TWI703529B

TWI703529B - 作物生長階段計算方法及電腦程式產品

Info

Publication number: TWI703529B
Application number: TW107147538A
Authority: TW
Inventors: 吳君孝; 馮書昭; 江采蔚
Original assignee: 蜂巢數據科技股份有限公司
Priority date: 2018-12-27
Filing date: 2018-12-27
Publication date: 2020-09-01
Also published as: TW202025063A

Abstract

一種作物生長階段計算方法包含：建立一基礎生長模型包含一作物於一生長階段中所需之複數環境生態數據以及一階段天數；利用對應於複數環境生態數據以及階段天數之複數歷史數據，透過一機器學習演算法自動調整基礎生長模型之複數特徵參數，並建立一優化生長模型；以及依據當前複數環境生態數據，透過優化生長模型計算出作物對應之生長階段之一預測天數。

Description

作物生長階段計算方法及電腦程式產品

本發明是有關一種作物生長階段計算方法及電腦程式產品，特別是一種預測生長天數的作物生長階段計算方法及電腦程式產品。

傳統的農業大多依賴農務工作者的個人經驗以及師徒傳承來判斷生長環境的優劣對於作物生長週期等影響，或有學者依據在標準環境生態下的累積數據統計出概括的作物標準模型，以獲得理論上生長週期。

然而，實際上不同經緯度的產地所具備的土壤性質、溫度、濕度、降雨量等環境生態條件均不相同，且相異於標準環境生態條件。因此，上述作物標準模型無法針對各產地作物精確計算具體的生長週期以及各階段時程。

有鑑於此，本發明之部分實施例提供一種作物生長階段計算方法及電腦程式產品。

本發明一實施例之作物生長階段計算方法包含：建立一基礎生長模型包含一作物於一生長階段中所需之複數環境生態數據以及一階段天數；利用對應於複數環境生態數據以及階段天數之複數歷史數據，透過一機器學習演算法自動調整基礎生長模型之複數特徵參數，並建立一優化生長模型；以及依據當前複數環境生態數據，透過優化生長模型計算出作物對應之生長階段之一預測天數。

本發明另一實施例之之電腦程式產品，其包括一組指令，當電腦載入並執行此組指令後能完成根據本發明任一實施例之作物生長階段計算方法。

以下藉由具體實施例配合所附的圖式詳加說明，當更容易瞭解本發明之目的、技術內容、特點及其所達成之功效。

S1~S4、S31~S33:步驟

1:電子裝置

10:運算單元

20:儲存單元

30:影像擷取單元

40:通訊單元

圖1為本發明一實施例之作物生長階段計算方法之步驟示意圖。

圖2為實施圖1之作物生長階段計算方法之一實施例的電子裝置架構示意圖。

圖3為本發明一實施例之作物生長階段計算方法之步驟示意圖。

以下將詳述本發明之各實施例，並配合圖式作為例示。在說明書的描述中，為了使讀者對本發明有較完整的瞭解，提供了許多特定細節；然而，本發明可能在省略部分或全部特定細節的前提下仍可實施。圖式中相同或類似之元件將以相同或類似符號來表示。特別注意的是，圖式僅為示意之用，並非代表元件實際之尺寸或數量，有些細節可能未完全繪出，以求圖式之簡潔。

請一併參照圖1及圖2，顯示本發明任一實施例之作物生長階段計算方法可由一電腦程式實現，以致於當電腦(即，具有運算單元10 與儲存單元20之任意電子裝置1，如：伺服器、平板電腦或智慧型手機)載入程式並執行後可完成任一實施例之作物生長階段計算方法。

由於既有的作物標準模型無法一體適用於不同產地、同一產地中同一作物於不同期作或經改良後的不同品種，透過本實施例之作物生長階段計算方法，以現有模型作為基底，透過環境生態數據訓練以及機器學習演算法，將自動修正既有模型參數及相對應權重值，以建立適應性調整的具體模型，詳細運作原理說明如下。

於至少一實施例中，作物可為但不限於：食用作物、特用作物(即工藝作物、園藝作物、商用作物、貿易作物)以及雜用作物等。作物的生長週期包含至少一個生長階段，舉例而言，鳳梨作物從最初發根到最終採收，將依序出現不同的階段性狀，如下表一所示：鳳梨生長週期包含採苗及栽植期、植株發育期、催花期、開花期、果實發育期以及果實成熟期等生長階段，例如：開始發根到長出第一片葉之期間為採苗及栽植期。

於本實施例中，透過步驟S1，運算單元10建立對應於作物的基礎生長模型，以作為後續機器學習的基礎。

舉例而言，運算單元10收集一產地過去的環境生態數據，包含但不限於：大氣溫度(℃)、大氣濕度(%)、大氣氣壓(hPa)、風速(m/s)、累積降雨量(mm)、露點溫度(℃)、光日射量(W/m²)、紫外線指數程度、土壤溫度(℃)、土壤含水量(%)、土壤電導度(ds/m)、土壤酸鹼值、二氧化碳濃度(ppm)、氮氣濃度(ppm)及以上之組合等。例如：依據歷史實驗數據可知，鳳梨作物於果實發育期的最適溫度區間為攝氏溫度28度至32度，其對於作物生長快慢及階段天數具有重要影響，因此，溫度是鳳梨作物在果實發育階段生長所需的環境生態數據之一。於部分實施例中，環境生態數據可由作物所在地之感測裝置取得，再透過有線或無線通訊技術傳輸至電子裝置1。同時，運算單元10利用依序出現之複數階段性狀定義出對應的生長階段，並計算出與生長階段相對應的階段天數，例如：運算單元10找出發根性狀與長葉性狀之出現時間，定義為採苗及栽植期，並將兩者時間相減即可計算出採苗及栽植生長階段的階段天數。

接著，運算單元10依據上述環境生態數據及階段天數，透過例如但不限於迴歸分析方法，統計出可供機器學習使用的基礎生長模型。其中，基礎生長模型包含作物於生長階段中生長所需的環境生態數據以及階段天數。

於另一實施例中，基礎生長模型可取自既有的作物標準模型，其包含生長階段的大略所需天數及最適環境生態條件，亦即，基礎生長模型包含作物於生長階段中所需之複數環境生態數據以及階段天數。舉例而言，運算單元10選擇性透過一通訊單元40接收來自外部之一基礎生長模型並內儲於儲存單元20，如圖2所示，藉此，運算單元10可讀取並建立對應於作物的基礎生長模型，以作為後續機器學習的基礎。

由上述說明可知，基礎生長模型無論是取自既有的作物模型或透過歷史實驗數據分析所獲得的實驗模型等，均無法針對作物於不同地域、不同氣候(例如：鳳梨三年兩收，各期之環境氣候不同)、不同改良品種的生長週期進行客製化計算，精確提供具體的生長階段預測天數。

於本實施例中，透過步驟S2，運算單元10利用對應於複數環境生態數據以及階段天數之複數歷史數據，透過一機器學習演算法自動調整基礎生長模型之複數特徵參數，並建立一優化生長模型。然後，透過步驟S3，運算單元10依據當前複數環境生態數據，透過優化生長模型計算出作物對應之生長階段的預測天數，其中預測天數會隨著地域氣候及生態環境而改變，對應於當前的作物生長環境生態條件，以推算出距離下一生長階段的剩餘天數。

以具有單一生長階段(如：採苗及栽植期)的基礎生長模型為例，該生長階段的定義為階段性狀由發根到第一片葉，透過性狀的觀察可以瞭解到該階段的開始及結束日期，計算出一階段天數，作為機器學習演算模型的標籤(Label)，並整理同一時段的環境生態數據，以橫軸為時間，單位為天，縱軸為各項的標準化數值(normalization)，整理為一組二維的資料陣列作為模型的特徵(feature)參數。藉由卷積神經網絡(CNN,Convolutional Neural Network)的技術，藉由一次次的餵入參數及標籤學習，透過模型的反向傳播(back propagation)及/或梯度下降自動化地調整各神經元參數，訓練出一輸入為環境生態數據，輸出為預測天數的深度機器學習模型。亦即，運算單元10利用階段天數作為標籤參數且利用複數環境生態數據作為複數特徵參數，透過反向傳播技術自動調整卷積神經網絡中複數特徵參數之複數權重值。換言之，自動調整特徵參數權重值的方法是利用數據分析的技術做環境生態數據的自動化加權以及判斷，計算出每個階段中，環境生態數據的改變量對於下一生長階段所對應生長性狀的產生時間影響的多寡，產生模型並持續地做模型的優化。

舉例來說，某次鳳梨的栽種紀錄中，發根日期為2017年11月15日，長第一片葉的日期為2017年12月15日，則卷積神經網絡於此次的訓練資料中的標籤即為30天，會自第一天開始，整理該時段的環境生態數據，並藉由資料融合(data fusion)以及資料轉換(data transformation)等技術產生對應的進階環境數據，進而構成後續計算之環境生態數據。其中，進階環境數據包含但不限於：每日最高大氣溫度(℃)、每日最低大氣溫度(℃)、累進大氣積溫(℃)、當日累積日射值(MJ)、累進日射量(MJ)、每日累進降雨量(mm)，每日最高土壤溫度(℃)、每日最低土壤溫度(℃)、累進土壤積溫(℃)、當日氮氣濃度最大值(ppm)、當日二氧化碳最大值(ppm)及以上之組合等。於部分實施例中，透過解析田間農務紀錄，可以由農務工作記錄中，將農務工作整理成例如但不限於：有除草與否的二元數值，或是如澆水量多寡(mm)的連續數值等農務紀錄資訊；亦可由性狀記錄中獲得例如但不限於：株高(cm)、株重(g)、葉數、果重等性狀資訊，因此，機器學習演算模型可以選擇性地將農務紀錄資訊及性狀資訊作為機器學習演算模型的特徵參數，以有效改善預測精準度。

於一實施例中，複數環境生態數據可為光日射量、土壤含水量、每日最高大氣溫度以及每日最低大氣溫度，即可在後續機器學習演算法中獲得良好的訓練效果，避免過度擬合，但不以此為限。以第一天為例，模型會將記錄中的資訊整理為一多變量的二維陣列型態訓練資料，二維的橫軸包括自環境生態數據中光日射量、土壤含水量等前述14項基礎的環境生態數據、經資料轉換而得的每日最大溫度及最小溫度等前述11項進階環境數據、田間記錄中所解析的除草、澆水量等前述55項農務紀錄資訊、以及株高、株重、葉數等前述10性狀資訊；而二維的縱軸則為時間單位，在第一天時會是只有第一天的資訊，因此輸入會是一1*95(14+11+55+10)的二維矩陣，此時的標籤為29(再29天結束)，以此類推，在最後一天獲得的輸入輸出參數為30*1=30行，縱軸為95列的二維陣列，數字為0的標籤。

然後，輸入當前獲得的複數環境生態數據後，就可以獲得此採苗及栽植期生長階段所剩餘的預測天數，在不同地區的生長期第一天的數據(1*25維的陣列)，可能會因為兩地的環境生態數據不同，獲得26~29等不同天數判斷的結果，從而實現客製化計算，精確提供具體的生長階段預測天數。同時，新獲得的環境生態數據以及階段天數判斷，可以作為新的訓練樣本對模型做回饋，後續用來優化模型的判斷準確率。

依據上述說明，本發明部分實施例之作物生長階段計算方法，可針對作物於不同環境生態條件及不同期作、不同改良品種的生長週期進行客製化計算，精確提供具體的生長階段預測天數。舉例而言，台灣的鳳梨品種，經過種種改良，跟既有鳳梨的作物標準模型有所差異，例如：台農17號金鑽鳳梨就是改良後的品種，已經跟改良前鳳梨的生長需求不盡相同，其整體生長週期也隨著不同，且相異於既有模型。既有模型的標準生長週期為18個月，而在我們實際場域學習金鑽鳳梨的生長週期後，得出的金鑽鳳梨的具體生長週期為16個月半，較符合實際作物生長情況，明顯改善既有模型的技術缺陷。

以下說明本發明之部分衍生實施例之作物生長階段計算方法。於一實施例中，基礎生長模型包含一作物於複數生長階段中所需之複數環境生態數據以及複數階段天數。由於鳳梨在不同生長階段所著重的環境生態數據不盡相同，譬如，鳳梨植株發育期中，氣溫會是影響生長最重要的因素，也就是溫度的細微變化就會影響到鳳梨的成長時程，而土壤水分變化則不太會有影響，相對而言，收穫期則是土壤含水量會對於植株影響最大，因此藉由在每個不同生長階段分別訓練出不同的機器學習模型，可以針對每個生長階段著重的不同權重做優化，而不會互相影響到參數的學習，換言之，同一特徵參數在機器學習模型下不同的生長階段中會具有不同的權重值，一個特徵參數會有二個以上的權重值，而非單一固定數值，亦即，每一特徵參數在不同之生長階段中具有不同之複數權重值。當模型在面對新作物時，訓練不夠充分的情形下，模型的輸出結果跟現實情形會出現差距，為了彌補這個差距，生長階段的自動化計算會同時解析農務紀錄，藉此推導當前植株所屬的生長期。

請一併參照圖2及圖3，在本實施例中，透過驟S31，電子裝置1接收當前複數環境生態數據以及一農務紀錄。舉例而言，電子裝置1選擇性包含一影像擷取單元30，且影像擷取單元30電性連接於運算單元 10。影像擷取單元30擷取農務紀錄影像並傳送至運算單元10，例如：電子裝置1可為無線攝影機或智慧型手機等行動上網裝置等，但不以此為限；或者，電子裝置1選擇性包含一通訊單元40，且通訊單元40電性連接於運算單元10。舉例而言，通訊單元40可為一無線通訊介面，透過一無線通訊協定與遠端的裝置建立連線。通訊單元40接收農務紀錄影像並傳送至運算單元10，亦即，電子裝置1可透過有線及無線網路通訊方式接收設置於在作物產地的行動上網裝置所傳來之一個或多個農務紀錄影像，藉此，可上傳至伺服器或雲端系統之電子裝置1來進行後續數據計算及預測，例如：電子裝置1可為伺服器或桌上型電腦等，但不以此為限。

於一實施例中，可透過農務紀錄判斷出作物依序出現的複數生長性狀以及生長階段，進而計算出階段天數，嗣後作為新的訓練標籤回饋至模型進行深度學習。舉例而言，農務紀錄為農務工作者每天對於作物的操作記錄，包括施作時間、該動作的操作方式以及使用的器具等跟每日農務上的工作相關的紀錄，以及對於植株性狀的紀錄，範例紀錄如表二。

藉由文字分析的技術，包含中文斷詞(word segmentation)，詞類標註(PoS,Part of Speech)，可以解析這樣一筆筆的紀錄。舉例來說，像是長出"葉子"，結合對於性狀的描述以及生長階段的定義，可以判斷當前應屬於植株發育期；而將"為鳳梨戴帽"中萃取較重要的"戴帽"這個動作，配合定義好的詞彙組集，則可以判斷依據，像是"戴帽"這個農務動作會是在鳳梨已經結果時才會產生，因此可以把範圍縮小到果實發育期跟果實成熟期，再由"施肥"這個詞彙，可以判斷作物當前生長階段是果實發育期。換言之，透過步驟S32，自動解析農務紀錄，並依據性狀查找表(例如但不限於表一所示)，判斷出作物生長階段。此外，透過田間農務紀錄的解析，可以為每一生長階段訂定標籤，作為回饋給基礎生長模型學習之用；更可以透過將文字紀錄轉變為詞向量(word vector)，藉由主成分分析(PCA,Principal Component Analysis)以及關聯規則學習(association rule learning)，自動化地擴增每個生長階段的詞彙組集。

然後，透過步驟S33，運算單元10依據由農務紀錄所解析出之當前生長階段以及當前複數環境生態數據，可更準確地計算出作物對應之生長階段的預測天數。補充說明者，除了採用當前所蒐集的環境生態數據外，亦可藉由未來的預測或模擬環境生態數據，來提升預測估算的準確度。舉例而言，運算單元10可透過氣象預測或是結合作物地區歷史環境數據，模擬出未來的環境生態數據，藉此推估出後續的生長日程，舉例而言，當前日期為3/15日，處於第四個生長階段，判斷出距離下一生長階段的剩餘天數為20天，則在近期未來中，可以結合氣象預報做每日剩餘天數的判斷，例如將到3/22號的預報結合作輸入參數，獲得於3/22號當天距離下一個生長階段的剩餘天數可能為12天，而在長期未來中，則是將作物地區歷史環境數據進行例如氣候平移的操作，例如：去年5月的天氣變化較相似於今年的4月，則會將去年的同時間資料做平移縮放，嗣後與環境生態數據結合，模擬出處於未來時間點的剩餘天數，進而計算出整體的生長週期，找出作物預期採收日期。

此外，於部分實施例中，透過給予當前生長階段以及當前環境生態數據，運算單元10可透過例如但不限於專家系統來判斷當前環境是哪種病蟲害好發環境，進而產生對應的農務行為建議，如表三所示，例如：提供合格的建議噴灑藥劑，以及其稀釋倍數(百分比的部分)，並提供某些藥劑會需要特別注意的施行方式等建議。以採苗及植栽期為例，此為寄生性線蟲好發的生長階段，可建議數種混合的噴灑藥劑，在栽植前7天，在植溝15公分深處條施藥，施藥後立刻覆土並壓實，或例如：以植株發育期為例，如果兩天內沒下雨，則需要澆水至含水量30%。簡言之，透過步驟S4，運算單元10依據預測天數，提供對應之一農務行為建議。

在一些實施例中，實現根據本發明任一實施例之作物生長階段計算方法的電腦程式是由一組指令所組成，並且此電腦程式可儲存在一電腦可儲存媒體或一電腦程式產品。

在一些實施例中，運算單元10可由一個或多個諸如微處理器、微控制器、數位信號處理器、微型計算機、中央處理器、場編程閘陣列、可編程邏輯設備、狀態器、邏輯電路、類比電路、數位電路和/或任何基於操作指令操作信號(類比和/或數位)的處理元件來實現。

在一些實施例中，儲存單元20可由一個或多個記憶體實現。

綜合上述，本發明之部分實施例提供一種作物生長階段計算方法及電腦程式產品，是利用例如但不限於：光日射量、土壤含水量、每日最高大氣溫度以及每日最低大氣溫度等環境生態數據，透過機器學習演算法建立出自動學習的優化生長模型，以進行後續作物生長期預測，並計算出各生長階段的預測天數。因此，可針對作物於不同環境生態條件、不同改良品種的生長週期進行客製化計算，精確提供具體的生長預測天數，明顯改善既有標準作物模型的技術缺陷。此外，藉由在每個不同生長階段分別訓練出不同的機器學習模型，可以針對每個生長階段著重的不同權重做優化，使每一特徵參數在不同之生長階段中具有不同之複數權重值，而不會互相影響到特徵參數的學習。

以上所述之實施例僅是為說明本發明之技術思想及特點，其目的在使熟習此項技藝之人士能夠瞭解本發明之內容並據以實施，當不能以此限定本發明之專利範圍，即大凡依本發明所揭示之精神所作之均等變化或修飾，仍應涵蓋在本發明之專利範圍內。

Claims

一種作物生長階段計算方法，包含：運算單元建立一基礎生長模型包含一作物於一生長階段中所需之複數環境生態數據以及一階段天數，其中該基礎生長模型包含複數該生長階段；利用對應於該複數環境生態數據以及該階段天數之複數歷史數據，透過一機器學習演算法自動調整該基礎生長模型之複數特徵參數之複數權重值，並建立一優化生長模型，其中每一該特徵參數在不同之該生長階段中具有不同之該複數權重值；以及運算單元依據當前該複數環境生態數據，透過該優化生長模型計算出該作物對應之該生長階段之一預測天數，其中計算出該生長階段之該預測天數之步驟包含：依據當前該生長階段以及當前該複數環境生態數據進行計算。
如請求項1所述之作物生長階段計算方法，更包含：運算單元自動解析一農務紀錄，並依據一性狀查找表判斷出該生長階段。
如請求項2所述之作物生長階段計算方法，更包含：運算單元接收當前該複數環境生態數據以及該農務紀錄。
如請求項1所述之作物生長階段計算方法，其中該複數環境生態數據包含光日射量、土壤含水量、每日最高大氣溫度以及每日最低大氣溫度。
如請求項1所述之作物生長階段計算方法，其中自動調整該基礎生長模型之步驟包含：利用該階段天數作為一標籤(label)參數且利用該複數環境生態數據作為該複數特徵(feature)參數，透過一反向傳播技術(back propagation)自動調整一卷積神經網絡中該複數特徵參數之複數權重值。
如請求項5所述之作物生長階段計算方法，其中該複數特徵參數包含在該生長階段中該複數環境生態數據隨著一生長天數所累積形成之複數二維陣列參數。
如請求項1所述之作物生長階段計算方法，更包含：運算單元依據該預測天數，提供對應之一農務行為建議。
如請求項1所述之作物生長階段計算方法，其中該建立該基礎生長模型之步驟包含：運算單元以依序出現之二個階段性狀，定義出該階段天數。
一種電腦程式產品，包括一組指令，當電腦載入並執行該組指令後能完成如請求項1至8中之任一項所述之作物生長階段計算方法。