一种基于神经网络的农作物肥料精准施用方法与系统与流程

本发明属于专门适用于管理目的的数据处理系统，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系统。

背景技术：

1、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；

2、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系统，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；

3、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。

4、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，本技术设计了一种基于神经网络的农作物肥料精准施用方法与系统。

技术实现思路

1、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系统，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。

2、为实现上述目的，本发明提供如下技术方案：

3、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：

4、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；

5、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；

6、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；

7、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；

8、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。

9、具体的，所述s1包括以下具体步骤：

10、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；

11、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。

12、具体的，所述s2中的数据筛选策略包括以下具体内容：

13、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；

14、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；

15、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。

16、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；

17、具体的，所述s2中数据筛选策略还包括如下具体步骤：

18、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；

19、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；

20、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；

21、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。

22、具体的，所述s3的具体内容包括以下具体步骤：

23、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；

24、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。

25、具体的，所述s4的具体内容包括以下具体步骤：

26、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；

27、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。

28、一种基于神经网络的农作物肥料精准施用系统，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。

29、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。

30、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；

31、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。

32、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。

33、与现有技术相比，本发明的有益效果是：

34、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。