一种基于大数据的农作物生长环境监控方法及系统与流程

本发明属于农作物种植，具体涉及一种基于大数据的农作物生长环境监控方法及系统。

背景技术：

1、农作物是指农业上栽培的各种植物，包括粮食作物、经济作物等。其中，可食用的粮食作物是人类基本的食物来源之一，经济作物是种植以出售以获取利润的农作物。例如，能大批长成或大面积收获，供盈利或口粮用的植物。目前，随着地球人口基数数量的不断增加，使得人类对于农作物的需求，不断加大。对农作物的生长环境进行完善的环境监测，是保证农作物健康生长的重要措施，也是保证农作物产量的关键工作。

2、现有技术中，随着传感器技术的发展，各种传感器能够采集农作物生长环境的各项指标数据，包括温度、湿度、空气含量等，实现农作物生长环境的在线监测。简单的数据展示的在线监测方式，人力成本投入大，需要工作人员24小时值守，工作量大；并且针对不同的农作物种类，需要关注的生长环境关键指标也不尽相同，对于需要关注的指标数据，大多依靠专家的专业知识进行分析，准确性低，无法得到广泛的应用。

技术实现思路

1、为了解决现有技术存在的人力成本投入大、工作量大、准确性低以及应用受限的问题，本发明目的在于提供一种基于大数据的农作物生长环境监控方法及系统。

2、本发明所采用的技术方案为：

3、一种基于大数据的农作物生长环境监控方法，包括如下步骤：

4、采集若干农作物种类的农作物生长知识大数据，根据农作物生长知识大数据，获取每一农作物种类的若干农作物生长环境关键指标和每一农作物生长环境关键指标的指标数据正常范围；

5、采集若干农作物种类的历史农作物生长环境监测大数据，根据历史农作物生长环境监测大数据和每一农作物种类的若干农作物生长环境关键指标，使用深度学习算法，构建农作物生长环境异常识别模型；

6、采集当前农作物种类的实时农作物生长环境监测数据，并根据对应的若干农作物生长环境关键指标，对实时农作物生长环境监测数据进行数据筛选，得到当前农作物种类的实时农作物生长环境监测关键数据；实时农作物生长环境监测关键数据包括若干实时农作物生长环境监测关键指标数据；

7、若实时农作物生长环境监测关键数据中任一实时农作物生长环境监测关键指标数据超出对应的指标数据正常范围，则发出对应的农作物生长环境关键指标异常警报；

8、将实时农作物生长环境监测关键数据，输入农作物生长环境异常识别模型，进行农作物生长环境异常识别，得到对应的实时农作物生长环境异常识别结果；

9、将农作物生长环境关键指标异常警报和实时农作物生长环境异常识别结果进行可视化，并根据农作物生长环境关键指标异常警报和实时农作物生长环境异常识别结果，控制对应的农作物生长环境维持设备。

10、进一步地，农作物生长环境关键指标包括土壤养分关键指标、生长环境关键指标、肥料养分关键指标、植株养分关键指标、土壤污染关键指标以及生长水质关键指标。

11、进一步地，采集若干农作物种类的农作物生长知识大数据，根据农作物生长知识大数据，获取每一农作物种类的若干农作物生长环境关键指标和每一农作物生长环境关键指标的指标数据正常范围，包括如下步骤：

12、采集若干农作物种类的农作物生长知识大数据，并对农作物生长知识大数据进行预处理，得到每一农作物种类的若干预处理后农作物生长知识数据；

13、根据所有农作物种类的若干预处理后农作物生长知识数据，构建农作物生长知识图谱；

14、根据农作物生长知识图谱和预训练的农作物种植专家库，获取每一农作物种类的若干农作物生长环境关键指标和每一农作物生长环境关键指标的指标数据正常范围。

15、进一步地，采集若干农作物种类的历史农作物生长环境监测大数据，根据历史农作物生长环境监测大数据和每一农作物种类的若干农作物生长环境关键指标，使用深度学习算法，构建农作物生长环境异常识别模型，包括如下步骤：

16、采集若干农作物种类的历史农作物生长环境监测大数据，并对历史农作物生长环境监测大数据进行预处理，得到每一农作物种类的若干预处理后历史农作物生长环境监测数据；

17、对同一农作物种类的若干预处理后历史农作物生长环境监测数据进行数据筛选和标签添加，得到所有农作物种类的设置有历史农作物生长环境异常识别预设标签的历史农作物生长环境监测关键数据集；

18、根据所有农作物种类的历史农作物生长环境监测关键数据集，使用elman-iafsa算法，构建农作物生长环境异常识别模型。

19、进一步地，根据所有农作物种类的历史农作物生长环境监测关键数据集，使用elman-iafsa算法，构建农作物生长环境异常识别模型，包括如下步骤：

20、将所有农作物种类的历史农作物生长环境监测关键数据集，按照7:3的比例，划分为模型训练样本集和模型测试样本集；

21、使用iafsa优化算法，对elman网络的初始网络参数进行优化，得到elman网络的最优的初始网络参数；

22、根据elman网络的最优的初始网络参数，构建初始的农作物生长环境异常识别模型；

23、将模型训练样本集输入初始的农作物生长环境异常识别模型，进行优化训练，得到优化的农作物生长环境异常识别模型；

24、将模型测试样本集输入优化的农作物生长环境异常识别模型，进行模型测试，得到对应的测试准确率；

25、若测试准确率大于预设测试准确率阈值，则输出最优的农作物生长环境异常识别模型，否则，对优化的农作物生长环境异常识别模型继续进行优化训练。

26、进一步地，使用iafsa优化算法，对elman网络的初始网络参数进行优化，得到elman网络的最优的初始网络参数，包括如下步骤：

27、将elman网络的初始网络参数作为iafsa优化算法的iafsa个体的位置；

28、设定iafsa寻优算法的iafsa种群参数、最大迭代次数以及适应度函数；

29、根据iafsa种群参数，使用circle混沌映射序列进行iafsa种群初始化，得到初始化的iafsa种群；

30、根据适应度函数，获取初始化的iafsa种群中所有初始的iafsa个体的适应度值，并根据适应度值，将最优的iafsa个体的位置赋予iafsa优化算法公告牌；

31、根据基于柯西分布的自适应初始的iafsa个体视野更新机制，更新初始化的iafsa种群的视野范围，得到初始的iafsa个体的更新的视野范围；

32、引入收敛因子，更新初始化的iafsa种群的步长，得到初始的iafsa个体的更新的步长；

33、基于更新的视野范围和更新的步长，对初始化的iafsa种群执行聚群行为、追尾行为以及觅食行为，得到更新的iafsa种群；

34、根据动态反向学习机制，对更新的iafsa种群中所有更新的iafsa个体进行动态反向学习，得到反向的iafsa个体；

35、获取所有更新的iafsa个体和所有反向的iafsa个体的适应度值，并根据适应度值，将最优的iafsa个体的位置赋予iafsa优化算法公告牌；

36、若迭代次数到达最大迭代次数或最优的iafsa个体的适应度值满足要求，则将iafsa优化算法公告牌的最优的iafsa个体对应的最优解进行输出，得到elman网络的最优的初始网络参数。

37、进一步地，采集当前农作物种类的实时农作物生长环境监测数据，并根据对应的若干农作物生长环境关键指标，对实时农作物生长环境监测数据进行数据筛选，得到当前农作物种类的实时农作物生长环境监测关键数据，包括如下步骤：

38、采集当前农作物种类的实时农作物生长环境监测数据；实时农作物生长环境监测数据包括若干实时农作物生长环境监测指标数据；

39、根据当前农作物种类的若干农作物生长环境关键指标，筛选对应的实时农作物生长环境监测指标数据，得到对应的若干实时农作物生长环境监测关键指标数据；

40、将若干实时农作物生长环境监测关键指标数据进行整合，得到当前农作物种类的实时农作物生长环境监测关键数据。

41、进一步地，农作物生长环境关键指标异常警报包括土壤养分关键指标异常警报、生长环境关键指标异常警报、肥料养分关键指标异常警报、植株养分关键指标异常警报、土壤污染关键指标异常警报以及生长水质关键指标异常警报。

42、进一步地，将实时农作物生长环境监测关键数据，输入农作物生长环境异常识别模型，进行农作物生长环境异常识别，得到对应的实时农作物生长环境异常识别结果，包括如下步骤：

43、将实时农作物生长环境监测关键数据输入农作物生长环境异常识别模型；

44、使用农作物生长环境异常识别模型，提取实时农作物生长环境监测关键数据的数据特征；

45、根据数据特征，进行分类预测，得到对应的实时农作物生长环境异常识别预测标签；

46、将实时农作物生长环境异常识别预测标签作为实时农作物生长环境异常识别结果进行输出。

47、一种基于大数据的农作物生长环境监控系统，用于实现农作物生长环境监控方法，系统包括依次连接的关键指标获取单元、模型构建单元、数据筛选单元、异常警报单元、异常识别单元以及维持设备控制单元；

48、关键指标获取单元，用于采集若干农作物种类的农作物生长知识大数据，根据农作物生长知识大数据，获取每一农作物种类的若干农作物生长环境关键指标和每一农作物生长环境关键指标的指标数据正常范围；

49、模型构建单元，用于采集若干农作物种类的历史农作物生长环境监测大数据，根据历史农作物生长环境监测大数据和每一农作物种类的若干农作物生长环境关键指标，使用深度学习算法，构建农作物生长环境异常识别模型；

50、数据筛选单元，用于采集当前农作物种类的实时农作物生长环境监测数据，并根据对应的若干农作物生长环境关键指标，对实时农作物生长环境监测数据进行数据筛选，得到当前农作物种类的实时农作物生长环境监测关键数据；

51、异常警报单元，用于若实时农作物生长环境监测关键数据中任一实时农作物生长环境监测关键指标数据超出对应的指标数据正常范围，则发出对应的农作物生长环境关键指标异常警报；

52、异常识别单元，用于将实时农作物生长环境监测关键数据，输入农作物生长环境异常识别模型，进行农作物生长环境异常识别，得到对应的实时农作物生长环境异常识别结果；

53、维持设备控制单元，用于将农作物生长环境关键指标异常警报和实时农作物生长环境异常识别结果进行可视化，并根据农作物生长环境关键指标异常警报和实时农作物生长环境异常识别结果，控制对应的农作物生长环境维持设备。

54、本发明的有益效果为：

55、本发明公开了一种基于大数据的农作物生长环境监控方法及系统，通过对农作物生长知识大数据进行分析，获取农作物生长环境关键指标和指标数据正常范围，降低了对专家的依赖程度，提高了推广和普及的实用性；基于深度学习算法，构建农作物生长环境异常识别模型，能够准确的识别农作物生长环境关键指标数据与农作物生长环境异常之间的深度联系，不仅仅依靠简单的数据直观表征，提高了农作物生长环境监测的准确性和自动化程度，降低了人力成本投入，减轻了工作量；将农作物生长环境关键指标异常警报和实时农作物生长环境异常识别结果进行可视化，能够第一时间提醒工作人员对异常情况进行处理，提高了农作物生长环境监测的实时性和实用性；根据农作物生长环境关键指标异常警报和实时农作物生长环境异常识别结果，控制对应的农作物生长环境维持设备，实现了基于大数据的农作物生长环境监测与控制，保证的农作物生长环境的稳定性与可靠性。

56、本发明的其他有益效果将在具体实施方式中进一步进行说明。