CN109558939A - 一种基于神经网络的作物生长模型选择方法及装置 - Google Patents

Abstract

本公开公开了一种基于神经网络的作物生长模型选择方法及装置，从机器学习的角度来模拟当前的作物生长模型，同时构建作物的综合模型库，从而，对当前作物没有生长模型的，可以在经过试种后得到作物生长过程数据，通过模型库的模拟验证得到最匹配的生长模型，再结合神经网络技术来实现基于作物生长模型的机器学习库，最后通过神经网络来预测哪种模型最符合农业生产的需求，可以生成一些种植面积小的、种植效益相对较弱的农作物或者没有合适的生长模型的其他植物的生长数据，生长模型生成其模拟种植数据以供无土栽培、大棚养殖、智能农业的数据作为农业信息化、自动化的数据源，并且可供农户进行种植的数据参考。

Description

一种基于神经网络的作物生长模型选择方法及装置

技术领域

本公开涉及机器学习技术领域，具体涉及一种基于神经网络的作物生长模型选择方法及装置。

背景技术

当前，作物的生长模型都是在实验室实验产生，试验地验证这些投入大、耗时长、工种复杂的环境下获得的，所以都是选择经济效益高、栽种范围广、易推广等的物种，这就造成一些种植面积小的、种植效益相对较弱的等没有合适的生长模型提供参考。

由于生长模型的实验到产生的周期长、投入多等等问题，造成生长模型的作物涵盖范围小，本公开从机器学习角度来实现作物生长模型的模拟，从而为新作物的模型选择提供依据。

发明内容

本公开提供一种基于神经网络的作物生长模型选择方法及装置，从机器学习的角度来模拟当前的作物生长模型，同时构建作物的综合模型库，对当前作物没有生长模型的，可以在经过试种后得到作物生长过程数据，通过模型库的模拟验证得到最匹配的生长模型，再结合神经网络技术来实现基于作物生长模型的机器学习库，最后通过神经网络来预测哪种模型最符合农业生产的需求，通过用神经网络对作物生长模型的模拟，用机器学习的方法提取生长模型中内在关系，从机器学习角度来实现作物生长模型的模拟，从而为新作物的模型选择提供依据。

为了实现上述目的，根据本公开的一方面，提供一种基于神经网络的作物生长模型选择方法，所述方法包括以下步骤：

步骤分为构建模型库阶段和通过模型库获取未知作物生长模型数据阶段，

构建模型库阶段：

步骤A，读取DSSAT模型中的作物生长模型和模型参数；

步骤B，根据模型参数通过生长模型获取植物生长数据；

步骤C，使用植物生长数据训练神经网络，得到植物神经网络模型；

步骤D，将训练好的植物神经网络模型加入模型库；

通过模型库获取未知作物生长模型数据阶段：

步骤1，试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

步骤2，将试种数据输入到模型库中，得到神经网络模型输出；

步骤3，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

步骤4，将通过验证的生长模型在模型库中记录。

进一步地，在步骤A中，所述作物生长模型包括禾谷类作物模型、豆类作物模型、块茎与块根作物模型、油料作物模型、蔬菜作物模型、草料作物模型及其他作物模型。

进一步地，在步骤A中，所述模型参数包括土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速。

进一步地，在步骤B中，所述植物生长数据包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据。

进一步地，在步骤B中，根据模型参数通过生长模型获取植物生长数据为根据DSSAT模型模拟得到植物生长数据。

进一步地，在步骤C中，所述植物神经网络模型包括输入层、多层LSTM网络和单层神经网络，输入层包括x0，x1，x2，x3，…，xn，其中,n为大于0的整数,x0，x1,x2,x3,…,xn为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点，多层LSTM网络对应输入层的每个输入，每个输入包括n个LSTM细胞构成的多层LSTM网络结构，单层神经网络包括x0，w0，w1，w2，w3，…，wn的n个神经元的输出。

进一步地，在步骤1中，所述试种未知生长的作物包括禾谷类作物、豆类作物、块茎与块根作物、油料作物、蔬菜作物、草料作物中任意一种。

进一步地，在步骤1中，所述神经网络生长模型的参数为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点；每个特征向量为当前时刻作物的生长状况，包括但不限于：土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速。

进一步地，在步骤1中，所述当前试种时作物所产生的试种数据包括经过试种后得到作物生长过程数据，即作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据。

进一步地，在步骤2中，将试种数据输入到模型库中，得到神经网络模型输出的方法为，根据试种未知生长的作物类型在模型库中选择相应的植物神经网络，通过神经网络生长模型的参数对植物神经网络进行输出，即根据未知生长的作物类型为禾谷类作物、豆类作物、块茎与块根作物、油料作物、蔬菜作物、草料作物中任意一种在模型库中选择相应的植物神经网络。

进一步地，在步骤3中，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证的方法为，根据试种未知生长的作物类型在模型库中选择相应的植物神经网络输出的未知生长的作物数据，包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据，如果所有项的数据都服从标准正态分布，则通过复用可行性验证。

进一步地，在步骤4中，将通过验证的生长模型在模型库中记录的方法为，将通过验证的根据试种未知生长的作物类型在模型库中选择相应的植物神经网络存储到模型库。

本公开还提供了一种基于神经网络的作物生长模型选择装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

生长模型读取单元，用于读取DSSAT模型中的作物生长模型和模型参数；

生长数据获取单元，用于根据模型参数通过生长模型获取植物生长数据；

神经网络训练单元，用于使用植物生长数据训练神经网络，得到植物神经网络模型；

模型库构建单元，用于将训练好的植物神经网络模型加入模型库；

未知作物选择单元，用于试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

模型库输出单元，用于将试种数据输入到模型库中，得到神经网络模型输出；

可行性验证单元，用于对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

新品种入库单元，用于将通过验证的生长模型在模型库中记录。

本公开的有益效果为：本公开提供一种基于神经网络的作物生长模型选择方法及装置，可以生成一些种植面积小的、种植效益相对较弱的农作物或者没有合适的生长模型的其他植物的生长数据，生长模型生成其模拟种植数据以供无土栽培、大棚养殖、智能农业的数据作为农业信息化、自动化的数据源，并且可供农户进行种植的数据参考。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：

图1所示为一种植物神经网络模型图；

图2所示为一种基于神经网络的作物生长模型选择装置图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的一种植物神经网络模型图，下面结合图1来阐述根据本公开的实施方式的一种基于神经网络的作物生长模型选择方法。

本公开提出一种基于神经网络的作物生长模型选择方法，具体包括以下步骤：

步骤分为构建模型库阶段和通过模型库获取未知作物生长模型数据阶段，

构建模型库阶段：

步骤A，读取DSSAT模型中的作物生长模型和模型参数；

步骤B，根据模型参数通过生长模型获取植物生长数据；

步骤C，使用植物生长数据训练神经网络，得到植物神经网络模型；

步骤D，将训练好的植物神经网络模型加入模型库；

通过模型库获取未知作物生长模型数据阶段：

步骤1，试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

步骤2，将试种数据输入到模型库中，得到神经网络模型输出；

步骤3，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

步骤4，将通过验证的生长模型在模型库中记录。

进一步地，在步骤A中，所述作物生长模型包括禾谷类作物模型、豆类作物模型、块茎与块根作物模型、油料作物模型、蔬菜作物模型、草料作物模型及其他作物模型。

进一步地，在步骤A中，所述模型参数包括土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速，具体包括，气象数据、土壤数据、作物数据和试验数据，气象数据包括：逐日降水量、最高气温、最低气温和太阳辐射量，土壤数据包括：国家、位置、经纬度、土壤系列名称，土壤分类等、土壤颜色、土壤排水情况、土壤坡度、有机碳(可以通过有机质含量换算得出)含量、土壤PH值、土壤体积含水量，饱和水力梯度，作物数据包括：种植地点、编号、名称、作物种类，试验数据包括：作物生长发育数据、土壤水肥变化数据。

进一步地，在步骤B中，所述植物生长数据包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据等基本生理生态过程数据。

进一步地，在步骤B中，根据模型参数通过生长模型获取植物生长数据为根据DSSAT模型模拟得到植物生长数据。

进一步地，在步骤C中，所述植物神经网络模型包括输入层、多层LSTM网络和单层神经网络，输入层包括x0，x1，x2，x3，…，xn，其中,n为大于0的整数,x0，x1,x2,x3,…,xn为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点，多层LSTM网络对应输入层的每个输入，每个输入包括n个LSTM细胞构成的多层LSTM网络结构，单层神经网络包括x0，w0，w1，w2，w3，…，wn的n个神经元的输出。

进一步地，在步骤1中，所述试种未知生长的作物包括禾谷类作物、豆类作物、块茎与块根作物、油料作物、蔬菜作物、草料作物中任意一种。

进一步地，在步骤1中，所述神经网络生长模型的参数为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点；每个特征向量为当前时刻作物的生长状况，包括但不限于：土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速。

进一步地，在步骤1中，所述当前试种时作物所产生的试种数据包括经过试种后得到作物生长过程数据，即作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据。

进一步地，在步骤2中，将试种数据输入到模型库中，得到神经网络模型输出的方法为，根据试种未知生长的作物类型在模型库中选择相应的植物神经网络，通过神经网络生长模型的参数对植物神经网络进行输出，即根据未知生长的作物类型为禾谷类作物、豆类作物、块茎与块根作物、油料作物、蔬菜作物、草料作物中任意一种在模型库中选择相应的植物神经网络。

优选地，根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的数据是指：在训练神经网络的过程中，在输入数据选择上要抛弃作物的一些特殊的特征属性，即作物生长模型中的特有参数，如遗传特性等，这样会提高模型的可复用性。从而，在预测的时候，输入参数也有必要舍弃掉一些特征属性。

进一步地，在步骤3中，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证的方法为，根据试种未知生长的作物类型在模型库中选择相应的植物神经网络输出的未知生长的作物数据，包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据，如果所有项的数据都服从标准正态分布，则通过复用可行性验证，复用可行性验证目前缺乏科学有效的手段，也没人往此方向研究，故为了逻辑严谨，一般通过人工审核其实验结果和相关技术人员的种植经验、对气象的准确认识、对被测植物灾害的准确认识来确定的。

进一步地，在步骤4中，将通过验证的生长模型在模型库中记录的方法为，将通过验证的根据试种未知生长的作物类型在模型库中选择相应的植物神经网络存储到模型库，得到未知生长的作物的模型的输出，获得每个模型输出占总输出的比重。

例如，如图1所示，本公开的一种实施例，一种大豆的生长模型，即植物神经网络模型图，可这样设置：其中，输入层x0，x1,x2,x3,…,xn为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点；每个特征向量为当前时刻作物的生长状况，包括但不限于：土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速等；多层LSTM网络结构可根据实际要求设置；如当样本数量不是很大时可适当增加droopout层来防止过拟合；当样本数量够大时，训练时间可能有限制，可适当减少网络层数；总之，多层LSTM网络的结构调整完全由实际条件决定；最后的单层神经网络是为了考虑时间切片之间带来的影响做最大化考虑；同时也为了获得一个优良的结果，这个结果就代表了作物的产量高低，最大值为1，即当前作物生长的最适宜生长过程。

经过仿真测试，如下表所示，现有的方法的技术模型1到模型5与本公开提供的技术方案模型6，一种少量模型模拟模型生成时间的实验结果如下：

模型	测试时间
		模型1MACROS	0.1113268
模型2EPIC	0.5541701
		模型3GOSSIM	0.0154751
模型4CERES	0.0588746
		模型5POTATO	0.2152305
模型6本公开技术方案	0.0014922

可见，本公开提供的技术方案生成实验结果优于现有的方法，其中模型库暂时没有更深的考量，仅仅是为了把训练好的模型更好的保存到一起，方便将来修改、增加、减少、查找和使用，至于如何更好的保存和保存方式的改进暂时不在本公开的考虑之中。

本公开的实施例提供的一种基于神经网络的作物生长模型选择装置，如图2所示为本公开的一种基于神经网络的作物生长模型选择装置图，该实施例的一种基于神经网络的作物生长模型选择装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于神经网络的作物生长模型选择装置实施例中的步骤。

所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

生长模型读取单元，用于读取DSSAT模型中的作物生长模型和模型参数；

生长数据获取单元，用于根据模型参数通过生长模型获取植物生长数据；

神经网络训练单元，用于使用植物生长数据训练神经网络，得到植物神经网络模型；

模型库构建单元，用于将训练好的植物神经网络模型加入模型库；

未知作物选择单元，用于试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

模型库输出单元，用于将试种数据输入到模型库中，得到神经网络模型输出；

可行性验证单元，用于对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

新品种入库单元，用于将通过验证的生长模型在模型库中记录。

所述一种基于神经网络的作物生长模型选择装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于神经网络的作物生长模型选择装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于神经网络的作物生长模型选择装置的示例，并不构成对一种基于神经网络的作物生长模型选择装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于神经网络的作物生长模型选择装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于神经网络的作物生长模型选择装置运行装置的控制中心，利用各种接口和线路连接整个一种基于神经网络的作物生长模型选择装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于神经网络的作物生长模型选择装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (10)

1.一种基于神经网络的作物生长模型选择方法，其特征在于，所述方法包括以下步骤：

构建模型库阶段：

步骤A，读取DSSAT模型中的作物生长模型和模型参数；

步骤B，根据模型参数通过生长模型获取植物生长数据；

步骤C，使用植物生长数据训练神经网络，得到植物神经网络模型；

步骤D，将训练好的植物神经网络模型加入模型库；

通过模型库获取未知作物生长模型数据阶段：

步骤1，试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

步骤2，将试种数据输入到模型库中，得到神经网络模型输出；

步骤3，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

步骤4，将通过验证的生长模型在模型库中记录。

2.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤A中，所述模型参数包括土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速。

3.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤B中，所述植物生长数据包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据。

4.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤C中，所述植物神经网络模型包括输入层、多层LSTM网络和单层神经网络，输入层包括x0，x1，x2，x3，…，xn，其中,n为大于0的整数,x0，x1,x2,x3,…,xn为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点，多层LSTM网络对应输入层的每个输入，每个输入包括n个LSTM细胞构成的多层LSTM网络结构，单层神经网络包括x0，w0，w1，w2，w3，…，wn的n个神经元的输出。

5.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤1中，所述神经网络生长模型的参数为对作物生长周期的时间切片的特征向量，时间的间隔为12小时，即作物从生长到收获期间的每天6点和18点；每个特征向量为当前时刻作物的生长状况，包括但不限于：土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速。

6.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤1中，所述当前试种时作物所产生的试种数据包括经过试种后得到作物生长过程数据，即作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据。

7.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤2中，将试种数据输入到模型库中，得到神经网络模型输出的方法为，根据试种未知生长的作物类型在模型库中选择相应的植物神经网络，通过神经网络生长模型的参数对植物神经网络进行输出，即根据未知生长的作物类型为禾谷类作物、豆类作物、块茎与块根作物、油料作物、蔬菜作物、草料作物中任意一种在模型库中选择相应的植物神经网络。

8.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤3中，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证的方法为，根据试种未知生长的作物类型在模型库中选择相应的植物神经网络输出的未知生长的作物数据，包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据，如果所有项的数据都服从标准正态分布，则通过复用可行性验证。

9.根据权利要求1所述的一种基于神经网络的作物生长模型选择方法，其特征在于，在步骤4中，将通过验证的生长模型在模型库中记录的方法为，将通过验证的根据试种未知生长的作物类型在模型库中选择相应的植物神经网络存储到模型库。

10.一种基于神经网络的作物生长模型选择装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

生长模型读取单元，用于读取DSSAT模型中的作物生长模型和模型参数；

生长数据获取单元，用于根据模型参数通过生长模型获取植物生长数据；

神经网络训练单元，用于使用植物生长数据训练神经网络，得到植物神经网络模型；

模型库构建单元，用于将训练好的植物神经网络模型加入模型库；

未知作物选择单元，用于试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

模型库输出单元，用于将试种数据输入到模型库中，得到神经网络模型输出；

可行性验证单元，用于对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

新品种入库单元，用于将通过验证的生长模型在模型库中记录。