CN105825230A - 基于深度置信网络模型的土壤墒情预测方法和系统 - Google Patents
基于深度置信网络模型的土壤墒情预测方法和系统 Download PDFInfo
- Publication number
- CN105825230A CN105825230A CN201610146190.7A CN201610146190A CN105825230A CN 105825230 A CN105825230 A CN 105825230A CN 201610146190 A CN201610146190 A CN 201610146190A CN 105825230 A CN105825230 A CN 105825230A
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- moisture content
- time point
- network model
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 230000012010 growth Effects 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000002262 irrigation Effects 0.000 abstract description 5
- 238000003973 irrigation Methods 0.000 abstract description 5
- 239000013598 vector Substances 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度置信网络模型的土壤墒情预测方法和系统,该方法包括:采集土壤墒情和环境气候数据;筛选关键环境因素;构建数据库;建立深度置信网络模型;对深度置信网络模型进行训练;利用深度置信网络模型对土壤墒情进行预测。本发明提供的预测方法,采用深度置信网络模型对土壤墒情进行预测,在实质上考虑到了各影响因子之间的相互作用,且需要的参数及边界条件少很多,可以得到推广,还可以有更多的隐含层,因此不需要大量的节点就能达到一定的预测效果,且更适合挖掘输入向量间的复杂线性关系。利用本发明提供的预测方法预测土壤的水分盈缺情况,便于及时进行做出节水灌溉、施肥决策和排水措施等,使农作物处于最优生长状态。
Description
技术领域
本发明涉及土壤分析技术领域,尤其是涉及一种基于深度置信网络模型的土壤墒情预测方法和系统。
背景技术
土壤墒情,即作物根系层的土壤含水状况。土壤墒情与作物的生长过程密切相关,且在不同的生长阶段,其变化规律是不同的,而且,土壤墒情受降雨量、地面温度和平均风速等环境因素的影响较大。为了精准预测土壤墒情,必须充分考虑环境因素的影响和作物生长状态,以实现按需灌溉。因此,快速、准确地预测土壤墒情,对于探明作物生长发育期内的土壤水分盈缺状况,做出节水灌溉、施肥决策和排水措施都有重要意义。
目前的土壤墒情预测方法主要有经验推断法、基于土壤水分平衡模型的预测方法、基于土壤水分动力学模型的预测方法和基于BP(BackPropagation,多层前馈)神经网络模型的预测方法。
其中,经验推断方法主要是分析与土壤墒情有关的环境因素和气象因素,求出它们与土壤墒情之间的相关系数,选择相关系数较大的关键因子,进而建立关键因子与土壤墒情的多元回归模型。该方法的缺点是没有考虑到各影响因子之间的相互作用。
基于土壤水分平衡模型的预测方法是从土壤水分平衡的角度出发分析和推导未来的墒情变化,基于土壤水分动力学模型的预测方法是从土壤水分动力学原理的角度出发分析和推导未来的墒情变化。这两种方法的优点是原理简单,缺点是模型所需的参数和边界条件较多,在实际情况下难以全部满足,因此预测方法不能得到推广。
基于BP神经网络模型的预测方法中BP神经网络的隐含层个数和权重初始值会对预测效果产生很大影响。当隐含层数量增大时,BP算法的计算复杂度会很大,因此BP神经网络模型的隐含层一般为1-2层,称为浅层神经网络。由于土壤墒情是一个连续的时间序列,属于非稳态时间序列,而该预测方法也适合对非线性时间序列进行预测,但是这种方法存在的缺点是:当神经网络的隐含层较少时就需要大量的隐含节点才能到达一定的预测效果,这就使得建模的复杂度增大。对于一些复杂问题,浅层神经网络很难建立输入向量间的复杂非线性关系。
发明内容
针对以上缺陷,本发明提供一种基于深度置信网络模型的土壤墒情预测方法和系统,至少可以解决上述现有的预测方法中存在的部分缺陷。
第一方面,本发明提供的基于深度置信网络模型的土壤墒情预测方法包括:
采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据,所述第一预设时间段在所述农作物的生长周期内;
对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析,将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素;
将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集,将各个第一时间点的数据集形成数据库;
建立深度置信网络模型,将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型,并对所述深度置信网络模型进行训练;
利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第一时间点的土壤墒情,所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
可选的,所述深度置信网络模型包括一个输入层、一个输出层及设置在所述输入层和所述输出层之间的多个隐含层,各个隐含层和所述输入层中的任意两相邻层形成一个受限玻尔兹曼机,所述输出层与相邻的隐含层形成一个BP神经网络模块;每一层设置有预设数量的节点,且相邻层之间设置有连接权重矩阵。
可选的,所述对所述深度置信网络模型进行训练,包括:
在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数,所述训练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机中两层之间的连接权重矩阵,所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最小;
利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节点的可选偏置值;
利用对比散列度算法进行寻优计算,在所述可选连接权重矩阵和每一节点的可选偏置值筛选出最优连接权重矩阵和每一节点的最优偏置值。
可选的,在所述利用训练完成的深度置信网络模型预测所述预设采样区的农作物在第二预设时间段内每一第一时间点的土壤墒情之前,还包括:
利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每一连接权重矩阵的误差;
利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩阵进行修正。
可选的,采用下式确定所述输入层的节点数量:
N1=m1*m2*m3
其中,N1为输入层的节点数量,m1为第一时间点的个数,m2为每一第一时间点的数据集中土壤墒情与关键环境因素的个数之和,m3为每一第一时间点的数据集中关键环境因素的采集数据和土壤墒情中每一数据的二进制编码平均位数。
可选的,采用下式确定每一隐含层的节点数量:
其中,N2为每一隐含层的节点数量,N1为所述输入层的节点数量,N3为所述输出层的节点数量,a1为大于等于0且小于等于10的整数。
可选的,采用下式确定每一隐含层的节点数量;
N2=2*N1±a2
其中,N2为每一隐含层的节点数量,a2为大于等于0且小于等于10的整数。
可选的,采用下式确定所述输出层的节点数量:
N3=m1*m4
其中,N3为输出层的节点数量,m1为所述第一预设时间段内第一时间点的个数,m4为每一第一时间点的数据集中土壤墒情的二进制编码位数。
可选的,该方法还包括:
将所述数据库中未参与模型训练的数据集输入所述深度置信网络模型,得到土壤墒情的预测值;
计算土壤墒情的预测值与所述未参与模型训练的数据集中的土壤墒情采集值之间的误差,并根据该误差确定所述深度置信网络模型的预测精度。
第二方面,本发明提供的基于深度置信网络模型的土壤墒情预测系统包括:
数据采集模块,用于采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据,所述第一预设时间段在所述农作物的生长周期内;
相关性分析模块,用于对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析,将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素;
数据库形成模块,用于将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集,将各个第一时间点的数据集形成数据库;
模型建立模块,用于建立深度置信网络模型,将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型,并对所述深度置信网络模型进行训练;
墒情预测模块,用于利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内每一第一时间点的土壤墒情,所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
本发明提供的预测方法,采用深度置信网络模型对土壤墒情进行预测,相对于现有的经验推断方法,本发明采用的深度置信网络模型在实质上考虑到了各影响因子之间的相互作用,因此预测准确度相对于经验推断方法得到提高。而且,相对于基于土壤水分平衡模型的预测方法和基于土壤水分动力学模型的预测方法,本发明需要的参数及边界条件少很多,因此可以得到推广。还有,相对于浅层神经网络模型,可以有更多的隐含层,因此不需要大量的节点就能达到一定的预测效果,且更适合挖掘输入向量间的复杂线性关系。根据本发明提供的预测方法可以预测土壤的水分盈缺情况,进行做出节水灌溉、施肥决策和排水措施等,既节约水源,也能使农作物处于最优生长状态。
附图说明
通过参考附图会更加清楚的理解本发明的特征信息和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了根据本发明基于深度置信网络模型的土壤墒情预测方法一实施例的流程示意图;
图2示出了一种深度置信网络模型的结构示意图;
图3示出了根据本发明基于深度置信网络模型的土壤墒情预测系统一实施例的结构框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明提供一种基于深度置信网络模型的土壤墒情预测方法,如图1所示,该方法包括:
S1、采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据,所述第一预设时间段在所述农作物的生长周期内;
S2、对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析,将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素;
S3、将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集,将各个第一时间点的数据集形成数据库;
S4、建立深度置信网络模型,将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型,并对所述深度置信网络模型进行训练;
S5、利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第一时间点的土壤墒情,所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
本发明提供的预测方法,采用深度置信网络模型对土壤墒情进行预测,相对于现有的经验推断方法,本发明采用的深度置信网络模型在实质上考虑到了各影响因子之间的相互作用,因此预测准确度相对于经验推断方法得到提高。而且,相对于基于土壤水分平衡模型的预测方法和基于土壤水分动力学模型的预测方法,本发明需要的参数及边界条件少很多,因此可以得到推广。还有,相对于浅层神经网络模型,可以有更多的隐含层,因此不需要大量的节点就能达到一定的预测效果,且更适合挖掘输入向量间的复杂线性关系。根据本发明提供的预测方法可以预测土壤的水分盈缺情况,进行做出节水灌溉、施肥决策和排水措施等,既节约水源,也能使农作物处于最优生长状态。
可以理解的是,所谓的生长周期包括幼苗期、生长期、抽穗期、成熟期。第一预设时间段可以是生长周期内的一天或几天,例如三天、五天。第一预设时间段内的多个第一时间点,例如每天的8点、12点、16点、20点、0点、4点。第二预设时间段,例如第一时间段之后的一天或几天,当然,第二时间段内的第一时间点应与第一时间段内的第一时间点对应,例如8点、12点、16点、20点、0点、4点,在实际预测是,可以仅预测某一个或某几个第一时间点的土壤墒情。
在具体实施时,步骤S1的具体采样过程可以包括:
在作为预设采样区的试验田内均匀选定b1个土壤墒情采样点,在相同的土壤深度埋下相同型号的传感器,并设置相同的采样频率,用于采样土壤墒情;在该试验田中设置b2个气象站,各气象站内的传感器的采样频率与采集土壤墒情的传感器相同,用于收集该试验田的环境气候数据。为避免采集的个别数据误差较大,在同一时间点采集到的b1个土壤墒情中去掉最大值和最小值,然后求平均,得到该时间点的土壤墒情。同样,在同一时间点采集到的b2个环境气候数据也可采用上述方法获得该时间点的环境气候数据。由于用于采样土壤墒情的传感器和气象站内的传感器采样频率相同,因此可以采集到多个时间点的土壤墒情和环境气候数据。
可以理解的是,所谓的境气候数据,是指降雨量、平均风速、地面温度、气压、最高温度等,有些因素对土壤墒情的影响较小,可以忽略,而有些因素对土壤墒情的影响较大,必须要考虑。步骤S2可以采用软件分析软件对相关性进行分析,得到在这一时间点的土壤墒情和各个环境因素之间的相关性系数。一般情况下,降雨量、地面温度是比较关键的环境因素。
可以理解的是,一个数据集对应一个时间点,例如在上午10点的土壤墒情为a、关键环境因素为降雨量和地面温度,关键环境因素的采集数据为在S1中采集到的数据,例如降雨量为b、地面温度为c。
在具体实施时,S4中可以采用多种结构的深度置信网络模型,其中的一种结构可参考图2,具体为:深度置信网络模型包括一个输入层、一个输出层及设置在所述输入层和所述输出层之间的多个隐含层,各个隐含层和所述输入层中的任意两相邻层形成一个受限玻尔兹曼机,所述输出层与相邻的隐含层形成一个BP神经网络模块;每一层设置有预设数量的节点,且相邻层之间设置有连接权重矩阵。图2中示出的隐含层为5,在图2中共形成了5个受限玻尔兹曼机和1个BP神经网络模块,图中的w表示连接权重矩阵。
在具体实施时,输入层的节点数量可以有多种确定方法,例如采用下式确定输入层的节点数量:
N1=m1*m2*m3
其中,N1为输入层的节点数量,m1为第一时间点的个数,m2为每一第一时间点的数据集中土壤墒情与关键环境因素的个数之和,m3为每一第一时间点的数据集中关键环境因素的采集数据和土壤墒情中每一数据的二进制编码平均位数。例如,关键环境因素为降雨量、地面温度,则m2为3。
在具体实施时,每一隐含层的节点数量可以有多种确定方法,例如,采用下式确定每一隐含层的节点数量:
其中,N2为每一隐含层的节点数量,N1为所述输入层的节点数量,N3为所述输出层的节点数量,a1为大于等于0且小于等于10的整数。
再例如,还可以采用下式确定每一隐含层的节点数量;
N2=2*N1±a2
其中,N2为每一隐含层的节点数量,a2为大于等于0且小于等于10的整数。
当然,还可以采用输入层节点数目的1.5倍、2倍、2.5倍等倍数关系确定每一隐含层的节点数量。
在具体实施时,输出层的节点数量可以有多种确定方法,例如,采用下式确定输出层的节点数量:
N3=m1*m4
其中,N3为输出层的节点数量,m1为所述第一预设时间段内第一时间点的个数,m4为每一第一时间点的数据集中土壤墒情的二进制编码位数。
在具体实施时,每一受限玻尔兹曼机的两层之间可以采用Sigm激励函数进行激活,而BP神经网络模块的两层之间可以采用线性函数进行激活。
在具体实施时,S4中所述深度置信网络模型的训练过程可以具体包括图1中未示出的:
S41、在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数,所述训练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机中两层之间的连接权重矩阵,所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最小;
S42、利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节点的可选偏置值;
S43、利用对比散列度算法进行寻优计算,在所述可选连接权重矩阵和每一节点的可选偏置值中筛选出最优连接权重矩阵和每一节点的最优偏置值。
例如,在输入侧的第一个受限玻尔兹曼机中建立的目标训练函数为:
E(v,h)=-∑ivi*bi-∑jhj*cj-∑ijvi*hi*wij
其中,E(v,h)为该受限玻尔兹曼机的能量,vi为该受限玻尔兹曼机为输入层第i个节点的状态值,hj为与输入层相邻的隐含层中第j个节点的状态值,bi为输入层第i个节点的偏置值,cj为与输入层相邻的隐含层中第j个节点的偏置值,wij为输入层与该相邻隐含层之间的连接权重矩阵。上述的状态值为0或1,1代表激活态,0代表非激活态。
由于受限玻尔兹曼机中各节点状态值的联合概率分布P(v,h)服从玻尔兹曼分布:
进而,输入层的边缘概率分布:
为使E(v,h)最小,即使p(v)最大,即受限玻尔兹曼机能量值最小。
由于S42中利用最大似然估计算法进行计算时,参数值可以有多种情况,因此S43中采用对比散列度算法进行求解,从中选择出最优的参数值。实验证明,以训练样本为起点,经过一次状态转移就可以抵达玻尔兹曼分布,因此采用状态转移次数为1的对比散列度算法即可。
在BP神经网络模块的具体训练时,可以采用kdn+2+m线性函数计算输出层中每一节点的状态值。
在具体实施时,本发明在进行预测之前还可包括图中未示出的:
利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每一连接权重矩阵的误差;
利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩阵进行修正。
可以理解的是,所谓的反向传播算法即BP算法。
这样做的好处是:通过反向微调的方式进一步提高预测的精度。
在具体实施时,本发明提供的预测方法还可以包括:
将所述数据库中未参与模型训练的数据集输入所述深度置信网络模型,得到土壤墒情的预测值;
计算土壤墒情的预测值与所述未参与模型训练的数据集中的土壤墒情采集值之间的误差,并根据该误差确定所述深度置信网络模型的预测精度。
这里的误差可以为均方误差,也可以为平均绝对值误差。假如采用2/3个时间点的数据集进行训练,则这里可以采用剩余1/3时间点的数据集的全部或部分进行精确度计算。
这里,通过数据库中未参与模型训练的数据输入到深度置信网络模型中,然后根据预测的土壤墒情和实际采集到的土壤墒情确定深度置信网络模型预测的精确度,通过深度置信网络模型预测的精确度与传统预测方法的精确度进行对比,实现对深度置信网络模型的验证。
基于相同的发明构思,本发明还提供一种基于深度置信网络模型的土壤墒情预测系统100,如图3所示,该系统包括:
数据采集模块,用于采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据,所述第一预设时间段在所述农作物的生长周期内;
相关性分析模块,用于对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析,将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素;
数据库形成模块,用于将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集,将各个第一时间点的数据集形成数据库;
模型建立模块,用于建立深度置信网络模型,将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型,并对所述深度置信网络模型进行训练;
墒情预测模块,用于利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内每一第一时间点的土壤墒情,所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
在本发明中,术语“第一”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于深度置信网络模型的土壤墒情预测方法,其特征在于,包括:
采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据,所述第一预设时间段在所述农作物的生长周期内;
对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析,将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素;
将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集,将各个第一时间点的数据集形成数据库;
建立深度置信网络模型,将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型,并对所述深度置信网络模型进行训练;
利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第一时间点的土壤墒情,所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
2.根据权利要求1所述的预测方法,其特征在于,所述深度置信网络模型包括一个输入层、一个输出层及设置在所述输入层和所述输出层之间的多个隐含层,各个隐含层和所述输入层中的任意两相邻层形成一个受限玻尔兹曼机,所述输出层与相邻的隐含层形成一个BP神经网络模块;每一层设置有预设数量的节点,且相邻层之间设置有连接权重矩阵。
3.根据权利要求2所述的预测方法,其特征在于,所述对所述深度置信网络模型进行训练,包括:
在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数,所述训练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机中两层之间的连接权重矩阵,所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最小;
利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节点的可选偏置值;
利用对比散列度算法进行寻优计算,在所述可选连接权重矩阵和每一节点的可选偏置值中筛选出最优连接权重矩阵和每一节点的最优偏置值。
4.根据权利要求2所述的预测方法,其特征在于,在所述利用训练完成的深度置信网络模型预测所述预设采样区的农作物在第二预设时间段内每一第一时间点的土壤墒情之前,还包括:
利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每一连接权重矩阵的误差;
利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩阵进行修正。
5.根据权利要求2所述的预测方法,其特征在于,采用下式确定所述输入层的节点数量:
N1=m1*m2*m3
其中,N1为输入层的节点数量,m1为第一时间点的个数,m2为每一第一时间点的数据集中土壤墒情与关键环境因素的个数之和,m3为每一第一时间点的数据集中关键环境因素的采集数据和土壤墒情中每一数据的二进制编码平均位数。
6.根据权利要求2所述的预测方法,其特征在于,采用下式确定每一隐含层的节点数量:
其中,N2为每一隐含层的节点数量,N1为所述输入层的节点数量,N3为所述输出层的节点数量,a1为大于等于0且小于等于10的整数。
7.根据权利要求2所述的预测方法,其特征在于,采用下式确定每一隐含层的节点数量;
N2=2*N1±a2
其中,N2为每一隐含层的节点数量,a2为大于等于0且小于等于10的整数。
8.根据权利要求2所述的预测方法,其特征在于,采用下式确定所述输出层的节点数量:
N3=m1*m4
其中,N3为输出层的节点数量,m1为所述第一预设时间段内第一时间点的个数,m4为每一第一时间点的数据集中土壤墒情的二进制编码位数。
9.根据权利要求1所述的预测方法,其特征在于,还包括:
将所述数据库中未参与模型训练的数据集中的关键环境因素和关键环境因素的采集数据输入所述深度置信网络模型,得到土壤墒情的预测值;
计算土壤墒情的预测值与所述未参与模型训练的数据集中的土壤墒情采集值之间的误差,并根据该误差确定所述深度置信网络模型的预测精度。
10.一种基于深度置信网络模型的土壤墒情预测系统,其特征在于,包括:
数据采集模块,用于采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据,所述第一预设时间段在所述农作物的生长周期内;
相关性分析模块,用于对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析,将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素;
数据库形成模块,用于将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集,将各个第一时间点的数据集形成数据库;
模型建立模块,用于建立深度置信网络模型,将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型,并对所述深度置信网络模型进行训练;
墒情预测模块,用于利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内每一第一时间点的土壤墒情,所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610146190.7A CN105825230B (zh) | 2016-03-15 | 2016-03-15 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610146190.7A CN105825230B (zh) | 2016-03-15 | 2016-03-15 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825230A true CN105825230A (zh) | 2016-08-03 |
CN105825230B CN105825230B (zh) | 2019-04-05 |
Family
ID=56987907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610146190.7A Expired - Fee Related CN105825230B (zh) | 2016-03-15 | 2016-03-15 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825230B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN106651006A (zh) * | 2016-11-21 | 2017-05-10 | 中国农业大学 | 基于复数神经网络的土壤墒情预测方法及装置 |
CN107122855A (zh) * | 2017-04-25 | 2017-09-01 | 无锡中科智能农业发展有限责任公司 | 一种基于机器学习的农田作物蒸散量预测系统 |
CN107219188A (zh) * | 2017-06-02 | 2017-09-29 | 中国计量大学 | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
CN108573105A (zh) * | 2018-04-23 | 2018-09-25 | 浙江科技学院 | 基于深度置信网络的土壤重金属含量检测模型的建立方法 |
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
CN108897354A (zh) * | 2018-07-13 | 2018-11-27 | 广西大学 | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 |
CN108918820A (zh) * | 2018-05-23 | 2018-11-30 | 中国水利水电科学研究院 | 获取耕地土壤盐渍化程度等级分布的方法和装置 |
CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其系统 |
CN111103333A (zh) * | 2019-12-24 | 2020-05-05 | 北京农业信息技术研究中心 | 一种土壤含水量传感器的标定方法及装置 |
CN111507321A (zh) * | 2020-07-01 | 2020-08-07 | 中国地质大学(武汉) | 多输出土地覆盖分类模型的训练方法、分类方法及装置 |
US11154002B2 (en) | 2019-01-29 | 2021-10-26 | Cnh Industrial America Llc | System and method for controlling the operation of an agricultural implement based on determined soil moisture content |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN116757338A (zh) * | 2023-08-21 | 2023-09-15 | 浙江天演维真网络科技股份有限公司 | 农作物产量预测方法、装置、电子设备及存储介质 |
CN117882546A (zh) * | 2024-03-13 | 2024-04-16 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838836A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 基于判别式多模态深度置信网多模态数据融合方法和系统 |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
-
2016
- 2016-03-15 CN CN201610146190.7A patent/CN105825230B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838836A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 基于判别式多模态深度置信网多模态数据融合方法和系统 |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
Non-Patent Citations (7)
Title |
---|
A.SADEH等: "Relationships between yield and irrigation with low-quality water—a system approach", 《AGRICULTURAL SYSTEMS》 * |
XUEFEI ZHANG等: "Forecast and Analysis of Soil Moisture Based on Simple Model", 《AGRICULTURAL SCIENCE & TECHNOLOGY》 * |
周海峰等: "辣椒不同深度土壤墒情预报的BP神经网络模型", 《内蒙古农业大学学报》 * |
张志宇: "土壤墒情预报与作物灌溉制度多目标优化", 《中国博士学位论文全文数据库 农业科技辑》 * |
李帆等: "基于BP网络的土壤墒情预报模型研究", 《莱阳农学院学报(自然科学版)》 * |
樊重俊等: "《大数据分析与应用》", 31 January 2016 * |
陈坤: "自动化膜下滴灌加工番茄墒情特征分析及墒情预报模型研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN106651006A (zh) * | 2016-11-21 | 2017-05-10 | 中国农业大学 | 基于复数神经网络的土壤墒情预测方法及装置 |
CN107122855A (zh) * | 2017-04-25 | 2017-09-01 | 无锡中科智能农业发展有限责任公司 | 一种基于机器学习的农田作物蒸散量预测系统 |
CN107219188A (zh) * | 2017-06-02 | 2017-09-29 | 中国计量大学 | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 |
CN107219188B (zh) * | 2017-06-02 | 2019-09-20 | 中国计量大学 | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
CN108573105A (zh) * | 2018-04-23 | 2018-09-25 | 浙江科技学院 | 基于深度置信网络的土壤重金属含量检测模型的建立方法 |
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
CN108918820A (zh) * | 2018-05-23 | 2018-11-30 | 中国水利水电科学研究院 | 获取耕地土壤盐渍化程度等级分布的方法和装置 |
CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其系统 |
CN108897354A (zh) * | 2018-07-13 | 2018-11-27 | 广西大学 | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 |
CN108897354B (zh) * | 2018-07-13 | 2020-10-20 | 广西大学 | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 |
US11154002B2 (en) | 2019-01-29 | 2021-10-26 | Cnh Industrial America Llc | System and method for controlling the operation of an agricultural implement based on determined soil moisture content |
CN111103333A (zh) * | 2019-12-24 | 2020-05-05 | 北京农业信息技术研究中心 | 一种土壤含水量传感器的标定方法及装置 |
CN111103333B (zh) * | 2019-12-24 | 2022-05-03 | 北京农业信息技术研究中心 | 一种土壤含水量传感器的标定方法及装置 |
CN111507321A (zh) * | 2020-07-01 | 2020-08-07 | 中国地质大学(武汉) | 多输出土地覆盖分类模型的训练方法、分类方法及装置 |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN116757338A (zh) * | 2023-08-21 | 2023-09-15 | 浙江天演维真网络科技股份有限公司 | 农作物产量预测方法、装置、电子设备及存储介质 |
CN116757338B (zh) * | 2023-08-21 | 2024-01-19 | 浙江天演维真网络科技股份有限公司 | 农作物产量预测方法、装置、电子设备及存储介质 |
CN117882546A (zh) * | 2024-03-13 | 2024-04-16 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
CN117882546B (zh) * | 2024-03-13 | 2024-05-24 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105825230B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825230A (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
Khosravi et al. | Meteorological data mining and hybrid data-intelligence models for reference evaporation simulation: A case study in Iraq | |
Kisi | Modeling reference evapotranspiration using three different heuristic regression approaches | |
Senent-Aparicio et al. | Coupling machine-learning techniques with SWAT model for instantaneous peak flow prediction | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN109558973B (zh) | 一种水质与水生态一体化预警系统、控制设备和存储介质 | |
CN101533000B (zh) | 一种构建水体富营养化风险分析模型的方法 | |
JP4414378B2 (ja) | 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム | |
Safavi et al. | Optimal crop planning and conjunctive use of surface water and groundwater resources using fuzzy dynamic programming | |
Linker et al. | Efficient model-based sub-optimal irrigation scheduling using imperfect weather forecasts | |
Li et al. | A real-time fuzzy decision support system for alfalfa irrigation | |
Chua et al. | Improving event-based rainfall–runoff modeling using a combined artificial neural network–kinematic wave approach | |
CN107274030A (zh) | 基于水文变量年际和月变化特性的径流预报方法和系统 | |
Cui et al. | Improved Thomas–Fiering and wavelet neural network models for cumulative errors reduction in reservoir inflow forecast | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
Galelli et al. | Building a metamodel of an irrigation district distributed-parameter model | |
CN110276477A (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
CN116432828A (zh) | 一种缺资料流域径流量智能预测方法 | |
Curceac et al. | Adjusting for conditional bias in process model simulations of hydrological extremes: An experiment using the North Wyke Farm Platform | |
Shrestha et al. | A hybrid deterministic–fuzzy rule based model for catchment scale nitrate dynamics | |
CN117150600B (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
CN103870699A (zh) | 基于双层异步迭代策略的水动力学洪水演进模拟方法 | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 Termination date: 20200315 |