CN109685676A - 智能水肥管理方法和系统 - Google Patents

Abstract

本发明提供一种智能水肥管理专家系统和方法，在专家交互端读取作物生长特征，发送至水肥决策模型，接收并显示水肥决策模型发送的决策数据；在数据库端查询、获取、更新专家交互数据；基于人工智能的长短时记忆网络对专家交互数据建模，得到水肥决策模型，采用专家交互数据对水肥决策模型训练，接收作物生长特征，输出决策数据。实现专家系统中数据与网站分离，将数据集中保存在数据库中，使得数据的维护更加集中而不是分散在专家系统各个模块之中。当数据进行更新或者增减操作时，无需对网站源代码进行修改，而只需对数据库中的数据进行修改，且可以根据用户需求动态调整从数据库中获取的数据量，提高开发效率，降低专家系统的运行维护成本。

Description

智能水肥管理方法和系统

技术领域

本发明涉及农业技术领域，具体地，涉及智能水肥管理方法和系统，尤其是涉及一种基于人工智能技术和决策树方法的通用水肥管理专家系统。

背景技术

水肥的精准施用对作物的生长发育有着重要的意义，农业专家系统即是像农业专家一样的系统来指导农业用户进行种植，包括环境监控、水肥灌溉的精准施用策略等，它可以显著提高农业生产效率。专家系统发展已经有多年历史，但是能够提供的帮助却很有限。随着诸如物联网、大数据和人工智能等新兴技术的发展，可对专家系统进行进一步优化。

目前我国研究出的农业专家管理系统存在以下问题：(1)专家系统缺少人工智能AI部分,目前AI技术发展到依赖深层结构人工神经网络模型和深度学习阶段，可以到被运用到生活中的各个方面，但是在农业上运用的较少，比如可以通过人工智能实现病虫害的智能识别和治理，人工智能识别作物生长状况，针对作物目前的表型指标进行水肥管理和温度的决策。(2)没有根据实时变化的气象数据对作物生长进行管理决策，气候变化对作物影响很大，不同温度下灌溉量不同，施肥量也不同，因此可以通过传感器传输数据到物联网，将实时数据信息传输到系统，对系统的决策进行实时更正与水肥预测预警。(3)没有实现全程化决策管理，目前只是一些零散的比如温度监测，病虫害决策等功能的软件，并不能全程帮助用户决策，比如在选种开始到生长的各个阶段都能帮助用户做出正确的决策，解决用户水肥用量问题。

因此,结合现有的诸如物联网、大数据和人工智能等新兴技术的发展，基于JavaWeb技术和实验室的作物水肥模型，构建一个实用性强、技术新颖、安全可靠、扩展性强的通用型作物水肥管理专家系统平台，预知作物的生长环境变化性，进行实时监控管理，在生长期内的定量化和精准化管理和提高温室利用效益,最大限度地避免种植和管理上的盲目性，在农业的发展具有很大现实意义。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种智能水肥管理方法和系统。

根据本发明提供的一种智能水肥管理专家系统，包括专家交互端模块、数据库端模块、水肥决策模型模块；专家交互端模块：读取作物生长特征，将作物生长特征发送至水肥决策模型，接收水肥决策模型发送的决策数据，显示所述决策数据；数据库端模块：查询、获取、更新专家交互数据，所述专家交互数据主要包括作物生长各生育时期的施肥量或者施肥比例；水肥决策模型模块：基于人工智能的长短时记忆网络对专家交互数据进行建模，得到水肥决策模型，采用专家交互数据对水肥决策模型进行训练，接收作物生长特征，输出决策数据。

根据本发明提供的一种智能水肥管理专家方法，包括专家交互端步骤、数据库端步骤、水肥决策模型步骤；专家交互端步骤：读取作物生长特征，将作物生长特征发送至水肥决策模型，接收水肥决策模型发送的决策数据，显示所述决策数据；数据库端步骤：查询、读取、更新专家交互数据，所述专家交互数据主要包括作物生长各生育时期的施肥量或者施肥比例；水肥决策模型步骤：基于人工智能的长短时记忆网络对专家交互数据进行建模，得到水肥决策模型，采用专家交互数据对水肥决策模型进行训练，接收作物生长特征，输出决策数据。

优选地，所述专家交互数据通过脚本语言从数据库中进行读取，专家交互数据以变量形式存储在数据库中，专家交互数据支持独立更新。

优选地，所述作物生长特征主要包括温度参数、作物生长时期；

优选地，所述水肥决策模型基于深度学习框架进行开发，将作物生长特征按照时间、环境数据值和作物生长可见光、近红外监测值进行分类后读取到水肥决策模型。

优选地，所述环境数据值主要包括光照、温度、湿度、土温和土壤湿度。

优选地，设定模型训练次数对水肥决策模型进行训练，得到模型训练结果，将模型训练结果采用作图工具处理后进行显示。

优选地，根据作物生长的时期决策，判断选择实时灌溉或者实时施肥，温室温度以参数矩阵方式参与实时施肥的决策计算，根据实时灌溉或者实时施肥的决策得到实时水肥方案，将实时水肥方案作为决策数据进行显示。

优选地，所述决策计算依据以下公式：

f_i,k(t_i)＝a_k*t_i (1)

F(k)＝∑f_i,k＝∑_k(a_k*t_i)＝a_k*∑_kt_i (2)

式中，下标i表示时间；下标k表示作物生长时期；t_i表示在第i个时间的温度； f_i,k表示作物生长周期内的时间；f_i,k(t_i)表示生长周期每天的温室温度数据。

F(k)表示水肥决策总量；a表示水肥方案的回归模型参数，a_k表示在不同作物生长时期下的回归模型参数；∑_kt_i表示作物生长周期内第i个时间的累积温度。

与现有技术相比，本发明具有如下的有益效果：

1、实现专家系统中数据与网站分离，将数据集中保存在数据库中，使得数据的维护更加集中而不是分散在专家系统各个模块之中。当数据进行更新或者增减操作时，无需对网站源代码进行修改，而只需对数据库中的数据进行修改，且可以根据用户需求动态调整从数据库中获取的数据量，具有提高开发效率，降低专家系统的运行维护成本的效果。

2、通过对多元的环境数据进行整理和分析，使用人工智能的长短时记忆网络LSTM方法对多元的环境时间序列数据进行分析和建模，从而实现对环境数据的动态预测，便于农户对微观(即温室)的光照、温度、湿度、土温的数据进行监控与调控，使植物能够处于一个稳定的生长环境；

3、构建水肥实时决策模型，将其作为实时决策模块写入了专家系统中。通过采用决策树的方法，建立了温度与肥料和灌溉量的回归方程，并通过编程进行求解，最后将该模型通过JSP编写入专家系统中。用户只需要输入果实种类，当前阶段所处的生长时期，以及环境温度，实时决策出所需的灌溉水量(百分比)，以及五种肥料所需的情况。可以将前沿的科学论文中的优化水肥灌溉方案保存在专家系统中，便于农户的使用，达到指导生产的作用。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为预测值与观察值对比图；

图2为本发明的实时水肥决策树示意图。

图中示出：图1中的线表示本发明对环境数据值的预测值，图1中的星点表示环境数据值的原始值。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种智能水肥管理专家方法，包括专家交互端步骤、数据库端步骤、水肥决策模型步骤；专家交互端步骤：读取作物生长特征，将作物生长特征发送至水肥决策模型，接收水肥决策模型发送的决策数据，显示所述决策数据；数据库端步骤：查询、读取、更新专家交互数据，所述专家交互数据主要包括作物生长各生育时期的施肥量或者施肥比例；水肥决策模型步骤：基于人工智能的长短时记忆网络对专家交互数据进行建模，得到水肥决策模型，采用专家交互数据对水肥决策模型进行训练，接收作物生长特征，输出决策数据。

具体地，系统中环境和作物生长数据，主要通过传感器获取，所述传感器包括温度传感器、湿度传感器、光照传感器和土壤水分传感器中的任一种或者任多种，作物生长主要通过可见光和近红外传感器获取。获取数据包括温湿度、光照、土壤水分、植株水分和养分。

具体地，所述专家交互数据通过脚本语言从数据库中进行读取，专家交互数据以变量形式存储在数据库中，专家交互数据支持独立更新。

具体地，所述作物生长特征主要包括温度参数、作物生长时期；

具体地，所述水肥决策模型基于深度学习框架进行开发，将作物生长特征按照时间、环境数据值和作物生长可见光、近红外监测值进行分类后读取到水肥决策模型。

具体地，所述环境数据值主要包括光照、温度、湿度、土温和土壤湿度。

具体地，设定模型训练次数对水肥决策模型进行训练，得到模型训练结果，将模型训练结果采用作图工具处理后进行显示。

具体地，根据作物生长的时期决策，判断选择实时灌溉或者实时施肥，温室温度以参数矩阵方式参与实时施肥的决策计算，根据实时灌溉或者实时施肥的决策得到实时水肥方案，将实时水肥方案作为决策数据进行显示。

具体地，所述决策计算依据以下公式：

f_i,k(t_i)＝a_k*t_i (1)

F(k)＝∑f_i,k＝∑_k(a_k*t_i)＝a_k*∑_kt_i (2)

式中，下标i表示时间；下标k表示作物生长时期；t_i表示在第i个时间的温度； f_i,k表示作物生长周期内的时间；f_i,k(t_i)表示生长周期每天的温室温度数据。

F(k)表示水肥决策总量；a表示水肥方案的回归模型参数，a_k表示在不同作物生长时期下的回归模型参数；∑_kt_i表示作物生长周期内第i个时间的累积温度。

根据本发明提供的一种智能水肥管理专家系统，包括专家交互端模块、数据库端模块、水肥决策模型模块；专家交互端模块：读取作物生长特征，将作物生长特征发送至水肥决策模型，接收水肥决策模型发送的决策数据，显示所述决策数据；数据库端模块：查询、获取、更新专家交互数据，所述专家交互数据主要包括作物生长各生育时期的施肥比例；水肥决策模型模块：基于人工智能的长短时记忆网络对专家交互数据进行建模，得到水肥决策模型，采用专家交互数据对水肥决策模型进行训练，接收作物生长特征，输出决策数据。

本发明提供的智能水肥管理专家系统，可以通过智能水肥管理专家方法的步骤流程实现。本领域技术人员可以将智能水肥管理专家方法理解为所述智能水肥管理专家系统的优选例。

以下对本发明进行进一步的阐述。

专家交互端通过动态网页采用JavaScript+CCS+JSP技术实现，使用HTML编程技术，给出整个网站的框架构建模块，以及其中网页之间的链接与跳转等功能。所述的CCS样式主要作用为对HTML等语言编程制作出来的网站进行渲染，使得网站具有更好的可视化效果。即如果HTML在写txt的文本文档时，采用CCS样式，则相当于将其迁移到Word文档中进行编写，可以设置字体的大小、字号、颜色等内容；所述的JavaScript技术，将数据库中的数据result读取出来，然后对其中的rows 进行遍历，采用c:foreach语句，将数据从中一一展现出来，然后通过c:out将存储在变量中的数值value取出，再通过输出到表格table中进行展示。当决策的数据量增多时，根据foreach功能，会自动对网站中的数据进行更新。且数据为从数据库中读取的变量，而不是静态的保存在网站中。因此，如果需要对网站的数据进行修改，只需要对数据库中的数据进行修改即可，无需对于网站做操作，这样便达到了数据与网站系统分离的效果，能够提高专家系统的可拓展性。

数据库端采用开源数据库MYSQL实现，数据库管理由多个数据库组成，创建一个数据库，然后进入数据库中，创建大量元素使用表(table)，用来保存数据。数据库进行数据的插入操作，如果数据量较大，需要批量引入，则可以采用编程技术或者使用workbench进行载入。通过右击采用“Table Data Import Wizard”，即可将需要的数据进行Table的创建以及数据的载入。载入后，即可以通过类似于 Excel的图形化界面进行查看，也可以通过SQL语音对数据进行筛选，来获取我们所需要的数据内容。进行操作命令后，便会返回执行的数据结果。

专家交互端通过JSP进行数据库操作。为了能够与数据库进行连接与交互，需要采用接口与驱动为JSP提供桥梁和连接。通过JSP来操作数据库，大致分为以下几个步骤。首先第一步是设置数据库的源，采用命令<sql:setDataSource>进行设置，即网站需要从哪里获取到数据库的接口位置。本发明为在本地开发，因此采用了localhost本地主机的端口，为mysql默认的连接端口3306。登录的用户为 root，访问的数据库为test。建立好连接后，下一步是从数据库中读取到所需的数据与内容，以番茄水肥决策的数据为例，需要读入大量元素、微量元素、灌溉量决策以及番茄在各个生育时期的N、P、K、Ca、Mg比例，将采用<sql:query>用于数据的载入，并将数据的结果分别保存在result0，result1，result2，result3中；最后，可以通过对变量中的数据进行查询与获取，然后展示在网页中，相对于传统的方法。如果数据进行更新后只需要对数据库进行操作，而无需对专家系统的源代码进行修改。从传统的以HTML为主的静态网站开发，转向动态网站开发。动态网站将数据存储在数据库中，网页中采用JavaScript和JSP等技术，通过JDBC驱动远程调用数据库来获取远端的数据，从而实现数据与网站分离。

水肥决策模型是基于LSTM的多元环境预测模型，通过Google公司在其开发的深度学习框架Tensorflow，将Tensorflow中与timeseries相关的库进行引入。然后将数据按照时间与其他四个环境数据值(光照、温度、湿度和土温)读入到 reader中；进一步，通过tensorflow的session对数据进行载入，并通过print 函数用以验证是否已经将数据读入；下一步设置estimator，即估计器，用来对LSTM 模型进行训练，其中参数将设置特性的数量为4，单元的数据量为128(32*4)，优化器采用了目前较为广泛使用的Adam，其中迭代的因子设置为0.001，该因子主要的作用为调整训练器训练的速率；当设置好模型后便可以开始数据训练，这里以对模型训练100次为例，并将训练的数据结果进行保存，然后通过python的作图工具库matplotlib将其做出来。拟合效果较好。

所述的基于决策树的水肥管理方案，输入参数为温室温度以及所处的生育时期，便可以通过上面的决策树到达指定的决策支点，并通过与温度参数进行相乘，获得该时期温度下的实时水肥量。举例说明，假设处于苗期，温度为18℃，对应苗期的时期参数k＝0，通过模型计算，水含量应该为58％；具体计算如下：实时水肥参数计算如下：(1)假设温度t与水肥方案的回归模型参数为a，k代表时期(如苗期等)，i代表时间，t_i表示在第i个时间的温度，f_i,k(t_i)表示生长周期每天的温室温度数据。

f_i，k(t_i)＝a_k*t_i

(2)一个时期的水肥决策总量为当阶段的温度的累积量与系数的乘积，a_k表示在不同作物生长时期下的回归模型参数；∑_kt_i表示作物生长周期内第i个时间的累积温度。

F(k)＝∑f_i，k＝∑_k(a_k*t_i)＝a_k*∑_kt_i

(3)通过计算得到不同时期的回归参数a

将水肥决策模型镶嵌入专家交互端模块，通过JSP中的下拉菜单功能设置选项，这样可以使得用户能够进行下拉框的选择，并且将下拉框所对应的时期记录在变量s_time中。然后，通过对话框输入温度的数据，记录在变量temp中，这样便可以通过编写calculate()来对输入的数据进行计算，在不同的生长时期，即使相同的温度，也会给出不一样的水肥决策方案，并将计算出的数据结果显示在网页中。

通过采用决策树的方法，建立了温度与肥料、灌溉量的回归方程，并通过编程进行求解，最后将该模型通过JSP编写入专家系统中。用户只需要输入果实种类，当前阶段所处的生长时期，以及环境温度，实时决策出所需的灌溉水量(百分比)，以及五种肥料所需的情况。通过该模块，可以将前沿的科学论文中的优化水肥灌溉方案保存在专家系统中，便于农户的使用，达到指导生产的作用。

以下是本发明的再一个优选例。

本发明提供了一种通用型水肥管理专家系统，主要包括专家系统的动态网页构建、多元天气数据预测、以及基于温室温度的实时水肥决策方案指导，具体包括以下几个方面：(1)动态网页构建与优化。采用JavaScript、CCS以及JSP等技术进行混合编程，建立开源的MYSQL数据库，用于专家系统的数据存放，实现了专家系统数据与网站分离的效果；(2)采用人工智能技术对温室的多元环境数据进行分析与拟合。使用神经网络中的长短时记忆网络LSTM建立多元环境数据的参数模型，对已有气象数据进行训练，根据拟合结果进行网络的迭代与参数优化，使得神经网络能够尽可能模拟出多元的环境数据。实现了通过拟合出已有的环境数据，对未来环境数据进行预测分析与预警；(3)采用决策树模型方法构建了实时的水肥决策方案。建立了实时温度与水肥指导的关系，不同的发育时期采用不同的回归参数提高了模型精确性。将该模型嵌入至专家系统中，可以使得用户输入当天的气温以及农作物所处的生长阶段，即可获得对应的生长水肥灌溉指导方案。本发明旨在实现通用型的专家系统，为设施作物的精准水肥管理提供技术支持。

本发明是通过以下技术的组合实现，包括：(1)系统程序优化和动态网站构建。(2)长短时记忆网络LSTM建立多元环境数据的参数模型，对未来环境数据进行预测预警。 (3)采用决策树和回归模型方法建立了实时的水肥决策方案，通过实时环境变化和生长发育时期预测水肥用量。以下分别进行说明：

(1)动态网站首页/主界面

平台用户打开浏览器之后，在网址栏输入网址： http://localhost:8080/Water_and_Fertilizer_Management_of_Tomato/jsp/login/l ogin.jsp,按下键盘上的回车键，就可进入到系统登录界面，“localhost”指的是服务器的IP地址。

(2)气象预测模块

通过模拟预测模块的气象预测功能，实现对于环境数据的动态预测效果，方便于农户用于对微观(即温室)的光照、温度、湿度、土温的数据进行监控，即使发现异常，从而使得植物能够处于一个稳定的生长环境中，并将结果进行展示，通过均方差的方法对预测值进行评估。

(3)水肥决策推理模块

水肥决策推理模块是通过信息监测模块监测到的环境和作物生长信息，对种植过程进行实时预测预警和决策。使用摄像头监测到的图片，分析图片中番茄植株的长势，得到番茄的各种表型指标和生理指标，采用决策树模型对数据进行分析和处理，结合实时环境情况，综合分析和智能判断番茄生长过程中实时肥水需求，和番茄的病虫害等。

(4)系统维护模块

通过系统维护模块，能够整体的处理和维护此系统的内容，方便的进行全过程、全方位的管理，主要包括权限管理、账号管理、发布重要信息、管理广告位以及施肥决策管理等模块，此部分只有通过管理员账户方式可见，保证了系统的安全性。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种智能水肥管理专家系统，其特征在于，包括专家交互端模块、数据库端模块、水肥决策模型模块；

专家交互端模块：读取作物生长特征，将作物生长特征发送至水肥决策模型，接收水肥决策模型发送的决策数据，显示所述决策数据；

数据库端模块：查询、获取、更新专家交互数据，所述专家交互数据主要包括作物生长各生育时期的施肥量或者施肥比例；

水肥决策模型模块：基于人工智能的长短时记忆网络对专家交互数据进行建模，得到水肥决策模型，采用专家交互数据对水肥决策模型进行训练，接收作物生长特征，输出决策数据。

2.一种智能水肥管理专家方法，其特征在于，包括专家交互端步骤、数据库端步骤、水肥决策模型步骤；

专家交互端步骤：读取作物生长特征，将作物生长特征发送至水肥决策模型，接收水肥决策模型发送的决策数据，显示所述决策数据；

数据库端步骤：查询、读取、更新专家交互数据，所述专家交互数据主要包括作物生长各生育时期的施肥量或者施肥比例；

水肥决策模型步骤：基于人工智能的长短时记忆网络对专家交互数据进行建模，得到水肥决策模型，采用专家交互数据对水肥决策模型进行训练，接收作物生长特征，输出决策数据。

3.根据权利要求1所述的智能水肥管理专家系统或者权利要求2所述的智能水肥管理专家方法，其特征在于，所述专家交互数据通过脚本语言从数据库中进行读取，专家交互数据以变量形式存储在数据库中，专家交互数据支持独立更新。

4.根据权利要求1所述的智能水肥管理专家系统或者权利要求2所述的智能水肥管理专家方法，其特征在于，所述作物生长特征主要包括温度参数、作物生长时期。

5.根据权利要求1所述的智能水肥管理专家系统或者权利要求2所述的智能水肥管理专家方法，其特征在于，所述水肥决策模型基于深度学习框架进行开发，将作物生长特征按照时间、环境数据值和作物生长可见光、近红外监测值进行分类后读取到水肥决策模型。

6.根据权利要求5所述的智能水肥管理专家系统或者智能水肥管理专家方法，其特征在于，所述环境数据值主要包括光照、温度、湿度、土温和土壤湿度。

7.根据权利要求1所述的智能水肥管理专家系统或者权利要求2所述的智能水肥管理专家方法，其特征在于，设定模型训练次数对水肥决策模型进行训练，得到模型训练结果，将模型训练结果采用作图工具处理后进行显示。

8.根据权利要求1所述的智能水肥管理专家系统或者权利要求2所述的智能水肥管理专家方法，其特征在于，根据作物生长的时期决策，判断选择实时灌溉或者实时施肥，温室温度以参数矩阵方式参与实时施肥的决策计算，根据实时灌溉或者实时施肥的决策得到实时水肥方案，将实时水肥方案作为决策数据进行显示。

9.根据权利要求8所述的智能水肥管理专家系统或者智能水肥管理专家方法，其特征在于，所述决策计算依据以下公式：

f_i,k(t_i)＝a_k*t_i (1)

F(k)＝∑f_i,k＝∑_k(a_k*t_i)＝a_k*∑_kt_i (2)

式中，下标i表示时间；下标k表示作物生长时期；t_i表示在第i个时间的温度；f_i,k表示作物生长周期内的时间；f_i,k(t_i)表示生长周期每天的温室温度数据。

F(k)表示水肥决策总量；a表示水肥方案的回归模型参数，a_k表示在不同作物生长时期下的回归模型参数；∑_kt_i表示作物生长周期内第i个时间的累积温度。