CN113642729A - 基于机器学习的智能沼液施用方法、***及存储介质 - Google Patents
基于机器学习的智能沼液施用方法、***及存储介质 Download PDFInfo
- Publication number
- CN113642729A CN113642729A CN202110986629.8A CN202110986629A CN113642729A CN 113642729 A CN113642729 A CN 113642729A CN 202110986629 A CN202110986629 A CN 202110986629A CN 113642729 A CN113642729 A CN 113642729A
- Authority
- CN
- China
- Prior art keywords
- biogas slurry
- application
- slurry application
- farmland
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000003973 irrigation Methods 0.000 claims abstract description 14
- 230000002262 irrigation Effects 0.000 claims abstract description 14
- 230000012010 growth Effects 0.000 claims abstract description 10
- 239000002689 soil Substances 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 239000003337 fertilizer Substances 0.000 claims description 12
- 235000021049 nutrient content Nutrition 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 235000015097 nutrients Nutrition 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 description 11
- 238000003756 stirring Methods 0.000 description 8
- 239000007788 liquid Substances 0.000 description 7
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000122 growth hormone Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002881 soil fertilizer Substances 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Soil Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于机器学习的智能沼液施用方法，包括以下步骤：部署用于采集与农作物生长有关的数据的决策因子采集单元以及用于执行指定的沼液施用策略的沼液施用单元；获取历史与农作物生长有关的数据以及灌溉数据；建立沼液施用模型，包括基于机器学习的状态分类模型及施用措施预测模型；以历史数据作为训练样本，分别对状态分类模型及施用措施预测模型进行训练；状态分类模型用于根据决策因子预测农田状态类型，施用措施预测模型用于根据决策因子以及农田状态类型预测沼液施用策略；通过决策因子采集单元实时采集决策因子，通过状态分类模型确定当前农田状态类型，再通过施用措施预测模型确定沼液施用策略，并通过沼液施用单元执行。
Description
技术领域
本发明涉及基于机器学习的智能沼液施用方法、***及存储介质，属于农业施肥、机器学习技术领域。
背景技术
沼液含有多种植物生长的养分，丰富的氨基酸、各种生长激素及维生素等，是一种速效性有机肥料，沼液还田具有增强土壤肥效、促进农作物增产增收、抑制植物病害等优点。
农业产业需要加快推进畜禽养殖废弃物处理和资源化；要全面推进畜禽养殖废弃物资源化利用，构建种养结合、农牧循环的可持续发展新格局，鼓励沼液和经无害化处理的畜禽养殖废水作为肥料科学还田利用。沼液还田符合国家产业发展需求，有利于推动农业绿色可持续发展。
当前沼液养分差异显著，不同沼气工程间养分含量变化幅度大，同一沼气工程养分含量还受到发酵原料、沼气工程类型和运行时间等多种因素影响的特点。目前农田利用中难以做到实时检测，还田利用缺少施用量依据，经常存在沼液施用量不足或过量等问题，影响作物产量、破坏土壤的酸碱平衡、增加土壤中重金属的含量甚至发生地表污染问题；
目前沼液施用设备研发内容极少，关于沼液科学施用的方法研究更是空白；专利号为“CN108156886A”的专利公开了一种沼液水肥供给装置，属于农业有机废弃物资源化与能源化利用领域。它解决了现有技术中沼液与水混合和施灌过程中成本高、不易控制等问题。本装置主要包括：设于地下的储液池和地上的封闭式混合搅拌池；储液池与混合搅拌池通过沼液泵连接；混合搅拌池上还连接有水泵和出液口，出液口通过三通接头连接第一出肥管和第二出肥管，每个管道上都设有电磁阀；混合搅拌池上还设有显示屏、操作按钮、蓄电池、处理器、太阳能电池板和信号接收器，混合搅拌池的顶部中间设置有搅拌电机，搅拌电机连接有搅拌轴，搅拌轴上分别连接有十字搅拌桨和搅拌叶片，混合搅拌池内设有液位传感器。该装置实现了水肥混合以及定时定量灌溉，可控性强，使用方便，可以看出传统的水肥灌溉方法是通过定时、定参数智能化灌溉方式，无法根据实际应用场景进行动态调整实现精准施肥且有些***设备操作繁杂，农民难以接受。因此有必要结合多学科成熟技术，实现沼液施用动态调整，提高沼液灌溉质量和效率，满足市场需求。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了基于机器学习的智能沼液施用方法、***及存储介质，通过机器学习训练沼液施用模型，能够根据农田的实际变化动态调整沼液施用策略，使沼液施用智能化。
本发明的技术方案如下：
一种基于机器学习的智能沼液施用方法，包括以下步骤：
在目标农田部署决策因子采集单元和沼液施用单元，所述决策因子采集单元用于采集决策因子，所述决策因子包括至少一种与农作物生长有关的数据，所述沼液施用单元用于按照指定的沼液施用策略对目标农田进行灌溉；
采集历史数据，根据历史数据获取不同单位时间段内与农作物生长有关的数据以及灌溉数据；建立沼液施用模型，所述沼液施用模型包括基于机器学习的状态分类模型及施用措施预测模型；从历史数据中获取特征项及对应的特征值或通过特征项计算得出的目标特征项及对应的特征值作为训练样本，分别对所述状态分类模型及施用措施预测模型进行训练；所述状态分类模型用于根据决策因子预测农田状态类型，所述施用措施预测模型用于根据决策因子以及农田状态类型预测应采用的沼液施用措施及施用特征值；
通过决策因子采集单元采集决策因子，通过所述状态分类模型，确定农田状态类型，将决策因子及农田状态类型输入至施用措施预测模型，输出由应采用的沼液施用措施及施用特征值组成的沼液施用策略；根据该沼液施用策略对沼液施用单元进行控制，对目标农田进行灌溉。
作为优选，所述决策因子至少包括土壤数据和环境数据；所述所述土壤数据包括土壤湿度、土壤PH值、土壤养分含量，所述环境数据包括气象数据、环境温湿度。
作为优选，所述状态分类模型的训练方法具体为：
通过历史数据获取不同单位时间段内的土壤数据和环境数据，根据单位时间段内的土壤数据和环境数据对不同单位时间段内的农田状态类型进行分类，得到由若干农田状态类型组成的农田状态分类组；
通过单位时间段内的土壤数据、环境数据计算特征变量，以特征变量作为神经网络的输入，以农田状态分类组中的某一农田状态类型作为输出，对神经网络进行训练，得到训练好的状态分类模型。
作为优选，所述特征变量包括通过土壤水分、气象数据以及环境温湿度计算得出的可吸收水分特征指标以及通过土壤PH值及土壤养分含量计算得出的可吸收养分特征指标。
作为优选，所述施用措施预测模型包括措施选取模型以及措施赋值模型，训练所述施用措施预测模型的具体方法为：
构建施用措施库，所述施用措施库包含从历史灌溉数据中提取出的所有沼液施用措施；
以单位时间段内的特征指标和农田状态类型作为神经网络的输入，从所述施用措施库中选取至少一种沼液施用措施作为神经网络的输出；
构建选取命中率计算公式，所述选取命中率指的是神经网络输出的施用措施完全匹配该单位时间段内采用的施用措施的概率；
以所述选取命中率为基准构造损失函数，通过梯度下降法迭代更新神经网络的参数，得到施用措施预测模型；
训练所述措施赋值模型的方法具体为：
将单位时间段内的特征指标、农田状态类型、采取沼液施用措施及对应的施用特征值合并为一训练样本放入经验回放库中；
将每一训练样本的特征指标、农田状态类型、采取沼液施用措施作为神经网络的输入，估算沼液施用措施对应的预测值，以对应的预测值与施用特征值之间的差值为基准构造损失函数，利用梯度下降法对迭代更新神经网络的参数，得到措施赋值模型。
作为优选，所述沼液施用措施包括沼液施用时间节点、调整沼液和清水比例、调整沼液流量以及沼液施用时长，所述施用特征值为对应的沼液施用措施的数值。
作为优选，在所述目标农田还设置有智能终端，所述沼液施用模型建立于云服务器上，所述智能终端与决策因子采集单元、沼液施用单元以及云服务器通信连接，用于接收决策因子采集单元采集到的决策因子，并上送至所述云服务器，并接收由所述云服务器通过沼液施用模型及决策因子输出的沼液施用策略，根据该沼液施用策略控制沼液施用单元对目标农田进行灌溉。
作为优选，所述决策因子采集单元包括田间监测模块及气象数据采集模块，所述沼液施用单元包括水肥调配模块及水肥输送模块。
本发明还提供一种基于机器学习的智能沼液施用***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的沼液施用方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明任一实施例所述的沼液施用方法。
本发明具有如下有益效果：
本发明一种基于机器学习的智能沼液施用方法，建立基于机器学习的沼液施用模型，能够根据决策因子实时调整沼液施用策略，并根据调整后的沼液施用策略自动进行沼液施用，使沼液施用智能化。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
参见图1，一种基于机器学习的智能沼液施用方法，包括以下步骤：
在目标农田部署决策因子采集单元和沼液施用单元，所述决策因子采集单元用于采集决策因子，所述决策因子包括至少一种与农作物生长有关的数据，所述沼液施用单元用于按照指定的沼液施用策略对目标农田进行灌溉；
采集多个农作物种植至收获的历史数据作为样本，该样本可以是目标农田的历史数据，也可以是其他农田的历史数据，对于其他农田的话，至少在地理环境和种植的农作物上与目标农田的情况基本一致；根据历史数据获取不同单位时间段内与农作物生长有关的数据以及灌溉数据，本实施例中，单位时间段指的是一天，即本实施例是根据历史数据获取农作物种植到收货期间每一天的与农作物生长有关的数据以及灌溉数据；该历史数据中，不同单位时间段内与农作物生长有关的数据是客观数据，灌溉数据是经验数据，是农民根据具体情况对农田进行沼液施用的不同沼液施用措施及对应的特征值，沼液施用措施例如调节沼液清水的混合比例，特征值就是混合比例的具体数值；
建立沼液施用模型，所述沼液施用模型包括基于机器学习的状态分类模型及施用措施预测模型；从历史数据中获取特征项及对应的特征值或通过特征项计算得出的目标特征项及对应的特征值作为训练样本，分别对所述状态分类模型及施用措施预测模型进行训练；所述状态分类模型用于根据决策因子预测农田状态类型，农田状态类型由富有经验的农民进行分类，可以分为N种类型，例如农田干旱、农田水量充足、农田营养充足等等，人为的对各个训练样本添加农田状态类型的标签，再对状态分类模型进行训练；所述施用措施预测模型用于根据决策因子以及农田状态类型预测应采用的沼液施用措施及施用特征值；
通过决策因子采集单元实时采集目标农田在当前时间段内的决策因子，通过所述状态分类模型，确定目前目标农田的农田状态类型，将当前时间段内的决策因子及目前目标农田的农田状态类型输入至施用措施预测模型，输出由应采用的沼液施用措施及施用特征值组成的沼液施用策略；根据该沼液施用策略对沼液施用单元进行控制，对目标农田进行灌溉。
在本发明的另一实施例中，采集的决策因子至少包括土壤数据和环境数据，所述土壤数据包括土壤湿度、土壤PH值、土壤养分含量，土壤养分含量具体为氮磷钾的含量，所述环境数据包括气象数据、环境温湿度。
在本发明的另一实施例中，所述状态分类模型的训练方法具体为：
通过历史数据获取不同单位时间段内的土壤数据和环境数据，根据不同单位时间段内的土壤数据和环境数据分别对不同单位时间段内的农田状态类型进行分类，分类是人为进行的，具体由农民根据经验分别根据每一天的土壤数据、环境数据判断当天的农田状态类型，并打上标签，由人为总结出的各个农田状态类型形成农田状态分类组{A1,A2,A3……An}；
通过单位时间段内的土壤数据、环境数据计算特征变量，以特征变量作为神经网络的输入，以农田状态分类组中的某一农田状态类型
作为预测类型输出，基于输出的农田状态类型与该单位时间段内的实际农田状态类型(也就是标签)构造损失函数：
对神经网络进行训练，通过梯度下降法迭代更新神经网络的参数，得到训练好的状态分类模型。
在本发明的另一实施例中，所述特征变量包括通过土壤湿度、气象数据以及环境温湿度计算得出的可吸收水分特征指标α以及通过土壤PH值及土壤养分含量计算得出的可吸收养分特征指标β；本实施例中，可吸收水分特征指标α＝k1*a1+k2*a2+k3*a3，其中a1、a2、a3分别为土壤湿度、通过气象数据得到的预计降水量、通过环境温湿度得到的空气湿度，k1、k2和k3分别为系数，k1和k3由人工经验赋值，k2通过气象数据中的预计天气确定，根据不同的天气赋予k2不同的值；本实施例中，可吸收养分特征指标β＝h1*b1+h2*b2，其中，b1和b2分别为土壤PH值和土壤养分含量，h1和h2为系数，由人工经验赋值。
在本发明的另一实施例中，所述施用措施预测模型包括措施选取模型以及措施赋值模型，训练所述施用措施预测模型的具体方法为：
构建施用措施库，所述施用措施库包含从历史灌溉数据中提取出的所有沼液施用措施；
以单位时间段内的特征指标和农田状态类型作为神经网络的输入，从所述施用措施库中选取至少一种沼液施用措施作为神经网络的输出；
构建选取命中率计算公式
表示当神经网络输出的沼液施用措施集合
能够在完全匹配该单位时间段内采用的沼液施用措施时，该指示函数的值为1，否则为0；所述选取命中率指的是神经网络输出的施用措施完全匹配该单位时间段内采用的施用措施的概率；
以所述选取命中率为基准构造损失函数，通过梯度下降法迭代更新神经网络的参数，得到施用措施预测模型；
训练所述措施赋值模型的方法具体为：
将单位时间段内的特征指标α和β、农田状态类型Ai、采取沼液施用措施集合
及对应的施用特征值Ti (t)合并为一训练样本
放入经验回放库中；
将每一训练样本的特征指标、农田状态类型、采取沼液施用措施作为神经网络的输入，估算沼液施用措施对应的预测值
以对应的预测值与施用特征值之间的差值为基准构造损失函数
利用梯度下降法对迭代更新神经网络的参数，得到措施赋值模型。
在本发明的另一实施例中，所述沼液施用措施包括沼液施用时间节点、调整沼液和清水比例、调整沼液流量以及沼液施用时长，所述施用特征值为对应的沼液施用措施的数值，对于沼液施用时间节点来说，施用特征是12点、17：30点这样的时间节点，为方便使用，施用特征值对时间节点进行转换，转换为有理数，如12和17.5；调整沼液和清水比例的施用特征值具体为沼液和清水混合后的EC值；调整沼液流量的施用特征值就是调整后的沼液的流量值；沼液施用时长的施用特征值就是从沼液施用开始至沼液施用结束之间的间隔时长，也需要转换为有理数。
在本发明的另一实施例中，在所述目标农田还设置有智能终端，智能终端可以是PC电脑，工作站或者其他可以进行信息传输和处理的终端，所述沼液施用模型建立于云服务器上，所述智能终端与决策因子采集单元、沼液施用单元以及云服务器通信连接，用于接收决策因子采集单元采集到的决策因子，并上送至所述云服务器，并接收由所述云服务器通过沼液施用模型及决策因子输出的沼液施用策略，根据该沼液施用策略控制沼液施用单元对目标农田进行灌溉。
在本发明的另一实施例中，所述决策因子采集单元包括田间监测模块及气象数据采集模块，所述沼液施用单元包括水肥调配模块及水肥输送模块。田间监测模块包括若干传感器，至少包括温湿度传感器、土壤湿度传感器、PH传感器以及电化学传感器分别用于采集土壤湿度、土壤PH值、土壤养分含量以及环境温湿度；气象数据采集模块用于通过互联网接收天气预报得到气象数据，气象数据包括预计天气、预计降水量等；水肥调配包括沼液池、清水池、沼液电动调节阀、清水电动调节阀、离心泵等，能够根据设定的沼液EC值，调节水与沼液混合液的施肥时长及施用流量；水肥输送模块包括电磁阀和田间管道，用于将沼液输送至农田的各个部分。
本发明还提供一种基于机器学习的智能沼液施用***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的沼液施用方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明任一实施例所述的沼液施用方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于机器学习的智能沼液施用方法，其特征在于，包括以下步骤：
在目标农田部署决策因子采集单元和沼液施用单元，所述决策因子采集单元用于采集决策因子，所述决策因子包括至少一种与农作物生长有关的数据，所述沼液施用单元用于按照指定的沼液施用策略对目标农田进行灌溉；
采集历史数据，根据历史数据获取不同单位时间段内与农作物生长有关的数据以及灌溉数据；建立沼液施用模型，所述沼液施用模型包括基于机器学习的状态分类模型及施用措施预测模型；从历史数据中获取特征项及对应的特征值或通过特征项计算得出的目标特征项及对应的特征值作为训练样本，分别对所述状态分类模型及施用措施预测模型进行训练；所述状态分类模型用于根据决策因子预测农田状态类型，所述施用措施预测模型用于根据决策因子以及农田状态类型预测应采用的沼液施用措施及施用特征值；
通过决策因子采集单元采集决策因子，通过所述状态分类模型，确定农田状态类型，将决策因子及农田状态类型输入至施用措施预测模型，输出由应采用的沼液施用措施及施用特征值组成的沼液施用策略；根据该沼液施用策略对沼液施用单元进行控制，对目标农田进行灌溉。
2.根据权利要求1所述的一种基于机器学习的智能沼液施用方法，其特征在于：所述决策因子至少包括土壤数据和环境数据；所述所述土壤数据包括土壤湿度、土壤PH值、土壤养分含量，所述环境数据包括气象数据、环境温湿度。
3.根据权利要求2所述的一种基于机器学习的智能沼液施用方法，其特征在于，所述状态分类模型的训练方法具体为：
通过历史数据获取不同单位时间段内的土壤数据和环境数据，根据单位时间段内的土壤数据和环境数据对不同单位时间段内的农田状态类型进行分类，得到由若干农田状态类型组成的农田状态分类组；
通过单位时间段内的土壤数据、环境数据计算特征变量，以特征变量作为神经网络的输入，以农田状态分类组中的某一农田状态类型作为输出，对神经网络进行训练，得到训练好的状态分类模型。
4.根据权利要求3所述的一种基于机器学习的智能沼液施用方法，其特征在于：所述特征变量包括通过土壤水分、气象数据以及环境温湿度计算得出的可吸收水分特征指标以及通过土壤PH值及土壤养分含量计算得出的可吸收养分特征指标。
5.根据权利要求3所述的一种基于机器学习的智能沼液施用方法，其特征在于，所述施用措施预测模型包括措施选取模型以及措施赋值模型，训练所述施用措施预测模型的具体方法为：
构建施用措施库，所述施用措施库包含从历史灌溉数据中提取出的所有沼液施用措施；
以单位时间段内的特征指标和农田状态类型作为神经网络的输入，从所述施用措施库中选取至少一种沼液施用措施作为神经网络的输出；
构建选取命中率计算公式，所述选取命中率指的是神经网络输出的施用措施完全匹配该单位时间段内采用的施用措施的概率；
以所述选取命中率为基准构造损失函数，通过梯度下降法迭代更新神经网络的参数，得到施用措施预测模型；
训练所述措施赋值模型的方法具体为：
将单位时间段内的特征指标、农田状态类型、采取沼液施用措施及对应的施用特征值合并为一训练样本放入经验回放库中；
将每一训练样本的特征指标、农田状态类型、采取沼液施用措施作为神经网络的输入，估算沼液施用措施对应的预测值，以对应的预测值与施用特征值之间的差值为基准构造损失函数，利用梯度下降法对迭代更新神经网络的参数，得到措施赋值模型。
6.根据权利要求5所述的一种基于机器学习的智能沼液施用方法，其特征在于：所述沼液施用措施包括沼液施用时间节点、调整沼液和清水比例、调整沼液流量以及沼液施用时长，所述施用特征值为对应的沼液施用措施的数值。
7.根据权利要求1所述的一种基于机器学习的智能沼液施用方法，其特征在于：在所述目标农田还设置有智能终端，所述沼液施用模型建立于云服务器上，所述智能终端与决策因子采集单元、沼液施用单元以及云服务器通信连接，用于接收决策因子采集单元采集到的决策因子，并上送至所述云服务器，并接收由所述云服务器通过沼液施用模型及决策因子输出的沼液施用策略，根据该沼液施用策略控制沼液施用单元对目标农田进行灌溉。
8.根据权利要求7所述的一种基于机器学习的智能沼液施用方法，其特征在于：所述决策因子采集单元包括田间监测模块及气象数据采集模块，所述沼液施用单元包括水肥调配模块及水肥输送模块。
9.一种基于机器学习的智能沼液施用***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的沼液施用方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述的沼液施用方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110986629.8A CN113642729A (zh) | 2021-08-26 | 2021-08-26 | 基于机器学习的智能沼液施用方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110986629.8A CN113642729A (zh) | 2021-08-26 | 2021-08-26 | 基于机器学习的智能沼液施用方法、***及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642729A true CN113642729A (zh) | 2021-11-12 |
Family
ID=78423972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110986629.8A Pending CN113642729A (zh) | 2021-08-26 | 2021-08-26 | 基于机器学习的智能沼液施用方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642729A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935590A (zh) * | 2022-05-30 | 2022-08-23 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田***及方法 |
| CN116451886A (zh) * | 2023-06-20 | 2023-07-18 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
| CN117688404A (zh) * | 2024-02-02 | 2024-03-12 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和*** |
| CN106707767A (zh) * | 2017-03-13 | 2017-05-24 | 山东农业大学 | 基于多源信息融合的大田水肥一体化智能管控***及方法 |
| CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
| CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制*** |
| CN109258044A (zh) * | 2018-08-30 | 2019-01-25 | 北京农业智能装备技术研究中心 | 一种基于沼液的农田水肥管控***及方法 |
| CN110122024A (zh) * | 2019-06-10 | 2019-08-16 | 福建省致青生态环保有限公司 | 一种可施用沼液的智能一体化施肥*** |
| CN111126662A (zh) * | 2019-11-25 | 2020-05-08 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
| CN111369093A (zh) * | 2018-12-26 | 2020-07-03 | 天云融创数据科技（北京）有限公司 | 基于机器学习的灌溉方法和装置 |
| CN112020972A (zh) * | 2020-08-26 | 2020-12-04 | 江苏农林职业技术学院 | 穴盘式有机稻硬地育秧的智能水肥一体化*** |
| CN112050856A (zh) * | 2020-09-08 | 2020-12-08 | 安徽大学 | 一种智能监管蓝藻资源化利用的产业生态园模式 |
| CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及*** |
| CN213603209U (zh) * | 2020-10-16 | 2021-07-06 | 山东沐雨天禾智慧农业有限公司 | 一种基于大数据作物模型的沼液智能灌溉*** |
-
2021
- 2021-08-26 CN CN202110986629.8A patent/CN113642729A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和*** |
| CN106707767A (zh) * | 2017-03-13 | 2017-05-24 | 山东农业大学 | 基于多源信息融合的大田水肥一体化智能管控***及方法 |
| CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
| CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制*** |
| CN109258044A (zh) * | 2018-08-30 | 2019-01-25 | 北京农业智能装备技术研究中心 | 一种基于沼液的农田水肥管控***及方法 |
| CN111369093A (zh) * | 2018-12-26 | 2020-07-03 | 天云融创数据科技（北京）有限公司 | 基于机器学习的灌溉方法和装置 |
| CN110122024A (zh) * | 2019-06-10 | 2019-08-16 | 福建省致青生态环保有限公司 | 一种可施用沼液的智能一体化施肥*** |
| CN111126662A (zh) * | 2019-11-25 | 2020-05-08 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
| CN112020972A (zh) * | 2020-08-26 | 2020-12-04 | 江苏农林职业技术学院 | 穴盘式有机稻硬地育秧的智能水肥一体化*** |
| CN112050856A (zh) * | 2020-09-08 | 2020-12-08 | 安徽大学 | 一种智能监管蓝藻资源化利用的产业生态园模式 |
| CN213603209U (zh) * | 2020-10-16 | 2021-07-06 | 山东沐雨天禾智慧农业有限公司 | 一种基于大数据作物模型的沼液智能灌溉*** |
| CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| XIUMEI JIA等: "Design of Field Integrative Irrigation Control System Based on Fuzzy Control and PLC", 《EMERGING RESEARCH IN ARTIFICIAL INTELLIGENCE AND COMPUTIONAL INTELLIGENCE》, vol. 237, 24 September 2011 (2011-09-24), pages 1 - 2 * |
| 李睿: "基于GIS与WSN技术的沼液自动灌溉***", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2013, 15 December 2013 (2013-12-15), pages 138 - 394 * |
| 王鑫瑶: "不同沼液施用量对橡胶苗生长和橡胶林土壤肥力质量的影响", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2020, 15 August 2020 (2020-08-15), pages 008 - 24 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935590A (zh) * | 2022-05-30 | 2022-08-23 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田***及方法 |
| CN114935590B (zh) * | 2022-05-30 | 2024-05-10 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田***及方法 |
| CN116451886A (zh) * | 2023-06-20 | 2023-07-18 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
| CN116451886B (zh) * | 2023-06-20 | 2023-10-10 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
| CN117688404A (zh) * | 2024-02-02 | 2024-03-12 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
| CN117688404B (zh) * | 2024-02-02 | 2024-05-10 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制***及其控制方法 | |
| CN113642729A (zh) | 基于机器学习的智能沼液施用方法、***及存储介质 | |
| CN111061322A (zh) | 一种基于人工智能水肥一体化*** | |
| CN109874477B (zh) | 一种农业园区施肥机托管方法及*** | |
| CN103838144B (zh) | 基于物联网土壤分析的甘蔗精细种植滴灌建模控制方法 | |
| CN205883318U (zh) | 一种农业物联网远程监测与控制*** | |
| CN105494033B (zh) | 一种基于作物需求的智能节水灌溉方法 | |
| CN109601347A (zh) | 一种农业自动化灌溉*** | |
| CN112042353A (zh) | 一种适用于日光温室的水肥精准决策方法及*** | |
| CN112540563A (zh) | 一种基于物联网的智慧农业控制***及控制方法 | |
| CN106171228A (zh) | 一种基于物联网的水肥一体化技术方案 | |
| CN108985664A (zh) | 一种智能农场现场监测管理***及方法 | |
| CN207780640U (zh) | 一种水肥一体化智能*** | |
| CN114258774A (zh) | 一种用于农业种植的水肥一体化施肥*** | |
| CN211149296U (zh) | 一种基于人工智能水肥一体化*** | |
| CN115097888A (zh) | 一种智慧农业云平台水肥控制*** | |
| CN213848015U (zh) | 一种基于多源信息融合的作物节水灌溉测控*** | |
| Meduri et al. | A sophisticated irrigation system with passive and analogue sensors over web using orange Pi | |
| CN1640855A (zh) | 一种颗粒农家肥及其制备方法 | |
| CN210247520U (zh) | 番茄水肥区域化智能灌溉*** | |
| Shabbir et al. | A review of iot based automated irrigation system using solar power | |
| CN208768585U (zh) | 沼渣沼液智能灌溉*** | |
| CN109526342A (zh) | 一种基于ZigBee远程控制的精准水肥一体灌溉*** | |
| CN214757871U (zh) | 一种新型灌溉施肥及植物生长监测一体机 | |
| CN218604007U (zh) | 一种茶树栽培管理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |