CN109033655A - 一种农作物生长模型优化方法及装置 - Google Patents
一种农作物生长模型优化方法及装置 Download PDFInfo
- Publication number
- CN109033655A CN109033655A CN201810877191.8A CN201810877191A CN109033655A CN 109033655 A CN109033655 A CN 109033655A CN 201810877191 A CN201810877191 A CN 201810877191A CN 109033655 A CN109033655 A CN 109033655A
- Authority
- CN
- China
- Prior art keywords
- crop
- crops
- growth
- model
- growth model
- 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.)
- Pending
Links
- 230000012010 growth Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000003973 irrigation Methods 0.000 claims abstract description 31
- 230000002262 irrigation Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 73
- 239000003337 fertilizer Substances 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 210000003608 fece Anatomy 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 8
- 239000010871 livestock manure Substances 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 7
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 19
- 240000003768 Solanum lycopersicum Species 0.000 description 19
- 239000002689 soil Substances 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000008635 plant growth Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种农作物生长模型优化方法及装置，该方法包括：根据农作物的作物参数，构建农作物生长模型；其中，作物参数包括灌水量和施肥量。根据农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。本发明提供的农作物生长模型优化方法及装置，依据农作物的灌水量和施肥量设定农作物的生长模型，再通过最小二乘法的数学模型，计算农作物的最优生长模型。用以在农作物生长过程中对农作物生长模型进行调控，实现农作物生长发育的最优模型，促进农作物生长，提高农作物的产量和品质。
Description
技术领域
本发明涉及农作物种植技术领域，更具体的，涉及一种农作物生长模型优化方法及装置。
背景技术
作物生长模型的构建有利于既有科研成果的综合集成,也是作物种植管理决策现代化的基础,还是辅助决策的有力工具。随着对作物生理生态机理认识的不断加深和计算机技术的迅猛发展,作物生长模型的研究得到了飞速发展。基于生理生态机理的、考虑作物生长与大气、土壤、生物乃至人文等环境因素的相互作用的作物生长动态模拟模型已成为农业研究最有力的工具之一。作物生长模型在集成已有科学研究成果、作物种植管理科学化以及在决策制定中所起的作用已逐渐为大家所认识,其应用的领域也在不断扩大。
农作物的生长发育主要依靠水肥的大量投入来提高产量，不合理的灌水和施肥不仅造成水资源和肥料的浪费，还导致农作物发病率高、品质下降、土壤硝酸盐淋失、微量元素缺乏及环境污染。在农作物的栽培过程中合理的使用水肥含量尤为重要，可高效栽培产量高、品质优的农作物。
发明内容
本发明为解决农作物灌水和施肥不合理的缺陷，提供一种农作物生长模型优化方法及装置。
第一方面，本发明提供一种农作物生长模型优化方法，包括：
根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量。
根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
优选的，所述根据农作物的作物参数，构建农作物生长模型具体包括：
将灌水量和施肥量分别为高、中、低三档，构成农作物的9类生长模型，所述生长模型包括：中水中肥、中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥和高水高肥。
优选的，所述根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型具体包括：
采集农作物在各生长期的作物参数以及其对应的农作物生长速率，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型。
优选的，所述利用最小二乘回归原理进行分析处理，借助SPSS 软件求出农作物各生长期对应的最优的生长模型进一步包括：
设农作物的灌水量为x1，施肥量为x2，生长速率为y。将生长速率与水肥两个因子的关系用二元二次多项式进行拟合。
建立包含交叉项的生长函数模型：
收集n组独立观测值，xi1,xi2,yi(i＝1,2,…,n)
β0,β1,β2,β3,β4,β5是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β0,β1,β2,β3,β4,β5的值)。
对n个有限样本建立多元回归模型：
Y＝Xβ+ε(ε为残余误差)
ε～Nn(0,σ2ln)(ε满足正态分布)
参数的最小二乘法估计：令
各βi的最小二乘估计应该满足：
由于Q(β0,β1,β2,β3,β4,β5)是β0,β1,β2,β3,β4,β5的非负二次式，且关于β0,β1,β2,β3,β4,β5均可微，因而根据微积分原理，是下列方程组的解：
通过整理，可用矩阵表示为：
当(X′X)-1存在时，其最小估计为：
从而得到该模型的各项系数：
β0,β1,β2,β3,β4,β5，再求得复相关检验R2和R，最后求得显著性检验F，最终可得农作物各生长期各自对应的最优生长模型。
第二方面，本发明提供一种农作物生长模型优化装置，包括：
构建模块，用于根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量。
计算模块，用于根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
优选的，所述构建模块具体用于：
将灌水量和施肥量分别为高、中、低三档，构成农作物的9类生长模型，所述生长模型包括：中水中肥、中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥和高水高肥。
优选的，所述计算模块具体用于：
采集农作物在各生长期的作物参数以及其对应的农作物生长速率，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型。
优选的，所述计算模块进一步用于：
设农作物的灌水量为x1，施肥量为x2，生长速率为y。将生长速率与水肥两个因子的关系用二元二次多项式进行拟合。
建立包含交叉项的生长函数模型：
收集n组独立观测值，xi1,xi2,yi(i＝1,2,…,n)
β0,β1,β2,β3,β4,β5是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β0,β1,β2,β3,β4,β5的值)。
对n个有限样本建立多元回归模型：
Y＝Xβ+ε(ε为残余误差)
ε～Nn(0,σ2ln)(ε满足正态分布)
参数的最小二乘法估计：令
各βi的最小二乘估计应该满足：
由于Q(β0,β1,β2,β3,β4,β5)是β0,β1,β2,β3,β4,β5的非负二次式，且关于β0,β1,β2,β3,β4,β5均可微，因而根据微积分原理，是下列方程组的解：
通过整理，可用矩阵表示为：
当(X′X)-1存在时，其最小估计为：
从而得到该模型的各项系数：
β0,β1,β2,β3,β4,β5，再求得复相关检验R2和R，最后求得显著性检验F，最终可得农作物各生长期各自对应的最优生长模型。
第三方面，本发明提供了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，当所述程序指令被计算机执行时，使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的番茄生长模型的优化方法。
第四方面，本发明提供了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第一方面的各种可能的实现方式中任一种可能的实现方式所提供的番茄生长模型的优化方法。
本发明提供的农作物生长模型优化方法及装置，依据农作物的灌水量和施肥量设定农作物的生长模型，再通过最小二乘法的数学模型，计算农作物的最优生长模型。用以在农作物生长过程中对农作物生长模型进行调控，实现农作物生长发育的最优模型，促进农作物生长，提高农作物的产量和品质。
附图说明
图1为根据本发明实施例提供的农作物生长模型优化方法的流程示意图；
图2为根据本发明实施例提供的农作物生长模型优化装置的结构框图。
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地描述，显然，所描述的实施例是本发明一模块实施例，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做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为根据本发明实施例提供的农作物生长模型优化方法的流程示意图，参照图1，该方法包括：
步骤101，根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量。
设计农作物的生长模型是水肥耦合类型，作物参数包括灌水量和施肥量。其中，水肥耦合是根据不同水分条件，提倡灌溉与施肥在时间、数量和方式上合理配合，促进作物根系深扎，扩大根系在土壤中的吸水范围，多利用土壤深层储水，并提高作物的蒸腾和光合强度，减少土壤的无效蒸发，以提高降雨和灌溉水的利用效率，达到以水促肥，以肥调水，增加作物产量和改善品质的目的。
将灌水量和施肥量分别为高、中、低三档，构成农作物的9类生长模型，所述生长模型包括：中水中肥、中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥和高水高肥。本实施例中，以番茄为例，根据霍格兰和阿农研究番茄一生中所需肥料的吸收量标准确定“中肥”量，根据番茄生长所需水量确定“中水”量，然后确定“高”和“低”的标准，“高”是相对于“中”的基础上上浮30％，“低”是相对于“中”的基础上下降30％。
步骤102，根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
采集农作物在各生长期的作物参数以及其对应的农作物生长速率，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型。以番茄为例，番茄的生长时期分为4个阶段：苗期、开花坐果期、果实膨大期、采收期。采集番茄在不同生长期不同生长模型下灌水量和施肥量的数据，对这些数据分析处理，利用最小二乘回归原理，借助SPSS软件求出番茄在不同生长时期最优的生长模型，并求出在该生长模型下番茄生长的最快速率及最优状态。
本发明实施例提供的农作物生长模型优化方法，依据农作物的灌水量和施肥量设定农作物的生长模型，再通过最小二乘法的数学模型，计算农作物的最优生长模型。用以在农作物生长过程中对农作物生长模型进行调控，实现农作物生长发育的最优模型，促进农作物生长，提高农作物的产量和品质。
在上述实施例的基础上，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型的过程包括：
设农作物的灌水量为x1，施肥量为x2，生长速率为y。将生长速率与水肥两个因子的关系用二元二次多项式进行拟合。
建立包含交叉项的生长函数模型：
收集n组独立观测值，xi1,xi2,yi(i＝1,2,…,n)
β0,β1,β2,β3,β4,β5是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β0,β1,β2,β3,β4,β5的值)。
对n个有限样本建立多元回归模型：
Y＝Xβ+ε(ε为残余误差)
ε～Nn(0,σ2ln)(ε满足正态分布)
参数的最小二乘法估计：令
各βi的最小二乘估计应该满足：
由于Q(β0,β1,β2,β3,β4,β5)是β0,β1,β2,β3,β4,β5的非负二次式，且关于β0,β1,β2,β3,β4,β5均可微，因而根据微积分原理，是下列方程组的解：
通过整理，可用矩阵表示为：
当(X′X)-1存在时，其最小估计为：
从而得到该模型的各项系数：
β0,β1,β2,β3,β4,β5，再求得复相关检验R2和R，最后求得显著性检验F，最终可得农作物各生长期各自对应的最优生长模型。
本实施例通过最小二乘法的数学模型，计算农作物的最优生长模型。用以在农作物生长过程中对农作物生长模型进行调控，实现农作物生长发育的最优模型，促进农作物生长，提高农作物的产量和品质。
图2为根据本发明实施例提供的农作物生长模型优化装置的结构框图，如图2所示，本发明提供一种农作物生长模型优化装置，包括构建模块201和计算模块202，其中；
构建模块201用于根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量。计算模块202用于根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
具体地，设计农作物的生长模型是水肥耦合类型，作物参数包括灌水量和施肥量。其中，水肥耦合是根据不同水分条件，提倡灌溉与施肥在时间、数量和方式上合理配合，促进作物根系深扎，扩大根系在土壤中的吸水范围，多利用土壤深层储水，并提高作物的蒸腾和光合强度，减少土壤的无效蒸发，以提高降雨和灌溉水的利用效率，达到以水促肥，以肥调水，增加作物产量和改善品质的目的。
将灌水量和施肥量分别为高、中、低三档，构成农作物的9类生长模型，所述生长模型包括：中水中肥、中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥和高水高肥。本实施例中，以番茄为例，根据霍格兰和阿农研究番茄一生中所需肥料的吸收量标准确定“中肥”量，根据番茄生长所需水量确定“中水”量，然后确定“高”和“低”的标准，“高”是相对于“中”的基础上上浮30％，“低”是相对于“中”的基础上下降30％。
进一步地，计算模块202采集农作物在各生长期的作物参数以及其对应的农作物生长速率，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型。以番茄为例，番茄的生长时期分为4个阶段：苗期、开花坐果期、果实膨大期、采收期。采集番茄在不同生长期不同生长模型下灌水量和施肥量的数据，对这些数据分析处理，利用最小二乘回归原理，借助SPSS软件求出番茄在不同生长时期最优的生长模型，并求出在该生长模型下番茄生长的最快速率及最优状态。
本发明实施例提供的农作物生长模型优化装置，依据农作物的灌水量和施肥量设定农作物的生长模型，再通过最小二乘法的数学模型，计算农作物的最优生长模型。用以在农作物生长过程中对农作物生长模型进行调控，实现农作物生长发育的最优模型，促进农作物生长，提高农作物的产量和品质。
在上述各实施例的基础上，计算模块202具体用于：
设农作物的灌水量为x1，施肥量为x2，生长速率为y。将生长速率与水肥两个因子的关系用二元二次多项式进行拟合。
建立包含交叉项的生长函数模型：
收集n组独立观测值，xi1,xi2,yi(i＝1,2,…,n)
β0,β1,β2,β3,β4,β5是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β0,β1,β2,β3,β4,β5的值)。
对n个有限样本建立多元回归模型：
Y＝Xβ+ε(ε为残余误差)
ε～Nn(0,σ2ln)(ε满足正态分布)
参数的最小二乘法估计：令
各βi的最小二乘估计应该满足：
由于Q(β0,β1,β2,β3,β4,β5)是β0,β1,β2,β3,β4,β5的非负二次式，且关于β0,β1,β2,β3,β4,β5均可微，因而根据微积分原理，是下列方程组的解：
通过整理，可用矩阵表示为：
当(X′X)-1存在时，其最小估计为：
从而得到该模型的各项系数：
β0,β1,β2,β3,β4,β5，再求得复相关检验R2和R，最后求得显著性检验F，最终可得农作物各生长期各自对应的最优生长模型。
本发明实施例提供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，当所述程序指令被计算机执行时，使计算机执行对应实施例所提供的番茄生长模型的优化方法，例如包括：根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量。根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的番茄生长模型的优化方法，例如包括：根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量。根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明根据本发明实施例提供的技术方案，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，对于本领域的普通技术人员而言，可以理解在不脱离根据本发明实施例提供的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，凡在根据本发明实施例提供的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在根据本发明实施例提供的保护范围之内。
Claims (10)
1.一种农作物生长模型优化方法，其特征在于，包括：
根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量；
根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
2.根据权利要求1所述的方法，其特征在于，所述根据农作物的作物参数，构建农作物生长模型具体包括：
将灌水量和施肥量分别为高、中、低三档，构成农作物的9类生长模型，所述生长模型包括：中水中肥、中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥和高水高肥。
3.根据权利要求1所述的方法，其特征在于，所述根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型具体包括：
采集农作物在各生长期的作物参数以及其对应的农作物生长速率，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型。
4.根据权利要求3所述的方法，其特征在于，所述利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型进一步包括：
设农作物的灌水量为x1，施肥量为x2，生长速率为y；将生长速率与水肥两个因子的关系用二元二次多项式进行拟合；
建立包含交叉项的生长函数模型：
收集n组独立观测值，xi1,xi2,yi(i＝1,2,…,n)
β0,β1,β2,β3,β4,β5是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β0,β1,β2,β3,β4,β5的值)；
对n个有限样本建立多元回归模型：
Y＝Xβ+ε(ε为残余误差)
ε～Nn(0,σ2ln)(ε满足正态分布)
参数的最小二乘法估计：令
各βi的最小二乘估计应该满足：
由于Q(β0,β1,β2,β3,β4,β5)是β0,β1,β2,β3,β4,β5的非负二次式，且关于β0,β1,β2,β3,β4,β5均可微，因而根据微积分原理，是下列方程组的解：
通过整理，可用矩阵表示为：
当(X′X)-1存在时，其最小估计为：
从而得到该模型的各项系数：
β0,β1,β2,β3,β4,β5，再求得复相关检验R2和R，最后求得显著性检验F，最终可得农作物各生长期各自对应的最优生长模型。
5.一种农作物生长模型优化装置，其特征在于，包括：
构建模块，用于根据农作物的作物参数，构建农作物生长模型；其中，所述作物参数包括灌水量和施肥量；
计算模块，用于根据所述农作物生长模型对应的作物参数，运用最小二乘算法，获得农作物的最优生长模型。
6.根据权利要求5所述的装置，其特征在于，所述构建模块具体用于：
将灌水量和施肥量分别为高、中、低三档，构成农作物的9类生长模型，所述生长模型包括：中水中肥、中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥和高水高肥。
7.根据权利要求5所述的装置，其特征在于，所述计算模块具体用于：
采集农作物在各生长期的作物参数以及其对应的农作物生长速率，利用最小二乘回归原理进行分析处理，借助SPSS软件求出农作物各生长期对应的最优的生长模型。
8.根据权利要求7所述的装置，其特征在于，所述计算模块进一步用于：
设农作物的灌水量为x1，施肥量为x2，生长速率为y；将生长速率与水肥两个因子的关系用二元二次多项式进行拟合；
建立包含交叉项的生长函数模型：
收集n组独立观测值，xi1,xi2,yi(i＝1,2,…,n)
β0,β1,β2,β3,β4,β5是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β0,β1,β2,β3,β4,β5的值)；
对n个有限样本建立多元回归模型：
Y＝Xβ+ε(ε为残余误差)
ε～Nn(0,σ2ln)(ε满足正态分布)
参数的最小二乘法估计：令
各βi的最小二乘估计应该满足：
由于Q(β0,β1,β2,β3,β4,β5)是β0,β1,β2,β3,β4,β5的非负二次式，且关于β0,β1,β2,β3,β4,β5均可微，因而根据微积分原理，是下列方程组的解：
通过整理，可用矩阵表示为：
当(X′X)-1存在时，其最小估计为：
从而得到该模型的各项系数：
β0,β1,β2,β3,β4,β5，再求得复相关检验R2和R，最后求得显著性检验F，最终可得农作物各生长期各自对应的最优生长模型。
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4任一项所述的方法。
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4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810877191.8A CN109033655A (zh) | 2018-08-03 | 2018-08-03 | 一种农作物生长模型优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810877191.8A CN109033655A (zh) | 2018-08-03 | 2018-08-03 | 一种农作物生长模型优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109033655A true CN109033655A (zh) | 2018-12-18 |
Family
ID=64649165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810877191.8A Pending CN109033655A (zh) | 2018-08-03 | 2018-08-03 | 一种农作物生长模型优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109033655A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111135577A (zh) * | 2019-12-24 | 2020-05-12 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
| CN111528066A (zh) * | 2020-06-22 | 2020-08-14 | 黄河勘测规划设计研究院有限公司 | 一种农业灌溉控制方法及系统 |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN113641946A (zh) * | 2021-10-15 | 2021-11-12 | 中国科学院地理科学与资源研究所 | 耗水作物种植布局优化方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011124951A1 (en) * | 2010-04-09 | 2011-10-13 | International Traceability Systems Limited | Electronic management of organic production and certification |
| CN104484722A (zh) * | 2014-12-24 | 2015-04-01 | 贵州电网公司电力调度控制中心 | 一种基于cim标准的气象因子影响电网灾害模型建模方法 |
| CN105303451A (zh) * | 2015-11-20 | 2016-02-03 | 青岛农业大学 | 一种微灌施肥系统适宜性评价方法 |
| CN105554778A (zh) * | 2016-01-07 | 2016-05-04 | 中国农业大学 | 一种生猪养殖环境下基于无线传感器网络的路径损耗模型的建立方法 |
| CN106416566A (zh) * | 2016-10-11 | 2017-02-22 | 西北农林科技大学 | 一种膜下滴灌温室番茄水肥调控方法 |
-
2018
- 2018-08-03 CN CN201810877191.8A patent/CN109033655A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011124951A1 (en) * | 2010-04-09 | 2011-10-13 | International Traceability Systems Limited | Electronic management of organic production and certification |
| CN104484722A (zh) * | 2014-12-24 | 2015-04-01 | 贵州电网公司电力调度控制中心 | 一种基于cim标准的气象因子影响电网灾害模型建模方法 |
| CN105303451A (zh) * | 2015-11-20 | 2016-02-03 | 青岛农业大学 | 一种微灌施肥系统适宜性评价方法 |
| CN105554778A (zh) * | 2016-01-07 | 2016-05-04 | 中国农业大学 | 一种生猪养殖环境下基于无线传感器网络的路径损耗模型的建立方法 |
| CN106416566A (zh) * | 2016-10-11 | 2017-02-22 | 西北农林科技大学 | 一种膜下滴灌温室番茄水肥调控方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李永宾等: "北京郊区不同水氮管理模式对冬小麦产量及水分和养分利用效率的影响", 《麦类作物学报》 * |
| 李郴良等: "《工程数值分析引论》", 30 June 2015 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111135577A (zh) * | 2019-12-24 | 2020-05-12 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
| CN111528066A (zh) * | 2020-06-22 | 2020-08-14 | 黄河勘测规划设计研究院有限公司 | 一种农业灌溉控制方法及系统 |
| CN111528066B (zh) * | 2020-06-22 | 2021-11-12 | 黄河勘测规划设计研究院有限公司 | 一种农业灌溉控制方法及系统 |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN113641946A (zh) * | 2021-10-15 | 2021-11-12 | 中国科学院地理科学与资源研究所 | 耗水作物种植布局优化方法及装置 |
| CN113641946B (zh) * | 2021-10-15 | 2021-12-24 | 中国科学院地理科学与资源研究所 | 耗水作物种植布局优化方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109033655A (zh) | 一种农作物生长模型优化方法及装置 | |
| CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制系统及其控制方法 | |
| CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
| CN101950321B (zh) | 一种建立日光温室长季节栽培番茄植株叶片数模型用于控制番茄长势的方法 | |
| Berhongaray et al. | An optimized fine root sampling methodology balancing accuracy and time investment | |
| CN112042353A (zh) | 一种适用于日光温室的水肥精准决策方法及系统 | |
| CN109042314A (zh) | 一种利用苗期甘蓝型油菜培养试验筛选氮高效油菜品种的方法 | |
| CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
| Campbell et al. | Evaluating potential nitrogen mineralization for predicting fertilizer nitrogen requirements of long‐term field experiments | |
| Bindraban et al. | Transforming inundated rice cultivation | |
| Haider et al. | Towards hybrid smart irrigation for mixed-cropping | |
| Tkatek et al. | Predictive fertilization models for potato crops using machine learning techniques in Moroccan Gharb region. | |
| CN211297915U (zh) | 半基质蔬菜种植基底 | |
| CN113435667A (zh) | 一种稻田灌排模式水资源利用综合评价方法及系统 | |
| CN109122291A (zh) | 观光型白花甘蓝型油菜的选育方法、信息数据分析方法 | |
| Xu et al. | Modelling the crop yield gap with a remote sensing-based process model: A case study of winter wheat in the North China Plain | |
| Shi et al. | Development and application of decision support system for agro-technology transfer DSSAT under water resources management | |
| CN118489387B (zh) | 水稻种植施肥智能管理系统及方法 | |
| Guo | Plant modeling and its applications to agriculture | |
| CN118246604A (zh) | 一种作物模块化生长数据采集及生长预测系统 | |
| CN109840653B (zh) | 南方设施葡萄一年两熟栽培模式的能耗评估方法及系统 | |
| Ammouri et al. | Self-Organizing Maps Applied to Soil Conservation in Mediterranean Olive Groves | |
| Wakhare et al. | Precise Prediction of Water Level Using the Naïve Bayes Algorithm for Smart Irrigation in Pomegranate Farms | |
| CN113222294A (zh) | 一种大豆投入单产预测方法及系统 | |
| Meenakshi et al. | Artificial Intelligence Enhanced-Plant and Soil Monitoring Systems |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |