CN108564212A - 一种果品蔬菜生长的影响因素的调控方法和系统 - Google Patents
一种果品蔬菜生长的影响因素的调控方法和系统 Download PDFInfo
- Publication number
- CN108564212A CN108564212A CN201810312285.0A CN201810312285A CN108564212A CN 108564212 A CN108564212 A CN 108564212A CN 201810312285 A CN201810312285 A CN 201810312285A CN 108564212 A CN108564212 A CN 108564212A
- Authority
- CN
- China
- Prior art keywords
- influence factor
- index
- fruit
- vegetable
- principal component
- 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
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 238000000611 regression analysis Methods 0.000 claims abstract description 15
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- 238000005303 weighing Methods 0.000 claims description 33
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 30
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 20
- 229910002651 NO3 Inorganic materials 0.000 claims description 20
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 20
- 235000013399 edible fruits Nutrition 0.000 claims description 17
- 235000000318 Bindesalat Nutrition 0.000 claims description 15
- 244000106835 Bindesalat Species 0.000 claims description 15
- 229910052757 nitrogen Inorganic materials 0.000 claims description 15
- 241000219109 Citrullus Species 0.000 claims description 12
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 claims description 12
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims description 11
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 claims description 10
- 229930003268 Vitamin C Natural products 0.000 claims description 10
- 235000019154 vitamin C Nutrition 0.000 claims description 10
- 239000011718 vitamin C Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 claims description 7
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 claims description 7
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000011719 vitamin A Substances 0.000 claims description 7
- 235000019155 vitamin A Nutrition 0.000 claims description 7
- 229940045997 vitamin a Drugs 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 5
- 150000001413 amino acids Chemical class 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 241000227653 Lycopersicon Species 0.000 claims 4
- 239000011159 matrix material Substances 0.000 description 13
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 9
- 229910052700 potassium Inorganic materials 0.000 description 9
- 239000011591 potassium Substances 0.000 description 9
- 235000013311 vegetables Nutrition 0.000 description 9
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 8
- 244000000626 Daucus carota Species 0.000 description 8
- 235000002767 Daucus carota Nutrition 0.000 description 8
- 240000003768 Solanum lycopersicum Species 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 229930003427 Vitamin E Natural products 0.000 description 4
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 235000019165 vitamin E Nutrition 0.000 description 4
- 229940046009 vitamin E Drugs 0.000 description 4
- 239000011709 vitamin E Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 244000298715 Actinidia chinensis Species 0.000 description 2
- 235000009434 Actinidia chinensis Nutrition 0.000 description 2
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 2
- 235000003228 Lactuca sativa Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 235000021028 berry Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 235000021384 green leafy vegetables Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 241000208822 Lactuca Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Ecology (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Primary Health Care (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种果品蔬菜生长的影响因素的调控方法和系统。其中，方法包括：根据果品蔬菜样本在每组影响因素下的第一指标，基于主成分分析法，获取第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；基于回归分析法，根据每组影响因素及其对应的第一主成分，获取回归模型；获取回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值。系统包括：特征提取模块、主成分分析模块、模型获取模块和调控模块。本发明实施例提供的一种果品蔬菜生长的影响因素的调控方法和系统，能提高果品蔬菜的产量和/或品质。
Description
技术领域
本发明实施例涉及农业生产技术领域，尤其涉及一种果品蔬菜生长的影响因素的调控方法和系统。
背景技术
果品蔬菜生长发育过程中，影响因素很多。果品蔬菜生长的影响因素分为外部环境因素和内部遗传因素。在农业生产中，可以对外部环境因素进行调控，提高果品蔬菜的产量或品质。外部环境因素包括温度、湿度、二氧化碳浓度、光强、日照时间、氮素等元素的浓度、风、各种气体的浓度、杂草、微生物等。
衡量果品蔬菜品质或产量的因素也包括多种。例如，由于硝酸盐对人体有害，根据硝酸盐含量的多少可以衡量果品蔬菜的品质；由于果品蔬菜中所含的各种营养成分对人体有益，如各种维生素、蛋白质等，根据各种营养的含量的多少也可以衡量果品蔬菜的品质。
现有技术通常以衡量果品蔬菜品质或产量的单个因素作为指标，获取调控果品蔬菜品质或产量的各影响因素的目标值，作为最优影响因素配方。这种情况下，根据最优影响因素配方对影响因素进行调控，仅能使上述单个因素达到最佳，而不能使其他衡量果品蔬菜品质或产量的因素达到较好的值，甚至造成其他衡量果品蔬菜品质或产量的因素的值不理想，导致果品蔬菜品质或产量的效果不佳。现有技术没有对衡量果品蔬菜品质或产量的指标进行综合评价，提高果品蔬菜品质或产量的效果不佳，且不能同时提高果品蔬菜品质和产量。在衡量果品蔬菜的产量或品质时，每一个指标都不容忽视。建立果品蔬菜产量与品质的多指标综合评价方法，研究果品蔬菜高产量与高品质的最优影响因素配方，是目前业界亟待解决的重要课题，对于果品蔬菜的高品质、高产量种植具有重要意义。
发明内容
本发明实施例提供一种果品蔬菜生长的影响因素的调控方法和系统，用以解决现有技术中提高果品蔬菜品质或产量的效果不佳的缺陷。
本发明实施例提供一种果品蔬菜生长的影响因素的调控方法，包括：
S1、根据果品蔬菜样本在每组影响因素下的多个第一指标，基于主成分分析法，获取所述多个第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；
S2、基于回归分析法，根据每组影响因素，以及每组影响因素对应的第一主成分，获取回归模型；
S43、获取所述回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值；
其中，每组影响因素包括至少两个影响因素；所述第一指标，用于衡量果品蔬菜的产量或品质；所述主成分为所述多个第一指标的线性组合；所述回归模型，用于拟合第一主成分与影响因素的关系。
本发明实施例提供一种果品蔬菜生长的影响因素的调控系统，包括：
主成分分析模块，用于根据果品蔬菜样本在每组影响因素下的多个第一指标，基于主成分分析法，获取所述多个第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；
模型获取模块，用于基于回归分析法，根据每组影响因素，以及每组影响因素对应的第一主成分，获取回归模型；
调控模块，用于获取所述回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值；
其中，每组影响因素包括至少两个影响因素；所述第一指标，用于衡量果品蔬菜的产量或品质；所述主成分为所述多个第一指标的线性组合；所述回归模型，用于拟合第一主成分与影响因素的关系。
本发明实施例提供的一种果品蔬菜生长的影响因素的调控方法和系统，通过对衡量果品蔬菜的产量和/或品质的指标进行处理和降维，获得综合衡量果品蔬菜的产量和/或品质的第一主成分，并根据第一主成分与影响因素的回归模型，获得每个影响因素的目标值，将每个影响因素调控为该影响因素的目标值，能使生成的果品蔬菜具有更好的产量和/或品质，提高果品蔬菜的产量和/或品质。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明果品蔬菜生长的影响因素的调控方法实施例的流程图；
图2为本发明果品蔬菜生长的影响因素的调控系统实施例的功能框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明果品蔬菜生长的影响因素的调控方法实施例的流程图。如图1所示，一种果品蔬菜生长的影响因素的调控方法包括：步骤S1、根据果品蔬菜样本在每组影响因素下的多个第一指标，基于主成分分析法，获取多个第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；步骤S2、基于回归分析法，根据每组影响因素，以及每组影响因素对应的第一主成分，获取回归模型；步骤S3、获取回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值；其中，每组影响因素包括至少两个影响因素；第一指标，用于衡量果品蔬菜的产量或品质；主成分为多个第一指标的线性组合；回归模型，用于拟合第一主成分与影响因素的关系。
具体地，步骤S1，获取果品蔬菜样本在每组影响因素下的多个第一指标后，通过主成分分析法对获取的全部第一指标进行主成分分析，确定上述多个第一指标对应的主成分和每个主成分的贡献率。
第一指标，用于衡量果品蔬菜的产量或品质。
主成分分析也称主分量分析，旨在利用降维的思想，把多个指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始指标的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到的结果更加科学有效的数据信息。主成分的个数少于指标的个数。
基于主成分分析法确定上述多个第一指标对应的主成分和每个主成分的贡献率的具体步骤包括：
将获取的全部第一指标用矩阵表示，作为第一矩阵；
根据第一矩阵生成相关系数矩阵；相关系数为两个第一指标之间的协方差；
获得相关系数矩阵后，计算相关系数矩阵的特征值和特征向量；
根据相关系数矩阵的每一特征向量和第一矩阵，可以获得每一特征向量对应的主成分，从而获得上述多个第一指标对应的全部主成分；每个主成分为多个第一指标的线性组合；
通过计算获取每一相关系数矩阵的特征值，并获得每一主成分的贡献率。
根据第i个相关系数矩阵的特征值对应的特征向量，获得的主成分的贡献率Ci为：
其中，λi为相关系数矩阵的特征值中，第i个相关系数矩阵的特征值；p为相关系数矩阵的特征值的数量。
贡献率最大的主成分反映上述多个第一指标的最大部分信息，可以用于衡量衡量果品蔬菜的产量和/或品质。
当上述多个第一指标均用于衡量果品蔬菜的产量时，贡献率最大的主成分能在最大程度上衡量果品蔬菜的产量；当上述多个第一指标均用于衡量果品蔬菜的品质时，贡献率最大的主成分能在最大程度上衡量果品蔬菜的品质；当上述多个第一指标用于同时衡量果品蔬菜的产量和品质时，贡献率最大的主成分能在最大程度上同时衡量果品蔬菜的产量和品质。
确定贡献率最大的主成分后，将贡献率最大的主成分作为第一主成分。
例如，当果品蔬菜为胡萝卜时，第一指标可以为胡萝卜素的含量a、维生素A的含量b和经济产量c，胡萝卜素的含量a和维生素A的含量b用于衡量胡萝卜的品质，经济产量c用于衡量胡萝卜的产量；影响因素包括钾元素浓度、温度和湿度；对在多组钾元素浓度、温度和湿度下种植的胡萝卜采集的胡萝卜素的含量和经济产量，进行主成分分析，获得主成分z1、z2，z1＝0.75a+0.62b+0.38c，z2＝0.58a+0.26b+0.51c；z1、z2的贡献率分别为0.6921、0.2123；由于将z1的贡献率大于z2的贡献率，将z1确定为第一主成分z。
步骤S2，由于第一主成分为多个第一指标的线性组合，每组多个第一指标被组合为一个第一主成分，每组多个第一指标对应一组影响因素，因此，每组影响因素对应一个第一主成分。
基于回归分析法，对每组影响因素，以及每组影响因素对应的第一主成分进行回归分析，获取回归模型。
回归分析法指利用数据统计原理，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程(函数表达式)作为回归模型加以外推，用于预测今后的因变量的变化的分析方法。根据因变量和自变量的个数分为：一元回归分析和多元回归分析；根据因变量和自变量的函数表达式分为：线性回归分析和非线性回归分析。
回归模型，以各影响因素为自变量，第一主成分为因变量，拟合了第一主成分与各影响因素之间的关系。
例如，对每组钾元素浓度d、温度T和湿度H，及每组钾元素浓度、温度和湿度对应的第一主成分z进行回归分析，可以获得函数z＝f(d,T,H)，将z＝f(d,T,H)作为回归模型。
步骤S3、由于回归模型拟合了第一主成分与各影响因素之间的关系，根据回归模型，可以获得回归模型下第一主成分的最大值，以及第一主成分为最大值时的各影响因素的值。
将回归模型下第一主成分最大时的各影响因素的值，分别作为各影响因素的目标值。
例如，可以根据最优化方法或其他数学方法，计算回归模型z＝f(d,T,H)中z的最大值zmax，以及z为最大值zmax时的钾元素浓度d0、温度T0和湿度H0，分别将d0、T0和H0作为钾元素浓度、温度和湿度的目标值。
优选地，基于响应曲面分析方法，获取回归模型下第一主成分的最大值，以及第一主成分为最大值时的各影响因素的值。
获取各影响因素的目标值后，通过相应装置将果品蔬菜生长时的各影响因素调控为各影响因素的目标值。
例如，通过温湿度调控装置将胡萝卜生长时的温湿度调控为温度和湿度的目标值T0、H0；通过检测装置检测胡萝卜的钾元素浓度，并通过施肥装置向胡萝卜施加钾肥，将胡萝卜生长时的钾元素浓度调控为钾元素浓度的目标值d0。
本发明实施例通过对衡量果品蔬菜的产量和/或品质的指标进行处理和降维，获得综合衡量果品蔬菜的产量和/或品质的第一主成分，并根据第一主成分与影响因素的回归模型，获得每个影响因素的目标值，将每个影响因素调控为该影响因素的目标值，能使生成的果品蔬菜具有更好的产量和/或品质，提高果品蔬菜的产量和/或品质。
基于上述实施例，步骤S1之前还包括：根据预设的多组影响因素，分别采集在每组影响因素下种植的果品蔬菜样本的多个第二指标，并获取每个第二指标对应的第一指标。
具体地，步骤S1之前，在预设的多组影响因素对应的环境下种植果品蔬菜，对于每组影响因素，采集该组多组影响因素下果品蔬菜样本的多个第二指标，并根据果品蔬菜样本在多组影响因素下的多个第二指标，对每个第二指标进行处理，获取每个第二指标对应的每个第一指标。
可以理解的是，每个第二指标对应一个第一指标，因此，第二指标，也用于衡量果品蔬菜的产量和/或品质。第二指标的个数与第一指标的个数相同。
通过对每个第二指标进行数学运算处理，获得该第二指标对应的第一指标。
当多个第二指标均为衡量果品蔬菜的产量的指标时，多个第二指标对应的多个第一指标均用于衡量果品蔬菜的产量；当多个第二指标均为衡量果品蔬菜的品质的指标时，多个第二指标对应的多个第一指标均用于衡量果品蔬菜的品质；当多个第二指标既包括衡量果品蔬菜的产量的指标，又包括衡量果品蔬菜的品质的指标时，多个第二指标对应的多个第一指标用于同时衡量果品蔬菜的产量和品质。
基于上述实施例，获取每个第二指标对应的第一指标的具体步骤包括：当第二指标与果品蔬菜的产量或品质正相关时，将该第二指标作为第一指标；当第二指标与果品蔬菜的产量或品质负相关时，将正向化后的该第二指标作为第一指标。
具体地，指标可分为正向指标和负向指标。
指标值越大评价越好的指标，称为正向指标，也称效益型指标或望大型指标；指标值越小评价越好的指标，称为逆向指标，也称成本型指标或望小型指标。
正向指标，与果品蔬菜的产量或品质正相关的第二指标。正向指标越大，果品蔬菜的产量或品质越高。
负向指标，与果品蔬菜的产量或品质负相关的第二指标。负向指标越大，果品蔬菜的产量或品质越低。
因此，当采集的指标与果品蔬菜的产量或品质正相关时，即该指标为正向指标时，直接将该指标确定为特征；当采集的指标与果品蔬菜的产量或品质负相关时，即该指标为负向指标时，将该指标进行正向化，转化为正向指标，并将正向化后的该指标确定为特征。
例如，对于猕猴桃，第二指标包括维生素C、维生素E的含量；由于维生素C、维生素E的含量越高，猕猴桃的品质越高，维生素C、维生素E的含量均为正向指标，直接将维生素C、维生素E的含量作为第一指标；对于叶菜类蔬菜，第二指标包括硝酸盐的含量；由于硝酸盐的含量越高，叶菜类蔬菜的品质越低，硝酸盐的含量为负向指标，将正向化后的硝酸盐的含量作为第一指标。
基于上述实施例，作为一个优选实施例，将正向化后的该第二指标作为第一指标的具体步骤包括：对于该第二指标，确定其在全部影响因素下的最大值；对于每一该第二指标，将最大值与该指标之差，作为第一指标。
优选地，基于倒扣逆变换法，将负向指标正向化。
倒扣逆变换法的思想是，将负向指标乘以常数-1，将负向指标转化为正向指标。
基于倒扣逆变换法，进行负向指标正向化的具体公式为
其中，xi表示第i个原第二指标；yi表示将xi正向化处理后获得的第一指标；n表示共有n组影响因素。
基于上述实施例，当果品蔬菜为生菜时，每组影响因素包括光强和氮素；衡量生菜的品质的第二指标至少包括：生菜中硝酸盐、可溶性糖和维生素C的含量；当果品蔬菜为番茄时，每组影响因素包括光强、氮素和二氧化碳浓度；衡量番茄的品质的第二指标至少包括：番茄中硝酸盐、维生素C和氨基酸的含量；当果品蔬菜为西瓜时，每组影响因素包括光强、温度、氮素；衡量果品西瓜的品质的第二指标至少包括：西瓜中硝酸盐、维生素A、维生素C、和可溶性糖的含量；当果品蔬菜为苹果时，每组影响因素包括温度、氮素；衡量苹果品质的第二指标至少包括：苹果中硝酸盐、可溶性糖和维生素C的含量。
具体地，光强与氮素是调控生菜生长发育及品质的两个关键影响因素，二者具有协同调控生菜产量和硝酸盐含量的潜力。衡量生菜品质的第二指标主要包括硝酸盐、可溶性糖、维生素C等。
生菜中可溶性糖和维生素C的含量均为正向指标，生菜中可溶性糖和维生素C的含量越高，表示生菜的品质越高。
生菜中硝酸盐的含量均为负向指标，生菜中硝酸盐的含量越低，表示果品蔬菜的品质越高。
类似地，光强、氮素和二氧化碳浓度是番茄生长的影响因素。衡量番茄品质的第二指标主要包括硝酸盐、维生素C和氨基酸的含量。番茄中氨基酸的含量为正向指标。
光强、温度和氮素是西瓜生长的影响因素。衡量西瓜品质的第二指标主要包括硝酸盐、维生素A、维生素C和可溶性糖的含量。西瓜中维生素A的含量为正向指标。
温度和氮素是苹果生长的影响因素。衡量苹果品质的第二指标主要包括硝酸盐、维生素A和维生素C的含量。
基于上述实施例，衡量生菜的产量的第二指标至少包括：鲜重、干重、叶面积；衡量番茄的产量的第二指标至少包括株高、鲜重、干重；衡量西瓜的产量的第二指标至少包括果实质量、大小；衡量苹果的产量的第二指标至少包括果实质量、大小。
具体地，衡量生菜的产量的第二指标至少包括：鲜重、干重、叶面积；衡量番茄的产量的第二指标至少包括株高、鲜重、干重；衡量西瓜的产量的第二指标至少包括果实质量、大小；衡量苹果的产量的第二指标至少包括果实质量、大小。
对于上述四种果品蔬菜，鲜重、干重、叶面积、株高、果实质量、果实大小均为正向指标。
基于上述实施例，作为一个优选实施例，回归分析法为梯度提升回归算法。
优选地，步骤S3中，基于梯度提升回归算法，根据多组光强和氮素浓度，以及每组光强和氮素浓度对应的第一主成分，获取回归模型。
梯度提升回归(Gradient boosting regression，GBR)是一种从自身的错误中进行学习的回归分析法。
图2为本发明果品蔬菜生长的影响因素的调控系统实施例的功能框图。基于上述实施例，一种果品蔬菜生长的影响因素的调控系统包括：主成分分析模块201，用于根据果品蔬菜样本在每组影响因素下的多个第一指标，基于主成分分析法，获取多个第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；模型获取模块202，用于基于回归分析法，根据每组影响因素，以及每组影响因素对应的第一主成分，获取回归模型；调控模块203，用于获取回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值；其中，每组影响因素包括至少两个影响因素；第一指标用于衡量果品蔬菜的产量和/或品质的指标；主成分为多个第一指标的线性组合；回归模型，用于拟合第一主成分与影响因素的关系。
具体地，模型获取模块202与主成分分析模块201电连接，传输电信号；调控模块203与模型获取模块202电连接，传输电信号。
本发明提供的果品蔬菜生长的影响因素的调控系统用于执行本发明提供的果品蔬菜生长的影响因素的调控方法，系统包括的各模块实现相应功能的具体方法和流程详见上述果品蔬菜生长的影响因素的调控方法的实施例，此处不再赘述。
本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例通过对衡量果品蔬菜的产量和/或品质的指标进行处理和降维，获得综合衡量果品蔬菜的产量和/或品质的第一主成分，并根据第一主成分与影响因素的回归模型，获得每个影响因素的目标值，将每个影响因素调控为该影响因素的目标值，能使生成的果品蔬菜具有更好的产量和/或品质，提高果品蔬菜的产量和/或品质。
本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：果品蔬菜生长的影响因素的调控方法、指标的正向化方法、确定第一主成分的方法、回归模型的获取方法等。
本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：果品蔬菜生长的影响因素的调控方法、指标的正向化方法、确定第一主成分的方法、回归模型的获取方法等。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种果品蔬菜生长的影响因素的调控方法，其特征在于，包括：
S1、根据果品蔬菜样本在每组影响因素下的多个第一指标，基于主成分分析法，获取所述多个第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；
S2、基于回归分析法，根据每组影响因素，以及每组影响因素对应的第一主成分，获取回归模型；
S3、获取所述回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值；
其中，每组影响因素包括至少两个影响因素；所述第一指标，用于衡量果品蔬菜的产量或品质；所述主成分为所述多个第一指标的线性组合；所述回归模型，用于拟合第一主成分与影响因素的关系。
2.根据权利要求1所述的果品蔬菜生长的影响因素的调控方法，其特征在于，所述步骤S1之前还包括：
根据预设的多组影响因素，分别采集在每组影响因素下种植的果品蔬菜样本的多个第二指标，并获取每个第二指标对应的第一指标。
3.根据权利要求2所述的果品蔬菜生长的影响因素的调控方法，其特征在于，所述获取每个第二指标对应的第一指标的具体步骤包括：
当第二指标与果品蔬菜的产量或品质正相关时，将该第二指标作为第一指标；
当第二指标与果品蔬菜的产量或品质负相关时，将正向化后的该第二指标作为第一指标。
4.根据权利要求3所述的果品蔬菜生长的影响因素的调控方法，其特征在于，所述将正向化后的该第二指标作为第一指标的具体步骤包括：
对于该第二指标，确定其在全部影响因素下的最大值；
对于每一该第二指标，将所述最大值与该指标之差，作为第一指标。
5.根据权利要求2至4任一所述的果品蔬菜生长的影响因素的调控方法，其特征在于，
当果品蔬菜为生菜时，每组影响因素包括光强和氮素；衡量生菜的品质的第二指标至少包括：生菜中硝酸盐、可溶性糖和维生素C的含量；
当果品蔬菜为番茄时，每组影响因素包括光强、氮素和二氧化碳浓度；衡量番茄的品质的第二指标至少包括：番茄中硝酸盐、维生素C和氨基酸的含量；
当果品蔬菜为西瓜时，每组影响因素包括光强、温度、氮素；衡量果品西瓜的品质的第二指标至少包括：西瓜中硝酸盐、维生素A、维生素C、和可溶性糖的含量；
当果品蔬菜为苹果时，每组影响因素包括温度、氮素；衡量苹果品质的第二指标至少包括：苹果中硝酸盐、可溶性糖和维生素C的含量。
6.根据权利要求5所述的果品蔬菜生长的影响因素的调控方法，其特征在于，
衡量生菜的产量的第二指标至少包括：鲜重、干重、叶面积；
衡量番茄的产量的第二指标至少包括株高、鲜重、干重；
衡量西瓜的产量的第二指标至少包括果实质量、大小；
衡量苹果的产量的第二指标至少包括果实质量、大小。
7.根据权利要求1至4任一所述的果品蔬菜生长的影响因素的调控方法，其特征在于，所述回归分析法为梯度提升回归算法。
8.一种果品蔬菜生长的影响因素的调控系统，其特征在于，包括：
主成分分析模块，用于根据果品蔬菜样本在每组影响因素下的多个第一指标，基于主成分分析法，获取所述多个第一指标对应的主成分中贡献率最大的主成分，作为第一主成分；
模型获取模块，用于基于回归分析法，根据每组影响因素，以及每组影响因素对应的第一主成分，获取回归模型；
调控模块，用于获取所述回归模型下第一主成分最大时的每个影响因素，分别作为每个影响因素的目标值，并将果品蔬菜生长时的每个影响因素调控为该影响因素的目标值；
其中，每组影响因素包括至少两个影响因素；所述第一指标，用于衡量果品蔬菜的产量或品质；所述主成分为所述多个第一指标的线性组合；所述回归模型，用于拟合第一主成分与影响因素的关系。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810312285.0A CN108564212B (zh) | 2018-04-09 | 2018-04-09 | 一种果品蔬菜生长的影响因素的调控方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810312285.0A CN108564212B (zh) | 2018-04-09 | 2018-04-09 | 一种果品蔬菜生长的影响因素的调控方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108564212A true CN108564212A (zh) | 2018-09-21 |
| CN108564212B CN108564212B (zh) | 2021-05-04 |
Family
ID=63534421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810312285.0A Expired - Fee Related CN108564212B (zh) | 2018-04-09 | 2018-04-09 | 一种果品蔬菜生长的影响因素的调控方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108564212B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861307A (zh) * | 2020-06-16 | 2020-10-30 | 北京农业信息技术研究中心 | 一种果品多元品质时空分布感知方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104931430A (zh) * | 2015-06-26 | 2015-09-23 | 云南省烟草烟叶公司 | 一种复烤片烟自然醇化品质评价及模型构建方法 |
| US20180049364A1 (en) * | 2016-08-19 | 2018-02-22 | The Regents Of The University Of Californa | Precision crop production-function models |
-
2018
- 2018-04-09 CN CN201810312285.0A patent/CN108564212B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104931430A (zh) * | 2015-06-26 | 2015-09-23 | 云南省烟草烟叶公司 | 一种复烤片烟自然醇化品质评价及模型构建方法 |
| US20180049364A1 (en) * | 2016-08-19 | 2018-02-22 | The Regents Of The University Of Californa | Precision crop production-function models |
Non-Patent Citations (2)
| Title |
|---|
| 武文亮 等: "温室作物生长环境的主成分分析", 《计算机技术与发展》 * |
| 王瑞 等: "水培菠菜不同配方的产量、品质主成分分析研究", 《北方园艺》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861307A (zh) * | 2020-06-16 | 2020-10-30 | 北京农业信息技术研究中心 | 一种果品多元品质时空分布感知方法及系统 |
| CN111861307B (zh) * | 2020-06-16 | 2023-12-05 | 北京农业信息技术研究中心 | 一种果品多元品质时空分布感知方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108564212B (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
| Rad et al. | Application of Artificial Neural Networks to predict the final fruit weight and random forest to select important variables in native population of melon (Cucumis melo L.) | |
| Martre et al. | In silico system analysis of physiological traits determining grain yield and protein concentration for wheat as influenced by climate and crop management | |
| Prasad et al. | Retrieval of spinach crop parameters by microwave remote sensing with back propagation artificial neural networks: A comparison of different transfer functions | |
| Castro et al. | High-performance prediction of macauba fruit biomass for agricultural and industrial purposes using Artificial Neural Networks | |
| Tixier et al. | SIMBA-POP: a cohort population model for long-term simulation of banana crop harvest | |
| Shen et al. | Local partial least squares based on global PLS scores | |
| Salmerόn et al. | Simulation of genotype-by-environment interactions on irrigated soybean yields in the US Midsouth | |
| Whitehouse et al. | Why seed physiology is important for genebanking | |
| Saruta et al. | Predictive models for yield and protein content of brown rice using support vector machine | |
| Génard et al. | A simulation model of growth at the shoot-bearing fruit level. II. Test and effect of source and sink factors in the case of peach | |
| Morales et al. | Using machine learning for crop yield prediction in the past or the future | |
| CN110379487A (zh) | 营养方案管理系统 | |
| Omondi et al. | Fruit morphological diversity and productivity of baobab (Adansonia digitata L.) in coastal and lower eastern Kenya | |
| Temnani et al. | Irrigation protocols in different water availability scenarios for ‘crimson seedless’ table grapes under mediterranean semi-arid conditions | |
| Zhao et al. | Functional mapping of ontogeny in flowering plants | |
| Che et al. | Stand basal area modelling for Chinese fir plantations using an artificial neural network model | |
| Mulema et al. | Monitoring of an aquatic environment in aquaculture using a MEWMA chart | |
| Fajardo et al. | Distinguishing microsite and competition processes in tree growth dynamics: an a priori spatial modeling approach | |
| Ruswandi et al. | Selection of high-yield maize hybrid under different cropping systems based on stability and adaptability parameters | |
| Dunham et al. | Nutrient intake and balancing among female Colobus angolensis palliatus inhabiting structurally distinct forest areas: Effects of group, season, and reproductive state | |
| Kao et al. | A modified Roger’s distance algorithm for mixed quantitative–qualitative phenotypes to establish a core collection for Taiwanese vegetable soybeans | |
| Das et al. | Novel combination artificial neural network models could not outperform individual models for weather-based cashew yield prediction | |
| Gómez‐Fernández et al. | Disparities among crop species in the evolution of growth rates: the role of distinct origins and domestication histories | |
| CN107038501A (zh) | 一种基于r语言的小麦生育期特征参数估算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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 |
Granted publication date: 20210504 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |