CN113379188B - 基于物联网的烟草轮作种植方法和系统 - Google Patents
基于物联网的烟草轮作种植方法和系统 Download PDFInfo
- Publication number
- CN113379188B CN113379188B CN202110488548.5A CN202110488548A CN113379188B CN 113379188 B CN113379188 B CN 113379188B CN 202110488548 A CN202110488548 A CN 202110488548A CN 113379188 B CN113379188 B CN 113379188B
- Authority
- CN
- China
- Prior art keywords
- soil
- information
- biological characteristic
- target area
- crop rotation
- 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.)
- Expired - Fee Related
Links
- 238000003967 crop rotation Methods 0.000 title claims abstract description 120
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 94
- 244000061176 Nicotiana tabacum Species 0.000 title description 5
- 239000002689 soil Substances 0.000 claims abstract description 292
- 241000208125 Nicotiana Species 0.000 claims abstract description 101
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims description 15
- 235000015097 nutrients Nutrition 0.000 claims description 14
- 238000011157 data evaluation Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 241000233866 Fungi Species 0.000 claims description 5
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 241001478887 unidentified soil bacteria Species 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 244000000000 soil microbiome Species 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 238000009335 monocropping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 239000010914 pesticide waste Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000009342 intercropping Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/45—Tobacco
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种基于物联网的烟草轮作种植方法和系统，包括：获取目标区域内土壤生物学特性信息，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；同时本发明还引入用于优选烟草轮作种植方法的神经网络模型；将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。
Description
技术领域
本发明涉及一种烟草轮作种植方法，更具体的，涉及一种基于物联网的烟草轮作种植方法、系统及可读存储介质。
背景技术
在烟草种植过程中在同一块土地连年种植烟草会产生烟草产量降低，烟叶品质变劣和生育状况变差等现象，这一现象被称为烟草连作障碍。土壤连续种植烟草后，烟草植株对土壤养分的连续选择性吸收会引起某些影像元素的减少或积累，破坏了土壤的原有养分平衡状态；随着作物连作年限的增加，土壤和根际的真菌数量显著增加，改变了土壤微生物量和种群分布。烟草连作引起的土壤养分失调和微生物环境恶化导致烟草植株养分供应不协调，从而使得烟草植株发育和生长受到不同程度的影响。改善烟草连作种植障碍需要改善现在的耕作模式。尽可能的实现合理的轮作倒茬，或者实行间套作，从而改善土壤的微生态环境，给烟草植株提供一个较好的生长发育环境。
为了能够科学的实现烟草种植的轮作倒茬，选择适用的轮作种植模式，需要开发一款智慧烟草轮作种植系统，该系统通过获取目标区域内土壤生物学特性信息，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；根据所述土壤信息数据库对目标区域内土壤状况进行分析评估预测烟草病害信息生成适用的轮作模式；同时本发明还引入用于优选烟草轮作种植方法的神经网络模型，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。在智慧烟草轮作种植系统实现过程中，如何通过对目标区域内土壤状况进行分析评估，以及如何通过神经网络模型优选适用目标区域的轮作种植模式都是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于基于物联网的烟草轮作种植方法、系统及可读存储介质。
本发明第一方面提供了一种基于农药抗性监测的农药施用方法，包括：
获取目标区域内土壤生物学特性信息；
根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；
引入用于优选烟草轮作种植方法的神经网络模型；
将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。
本方案中，所述的获取目标区域内土壤生物学特性信息包括土壤酸碱度信息、土壤温度信息、土壤湿度信息、土壤养分信息、土壤细菌、真菌群落信息，其中土壤养分信息包括：总碳含量、总氮含量、硝态氮含量、铵态氮含量。
本方案中，所述的根据多种轮作模式下土壤生物学特性信息建立土壤信息数据库，具体为：
获取目标区域内土壤生物学特性信息，将所述土壤生物学特性信息中的子信息进行分类并生成相应子信息序列；
建立土壤信息数据库，确定所述子信息序列对应的地址信息；
通过输入多次采集的土壤生物学特性信息，更新修正土壤信息数据库中的数据；
新输入数据自动匹配子信息序列对应的地址信息，与历史数据进行比较、计算后进行更新修正。
本方案中，还包括：
预设土地区域，采用五点采样法多次采集预设土地区域土壤生物学特性信息；
将采集到的多点土壤生物学特性信息进行比较，获取偏差率；
判断所述偏差率是否小于预设偏差率阈值；
若小于，则将所述预设土地区域划分为多片区域进行多种轮作种植模式的实验，采集多种轮作模式下的土壤生物学特性信息并存储。
本方案中，根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，具体为：
通过信息索引获取土壤信息数据库中对应子信息序列与目标区域内土壤状况进行匹配；
根据两两差异分析方法，确定用于对目标区域内土壤状况评估的评估指数集；
通过所述的评估指数集匹配预设的权重比例计算出土壤信息数据库中子信息序列的若干组数据评估值；
将所述的若干组数据评估值进行排序，采用PCA分析方法计算 目标区域内土壤状况指数。
本方案中，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法，具体为:
获取目标区域内的土壤生物学特性信息，将所述的土壤生物学特性信息进行预处理；
建立神经网络模型，进行初始化学习；
将所述的经过预处理后的土壤生物学特性信息进行预处理导入所述神经网络模型，得到输出结果信息；
根据所述输出结果信息结合所述土壤状况指数计算得到轮作模式信息并预设轮作模式信息阈值区间；
确定所述轮作模式信息所对应的轮作模式信息阈值区间，将阈值区间对应的轮作种植方法作为目标区域的优选。
本发明第二方面还提供了一种基于物联网的烟草轮作种植系统，该系统包括：存储器、处理器，所述存储器中包括基于物联网的烟草轮作种植方法程序，所述基于物联网的烟草轮作种植方法程序被所述处理器执行时实现如下步骤：
获取目标区域内土壤生物学特性信息；
根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；
引入用于优选烟草轮作种植方法的神经网络模型；
将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。
本方案中，所述的获取目标区域内土壤生物学特性信息包括土壤酸碱度信息、土壤温度信息、土壤湿度信息、土壤养分信息、土壤细菌、真菌群落信息，其中土壤养分信息包括：总碳含量、总氮含量、硝态氮含量、铵态氮含量。
本方案中，所述的根据多种轮作模式下土壤生物学特性信息建立土壤信息数据库，具体为：
获取目标区域内土壤生物学特性信息，将所述土壤生物学特性信息中的子信息进行分类并生成相应子信息序列；
建立土壤信息数据库，确定所述子信息序列对应的地址信息；
通过输入多次采集的土壤生物学特性信息，更新修正土壤信息数据库中的数据；
新输入数据自动匹配子信息序列对应的地址信息，与历史数据进行比较、计算后进行更新修正。
本方案中，还包括：
预设土地区域，采用五点采样法多次采集预设土地区域土壤生物学特性信息；
将采集到的多点土壤生物学特性信息进行比较，获取偏差率；
判断所述偏差率是否小于预设偏差率阈值；
若小于，则将所述预设土地区域划分为多片区域进行多种轮作种植模式的实验，采集多种轮作模式下的土壤生物学特性信息并存储。
本方案中，根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，具体为：
通过信息索引获取土壤信息数据库中对应子信息序列与目标区域内土壤状况进行匹配；
根据两两差异分析方法，确定用于对目标区域内土壤状况评估的评估指数集；
通过所述的评估指数集匹配预设的权重比例计算出土壤信息数据库中子信息序列的若干组数据评估值；
将所述的若干组数据评估值进行排序，采用PCA分析方法计算 目标区域内土壤状况指数。
本方案中，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法，具体为:
获取目标区域内的土壤生物学特性信息，将所述的土壤生物学特性信息进行预处理；
建立神经网络模型，进行初始化学习；
将所述的经过预处理后的土壤生物学特性信息进行预处理导入所述神经网络模型，得到输出结果信息；
根据所述输出结果信息结合所述土壤状况指数计算得到轮作模式信息并预设轮作模式信息阈值区间；
确定所述轮作模式信息所对应的轮作模式信息阈值区间，将阈值区间对应的轮作种植方法作为目标区域的优选。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于物联网的烟草轮作种植方法程序，所述基于物联网的烟草轮作种植方法程序被处理器执行时，实现如上述任一项所述的基于物联网的烟草轮作种植方法的步骤。
本发明公开的一种基于物联网的烟草轮作种植方法和系统，包括：获取目标区域内土壤生物学特性信息，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；同时本发明还引入用于优选烟草轮作种植方法的神经网络模型；将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。本发明采用土壤信息数据库及神经网络模型结合优选烟草轮作种植模式，调整烟草种植结构，为减轻烟草病害的发生和发展、提高烟叶产量、质量起到积极促进作用。
附图说明
图1示出了本发明一种基于物联网的烟草轮作种植方法的流程图；
图2示出了本发明根据建立土壤信息数据库方法流程图；
图3示出了本发明神经网络模型优选烟草轮作种植方法的方法流程图；
图4示出了本发明一种基于物联网的烟草轮作种植系统的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的烟草轮作种植方法的流程图。
如图1所示，本发明第一方面提供了一种基于物联网的烟草轮作种植方法，包括：
S102，获取目标区域内土壤生物学特性信息；
S104，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；
S106，根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；
S108，引入用于优选烟草轮作种植方法的神经网络模型；
S110，将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型；
S112，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。
需要说明的是，所述的获取目标区域内土壤生物学特性信息包括土壤酸碱度信息、土壤温度信息、土壤湿度信息、土壤养分信息、土壤细菌、真菌群落信息，其中土壤养分信息包括：总碳含量、总氮含量、硝态氮含量、铵态氮含量。
需要说明的是，土壤信息数据库对土壤微生物群落和特征进行数据分析，分析研究烟草轮作模式与微生物群落和病害发生的互作效应，获取目标群区域内土壤生物学特性信息，根据所述土壤生物学特性信息获取病原菌数量，并预测病情指数，通过所述病情指数与预设阈值的比较判断，进行不同等级的病虫害防治，有效避免了农药的浪费，并减少了烟草农药残留，使得病虫害防治更加科学有效。
图2示出了本发明根据建立土壤信息数据库方法流程图。
根据本发明实施例，所述的根据多种轮作模式下土壤生物学特性信息建立土壤信息数据库，具体为：
S202，获取目标区域内土壤生物学特性信息，将所述土壤生物学特性信息中的子信息进行分类并生成相应子信息序列；
S204，建立土壤信息数据库，确定所述子信息序列对应的地址信息；
S206，通过输入多次采集的土壤生物学特性信息，更新修正土壤信息数据库中的数据；
S208，新输入数据自动匹配子信息序列对应的地址信息，与历史数据进行比较、计算后进行更新修正。
需要说明的是，根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，具体为：
通过信息索引获取土壤信息数据库中对应子信息序列与目标区域内土壤状况进行匹配；
根据两两差异分析方法，确定用于对目标区域内土壤状况评估的评估指数集；
通过所述的评估指数集匹配预设的权重比例计算出土壤信息数据库中子信息序列的若干组数据评估值；
将所述的若干组数据评估值进行排序，采用PCA分析方法计算 目标区域内土壤状况指数。
需要说明的是，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库，还包括：
预设土地区域，采用五点采样法多次采集预设土地区域土壤生物学特性信息；
将采集到的多点土壤生物学特性信息进行比较，获取偏差率；
判断所述偏差率是否小于预设偏差率阈值；
若小于，则将所述预设土地区域划分为多片区域进行多种轮作种植模式的实验，采集多种轮作模式下的土壤生物学特性信息并存储。
需要说明的是，当预设土地区域内土壤生物学特性信息大于预设偏差率，将取样点的土壤生物学特性信息进行筛选处理，通过均值处理得到一个土壤生物学特性信息的平均值，将所述平均值看作为第一土壤生物学特性信息，根据所述数据库建立多叉树数据模型，设置各节点分支的土壤生物学特性信息相关权值，确定第一土壤生物学特性信息在多叉树数据模型中的位置，匹配所述土壤生物学特性信息相关权值在多叉树模型进行深度传递，输出合适的土壤生物学特性信息数据范围，根据所述数据范围进行预设土地区域的重新选取及规划。
图3示出了本发明神经网络模型优选烟草轮作种植方法的方法流程图。
根据本发明实施例，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法，具体为:
S302，获取目标区域内的土壤生物学特性信息，将所述的土壤生物学特性信息进行预处理；
S304，建立神经网络模型，进行初始化学习；
S306，将所述的经过预处理后的土壤生物学特性信息进行预处理导入所述神经网络模型，得到输出结果信息；
S308，根据所述输出结果信息结合所述土壤状况指数计算得到轮作模式信息并预设轮作模式信息阈值区间；
S310，确定所述轮作模式信息所对应的轮作模式信息阈值区间，将阈值区间对应的轮作种植方法作为目标区域的优选。
需要说明的是，建立神经网络模型，进行初始化学习，具体为：获取多种轮作种植模式下的土壤生物学特性信息，或直接连接多种轮作模式下土壤生物学特性信息数据库，将获取的土壤生物学信息进行整理分类、数据分析等预处理，将初始土壤生物学信息进行分组，得到若干个土壤生物学信息数据集，将若干个数据集导入神经网络模型生成第一次学习后的输出结果，根据得到的第一次输出结果进行分析计算出每组训练集的初始学习率，初始学习率与离散系数成正比，将第一次学习后的输出结果再次导入神经网络模型，继续进行N次学习，在每次学习的过程中使得若干组土壤生物学信息数据集的损失函数保持线性相关，输出神经网络模型进行N次学习后的输出结果，比较计算若干组土壤生物学特性信息数据集的输出结果得到结果偏差率，判断结果偏差率是否小于预设偏差率阈值，若结果偏差率小于预设偏差率阈值并且误差率小于预设阈值，则证明神经网络训练完毕。
图4示出了本发明一种基于物联网的烟草轮作种植系统的框图。
本发明第二方面还提供了一种基于物联网的烟草轮作种植系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于物联网的烟草轮作种植方法程序，所述基于物联网的烟草轮作种植方法程序被所述处理器执行时实现如下步骤：
获取目标区域内土壤生物学特性信息；
根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；
引入用于优选烟草轮作种植方法的神经网络模型；
将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。
需要说明的是，所述的获取目标区域内土壤生物学特性信息包括土壤酸碱度信息、土壤温度信息、土壤湿度信息、土壤养分信息、土壤细菌、真菌群落信息，其中土壤养分信息包括：总碳含量、总氮含量、硝态氮含量、铵态氮含量。
需要说明的是，土壤信息数据库对土壤微生物群落和特征进行数据分析，分析研究烟草轮作模式与微生物群落和病害发生的互作效应，获取目标群区域内土壤生物学特性信息，根据所述土壤生物学特性信息获取病原菌数量，并预测病情指数，通过所述病情指数与预设阈值的比较判断，进行不同等级的病虫害防治，有效避免了农药的浪费，并减少了烟草农药残留，使得病虫害防治更加科学有效。
根据本发明实施例，所述的根据多种轮作模式下土壤生物学特性信息建立土壤信息数据库，具体为：
获取目标区域内土壤生物学特性信息，将所述土壤生物学特性信息中的子信息进行分类并生成相应子信息序列；
建立土壤信息数据库，确定所述子信息序列对应的地址信息；
通过输入多次采集的土壤生物学特性信息，更新修正土壤信息数据库中的数据；
新输入数据自动匹配子信息序列对应的地址信息，与历史数据进行比较、计算后进行更新修正。
需要说明的是，根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，具体为：
通过信息索引获取土壤信息数据库中对应子信息序列与目标区域内土壤状况进行匹配；
根据两两差异分析方法，确定用于对目标区域内土壤状况评估的评估指数集；
通过所述的评估指数集匹配预设的权重比例计算出土壤信息数据库中子信息序列的若干组数据评估值；
将所述的若干组数据评估值进行排序，采用PCA分析方法计算 目标区域内土壤状况指数。
需要说明的是，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库，还包括：
预设土地区域，采用五点采样法多次采集预设土地区域土壤生物学特性信息；
将采集到的多点土壤生物学特性信息进行比较，获取偏差率；
判断所述偏差率是否小于预设偏差率阈值；
若小于，则将所述预设土地区域划分为多片区域进行多种轮作种植模式的实验，采集多种轮作模式下的土壤生物学特性信息并存储。
需要说明的是，当预设土地区域内土壤生物学特性信息大于预设偏差率，将取样点的土壤生物学特性信息进行筛选处理，通过均值处理得到一个土壤生物学特性信息的平均值，将所述平均值看作为第一土壤生物学特性信息，根据所述数据库建立多叉树数据模型，设置各节点分支的土壤生物学特性信息相关权值，确定第一土壤生物学特性信息在多叉树数据模型中的位置，匹配所述土壤生物学特性信息相关权值在多叉树模型进行深度传递，输出合适的土壤生物学特性信息数据范围，根据所述数据范围进行预设土地区域的重新选取及规划。
根据本发明实施例，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法，具体为:
获取目标区域内的土壤生物学特性信息，将所述的土壤生物学特性信息进行预处理；
建立神经网络模型，进行初始化学习；
将所述的经过预处理后的土壤生物学特性信息进行预处理导入所述神经网络模型，得到输出结果信息；
根据所述输出结果信息结合所述土壤状况指数计算得到轮作模式信息并预设轮作模式信息阈值区间；
确定所述轮作模式信息所对应的轮作模式信息阈值区间，将阈值区间对应的轮作种植方法作为目标区域的优选。
需要说明的是，建立神经网络模型，进行初始化学习，具体为：获取多种轮作种植模式下的土壤生物学特性信息，或直接连接多种轮作模式下土壤生物学特性信息数据库，将获取的土壤生物学信息进行整理分类、数据分析等预处理，将初始土壤生物学信息进行分组，得到若干个土壤生物学信息数据集，将若干个数据集导入神经网络模型生成第一次学习后的输出结果，根据得到的第一次输出结果进行分析计算出每组训练集的初始学习率，初始学习率与离散系数成正比，将第一次学习后的输出结果再次导入神经网络模型，继续进行N次学习，在每次学习的过程中使得若干组土壤生物学信息数据集的损失函数保持线性相关，输出神经网络模型进行N次学习后的输出结果，比较计算若干组土壤生物学特性信息数据集的输出结果得到结果偏差率，判断结果偏差率是否小于预设偏差率阈值，若结果偏差率小于预设偏差率阈值并且误差率小于预设阈值，则证明神经网络训练完毕。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于物联网的烟草轮作种植方法程序，所述基于物联网的烟草轮作种植方法程序被处理器执行时，实现如上述任一项所述的基于物联网的烟草轮作种植方法的步骤。
本发明公开的一种基于物联网的烟草轮作种植方法和系统，包括：获取目标区域内土壤生物学特性信息，根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；同时本发明还引入用于优选烟草轮作种植方法的神经网络模型；将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型，根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法。本发明采用土壤信息数据库及神经网络模型结合优选烟草轮作种植模式，调整烟草种植结构，为减轻烟草病害的发生和发展、提高烟叶产量、质量起到积极促进作用。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
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：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于物联网的烟草轮作种植方法，其特征在于，包括：
获取目标区域内土壤生物学特性信息；
根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；
引入用于优选烟草轮作种植方法的神经网络模型；
将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法；
所述的根据多种轮作模式下土壤生物学特性信息建立土壤信息数据库，具体为：
获取目标区域内土壤生物学特性信息，将所述土壤生物学特性信息中的子信息进行分类并生成相应子信息序列；
建立土壤信息数据库，确定所述子信息序列对应的地址信息；
通过输入多次采集的土壤生物学特性信息，更新修正土壤信息数据库中的数据；
新输入数据自动匹配子信息序列对应的地址信息，与历史数据进行比较、计算后进行更新修正；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，具体为：
通过信息索引获取土壤信息数据库中对应子信息序列与目标区域内土壤状况进行匹配；
根据两两差异分析方法，确定用于对目标区域内土壤状况评估的评估指数集；
通过所述的评估指数集匹配预设的权重比例计算出土壤信息数据库中子信息序列的若干组数据评估值；
将所述的若干组数据评估值进行排序，采用PCA分析方法计算目标区域内土壤状况指数；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法，具体为:
获取目标区域内的土壤生物学特性信息，将所述的土壤生物学特性信息进行预处理；
建立神经网络模型，进行初始化学习；
将所述的经过预处理后的土壤生物学特性信息进行预处理导入所述神经网络模型，得到输出结果信息；
根据所述输出结果信息结合所述土壤状况指数计算得到轮作模式信息并预设轮作模式信息阈值区间；
确定所述轮作模式信息所对应的轮作模式信息阈值区间，将阈值区间对应的轮作种植方法作为目标区域的优选。
2.根据权利要求1所述的一种基于物联网的烟草轮作种植方法，其特征在于，所述的获取目标区域内土壤生物学特性信息包括土壤酸碱度信息、土壤温度信息、土壤湿度信息、土壤养分信息、土壤细菌、真菌群落信息，其中土壤养分信息包括：总碳含量、总氮含量、硝态氮含量、铵态氮含量。
3.根据权利要求1所述的一种基于物联网的烟草轮作种植方法，其特征在于，还包括：
预设土地区域，采用五点采样法多次采集预设土地区域土壤生物学特性信息；
将采集到的多点土壤生物学特性信息进行比较，获取偏差率；
判断所述偏差率是否小于预设偏差率阈值；
若小于，则将所述预设土地区域划分为多片区域进行多种轮作种植模式的实验，采集多种轮作模式下的土壤生物学特性信息并存储。
4.一种基于物联网的烟草轮作种植系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于物联网的烟草轮作种植方法程序，所述基于物联网的烟草轮作种植方法程序被所述处理器执行时实现如下步骤：
获取目标区域内土壤生物学特性信息；
根据多种轮作模式下的土壤生物学特性信息建立土壤信息数据库；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，生成土壤状况指数，并预测烟草病害信息生成适用的轮作模式；
引入用于优选烟草轮作种植方法的神经网络模型；
将所述的目标区域的土壤生物学特性信息经过预处理导入所述神经网络模型；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法；
所述的根据多种轮作模式下土壤生物学特性信息建立土壤信息数据库，具体为：
获取目标区域内土壤生物学特性信息，将所述土壤生物学特性信息中的子信息进行分类并生成相应子信息序列；
建立土壤信息数据库，确定所述子信息序列对应的地址信息；
通过输入多次采集的土壤生物学特性信息，更新修正土壤信息数据库中的数据；
新输入数据自动匹配子信息序列对应的地址信息，与历史数据进行比较、计算后进行更新修正；
根据所述土壤信息数据库对目标区域内土壤状况进行分析评估，具体为：
通过信息索引获取土壤信息数据库中对应子信息序列与目标区域内土壤状况进行匹配；
根据两两差异分析方法，确定用于对目标区域内土壤状况评估的评估指数集；
通过所述的评估指数集匹配预设的权重比例计算出土壤信息数据库中子信息序列的若干组数据评估值；
将所述的若干组数据评估值进行排序，采用PCA分析方法计算目标区域内土壤状况指数；
根据神经网络模型的输出结果确定适用于目标区域的烟草轮作种植方法，具体为:
获取目标区域内的土壤生物学特性信息，将所述的土壤生物学特性信息进行预处理；
建立神经网络模型，进行初始化学习；
将所述的经过预处理后的土壤生物学特性信息进行预处理导入所述神经网络模型，得到输出结果信息；
根据所述输出结果信息结合所述土壤状况指数计算得到轮作模式信息并预设轮作模式信息阈值区间；
确定所述轮作模式信息所对应的轮作模式信息阈值区间，将阈值区间对应的轮作种植方法作为目标区域的优选。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于物联网的烟草轮作种植方法程序，所述基于物联网的烟草轮作种植方法程序被处理器执行时，实现如权利要求1至3中任一项所述的基于物联网的烟草轮作种植方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488548.5A CN113379188B (zh) | 2021-05-06 | 2021-05-06 | 基于物联网的烟草轮作种植方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488548.5A CN113379188B (zh) | 2021-05-06 | 2021-05-06 | 基于物联网的烟草轮作种植方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113379188A CN113379188A (zh) | 2021-09-10 |
| CN113379188B true CN113379188B (zh) | 2022-10-25 |
Family
ID=77570557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110488548.5A Expired - Fee Related CN113379188B (zh) | 2021-05-06 | 2021-05-06 | 基于物联网的烟草轮作种植方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379188B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114711010B (zh) * | 2022-06-09 | 2022-09-02 | 苏州农业职业技术学院 | 一种月季栽培中水土肥管理方法、系统及介质 |
| CN117172137B (zh) * | 2023-11-02 | 2024-02-02 | 北京建工环境修复股份有限公司 | 基于数字孪生的土壤微生物控制分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020082024A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Detecting infection of plant diseases by classifying plant photos |
| CN112166453A (zh) * | 2018-05-25 | 2021-01-01 | 克莱米特公司 | 杂交种植研究与田地目标 |
| CN112465287A (zh) * | 2019-09-09 | 2021-03-09 | 国际商业机器公司 | 改进农场耕种质量 |
| AU2021100581A4 (en) * | 2021-01-29 | 2021-04-29 | Hubei Institute of Tobacco Science | Applications of nahs to alleviation of obstacles in continuous cropping of tobaccos and promotion of disease resistance and growth of cigar tobaccos |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102696381A (zh) * | 2012-06-21 | 2012-10-03 | 贵州省烟草科学研究所 | 一种提高烟叶质量的轮作方法 |
| CN103529189B (zh) * | 2013-06-28 | 2016-01-06 | 四川农业大学 | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 |
| CN103823371B (zh) * | 2014-02-12 | 2016-06-29 | 无锡中科智能农业发展有限责任公司 | 基于神经网络模型的农业精准施肥系统及施肥方法 |
| US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| US20190050741A1 (en) * | 2017-08-10 | 2019-02-14 | Iteris, Inc. | Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture |
| CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
| CN110414115B (zh) * | 2019-07-13 | 2023-01-20 | 沈阳农业大学 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
| CN110771442A (zh) * | 2019-09-30 | 2020-02-11 | 大气候物联网科技(广州)有限公司 | 基于物联网的农业种植方法和系统 |
| AU2020103423A4 (en) * | 2020-11-13 | 2021-01-28 | Nanjing Forestry University | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System |
| CN112630160A (zh) * | 2020-11-27 | 2021-04-09 | 佛山市墨纳森智能科技有限公司 | 一种基于图像采集的无人机航迹规划土壤湿度监测方法、系统及可读存储介质 |
-
2021
- 2021-05-06 CN CN202110488548.5A patent/CN113379188B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112166453A (zh) * | 2018-05-25 | 2021-01-01 | 克莱米特公司 | 杂交种植研究与田地目标 |
| WO2020082024A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Detecting infection of plant diseases by classifying plant photos |
| CN112465287A (zh) * | 2019-09-09 | 2021-03-09 | 国际商业机器公司 | 改进农场耕种质量 |
| AU2021100581A4 (en) * | 2021-01-29 | 2021-04-29 | Hubei Institute of Tobacco Science | Applications of nahs to alleviation of obstacles in continuous cropping of tobaccos and promotion of disease resistance and growth of cigar tobaccos |
Non-Patent Citations (1)
| Title |
|---|
| 云南烟草种植信息系统框架设计;魏跃伟等;《安徽农学通报》;20071110(第21期);第49-50页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113379188A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doelman et al. | Exploring SSP land-use dynamics using the IMAGE model: Regional and gridded scenarios of land-use change and land-based climate change mitigation | |
| Sinclair et al. | The options by context approach: a paradigm shift in agronomy | |
| Gutiérrez et al. | A review of visualisations in agricultural decision support systems: An HCI perspective | |
| Fountas et al. | A model of decision-making and information flows for information-intensive agriculture | |
| Matuschke et al. | Seed market privatisation and farmers’ access to crop technologies: The case of hybrid pearl millet adoption in India | |
| CN113379188B (zh) | 基于物联网的烟草轮作种植方法和系统 | |
| Campos | Banana production in Venezuela: Novel solutions to productivity and plant health | |
| Fanelli | The (un) sustainability of the land use practices and agricultural production in EU countries | |
| Papageorgiou et al. | Fuzzy sets in agriculture | |
| Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
| Chang et al. | A data-driven crop model for maize yield prediction | |
| CN113220827B (zh) | 一种农业语料库的构建方法及装置 | |
| Mishra et al. | Crop recommendation system using knn and random forest considering indian data set | |
| CN113435825A (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
| CN113743790B (zh) | 一种有助于盐碱地稻米品质提升的方法、系统及存储介质 | |
| CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
| Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields | |
| Jackson et al. | Robust Ensemble Machine Learning for Precision Agriculture | |
| Saxena et al. | FARMINGTON-A Machine Learning Approach in Agriculture | |
| Manjula et al. | Crop recommendation and yield prediction for agriculture using data mining techniques | |
| Sreerama et al. | A machine learning approach to crop yield prediction | |
| Siswanto et al. | Fuzzy Multi Criteria Decision Making To Determine The Best Rice Quality in Riau Island | |
| Ren | Inferring mechanisms of community assembly from phylogenetic and functional diversity | |
| Valleggi | Statistical models for Precision agriculture | |
| Simonetto | Modelli quantitativi per l’analisi della biodiversità negli agroecosistemi |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221025 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |