一种艾草品种改良选优的种植方法与流程

本发明涉及艾草种植，尤其涉及一种艾草品种改良选优的种植方法。

背景技术：

1、艾草作为一种重要的药用植物，具有广泛的应用价值，包括药用、食用等多个领域。然而，现有的艾草品种在产量、叶片大小、出油率和药效等方面存在差异，影响了其有效利用和经济价值。因此，通过品种改良选优的种植方法，提升艾草的生长特性和药用价值，成为了当前研究的热点。传统的艾草品种改良方法往往基于经验和观察，缺乏科学性和精准性，限制了改良效果的发挥。随着生物技术和先进种植技术的发展，智能化、数据驱动的方法在农业领域得到了广泛应用。将这些创新技术应用于艾草品种改良，可以更有效地实现目标特性的提升；因此，发明出一种艾草品种改良选优的种植方法变得尤为重要。

2、现有的艾草品种改良选优的种植方法无法选择出适应不同环境条件的优质品种，导致艾草产量低和叶片小，降低艾草生长效率；此外，现有的艾草品种改良选优的种植方法无法优化艾草的基因组，其其生长和代谢特性低，出油率低，且艾草药效与活性成分含量少，无法为种植者带来更高的收益；为此，我们提出一种艾草品种改良选优的种植方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种艾草品种改良选优的种植方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种艾草品种改良选优的种植方法，该种植方法具体步骤如下：

4、(1)在种植区域建立智能感知网络实时监测生长环境；

5、(2)收集整理各类与艾草生长相关的数据；

6、(3)建立生长预测模型预测各艾草生长表现；

7、(4)进行基因组学分析并针对关键基因进行改良；

8、(5)预测与分析改良后艾草品种的药效并反馈给种植人员；

9、(6)依据各组数据与信息提供实时的种植建议和管理方案；

10、(7)对各组数据进行分布式存储并对监控平台进行实时优化。

11、作为本发明的进一步方案，步骤(1)中所述智能感知网络具体建立步骤如下：

12、步骤一：依据艾草种植信息确定需要监测的各组参数信息，并选择适合的传感器类型，之后根据种植区域的大小和布局，决定传感器节点的数量和位置；

13、步骤二：初始化各传感器，并为各组传感器建立自己的网络标识、唯一id以及识别信息，同时通过各组传感器广播信息并寻找智能管理平台，之后智能管理平台根据wi-fi协议与各传感器建立连接关系以接收各传感器监测到的信息；

14、步骤三：通过图表以及地图形式展示各组参数的变化趋势，同时设置报警机制，当参数超过预设的阈值时，自动触发报警，并定期检查传感器节点的运行状态，当存在传感器异常，则依据该传感器的网络标识、唯一id或识别信息定位该传感器位置。

15、作为本发明的进一步方案，步骤一中所述参数信息具体包括气象数据、土壤数据、光照数据、水分数据、植物生长指标数据、病虫害数据、农艺操作数据以及遥感数据。

16、作为本发明的进一步方案，步骤(2)中所述艾草数据收集整理具体步骤如下：

17、步骤①：智能管理平台检测各组采集数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组采集数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除；

18、步骤②：对各数据进行标准化处理以统一格式，并将其整合归纳为样本集，之后计算艾草数据集标准偏差以筛除样本集中存在异常的数据，之后依据聚类个数进行k均值聚类分析，并识别在特定区域中聚集的数据点以筛除漏检的异常值；

19、步骤③：通过移动平均或指数平滑方法来平滑各组数据，以减少随机波动，之后通过傅里叶变换将数据转换到频域，滤除高频噪声，再检测是否存在重复的数据记录，若存在重复数据，则将其删除并保留剩余数据。

20、作为本发明的进一步方案，步骤(3)中所述生长预测模型艾草生长预测具体步骤如下：

21、步骤ⅰ：将艾草数据集中各组数据进行特征降维处理，之后依据处理结果筛除表征能力差的数据，通过多头注意力层从不同角度对剩余数据进行预处理，以提取各组数据的重要特征，再将数据分为训练集和测试集；

22、步骤ⅱ：初始化卷积神经网络的权重和参数，将训练集输入该卷积神经网络中，之后通过反向传播算法，优化模型的权重和偏置，并计算训练集各数据对应输出，再通过损失函数衡量输出结果与真实标签之间的损失值；

23、步骤ⅲ：若损失值未满足预设条件，则重新训练该卷积神经网络，并更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出生长预测模型；

24、步骤ⅳ：将待预测的采集数据输入到经过训练的生长预测模型中，之后通过前向传播算法，将输入的采集数据传递到模型的输入层，并经过隐藏层进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递；

25、步骤ⅴ：输出层接收处理数据后输出最终预测结果，之后依据预测结果生成不同环境条件下不同品种艾草生长曲线，并确定适合特定环境条件的艾草品种，同时根据不同目标特性对品种进行评分，选出在特定条件下具有潜力的品种。

26、作为本发明的进一步方案，步骤ⅰ中所述多头注意力层机制具体计算公式如下：

27、

28、multihead(q,k,v)＝concat(head1,…,headh)wo (2)

29、wherehead＝attention(qwiq,kwik,vwiv) (3)

30、其中，wo、wiq、wik以及wiv代表数据投影中可学习的参数矩阵，h代表注意力头的数量；

31、步骤ⅳ中所述线性变换具体计算公式式如下：

32、z＝x·w+b (4)

33、式中，x代表输入数据，w代表权重矩阵，b代表偏置向量。

34、作为本发明的进一步方案，步骤(4)中所述基因改良具体步骤如下：

35、步骤1：对不同艾草品种的基因组进行测序，得到其基因序列信息，将测序得到的基因序列与已知的基因数据库进行比对，并通过注释识别出各个基因的功能和可能的调控元件；

36、步骤2：比较不同品种的基因组序列，寻找相关基因变异并分析这些变异对艾草特性的影响，之后收集不同品种艾草在不同环境条件下的生长表现数据；

37、步骤3：根据基因组学分析结果和生长表现数据，选取与目标特性相关的基因作为特征，再对生长表现数据进行标准化以及归一化处理，通过统计模型并通过交叉验证评估模型的性能，模型训练完成后预测基因变异与生长表现的关联并输出关联曲线；

38、步骤4：根据基因组学分析和预测模型的结果，选定相关影响艾草特性的关键基因，使用基因编辑技术，针对选定的基因进行精准的基因组改写；

39、步骤5：若需要引入外源基因，则通过转基因技术将目标基因导入到艾草的基因组中，之后对编辑或转基因后的植株进行筛选和验证，观察改良植株的后代，验证基因改良是否传递给下一代，并检查改良是否达到预期效果。

40、作为本发明的进一步方案，步骤(7)中所述分布式存储具体步骤如下：

41、第一步：按照预设的时间区间对各组采集数据、预测数据以及实验数据进行分割，以获形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组节点信息；

42、第二步：依据数据块划分规则以及节点负载情况，并通过负载均衡算法选择合适的节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组节点上；

43、第三步：当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点，之后自动检测节点运行情况，并对故障节点进行数据迁移或修复。

44、相比于现有技术，本发明的有益效果在于：

45、1、该艾草品种改良选优的种植方法通过将艾草数据集进行预处理，以提取各组数据的重要特征，再将数据分为训练集和测试集，初始化卷积神经网络，再将训练集输入该卷积神经网络中，之后通过反向传播算法，优化模型的权重和偏置，并计算训练集各数据对应输出，再衡量输出结果与真实标签之间的损失值，以重新训练该卷积神经网络，并更新该卷积神经网络参数，再使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出生长预测模型，将待预测的采集数据输入到经过训练的生长预测模型中，之后通过前向传播算法，处理数据后输出最终预测结果，依据预测结果生成不同环境条件下不同品种艾草生长曲线，并确定适合特定环境条件的艾草品种，同时根据不同目标特性对品种进行评分，选出在特定条件下具有潜力的品种，能够选择出适应不同环境条件的优质品种，从而优化种植方案，提高产量和叶片大小，实现精准的种植管理，提高生长效率。

46、2、该艾草品种改良选优的种植方法通过对不同艾草品种的基因组进行测序，并比较不同品种的基因组序列，寻找相关基因变异并分析这些变异对艾草特性的影响，之后收集不同品种艾草在不同环境条件下的生长表现数据，选取与目标特性相关的基因作为特征，再对生长表现数据进行标准化以及归一化处理，通过统计模型并通过交叉验证评估模型的性能，模型训练完成后预测基因变异与生长表现的关联并输出关联曲线，选定相关影响艾草特性的关键基因，使用基因编辑技术或转基因技术对基因组进行改写，之后对编辑或转基因后的植株进行筛选和验证，观察改良植株的后代，之后对各组数据进行分布式存储，能够优化艾草的基因组，增强其生长和代谢特性，进而提高出油率，且提高其药效和活性成分含量，能够为种植者带来更高的收益。