CN116703639A - 一种基于深度学习的土壤肥力评估与施肥建议系统及方法 - Google Patents
一种基于深度学习的土壤肥力评估与施肥建议系统及方法 Download PDFInfo
- Publication number
- CN116703639A CN116703639A CN202310989163.6A CN202310989163A CN116703639A CN 116703639 A CN116703639 A CN 116703639A CN 202310989163 A CN202310989163 A CN 202310989163A CN 116703639 A CN116703639 A CN 116703639A
- Authority
- CN
- China
- Prior art keywords
- soil
- fertilization
- data
- model
- deep learning
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 155
- 230000004720 fertilization Effects 0.000 title claims abstract description 107
- 230000035558 fertility Effects 0.000 title claims abstract description 74
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000002688 persistence Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 19
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 14
- 239000003337 fertilizer Substances 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- 239000011591 potassium Substances 0.000 claims description 7
- 229910052700 potassium Inorganic materials 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000012010 growth Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 239000011701 zinc Substances 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012271 agricultural production Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的土壤肥力评估与施肥建议系统及方法,所述系统,包括:数据采集和预处理模块,深度学习模块,土壤肥力评估和施肥建议模块,实时监测和调整模块。本发明的系统具备实时监测和调整功能,可以根据土壤肥力的变化进行及时调整,保持施肥效果的稳定性和持续性,利用深度学习算法代替现有的主观经验方法,采集土壤样本并获取个性化的施肥建议,提高了施肥评估的准确性和精度,可以应用于农业生产中的各类作物,为农民提供准确的土壤肥力评估和个性化的施肥建议,以提高农作物的产量和质量,为农业规模化、产业化发展提供基础性支撑。
Description
技术领域
本发明属于农作物高产技术领域,具体涉及一种基于深度学习的土壤肥力评估与施肥建议系统及方法。
背景技术
土壤肥力,即土壤供应植物生长所需养分的能力,是评估土壤肥沃性的关键指标,涵盖土壤的基本属性和本质特征。它在为植物提供养分、水分、空气和热量方面起着关键作用,同时综合反映了土壤的物理、化学和生物性质,以及土壤作为自然资源和农业生产基础的重要性。
现有的土壤施肥方法具备丰富的经验和较低的成本优势,但存在精准度有限、操作耗时以及环境影响等局限。特别是在处理大量实时土壤数据方面,现有方法显得力不从心,难以充分发挥数据挖掘和深度学习等现代技术的优势。利用深度学习等先进技术可以提升土壤肥力评估的准确性和决策效率,为农业生产提供更可持续的施肥建议。
在现代农业生产中,合理施肥对于增加农作物产量和品质至关重要。然而,目前的施肥方法主要基于经验和感觉,缺乏确切的土壤肥力评估和个性化的施肥方案。借助深度学习等技术,能够更准确地了解土壤的肥力情况,为农作物的生长提供更精细的支持。
发明内容
为解决上述技术问题,本发明提供了一种基于深度学习的土壤肥力评估与施肥建议系统及方法,将深度学习与土壤指标数据相结合,使得能够对土壤实现精准增肥,促进农作物健康茁壮生长,并能够避免使用经验和感觉施肥造成的肥料浪费,为土壤增肥、作物增产提供技术支持。
本发明采用的技术方案为:一种基于深度学习的土壤肥力评估与施肥建议系统,包括:数据采集和预处理模块,深度学习模块,土壤肥力评估和施肥建议模块,实时监测和调整模块。
所述数据采集和预处理模块用于数据的采集和数据预处理;所述深度学习模块用于特征提取,构建多头神经网络模型,对模型进行训练和评估;所述土壤肥力评估和施肥建议模块使用训练好的模型对土壤进行施肥建议;实时监测和调整模块实时监控土壤的指标,并及时对土壤施肥进行调整。
进一步地,所述系统中各子模块具体如下:
数据采集和预处理模块包括:数据采集单元,数据预处理单元;深度学习模块包括:特征提取单元,模型训练单元,模型评估单元;土壤肥力评估和施肥建议模块包括:土壤肥力评估单元,施肥建议单元,进行施肥单元;实时监测和调整模块包括:监控土壤肥力单元,调整施肥单元。
本发明还提供了一种利用深度学习算法实现土壤肥力评估和施肥建议的方法,具体步骤如下:
S1、获取土壤数据,对土壤数据进行预处理;
使用土壤传感器和采集设备获取土壤样本的多种指标,再将获取的这些指标数据进行数据预处理,去除异常值和噪声数据,并对其进行归一化处理。
其中,所述土壤样本的多种指标包括:土壤酸碱度、铁元素的含量、氮元素的含量、磷元素的含量、钾元素的含量、锌元素的含量、铜元素的含量、土壤中的盐分含量;所述预处理即针对缺失值,使用均值来填充缺失值;使用直方图进行异常值的检测,然后删除异常值;数据归一化使用均值方差归一化。
S2、进行特征提取,构建深度学习算法模型,将采集到的土壤样本数据输入模型,进行模型训练和评估;
在数据处理完毕后,构建深度学习模型用于土壤肥力评估,首先使用大量的归一化土壤数据训练自编码器,得到预训练的自编码器,接着将归一化后的土壤样本数据输入到预训练后的自编码器中,进行逐层的无监督训练,提取土壤数据的高层特征,然后将高层特征输入到回归器中,使用梯度下降算法对模型整体进行优化,当误差小于设定的阈值或者达到预定训练的次数,模型训练结束,最终得到土壤的肥力元素含量。
其中,所述深度学习模型即一个多头神经网络模型,包括输入层、自编码器、回归器和多个输出层构成;所述自编码器包括输入层、隐藏层和输出层;所述回归器包括多个隐藏层;所述超参数调整包括:根据所述土壤样本中各种肥力元素含量和所述多头神经网络模型预测的各种肥力元素含量确定损失函数;根据所述损失函数对所述多头神经网络的网络参数进行调节,在损失函数小于预设阈值的情况下,得到训练后的所述多头神经网络模型。
S3、使用训练好的多头神经网络模型对新的土壤数据进行评估,在评估结果的基础上提出施肥建议,对土壤进行施肥;
多头神经网络模型训练完成后,将新采集的土壤样本输入到训练好的模型中,得到肥力元素的含量,根据土壤中肥力元素含量,结合具体农作物的需求和生长阶段,给出个性化的施肥建议,包括氮磷钾肥料以及肥料的施肥量。
S4、实时记录施肥土壤的肥力指标,并及时调整施肥计划;
在施肥的过程中,定期采集土壤样本或使用传感器监测土壤指标的变化,以获取土壤肥力的实时数据,将实时数据输入到深度学习模型中进行评估,并根据评估结果进行实时的施肥建议调整,施肥建议的调整可以基于模型的反馈和先前的施肥效果,以保持施肥的稳定性和持续性。
本发明的有益效果:本发明所述系统包括:数据采集和预处理模块,深度学习模块,土壤肥力评估和施肥建议模块,实时监测和调整模块。本发明的系统具备实时监测和调整功能,可以根据土壤肥力的变化进行及时调整,保持施肥效果的稳定性和持续性,利用深度学习算法代替现有的主观经验方法,采集土壤样本并获取个性化的施肥建议,提高了施肥评估的准确性和精度,可以应用于农业生产中的各类作物,为农民提供准确的土壤肥力评估和个性化的施肥建议,以提高农作物的产量和质量,为农业规模化、产业化发展提供基础性支撑。
附图说明
图1为本发明的一种利用深度学习算法实现土壤肥力评估和施肥建议的系统结构图。
图2为本发明实施例中多头神经网络模型架构图。
图3为本发明实施例中图形界面处理流程示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步的说明。
如图1所示,本发明的一种利用深度学习算法实现土壤肥力评估和施肥建议的系统,包括:数据采集和预处理模块,深度学习模块,土壤肥力评估和施肥建议模块,实时监测和调整模块。
所述数据采集和预处理模块用于数据的采集和数据预处理;所述深度学习模块用于特征提取,构建多头神经网络模型,对模型进行训练和评估;所述土壤肥力评估和施肥建议模块使用训练好的模型对土壤进行施肥建议;实时监测和调整模块实时监控土壤的指标,并及时对土壤施肥进行调整。
在本实施例中,所述系统中各子模块具体如下:
数据采集和预处理模块包括:数据采集单元,数据预处理单元;深度学习模块包括:特征提取单元,模型训练单元,模型评估单元;土壤肥力评估和施肥建议模块包括:土壤肥力评估单元,施肥建议单元,进行施肥单元;实时监测和调整模块包括:监控土壤肥力单元,调整施肥单元。
本发明还提供了一种利用深度学习算法实现土壤肥力评估和施肥建议的方法,具体步骤如下:
S1、获取土壤数据,对土壤数据进行预处理;
使用土壤传感器和采集设备获取土壤样本的多种指标,再将获取的这些指标数据进行数据预处理,去除异常值和噪声数据,并对其进行归一化处理。
其中,所述土壤样本的多种指标包括:土壤酸碱度、铁元素的含量、氮元素的含量、磷元素的含量、钾元素的含量、锌元素的含量、铜元素的含量、土壤中的盐分含量;在本实施例中,所述预处理即针对缺失值,使用均值来填充缺失值;使用直方图进行异常值的检测,然后删除异常值;数据归一化使用均值方差归一化。
S2、进行特征提取,构建深度学习算法模型,将采集到的土壤样本数据输入模型,进行模型训练和评估;
在数据处理完毕后,构建深度学习模型用于土壤肥力评估,首先使用大量的归一化土壤数据训练自编码器,得到预训练的自编码器,接着将归一化后的土壤样本数据输入到预训练后的自编码器中,进行逐层的无监督训练,提取土壤数据的高层特征,然后将高层特征输入到回归器中,使用梯度下降算法对模型整体进行优化,当误差小于设定的阈值或者达到预定训练的次数,模型训练结束,最终得到土壤的肥力元素含量。
其中,如图2所示,所述深度学习模型即一个多头神经网络模型,包括输入层、自编码器、回归器和多个输出层构成;所述自编码器包括输入层、隐藏层和输出层;所述回归器包括多个隐藏层;所述超参数调整包括:根据所述土壤样本中各种肥力元素含量和所述多头神经网络模型预测的各种肥力元素含量确定损失函数;根据所述损失函数对所述多头神经网络的网络参数进行调节,在损失函数小于预设阈值的情况下,得到训练后的所述多头神经网络模型。
在本实施例中,训练数据是带标签的土壤样本,特征是土壤酸碱度、铁元素的含量、锌元素的含量、铜元素的含量、土壤中的盐分含量,标签数据是土壤的肥力元素含量,氮元素的含量、磷元素的含量、钾元素的含量。首先使用提前训练好的自编码器,关于自编码器的预训练,使用大量的归一化后的土壤数据,让其进行无监督训练;接着,在预训练后的自编码器后接一个回归器,构成多输出模型,使用带标签的归一化土壤数据训练模型,将模型输出的元素含量与对应标签数据肥力元素含量做平方差,然后进行梯度优化,当误差小于设定的阈值或者达到预定训练的次数,模型训练结束。
在本实施例中,自编码器是一种无监督学习模型,由编码器和解码器组成。编码器负责将归一化后的土壤数据映射到低维的特征向量,捕捉土壤数据的关键特征;解码器将特征向量映射回原始输入空间,重构出与原始数据接近的重建结果。预训练过程通过最小化重建误差,优化编码器和解码器的参数,使得重建结果尽可能接近原始输入数据;回归器使用神经网络,可以更加准确的预测肥力元素的含量;进行梯度优化时使用优化器,来优化多输出模型。
S3、使用训练好的多头神经网络模型对新的土壤数据进行评估,在评估结果的基础上提出施肥建议,对土壤进行施肥;
多头神经网络模型训练完成后,将新采集的土壤样本输入到训练好的模型中,得到肥力元素的含量,根据土壤中肥力元素含量,结合具体农作物的需求和生长阶段,给出个性化的施肥建议,包括氮磷钾肥料以及肥料的施肥量。
S4、实时记录施肥土壤的肥力指标,并及时调整施肥计划;
在施肥的过程中,定期采集土壤样本或使用传感器监测土壤指标的变化,以获取土壤肥力的实时数据,将实时数据输入到深度学习模型中进行评估,并根据评估结果进行实时的施肥建议调整,施肥建议的调整可以基于模型的反馈和先前的施肥效果,以保持施肥的稳定性和持续性。
现有的施肥由于对土壤的肥力不够了解,只依靠经验和感觉施肥导致肥料浪费和农作物产量不高等问题,深度学习算法能够将土壤的指标和农作物产量(也就是施肥效果)结合起来,凭借深度学习模型的强大能力,实现准确的土壤肥力元素含量预测,根据模型预测结果和具体的农作物,系统生成个性化的施肥建议,以达到节约肥料,增加农作物产量的目的。
在本实施中,关于本发明系统的架构,使用PyQt5生成GUI(Graphical UserInterface)界面。
PyQt5是一个用于创建图形用户界面的Python库,它基于Qt框架,能够让开发者通过Python语言快速构建强大的跨平台桌面应用程序。
使用PyQt5创建GUI应用程序的处理流程如图3所示,首先导入PyQt5模块,然后创建一个QApplication对象(是PyQt5中的一个核心类,它是创建GUI应用程序的入口类)来管理GUI应用程序的事件循环;接着,设计用户界面并创建主窗口,利用PyQt5提供的组件和布局管理器来布置界面;然后连接用户界面的组件信号与自定义的槽函数,以实现用户交互和事件响应;最后,调用QApplication对象的exec()方法,启动应用程序的事件循环,开始接收和处理用户事件,在需要退出应用程序时,通过调用QApplication对象的quit()方法来结束事件循环,从而退出应用程序的运行。
用户可以使用图形界面方便地输入土壤样本数据和作物类型,使用加载的深度学习模型对输入的土壤样本进行肥力元素含量的预测,使用预测结果结合具体的农作物,生成个性化的施肥建议,可视化展示给用户。具体如下:
(1)主窗口:数据输入按钮,用户点击按钮以输入土壤样本数据和相关环境因素;施肥建议按钮,用户点击按钮以获取个性化的施肥建议;结果显示区域,用于显示土壤肥力评估结果和施肥建议。
(2)数据输入界面:土壤指标输入框,用户可以输入土壤样本的指标,如土壤酸碱度、水、铁的含量等;作物类型选择框,用户可以选择当前种植的作物类型;数据提交按钮:用户点击按钮以提交土壤样本数据和作物类型。
(3)施肥建议模块:深度学习模型加载,系统加载事先训练好的深度学习模型;土壤肥力评估函数,使用加载的深度学习模型对输入的土壤样本数据进行评估,得到土壤肥力评估结果;施肥建议生成函数:根据评估结果和作物类型,生成个性化的施肥建议。
(4)结果显示界面:土壤肥力评估结果显示框,显示土壤肥力评估的结果,如肥力等级或得分;施肥建议显示框,显示生成的个性化施肥建议,包括施肥种类、施肥量和施肥时间等;
(5)监控和施肥调整界面:对施肥的土地进行实时监控或者定时采样,使用可视化展示土壤肥力变化,根据变化及时调整施肥计划。
综上,本发明的方法首先使用数据采集和预处理模块获取土壤样本数据,并对获得的数据进行归一化处理;接着将归一化后的土壤数据输入到自编码器以进行逐层无监督预训练,提取土壤数据的高层特征;然后将高层特征输入到回归器中,得到各种肥力元素的含量,其中回归器和预训练后的自编码器构成多头神经网络模型,即多输出模型;最后,根据的模型得出的肥力元素含量并结合具体的农作物提出施肥建议,包括对土壤施肥的种类和数量。本发明采集土壤样本并获取个性化的施肥建议,根据施肥建议进行施肥操作,监测农作物的生长和产量变化,定期对农田进行实地检查和评估,与本发明的系统生成的施肥建议进行对比,可进一步优化系统的准确性和可靠性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。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权利要求范围之内。
Claims (3)
1.一种基于深度学习的土壤肥力评估与施肥建议系统,包括:数据采集和预处理模块,深度学习模块,土壤肥力评估和施肥建议模块,实时监测和调整模块;
所述数据采集和预处理模块用于数据的采集和数据预处理;所述深度学习模块用于特征提取,构建多头神经网络模型,对模型进行训练和评估;所述土壤肥力评估和施肥建议模块使用训练好的模型对土壤进行施肥建议;实时监测和调整模块实时监控土壤的指标,并及时对土壤施肥进行调整。
2.根据权利要求1所述的一种基于深度学习的土壤肥力评估与施肥建议系统,其特征在于,所述系统中各子模块具体如下:
数据采集和预处理模块包括:数据采集单元,数据预处理单元;深度学习模块包括:特征提取单元,模型训练单元,模型评估单元;土壤肥力评估和施肥建议模块包括:土壤肥力评估单元,施肥建议单元,进行施肥单元;实时监测和调整模块包括:监控土壤肥力单元,调整施肥单元。
3.一种利用深度学习算法实现土壤肥力评估和施肥建议的方法,具体步骤如下:
S1、获取土壤数据,对土壤数据进行预处理;
使用土壤传感器和采集设备获取土壤样本的多种指标,再将获取的这些指标数据进行数据预处理,去除异常值和噪声数据,并对其进行归一化处理;
其中,所述土壤样本的多种指标包括:土壤酸碱度、铁元素的含量、氮元素的含量、磷元素的含量、钾元素的含量、锌元素的含量、铜元素的含量、土壤中的盐分含量;所述预处理即针对缺失值,使用均值来填充缺失值;使用直方图进行异常值的检测,然后删除异常值;数据归一化使用均值方差归一化;
S2、进行特征提取,构建深度学习算法模型,将采集到的土壤样本数据输入模型,进行模型训练和评估;
在数据处理完毕后,构建深度学习模型用于土壤肥力评估,首先使用大量的归一化土壤数据训练自编码器,得到预训练的自编码器,接着将归一化后的土壤样本数据输入到预训练后的自编码器中,进行逐层的无监督训练,提取土壤数据的高层特征,然后将高层特征输入到回归器中,使用梯度下降算法对模型整体进行优化,当误差小于设定的阈值或者达到预定训练的次数,模型训练结束,最终得到土壤的肥力元素含量;
其中,所述深度学习模型即一个多头神经网络模型,包括输入层、自编码器、回归器和多个输出层构成;所述自编码器包括输入层、隐藏层和输出层;所述回归器包括多个隐藏层;所述超参数调整包括:根据所述土壤样本中各种肥力元素含量和所述多头神经网络模型预测的各种肥力元素含量确定损失函数;根据所述损失函数对所述多头神经网络的网络参数进行调节,在损失函数小于预设阈值的情况下,得到训练后的所述多头神经网络模型;
S3、使用训练好的多头神经网络模型对新的土壤数据进行评估,在评估结果的基础上提出施肥建议,对土壤进行施肥;
多头神经网络模型训练完成后,将新采集的土壤样本输入到训练好的模型中,得到肥力元素的含量,根据土壤中肥力元素含量,结合具体农作物的需求和生长阶段,给出个性化的施肥建议,包括氮磷钾肥料以及肥料的施肥量;
S4、实时记录施肥土壤的肥力指标,并及时调整施肥计划;
在施肥的过程中,定期采集土壤样本或使用传感器监测土壤指标的变化,以获取土壤肥力的实时数据,将实时数据输入到深度学习模型中进行评估,并根据评估结果进行实时的施肥建议调整,施肥建议的调整可以基于模型的反馈和先前的施肥效果,以保持施肥的稳定性和持续性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989163.6A CN116703639A (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的土壤肥力评估与施肥建议系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989163.6A CN116703639A (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的土壤肥力评估与施肥建议系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703639A true CN116703639A (zh) | 2023-09-05 |
Family
ID=87824323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310989163.6A Pending CN116703639A (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的土壤肥力评估与施肥建议系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703639A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117158173A (zh) * | 2023-10-10 | 2023-12-05 | 常熟市农业科技发展有限公司 | 一种基于神经网络模型的农业高效率施肥系统及施肥方法 |
-
2023
- 2023-08-08 CN CN202310989163.6A patent/CN116703639A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117158173A (zh) * | 2023-10-10 | 2023-12-05 | 常熟市农业科技发展有限公司 | 一种基于神经网络模型的农业高效率施肥系统及施肥方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Safa et al. | Determination and modelling of energy consumption in wheat production using neural networks:“A case study in Canterbury province, New Zealand” | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉系统 | |
Tayari et al. | Role of GPS and GIS in precision agriculture | |
CN116703639A (zh) | 一种基于深度学习的土壤肥力评估与施肥建议系统及方法 | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
Diao et al. | Simulation of the topological development of young eucalyptus using a stochastic model and sampling measurement strategy | |
Lad et al. | Factors affecting agriculture and estimation of crop yield using supervised learning algorithms | |
CN117694070A (zh) | 养分要素反演评估与智能变量精准施肥决策系统 | |
Zhang et al. | CBAM+ ASFF-YOLOXs: An improved YOLOXs for guiding agronomic operation based on the identification of key growth stages of lettuce | |
Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
Kuriakose et al. | Indian Crop Yield Prediction using LSTM Deep Learning Networks | |
Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
Gul et al. | Spiking neural network (SNN) for crop yield prediction | |
CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及系统 | |
CN103927687A (zh) | 杉木智能施肥系统 | |
CN116894514A (zh) | 一种基于土壤质量指标的作物产量预测方法及系统 | |
CN111289725B (zh) | 一种结合模型与时序采样的农田土壤有机碳储量估算方法及系统 | |
CN112734119A (zh) | 一种基于空间养分聚类分析的玉米产量预测方法 | |
Dissanayake et al. | Crop Yield Forecasting using Machine Learning Techniques-A Systematic Literature Review | |
Johri et al. | A comprehensive study on the enhance crop management using IOT & data analytics for agro technological transfer | |
Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University | |
CN117744898B (zh) | 一种大田粮食作物产量年际预测模型构建方法 | |
CN112364483B (zh) | 一种水足迹分析方法及装置 | |
Saranya et al. | Design of IoT and Machine Learning based Model for Crop Prediction and Fruit Ripeness Detection |
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 |