)=\underset{j}{\mathrm{\Σ}}\underset{k=1}{\overset{j}{\mathrm{\Σ}}}{P}_o{f}_o\left(k\right)\frac{Q(i-j+k-1)}{\underset{o}{\mathrm{\Σ}}\underset{k=1}{\overset{i-j+k-1}{\mathrm{\Σ}}}{N}_o(i-j+k,k)P_o{f}_o(i-j+k)},$

其中，P_o为作物器官o的相对库强参数，常常根据作物实际生产数据进行估计设定，N_o为作物器官o的个数，f_o为作物器官o扩展函数，Q(·)为不同生长周期的生物量增量，N_o(·)为器官o的个数，j为器官o的生长年龄，k为下标，作物器官o通常包括叶片b、节间e和果f。GreenLab模型属于常见的植物功能结构模型，限于篇幅，关于GreenLab模型的更多细节不再赘述。

需要说明的是，对于不同的经济作物，作物单产量的计算对象稍有不同。比如对于番茄作物，我们关注的是番茄果实的产量，则其单产量计算公式为：

$y\left(i\right)=q_f\left(i\right)=\underset{j}{\mathrm{\Σ}}\underset{k=1}{\overset{j}{\mathrm{\Σ}}}{P}_f{f}_f\left(k\right)\frac{Q(i-j+k-1)}{\underset{o}{\mathrm{\Σ}}\underset{k=1}{\overset{i-j+k-1}{\mathrm{\Σ}}}{N}_o(i-j+k,k)P_o{f}_o(i-j+k)},$

对于生菜，我们主要关注的是生菜的叶片，则其单产量计算公式为：

$y\left(i\right)=q_d\left(i\right)=\underset{j}{\mathrm{\Σ}}\underset{k=1}{\overset{j}{\mathrm{\Σ}}}{P}_b{f}_b\left(k\right)\frac{Q(i-j+k-1)}{\underset{o}{\mathrm{\Σ}}\underset{k=1}{\overset{i-j+k-1}{\mathrm{\Σ}}}{N}_o(i-j+k,k)P_o{f}_o(i-j+k)}.$

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于知识与数据共同驱动的作物单产量预测方法，其特征在于，该方法包括以下步骤：

步骤1，利用基于数据驱动的作物单产量生产潜力子模型，根据输入的环境数据得到作物的单产量生产潜力E；

步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，然后根据所述作物的单产量生产潜力E和作物内在的机理参数得到作物的单产量y；

步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θ_d和所述基于知识驱动的作物单产量子模型的模型参数θ_k，以根据未来某区域的气象数据来对该区域作物的单产量进行预测。

2.根据权利要求1所述的方法，其特征在于，所述环境数据包括但不限于气象数据。

3.根据权利要求1所述的方法，其特征在于，所述基于数据驱动的作物单产量生产潜力子模型是基于数据驱动的方法构建得到的，其表示为：

E＝f_d(x,θ_d)，

其中，f_d(·)表示基于数据驱动的方法，x为输入的环境数据，E为对应环境条件下作物单产量的生产潜力，θ_d为子模型E的参数。

4.根据权利要求1所述的方法，其特征在于，所述基于知识驱动的作物单产量子模型表示为：

y＝f_k(E,θ_k)，

其中，f_k(·)表示基于过程的作物模型，θ_k为子模型y的参数，即作物内在的机理参数。

5.根据权利要求1所述的方法，其特征在于，所述步骤3中，利用梯度下降法辨识得到基于数据驱动的作物单产量生产潜力子模型的模型参数θ_d和基于知识驱动的作物单产量子模型的模型参数θ_k。

6.根据权利要求1所述的方法，其特征在于，基于径向基函数神经网络(RBFN)构建基于数据驱动的作物单产量生产潜力子模型。

7.根据权利要求6所述的方法，其特征在于，基于径向基函数神经网络(RBFN)构建得到的基于数据驱动的作物单产量生产潜力子模型可表示为：

E＝f_d(x,θ_d)＝Φ(x)θ_d，

其中，θ_d为RBFN的权值参数，Φ(x)＝[φ₁(x),φ₂(x),…,φ_h(x)]为径向基函数，且 ${\mathrm{\φ}}_l\left(x\right)=\sqrt{1+{\left(\frac{x-c_l}{{\mathrm{\σ}}_l}\right)}^2}.$

8.根据权利要求1所述的方法，其特征在于，基于植物功能结构模型(GreenLab)或园艺作物通用模型(HortiSim)构建基于知识驱动的作物单产量子模型。

9.根据权利要求8所述的方法，其特征在于，在所述植物功能结构模型中，第i个生长周期的生物量增量Q(i)表示为：

$Q\left(i\right)=E\left(i\right)\·r\·\mathrm{Sp}\{1-\exp [-\frac{S\left(i\right)}{\mathrm{Sp}}\left]\right\},$

其中，E(i)为第i个生长周期在该周期气象环境条件下作物单产量生产潜力，r和Sp为内在生长发育的机理参数，S(i)为第i个生长周期的作物总的叶面积；

对于生长周期i，不同作物器官o累积的生物量表示为：

$q_o\left(i\right)=\underset{j}{\mathrm{\Σ}}\underset{k=1}{\overset{j}{\mathrm{\Σ}}}{P}_o{f}_o\left(k\right)\frac{Q(i-j+k-1)}{\underset{o}{\mathrm{\Σ}}\underset{k=1}{\overset{i-j+k-1}{\mathrm{\Σ}}}{N}_o(i-j+k,k)P_o{f}_o(i-j+k)},$

其中，P_o为作物器官o的相对库强参数，N_o为作物器官o的个数，f_o为作物器官o扩展函数，Q(·)为不同生长周期的生物量增量，N_o(·)为器官o的个数，j为器官o的生长年龄，k为下标。

10.根据权利要求9所述的方法，其特征在于，所述作物器官o包括但不限于叶片b、节间e和果f。