CN117322214A - 一种基于神经网络的农作物肥料精准施用方法与*** - Google Patents
一种基于神经网络的农作物肥料精准施用方法与*** Download PDFInfo
- Publication number
- CN117322214A CN117322214A CN202311620141.9A CN202311620141A CN117322214A CN 117322214 A CN117322214 A CN 117322214A CN 202311620141 A CN202311620141 A CN 202311620141A CN 117322214 A CN117322214 A CN 117322214A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- soil
- crop
- neural network
- 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.)
- Granted
Links
- 239000003337 fertilizer Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000012216 screening Methods 0.000 claims description 188
- 239000013598 vector Substances 0.000 claims description 162
- 239000002689 soil Substances 0.000 claims description 138
- 230000008859 change Effects 0.000 claims description 90
- 230000004720 fertilization Effects 0.000 claims description 52
- 238000003062 neural network model Methods 0.000 claims description 42
- 238000013135 deep learning Methods 0.000 claims description 41
- 235000021049 nutrient content Nutrition 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 150000003839 salts Chemical class 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003306 harvesting Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 235000015097 nutrients Nutrition 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 239000011574 phosphorus Substances 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/005—Following a specific plan, e.g. pattern
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Soil Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的农作物肥料精准施用方法与***,属于专门适用于管理目的的数据处理***领域,本发明获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,通过神经网络的方式对施肥量进行预测,提高了施肥量的准确性,同时在进行预测之前对采集数据进行筛选清洗,进一步提高了肥料施用的准确性。
Description
技术领域
本发明属于专门适用于管理目的的数据处理***技术领域,具体的说是一种基于神经网络的农作物肥料精准施用方法与***。
背景技术
科学精准施肥是农作物生产作业体系中重要的组成部分之一,精准施肥的难点主要在于决策方法的制定,然而现有的施肥方法与当前生产实践相互矛盾之处非常多,例如养分平衡法待定系数较多,不能反映养分间的交互作用,导致施肥量计算误差较大;肥料效应法试验周期长,年份间重复性差,容易出现“马鞍型”曲线,试验工作量大,预测施肥量误差偏大,且其积累的大量数据难以指导实际生产,现有技术均存在预测不准确的缺点,现有技术中均存在上述问题;
例如在申请公布号为CN115063252A的中国专利中公开了一种基于神经网络的农作物肥料精准施用方法与***,包括:获取原始训练样本;对原始训练样本进行数据清洗得到数据清洗后的训练样本;对数据清洗后的训练样本进行归一化处理得到归一化后的训练样本;对归一化后的训练样本进行聚类得到多个聚类中心;将多个聚类中心输入到预设的神经网络中进行训练得到肥料精准施用模型;将生产地块的当前土壤养分含量和农作物目标产量输入到肥料精准施用模型中确定对应的施肥量作为最优施肥方案。本发明通过对训练样本进行数据清洗和聚类,不仅可以使神经网络的收敛加快,还可以大大提高一定的土壤条件下不同农作物目标产量的施肥量预测精度;
同时例如在申请公布号为CN116267151A的中国专利中公开了一种对农作物施肥量断定的方法,其特征在于:在一个地块上计算土壤养分,根据该地块农民已经经历掌握起来的种植信息,包括该地块的土壤质地、作物、已施用肥料相关参数,由农民采取室内计算的方式,得出计划种植作物吸收的单位面积上的养分氮磷钾释放被吸收平衡值,根据该平衡值大小,对计划种植作物的氮磷钾养分施用数量进行断定,本发明的方法能够克服测土配方难以落实到每个农户的每块土地,以及造成大量人力、物力、财力浪费的现实,克服农民施肥技术水平薄弱,依赖于模仿施肥,造成的低产薄效现实,利用该技术,给农民一个施肥主动权,让农民正确选择氮磷钾肥料的比例,科学施肥,实现高产高效,充分挖掘土壤潜力,克服施肥技术推广片面、浅薄、不到位的现实,在无需测量土壤养分含量的情况下,通过农民已经掌握的该地块的准确种植信息,断定高产高效平衡施肥方法。
以上专利均存在本背景技术提出的问题:精准施肥的难点主要在于决策方法的制定,然而现有的施肥方法与当前生产实践相互矛盾之处非常多,例如养分平衡法待定系数较多,不能反映养分间的交互作用,导致施肥量计算误差较大;肥料效应法试验周期长,年份间重复性差,容易出现“马鞍型”曲线,试验工作量大,预测施肥量误差偏大,且其积累的大量数据难以指导实际生产,现有技术均存在预测不准确的缺点,为了解决这些问题,本申请设计了一种基于神经网络的农作物肥料精准施用方法与***。
发明内容
针对现有技术的不足,本发明提出了一种基于神经网络的农作物肥料精准施用方法与***,本发明收集农作物生长过程中的历史种植数据储存在储存器中,其中历史种植数据包括历史土壤类型数据、历史气候条件变化数据、历史农作物品种数据、历史农作物生长阶段数据、历史施肥量和历史产量数据,将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据,基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型,施肥前获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,通过神经网络的方式对施肥量进行预测,提高了施肥量的准确性,同时在进行预测之前对采集数据进行筛选清洗,进一步提高了肥料施用的准确性。
为实现上述目的,本发明提供如下技术方案:
一种基于神经网络的农作物肥料精准施用方法,其包括以下具体步骤:
S1、数据收集模块收集农作物生长过程中的历史种植数据储存在储存器中,其中历史种植数据包括历史土壤类型数据、历史气候条件变化数据、历史农作物品种数据、历史农作物生长阶段数据、历史施肥量和历史产量数据;
S2、将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据;
S3、基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型;
S4、施肥前获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量;
S5、肥料施加模块根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料。
具体的,所述S1包括以下具体步骤:
S11、通过土壤数据提取模组采集历史土壤类型数据,气候条件提取模组采集历史气候条件变化数据,其中,历史土壤类型数据包括种植区的历史土壤pH值、历史土壤含盐量和历史土壤有效养分量的数据,历史气候条件变化数据包括种植区的历史温度变化曲线和历史湿度变化曲线;
S12、通过施肥量采集模组采集种植区的历史单位面积施肥量数据,通过产品采集模组采集种植区的历史单位面积的产量,将对应种植区种植品种的历史土壤pH值、历史土壤含盐量、历史土壤有效养分量、种植区的历史温度变化曲线、历史湿度变化曲线、历史单位面积施肥量数据和历史单位面积的产量整合成向量形式储存并传输,其中土壤有效养分量为土壤中的含氮量和含磷量。
具体的,所述S2中的数据筛选策略包括以下具体内容:
S21、提取对应种植区种植品种的历史土壤pH值、历史土壤含盐量、历史土壤有效养分量、种植区的历史温度变化曲线、历史湿度变化曲线、历史单位面积施肥量数据和历史单位面积的产量构成的全部向量,筛选其中与本次施肥处于相同品种和相同农作物生长阶段的若干组向量,设为初始筛选向量集合;
S22、获取天气预报预报的本次施肥期间的温度变化曲线、湿度变化曲线,同时获取本次施肥区域的土壤pH值、土壤含盐量、土壤有效养分量,整合成向量形式,设为本次筛选向量;
S23、将获取的初始筛选向量集合和本次筛选向量导入土壤差异值计算公式计算初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的土壤差异值,其中,所述土壤差异值计算公式为:k1i=λ1<mrow>xphi−xph</mrow>xph+λ2<mrow>xhyi−xhy</mrow>xhy+λ3<mrow>xyxi−xyx</mrow>xyx,其中,/>为初始初始筛选向量集合的第i个初始筛选向量与本次筛选向量的差异值,xphi/>为初始筛选向量集合的第i个初始筛选向量中的土壤pH值,xph/>为本次筛选向量中的土壤pH值,/>为初始筛选向量集合的第i个初始筛选向量中的土壤含盐量,/>为本次筛选向量中的土壤含盐量,/>为初始筛选向量集合的第i个初始筛选向量中的土壤有效养分量,/>为本次筛选向量中的土壤有效养分量,/>为土壤pH值占比系数,/>为土壤含盐量占比系数,/>为土壤有效养分量占比系数,其中,λ1+λ2+λ3=1/>。
在此需要说明的是,这里的、/>和/>的取值方式为,在不同土壤环境中种植同一种植物,获取种植植物的产量差距,将数据导入拟合软件中进行拟合得到符合准确率的最优/>、/>和/>的取值;
具体的,所述S2中数据筛选策略还包括如下具体步骤:
S24、将获取的初始筛选向量集合和本次筛选向量导入天气差异值计算公式计算初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的天气差异值,其中,所述天气差异值计算公式为:k2i=β1z<mrow>(<mrow>Ai∩A)</mrow></mrow>z<mrow>(<mrow>Ai∪A)</mrow></mrow>+β2z<mrow>(<mrow>Bi∩B)</mrow></mrow>z<mrow>(<mrow>Bi∪B)</mrow></mrow>,其中,/>为温度占比系数,/>为湿度占比系数,为初始筛选向量集合的第i个初始筛选向量与本次筛选向量的天气差异值,z()为向量的长度,/>为初始筛选向量集合的第i个初始筛选向量中温度变化曲线与本次筛选向量中温度变化曲线的交集,/>为初始筛选向量集合的第i个初始筛选向量中温度变化曲线与本次筛选向量中温度变化曲线的并集,/>为初始筛选向量集合的第i个初始筛选向量中湿度变化曲线与本次筛选向量中湿度变化曲线的交集,/>为初始筛选向量集合的第i个初始筛选向量中湿度变化曲线与本次筛选向量中湿度变化曲线的并集,其中,β1+β2=1;
在此需要说明的是,这里的β1,β2的取值方式为,在同种土壤不同天气环境下种植同一种植物,获取种植植物的产量差距,将数据导入拟合软件中进行拟合得到符合准确率的最优β1,β2/>的取值;
S25、获取初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的天气差异值、土壤差异值导入整体差异值计算公式中初始筛选向量集合的其中一个初始筛选向量与本次筛选向量计算整体差异值,整体差异值计算公式为:ki=k2i+k1i,其中,ki为初始筛选向量集合的第i个初始筛选向量与本次筛选向量的整体差异值;
S26、将计算得到整体差异值升序排列,取其中整体差异值最小的若干组初始筛选向量对应的历史种植数据作为筛选历史种植数据。
具体的,所述S3的具体内容包括以下具体步骤:
S31、提取得到的筛选历史种植数据,获取若干组筛选历史种植数据的肥料施加量、土壤类型数据、气候条件变化数据、农作物品种数据、实际农作物生长阶段数据和农作物收成构建,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型;
S32、将提取的筛选历史种植数据分为作为70%的参数训练集和30%的参数测试集;将70%的参数训练集输入深度学习神经网络模型进行训练,以得到初始深度学习神经网络模型;利用30%的参数测试集对初始深度学习神经网络模型进行测试,输出满足预设农作物收成准确度的最优初始深度学习神经网络模型作为深度学习神经网络模型,其中,深度学习神经网络模型中的特定神经元的输出策略公式为:yn+1p=σ(<mstyle displaystyle="true">∑i=1mωnip×yni+cn+1p)</mstyle>,其中yn+1p为n+1层p项神经元的输出,/>为第n层神经元i与n+1层p项神经元的连接权重,yni/>代表第n层神经元i的输出,cn+1p/>代表第n层神经元i与n+1层p项神经元的线性关系的偏置,σ()/>代表Sigmoid激活函数。
具体的,所述S4的具体内容包括以下具体步骤:
S41、施肥前通过土壤数据提取模组采集施肥点施肥时间的土壤类型数据,同时气候条件提取模组采集天气预报预报的后续天气气候条件变化数据;
S42、将获取的获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量。
一种基于神经网络的农作物肥料精准施用***,其基于上述一种基于神经网络的农作物肥料精准施用方法实现,其包括数据收集模块、数据筛选模块、神经网络构建模块、实际肥料施加量获取模块、肥料施加模块和控制模块,所述数据收集模块用于收集农作物生长过程中的历史种植数据储存在储存器中,所述神经网络构建模块用于将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据,所述神经网络构建模块用于基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型。
具体的,所述实际肥料施加量获取模块用于获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,所述肥料施加模块用于根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,所述控制模块用于控制数据收集模块、数据筛选模块、神经网络构建模块、实际肥料施加量获取模块、肥料施加模块的运行。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种基于神经网络的农作物肥料精准施用方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如上述的一种基于神经网络的农作物肥料精准施用方法。
与现有技术相比,本发明的有益效果是:
本发明收集农作物生长过程中的历史种植数据储存在储存器中,其中历史种植数据包括历史土壤类型数据、历史气候条件变化数据、历史农作物品种数据、历史农作物生长阶段数据、历史施肥量和历史产量数据,将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据,基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型,施肥前获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,通过神经网络的方式对施肥量进行预测,提高了施肥量的准确性,同时在进行预测之前对采集数据进行筛选清洗,进一步提高了肥料施用的准确性。
附图说明
图1为本发明一种基于神经网络的农作物肥料精准施用方法流程示意图;
图2为本发明一种基于神经网络的农作物肥料精准施用***整体框架示意图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
实施例1:请参阅图1,本发明提供的一种实施例:一种基于神经网络的农作物肥料精准施用方法,其包括以下具体步骤:
S1、数据收集模块收集农作物生长过程中的历史种植数据储存在储存器中,其中历史种植数据包括历史土壤类型数据、历史气候条件变化数据、历史农作物品种数据、历史农作物生长阶段数据、历史施肥量和历史产量数据;
在此需要说明的是,S1包括以下具体步骤:
S11、通过土壤数据提取模组采集历史土壤类型数据,气候条件提取模组采集历史气候条件变化数据,其中,历史土壤类型数据包括种植区的历史土壤pH值、历史土壤含盐量和历史土壤有效养分量的数据,历史气候条件变化数据包括种植区的历史温度变化曲线和历史湿度变化曲线;
在此通过代码表示,以下是一个简单的C语言代码,用于通过土壤数据提取模块和气候条件提取模块采集历史土壤类型数据和历史气候条件变化数据:
#include<stdio.h>
//历史土壤类型数据结构
typedefstruct{
floatpH_value;
floatsalt_content;
floatnutrient_content;
}SoilData;
//历史气候条件变化数据结构
typedefstruct{
float*temperature_curve;
float*humidity_curve;
}ClimateData;
//土壤数据提取模块
SoilDataextractSoilData(){
SoilDatadata;
//从传感器或数据库中提取历史土壤类型数据
//假设从传感器读取
data.pH_value=6.5;
data.salt_content=0.2;
data.nutrient_content=12.5;
returndata;
}
//气候条件提取模块
ClimateDataextractClimateData(){
ClimateDatadata;
//从传感器或数据库中提取历史气候条件变化数据
//假设从数据库读取
//这里只是一个简单示例,实际应用中可能需要更复杂的逻辑和数据处理
floattemperature[]={25.5,26.2,26.8,27.3,26.9,26.7};//历史温度变化曲线
floathumidity[]={0.65,0.68,0.72,0.75,0.71,0.67};//历史湿度变化曲线
data.temperature_curve=temperature;
data.humidity_curve=humidity;
returndata;
}
intmain(){
SoilDatasoilData=extractSoilData();
printf("HistoricalSoilData:\n");
printf("pHvalue:%.2f
",soilData.pH_value);
printf("Saltcontent:%.2f
",soilData.salt_content);
printf("Nutrientcontent:%.2f
",soilData.nutrient_content);
ClimateDataclimateData=extractClimateData();
printf("\nHistoricalClimateData:\n");
printf("Temperaturecurve:");
for(inti=0;i<6;i++){
printf("%.2f",climateData.temperature_curve[i]);
}
printf("\nHumiditycurve:");
for(inti=0;i<6;i++){
printf("%.2f",climateData.humidity_curve[i]);
}
return0;
}
这个简单的示例演示了如何通过两个模块提取历史土壤类型数据和历史气候条件变化数据,并在主函数中进行数据提取和打印输出,在实际的应用中,可能需要根据具体情况进行更复杂的数据处理和模块交互;
S12、通过施肥量采集模组采集种植区的历史单位面积施肥量数据,通过产品采集模组采集种植区的历史单位面积的产量,将对应种植区种植品种的历史土壤pH值、历史土壤含盐量、历史土壤有效养分量、种植区的历史温度变化曲线、历史湿度变化曲线、历史单位面积施肥量数据和历史单位面积的产量整合成向量形式储存并传输,其中土壤有效养分量为土壤中的含氮量和含磷量;
S2、将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据;
在此需要说明的是,S2中的数据筛选策略包括以下具体内容:
S21、提取对应种植区种植品种的历史土壤pH值、历史土壤含盐量、历史土壤有效养分量、种植区的历史温度变化曲线、历史湿度变化曲线、历史单位面积施肥量数据和历史单位面积的产量构成的全部向量,筛选其中与本次施肥处于相同品种和相同农作物生长阶段的若干组向量,设为初始筛选向量集合;
S22、获取天气预报预报的本次施肥期间的温度变化曲线、湿度变化曲线,同时获取本次施肥区域的土壤pH值、土壤含盐量、土壤有效养分量,整合成向量形式,设为本次筛选向量;
S23、将获取的初始筛选向量集合和本次筛选向量导入土壤差异值计算公式计算初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的土壤差异值,其中,土壤差异值计算公式为:k1i=λ1<mrow>xphi−xph</mrow>xph+λ2<mrow>xhyi−xhy</mrow>xhy+λ3<mrow>xyxi−xyx</mrow>xyx,其中,/>为初始初始筛选向量集合的第i个初始筛选向量与本次筛选向量的差异值,xphi/>为初始筛选向量集合的第i个初始筛选向量中的土壤pH值,xph/>为本次筛选向量中的土壤pH值,/>为初始筛选向量集合的第i个初始筛选向量中的土壤含盐量,/>为本次筛选向量中的土壤含盐量,/>为初始筛选向量集合的第i个初始筛选向量中的土壤有效养分量,/>为本次筛选向量中的土壤有效养分量,/>为土壤pH值占比系数,/>为土壤含盐量占比系数,/>为土壤有效养分量占比系数,其中,λ1+λ2+λ3=1/>。
在此需要说明的是,这里的、/>和/>的取值方式为,在不同土壤环境中种植同一种植物,获取种植植物的产量差距,将数据导入拟合软件中进行拟合得到符合准确率的最优/>、/>和/>的取值;
S2中数据筛选策略还包括如下具体步骤:
S24、将获取的初始筛选向量集合和本次筛选向量导入天气差异值计算公式计算初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的天气差异值,其中,天气差异值计算公式为:k2i=β1z<mrow>(<mrow>Ai∩A)</mrow></mrow>z<mrow>(<mrow>Ai∪A)</mrow></mrow>+β2z<mrow>(<mrow>Bi∩B)</mrow></mrow>z<mrow>(<mrow>Bi∪B)</mrow></mrow>,其中,/>为温度占比系数,/>为湿度占比系数,/>为初始筛选向量集合的第i个初始筛选向量与本次筛选向量的天气差异值,z()为向量的长度,为初始筛选向量集合的第i个初始筛选向量中温度变化曲线与本次筛选向量中温度变化曲线的交集,/>为初始筛选向量集合的第i个初始筛选向量中温度变化曲线与本次筛选向量中温度变化曲线的并集,/>为初始筛选向量集合的第i个初始筛选向量中湿度变化曲线与本次筛选向量中湿度变化曲线的交集,/>为初始筛选向量集合的第i个初始筛选向量中湿度变化曲线与本次筛选向量中湿度变化曲线的并集,其中,β1+β2=1/>;
在此需要说明的是,这里的β1,β2的取值方式为,在同种土壤不同天气环境下种植同一种植物,获取种植植物的产量差距,将数据导入拟合软件中进行拟合得到符合准确率的最优β1,β2/>的取值;
S25、获取初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的天气差异值、土壤差异值导入整体差异值计算公式中初始筛选向量集合的其中一个初始筛选向量与本次筛选向量计算整体差异值,整体差异值计算公式为:ki=k2i+k1i,其中,ki为初始筛选向量集合的第i个初始筛选向量与本次筛选向量的整体差异值;
S26、将计算得到整体差异值升序排列,取其中整体差异值最小的若干组初始筛选向量对应的历史种植数据作为筛选历史种植数据;
S3、基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型;
在此需要说明的是,S3的具体内容包括以下具体步骤:
S31、提取得到的筛选历史种植数据,获取若干组筛选历史种植数据的肥料施加量、土壤类型数据、气候条件变化数据、农作物品种数据、实际农作物生长阶段数据和农作物收成构建,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型;
以下是一个简单的示例,用Python编写了一个使用深度学习神经网络的模型来预测农作物收成的代码;
importnumpyasnp
importpandasaspd
fromsklearn.model_selectionimporttrain_test_split
fromsklearn.preprocessingimportStandardScaler
fromkeras.modelsimportSequential
fromkeras.layersimportDense
#1.加载历史种植数据
data=pd.read_csv("historical_planting_data.csv")
#2.准备数据
X=data[['fertilizer_amount','soil_type','climate_change','crop_variety','growth_stage']]
y=data['yield']
#将分类数据转换为one-hot编码
X=pd.get_dummies(X,columns=['soil_type','climate_change','crop_variety','growth_stage'])
#3.数据预处理
scaler=StandardScaler()
X=scaler.fit_transform(X)
#4.拆分数据集为训练集和测试集
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)
#5.建立神经网络模型
model=Sequential()
model.add(Dense(64,input_dim=X_train.shape[1],activation='relu'))
model.add(Dense(32,activation='relu'))
model.add(Dense(1,activation='linear'))
model.compile(optimizer='adam',loss='mean_squared_error')
#6.模型训练
model.fit(X_train,y_train,epochs=50,batch_size=32,validation_data=(X_test,y_test))
#7.使用模型进行预测
y_pred=model.predict(X_test)
#8.评估模型性能
loss=model.evaluate(X_test,y_test)
print("Testloss:",loss)
请注意,这只是一个简单的示例,实际应用中还需要考虑到更多因素,如模型选择、超参数调优、特征工程等,可能需要根据实际数据和需求对模型进行调整和优化。此外,这个示例使用了Keras库来构建神经网络模型;
S32、将提取的筛选历史种植数据分为作为70%的参数训练集和30%的参数测试集;将70%的参数训练集输入深度学习神经网络模型进行训练,以得到初始深度学习神经网络模型;利用30%的参数测试集对初始深度学习神经网络模型进行测试,输出满足预设农作物收成准确度的最优初始深度学习神经网络模型作为深度学习神经网络模型,其中,深度学习神经网络模型中的特定神经元的输出策略公式为:yn+1p=σ(<mstyle displaystyle="true">∑i=1mωnip×yni+cn+1p)</mstyle>,其中yn+1p/>为n+1层p项神经元的输出,/>为第n层神经元i与n+1层p项神经元的连接权重,yni/>代表第n层神经元i的输出,cn+1p/>代表第n层神经元i与n+1层p项神经元的线性关系的偏置,σ()/>代表Sigmoid激活函数;
S4、施肥前获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量;
在此需要说明的是,S4的具体内容包括以下具体步骤:
S41、施肥前通过土壤数据提取模组采集施肥点施肥时间的土壤类型数据,同时气候条件提取模组采集天气预报预报的后续天气气候条件变化数据;
S42、将获取的获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量;
S5、肥料施加模块根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料。
本发明将收集农作物生长过程中的历史种植数据储存在储存器中,其中历史种植数据包括历史土壤类型数据、历史气候条件变化数据、历史农作物品种数据、历史农作物生长阶段数据、历史施肥量和历史产量数据,将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据,基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型,施肥前获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,通过神经网络的方式对施肥量进行预测,提高了施肥量的准确性,同时在进行预测之前对采集数据进行筛选清洗,进一步提高了肥料施用的准确性。
实施例2:如图2所示,一种基于神经网络的农作物肥料精准施用***,其基于上述一种基于神经网络的农作物肥料精准施用方法实现,其包括数据收集模块、数据筛选模块、神经网络构建模块、实际肥料施加量获取模块、肥料施加模块和控制模块,数据收集模块用于收集农作物生长过程中的历史种植数据储存在储存器中,神经网络构建模块用于将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据,神经网络构建模块用于基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型。
在本实施例中,实际肥料施加量获取模块用于获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,肥料施加模块用于根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,控制模块用于控制数据收集模块、数据筛选模块、神经网络构建模块、实际肥料施加量获取模块、肥料施加模块的运行。
实施例3:本实施例提供一种电子设备,包括:处理器和存储器,其中,存储器中存储有可供处理器调用的计算机程序;
处理器通过调用存储器中存储的计算机程序,执行上述的一种基于神经网络的农作物肥料精准施用方法。
该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上的处理器(CentralProcessingUnits,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于神经网络的农作物肥料精准施用方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件,以便进行数据的输入输出。本实施例在此不做赘述。
实施例4:本实施例提出一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当计算机程序在计算机设备上运行时,使得计算机设备执行上述的一种基于神经网络的农作物肥料精准施用方法。
例如,计算机可读存储介质能够是只读存储器(Read-OnlyMemory,简称:ROM)、随机存取存储器(RandomAccessMemory,简称:RAM)、只读光盘(CompactDiscRead-OnlyMemory,简称:CD-ROM)、磁带、软盘和光数据存储设备等。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应理解,根据A确定B并不意味着仅仅根据A确定B,还能够根据A和/或其它信息确定B。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种划分方式,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可做很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于神经网络的农作物肥料精准施用方法,其包括以下具体步骤:
S1、收集农作物生长过程中的历史种植数据并储存;
S2、将获取的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据;
S3、基于筛选历史种植数据,构建深度学习神经网络模型;
S4、获取本次种植数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量;
S5、根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,其特征在于,所述S2中的数据筛选策略包括以下具体内容:将获取的历史种植土壤数据与本次施肥期间的土壤数据导入土壤差异值计算公式,计算历史种植土壤数据与本次施肥期间的土壤差异值,然后将获取的历史种植天气数据和本次施肥期间的天气数据导入天气差异值计算公式,计算历史种植天气数据和本次施肥期间的天气数据的天气差异值,然后将计算得到的天气差异值、土壤差异值导入整体差异值计算公式中计算整体差异值,从而得到筛选历史种植数据。
2.如权利要求1所述的一种基于神经网络的农作物肥料精准施用方法,其特征在于,所述S1包括以下具体步骤:
S11、通过土壤数据提取模组采集历史土壤类型数据,气候条件提取模组采集历史气候条件变化数据,其中,历史土壤类型数据包括种植区的历史土壤pH值、历史土壤含盐量和历史土壤有效养分量的数据,历史气候条件变化数据包括种植区的历史温度变化曲线和历史湿度变化曲线;
S12、通过施肥量采集模组采集种植区的历史单位面积施肥量数据,通过产品采集模组采集种植区的历史单位面积的产量,将对应种植区种植品种的历史土壤pH值、历史土壤含盐量、历史土壤有效养分量、种植区的历史温度变化曲线、历史湿度变化曲线、历史单位面积施肥量数据和历史单位面积的产量整合成向量形式储存并传输,其中土壤有效养分量为土壤中的含氮量和含磷量。
3.如权利要求2所述的一种基于神经网络的农作物肥料精准施用方法,其特征在于,所述S2中的数据筛选策略包括以下具体内容:
S21、提取对应种植区种植品种的历史土壤pH值、历史土壤含盐量、历史土壤有效养分量、种植区的历史温度变化曲线、历史湿度变化曲线、历史单位面积施肥量数据和历史单位面积的产量构成的全部向量,筛选其中与本次施肥处于相同品种和相同农作物生长阶段的若干组向量,设为初始筛选向量集合;
S22、获取天气预报预报的本次施肥期间的温度变化曲线、湿度变化曲线,同时获取本次施肥区域的土壤pH值、土壤含盐量、土壤有效养分量,整合成向量形式,设为本次筛选向量;
S23、将获取的初始筛选向量集合和本次筛选向量导入土壤差异值计算公式计算初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的土壤差异值,其中,所述土壤差异值计算公式为:,其中,/>为初始初始筛选向量集合的第i个初始筛选向量与本次筛选向量的差异值,/>为初始筛选向量集合的第i个初始筛选向量中的土壤pH值,/>为本次筛选向量中的土壤pH值,/>为初始筛选向量集合的第i个初始筛选向量中的土壤含盐量,/>为本次筛选向量中的土壤含盐量,/>为初始筛选向量集合的第i个初始筛选向量中的土壤有效养分量,/>为本次筛选向量中的土壤有效养分量,/>为土壤pH值占比系数,/>为土壤含盐量占比系数,/>为土壤有效养分量占比系数,其中,/>。
4.如权利要求3所述的一种基于神经网络的农作物肥料精准施用方法,其特征在于,所述S2中数据筛选策略还包括如下具体步骤:
S24、将获取的初始筛选向量集合和本次筛选向量导入天气差异值计算公式计算初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的天气差异值,其中,所述天气差异值计算公式为:,其中,/>为温度占比系数,/>为湿度占比系数,/>为初始筛选向量集合的第i个初始筛选向量与本次筛选向量的天气差异值,z()为向量的长度,/>为初始筛选向量集合的第i个初始筛选向量中温度变化曲线与本次筛选向量中温度变化曲线的交集,/>为初始筛选向量集合的第i个初始筛选向量中温度变化曲线与本次筛选向量中温度变化曲线的并集,/>为初始筛选向量集合的第i个初始筛选向量中湿度变化曲线与本次筛选向量中湿度变化曲线的交集,/>为初始筛选向量集合的第i个初始筛选向量中湿度变化曲线与本次筛选向量中湿度变化曲线的并集,其中,/>;
S25、获取初始筛选向量集合的其中一个初始筛选向量与本次筛选向量的天气差异值、土壤差异值导入整体差异值计算公式中初始筛选向量集合的其中一个初始筛选向量与本次筛选向量计算整体差异值,整体差异值计算公式为:,其中,/>为初始筛选向量集合的第i个初始筛选向量与本次筛选向量的整体差异值;
S26、将计算得到整体差异值升序排列,取其中整体差异值最小的若干组初始筛选向量对应的历史种植数据作为筛选历史种植数据。
5.如权利要求4所述的一种基于神经网络的农作物肥料精准施用方法,其特征在于,所述S3的具体内容包括以下具体步骤:
S31、提取得到的筛选历史种植数据,获取若干组筛选历史种植数据的肥料施加量、土壤类型数据、气候条件变化数据、农作物品种数据、实际农作物生长阶段数据和农作物收成构建,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型;
S32、将提取的筛选历史种植数据分为作为70%的参数训练集和30%的参数测试集;将70%的参数训练集输入深度学习神经网络模型进行训练,以得到初始深度学习神经网络模型;利用30%的参数测试集对初始深度学习神经网络模型进行测试,输出满足预设农作物收成准确度的最优初始深度学习神经网络模型作为深度学习神经网络模型,其中,深度学习神经网络模型中的特定神经元的输出策略公式为:,其中/>为n+1层p项神经元的输出,/>为第n层神经元i与n+1层p项神经元的连接权重,/>代表第n层神经元i的输出,/>代表第n层神经元i与n+1层p项神经元的线性关系的偏置,/>代表Sigmoid激活函数。
6.如权利要求5所述的一种基于神经网络的农作物肥料精准施用方法,其特征在于,所述S4的具体内容包括以下具体步骤:
S41、施肥前通过土壤数据提取模组采集施肥点施肥时间的土壤类型数据,同时气候条件提取模组采集天气预报预报的后续天气气候条件变化数据;
S42、将获取的获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量。
7.一种基于神经网络的农作物肥料精准施用***,其基于如权利要求1-6任一项的所述一种基于神经网络的农作物肥料精准施用方法实现,其特征在于,其包括数据收集模块、数据筛选模块、神经网络构建模块、实际肥料施加量获取模块、肥料施加模块和控制模块,所述数据收集模块用于收集农作物生长过程中的历史种植数据储存在储存器中,所述神经网络构建模块用于将获取的农作物生长过程中的历史种植数据导入数据筛选策略中对数据进行清洗筛选得到筛选历史种植数据,所述神经网络构建模块用于基于筛选历史种植数据,构建输入为实际肥料施加量、实际土壤类型数据、实际气候条件变化数据、实际农作物品种数据和实际农作物生长阶段数据,输出为农作物收成的深度学习神经网络模型。
8.如权利要求7所述的一种基于神经网络的农作物肥料精准施用***,其特征在于,所述实际肥料施加量获取模块用于获取对应施肥田地实时土壤类型数据、实时气候条件变化数据、实时农作物品种数据和实时农作物生长阶段数据导入构建的深度学习神经网络模型中,获取输出为最大的农作物收成量对应的实际肥料施加量,所述肥料施加模块用于根据得到的最大的农作物收成量对应的实际肥料施加量向施肥田地指定位置施加肥料,所述控制模块用于控制数据收集模块、数据筛选模块、神经网络构建模块、实际肥料施加量获取模块、肥料施加模块的运行。
9.一种人机交互装置,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
其特征在于,所述处理器通过调用所述存储器中存储的计算机程序,执行如权利要求1-6任一项所述的一种基于神经网络的农作物肥料精准施用方法。
10.一种计算机可读存储介质,其特征在于,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-6任一项所述的一种基于神经网络的农作物肥料精准施用方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620141.9A CN117322214B (zh) | 2023-11-30 | 2023-11-30 | 一种基于神经网络的农作物肥料精准施用方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620141.9A CN117322214B (zh) | 2023-11-30 | 2023-11-30 | 一种基于神经网络的农作物肥料精准施用方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117322214A true CN117322214A (zh) | 2024-01-02 |
CN117322214B CN117322214B (zh) | 2024-02-09 |
Family
ID=89275954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311620141.9A Active CN117322214B (zh) | 2023-11-30 | 2023-11-30 | 一种基于神经网络的农作物肥料精准施用方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117322214B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577212A (zh) * | 2024-01-17 | 2024-02-20 | 山东商务职业学院 | 一种生态农业信息服务管理*** |
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 |
CN117882546A (zh) * | 2024-03-13 | 2024-04-16 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
CN118114818A (zh) * | 2024-02-27 | 2024-05-31 | 威尔芬(北京)科技发展有限公司 | 基于大数据的甜橙花精油产量智能预测方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452505A (zh) * | 2008-12-26 | 2009-06-10 | 熊凯 | 一种测土配方施肥*** |
CN101578936A (zh) * | 2009-05-27 | 2009-11-18 | 中国农业大学 | 施肥处理方法及*** |
CN101950323A (zh) * | 2010-08-20 | 2011-01-19 | 江苏省农业科学院 | 基于土壤养分平衡的作物氮肥施用量的推荐方法 |
CN103823371A (zh) * | 2014-02-12 | 2014-05-28 | 无锡中科智能农业发展有限责任公司 | 基于神经网络模型的农业精准施肥***及施肥方法 |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和*** |
CN107832892A (zh) * | 2017-11-17 | 2018-03-23 | 北京大学 | 一种基于组合优化的多块地选种决策优化方法 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
US20190059203A1 (en) * | 2016-03-04 | 2019-02-28 | Nutrien Ag Solutions (Canada) Inc. | System and method for prescribing fertilizer application rates for spatial distribution of a product |
WO2019111527A1 (ja) * | 2017-12-08 | 2019-06-13 | コニカミノルタ株式会社 | 施肥設計方法および施肥設計装置 |
CN109964611A (zh) * | 2019-04-16 | 2019-07-05 | 中国农业大学 | 一种大田作物精准施肥方法及*** |
CN111557159A (zh) * | 2020-05-20 | 2020-08-21 | 安徽农业大学 | 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 |
CN113439520A (zh) * | 2021-07-21 | 2021-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 一种农作物灌溉施肥智慧决策方法及*** |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
CN115063252A (zh) * | 2022-06-08 | 2022-09-16 | 山东省农业科学院 | 一种基于神经网络的农作物肥料精准施用方法与*** |
CN115952931A (zh) * | 2023-03-14 | 2023-04-11 | 华智生物技术有限公司 | 一种水稻智能施肥方法、***、设备及介质 |
US20230165181A1 (en) * | 2020-03-11 | 2023-06-01 | Viewnetic Ltd. | Systems and methods for monitoring plants in plant growing areas |
CN116420487A (zh) * | 2023-03-31 | 2023-07-14 | 广西数字供销科技有限公司 | 基于人工智能的土壤配肥方法、***、设备及存储介质 |
CN116579872A (zh) * | 2023-04-25 | 2023-08-11 | 江苏华源节水股份有限公司 | 一种基于作物生长模型和天气预报的精准灌溉决策方法 |
-
2023
- 2023-11-30 CN CN202311620141.9A patent/CN117322214B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452505A (zh) * | 2008-12-26 | 2009-06-10 | 熊凯 | 一种测土配方施肥*** |
CN101578936A (zh) * | 2009-05-27 | 2009-11-18 | 中国农业大学 | 施肥处理方法及*** |
CN101950323A (zh) * | 2010-08-20 | 2011-01-19 | 江苏省农业科学院 | 基于土壤养分平衡的作物氮肥施用量的推荐方法 |
CN103823371A (zh) * | 2014-02-12 | 2014-05-28 | 无锡中科智能农业发展有限责任公司 | 基于神经网络模型的农业精准施肥***及施肥方法 |
US20190059203A1 (en) * | 2016-03-04 | 2019-02-28 | Nutrien Ag Solutions (Canada) Inc. | System and method for prescribing fertilizer application rates for spatial distribution of a product |
CN107220903A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市盛路物联通讯技术有限公司 | 一种智能农业管理方法和*** |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN107832892A (zh) * | 2017-11-17 | 2018-03-23 | 北京大学 | 一种基于组合优化的多块地选种决策优化方法 |
WO2019111527A1 (ja) * | 2017-12-08 | 2019-06-13 | コニカミノルタ株式会社 | 施肥設計方法および施肥設計装置 |
CN109964611A (zh) * | 2019-04-16 | 2019-07-05 | 中国农业大学 | 一种大田作物精准施肥方法及*** |
US20230165181A1 (en) * | 2020-03-11 | 2023-06-01 | Viewnetic Ltd. | Systems and methods for monitoring plants in plant growing areas |
CN111557159A (zh) * | 2020-05-20 | 2020-08-21 | 安徽农业大学 | 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 |
CN113439520A (zh) * | 2021-07-21 | 2021-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 一种农作物灌溉施肥智慧决策方法及*** |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
CN115063252A (zh) * | 2022-06-08 | 2022-09-16 | 山东省农业科学院 | 一种基于神经网络的农作物肥料精准施用方法与*** |
CN115952931A (zh) * | 2023-03-14 | 2023-04-11 | 华智生物技术有限公司 | 一种水稻智能施肥方法、***、设备及介质 |
CN116420487A (zh) * | 2023-03-31 | 2023-07-14 | 广西数字供销科技有限公司 | 基于人工智能的土壤配肥方法、***、设备及存储介质 |
CN116579872A (zh) * | 2023-04-25 | 2023-08-11 | 江苏华源节水股份有限公司 | 一种基于作物生长模型和天气预报的精准灌溉决策方法 |
Non-Patent Citations (3)
Title |
---|
于合龙;赵新子;陈桂芬;万保成;高杰;: "基于改进的BP神经网络集成的作物精准施肥模型", 农业工程学报, no. 12, pages 193 - 198 * |
周孚美;陈小虎;: "烤烟施肥数学模型及推荐施肥专家***研究", 湖南农业科学, no. 12, pages 68 - 72 * |
滕青芳, 秦春林, 党建武: "利用神经网络建立土壤施肥模型的应用研究", 兰州铁道学院学报, no. 04, pages 54 - 57 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577212A (zh) * | 2024-01-17 | 2024-02-20 | 山东商务职业学院 | 一种生态农业信息服务管理*** |
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 |
CN118114818A (zh) * | 2024-02-27 | 2024-05-31 | 威尔芬(北京)科技发展有限公司 | 基于大数据的甜橙花精油产量智能预测方法 |
CN118114818B (zh) * | 2024-02-27 | 2024-07-23 | 威尔芬(北京)科技发展有限公司 | 基于大数据的甜橙花精油产量智能预测方法 |
CN117882546A (zh) * | 2024-03-13 | 2024-04-16 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
CN117882546B (zh) * | 2024-03-13 | 2024-05-24 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117322214B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117322214B (zh) | 一种基于神经网络的农作物肥料精准施用方法与*** | |
Priya et al. | ML based sustainable precision agriculture: A future generation perspective | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN117688404B (zh) | 智能施肥配方决策方法、装置、设备、介质及程序产品 | |
Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
Anitha Mary et al. | Scope and recent trends of artificial intelligence in Indian agriculture | |
Nyakuri et al. | IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization | |
Chaudhary et al. | A critical review on hybrid framework for precise farming with application of Machine Learning (ML) and Internet of Things (IoT) | |
CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及*** | |
CN115039549B (zh) | 一种农作物种植施肥信息处理方法及*** | |
Sharma et al. | Crop yield prediction using hybrid deep learning algorithm for smart agriculture | |
Fredj et al. | CropWaterNeed: a machine learning approach for smart agriculture | |
Sani et al. | Crop Recommendation System using Random Forest Algorithm in Machine Learning | |
Aboneh et al. | Fusion of Multiple Sensors to Implement Precision Agriculture Using IOT Infrastructure | |
Priya et al. | A survey on deep learning based IoT approach for precision crop suggestion | |
Jiang et al. | Application and evaluation of an improved LSTM model in the soil moisture prediction of southeast chinese tobacco-producing areas | |
Xu et al. | An Adaptive Hybrid (1D-2D) Convolution-based ShuffleNetV2 Mechanism for Irrigation Levels Prediction in Agricultural Fields with Smart IoTs | |
Ahmed et al. | Seasonal Crop Yield Prediction in Nigeria Using Machine Learning Technique | |
Bobade et al. | Design of Smart Irrigation System Based on MLA | |
CN117784290B (zh) | 一种基于贝叶斯神经网络的骤旱预警方法及*** | |
CN117974348B (zh) | 一种智慧农业物联网监测*** | |
CN118014133A (zh) | 一种稻田养殖***生物量预测方法及终端设备 | |
Bostancı et al. | Decision Support Tools for Barley Yield: The Case of Menemen-Turkey | |
Loua et al. | A review on a machine learning approach of an intelligent irrigation monitoring system with edge computing and the internet of things | |
Tageldin | Integration of machine learning and predictive analytics in agriculture to optimize plant disease detection and treatment in Egypt |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |