本发明涉及农作物数据生长模型，具体涉及一种建立农作物数据生长模型的方法。
背景技术：
：传统的农作物种植主要是根据农作物的生长习性同农业生产者的经验相结合获取农作物种植过程中何时进行某一种操作，目前的大数据领域是通过海量的历史数据通过数据挖掘分析算法，找出数据之间的关联关系。农作物的数据生长模型主要聚焦于3个关键变量：自然变量、人工变量、生长状态。自然变量：即温度、湿度、光照、土壤状况，等等；人工变量：施加的温度光照补偿、喷、淋、灌、氮、磷、钾以及对作物生长过程中其他的辅助过程，等等；生长状态：即特定作物在每个生长阶段所呈现出的生长状况等等。农作物数据生长模型便是针对这三个变量在历史生长过程中形成的海量数据，通过软件系统深度分析其关联性，进而指挥农业生产，最终实现无人值守的精准农业与智慧农业。技术实现要素：本发明的目的在于提供一种建立农作物数据生长模型的方法，解决如何将农业种植同计算机领域中大数据相结合的问题。为解决上述的技术问题，本发明采用以下技术方案：一种建立农作物数据生长模型的方法，包括以下步骤：建立农作物数据生长变量、采集农作物数据生长变量、对农作物数据生长变量进行数据分析并建立农作物数据生长模型和对农作物数据生长模型进行实际应用。更进一步的方案是，农作物数据生长变量包括自然变量、人工变量和生长状态；自然变量包括自然环境下的空气湿度、土壤湿度、温度、光照、土壤PH值；人工变量包括人为施加的温度补偿、光照补偿、水分施加和肥料施加；生长状态是指农作物在每个生长阶段所呈现的生长状况。更进一步的方案是，采集农作物数据生长变量的方法是通过传感设备实时采集农作物生长过程中的自然变量和生长状态，同时采集在此自然变量和生长状态的条件下施加的人工变量，以及施加人工变量之后得到的生长状态，从而得到农作物数据生长变量存储到数据库系统，每一条农作物数据生长变量均包括自然变量、人工变量和生长状态。更进一步的方案是，对农作物数据生长变量进行数据分析并建立农作物数据生长模型的方法是：从数据库系统中获得所有的农作物数据生长变量的数据，通过数据挖掘分析算法得出自然变量、人工变量和生长状态之间的关联性；根据自然变量、人工变量和生长状态之间的关联性得到农作物自然变量权重值；以最佳生长状态时的自然变量为参照指标，并监测实时的自然变量，计算出指标偏移量，根据指标偏移量和农作物自然变量权重值得出需要施加的人工变量和人工变量数据，建立出农作物数据生长模型。更进一步的方案是，指标偏移量包括分指标偏移量和指标偏移总量，分指标偏移量的计算方法是分指标偏移量＝(实时自然变量-最佳生长状态时的自然变量)/实时自然变量*相对应的自然变量的权重值；分指标包括温度、光照、土壤湿度、空气湿度、土壤PH值；指标偏移总量等于所有的分指标偏移量的总和。更进一步的方案是，得出需要施加的人工变量和人工变量数据的具体方法是：温度补偿＝(1-指标偏移总量*温度权重)*最佳生长状态时的温度值；光照补偿＝(1-指标偏移总量*光照权重)*最佳生长状态时的光照值；水分施加＝[(1-指标偏移总量*土壤湿度权重)*最佳生长状态时的土壤湿度值+(1-指标偏移总量*空气湿度权重)*最佳生长状态时的空气湿度值]*单位面积喷灌量；肥料施加＝(1-指标偏移总量*土壤PH值权重)*最佳生长状态时的土壤PH值*单位面积施加肥料量。更进一步的方案是，对农作物数据生长模型进行实际应用的方法是通过传感设备实时采集自然变量和生长状态，然后将实时采集的自然变量和生长状态与农作物数据生长模型中的数据进行匹配，得到相同或相近的自然变量和生长状态数据，得到最佳生长状态所施加的人工变量，根据所述施加的人工变量进行人工干预。更进一步的方案是，农作物数据生长模型通过反复循环所述采集农作物数据生长变量、对农作物数据生长变量进行数据分析并建立农作物数据生长模型和对农作物数据生长模型进行实际应用三个步骤进行数据更新。与现有技术相比，本发明的有益效果是：本发明中将农作物种植同大数据相结合，建立农作物生长模型，分析农作物生长过程中的自然环境变量、人工变量和生长状态之间的关联性，基于事实，解决农作物种植过程中的进行人工操作失误的问题，更加精准地指导农业的生产。本发明中的农作物生长模型的建立，应用更加广泛，可以不受地域的限制，能够适用于所有的自然环境相似的地块，不再需要大量的尝试性工作。在异地农业的生产中，只需在物联网接入该作物的数据生长模型系统，其后大部分生产过程将无需人工预判和人工操作，并比农业专家管理生产更加准确，从而实现真正意义上无人值守的智慧农业。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。具体实施例：一种建立农作物数据生长模型的方法，包括以下步骤：建立农作物数据生长变量：农作物数据生长变量包括自然变量、人工变量和生长状态；自然变量包括自然环境下的空气湿度、土壤湿度、温度、光照、土壤PH值；人工变量包括人为施加的温度补偿、光照补偿、水分施加和肥料施加；生长状态是指农作物在每个生长阶段所呈现的生长状况。采集农作物数据生长变量：通过传感设备实时采集农作物生长过程中的自然变量和生长状态，同时采集在此自然变量和生长状态的条件下施加的人工变量，以及施加人工变量之后得到的生长状态，从而得到农作物数据生长变量存储到数据库系统，每一条农作物数据生长变量均包括自然变量、人工变量和生长状态。每一条数据都体现了农作物数据生长变量中自然变量、人工变量和生长状态之间的关系。对农作物数据生长变量进行数据分析并建立农作物数据生长模型：从数据库系统中获得所有的农作物数据生长变量的数据，通过数据挖掘分析算法得出自然变量、人工变量和生长状态之间的关联性；根据自然变量、人工变量和生长状态之间的关联性得到农作物自然变量权重值；以最佳生长状态时的自然变量为参照指标，并监测实时的自然变量，计算出指标偏移量，根据指标偏移量和农作物自然变量权重值得出需要施加的人工变量和人工变量数据，建立出农作物数据生长模型。这里的数据挖掘分析算法采用已有的数据挖掘算法，可以是任何一个可以分析出自然变量、人工变量和生长状态之间的关联性的算法，这些算法如分类、聚类、关联规则、决策树、神经网络等等，并不局限于某种特定的算法。自然变量中包括温度、光照、土壤湿度、空气湿度、土壤PH值，这些指标对农作物的生长的影响程度是不一样的，根据数据挖掘分析算法分析出的自然变量、人工变量和生长状态之间的关联性，实际上不仅分析出了在某种自然变量的情况下，施加某种人工变量得到某种生长状态，还分析出了在各种自然变量中，不同的自然变量如温度、光照、土壤湿度、空气湿度和土壤PH值等对作物的影响程度的大小，根据影响程度的大小确定自然变量中各种指标的权重，影响程度大的权重值大，影响程度小的权重值小，并且应该保证所有的自然变量的权重值相加应该等于1。指标偏移量包括分指标偏移量和指标偏移总量，分指标偏移量的计算方法是分指标偏移量＝(实时自然变量-最佳生长状态时的自然变量)/实时自然变量*相对应的自然变量的权重值；所述分指标包括温度、光照、土壤湿度、空气湿度、土壤PH值；指标偏移总量等于所有的分指标偏移量的总和。得出需要施加的人工变量和人工变量数据的具体方法是：温度补偿＝(1-指标偏移总量*温度权重)*最佳生长状态时的温度值；光照补偿＝(1-指标偏移总量*光照权重)*最佳生长状态时的光照值；水分施加＝[(1-指标偏移总量*土壤湿度权重)*最佳生长状态时的土壤湿度值+(1-指标偏移总量*空气湿度权重)*最佳生长状态时的空气湿度值]*单位面积喷灌量；肥料施加＝(1-指标偏移总量*土壤PH值权重)*最佳生长状态时的土壤PH值*单位面积施加肥料量。以辣椒种植为例，建立辣椒种植权重表：指标适宜域值最佳生长状态权重值实时数值适宜温度20～30摄氏度250.1T光照15000～30000勒克斯200000.1L土壤湿度60％至90％75％0.4Sh空气湿度20％至40％30％0.1Ah土壤的PH值6.1～7.47.00.3PH以最佳生长状态的时的自然环境指标作为参照指标，并监测实时的自然环境变化，计算偏移量，得出人工干预方式方法和计量。计算公式如下：分指标偏移量＝(实时自然变量-最佳生长状态时的自然变量)/实时自然变量*相对应的自然变量的权重值。如：温度偏移量＝(T-25)/T*0.1。偏移总量＝温度指标偏移量绝对值+光照指标偏移量绝对值+土壤湿度指标偏移量绝对值+空气湿度指标偏移量绝对值+PH值指标偏移量绝对值。如：偏移总量(De)＝(T-25)/T*0.1+(L-20000)/L*0.1+(Sh-0.75)/Sh*0.4+(Ah-0.3)/Ah*0.1+(PH-7.0)/PH*0.3。温度补偿计算公式＝(1-De*0.1)*25。光照补偿计算公式＝(1-De*0.1)*20000。喷灌施加＝[(1-De*0.4)*0.75+(1-De*0.1)*0.3]*单位面积喷灌量。肥料施加＝((1-De*0.3)*7.0*单位面积实际肥料量。对农作物数据生长模型进行实际应用：对农作物数据生长模型进行实际应用的方法是通过传感设备实时采集自然变量和生长状态，然后将实时采集的自然变量和生长状态与农作物数据生长模型中的数据进行匹配，得到相同或相近的自然变量和生长状态数据，得到最佳生长状态所施加的人工变量，根据所述施加的人工变量进行人工干预。农作物数据生长模型通过反复循环所述采集农作物数据生长变量、对农作物数据生长变量进行数据分析并建立农作物数据生长模型和对农作物数据生长模型进行实际应用三个步骤进行数据更新。通过三个步骤反复循环进行数据更新后，能够逐步建立更加精准地农作物数据生长模型，从而更加精确地控制农作物的生长，实现无人值守的智慧农业。本发明中将农作物种植同大数据相结合，建立农作物生长模型，分析农作物生长过程中的自然环境变量、人工变量和生长状态之间的关联性，基于事实，解决农作物种植过程中的进行人工操作失误的问题，更加精准地指导农业的生产。本发明中的农作物生长模型的建立，应用更加广泛，可以不受地域的限制，能够适用于所有的自然环境相似的地块，不再需要大量的尝试性工作。在异地农业的生产中，只需在物联网接入该作物的数据生长模型系统，其后大部分生产过程将无需人工预判和人工操作，并比农业专家管理生产更加准确，从而实现真正意义上无人值守的智慧农业。尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。当前第1页1 2 3