CN116432851A - 一种烤烟生长状况智能预测方法及系统 - Google Patents
一种烤烟生长状况智能预测方法及系统 Download PDFInfo
- Publication number
- CN116432851A CN116432851A CN202310429013.XA CN202310429013A CN116432851A CN 116432851 A CN116432851 A CN 116432851A CN 202310429013 A CN202310429013 A CN 202310429013A CN 116432851 A CN116432851 A CN 116432851A
- Authority
- CN
- China
- Prior art keywords
- flue
- cured tobacco
- scheme
- quantization index
- planting
- 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.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 520
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 520
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004720 fertilization Effects 0.000 claims abstract description 123
- 238000005457 optimization Methods 0.000 claims abstract description 104
- 238000013433 optimization analysis Methods 0.000 claims abstract description 21
- 241000196324 Embryophyta Species 0.000 claims abstract description 14
- 238000013139 quantization Methods 0.000 claims description 164
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 25
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000004220 aggregation Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 239000003337 fertilizer Substances 0.000 claims description 14
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 claims description 6
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 6
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 6
- 239000000460 chlorine Substances 0.000 claims description 6
- 229910052801 chlorine Inorganic materials 0.000 claims description 6
- 229960002715 nicotine Drugs 0.000 claims description 6
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 239000011591 potassium Substances 0.000 claims description 6
- 229910052700 potassium Inorganic materials 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 235000021049 nutrient content Nutrition 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/04—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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (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
本发明公开了一种烤烟生长状况智能预测方法及系统,涉及植物培育管理领域,其中,所述方法包括:将初始烤烟种植方案和初始烤烟施肥方案输入烤烟生长状况预测模型,输出烤烟生长状态预测结果;当烤烟生长状态预测结果不满足状态期望值时,对初始烤烟种植方案和/或初始烤烟施肥方案进行优化分析,获取满足状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;将烤烟种植方案优化结果和/或烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;将最佳参考数据发送至烤烟培育管理终端。解决了现有技术中针对烤烟的生长状况预测准确性不足,无法为烤烟的培育管理提供有效的参考数据的技术问题。
Description
技术领域
本发明涉及植物培育管理领域,具体地,涉及一种烤烟生长状况智能预测方法及系统。
背景技术
烤烟是烟草的种类之一。随着烤烟产业的不断发展,烤烟的培育管理受到人们的广泛关注。现有技术中,存在针对烤烟的生长状况预测准确性不足,无法为烤烟的培育管理提供有效的参考数据的技术问题。
发明内容
本申请提供了一种烤烟生长状况智能预测方法及系统。解决了现有技术中针对烤烟的生长状况预测准确性不足,无法为烤烟的培育管理提供有效的参考数据的技术问题。达到了提高烤烟的生长状况预测准确性,为烤烟的培育管理提供有效的参考数据,提高烤烟培育管理质量的技术效果。
鉴于上述问题,本申请提供了一种烤烟生长状况智能预测方法及系统。
第一方面,本申请提供了一种烤烟生长状况智能预测方法,其中,所述方法应用于一种烤烟生长状况智能预测系统,所述方法包括:获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标;根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型;获取初始烤烟种植方案和初始烤烟施肥方案;将所述初始烤烟种植方案和所述初始烤烟施肥方案输入所述烤烟生长状况预测模型,输出烤烟生长状态预测结果;当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;将所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;将所述最佳参考数据发送至烤烟培育管理终端。
第二方面,本申请还提供了一种烤烟生长状况智能预测系统,其中,所述系统包括:量化指标获取模块,所述量化指标获取模块用于获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标;挖掘训练模块,所述挖掘训练模块用于根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型;初始方案获取模块,所述初始方案获取模块用于获取初始烤烟种植方案和初始烤烟施肥方案;生长状态预测模块,所述生长状态预测模块用于将所述初始烤烟种植方案和所述初始烤烟施肥方案输入所述烤烟生长状况预测模型,输出烤烟生长状态预测结果;优化分析模块,所述优化分析模块用于当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;参考数据获得模块,所述参考数据获得模块用于将所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;数据发送模块,所述数据发送模块用于将所述最佳参考数据发送至烤烟培育管理终端。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标训练烤烟生长状况预测模型;将初始烤烟种植方案和初始烤烟施肥方案输入烤烟生长状况预测模型,输出烤烟生长状态预测结果;当烤烟生长状态预测结果不满足状态期望值时,对初始烤烟种植方案和/或初始烤烟施肥方案进行优化分析,获取满足状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;将烤烟种植方案优化结果和/或烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据,并将最佳参考数据发送至烤烟培育管理终端。达到了提高烤烟的生长状况预测准确性,为烤烟的培育管理提供有效的参考数据,提高烤烟培育管理质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种烤烟生长状况智能预测方法的流程示意图;
图2为本申请一种烤烟生长状况智能预测方法中获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标的流程示意图;
图3为本申请一种烤烟生长状况智能预测系统的结构示意图。
附图标记说明:量化指标获取模块11,挖掘训练模块12,初始方案获取模块13,生长状态预测模块14,优化分析模块15,参考数据获得模块16,数据发送模块17。
具体实施方式
本申请通过提供一种烤烟生长状况智能预测方法及系统。解决了现有技术中针对烤烟的生长状况预测准确性不足,无法为烤烟的培育管理提供有效的参考数据的技术问题。达到了提高烤烟的生长状况预测准确性,为烤烟的培育管理提供有效的参考数据,提高烤烟培育管理质量的技术效果。
实施例一
请参阅附图1,本申请提供一种烤烟生长状况智能预测方法,其中,所述方法应用于一种烤烟生长状况智能预测系统,所述方法具体包括如下步骤:
步骤S100:获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标;
进一步的,如附图2所示,本申请步骤S100还包括:
步骤S110:所述种植方案量化指标包括烤烟种植密度与种植环境信息中的一个或多个,其中,所述种植环境信息包括温度、湿度、酸碱度和土壤养分含量中的一个或多个;
步骤S120:所述施肥方案量化指标包括肥料组分类型、肥料组分比例和施肥流程信息中的一个或多个;
具体而言,种植方案量化指标包括烤烟种植密度与种植环境信息中的一个或多个。种植环境信息包括温度、湿度、酸碱度和土壤养分含量中的一个或多个。施肥方案量化指标包括肥料组分类型、肥料组分比例和施肥流程信息中的一个或多个。施肥流程信息包括施肥时间、施肥量、施肥位置中的一个或多个。
步骤S130:所述烤烟生长状态量化指标包括烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标中的一个或多个。
进一步的,本申请步骤S130还包括:
步骤S131:所述烤烟生长性状为根据叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积和叶片厚度的计算的第一偏离系数矩阵和第一均值系数矩阵;
进一步的,本申请步骤S131还包括:
步骤S1311:获取均值系数计算公式:
步骤S1312:获取偏离系数计算公式:
其中,A表征任意一个类型烤烟生长状态量化指标的任意一个指标分量的偏离系数,n表征样本总数,xi表征第i个样本的任意一个类型烤烟生长状态量化指标的任意一个指标分量的特征值;
步骤S1313:根据所述均值系数计算公式和所述偏离系数计算公式评估所述烤烟生长性状、所述干物质分配特征、所述烤烟物理指标和所述烟叶化学指标中的一个或多个。
具体而言,烤烟生长状态量化指标包括烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标中的一个或多个。其中,烤烟生长性状为根据叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积和叶片厚度的计算的第一偏离系数矩阵和第一均值系数矩阵。根据均值系数计算公式和偏离系数计算公式对烤烟生长性状进行评估,即可获得第一偏离系数矩阵和第一均值系数矩阵。
在均值系数计算公式中,表征任意一个类型烤烟生长状态量化指标的任意一个指标分量的均值系数,即,/>为输出的烤烟生长性状中的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度中任意一个对应的均值系数。将输出的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度对应的均值系数进行矩阵排列,即可获得第一偏离系数矩阵;n表征样本总数,即n为输入的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度中任意一个对应的样本总数;xi表征第i个样本的任意一个类型烤烟生长状态量化指标的任意一个指标分量的特征值,即xi为输入的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度中任意一个对应的叶片数量参数、茎围参数、株高参数、叶片数参数、叶长参数、叶宽参数、叶面积参数、叶片厚度参数。
在偏离系数计算公式中,A表征任意一个类型烤烟生长状态量化指标的任意一个指标分量的偏离系数,即A为输出的烤烟生长性状中的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度中任意一个对应的偏离系数。将输出的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度对应的偏离系数进行矩阵排列,即可获得第一均值系数矩阵;n表征样本总数,即n为输入的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度中任意一个对应的样本总数;xi表征第i个样本的任意一个类型烤烟生长状态量化指标的任意一个指标分量的特征值,即xi为输入的叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积、叶片厚度中任意一个对应的叶片数量参数、茎围参数、株高参数、叶片数参数、叶长参数、叶宽参数、叶面积参数、叶片厚度参数。
达到了通过均值系数计算公式和偏离系数计算公式对烤烟生长性状进行全面分析,获得准确的第一偏离系数矩阵和第一均值系数矩阵,从而提高烤烟生长状态量化指标的精准性的技术效果。
步骤S132:所述干物质分配特征为根据根部干物质含量、茎部干物质含量和叶部干物质含量计算的第二偏离系数矩阵和第二均值系数矩阵;
步骤S133:所述烤烟物理指标为根据烟叶展开度、单叶重量、叶质重量和含梗率计算的第三偏离系数矩阵和第三均值系数矩阵;
步骤S134:所述烟叶化学指标为根据糖含量、还原糖含量、烟碱含量、总氮含量、氯含量和钾含量计算的第四偏离系数矩阵和第四均值系数矩阵。
具体而言,干物质分配特征为根据根部干物质含量、茎部干物质含量和叶部干物质含量计算的第二偏离系数矩阵和第二均值系数矩阵。烤烟物理指标为根据烟叶展开度、单叶重量、叶质重量和含梗率计算的第三偏离系数矩阵和第三均值系数矩阵。烟叶化学指标为根据糖含量、还原糖含量、烟碱含量、总氮含量、氯含量和钾含量计算的第四偏离系数矩阵和第四均值系数矩阵。根据均值系数计算公式和偏离系数计算公式分别对干物质分配特征、烤烟物理指标、烟叶化学指标进行计算,即可生成第二偏离系数矩阵、第二均值系数矩阵、第三偏离系数矩阵、第三均值系数矩阵、第四偏离系数矩阵和第四均值系数矩阵。第二偏离系数矩阵、第二均值系数矩阵、第三偏离系数矩阵、第三均值系数矩阵、第四偏离系数矩阵、第四均值系数矩阵与第一偏离系数矩阵、第一均值系数矩阵的获得方式相同,为了说明书的简洁,在此不再赘述。达到了通过均值系数计算公式和偏离系数计算公式,对烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标进行全面分析,获得准确、可靠的烤烟生长状态量化指标,从而提高烤烟生长状况预测的精确度的技术效果。
步骤S200:根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型;
进一步的,本申请步骤S200还包括:
步骤S210:以所述种植方案量化指标和所述施肥方案量化指标为检索自变量,以所述烤烟生长状态量化指标为检索因变量进行数据采集,获取种植方案记录数据集,施肥方案记录数据集与烤烟生长状态记录数据集,其中,所述烤烟生长状态记录数据集,与所述种植方案记录数据集和所述施肥方案记录数据集为多对一的关系;
步骤S220:获取偏离系数聚类阈值和均值系数聚类阈值;
步骤S230:根据所述偏离系数聚类阈值和所述均值系数聚类阈值对相同的所述种植方案记录数据集和所述施肥方案记录数据集的所述烤烟生长状态记录数据集进行聚类分析,获取烤烟生长状态记录数据集聚类结果,其中,所述烤烟生长状态记录数据集聚类结果包括烤烟状态记录数据聚类条数;
步骤S240:筛选所述烤烟状态记录数据聚类条数的最大值作为相同的所述种植方案记录数据集和所述施肥方案记录数据集的唯一因变量,构建训练数据集;
步骤S250:根据所述训练数据集,基于BP神经网络,根据任意一个类型烤烟生长状态量化指标构建一个处理层,根据任意一个类型烤烟生长状态量化指标的任意一个指标分量在处理层构建一个并联网络节点,训练所述烤烟生长状况预测模型。
具体而言,将种植方案量化指标和施肥方案量化指标设置为检索自变量,将烤烟生长状态量化指标设置为检索因变量。基于检索自变量、检索因变量进行数据采集,获得种植方案记录数据集,施肥方案记录数据集、烤烟生长状态记录数据集。其中,所述种植方案记录数据集包括种植方案量化指标对应的多个历史种植方案。所述施肥方案记录数据集包括施肥方案量化指标对应的多个历史施肥方案。所述烤烟生长状态记录数据集包括种植方案记录数据集和施肥方案记录数据集下,烤烟生长状态量化指标对应的多组烤烟生长状态历史数据。且,烤烟生长状态记录数据集,与种植方案记录数据集和施肥方案记录数据集为多对一的关系,即,相同的历史种植方案和历史施肥方案可以具有多组不同的烤烟生长状态历史数据。
进一步,基于种植方案记录数据集和施肥方案记录数据集,对烤烟生长状态记录数据集进行聚类分析,将相同的历史种植方案和历史施肥方案对应的多组烤烟生长状态历史数据归为一类,获得多个初步烤烟生长状态记录数据集聚类结果。每个初步烤烟生长状态记录数据集聚类结果包括相同的历史种植方案和历史施肥方案对应的多组烤烟生长状态历史数据。
进一步,分别按照偏离系数聚类阈值、均值系数聚类阈值对多个初步烤烟生长状态记录数据集聚类结果进行聚类分析,获得偏离系数-烤烟生长状态记录数据集聚类结果和均值系数-烤烟生长状态记录数据集聚类结果。对偏离系数-烤烟生长状态记录数据集聚类结果和均值系数-烤烟生长状态记录数据集聚类结果进行交集求取,获得烤烟生长状态记录数据集聚类结果。示例性地,在获得偏离系数-烤烟生长状态记录数据集聚类结果时,对每个初步烤烟生长状态记录数据集聚类结果内的多组烤烟生长状态历史数据进行偏离系数差值计算,获得多个偏离系数差值。分别判断多个偏离系数差值是否小于偏离系数聚类阈值。如果偏离系数差值小于偏离系数聚类阈值,则,将该偏离系数差值对应的烤烟生长状态历史数据归为一类偏离系数-烤烟生长状态记录数据集聚类结果,并对该偏离系数差值对应的偏离系数进行均值计算,获得聚类偏离系数均值。如果偏离系数差值大于/等于偏离系数聚类阈值,则,将该偏离系数差值对应的烤烟生长状态历史数据归为两类偏离系数-烤烟生长状态记录数据集聚类结果。重复聚类直到任意偏离系数差值大于/等于偏离系数聚类阈值,获得偏离系数-烤烟生长状态记录数据集聚类结果。均值系数-烤烟生长状态记录数据集聚类结果与偏离系数-烤烟生长状态记录数据集聚类结果的获得方式相同,为了说明书的简洁,在此不再赘述。其中,偏离系数聚类阈值、均值系数聚类阈值包括预先设置确定的偏离系数差值对应的阈值、均值系数差值对应的阈值。烤烟生长状态记录数据集聚类结果包括烤烟状态记录数据聚类条数。烤烟状态记录数据聚类条数包括偏离系数-烤烟生长状态记录数据集聚类结果和均值系数-烤烟生长状态记录数据集聚类结果之间的交集。
进一步,筛选烤烟状态记录数据聚类条数的最大值作为相同的种植方案记录数据集和施肥方案记录数据集的唯一因变量,构建训练数据集。根据训练数据集,基于BP神经网络,根据任意一个类型烤烟生长状态量化指标构建一个处理层,根据任意一个类型烤烟生长状态量化指标的任意一个指标分量在处理层构建一个并联网络节点,训练烤烟生长状况预测模型。其中,所述训练数据集包括烤烟状态记录数据聚类条数的最大值对应的烤烟生长状态记录数据集聚类结果。所述BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。所述BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。所述烤烟生长状况预测模型包括输入层、输出层,以及任意一个类型烤烟生长状态量化指标对应的处理层。达到了构建全面、准确的烤烟生长状况预测模型,从而提高烤烟的生长状况预测准确性的技术效果。
步骤S300:获取初始烤烟种植方案和初始烤烟施肥方案;
步骤S400:将所述初始烤烟种植方案和所述初始烤烟施肥方案输入所述烤烟生长状况预测模型,输出烤烟生长状态预测结果;
具体而言,连接烤烟培育管理终端,对烤烟培育管理终端进行初始烤烟培育管理数据查询,获得初始烤烟种植方案和初始烤烟施肥方案。将初始烤烟种植方案和初始烤烟施肥方案输入烤烟生长状况预测模型,获得烤烟生长状态预测结果。
其中,所述烤烟培育管理终端与所述一种烤烟生长状况智能预测系统通信连接。所述烤烟培育管理终端具有智能化烤烟培育管理的功能。所述初始烤烟种植方案包括预先设置确定的种植方案量化指标对应的烤烟种植密度参数、种植环境温度参数、种植环境温度参数、种植环境酸碱度参数、土壤养分含量参数。所述初始烤烟施肥方案包括预先设置确定的施肥方案量化指标对应的肥料组分类型参数、肥料组分比例参数、施肥时间参数、施肥量参数、施肥位置参数。所述烤烟生长状态预测结果包括初始烤烟种植方案和初始烤烟施肥方案下,烤烟生长状态量化指标对应的预测烤烟生长性状、预测干物质分配特征、预测烤烟物理指标和预测烟叶化学指标。预测烤烟生长性状包括预测叶片数量、预测茎围、预测株高、预测叶片数、预测叶长、预测叶宽、预测叶面积、预测叶片厚度,以及预测叶片数量、预测茎围、预测株高、预测叶片数、预测叶长、预测叶宽、预测叶面积、预测叶片厚度中的每一个对应的预测均值系数、预测偏离系数。预测干物质分配特征包括预测根部干物质含量、预测茎部干物质含量、预测叶部干物质含量,以及预测根部干物质含量、预测茎部干物质含量、预测叶部干物质含量中的每一个对应的预测均值系数、预测偏离系数。预测烤烟物理指标包括预测烟叶展开度、预测单叶重量、预测叶质重量、预测含梗率,以及预测烟叶展开度、预测单叶重量、预测叶质重量、预测含梗率中的每一个对应的预测均值系数、预测偏离系数。预测烟叶化学指标包括预测糖含量、预测还原糖含量、预测烟碱含量、预测总氮含量、预测氯含量、预测钾含量,以及预测糖含量、预测还原糖含量、预测烟碱含量、预测总氮含量、预测氯含量、预测钾含量中的每一个对应的预测均值系数、预测偏离系数。达到了通过烤烟生长状况预测模型对初始烤烟种植方案和初始烤烟施肥方案进行多维度预测分析,获得全面、准确的烤烟生长状态预测结果,提高烤烟的生长状况预测质量的技术效果。
步骤S500:当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;
进一步的,本申请步骤S500还包括:
步骤S510:对所述烤烟生长状态量化指标进行正向化处理获取指标转换结果,基于所述指标转换结果构建所述状态期望值,其中,所述状态期望值包括均值系数期望值和偏离系数期望值;
具体而言,对烤烟生长状态量化指标进行正向化处理,获得指标转换结果,并基于指标转换结果设置状态期望值。其中,正向化处理是指对烤烟生长状态量化指标进行量纲去除,同时,对烤烟生长状态量化指标进行正向化,即,使得烤烟生长状态量化指标对应的指标值越大越好。指标转换结果包括正向化、无量纲的烤烟生长状态量化指标。状态期望值包括均值系数期望值和偏离系数期望值。均值系数期望值包括预先设置确定的任意一个类型烤烟生长状态量化指标的任意一个指标分量对应的期望均值系数。偏离系数期望值包括预先设置确定的任意一个类型烤烟生长状态量化指标的任意一个指标分量对应的期望偏离系数。
步骤S520:获取优化适应度函数:
其中,表征第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的任意一个烤烟生长状态量化指标的第l个指标分量的均值系数,Akjl表征第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的第j类型的烤烟生长状态量化指标的第l个指标分量的偏离系数,fit1表征均值系数适应度,fit2表征偏离系数适应度,/>表征均值系数期望值;
步骤S530:根据所述优化适应度函数对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,当满足所述均值系数期望值,且满足所述偏离系数期望值时,优化收敛,获取所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果。
进一步的,本申请步骤S500还包括:
步骤S531:遍历所述种植方案量化指标和所述施肥方案量化指标设定种植方案量化指标约束方向和种植方案量化指标约束步长,以及施肥方案量化指标约束方向和施肥方案量化指标约束步长;
步骤S532:根据所述种植方案量化指标约束方向和所述种植方案量化指标约束步长,和/或所述施肥方案量化指标约束方向和所述施肥方案量化指标约束步长进行随机取值,构建第k组优化方案;
步骤S533:将所述第k组优化方案输入所述烤烟生长状况预测模型,输出第k组烤烟生长状况预测结果;
步骤S534:将所述第k组烤烟生长状况预测结果输入所述优化适应度函数,当所述均值系数适应度等于1,且所述偏离系数适应度小于或等于所述偏离系数期望值时,将所述第k组烤烟生长状况预测结果设为所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果;
步骤S535:当所述均值系数适应度等于0,或/和所述偏离系数适应度小于或等于所述偏离系数期望值时,且k大于或等于预设值时,对所述种植方案量化指标约束方向和所述种植方案量化指标约束步长,和/或所述施肥方案量化指标约束方向和所述施肥方案量化指标约束步长进行调整后继续优化。
具体而言,对烤烟生长状态预测结果是否满足状态期望值进行判断,如果烤烟生长状态预测结果不满足状态期望值,根据优化适应度函数对初始烤烟种植方案和/或初始烤烟施肥方案进行优化分析,获取满足状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果。
遍历种植方案量化指标设置种植方案量化指标约束方向和种植方案量化指标约束步长,遍历施肥方案量化指标设置施肥方案量化指标约束方向和施肥方案量化指标约束步长。继而,对种植方案量化指标约束方向、种植方案量化指标约束步长,和/或施肥方案量化指标约束方向、施肥方案量化指标约束步长进行随机取值,获得第k组优化参数。根据第k组优化参数对初始烤烟种植方案和/或初始烤烟施肥方案进行调整后,获得第k组优化方案。其中,所述种植方案量化指标约束方向包括预先设置确定的种植方案量化指标对应的烤烟种植密度增幅、烤烟种植密度降幅等多个调整幅度信息。所述种植方案量化指标约束步长包括预先设置确定的种植方案量化指标对应的增大烤烟种植密度参数、减小烤烟种植密度参数等多个调整参数信息。同理,所述施肥方案量化指标约束方向包括预先设置确定的施肥方案量化指标的任意一个指标分量对应的多个调整幅度信息。所述施肥方案量化指标约束步长包括预先设置确定的施肥方案量化指标的任意一个指标分量对应的多个调整参数信息。第k组优化参数可以为种植方案量化指标约束方向、种植方案量化指标约束步长,和/或施肥方案量化指标约束方向、施肥方案量化指标约束步长中的任意一个调整幅度信息、任意一个调整参数信息。
进一步,将第k组优化方案输入烤烟生长状况预测模型,获得第k组优化方案对应的第k组烤烟生长状况预测结果。将第k组烤烟生长状况预测结果输入优化适应度函数,获得均值系数适应度、偏离系数适应度。在优化适应度函数中,表征第k组烤烟生长状况预测结果中,第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的任意一个烤烟生长状态量化指标的第l个指标分量的均值系数,Akjl表征第k组烤烟生长状况预测结果中,第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的第j类型的烤烟生长状态量化指标的第l个指标分量的偏离系数,fit1输出的均值系数适应度,fit2输出的偏离系数适应度,表征均值系数期望值。
进一步,当均值系数适应度等于1,且,偏离系数适应度小于或等于偏离系数期望值时,将第k组烤烟生长状况预测结果输出为烤烟种植方案优化结果和/或烤烟施肥方案优化结果。当均值系数适应度等于0,或/和偏离系数适应度小于或等于偏离系数期望值,且k大于或等于预设值时,对种植方案量化指标约束方向和种植方案量化指标约束步长,和/或施肥方案量化指标约束方向和施肥方案量化指标约束步长进行调整后继续优化直至获得烤烟种植方案优化结果和/或烤烟施肥方案优化结果。预设值包括预先设置确定的预设随机取值次数。
达到了当烤烟生长状态预测结果不满足状态期望值时,对初始烤烟种植方案和/或初始烤烟施肥方案进行多次优化分析,获取满足状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果,从而提高烤烟培育管理质量的技术效果。
步骤S600:将所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;
步骤S700:将所述最佳参考数据发送至烤烟培育管理终端。
具体而言,将烤烟种植方案优化结果和/或烤烟施肥方案优化结果,以及优化方案状态预测结果添加至最佳参考数据,并将最佳参考数据发送至烤烟培育管理终端。其中,所述最佳参考数据包括烤烟种植方案优化结果和/或烤烟施肥方案优化结果,以及优化方案状态预测结果。优化方案状态预测结果包括烤烟种植方案优化结果和/或烤烟施肥方案优化结果对应的烤烟生长状况预测结果。达到了获得有效、准确的最佳参考数据,提高烤烟培育管理质量的技术效果。
综上所述,本申请所提供的一种烤烟生长状况智能预测方法具有如下技术效果:
1.通过种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标训练烤烟生长状况预测模型;将初始烤烟种植方案和初始烤烟施肥方案输入烤烟生长状况预测模型,输出烤烟生长状态预测结果;当烤烟生长状态预测结果不满足状态期望值时,对初始烤烟种植方案和/或初始烤烟施肥方案进行优化分析,获取满足状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;将烤烟种植方案优化结果和/或烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据,并将最佳参考数据发送至烤烟培育管理终端。达到了提高烤烟的生长状况预测准确性,为烤烟的培育管理提供有效的参考数据,提高烤烟培育管理质量的技术效果。
2.通过均值系数计算公式和偏离系数计算公式,对烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标进行全面分析,获得准确、可靠的烤烟生长状态量化指标,从而提高烤烟生长状况预测的精确度。
3.通过烤烟生长状况预测模型对初始烤烟种植方案和初始烤烟施肥方案进行多维度预测分析,获得全面、准确的烤烟生长状态预测结果,提高烤烟的生长状况预测质量。
实施例二
基于与前述实施例中一种烤烟生长状况智能预测方法,同样发明构思,本发明还提供了一种烤烟生长状况智能预测系统,请参阅附图3,所述系统包括:
量化指标获取模块11,所述量化指标获取模块11用于获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标;
挖掘训练模块12,所述挖掘训练模块12用于根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型;
初始方案获取模块13,所述初始方案获取模块13用于获取初始烤烟种植方案和初始烤烟施肥方案;
生长状态预测模块14,所述生长状态预测模块14用于将所述初始烤烟种植方案和所述初始烤烟施肥方案输入所述烤烟生长状况预测模型,输出烤烟生长状态预测结果;
优化分析模块15,所述优化分析模块15用于当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;
参考数据获得模块16,所述参考数据获得模块16用于将所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;
数据发送模块17,所述数据发送模块17用于将所述最佳参考数据发送至烤烟培育管理终端。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于所述种植方案量化指标包括烤烟种植密度与种植环境信息中的一个或多个,其中,所述种植环境信息包括温度、湿度、酸碱度和土壤养分含量中的一个或多个;
第二执行模块,所述第二执行模块用于所述施肥方案量化指标包括肥料组分类型、肥料组分比例和施肥流程信息中的一个或多个;
第三执行模块,所述第三执行模块用于所述烤烟生长状态量化指标包括烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标中的一个或多个。
进一步的,所述系统还包括:
第一系数矩阵获得模块,所述第一系数矩阵获得模块用于所述烤烟生长性状为根据叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积和叶片厚度的计算的第一偏离系数矩阵和第一均值系数矩阵;
第二系数矩阵获得模块,所述第二系数矩阵获得模块用于所述干物质分配特征为根据根部干物质含量、茎部干物质含量和叶部干物质含量计算的第二偏离系数矩阵和第二均值系数矩阵;
第三系数矩阵获得模块,所述第三系数矩阵获得模块用于所述烤烟物理指标为根据烟叶展开度、单叶重量、叶质重量和含梗率计算的第三偏离系数矩阵和第三均值系数矩阵;
第四系数矩阵获得模块,所述第四系数矩阵获得模块用于所述烟叶化学指标为根据糖含量、还原糖含量、烟碱含量、总氮含量、氯含量和钾含量计算的第四偏离系数矩阵和第四均值系数矩阵。
进一步的,所述系统还包括:
均值系数计算公式获取模块,所述均值系数计算公式获取模块用于获取均值系数计算公式:
偏离系数计算公式获取模块,所述偏离系数计算公式获取模块用于获取偏离系数计算公式:
其中,A表征任意一个类型烤烟生长状态量化指标的任意一个指标分量的偏离系数,n表征样本总数,xi表征第i个样本的任意一个类型烤烟生长状态量化指标的任意一个指标分量的特征值;
评估模块,所述评估模块用于根据所述均值系数计算公式和所述偏离系数计算公式评估所述烤烟生长性状、所述干物质分配特征、所述烤烟物理指标和所述烟叶化学指标中的一个或多个。
进一步的,所述系统还包括:
数据采集模块,所述数据采集模块用于以所述种植方案量化指标和所述施肥方案量化指标为检索自变量,以所述烤烟生长状态量化指标为检索因变量进行数据采集,获取种植方案记录数据集,施肥方案记录数据集与烤烟生长状态记录数据集,其中,所述烤烟生长状态记录数据集,与所述种植方案记录数据集和所述施肥方案记录数据集为多对一的关系;
聚类阈值获取模块,所述聚类阈值获取模块用于获取偏离系数聚类阈值和均值系数聚类阈值;
聚类分析模块,所述聚类分析模块用于根据所述偏离系数聚类阈值和所述均值系数聚类阈值对相同的所述种植方案记录数据集和所述施肥方案记录数据集的所述烤烟生长状态记录数据集进行聚类分析,获取烤烟生长状态记录数据集聚类结果,其中,所述烤烟生长状态记录数据集聚类结果包括烤烟状态记录数据聚类条数;
第四执行模块,所述第四执行模块用于筛选所述烤烟状态记录数据聚类条数的最大值作为相同的所述种植方案记录数据集和所述施肥方案记录数据集的唯一因变量,构建训练数据集;
第五执行模块,所述第五执行模块用于根据所述训练数据集,基于BP神经网络,根据任意一个类型烤烟生长状态量化指标构建一个处理层,根据任意一个类型烤烟生长状态量化指标的任意一个指标分量在处理层构建一个并联网络节点,训练所述烤烟生长状况预测模型。
进一步的,所述系统还包括:
状态期望值构建模块,所述状态期望值构建模块用于对所述烤烟生长状态量化指标进行正向化处理获取指标转换结果,基于所述指标转换结果构建所述状态期望值,其中,所述状态期望值包括均值系数期望值和偏离系数期望值;
优化适应度函数获取模块,所述优化适应度函数获取模块用于获取优化适应度函数:
其中,表征第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的任意一个烤烟生长状态量化指标的第l个指标分量的均值系数,Akjl表征第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的第j类型的烤烟生长状态量化指标的第l个指标分量的偏离系数,fit1表征均值系数适应度,fit2表征偏离系数适应度,/>表征均值系数期望值;
第六执行模块,所述第六执行模块用于根据所述优化适应度函数对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,当满足所述均值系数期望值,且满足所述偏离系数期望值时,优化收敛,获取所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果。
进一步的,所述系统还包括:
约束设定模块,所述约束设定模块用于遍历所述种植方案量化指标和所述施肥方案量化指标设定种植方案量化指标约束方向和种植方案量化指标约束步长,以及施肥方案量化指标约束方向和施肥方案量化指标约束步长;
随机取值模块,所述随机取值模块用于根据所述种植方案量化指标约束方向和所述种植方案量化指标约束步长,和/或所述施肥方案量化指标约束方向和所述施肥方案量化指标约束步长进行随机取值,构建第k组优化方案;
第k组预测结果输出模块,所述第k组预测结果输出模块用于将所述第k组优化方案输入所述烤烟生长状况预测模型,输出第k组烤烟生长状况预测结果;
优化结果确定模块,所述优化结果确定模块用于将所述第k组烤烟生长状况预测结果输入所述优化适应度函数,当所述均值系数适应度等于1,且所述偏离系数适应度小于或等于所述偏离系数期望值时,将所述第k组烤烟生长状况预测结果设为所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果;
继续优化模块,所述继续优化模块用于当所述均值系数适应度等于0,或/和所述偏离系数适应度小于或等于所述偏离系数期望值时,且k大于或等于预设值时,对所述种植方案量化指标约束方向和所述种植方案量化指标约束步长,和/或所述施肥方案量化指标约束方向和所述施肥方案量化指标约束步长进行调整后继续优化。
本发明实施例所提供的一种烤烟生长状况智能预测系统可执行本发明任意实施例所提供的一种烤烟生长状况智能预测方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种烤烟生长状况智能预测方法,其中,所述方法应用于一种烤烟生长状况智能预测系统,所述方法包括:通过种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标训练烤烟生长状况预测模型;将初始烤烟种植方案和初始烤烟施肥方案输入烤烟生长状况预测模型,输出烤烟生长状态预测结果;当烤烟生长状态预测结果不满足状态期望值时,对初始烤烟种植方案和/或初始烤烟施肥方案进行优化分析,获取满足状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;将烤烟种植方案优化结果和/或烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据,并将最佳参考数据发送至烤烟培育管理终端。解决了现有技术中针对烤烟的生长状况预测准确性不足,无法为烤烟的培育管理提供有效的参考数据的技术问题。达到了提高烤烟的生长状况预测准确性,为烤烟的培育管理提供有效的参考数据,提高烤烟培育管理质量的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种烤烟生长状况智能预测方法,其特征在于,包括:
获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标;
根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型;
获取初始烤烟种植方案和初始烤烟施肥方案;
将所述初始烤烟种植方案和所述初始烤烟施肥方案输入所述烤烟生长状况预测模型,输出烤烟生长状态预测结果;
当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;
将所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;
将所述最佳参考数据发送至烤烟培育管理终端。
2.如权利要求1所述的方法,其特征在于,获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标,包括:
所述种植方案量化指标包括烤烟种植密度与种植环境信息中的一个或多个,其中,所述种植环境信息包括温度、湿度、酸碱度和土壤养分含量中的一个或多个;
所述施肥方案量化指标包括肥料组分类型、肥料组分比例和施肥流程信息中的一个或多个;
所述烤烟生长状态量化指标包括烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标中的一个或多个。
3.如权利要求2所述的方法,其特征在于,所述烤烟生长状态量化指标包括烤烟生长性状、干物质分配特征、烤烟物理指标和烟叶化学指标中的一个或多个,包括:
所述烤烟生长性状为根据叶片数量、茎围、株高、叶片数、叶长、叶宽、叶面积和叶片厚度的计算的第一偏离系数矩阵和第一均值系数矩阵;
所述干物质分配特征为根据根部干物质含量、茎部干物质含量和叶部干物质含量计算的第二偏离系数矩阵和第二均值系数矩阵;
所述烤烟物理指标为根据烟叶展开度、单叶重量、叶质重量和含梗率计算的第三偏离系数矩阵和第三均值系数矩阵;
所述烟叶化学指标为根据糖含量、还原糖含量、烟碱含量、总氮含量、氯含量和钾含量计算的第四偏离系数矩阵和第四均值系数矩阵。
5.如权利要求4所述的方法,其特征在于,根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型,包括:
以所述种植方案量化指标和所述施肥方案量化指标为检索自变量,以所述烤烟生长状态量化指标为检索因变量进行数据采集,获取种植方案记录数据集,施肥方案记录数据集与烤烟生长状态记录数据集,其中,所述烤烟生长状态记录数据集,与所述种植方案记录数据集和所述施肥方案记录数据集为多对一的关系;
获取偏离系数聚类阈值和均值系数聚类阈值;
根据所述偏离系数聚类阈值和所述均值系数聚类阈值对相同的所述种植方案记录数据集和所述施肥方案记录数据集的所述烤烟生长状态记录数据集进行聚类分析,获取烤烟生长状态记录数据集聚类结果,其中,所述烤烟生长状态记录数据集聚类结果包括烤烟状态记录数据聚类条数;
筛选所述烤烟状态记录数据聚类条数的最大值作为相同的所述种植方案记录数据集和所述施肥方案记录数据集的唯一因变量,构建训练数据集;
根据所述训练数据集,基于BP神经网络,根据任意一个类型烤烟生长状态量化指标构建一个处理层,根据任意一个类型烤烟生长状态量化指标的任意一个指标分量在处理层构建一个并联网络节点,训练所述烤烟生长状况预测模型。
6.如权利要求1所述的方法,其特征在于,当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果,包括:
对所述烤烟生长状态量化指标进行正向化处理获取指标转换结果,基于所述指标转换结果构建所述状态期望值,其中,所述状态期望值包括均值系数期望值和偏离系数期望值;
获取优化适应度函数:
其中,表征第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的任意一个烤烟生长状态量化指标的第l个指标分量的均值系数,Akjl表征第k组烤烟种植方案优化结果和/或烤烟施肥方案优化结果的第j类型的烤烟生长状态量化指标的第l个指标分量的偏离系数,fit1表征均值系数适应度,fit2表征偏离系数适应度,/>表征均值系数期望值;
根据所述优化适应度函数对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,当满足所述均值系数期望值,且满足所述偏离系数期望值时,优化收敛,获取所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果。
7.如权利要求6所述的方法,其特征在于,根据所述优化适应度函数对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,当满足所述均值系数期望值,且满足所述偏离系数期望值时,优化收敛,获取所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,包括:
遍历所述种植方案量化指标和所述施肥方案量化指标设定种植方案量化指标约束方向和种植方案量化指标约束步长,以及施肥方案量化指标约束方向和施肥方案量化指标约束步长;
根据所述种植方案量化指标约束方向和所述种植方案量化指标约束步长,和/或所述施肥方案量化指标约束方向和所述施肥方案量化指标约束步长进行随机取值,构建第k组优化方案;
将所述第k组优化方案输入所述烤烟生长状况预测模型,输出第k组烤烟生长状况预测结果;
将所述第k组烤烟生长状况预测结果输入所述优化适应度函数,当所述均值系数适应度等于1,且所述偏离系数适应度小于或等于所述偏离系数期望值时,将所述第k组烤烟生长状况预测结果设为所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果;
当所述均值系数适应度等于0,或/和所述偏离系数适应度小于或等于所述偏离系数期望值时,且k大于或等于预设值时,对所述种植方案量化指标约束方向和所述种植方案量化指标约束步长,和/或所述施肥方案量化指标约束方向和所述施肥方案量化指标约束步长进行调整后继续优化。
8.一种烤烟生长状况智能预测系统,其特征在于,所述系统用于执行权利要求1至7中任一项所述的一种烤烟生长状况智能预测方法,所述系统包括:
量化指标获取模块,所述量化指标获取模块用于获取种植方案量化指标、施肥方案量化指标和烤烟生长状态量化指标;
挖掘训练模块,所述挖掘训练模块用于根据所述种植方案量化指标、所述施肥方案量化指标和所述烤烟生长状态量化指标基于频繁性挖掘,训练烤烟生长状况预测模型;
初始方案获取模块,所述初始方案获取模块用于获取初始烤烟种植方案和初始烤烟施肥方案;
生长状态预测模块,所述生长状态预测模块用于将所述初始烤烟种植方案和所述初始烤烟施肥方案输入所述烤烟生长状况预测模型,输出烤烟生长状态预测结果;
优化分析模块,所述优化分析模块用于当所述烤烟生长状态预测结果不满足状态期望值时,对所述初始烤烟种植方案和/或所述初始烤烟施肥方案进行优化分析,获取满足所述状态期望值的烤烟种植方案优化结果和/或烤烟施肥方案优化结果;
参考数据获得模块,所述参考数据获得模块用于将所述烤烟种植方案优化结果和/或所述烤烟施肥方案优化结果,以及优化方案状态预测结果添加进最佳参考数据;
数据发送模块,所述数据发送模块用于将所述最佳参考数据发送至烤烟培育管理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429013.XA CN116432851A (zh) | 2023-04-20 | 2023-04-20 | 一种烤烟生长状况智能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429013.XA CN116432851A (zh) | 2023-04-20 | 2023-04-20 | 一种烤烟生长状况智能预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432851A true CN116432851A (zh) | 2023-07-14 |
Family
ID=87090646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310429013.XA Pending CN116432851A (zh) | 2023-04-20 | 2023-04-20 | 一种烤烟生长状况智能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432851A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116941483A (zh) * | 2023-08-10 | 2023-10-27 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农作物智能种植方法和系统 |
-
2023
- 2023-04-20 CN CN202310429013.XA patent/CN116432851A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116941483A (zh) * | 2023-08-10 | 2023-10-27 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农作物智能种植方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN110782658A (zh) | 一种基于LightGBM算法的交通量预测方法 | |
CN116432851A (zh) | 一种烤烟生长状况智能预测方法及系统 | |
CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
CN113435707A (zh) | 基于深度学习和计权型多因子评价的测土配方施肥方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN116227692A (zh) | 一种农作物重金属富集风险量化方法、系统及可存储介质 | |
CN113792480B (zh) | 一种极端气候与复合极端气候综合预警系统的预警方法 | |
Pravallika et al. | Deep neural network model for proficient crop yield prediction | |
CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 | |
CN113379188B (zh) | 基于物联网的烟草轮作种植方法和系统 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN112149870B (zh) | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 | |
Mohapatra et al. | Statistical analysis and evaluation of feature selection techniques and implementing machine learning algorithms to predict the crop yield using accuracy metrics | |
CN115879750B (zh) | 一种水产育苗环境监控管理系统及方法 | |
Zhang et al. | Suitability Evaluation of Crop Variety via Graph Neural Network | |
CN114611804A (zh) | 基于tso-grnn组合模型的玉米产量预测方法 | |
CN112633549A (zh) | 基于统计规律的负荷概率区间建模方法 | |
Bowden et al. | An evaluation of methods for the selection of inputs for an artificial neural network based river model | |
CN116662784B (zh) | 一种耕地质量监测方法及系统 | |
WO2024130569A1 (zh) | 一种高维小样本时间序列的因果关系网络分析方法 |
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 |