CN109978265B - 一种控释肥农田养分释放速率估算方法及系统 - Google Patents
一种控释肥农田养分释放速率估算方法及系统 Download PDFInfo
- Publication number
- CN109978265B CN109978265B CN201910242087.6A CN201910242087A CN109978265B CN 109978265 B CN109978265 B CN 109978265B CN 201910242087 A CN201910242087 A CN 201910242087A CN 109978265 B CN109978265 B CN 109978265B
- Authority
- CN
- China
- Prior art keywords
- controlled release
- release fertilizer
- training
- data
- verification
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种控释肥农田养分释放速率估算方法及系统。该方法包括:获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;依据获取的训练数据对支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型和多个训练好的土壤监测组支持向量回归模型;对多个训练好的模型进行验证,得到最优影响因素数据组和最优支持向量回归模型;获取当地待测试田地的影响因素测试数据;将影响因素测试数据输入至最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值。本发明能实现对控释肥养分释放速率的逐日估算,估算精度高,能和作物生长模型相结合,进一步优化农田管理,提高农作物产量。
Description
技术领域
本发明涉及控释肥养分释放速率估算技术领域,特别是涉及一种控释肥农田养分释放速率估算方法及系统。
背景技术
为了保证粮食产量、降低劳动成本和减少化肥的污染与浪费,控释肥在水-热耦合作用下,养分的释放能够与作物氮素吸收基本相同步,可一次性施入来满足作物的需求,有利于作物生长速率和产量的提高,提高氮肥利用率。
为了准确预测农作物的产量,机理模型得到了广泛的应用,如APSIM模型、DSSAT模型、DNDC模型等可根据不同的农田管理措施和气象数据来预测作物的生长。但目前,农作物模型还都无法较好地对控释肥的养分释放进行逐日模拟,将影响模型对作物生长以及最终产量的精确模拟和估算。对农作物的产量进行精确预测,可指导农民合理施肥和合理灌溉,以提高农作物产量。因此,控释肥养分释放速率的估计方法尤为重要。
目前,养分释放速率估算时采用的养分释放模型通常为室内试验得到的理论模型,而田间作物条件下土壤温度和水分复杂多变,理论模型难以真正反映田间条件下养分释放的真实状态;并且目前田间试验取样频率较低,难以获取养分释放的逐日变化。这就导致现有的控释肥养分释放速率估算方法的估计精度低。
发明内容
基于此,有必要提供一种控释肥农田养分释放速率估算方法及系统,以实现对控释肥养分释放速率进行逐日估算,提高估算精度,进而可与作物生长模型相结合,提高农作产量的预测精度,以优化农田管理措施,提高农作物产量。
为实现上述目的,本发明提供了如下方案:
一种控释肥农田养分释放速率估算方法,所述方法包括:
获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;所述影响因素训练数据包括多个气象训练组和多个土壤监测训练组;每个所述气象训练组均包括气象训练数据和对应的养分释放分段训练阈值;每个所述土壤监测训练组均包括土壤监测训练数据和对应的养分释放分段训练阈值;所述气象训练数据包括气温训练值、降雨灌溉量训练值和风速训练值;所述土壤监测训练数据包括土壤温度训练值和土壤水分训练值;
建立支持向量回归模型;
将各所述气象训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型;
将各所述土壤监测训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的土壤监测组支持向量回归模型;
对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型;所述最优影响因素数据组为气象训练组或土壤监测训练组;所述最优支持向量回归模型为训练好的气象组支持向量回归模型或训练好的土壤监测组支持向量回归模型;
依据所述最优影响因素数据组获取当地待测试田地的影响因素测试数据;
将所述影响因素测试数据输入至所述最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值。
可选的,所述对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型,具体包括
获取当地验证田地每次取样对应的控释肥干重数据以及影响因素验证数据;所述影响因素验证数据包括多个气象验证组和多个土壤监测验证组;
将各所述气象验证组分别作为所述训练好的气象组支持向量回归模型的输入,得到多个第一验证数据;所述第一验证数据为所述气象验证组对应的控释肥日释放速率预测值;
依据所述第一验证数据计算得到多个第一控释肥干重预测值;所述第一控释肥干重预测值为采用气象验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
依据多个所述第一控释肥干重预测值与所述控释肥干重数据,得到多个第一均方根误差值;
将所述第一均方根误差值最小的第一验证数据对应的气象验证组作为最优气象因素影响数据组;
将各所述土壤监测验证组分别作为所述训练好的土壤监测组支持向量回归模型的输入,得到多个第二验证数据;所述第二验证数据为所述土壤监测验证组对应的控释肥日释放速率预测值;
依据所述第二验证数据计算得到多个第二控释肥干重预测值;所述第二控释肥干重预测值为采用土壤监测验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
依据多个所述第二控释肥干重预测值与所述控释肥干重数据,得到多个第二均方根误差值;
将所述第二均方根误差值最小的第二验证数据对应的土壤监测验证组作为最优土壤因素影响数据组;
对比所述最优气象因素影响数据组对应的第一均方根误差值与所述最优土壤因素影响数据组对应的第二均方根误差值,将误差值最小的影响数据组作为最优影响因素数据组,将所述最优影响因素数据组对应的训练好的支持向量回归模型确定为最优支持向量回归模型。
可选的,所述控释肥日释放速率训练数据的确定方法为:
将多个控释肥袋均匀平铺于所述当地训练田地的土层中;所述控释肥袋的施肥深度与当地施肥深度一致;所述控释肥袋是将聚合物包膜控释肥装入聚丙烯网袋内,并采用脉冲热塑机封口得到的;所述当地训练田地内控释肥袋的个数bn1≥n×3×0.9,其中n为农作物生长季的天数;相邻两个所述控释肥袋的间距其中x表示当地施肥量,y表示播种农作物的行距;
在相邻两个所述控释肥袋之间设置土壤水分记录仪和温度记录仪;所述土壤水分记录仪和所述温度记录仪的探头深度均与所述当地施肥深度一致;所述土壤水分记录仪用于实时监测所述当地训练田地的土壤水分值,所述温度记录仪用于实时监测所述当地训练田地的温差;
获取所述当地训练田地所处环境的日均温度、温差、灌溉量、降雨量和土壤水分值;
确定当地训练田地内控释肥袋的取样频率;所述当地训练田地内控释肥袋的取样频率具体为:当取样条件满足第一取样条件时,则按照第一取样条件取样,否则,按照第二取样条件取样;所述第一取样条件为:当所述日均温度小于零摄氏度,且所述当地训练田地未达到降雨灌溉条件时,不进行取样,所述降雨灌溉条件为所述灌溉量不为零或所述降雨量大于预设降雨量;当所述日均温度大于或等于零摄氏度,且在1-5天内,其中任意2天之间的日均温差超过5摄氏度,则进行连续2天的取样;当达到所述降雨灌溉条件时,则每天取样一次,直到土壤水分值降至未达到降雨灌溉条件时的土壤水分值;所述第二取样条件为:至少每7天取样一次;
按照所述取样频率,获取当地训练田地的控释肥干重数据组;所述当地训练田地的控释肥干重数据组由对当地训练田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;
对所述当地训练田地的控释肥干重数据组进行剔除,得到优化后的当地训练田地控释肥干重数据组;
依据所述优化后的当地训练田地控释肥干重数据组,采用线性插值法得到农作物生长整个周期内每天的控释肥干重数据;
依据所述农作物生长整个周期内每天的控释肥干重数据,得到当地训练田地控释肥每日释放速率;将所述当地训练田地控释肥每日释放速率作为控释肥日释放速率训练数据。
可选的,当地验证田地每次取样对应的控释肥干重数据的确定方法为:
将多个控释肥袋均匀平铺于所述当地验证田地的土层中;所述控释肥袋的施肥深度与当地施肥深度一致;所述控释肥袋是将聚合物包膜控释肥装入聚丙烯网袋内,并采用脉冲热塑机封口得到的;所述当地验证田地内控释肥袋的个数bn2≥40;相邻两个所述控释肥袋的间距其中x表示当地施肥量,y表示播种农作物的行距;
按照预设取样频率,获取当地验证田地的控释肥干重数据组;所述当地验证田地的控释肥干重数据组由对当地验证田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;所述预设取样频率具体为:按照农作物生长季进行均匀取样,取样次数大于或等于10;
对所述当地验证田地的控释肥干重数据组进行剔除,得到优化后的当地验证田地控释肥干重数据组;所述优化后的当地验证田地控释肥干重数据组包括当地验证田地每次取样对应的控释肥干重数据。
本发明还提供了一种控释肥农田养分释放速率估算系统,所述系统包括:
训练数据获取模块,用于获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;所述影响因素训练数据包括多个气象训练组和多个土壤监测训练组;每个所述气象训练组均包括气象训练数据和对应的养分释放分段训练阈值;每个所述土壤监测训练组均包括土壤监测训练数据和对应的养分释放分段训练阈值;所述气象训练数据包括气温训练值、降雨灌溉量训练值和风速训练值;所述土壤监测训练数据包括土壤温度训练值和土壤水分训练值;
模型建立模块,用于建立支持向量回归模型;
第一训练模块,用于将各所述气象训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型;
第二训练模块,用于将各所述土壤监测训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的土壤监测组支持向量回归模型;
验证模块,用于对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型;所述最优影响因素数据组为气象训练组或土壤监测训练组;所述最优支持向量回归模型为训练好的气象组支持向量回归模型或训练好的土壤监测组支持向量回归模型;
测试数据获取模块,用于依据所述最优影响因素数据组获取当地待测试田地的影响因素测试数据;
估算模块,用于将所述影响因素测试数据输入至所述最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值。
可选的,所述验证模块,具体包括:
验证数据获取单元,用于获取当地验证田地每次取样对应的控释肥干重数据以及影响因素验证数据;所述影响因素验证数据包括多个气象验证组和多个土壤监测验证组;
第一验证单元,用于将各所述气象验证组分别作为所述训练好的气象组支持向量回归模型的输入,得到多个第一验证数据;所述第一验证数据为所述气象验证组对应的控释肥日释放速率预测值;
第一计算单元,用于依据所述第一验证数据计算得到多个第一控释肥干重预测值;所述第一控释肥干重预测值为采用气象验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
第二计算单元,用于依据多个所述第一控释肥干重预测值与所述控释肥干重数据,得到多个第一均方根误差值;
第一确定单元,用于将所述第一均方根误差值最小的第一验证数据对应的气象验证组作为最优气象因素影响数据组;
第二验证单元,用于将各所述土壤监测验证组分别作为所述训练好的土壤监测组支持向量回归模型的输入,得到多个第二验证数据;所述第二验证数据为所述土壤监测验证组对应的控释肥日释放速率预测值;
第三计算单元,用于依据所述第二验证数据计算得到多个第二控释肥干重预测值;所述第二控释肥干重预测值为采用土壤监测验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
第四计算单元,用于依据多个所述第二控释肥干重预测值与所述控释肥干重数据,得到多个第二均方根误差值;
第二确定单元,用于将所述第二均方根误差值最小的第二验证数据对应的土壤监测验证组作为最优土壤因素影响数据组;
第三确定单元,对比所述最优气象因素影响数据组对应的第一均方根误差值与所述最优土壤因素影响数据组对应的第二均方根误差值,将误差值最小的影响数据组作为最优影响因素数据组,将所述最优影响因素数据组对应的训练好的支持向量回归模型确定为最优支持向量回归模型。
可选的,所述系统还包括:日释放速率确定模块,用于确定控释肥日释放速率训练数据;所述日释放速率确定模块,具体包括:
第一取样频率确定单元,用于依据所述当地训练田地所处环境的日均温度、温差、灌溉量和降雨量,确定所述当地训练田地内控释肥的取样频率;
第一获取单元,用于按照所述取样频率,获取当地训练田地的控释肥干重数据组;所述当地训练田地的控释肥干重数据组由对当地训练田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;
第一剔除单元,用于对所述当地训练田地的控释肥干重数据组进行剔除,得到优化后的当地训练田地控释肥干重数据组;
第四确定单元,用于依据所述优化后的当地训练田地控释肥干重数据组,采用线性插值法得到农作物生长整个周期内每天的控释肥干重数据;
日释放速率确定单元,用于依据所述农作物生长整个周期内每天的控释肥干重数据,得到当地训练田地控释肥每日释放速率;将所述当地训练田地控释肥每日释放速率作为控释肥日释放速率训练数据。
可选的,所述系统还包括:控释肥干重确定模块,用于确定当地验证田地每次取样对应的控释肥干重数据;所述控释肥干重确定模块,具体包括:
第二获取单元,用于按照预设取样频率,获取当地验证田地的控释肥干重数据组;所述当地验证田地的控释肥干重数据组由对当地验证田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;
第二剔除单元,用于对所述当地验证田地的控释肥干重数据组进行剔除,得到优化后的当地验证田地控释肥干重数据组;所述优化后的当地验证田地控释肥干重数据组包括当地验证田地每次取样对应的控释肥干重数据。
与现有技术相比,本发明的有益效果是:
本发明提出了一种控释肥农田养分释放速率估算方法及系统。该方法包括:获取当地训练田地的控释肥日释放速率训练数据和影响因素训练数据;依据影响因素训练数据中各气象训练组、各土壤监测训练组和控释肥日释放速率训练数据对支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型和多个训练好的土壤监测组支持向量回归模型;对多个训练好的模型进行验证,得到最优影响因素数据组和最优支持向量回归模型;获取当地待测试田地的影响因素测试数据;将影响因素测试数据输入至最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值。本发明能实现对控释肥养分释放速率进行逐日估算,提高估算精度,进而与作物生长模型相结合,提高农作产量的预测精度,以优化农田管理措施,提高农作物产量。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种控释肥农田养分释放速率估算方法的流程图;
图2为本发明实施例一种控释肥农田养分释放速率估算系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种控释肥农田养分释放速率估算方法的流程图。
参见图1,实施例的控释肥农田养分释放速率估算方法包括:
步骤S1:获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;所述影响因素训练数据包括多个气象训练组和多个土壤监测训练组。
每个所述气象训练组均包括气象训练数据和对应的养分释放分段训练阈值;每个所述土壤监测训练组均包括土壤监测训练数据和对应的养分释放分段训练阈值;所述气象训练数据包括气温训练值、降雨灌溉量训练值和风速训练值;所述土壤监测训练数据包括土壤温度训练值和土壤水分训练值。
步骤S2:建立支持向量回归模型。
步骤S3:将各所述气象训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型。
步骤S4:将各所述土壤监测训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的土壤监测组支持向量回归模型。
步骤S5:对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型。
所述最优影响因素数据组为气象训练组或土壤监测训练组;所述最优支持向量回归模型为训练好的气象组支持向量回归模型或训练好的土壤监测组支持向量回归模型。
所述步骤S5,具体包括:
1)获取当地验证田地每次取样对应的控释肥干重数据以及影响因素验证数据;所述影响因素验证数据包括多个气象验证组和多个土壤监测验证组。
2)将各所述气象验证组分别作为所述训练好的气象组支持向量回归模型的输入,得到多个第一验证数据;所述第一验证数据为所述气象验证组对应的控释肥日释放速率预测值。
3)依据所述第一验证数据计算得到多个第一控释肥干重预测值;所述第一控释肥干重预测值为采用气象验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值。
4)依据多个所述第一控释肥干重预测值与所述控释肥干重数据,得到多个第一均方根误差值。
5)将所述第一均方根误差值最小的第一验证数据对应的气象验证组作为最优气象因素影响数据组。
6)将各所述土壤监测验证组分别作为所述训练好的土壤监测组支持向量回归模型的输入,得到多个第二验证数据;所述第二验证数据为所述土壤监测验证组对应的控释肥日释放速率预测值。
7)依据所述第二验证数据计算得到多个第二控释肥干重预测值;所述第二控释肥干重预测值为采用土壤监测验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值。
8)依据多个所述第二控释肥干重预测值与所述控释肥干重数据,得到多个第二均方根误差值。
9)将所述第二均方根误差值最小的第二验证数据对应的土壤监测验证组作为最优土壤因素影响数据组。
10)对比所述最优气象因素影响数据组对应的第一均方根误差值与所述最优土壤因素影响数据组对应的第二均方根误差值,将误差值最小的影响数据组作为最优影响因素数据组,将所述最优影响因素数据组对应的训练好的支持向量回归模型确定为最优支持向量回归模型。
步骤S6:依据所述最优影响因素数据组获取当地待测试田地的影响因素测试数据。
步骤S7:将所述影响因素测试数据输入至所述最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值。
作为一种可选的实施方式,所述控释肥日释放速率训练数据的确定方法包括如下步骤:
1)将多个控释肥袋均匀平铺于所述当地训练田地的土层中;所述控释肥袋的施肥深度与当地施肥深度一致;所述控释肥袋是将聚合物包膜控释肥装入聚丙烯网袋内,并采用脉冲热塑机封口得到的;所述当地训练田地内控释肥袋的个数bn1≥n×3×0.9,其中n为农作物生长季的天数;相邻两个所述控释肥袋的间距其中x表示当地施肥量,y表示播种农作物的行距。
2)在相邻两个所述控释肥袋之间设置土壤水分记录仪和温度记录仪;所述土壤水分记录仪和所述温度记录仪的探头深度均与所述当地施肥深度一致;所述土壤水分记录仪用于实时监测所述当地训练田地的土壤水分值,所述温度记录仪用于实时监测所述当地训练田地的温差。
3)获取所述当地训练田地所处环境的日均温度、温差、灌溉量、降雨量和土壤水分值。
4)确定当地训练田地内控释肥袋的取样频率。
所述当地训练田地内控释肥袋的取样频率具体为:当取样条件满足第一取样条件时,则按照第一取样条件取样,否则,按照第二取样条件取样。
所述第一取样条件为:当所述日均温度小于零摄氏度,且所述当地训练田地未达到降雨灌溉条件时,不进行取样,所述降雨灌溉条件为所述灌溉量不为零或所述降雨量大于预设降雨量;当所述日均温度大于或等于零摄氏度,且在1-5天内,其中任意2天之间的日均温差超过5摄氏度,则进行连续2天的取样;当达到所述降雨灌溉条件时,则每天取样一次,直到土壤水分值降至未达到降雨灌溉条件时的土壤水分值。
所述第二取样条件为:至少每7天取样一次。
5)按照所述取样频率,获取当地训练田地的控释肥干重数据组;所述当地训练田地的控释肥干重数据组由对当地训练田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成。
6)对所述当地训练田地的控释肥干重数据组进行剔除,得到优化后的当地训练田地控释肥干重数据组。
7)依据所述优化后的当地训练田地控释肥干重数据组,采用线性插值法得到农作物生长整个周期内每天的控释肥干重数据。
8)依据所述农作物生长整个周期内每天的控释肥干重数据,得到当地训练田地控释肥每日释放速率;将所述当地训练田地控释肥每日释放速率作为控释肥日释放速率训练数据。
作为一种可选的实施方式,当地验证田地每次取样对应的控释肥干重数据的确定方法包括如下步骤:
1)将多个控释肥袋均匀平铺于所述当地验证田地的土层中;所述控释肥袋的施肥深度与当地施肥深度一致;所述控释肥袋是将聚合物包膜控释肥装入聚丙烯网袋内,并采用脉冲热塑机封口得到的;所述当地验证田地内控释肥袋的个数bn2≥40;相邻两个所述控释肥袋的间距其中x表示当地施肥量,y表示播种农作物的行距。
2)按照预设取样频率,获取当地验证田地的控释肥干重数据组;所述当地验证田地的控释肥干重数据组由对当地验证田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;所述预设取样频率具体为:按照农作物生长季进行均匀取样,取样次数大于或等于10。
3)对所述当地验证田地的控释肥干重数据组进行剔除,得到优化后的当地验证田地控释肥干重数据组;所述优化后的当地验证田地控释肥干重数据组包括当地验证田地每次取样对应的控释肥干重数据。
下面提供了控释肥农田养分释放速率估算方法在实际应用中的一个具体的实施例。
步骤①:田间试验布置。
田间试验分为两个,试验一用于模型的训练学习,试验二用于模型的验证。在同一年份,可通过减少灌溉次数或降低灌溉量来设计试验二,或者将第二年的田间试验作为试验二。田间其他管理措施与当地农民常规管理相一致。
步骤②:控释肥装袋、埋袋与土壤水分温度监测。
取聚合物包膜控释肥5g(精确至0.001g)放入10cm×10cm的聚丙烯网袋(孔径1.0mm2),采用脉冲热塑机封口。试验一的控释肥袋数bn≥n×3×0.9(n为作物生长季的天数),试验二的控释肥袋数bn≥40。
按照当地施肥习惯进行控释肥的埋袋。一般在农作物播种当天,将装有控释肥的袋子平铺于土层中,与当地施肥深度一致。尽可能让控释肥均匀分布在袋内,并覆盖上土,插牌标示。假设当地施肥量为x kg/ha,播种玉米的行距为y cm,则每个网袋的间距为d cm,
试验一需安装土壤水分记录仪和温度记录仪各3台以上,试验二需安装各2台以上。土壤水分记录仪和温度记录仪的探头需随机埋在两袋控释肥之间的中间部位,探头与施肥深度一致,用土壤覆盖好,实时监测土壤水分和温度变化。
步骤③:控释肥取样及处理。
试验一的取样:每次至少取3袋。在无灌溉和强降雨的时候,日均温度<0℃,则不用取样,日均温度≥0℃时,在1-5天内,若其中任意2天之间的日均温差超过5摄氏度,需进行连续2天的取样。在灌溉或强降雨的时候,加强取样频率,一天一次,直到土壤水分降至事件发生前的含量。若以上条件都未达到,则每7天至少取样一次。
试验二的取样:为降低取样的工作量,可按照作物生长季进行均匀的10次以上的取样,每次至少取4袋。
取样时,用小铁铲将肥料网袋挖出并尽量避免肥料的机械损伤。若出现连续3次肥料取样的平均重量在控释肥包膜重量(5×α,α为包膜率)的±95%区间内,说明控释肥中的养分已经全部释放,则可以停止取样。
网袋取样后,进行至少2周的风干处理,将肥料颗粒与网袋和土壤进行手工分离,之后对每袋肥料颗粒进行称重。
步骤④:数据的筛选、插值和计算。
试验一:将每次取样测定的干重进行平均化处理,然后对平均干重(Y坐标)和施肥后天数(X坐标)进行折线图作图。由于养分的逐渐释放,折线图应呈现出随时间增长而递减趋势,对不符合这一趋势的每袋样品,若其干重低于下次取样的平均干重的90%以上或高于上次取样的平均干重的90%以上,则进行剔除。对剔除处理后的数据,按照步骤③的取样方法,会出现某一天没有进行取样,则该天数的肥料干重,则需要根据前后取样数据进行线性插值来弥补。最终,获得作物生长季中每一天的肥料干重数据,则每日肥料释放速率r=wm-wm-1,其中,wm为第m天每袋肥料取样的平均干重,wm+1为第m+1天每袋肥料取样的平均干重。
步骤⑤:数据分组。
气象数据:通过最近的气象站点获取日尺度下最高温、平均气温、降雨量、风速数据。同时获取农田灌溉量数据,并将灌溉量与降雨量合并到一组数据中,构成“灌溉降雨量”。选择最高温和平均气温中的一个,与灌溉降雨量和风速形成两组数据。
土壤监测数据:通过土壤水分和温度记录仪,获取日尺度下土壤最高温、平均土温和土壤水分数据。选择最高温和平均气温中的一个,与土壤水分形成两组数据。
养分释放分段:设γ为取样后控释肥中养分残存率,(α为包膜率,wm为第m天每袋肥料取样的平均干重)。当养分残存率达到一定的数量后,控释肥养分在水中的释放速率与温度的关系将发生变化,因此,将养分释放速率分成两阶段,当γ≥θ(θ取40%、55%和70%中的某一个)时,为阶段一,记为S=1;当γ<θ,为阶段二,记为S=2。
将气象数据与不同θ取值的S进行组合,可形成6个以气象数据为自变量的组合,简称“气象数据组”;将土壤监测数据与不同θ取值的S进行组合,可形成6个以土壤监测数据为自变量的组合,简称“土壤监测数据组”。
步骤⑥:支持向量回归模型的学习。
对步骤⑤中的每一组数据与每日肥料释放速率数据进行支持向量回归模型的训练,通过输入样本数据,并优化以下函数来求解:
其中,为拉格朗日乘子,xi为步骤⑤中输入因素组合,r为每日肥料释放速率,ε为不敏感参数,σ为高斯核函数的带宽,C为惩罚因子,K(xi,xj)和K(xi,x)为同一类型核函数、ε、σ和C为需要调整的模型参数。参数ε为回归超平面中对样本数据不敏感区域的宽度;带宽σ控制高斯核函数径向作用范围;参数C用于权衡函数的平滑性与样本高于ε的偏差控制。通过调整模型参数后,以均方根误差RMSE和相关系数R作为判别式,并对以上函数进行求解,最终得到以下预测模型:
步骤⑦:支持向量回归模型的验证和最优组合及模型的确定。
按照步骤⑤获取试验二的模型输入数据,根据步骤⑥确定的预测模型进行每日控释肥养分释放率的预测,并根据试验二的取样时间,来预测每袋肥料取样的平均干重wp,m:
最后根据每袋肥料取样的平均干重实测值wo,m和预测值wp,m,进行均方根误差RMSE和相关系数R的计算,可以依据均方根误差RMSE判别“气象数据组”中的最优数据组合和模型和“土壤监测数据组”中的最优数据组合和模型,也可以依据均方根误差RMSE和相关系数R共同判别“气象数据组”中的最优数据组合和模型和“土壤监测数据组”中的最优数据组合和模型。鉴于气象数据的可获得性难度较小,如果“气象数据组”和“土壤监测数据组”中的最优模型的均方根误差RMSE和相关系数R相差不大,则可优选“气象数据组”中的最优数据组合和模型。确定了最优数据组合和模型后,即可实现对待测试的田地进行控释肥农田养分释放速率估算。
本实施例的控释肥农田养分释放速率估算方法能实现对控释肥养分释放速率进行逐日估算,提高估算精度,进而与作物生长模型相结合,提高农作产量的预测精度,以优化农田管理措施,提高农作物产量。
本发明还提供了一种控释肥农田养分释放速率估算系统,图2为本发明实施例一种控释肥农田养分释放速率估算系统的结构示意图。
参见图2,实施例的控释肥农田养分释放速率估算系统包括:
训练数据获取模块201,用于获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;所述影响因素训练数据包括多个气象训练组和多个土壤监测训练组;每个所述气象训练组均包括气象训练数据和对应的养分释放分段训练阈值;每个所述土壤监测训练组均包括土壤监测训练数据和对应的养分释放分段训练阈值;所述气象训练数据包括气温训练值、降雨灌溉量训练值和风速训练值;所述土壤监测训练数据包括土壤温度训练值和土壤水分训练值。
模型建立模块202,用于建立支持向量回归模型。
第一训练模块203,用于将各所述气象训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型。
第二训练模块204,用于将各所述土壤监测训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的土壤监测组支持向量回归模型。
验证模块205,用于对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型;所述最优影响因素数据组为气象训练组或土壤监测训练组;所述最优支持向量回归模型为训练好的气象组支持向量回归模型或训练好的土壤监测组支持向量回归模型。
测试数据获取模块206,用于依据所述最优影响因素数据组获取当地待测试田地的影响因素测试数据。
估算模块207,用于将所述影响因素测试数据输入至所述最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值。
作为一种可选的实施方式,所述验证模块205,具体包括:
验证数据获取单元,用于获取当地验证田地每次取样对应的控释肥干重数据以及影响因素验证数据;所述影响因素验证数据包括多个气象验证组和多个土壤监测验证组。
第一验证单元,用于将各所述气象验证组分别作为所述训练好的气象组支持向量回归模型的输入,得到多个第一验证数据;所述第一验证数据为所述气象验证组对应的控释肥日释放速率预测值。
第一计算单元,用于依据所述第一验证数据计算得到多个第一控释肥干重预测值;所述第一控释肥干重预测值为采用气象验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值。
第二计算单元,用于依据多个所述第一控释肥干重预测值与所述控释肥干重数据,得到多个第一均方根误差值。
第一确定单元,用于将所述第一均方根误差值最小的第一验证数据对应的气象验证组作为最优气象因素影响数据组。
第二验证单元,用于将各所述土壤监测验证组分别作为所述训练好的土壤监测组支持向量回归模型的输入,得到多个第二验证数据;所述第二验证数据为所述土壤监测验证组对应的控释肥日释放速率预测值。
第三计算单元,用于依据所述第二验证数据计算得到多个第二控释肥干重预测值;所述第二控释肥干重预测值为采用土壤监测验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值。
第四计算单元,用于依据多个所述第二控释肥干重预测值与所述控释肥干重数据,得到多个第二均方根误差值。
第二确定单元,用于将所述第二均方根误差值最小的第二验证数据对应的土壤监测验证组作为最优土壤因素影响数据组。
第三确定单元,对比所述最优气象因素影响数据组对应的第一均方根误差值与所述最优土壤因素影响数据组对应的第二均方根误差值,将误差值最小的影响数据组作为最优影响因素数据组,将所述最优影响因素数据组对应的训练好的支持向量回归模型确定为最优支持向量回归模型。
作为一种可选的实施方式,所述系统还包括:日释放速率确定模块,用于确定控释肥日释放速率训练数据。
所述日释放速率确定模块,具体包括:
第一取样频率确定单元,用于依据所述当地训练田地所处环境的日均温度、温差、灌溉量和降雨量,确定所述当地训练田地内控释肥的取样频率。
第一获取单元,用于按照所述取样频率,获取当地训练田地的控释肥干重数据组;所述当地训练田地的控释肥干重数据组由对当地训练田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成。
第一剔除单元,用于对所述当地训练田地的控释肥干重数据组进行剔除,得到优化后的当地训练田地控释肥干重数据组。
第四确定单元,用于依据所述优化后的当地训练田地控释肥干重数据组,采用线性插值法得到农作物生长整个周期内每天的控释肥干重数据。
日释放速率确定单元,用于依据所述农作物生长整个周期内每天的控释肥干重数据,得到当地训练田地控释肥每日释放速率;将所述当地训练田地控释肥每日释放速率作为控释肥日释放速率训练数据。
作为一种可选的实施方式,所述系统还包括:控释肥干重确定模块,用于确定当地验证田地每次取样对应的控释肥干重数据。
所述控释肥干重确定模块,具体包括:
第二获取单元,用于按照预设取样频率,获取当地验证田地的控释肥干重数据组;所述当地验证田地的控释肥干重数据组由对当地验证田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成。
第二剔除单元,用于对所述当地验证田地的控释肥干重数据组进行剔除,得到优化后的当地验证田地控释肥干重数据组;所述优化后的当地验证田地控释肥干重数据组包括当地验证田地每次取样对应的控释肥干重数据。
本实施例的控释肥农田养分释放速率估算系统能实现对控释肥养分释放速率进行逐日估算,提高估算精度,进而提高农作产量的预测精度,以优化农田管理措施,提高农作物产量。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种控释肥农田养分释放速率估算方法,其特征在于,包括:
获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;所述影响因素训练数据包括多个气象训练组和多个土壤监测训练组;每个所述气象训练组均包括气象训练数据和对应的养分释放分段训练阈值;每个所述土壤监测训练组均包括土壤监测训练数据和对应的养分释放分段训练阈值;所述气象训练数据包括气温训练值、降雨灌溉量训练值和风速训练值;所述土壤监测训练数据包括土壤温度训练值和土壤水分训练值;
建立支持向量回归模型;
将各所述气象训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型;
将各所述土壤监测训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的土壤监测组支持向量回归模型;
对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型;所述最优影响因素数据组为气象训练组或土壤监测训练组;所述最优支持向量回归模型为训练好的气象组支持向量回归模型或训练好的土壤监测组支持向量回归模型;
依据所述最优影响因素数据组获取当地待测试田地的影响因素测试数据;
将所述影响因素测试数据输入至所述最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值;
所述对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型,具体包括:
获取当地验证田地每次取样对应的控释肥干重数据以及影响因素验证数据;所述影响因素验证数据包括多个气象验证组和多个土壤监测验证组;
将各所述气象验证组分别作为所述训练好的气象组支持向量回归模型的输入,得到多个第一验证数据;所述第一验证数据为所述气象验证组对应的控释肥日释放速率预测值;
依据所述第一验证数据计算得到多个第一控释肥干重预测值;所述第一控释肥干重预测值为采用气象验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
依据多个所述第一控释肥干重预测值与所述控释肥干重数据,得到多个第一均方根误差值;
将所述第一均方根误差值最小的第一验证数据对应的气象验证组作为最优气象因素影响数据组;
将各所述土壤监测验证组分别作为所述训练好的土壤监测组支持向量回归模型的输入,得到多个第二验证数据;所述第二验证数据为所述土壤监测验证组对应的控释肥日释放速率预测值;
依据所述第二验证数据计算得到多个第二控释肥干重预测值;所述第二控释肥干重预测值为采用土壤监测验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
依据多个所述第二控释肥干重预测值与所述控释肥干重数据,得到多个第二均方根误差值;
将所述第二均方根误差值最小的第二验证数据对应的土壤监测验证组作为最优土壤因素影响数据组;
对比所述最优气象因素影响数据组对应的第一均方根误差值与所述最优土壤因素影响数据组对应的第二均方根误差值,将误差值最小的影响数据组作为最优影响因素数据组,将所述最优影响因素数据组对应的训练好的支持向量回归模型确定为最优支持向量回归模型。
2.根据权利要求1所述的一种控释肥农田养分释放速率估算方法,其特征在于,所述控释肥日释放速率训练数据的确定方法为:
将多个控释肥袋均匀平铺于所述当地训练田地的土层中;所述控释肥袋的施肥深度与当地施肥深度一致;所述控释肥袋是将聚合物包膜控释肥装入聚丙烯网袋内,并采用脉冲热塑机封口得到的;所述当地训练田地内控释肥袋的个数bn1≥n×3×0.9,其中n为农作物生长季的天数;相邻两个所述控释肥袋的间距其中x表示当地施肥量,y表示播种农作物的行距;
在相邻两个所述控释肥袋之间设置土壤水分记录仪和温度记录仪;所述土壤水分记录仪和所述温度记录仪的探头深度均与所述当地施肥深度一致;所述土壤水分记录仪用于实时监测所述当地训练田地的土壤水分值,所述温度记录仪用于实时监测所述当地训练田地的温差;
获取所述当地训练田地所处环境的日均温度、温差、灌溉量、降雨量和土壤水分值;
确定当地训练田地内控释肥袋的取样频率;所述当地训练田地内控释肥袋的取样频率具体为:当取样条件满足第一取样条件时,则按照第一取样条件取样,否则,按照第二取样条件取样;所述第一取样条件为:当所述日均温度小于零摄氏度,且所述当地训练田地未达到降雨灌溉条件时,不进行取样,所述降雨灌溉条件为所述灌溉量不为零或所述降雨量大于预设降雨量;当所述日均温度大于或等于零摄氏度,且在1-5天内,其中任意2天之间的日均温差超过5摄氏度,则进行连续2天的取样;当达到所述降雨灌溉条件时,则每天取样一次,直到土壤水分值降至未达到降雨灌溉条件时的土壤水分值;所述第二取样条件为:至少每7天取样一次;
按照所述取样频率,获取当地训练田地的控释肥干重数据组;所述当地训练田地的控释肥干重数据组由对当地训练田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;
对所述当地训练田地的控释肥干重数据组进行剔除,得到优化后的当地训练田地控释肥干重数据组;
依据所述优化后的当地训练田地控释肥干重数据组,采用线性插值法得到农作物生长整个周期内每天的控释肥干重数据;
依据所述农作物生长整个周期内每天的控释肥干重数据,得到当地训练田地控释肥每日释放速率;将所述当地训练田地控释肥每日释放速率作为控释肥日释放速率训练数据。
3.根据权利要求1所述的一种控释肥农田养分释放速率估算方法,其特征在于,当地验证田地每次取样对应的控释肥干重数据的确定方法为:
将多个控释肥袋均匀平铺于所述当地验证田地的土层中;所述控释肥袋的施肥深度与当地施肥深度一致;所述控释肥袋是将聚合物包膜控释肥装入聚丙烯网袋内,并采用脉冲热塑机封口得到的;所述当地验证田地内控释肥袋的个数bn2≥40;相邻两个所述控释肥袋的间距其中x表示当地施肥量,y表示播种农作物的行距;
按照预设取样频率,获取当地验证田地的控释肥干重数据组;所述当地验证田地的控释肥干重数据组由对当地验证田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;所述预设取样频率具体为:按照农作物生长季进行均匀取样,取样次数大于或等于10;
对所述当地验证田地的控释肥干重数据组进行剔除,得到优化后的当地验证田地控释肥干重数据组;所述优化后的当地验证田地控释肥干重数据组包括当地验证田地每次取样对应的控释肥干重数据。
4.一种控释肥农田养分释放速率估算系统,其特征在于,包括:
训练数据获取模块,用于获取当地训练田地的控释肥日释放速率训练数据以及影响因素训练数据;所述影响因素训练数据包括多个气象训练组和多个土壤监测训练组;每个所述气象训练组均包括气象训练数据和对应的养分释放分段训练阈值;每个所述土壤监测训练组均包括土壤监测训练数据和对应的养分释放分段训练阈值;所述气象训练数据包括气温训练值、降雨灌溉量训练值和风速训练值;所述土壤监测训练数据包括土壤温度训练值和土壤水分训练值;
模型建立模块,用于建立支持向量回归模型;
第一训练模块,用于将各所述气象训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的气象组支持向量回归模型;
第二训练模块,用于将各所述土壤监测训练组分别作为所述支持向量回归模型的输入,所述控释肥日释放速率训练数据作为所述支持向量回归模型的输出,依次对所述支持向量回归模型进行训练,得到多个训练好的土壤监测组支持向量回归模型;
验证模块,用于对多个所述训练好的气象组支持向量回归模型以及多个所述训练好的土壤监测组支持向量回归模型分别进行验证,得到最优影响因素数据组以及最优支持向量回归模型;所述最优影响因素数据组为气象训练组或土壤监测训练组;所述最优支持向量回归模型为训练好的气象组支持向量回归模型或训练好的土壤监测组支持向量回归模型;
测试数据获取模块,用于依据所述最优影响因素数据组获取当地待测试田地的影响因素测试数据;
估算模块,用于将所述影响因素测试数据输入至所述最优支持向量回归模型中,得到当地测试田地的控释肥日释放速率估算值;
所述验证模块,具体包括:
验证数据获取单元,用于获取当地验证田地每次取样对应的控释肥干重数据以及影响因素验证数据;所述影响因素验证数据包括多个气象验证组和多个土壤监测验证组;
第一验证单元,用于将各所述气象验证组分别作为所述训练好的气象组支持向量回归模型的输入,得到多个第一验证数据;所述第一验证数据为所述气象验证组对应的控释肥日释放速率预测值;
第一计算单元,用于依据所述第一验证数据计算得到多个第一控释肥干重预测值;所述第一控释肥干重预测值为采用气象验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
第二计算单元,用于依据多个所述第一控释肥干重预测值与所述控释肥干重数据,得到多个第一均方根误差值;
第一确定单元,用于将所述第一均方根误差值最小的第一验证数据对应的气象验证组作为最优气象因素影响数据组;
第二验证单元,用于将各所述土壤监测验证组分别作为所述训练好的土壤监测组支持向量回归模型的输入,得到多个第二验证数据;所述第二验证数据为所述土壤监测验证组对应的控释肥日释放速率预测值;
第三计算单元,用于依据所述第二验证数据计算得到多个第二控释肥干重预测值;所述第二控释肥干重预测值为采用土壤监测验证组作为输入得到的与当地验证田地每次取样时间对应的控释肥干重预测值;
第四计算单元,用于依据多个所述第二控释肥干重预测值与所述控释肥干重数据,得到多个第二均方根误差值;
第二确定单元,用于将所述第二均方根误差值最小的第二验证数据对应的土壤监测验证组作为最优土壤因素影响数据组;
第三确定单元,对比所述最优气象因素影响数据组对应的第一均方根误差值与所述最优土壤因素影响数据组对应的第二均方根误差值,将误差值最小的影响数据组作为最优影响因素数据组,将所述最优影响因素数据组对应的训练好的支持向量回归模型确定为最优支持向量回归模型。
5.根据权利要求4所述的一种控释肥农田养分释放速率估算系统,其特征在于,还包括:日释放速率确定模块,用于确定控释肥日释放速率训练数据;所述日释放速率确定模块,具体包括:
第一取样频率确定单元,用于依据所述当地训练田地所处环境的日均温度、温差、灌溉量和降雨量,确定所述当地训练田地内控释肥的取样频率;
第一获取单元,用于按照所述取样频率,获取当地训练田地的控释肥干重数据组;所述当地训练田地的控释肥干重数据组由对当地训练田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;
第一剔除单元,用于对所述当地训练田地的控释肥干重数据组进行剔除,得到优化后的当地训练田地控释肥干重数据组;
第四确定单元,用于依据所述优化后的当地训练田地控释肥干重数据组,采用线性插值法得到农作物生长整个周期内每天的控释肥干重数据;
日释放速率确定单元,用于依据所述农作物生长整个周期内每天的控释肥干重数据,得到当地训练田地控释肥每日释放速率;将所述当地训练田地控释肥每日释放速率作为控释肥日释放速率训练数据。
6.根据权利要求4所述的一种控释肥农田养分释放速率估算系统,其特征在于,还包括:控释肥干重确定模块,用于确定当地验证田地每次取样对应的控释肥干重数据;所述控释肥干重确定模块,具体包括:
第二获取单元,用于按照预设取样频率,获取当地验证田地的控释肥干重数据组;所述当地验证田地的控释肥干重数据组由对当地验证田地的农作物在整个生长周期内多次取样得到的控释肥干重数据组成;
第二剔除单元,用于对所述当地验证田地的控释肥干重数据组进行剔除,得到优化后的当地验证田地控释肥干重数据组;所述优化后的当地验证田地控释肥干重数据组包括当地验证田地每次取样对应的控释肥干重数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242087.6A CN109978265B (zh) | 2019-03-28 | 2019-03-28 | 一种控释肥农田养分释放速率估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242087.6A CN109978265B (zh) | 2019-03-28 | 2019-03-28 | 一种控释肥农田养分释放速率估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978265A CN109978265A (zh) | 2019-07-05 |
CN109978265B true CN109978265B (zh) | 2021-01-22 |
Family
ID=67081045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242087.6A Active CN109978265B (zh) | 2019-03-28 | 2019-03-28 | 一种控释肥农田养分释放速率估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978265B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949179B (zh) * | 2021-03-01 | 2023-05-12 | 中国农业科学院农业信息研究所 | 一种树脂包膜氮肥施用下冬小麦生长模拟方法及系统 |
CN112989583B (zh) * | 2021-03-01 | 2023-05-12 | 中国农业科学院农业信息研究所 | 一种树脂包膜氮肥施用下土壤n2o排放模拟方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101014914A (zh) * | 2004-04-29 | 2007-08-08 | 阿格瑞尔姆聚合涂料公司 | 预测肥料性能的方法 |
CN101430265A (zh) * | 2008-12-09 | 2009-05-13 | 山东省农业科学院土壤肥料研究所 | 非水溶性材料包膜控释肥养分释放的检测方法 |
US8855968B1 (en) * | 2012-12-10 | 2014-10-07 | Timothy Lynn Gillis | Analytical evaluation tool for continuous process plants |
CN105528508A (zh) * | 2014-09-28 | 2016-04-27 | 北京市农林科学院 | 预测抛物线型树脂包膜控释尿素在设施土壤中氮素释放量的方法 |
CN107423263A (zh) * | 2017-06-29 | 2017-12-01 | 中国农业大学 | 一种枣缩果病预测方法及装置 |
CN109116827A (zh) * | 2018-09-19 | 2019-01-01 | 中国农业大学 | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 |
WO2019032648A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS |
-
2019
- 2019-03-28 CN CN201910242087.6A patent/CN109978265B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101014914A (zh) * | 2004-04-29 | 2007-08-08 | 阿格瑞尔姆聚合涂料公司 | 预测肥料性能的方法 |
CN101430265A (zh) * | 2008-12-09 | 2009-05-13 | 山东省农业科学院土壤肥料研究所 | 非水溶性材料包膜控释肥养分释放的检测方法 |
US8855968B1 (en) * | 2012-12-10 | 2014-10-07 | Timothy Lynn Gillis | Analytical evaluation tool for continuous process plants |
CN105528508A (zh) * | 2014-09-28 | 2016-04-27 | 北京市农林科学院 | 预测抛物线型树脂包膜控释尿素在设施土壤中氮素释放量的方法 |
CN107423263A (zh) * | 2017-06-29 | 2017-12-01 | 中国农业大学 | 一种枣缩果病预测方法及装置 |
WO2019032648A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS |
CN109116827A (zh) * | 2018-09-19 | 2019-01-01 | 中国农业大学 | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109978265A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adeboye et al. | Performance evaluation of AquaCrop in simulating soil water storage, yield, and water productivity of rainfed soybeans (Glycine max L. merr) in Ile-Ife, Nigeria | |
He et al. | Applying GLUE for estimating CERES-Maize genetic and soil parameters for sweet corn production | |
Sepaskhah et al. | Logistic model application for prediction of maize yield under water and nitrogen management | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
Li et al. | Modification of CSM-CROPGRO-Cotton model for simulating cotton growth and yield under various deficit irrigation strategies | |
CN109978265B (zh) | 一种控释肥农田养分释放速率估算方法及系统 | |
Zhao et al. | Crop yield and water productivity responses in management zones for variable-rate irrigation based on available soil water holding capacity | |
Ojeda et al. | Modelling stover and grain yields, and subsurface artificial drainage from long-term corn rotations using APSIM | |
CN116485040B (zh) | 种子活力预测方法、系统、电子设备及存储介质 | |
CN106485002A (zh) | 在复杂地形气候区域估算太阳辐射和甘蔗潜在产量的方法 | |
CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及系统 | |
Mompremier et al. | Modeling the response of dry bean yield to irrigation water availability controlled by watershed hydrology | |
Amiri et al. | Assessment of CERES-Maize model in simulating maize growth, yield and soil water content under rainfed, limited and full irrigation | |
Nain et al. | Calibration and validation of CERES model for simulating | |
Ezekiel et al. | Calibrating and validating AquaCrop model for maize crop in Northern zone of Nigeria | |
CA2761682C (en) | Real-time process for targeting trait phenotyping of plant breeding experiments | |
Wu et al. | Crop yield estimation and irrigation scheduling optimization using a root-weighted soil water availability based water production function | |
Timsina et al. | Addressing sustainability of rice-wheat systems: analysis of long-term experimentation and simulation | |
Fraisse et al. | Evaluation of Crop Models to Simulate Site‐Specific Crop Development and Yield | |
Guerif et al. | Data assimilation and parameter estimation for precision agriculture using the crop model STICS | |
Hoang et al. | A robust parameter approach for estimating CERES-Rice model parameters for the Vietnam Mekong Delta | |
Fritz et al. | Simulating forage sorghum yields with SORKAM | |
Amiri et al. | Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions | |
Jat et al. | Water productivity and yield analysis of groundnut using CropSyst simulation model in hyper arid partially irrigated zone of Rajasthan |
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 |