CN111090923A - 具有预测农地土壤状态的物联网系统与建模方式 - Google Patents

具有预测农地土壤状态的物联网系统与建模方式 Download PDF

Info

Publication number
CN111090923A
CN111090923A CN201911005405.3A CN201911005405A CN111090923A CN 111090923 A CN111090923 A CN 111090923A CN 201911005405 A CN201911005405 A CN 201911005405A CN 111090923 A CN111090923 A CN 111090923A
Authority
CN
China
Prior art keywords
analysis
internet
unit
computing module
data
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
Application number
CN201911005405.3A
Other languages
English (en)
Other versions
CN111090923B (zh
Inventor
陈文亮
陈隆杰
陈思嘉
陈威翰
朱俊宇
施昱圻
张郁琦
谢孜易
陈晏苓
彭莉淇
李孟展
何瑞祐
顾啓耀
邓年芮
詹元耀
王艾瑞
颜泰翔
邱绍育
林峻颐
林匀蔚
黄凤凌
林一平
汪金城
李晓青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Chiao Tung University NCTU
Original Assignee
National Chiao Tung University NCTU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Chiao Tung University NCTU filed Critical National Chiao Tung University NCTU
Publication of CN111090923A publication Critical patent/CN111090923A/zh
Application granted granted Critical
Publication of CN111090923B publication Critical patent/CN111090923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种具有预测农地土壤状态的物联网系统与建模方式,其系统包括至少一计算模块,该计算模块为本系统的主控装置,用以控制本系统的整体功能,该计算模块内更包括一分析单元及一机器学习单元,其中该分析单元用以分析并依照其分析信息建立一预测模型,而该机器学习单元具有至少一种适当的演算功能,以建立起相对应的学习模型,该计算模块另电性连接一物联网模块,以作为信息传输的中介角色,该物联网模块再电性连接至少一检测单元,用以布建于目标环境土壤及区域中的环境与土壤条件后传回至该计算模块内,以进行后续分析。

Description

具有预测农地土壤状态的物联网系统与建模方式
技术领域
本发明有关一种物联网装置,尤指一种具有预测及分析模型机制的物联网系统与预测建模方法。
背景技术
为了增加农作物的产量,持续使用土壤进行耕作,长时间后自然使表层土壤松动,从而导致土壤退化且质量下降,最终侵蚀能够维持植物生长的营养所需物质。
而为了补充土壤层的营养,农民添加了大量的化学肥料,这些化学养分虽然能够维持植物生长,但在大量添加时会酸化土壤,将土壤降解加速至危险水平,导致这样的结果形成一种恶性循环。
而据相关政府报告统计,目前用于农业的土壤中约有40%已经退化或严重退化,如果不改变施肥方式,未来60年世界上所有的表土都将消失。这给我们带来了一个两难的困境,如何在未来成倍增长的人口提供相当足够食物的同时,同时又可以保护土壤健康?很显然地,如果我们要避免快速逼近的世界危机,就需要一种新的技术来解决目前的困境。
发明内容
针对上述缺失,本发明的主要目的在于提供一种具有预测农地土壤状态的物联网系统,其系统设计以一个互连模型系统,通过IoTtalk平台将传感器连接在一起,并通过数据分析后反馈针对所检测区域种植环境进行加强调和的作用,
本发明的主要另一目的在于提供一种具有预测农地生长环境状态的方法,其方法利用微生物学和生态学促进生物刺激器的施用效率,同时利用干式实验室分析和模型提供系统控制中心动力,经由IoTtalk平台将传感器分析回馈土壤中所需微生物或元素如氮,磷和钾的含量进行预测并分析,致使在需要另一次施用时向农民发出警报,之后在不损害植物的情况下持续监测,最后,并通过人工智能提供稳定的数据持续校准进行抑制建模以提供更高的精度预测。
为达成上述目的,本发明主要提供一种具有预测农地土壤状态的物联网系统与建模方式,其系统包括至少一计算模块,该计算模块为本系统的主控装置,用以控制本系统的整体功能,该计算模块内更包括一数据单元、一分析单元及一机器学习单元,其中该数据单元用以储存本系统所收集相关数据及其他必要储存的信息,并可由电性连接的分析单元进行存取,而该分析单元为一种具有运算分析并建立预测模型的分析模块,除建立收集信息的工作列表及流程,以滤除不相关的信息,更包括进行交叉验证确认每单笔信息在不同条件的权重关系并依照这些分析后的信息建立一预测模型,而该机器学习单元具有至少一种适当的演算功能,并电性连接该分析单元,通过该机器学习单元的学习演算功能,以建立起相对应的学习模型进行分析及后续数据的分群分类;该计算模块另电性连接一物联网模块,该物联网模块作为信息传输的中介角色;该物联网模块再电性连接至少一检测单元,用以布建于欲进行收集信息的环境土壤及区域中的环境与土壤条件,将所收集到的信息传回至该计算模块内,以进行后续分析。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明的物联网系统方块图。
图2为本发明的建模方法流程图。
图3为本发明的微生物群种类与通用因素热图。
图4为本发明的微生物数据分析图。
图5为本发明的交叉验证流程图。
其中,附图标记:
计算模块1
数据单元11
分析单元12
机器学习单元13
物联网模块2
检测单元3
显示单元4
喷洒装置5
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
请参阅图1,为本发明的物联网系统方块图。如图所示,本发明的物联网系统包括至少一计算模块1,其中于本实施例中该计算模块1为一后台服务器,该计算模块1为本系统的主控装置,用以控制本系统的整体功能,该计算模块1可设置为实体服务器或是云端服务器;该计算模块1内更包括一数据单元11、一分析单元12及一机器学习单元13,其中该数据单元11为一数据库,该数据单元11用以储存本系统所收集的相关数据及其他必要储存的信息,并可由电性连接的分析单元12进行存取,进行相关信息分析。
续参阅图1。该分析单元12用以接收或输入数据,该分析单元12为一种具有运算分析并建立预测模型的分析模块,该分析单元12具有至少一种演算法,如回归分析法,除建立收集信息的工作列表及流程,以滤除不相关的信息,更包括进行交叉验证确认每单笔信息在不同条件的权重关系并依照这些分析后的信息建立一预测模型,致使本系统可针对所检测的环境具有预测能力,经由所输入的或是检测的数据进行预测分析,并输出相关的预测通知,且这些所得的分析数据皆会储存于该数据单元11中,以做为备份或引用作为学习分析;而该机器学习单元13于本实施例中为人工智能学习模块,该机器学习单元13具有至少一种适当的演算功能,如回归演算法、自回归移动演算法等具有挑选能力的演算功能,并电性连接该分析单元12,通过该机器学习单元13的学习演算功能,以建立起相对应的学习模型进行分析及后续数据的分群分类。
续参阅图1。该计算模块1另电性连接一物联网模块2(IoTtalk),该物联网模块2通过网络串接该计算模块1,该物联网模块2于本实施例中为一种闸道装置,以作为信息传输的中介角色;该物联网模块2再电性连接至少一检测单元3,于本实施例中该检测单元3为多组,且该些检测单元3为一种传感器,该些检测单元3经由无线网络连接该物联网模块2,该些检测单元3用以布建于欲进行收集信息的环境土壤及区域中,针对环境与土壤条件,包括温度,湿度,土壤湿度,海拔高度,大气压力,pH值,EC值等数值、或是氮、磷、钾等相关数据,该些检测单元3将所收集到的信息传回至该计算模块1内,以进行后续分析。
续参阅图1。该计算模块1又电性连接至少一显示单元4,该显示单元4于本实施例中可为具有屏幕的装置,如行动装置等,用以接收由计算模块1所输出的相关数据,并于该显示单元上形成一监控仪表板,致使使用者同步接受到所监控环境土壤的所有生长情况;另外,该计算模块1电性连接一喷洒装置5,受该计算模块1控制,用以喷洒添加物进行生物刺激的作用,以改善作物产量或土壤健康并同时影响土壤微生物,该添加物于本实施例中为一种生物刺激物,如肥料,微生物和多肽等。
请参阅图2,为本发明的建模方法流程图。本发明的建模方法通过前述的系统进行取样采集所需的数据,并于分析单元12内进行;为了开始模拟生物刺激物和微生物群之间关系,取得在不同环境条件下进行微生物培养的生物实验数据产生基本多个通用因素相关的总体波动数据(S1);于本实施例中,其中该些通用因素包括温度,酸碱值和盐度,举例以枯草杆菌为例,其通用因素的关系利用以下方程式描述这段关系,但本作法不局限于枯草杆菌;为了找出微生物在不同温度的生长速率,采用以下方程式:
Figure BDA0002242598460000041
其中Rtemp是指在微生物不同温度的生长速率,T为实验温度,Tmin是指微生物可耐最低温,Tmax是指微生物可耐最高温,t为微生物培养时间;而为了表示温度与微生物生长的关系,其微生物生长速率以逻辑回归方程式表示,如下所列方程式:
Figure BDA0002242598460000042
其中A为微生物起始生长速率,C为微生物在特定环境下可生长的最大量;而为了找出微生物在不同酸碱值的生长速率,采用以下方程式:
Figure BDA0002242598460000051
其中pH是指微生物培养实验所设定的pH值,pHmax是指微生物可耐最高pH值,pHmix是指微生物可耐最低pH值,pHopt为微生物培养最佳pH值,t为微生物培养时间;为了表示酸碱值与微生物生长的关系,其微生物生长速率以逻辑回归方程式表示,如下所列方程式:
Figure BDA0002242598460000052
而为了找出微生物在不同盐度的生长速率,采用以下方程式:
Rsal(sal)=(f·sal2)+(g·sal)+h,
其中Rsal为微生物培养实验所设定的盐浓度,t为微生物培养时间;为了表示盐度与微生物生长的关系,其微生物生长速率以逻辑回归方程式表示,如下所列方程式:
Figure BDA0002242598460000053
在个别找出通用因素与微生物生长速率关系后,为了定义三者对于微生物生长速率的影响程度,我们再通过微生物培养实验,设定三组不同组合的温度、酸碱值及盐度,找出三者的权重,方程式如下:
f=α·f(Rtemp,t)+β·f(RpH,t)+γ·f(Rsal,t)
通过进行微生物培养的生物实验将方程式中发各未知参数,包括α,β,γ,与f(Rtemp,t),f(RpH,t),f(Rsal,t)三个方程式里发未知数a,b,c,d,e,f,g找出,通过前述这些方程式模拟了生物刺激物与土壤中微生物群间的直接关系,特别是代谢该元素的微生物水准,将前述通用方程式组合在一起,可得到基于这些通用因素的波动来估算微生物群落变化,更近一步说明,经由前述通用因素温度,酸碱值和盐度有助于模拟微生物群的总体波动,而更具体的因素,如氮,磷和钾,对于预测肥料处理时营养物质代谢微生物的振荡非常有帮助;关于土壤中微生物所产生斯皮尔曼等级相关值,其系数值接近-1的数值表示更强的负相关,接近+1的数值表示更强的正相关,如图3的微生物群种类与通用因素如图所示,该图显示了土壤样品中20个最丰富的微生物群属间的相关值。
续参阅图2。本发明建模方法发下一步,如前所述,该些通用因素包括温度,酸碱值和盐度,经由回归分析计算以滤除不相关的微生物对(S2);于本实施例中,基于前述三个通用因素所演算出的关数值,并加入施肥频率,以进一步建构预测模型,包括经由回归分析来确定哪些微生物对受相关性影响很大,将前述计算所得,低于-0.7的相关系数定义为负相关,而将高于+0.7的相关系数定义为正相关;之后这些微生物群搭配前述具有生物刺激的添加物进行后续信息收集,再由前述分析单元12产生出相对应的图表,如图4的微生物数据分析图所示,致使产生出这些微生物群随着添加物加入而产生变化的状况,以利后续分析。
续参阅图2。本发明的建模方法的下一步,该分析系统进行交叉验证计算,以确定每种微生物在不同通用因素下的权重(S3);在本实施例中,由于所得曲线是两种微生物间的理论关系,由于不同样本之间土壤条件的差异很大,很有可能会改变这种曲线关系,而为了解决前述在计算过程所产生的问题,本方法将采集该土地土壤进行微生物分析,再通过执行交叉验证(于本实施例中进行三次之交叉验证为最佳)为每个相关回归曲线分配权重,配合参阅图5的交叉验证流程图,该交叉验证步骤如下:提供成对多组的微生物进行回归分析,以确定每对微生物之间的相关性是否一致(S21),经反复验证后所产生的微生物群关若与前述初次建模数据一致时,则保留其回归曲线分配权重;若回归分析产生的结果与初次建模数据不一致时,会通过调整时间方式再次进行回归分析(S22),即采集该土地土壤进行数月分析,致使确认其数据是否背离真实情况;经由前述的交叉验证方式,致使本发明的建模方法进行权重值的校准作用,初始预测模型就可完成;而根据此预测模型依据所注入的具生物刺激作用的添加物量开始对微生物群的变化做出初步预测,并搭配本发明的系统中所设置的机器学习单元13,收集更多数据反复验证,以提升本发明建模方法的预测准确性。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (12)

1.一种具有预测农地土壤状态的物联网系统,其特征在于,包括:
一计算模块,该计算模块为本系统的主控装置,用以控制本系统的整体功能,该计算模块更包括:
一数据单元,该数据单元用以储存本系统所收集的相关数据及其他必要储存的信息;
一分析单元,电性连接该数据单元,用以接收或输入数据,该分析单元具有运算分析并建立预测模型的功能,并具有至少一种演算法,除建立收集信息的工作列表及流程,以滤除不相关的信息,更包括进行交叉验证确认每单笔信息在不同条件的权重关系并依照这些分析后的信息建立一预测模型;
一机器学习单元,电性连接该分析单元,该机器学习单元具有至少一种适当的演算功能,通过该机器学习单元的学习演算功能,以建立起相对应的学习模型进行假性分析及后续数据的分群分类;
一物联网模块,该物联网模块电性连接该计算模块,以作为信息传输的中介角色;
至少一检测单元,电性连接该物联网模块,该些检测单元用以布建于欲进行收集信息的环境土壤及区域中的环境与土壤条件,将所收集到的信息传回至该计算模块内,以进行后续分析。
2.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该计算模块为一后台服务器。
3.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该分析单元所具有的演算法为回归分析法。
4.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该机器学习单元具有的演算法为回归演算法、自回归移动演算法等具有挑选能力的任一种。
5.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该物联网模块为一种闸道装置。
6.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该检测单元为一种传感器。
7.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该计算模块电性连接至少一显示单元,用以接收由计算模块所输出的相关数据,并于该显示单元上形成一监控仪表板。
8.如权利要求7所述的具有预测农地土壤状态的物联网系统,其特征在于,该显示单元为具有屏幕的装置。
9.如权利要求1所述的具有预测农地土壤状态的物联网系统,其特征在于,该计算模块电性连接一喷洒装置,受该计算模块控制,用以喷洒添加物进行生物刺激的作用。
10.一种利用如权利要求1所述系统的建模方法,其特征在于,包括:
a.取得在不同环境条件下进行微生物培养的生物实验数据至该分析单元产生基本多个通用因素相关的总体波动数据;
b.由回归分析计算以滤除不相关的微生物对;
c.该分析系统系进行交叉验证计算,以确定每种微生物在不同通用因素下之权重。
11.如权利要求10所述的建模方法,其特征在于,该交叉验证更包括下列步骤:
c1:提供成对多组的微生物进行回归分析,以确定每对微生物之间相关性是否一致;
c2:若回归分析产生的结果与初次建模数据不一致时,会通过调整时间方式再次进行回归分析。
12.如权利要求10所述的建模方式,其特征在于,该a步骤中该些通用因素包括温度,酸碱值(pH)和盐度。
CN201911005405.3A 2018-10-22 2019-10-22 具有预测农地土壤状态的物联网系统与建模方式 Active CN111090923B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862748673P 2018-10-22 2018-10-22
US62/748,673 2018-10-22
CN201911001574X 2019-10-21
CN201911001574 2019-10-21

Publications (2)

Publication Number Publication Date
CN111090923A true CN111090923A (zh) 2020-05-01
CN111090923B CN111090923B (zh) 2023-07-21

Family

ID=70393000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911005405.3A Active CN111090923B (zh) 2018-10-22 2019-10-22 具有预测农地土壤状态的物联网系统与建模方式

Country Status (1)

Country Link
CN (1) CN111090923B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915096A (zh) * 2020-08-14 2020-11-10 中国科学院地理科学与资源研究所 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021940A (zh) * 2017-11-30 2018-05-11 中国银联股份有限公司 基于机器学习的数据分类方法及系统
CN108449989A (zh) * 2015-06-15 2018-08-24 联邦科学与工业研究组织 土壤条件分析系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108449989A (zh) * 2015-06-15 2018-08-24 联邦科学与工业研究组织 土壤条件分析系统及方法
CN108021940A (zh) * 2017-11-30 2018-05-11 中国银联股份有限公司 基于机器学习的数据分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛翔宇等: "基于竞争适应重加权采样算法耦合机器学习的土壤含水量估算", 《光学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915096A (zh) * 2020-08-14 2020-11-10 中国科学院地理科学与资源研究所 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术

Also Published As

Publication number Publication date
CN111090923B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Pathak et al. IoT based smart system to support agricultural parameters: A case study
Raj et al. Precision farming in modern agriculture
JP6860773B2 (ja) 農地の土壌状態を予測するモノのインターネットシステム及びモデリング方法
Carrasquilla-Batista et al. Using IoT resources to enhance the accuracy of overdrain measurements in greenhouse horticulture
Tamayo et al. Better crop management with decision support systems based on wireless sensor networks
Ali et al. Wireless sensor network and deep learning for prediction greenhouse environments
Day Engineering advances for input reduction and systems management to meet the challenges of global food and farming futures
Priyadharsini et al. AI-ML based approach in plough to enhance the productivity
Chandak et al. Smart farming system using data mining
WO2022200601A1 (en) Computer-implemented method for determining a treatment schedule based on a soil-related sustainability score as technical indicator for carbon farming potential of an agricultural field or a sub-field zone
CN111090923B (zh) 具有预测农地土壤状态的物联网系统与建模方式
Jin et al. Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation
Singla et al. IoT based monitoring for the growth of basil using machine learning
Arora et al. Automated dosing system in hydroponics with machine learning
Chaudhary et al. A critical review on hybrid framework for precise farming with application of Machine Learning (ML) and Internet of Things (IoT)
CN112581302A (zh) 一种农业物联管理监测系统
Chen et al. A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network
US20240049619A1 (en) Method for determining field-or zone-specific seeding rate, depth, and time for planting a crop in an agricultural field based on multiple data inputs such as crop, field, yield, weather, and/or soil data
Tripathy et al. Smart Farming based on Deep Learning Approaches
Prabhakaran et al. Advancement of data mining methods for improvement of agricultural methods and productivity
Barkakoti et al. Advancement of Digital Twin in Irrigation and Smart Farming
Khatraty et al. Smart Digital-Twin hub Concept for Rice yield prediction and monitoring from multivariate time series data
AU2021104029A4 (en) Dryland agriculture and yield gap analysis by machine learning algorithms using iot sensors
Tkatek et al. Predictive fertilization models for potato crops using machine learning techniques in Moroccan Gharb region.
Tanaka et al. Synthetic data generation for validating site-specific crop yield response modelling using WOFOST and gaussian geostatistical simulations

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