CN116662784B - 一种耕地质量监测方法及系统 - Google Patents
一种耕地质量监测方法及系统 Download PDFInfo
- Publication number
- CN116662784B CN116662784B CN202310658719.3A CN202310658719A CN116662784B CN 116662784 B CN116662784 B CN 116662784B CN 202310658719 A CN202310658719 A CN 202310658719A CN 116662784 B CN116662784 B CN 116662784B
- Authority
- CN
- China
- Prior art keywords
- quality
- cultivated
- monitoring
- cultivated land
- value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002689 soil Substances 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 238000003971 tillage Methods 0.000 claims 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
本发明提供了一种耕地质量监测方法及系统,属于信息处理分析技术领域,本发明中将耕地样本划分为多个子块,对每个耕地子块均采集耕地质量监测数据,从而实现对整个耕地具备全面的质量监测数据,对每种耕地质量监测数据序列提取特征值,凸显每种耕地质量监测数据的特征,采用耕地质量监测模型处理精简且特征明显的特征样本,提高对耕地的质量等级预测的精度。
Description
技术领域
本发明涉及信息处理分析技术领域,具体而言,涉及一种耕地质量监测方法及系统。
背景技术
耕地质量体现地区的农业发展水平和农业的生产量,耕地质量的影响有多方面,其中土壤水分、土壤温度、土壤PH值和土壤导电率对耕地质量有较大影响,直接影响农业产量。
现有耕地质量监测方法虽然综合了多方面的影响因素,但是其仅简单对每种影响因素分配不同权重,从而实现对耕地的质量等级的预测,存在对耕地的质量等级预测精度不高的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种耕地质量监测方法及系统解决了现有耕地质量监测方法存在对耕地的质量等级预测精度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种耕地质量监测方法,包括以下步骤:
S1、将耕地样本划分为多个子块,得到多个耕地子块;
S2、对每个耕地子块采集耕地质量监测数据,构建耕地质量监测数据序列;
S3、对每种耕地质量监测数据序列提取特征值,构建耕地质量特征样本;
S4、根据耕地质量特征样本,设置参数寻优目标模型,得到耕地质量监测模型参数;
S5、采用耕地质量监测模型处理待测耕地的耕地质量特征样本,得到待测耕地的质量等级。
进一步地,所述S2中耕地质量监测数据的类型包括:土壤水分数据、土壤温度数据、土壤PH值和土壤导电率。
进一步地,所述S2中耕地质量监测数据序列为Xi={x1,i,…,xj,i,…xN,i},其中,Xi为第i种类型的耕地质量监测数据序列,x1,i为第1个耕地子块的第i种类型耕地质量监测数据,xj,i为第j个耕地子块的第i种类型耕地质量监测数据,xN,i为第N个耕地子块的第i种类型耕地质量监测数据,N为耕地子块的数量。
进一步地,所述S3中特征值包括:均值、最大值、最小值、分布特征值和峰值特征值;
均值的计算公式为:
其中,为第i种类型的耕地质量监测数据序列的均值,xj,i为第j个耕地子块的第i种类型耕地质量监测数据,N为耕地子块的数量;
所述最大值的计算公式为:
xi,max=max{x1,i,…,xj,i,…xN,i}
其中,xi,max为第i种类型的耕地质量监测数据序列中最大值,max{}为取序列的最大值;
所述最小值的计算公式为:
xi,min=min{x1,i,…,xj,i,…xN,i}
其中,xi,min为第i种类型的耕地质量监测数据序列中最小值,min{}为取序列的最小值;
所述分布特征值的计算公式为:
其中,xi,d为第i种类型的耕地质量监测数据序列的分布特征值;
所述峰值特征值的计算公式为:
其中,xi,p为第i种类型的耕地质量监测数据序列的峰值特征值;
所述耕地质量特征样本为:其中,Ci为第i种类型的耕地质量特征样本。
上述进一步地方案的有益效果为:提取每种耕地质量监测数据序列的均值、最大值、最小值、分布特征值和峰值特征值,用5个特征值表征一种类型的耕地质量监测数据序列,达到精简数据,且凸显数据特征的作用,均值用于体现耕地数据整体的平均水平,最大值和最小值用于体现耕地数据上下限,通过分布特征值体现耕地数据整体上的波动情况,其是否存在较大的起伏,通过峰值特征值体现耕地数据自身的水平,通过耕地数据的4次方,放大耕地数据本身,使得各个数据区分明显,便于分级。
进一步地,所述S4中耕地质量监测模型为:
其中,y为耕地质量监测模型的输出,Wi,1为均值权重,Wi,2为最小值权重,Wi,3为最大值权重,tanh为双曲正切函数,Wi,4为分布特征权重,Wi,5为峰值特征权重,为第i种类型的耕地质量监测数据序列的均值,xi,max为第i种类型的耕地质量监测数据序列中最大值,xi,min为第i种类型的耕地质量监测数据序列中最小值,xi,d为第i种类型的耕地质量监测数据序列的分布特征值,xi,p为第i种类型的耕地质量监测数据序列的峰值特征值,θi为第i个内层偏置,Wi为第i个外层权重,ζi为第i个外层偏置,M为耕地质量监测数据的类型数量。
上述进一步地方案的有益效果为:本发明设置了内层权重偏置和外层权重偏置,内层权重和偏置包括:Wi,1,Wi,2,Wi,3,Wi,4,Wi,5,θi,外层权重和偏置包括Wi,ζi,对于每种类型的耕地质量特征样本,其均有5个内层权重和1个内层偏置,本发明先采用双曲正切函数对每个特征量进行处理,得到每个特征量的份额,再分别对其施加权重,得到每种类型的耕地质量特征样本对应的中间预测耕地的质量等级,再对每种中间预测耕地的质量等级赋予不同权重和偏置,从而综合考量各个类型的耕地质量监测数据,本发明的耕地质量监测模型内层实现对各个特征值赋予不同权重,外层实现对各个类型的中间预测耕地的质量等级赋予不同权重和偏置,实现多个维度多种数据类型的耕地质量等级预测,提高耕地的质量等级预测精度。
进一步地,所述S4包括以下分步骤:
S41、构建参数集合{Wi,Wi,1,Wi,2,Wi,3,Wi,4,Wi,5,θi,ζi},i=1,…,M,并赋予初值;
S42、将耕地质量特征样本输入当前的耕地质量监测模型中;
S43、根据耕地质量监测模型当前的输出,计算参数寻优目标模型的目标值;
S44、判断目标值是否低于目标阈值,若是,则得到耕地质量监测模型参数,若否,则对参数集合中元素进行更新,并跳转至步骤S42。
上述进一步地方案的有益效果为:本发明中先赋予参数集合中各个元素初值,并将耕地质量特征样本输入到耕地质量监测模型,根据当前耕地质量监测模型的输出,计算参数寻优目标模型的目标值,通过目标值反应参数集合中各个元素当前合适的程度,在目标值低于目标阈值时,认定当前参数集合中各个元素的值为使得耕地质量监测模型预测精度较高的值,在目标值高于目标阈值时,对元素进行更新,通过不断更新,找到合适的值。
进一步地,所述S43中参数寻优目标模型为:
其中,Ek为第k次迭代参数寻优目标模型输出的目标值,ln为对数函数,yk-n为第k-n次迭代耕地质量监测模型的输出,y′k-n为第k-n次迭代时耕地质量特征样本对应的耕地质量等级,e为自然常数,L为统计的迭代次数,k为实际迭代次数的编号,n为统计的迭代次数的编号。
上述进一步地方案的有益效果为:本发明中的参数寻优目标模型设置和/>使得无论在yk-n大于y′k-n的情况下,还是y′k-n大于yk-n的情况下,均能够体现出输出与实际耕地质量等级的差距,同时设置差值的3次方,进一步增强差距,以第k次迭代作为当前正在迭代的次数,统计L+1次的迭代情况,综合评判目标值,使得参数寻优目标模型能找到使得耕地质量监测模型预测精度较高的参数。
进一步地,所述S44中对参数集合中元素进行更新的方式包括:交叉操作和变异操作。
进一步地,所述交叉操作的公式为:
其中,Pc为交叉概率,Pc,o为初始交叉概率,Pc,max为最大交叉概率,Pc,min为最小交叉概率,Ek为第k次迭代参数寻优目标模型输出的目标值;
所述变异操作的公式为:
其中,Pv为变异概率,Pv,o为初始变异概率,Pv,max为最大变异概率,Pv,min为最小变异概率,Ek为第k次迭代参数寻优目标模型输出的目标值。
上述进一步地方案的有益效果为:本发明设置了自适应调节的交叉概率和变异概率,在目标值越大时,交叉和变异概率越大,使得参数集合元素快速变化,在目标值越小时,交叉和变异概率越小,使得参数集合元素缓慢变化,通过快速变化,确定数值范围,通过缓慢变化找到最优值。
一种耕地质量监测方法的系统,包括:耕地划分单元、数据序列构建单元、特征样本构建单元、参数寻优单元和质量等级预测单元;
所述耕地划分单元用于将耕地样本划分为多个子块,得到多个耕地子块;所述数据序列构建单元用于对每个耕地子块采集的耕地质量监测数据,构建耕地质量监测数据序列;所述特征样本构建单元用于对每种耕地质量监测数据序列提取特征值,构建耕地质量特征样本;所述参数寻优单元用于根据耕地质量特征样本,设置参数寻优目标模型,得到耕地质量监测模型参数;所述质量等级预测单元用于采用耕地质量监测模型处理待测耕地的耕地质量特征样本,得到待测耕地的质量等级。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明中将耕地样本划分为多个子块,对每个耕地子块均采集耕地质量监测数据,从而实现对整个耕地具备全面的质量监测数据,对每种耕地质量监测数据序列提取特征值,凸显每种耕地质量监测数据的特征,采用耕地质量监测模型处理精简且特征明显的特征样本,提高对耕地的质量等级预测的精度。
附图说明
图1为一种耕地质量监测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种耕地质量监测方法,包括以下步骤:
S1、将耕地样本划分为多个子块,得到多个耕地子块;
S2、对每个耕地子块采集耕地质量监测数据,构建耕地质量监测数据序列;
所述S2中耕地质量监测数据的类型包括:土壤水分数据、土壤温度数据、土壤PH值和土壤导电率。
所述S2中耕地质量监测数据序列为Xi={x1,i,…,xj,i,…xN,i},其中,Xi为第i种类型的耕地质量监测数据序列,x1,i为第1个耕地子块的第i种类型耕地质量监测数据,xj,i为第j个耕地子块的第i种类型耕地质量监测数据,xN,i为第N个耕地子块的第i种类型耕地质量监测数据,N为耕地子块的数量,即每种类型耕地质量监测数据在每个耕地子块上均有一个采样点。
S3、对每种耕地质量监测数据序列提取特征值,构建耕地质量特征样本;
所述S3中特征值包括:均值、最大值、最小值、分布特征值和峰值特征值;
均值的计算公式为:
其中,为第i种类型的耕地质量监测数据序列的均值,xj,i为第j个耕地子块的第i种类型耕地质量监测数据,N为耕地子块的数量;
所述最大值的计算公式为:
xi,max=max{x1,i,…,xj,i,…xN,i}
其中,xi,max为第i种类型的耕地质量监测数据序列中最大值,max{}为取序列的最大值;
所述最小值的计算公式为:
xi,min=min{x1,i,…,xj,i,…xN,i}
其中,xi,min为第i种类型的耕地质量监测数据序列中最小值,min{}为取序列的最小值;
所述分布特征值的计算公式为:
其中,xi,d为第i种类型的耕地质量监测数据序列的分布特征值;
所述峰值特征值的计算公式为:
其中,xi,p为第i种类型的耕地质量监测数据序列的峰值特征值;
所述耕地质量特征样本为:其中,Ci为第i种类型的耕地质量特征样本。
本发明提取每种耕地质量监测数据序列的均值、最大值、最小值、分布特征值和峰值特征值,用5个特征值表征一种类型的耕地质量监测数据序列,达到精简数据,且凸显数据特征的作用,均值用于体现耕地数据整体的平均水平,最大值和最小值用于体现耕地数据上下限,通过分布特征值体现耕地数据整体上的波动情况,其是否存在较大的起伏,通过峰值特征值体现耕地数据自身的水平,通过耕地数据的4次方,放大耕地数据本身,使得各个数据区分明显,便于分级。
S4、根据耕地质量特征样本,设置参数寻优目标模型,得到耕地质量监测模型参数;
所述S4中耕地质量监测模型为:
其中,y为耕地质量监测模型的输出,Wi,1为均值权重,Wi,2为最小值权重,Wi,3为最大值权重,tanh为双曲正切函数,Wi,4为分布特征权重,Wi,5为峰值特征权重,为第i种类型的耕地质量监测数据序列的均值,xi,max为第i种类型的耕地质量监测数据序列中最大值,xi,min为第i种类型的耕地质量监测数据序列中最小值,xi,d为第i种类型的耕地质量监测数据序列的分布特征值,xi,p为第i种类型的耕地质量监测数据序列的峰值特征值,θi为第i个内层偏置,Wi为第i个外层权重,ζi为第i个外层偏置,M为耕地质量监测数据的类型数量。
本发明设置了内层权重偏置和外层权重偏置,内层权重和偏置包括:Wi,1,Wi,2,Wi,3,Wi,4,Wi,5,θi,外层权重和偏置包括Wi,ζi,对于每种类型的耕地质量特征样本,其均有5个内层权重和1个内层偏置,本发明先采用双曲正切函数对每个特征量进行处理,得到每个特征量的份额,再分别对其施加权重,得到每种类型的耕地质量特征样本对应的中间预测耕地的质量等级,再对每种中间预测耕地的质量等级赋予不同权重和偏置,从而综合考量各个类型的耕地质量监测数据,本发明的耕地质量监测模型内层实现对各个特征值赋予不同权重,外层实现对各个类型的中间预测耕地的质量等级赋予不同权重和偏置,实现多个维度多种数据类型的耕地质量等级预测,提高耕地的质量等级预测精度。
所述S4包括以下分步骤:
S41、构建参数集合{Wi,Wi,1,Wi,2,Wi,3,Wi,4,Wi,5,θi,ζi},i=1,…,M,并赋予初值;
S42、将耕地质量特征样本输入当前的耕地质量监测模型中;
S43、根据耕地质量监测模型当前的输出,计算参数寻优目标模型的目标值;
S44、判断目标值是否低于目标阈值,若是,则得到耕地质量监测模型参数,若否,则对参数集合中元素进行更新,并跳转至步骤S42。
本发明中先赋予参数集合中各个元素初值,并将耕地质量特征样本输入到耕地质量监测模型,根据当前耕地质量监测模型的输出,计算参数寻优目标模型的目标值,通过目标值反应参数集合中各个元素当前合适的程度,在目标值低于目标阈值时,认定当前参数集合中各个元素的值为使得耕地质量监测模型预测精度较高的值,在目标值高于目标阈值时,对元素进行更新,通过不断更新,找到合适的值。
所述S43中参数寻优目标模型为:
其中,Ek为第k次迭代参数寻优目标模型输出的目标值,ln为对数函数,yk-n为第k-n次迭代耕地质量监测模型的输出,y′k-n为第k-n次迭代时耕地质量特征样本对应的耕地质量等级,e为自然常数,L为统计的迭代次数,k为实际迭代次数的编号,n为统计的迭代次数的编号。
本发明中的参数寻优目标模型设置和/>使得无论在yk-n大于y′k-n的情况下,还是y′k-n大于yk-n的情况下,均能够体现出输出与实际耕地质量等级的差距,同时设置差值的3次方,进一步增强差距,以第k次迭代作为当前正在迭代的次数,统计L+1次的迭代情况,综合评判目标值,使得参数寻优目标模型能找到使得耕地质量监测模型预测精度较高的参数。
所述S44中对参数集合中元素进行更新的方式包括:交叉操作和变异操作。
所述交叉操作的公式为:
其中,Pc为交叉概率,Pc,o为初始交叉概率,Pc,max为最大交叉概率,Pc,min为最小交叉概率,Ek为第k次迭代参数寻优目标模型输出的目标值;
所述变异操作的公式为:
其中,Pv为变异概率,Pv,o为初始变异概率,Pv,max为最大变异概率,Pv,min为最小变异概率,Ek为第k次迭代参数寻优目标模型输出的目标值。
本发明设置了自适应调节的交叉概率和变异概率,在目标值越大时,交叉和变异概率越大,使得参数集合元素快速变化,在目标值越小时,交叉和变异概率越小,使得参数集合元素缓慢变化,通过快速变化,确定数值范围,通过缓慢变化找到最优值。
S5、采用耕地质量监测模型处理待测耕地的耕地质量特征样本,得到待测耕地的质量等级。
一种耕地质量监测方法的系统,包括:耕地划分单元、数据序列构建单元、特征样本构建单元、参数寻优单元和质量等级预测单元;
所述耕地划分单元用于将耕地样本划分为多个子块,得到多个耕地子块;所述数据序列构建单元用于对每个耕地子块采集的耕地质量监测数据,构建耕地质量监测数据序列;所述特征样本构建单元用于对每种耕地质量监测数据序列提取特征值,构建耕地质量特征样本;所述参数寻优单元用于根据耕地质量特征样本,设置参数寻优目标模型,得到耕地质量监测模型参数;所述质量等级预测单元用于采用耕地质量监测模型处理待测耕地的耕地质量特征样本,得到待测耕地的质量等级。
在本实施例中,系统的具体实现过程与方法的具体实现过程一致。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明中将耕地样本划分为多个子块,对每个耕地子块均采集耕地质量监测数据,从而实现对整个耕地具备全面的质量监测数据,对每种耕地质量监测数据序列提取特征值,凸显每种耕地质量监测数据的特征,采用耕地质量监测模型处理精简且特征明显的特征样本,提高对耕地的质量等级预测的精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种耕地质量监测方法,其特征在于,包括以下步骤:
S1、将耕地样本划分为多个子块,得到多个耕地子块;
S2、对每个耕地子块采集耕地质量监测数据,构建耕地质量监测数据序列;
S3、对每种耕地质量监测数据序列提取特征值,构建耕地质量特征样本;
S4、根据耕地质量特征样本,设置参数寻优目标模型,得到耕地质量监测模型参数;
S5、采用耕地质量监测模型处理待测耕地的耕地质量特征样本,得到待测耕地的质量等级;
所述S3中特征值包括:均值、最大值、最小值、分布特征值和峰值特征值;
所述均值的计算公式为:
其中,为第/>种类型的耕地质量监测数据序列的均值,/>为第/>个耕地子块的第/>种类型耕地质量监测数据,/>为耕地子块的数量;
所述最大值的计算公式为:
其中,为第/>种类型的耕地质量监测数据序列中最大值,/>为取序列的最大值;
所述最小值的计算公式为:
其中,为第/>种类型的耕地质量监测数据序列中最小值,/>为取序列的最小值;
所述分布特征值的计算公式为:
其中,为第/>种类型的耕地质量监测数据序列的分布特征值;
所述峰值特征值的计算公式为:
其中,为第/>种类型的耕地质量监测数据序列的峰值特征值;
所述耕地质量特征样本为:,其中,/>为第/>种类型的耕地质量特征样本。
2.根据权利要求1所述的耕地质量监测方法,其特征在于,所述S2中耕地质量监测数据的类型包括:土壤水分数据、土壤温度数据、土壤PH值和土壤导电率。
3.根据权利要求1所述的耕地质量监测方法,其特征在于,所述S2中耕地质量监测数据序列为,其中,/>为第/>种类型的耕地质量监测数据序列,/>为第1个耕地子块的第/>种类型耕地质量监测数据,/>为第/>个耕地子块的第/>种类型耕地质量监测数据,/>为第/>个耕地子块的第/>种类型耕地质量监测数据,/>为耕地子块的数量。
4.根据权利要求1所述的耕地质量监测方法,其特征在于,所述S4中耕地质量监测模型为:
其中,为耕地质量监测模型的输出,/>为均值权重,/>为最小值权重,/>为最大值权重,/>为双曲正切函数,/>为分布特征权重,/>为峰值特征权重,/>为第/>种类型的耕地质量监测数据序列的均值,/>为第/>种类型的耕地质量监测数据序列中最大值,/>为第/>种类型的耕地质量监测数据序列中最小值,/>为第/>种类型的耕地质量监测数据序列的分布特征值,/>为第/>种类型的耕地质量监测数据序列的峰值特征值,/>为第/>个内层偏置,/>为第/>个外层权重,/>为第/>个外层偏置,/>为耕地质量监测数据的类型数量。
5.根据权利要求4所述的耕地质量监测方法,其特征在于,所述S4包括以下分步骤:
S41、构建参数集合,并赋予初值;
S42、将耕地质量特征样本输入当前的耕地质量监测模型中;
S43、根据耕地质量监测模型当前的输出,计算参数寻优目标模型的目标值;
S44、判断目标值是否低于目标阈值,若是,则得到耕地质量监测模型参数,若否,则对参数集合中元素进行更新,并跳转至步骤S42。
6.根据权利要求5所述的耕地质量监测方法,其特征在于,所述S43中参数寻优目标模型为:
其中,为第/>次迭代参数寻优目标模型输出的目标值,/>为对数函数,/>为第次迭代耕地质量监测模型的输出,/>为第/>次迭代时耕地质量特征样本对应的耕地质量等级,/>为自然常数,/>为统计的迭代次数,/>为实际迭代次数的编号,/>为统计的迭代次数的编号。
7.根据权利要求6所述的耕地质量监测方法,其特征在于,所述S44中对参数集合中元素进行更新的方式包括:交叉操作和变异操作。
8.根据权利要求7所述的耕地质量监测方法,其特征在于,所述交叉操作的公式为:
其中,为交叉概率,/>为初始交叉概率,/>为最大交叉概率,/>为最小交叉概率,/>为第/>次迭代参数寻优目标模型输出的目标值;
所述变异操作的公式为:
其中,为变异概率,/>为初始变异概率,/>为最大变异概率,/>为最小变异概率,/>为第/>次迭代参数寻优目标模型输出的目标值。
9.一种根据权利要求1~8任一项所述的耕地质量监测方法的系统,其特征在于,包括:耕地划分单元、数据序列构建单元、特征样本构建单元、参数寻优单元和质量等级预测单元;
所述耕地划分单元用于将耕地样本划分为多个子块,得到多个耕地子块;所述数据序列构建单元用于对每个耕地子块采集的耕地质量监测数据,构建耕地质量监测数据序列;所述特征样本构建单元用于对每种耕地质量监测数据序列提取特征值,构建耕地质量特征样本;所述参数寻优单元用于根据耕地质量特征样本,设置参数寻优目标模型,得到耕地质量监测模型参数;所述质量等级预测单元用于采用耕地质量监测模型处理待测耕地的耕地质量特征样本,得到待测耕地的质量等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658719.3A CN116662784B (zh) | 2023-06-05 | 2023-06-05 | 一种耕地质量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658719.3A CN116662784B (zh) | 2023-06-05 | 2023-06-05 | 一种耕地质量监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662784A CN116662784A (zh) | 2023-08-29 |
CN116662784B true CN116662784B (zh) | 2023-10-27 |
Family
ID=87718722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310658719.3A Active CN116662784B (zh) | 2023-06-05 | 2023-06-05 | 一种耕地质量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662784B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及系统 |
CN110133027A (zh) * | 2019-05-14 | 2019-08-16 | 江苏省地质调查研究院 | 一种准确测定耕地重金属污染状况的方法 |
CN113496348A (zh) * | 2021-05-19 | 2021-10-12 | 李广乾 | 一种耕地质量管理系统及方法 |
CN114066327A (zh) * | 2021-12-20 | 2022-02-18 | 北京中宇瑞德建筑设计有限公司 | 一种区域耕地质量评价方法及系统 |
CN114461741A (zh) * | 2022-01-24 | 2022-05-10 | 北京师范大学 | 一种监测样点布设方法及装置 |
CN114580834A (zh) * | 2022-01-14 | 2022-06-03 | 北京市农林科学院信息技术研究中心 | 耕地质量等级评价方法、装置及电子设备 |
CN114943493A (zh) * | 2022-07-25 | 2022-08-26 | 广州地量行城乡规划有限公司 | 一种耕地质量等别监测评价系统及方法 |
CN115953064A (zh) * | 2022-12-29 | 2023-04-11 | 云南瀚哲科技有限公司 | 一种耕地质量综合治理及优化调控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030441B (zh) * | 2021-03-27 | 2023-12-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种耕地土壤健康的评价方法 |
-
2023
- 2023-06-05 CN CN202310658719.3A patent/CN116662784B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及系统 |
CN110133027A (zh) * | 2019-05-14 | 2019-08-16 | 江苏省地质调查研究院 | 一种准确测定耕地重金属污染状况的方法 |
CN113496348A (zh) * | 2021-05-19 | 2021-10-12 | 李广乾 | 一种耕地质量管理系统及方法 |
CN114066327A (zh) * | 2021-12-20 | 2022-02-18 | 北京中宇瑞德建筑设计有限公司 | 一种区域耕地质量评价方法及系统 |
CN114580834A (zh) * | 2022-01-14 | 2022-06-03 | 北京市农林科学院信息技术研究中心 | 耕地质量等级评价方法、装置及电子设备 |
CN114461741A (zh) * | 2022-01-24 | 2022-05-10 | 北京师范大学 | 一种监测样点布设方法及装置 |
CN114943493A (zh) * | 2022-07-25 | 2022-08-26 | 广州地量行城乡规划有限公司 | 一种耕地质量等别监测评价系统及方法 |
CN115953064A (zh) * | 2022-12-29 | 2023-04-11 | 云南瀚哲科技有限公司 | 一种耕地质量综合治理及优化调控方法 |
Non-Patent Citations (2)
Title |
---|
基于GIS的耕地质量评价单元确定方法对比研究;李玮 等;《中国农业信息》;第34卷(第05期);全文 * |
基于神经网络和遗传算法的耕地分等评价研究;刘廷祥;《中国优秀硕士学位论文全文数据库 信息科技辑》(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662784A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
CN108090628A (zh) | 一种基于pso-lssvm算法的粮情安全检测分析方法 | |
CN116307191B (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
CN111915058A (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
CN113313287B (zh) | 一种灰飞虱种群数量短期预测模型的构建方法 | |
CN113435825B (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 | |
CN116662784B (zh) | 一种耕地质量监测方法及系统 | |
CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN117333321A (zh) | 基于机器学习的农业灌溉用水量估算方法、系统及介质 | |
CN117371727A (zh) | 一种基于物联网的智慧农业监测与规划方法及系统 | |
CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN110807561A (zh) | 基于贝叶斯网络的玉米病虫害预警分析方法 | |
CN116776581A (zh) | 一种知识和数据融合驱动的洪水预报模型参数在线优化方法 | |
Priyadharshini et al. | An Enhanced Approach for Crop Yield Prediction System Using Linear Support Vector Machine Model | |
CN114372611A (zh) | 水资源优化分配方法和装置 | |
CN117784290B (zh) | 一种基于贝叶斯神经网络的骤旱预警方法及系统 | |
CN113298280A (zh) | 农业育种大数据的深度挖掘与智能决策算法 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 | |
CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
CN117745148B (zh) | 基于多源数据的稻茬烤烟种植质量评价方法及系统 | |
CN116596141B (zh) | 一种基于物联网与多模型耦合的板蓝根产量预测系统 | |
CN116341994B (zh) | 一种基于客水分流的河流水生态治理方法及系统 |
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 |