CN117540908B - 基于大数据的农业资源整合方法和系统 - Google Patents
基于大数据的农业资源整合方法和系统 Download PDFInfo
- Publication number
- CN117540908B CN117540908B CN202311470284.6A CN202311470284A CN117540908B CN 117540908 B CN117540908 B CN 117540908B CN 202311470284 A CN202311470284 A CN 202311470284A CN 117540908 B CN117540908 B CN 117540908B
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- weather
- feature vector
- interaction feature
- 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
- 230000010354 integration Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 146
- 239000002689 soil Substances 0.000 claims abstract description 134
- 230000003993 interaction Effects 0.000 claims abstract description 90
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 235000021049 nutrient content Nutrition 0.000 claims description 6
- 239000005416 organic matter Substances 0.000 claims description 4
- 235000013619 trace mineral Nutrition 0.000 claims description 4
- 239000011573 trace mineral Substances 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000012549 training Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本申请公开了一种基于大数据的农业资源整合方法和系统。其首先获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据，接着，对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤‑天气交互特征向量，然后，基于所述土壤‑天气交互特征向量，推荐种植的果树类型。这样，可以从多维度的农业资源数据中捕捉其所蕴含的数据与数据之间的协同关联关系，从而智能化地推荐适宜的果树类型，以实现对农业资源的有效整合。
Description
技术领域
本申请涉及资源整合领域，且更为具体地，涉及一种基于大数据的农业资源整合方法和系统。
背景技术
为了充分利用农业资源，提高农业生产效益和可持续发展。需要对各种农业资源，包括土壤、水源、气候、植物品种等进行整合，以实现资源的合理配置和协同利用，例如，可以综合利用多维的数据进行果树种植的管理。
然而，当前的农业资源整合还存在决策不科学等问题，制约着农业资源整合的进一步发展。随着大数据和人工智能技术的发展，为解决上述问题提供了新的解决思路。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的农业资源整合方法和系统。其可以从多维度的农业资源数据中捕捉其所蕴含的数据与数据之间的协同关联关系，从而智能化地推荐适宜的果树类型，以实现对农业资源的有效整合。
根据本申请的一个方面，提供了一种基于大数据的农业资源整合方法，其包括：
获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据；
对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量；
以及基于所述土壤-天气交互特征向量，推荐种植的果树类型。
根据本申请的另一个方面，提供了一种基于大数据的农业资源整合系统，其包括：
数据获取模块，用于获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据；
提取融合模块，用于对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量；
以及果树类型推荐模块，用于基于所述土壤-天气交互特征向量，推荐种植的果树类型。
与现有技术相比，本申请提供的基于大数据的农业资源整合方法和系统，其首先获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据，接着，对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量，然后，基于所述土壤-天气交互特征向量，推荐种植的果树类型。这样，可以从多维度的农业资源数据中捕捉其所蕴含的数据与数据之间的协同关联关系，从而智能化地推荐适宜的果树类型，以实现对农业资源的有效整合。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于大数据的农业资源整合方法的流程图。
图2为根据本申请实施例的基于大数据的农业资源整合方法的架构示意图。
图3为根据本申请实施例的基于大数据的农业资源整合方法的子步骤S120的流程图。
图4为根据本申请实施例的基于大数据的农业资源整合方法的子步骤S121的流程图。
图5为根据本申请实施例的基于大数据的农业资源整合方法的子步骤S122的流程图。
图6为根据本申请实施例的基于大数据的农业资源整合方法的子步骤S130的流程图。
图7为根据本申请实施例的基于大数据的农业资源整合系统的框图。
图8为根据本申请实施例的基于大数据的农业资源整合方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思是：利用大数据技术，获取多维度的农业资源数据，并从中捕捉其所蕴含的数据与数据之间的协同关联关系，从而智能化地推荐适宜的果树类型，以实现对农业资源的有效整合。
应可以理解，土壤和天气因素对果树的生长和发育具有重要影响，是果树生长的两个重要因素。具体来说，土壤的成分、质地、养分含量等对植物的生长和发育有直接影响。不同的果树对土壤的要求不同，比如酸性土壤、碱性土壤、疏松土壤等都对果树的生长有不同的适应性。天气因素包括温度、湿度、降雨量、光照等，对果树的生长和产量也有重要影响。不同的果树对温度和湿度有不同的适应性，一些果树对高温和干旱有较好的耐受性，而另一些果树则对寒冷和潮湿有更好的适应性。综合考虑土壤数据和天气数据，使得本申请的技术方案中所构建的模型能够学习土壤和天气与果树生长之间的关联，从而可以根据这些数据预测出最适合的果树类型。
基于此，在本申请的技术方案中，图1为根据本申请实施例的基于大数据的农业资源整合方法的流程图。图2为根据本申请实施例的基于大数据的农业资源整合方法的架构示意图。如图1和图2所示，根据本申请实施例的基于大数据的农业资源整合方法，包括步骤：S110，获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据；S120，对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量；以及，S130，基于所述土壤-天气交互特征向量，推荐种植的果树类型。
相应地，首先，获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据，其中，所述土壤数据包括土壤PH值、有机质含量值、养分含量值、微量元素含量值、水分含量值、土壤温度值和土壤饱和度。特别地，所述天气数据包含一整年的天气数据，其原因在于，果树的生长周期较长，通常需要几个月甚至几年的时间才能成熟。在选择果树品种和确定种植计划时考虑当地一整年的天气数据可以对当地气候的季节性变化和长期趋势进行分析。这对于农业生产的长期规划和风险管理非常重要。
接着，将所述被分析土壤对象的土壤数据按照数据项样本维度排列为土壤数据项输入向量，并将所述土壤质量数据项输入向量通过包括第一卷积层和第二卷积层的土壤数据项关联特征提取器以得到多尺度土壤数据特征向量。其中，所述第一卷积层和第二卷积层分别使用具有不同尺度的卷积核，以对所述土壤数据项输入向量进行多尺度的特征提取，即能够捕捉在不同数据项跨度下的土壤质量数据之间的关联信息。
然后，使用独热编码对所述天气数据中各天的天气数据进行独热编码以得到天气数据独热编码向量的序列，并将所述天气数据独热编码向量的序列通过基于BiLSTM模型的天气数据上下文编码器以得到天气数据时序特征向量。也就是，对所述天气数据进行编码以将非结构化的数据转变为向量表示，以便于后续模型的运算和处理。再利用所述天气数据上下文编码器来捕捉所述天气数据独热编码向量的序列中所蕴含的隐含时序特征分布信息。
相应地，如图3所示，对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量，包括：S121，提取所述被分析土壤对象的土壤数据中的土壤特征信息以得到多尺度土壤数据特征向量；S122，对所述天气数据进行编码与时序分析以得到天气数据时序特征向量；以及，S123，使用级联函数来进行所述天气数据时序特征向量和所述多尺度土壤数据特征向量之间的特征级数据交互以得到所述土壤-天气交互特征向量。应可以理解，所述土壤-天气交互特征向量的提取和融合可以用于土壤和天气数据的综合分析和预测。通过分析土壤和天气数据的交互特征，可以提供农业决策支持，例如确定最佳的作物种植时间、施肥量和灌溉策略，以提高农作物的产量和质量；土壤-天气交互特征向量可以用于监测土壤湿度、温度和降水等因素，从而提前预警和管理自然灾害，如洪水、干旱和土壤侵蚀；通过分析土壤和天气数据的交互特征，可以评估土壤质量和环境污染程度，帮助制定环境保护政策和监测土壤污染源；土壤-天气交互特征向量可以用于研究气候变化对土壤水分、温度和养分等的影响，从而增进对气候变化的理解和适应。换言之，土壤-天气交互特征向量的提取和融合可以帮助更好地理解土壤和天气之间的关系，并为农业、环境和气候变化等领域的决策和管理提供有价值的信息。
更具体地，在步骤S121中，如图4所示，提取所述被分析土壤对象的土壤数据中的土壤特征信息以得到多尺度土壤数据特征向量，包括：S1211，将所述被分析土壤对象的土壤数据按照数据项样本维度排列为土壤数据项输入向量；以及，S1212，将所述土壤质量数据项输入向量通过包括第一卷积层和第二卷积层的土壤数据项关联特征提取器以得到所述多尺度土壤数据特征向量。应可以理解，在步骤S1212中，第一卷积层和第二卷积层是土壤数据项关联特征提取器中的两个关键组件，用于提取多尺度土壤数据的特征。卷积层是深度学习中常用的一种神经网络层，用于从输入数据中提取特征。卷积层可以通过滑动一个小的窗口（卷积核）来扫描土壤数据项输入向量，并计算窗口内数据的特征。具体来说，第一卷积层会对土壤数据项输入向量进行初步的特征提取，例如检测土壤的局部模式、纹理或其他重要特征，第二卷积层则进一步提取更高级别的特征，将前一层的特征进行组合和抽象，以获取更具表征性的土壤特征。通过使用卷积层，可以有效地捕捉土壤数据中的空间关系和局部模式，提取出土壤数据的多尺度特征。这些特征可以用于描述土壤的质量、含水量、养分含量等重要属性，为后续的土壤-天气交互特征提取和分析提供有用的信息。第一卷积层和第二卷积层在土壤数据项关联特征提取器中起着关键的作用，帮助提取多尺度土壤数据的特征，从而为土壤-天气交互特征向量的生成提供基础。
更具体地，在步骤S122中，如图5所示，对所述天气数据进行编码与时序分析以得到天气数据时序特征向量，包括：S1221，使用独热编码对所述天气数据中各天的天气数据进行独热编码以得到天气数据独热编码向量的序列；以及，S1222，将所述天气数据独热编码向量的序列通过基于BiLSTM模型的天气数据上下文编码器以得到所述天气数据时序特征向量。应可以理解，在步骤S122中，独热编码和基于BiLSTM模型的天气数据上下文编码器是用于对天气数据进行编码和时序分析的两个关键步骤。独热编码（One-Hot Encoding）是一种常用的编码方式，用于将离散的天气数据转换成二进制的向量表示。对于天气数据中的各个天气类型，比如晴天、多云、阴天等，每个类型都会被编码成一个唯一的二进制向量，这样，每个天气数据样本就可以用一个独热编码向量表示。独热编码的作用是将离散的天气数据转换成机器学习模型可以理解和处理的形式，它为后续的天气数据分析提供了一种有效的表示方式。BiLSTM模型（Bidirectional Long Short-Term Memory）是一种循环神经网络（RNN）的变体，用于处理时序数据，它具有前向和后向两个方向的隐藏层，能够捕捉时序数据中的上下文信息。基于BiLSTM模型的天气数据上下文编码器可以对天气数据的时序信息进行建模和分析。通过将天气数据独热编码向量的序列输入到BiLSTM模型中，模型可以学习到天气数据的时序特征，包括天气的变化趋势、周期性和相关性等。这样得到的天气数据时序特征向量可以提供更全面和准确的天气信息，为后续的土壤-天气交互特征提取和分析提供有用的上下文信息。换言之，独热编码和基于BiLSTM模型的天气数据上下文编码器分别用于将天气数据进行编码和时序分析，以得到天气数据的时序特征向量，为土壤-天气交互特征的提取和融合提供基础。
进一步地，再使用级联函数来进行所述天气数据时序特征向量和所述多尺度土壤数据特征向量之间的特征级数据交互以得到土壤-天气交互特征向量；进一步地，将所述土壤-天气交互特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐种植的果树类型。
相应地，如图6所示，基于所述土壤-天气交互特征向量，推荐种植的果树类型，包括：S131，对所述土壤-天气交互特征向量进行特征分布优化以得到优化土壤-天气交互特征向量；以及，S132，将所述优化土壤-天气交互特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐种植的果树类型。应可以理解，在步骤S131中，对土壤-天气交互特征向量进行特征分布优化以得到优化的土壤-天气交互特征向量，通过优化特征分布，可以提高特征的可转移性、重要性和表达能力，从而改善土壤-天气交互特征向量的质量和预测效果，这一步骤可以帮助更好地利用土壤和天气数据来描述不同果树的生长环境；在步骤S132中，将优化的土壤-天气交互特征向量通过分类器进行分类，以得到分类结果，该结果用于表示推荐种植的果树类型，通过使用分类器，可以将优化的特征向量与已知的果树类型进行比较和匹配，从而确定最适合当前土壤和天气条件的果树类型，这一步骤可以帮助做出明智的种植决策，提高果树的生长和产量。即，通过特征分布优化和分类器的应用，可以利用土壤-天气交互特征向量来推荐最适合的果树类型，从而提高种植决策的准确性和果树的生长效果。
在本申请的技术方案中，所述多尺度土壤数据特征向量表达所述被分析土壤对象的土壤数据的多尺度文本语义关联特征，而所述天气数据时序特征向量表达天气数据的独热编码表示的近程-远程双向上下文关联特征，因此所述天气数据时序特征向量和所述多尺度土壤数据特征向量具有不同的特征表达方式，并且，在使用级联函数来进行所述天气数据时序特征向量和所述多尺度土壤数据特征向量之间的特征级数据交互之后，所述土壤-天气交互特征向量不仅包含所述天气数据时序特征向量和所述多尺度土壤数据特征向量各自的特征表示，还包含其间的交互特征表示，因此，期望针对所述土壤-天气交互特征向量的多维度特征关联分布性质，提升所述土壤-天气交互特征向量通过分类器进行分类回归时的回归效率。
因此，本申请所述土壤-天气交互特征向量通过分类器进行分类回归时，对所述土壤-天气交互特征向量进行优化，具体表示为：
其中，是所述土壤-天气交互特征向量的第/>个位置的特征值，/>是所述土壤-天气交互特征向量的所有特征值的全局均值，且/>是所述土壤-天气交互特征向量的最大特征值，/>是所述优化土壤-天气交互特征向量的第/>个位置的特征值
也就是，通过全局分布参数的正则化仿函数的概念，上述优化基于所述土壤-天气交互特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述土壤-天气交互特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的土壤-天气交互特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述土壤-天气交互特征向量在所述分类器的分类概率回归下的回归效率。
进一步地，在步骤S132中，将所述优化土壤-天气交互特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐种植的果树类型，包括：使用所述分类器的全连接层对所述优化土壤-天气交互特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
应可以理解，Softmax分类函数是一种常用的多类别分类函数，用于将输入的实数向量转换为表示各个类别概率的输出向量。它将每个输入元素通过指数函数进行指数化，然后将指数化后的值进行归一化，使得输出向量中的所有元素之和等于1。Softmax函数的输出可以被解释为每个类别的概率。输出向量中的每个元素表示了对应类别的概率，概率越高表示模型认为输入属于该类别的可能性越大。Softmax函数常用于多类别分类任务，如图像分类、自然语言处理中的词性标注等。它可以将模型的原始输出转换为概率分布，方便进行后续的分类决策和评估。
值得一提的是，在步骤S132中， 全连接层（Fully Connected Layer）是神经网络中常见的一种层类型，它的每个神经元都与上一层的所有神经元相连，每个连接都有一个权重，全连接层的作用是将输入的特征向量与权重进行线性组合，并通过激活函数进行非线性变换，从而得到新的特征表示。在步骤S132中，全连接层被用于对优化的土壤-天气交互特征向量进行全连接编码，通过全连接层的计算，可以将优化的特征向量转换为编码分类特征向量，提取更高层次的特征表示。全连接编码（Fully Connected Encoding）是指通过全连接层对输入特征进行编码的过程，在这个过程中，特征向量中的每个元素都与全连接层中的神经元相连，并通过权重进行线性组合和非线性变换。全连接编码的作用是将输入的特征向量映射到一个更低维度的编码空间，同时保留重要的特征信息。这种编码可以提取出特征向量中的抽象特征，使得后续的分类器能够更好地理解和区分不同的特征表示。全连接层和全连接编码是用于对优化的土壤-天气交互特征向量进行分类的关键组件。全连接层通过线性组合和非线性变换将特征向量转换为编码分类特征向量，提取更高层次的特征表示。这些编码特征向量将被输入到分类器的Softmax分类函数中，以得到最终的分类结果，表示推荐种植的果树类型。
综上，基于本申请实施例的基于大数据的农业资源整合方法被阐明，其可以从多维度的农业资源数据中捕捉其所蕴含的数据与数据之间的协同关联关系，从而智能化地推荐适宜的果树类型，以实现对农业资源的有效整合。
图7为根据本申请实施例的基于大数据的农业资源整合系统100的框图。如图7所示，根据本申请实施例的基于大数据的农业资源整合系统100，包括：数据获取模块110，用于获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据；提取融合模块120，用于对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量；以及，果树类型推荐模块130，用于基于所述土壤-天气交互特征向量，推荐种植的果树类型。
在一个示例中，在上述基于大数据的农业资源整合系统100中，所述土壤数据包括土壤PH值、有机质含量值、养分含量值、微量元素含量值、水分含量值、土壤温度值和土壤饱和度。
这里，本领域技术人员可以理解，上述基于大数据的农业资源整合系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于大数据的农业资源整合方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于大数据的农业资源整合系统100可以实现在各种无线终端中，例如具有基于大数据的农业资源整合算法的服务器等。在一个示例中，根据本申请实施例的基于大数据的农业资源整合系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于大数据的农业资源整合系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于大数据的农业资源整合系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的农业资源整合系统100与该无线终端也可以是分立的设备，并且该基于大数据的农业资源整合系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的基于大数据的农业资源整合方法的应用场景图。如图8所示，在该应用场景中，首先，获取农业资源数据（例如，图8中所示意的D），所述农业资源数据包括被分析土壤对象的土壤数据和天气数据，然后，将所述被分析土壤对象的土壤数据和所述天气数据输入至部署有基于大数据的农业资源整合算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述基于大数据的农业资源整合算法对所述被分析土壤对象的土壤数据和所述天气数据进行处理以得到用于表示推荐种植的果树类型的分类结果。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (7)
1.一种基于大数据的农业资源整合方法，其特征在于，包括：
获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据；
对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量；
以及基于所述土壤-天气交互特征向量，推荐种植的果树类型；
基于所述土壤-天气交互特征向量，推荐种植的果树类型，包括：
对所述土壤-天气交互特征向量进行特征分布优化以得到优化土壤-天气交互特征向量；
以及将所述优化土壤-天气交互特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐种植的果树类型；
对所述土壤-天气交互特征向量进行特征分布优化以得到优化土壤-天气交互特征向量，具体表示为：
；
其中，是所述土壤-天气交互特征向量的第/>个位置的特征值，/>是所述土壤-天气交互特征向量的所有特征值的全局均值，且/>是所述土壤-天气交互特征向量的最大特征值，是所述优化土壤-天气交互特征向量的第/>个位置的特征值；
通过全局分布参数的正则化仿函数的概念，上述优化基于所述土壤-天气交互特征向量的全局分布的参数向量式表征，以回归概率的正则式表达模拟代价函数，对所述土壤-天气交互特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的土壤-天气交互特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述土壤-天气交互特征向量在所述分类器的分类概率回归下的回归效率。
2.根据权利要求1所述的基于大数据的农业资源整合方法，其特征在于，所述土壤数据包括土壤PH值、有机质含量值、养分含量值、微量元素含量值、水分含量值、土壤温度值和土壤饱和度。
3.根据权利要求2所述的基于大数据的农业资源整合方法，其特征在于，对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量，包括：
提取所述被分析土壤对象的土壤数据中的土壤特征信息以得到多尺度土壤数据特征向量；
对所述天气数据进行编码与时序分析以得到天气数据时序特征向量；
以及使用级联函数来进行所述天气数据时序特征向量和所述多尺度土壤数据特征向量之间的特征级数据交互以得到所述土壤-天气交互特征向量。
4.根据权利要求3所述的基于大数据的农业资源整合方法，其特征在于，提取所述被分析土壤对象的土壤数据中的土壤特征信息以得到多尺度土壤数据特征向量，包括：
将所述被分析土壤对象的土壤数据按照数据项样本维度排列为土壤数据项输入向量；
以及将所述土壤质量数据项输入向量通过包括第一卷积层和第二卷积层的土壤数据项关联特征提取器以得到所述多尺度土壤数据特征向量。
5.根据权利要求4所述的基于大数据的农业资源整合方法，其特征在于，对所述天气数据进行编码与时序分析以得到天气数据时序特征向量，包括：
使用独热编码对所述天气数据中各天的天气数据进行独热编码以得到天气数据独热编码向量的序列；
以及将所述天气数据独热编码向量的序列通过基于BiLSTM模型的天气数据上下文编码器以得到所述天气数据时序特征向量。
6.一种基于大数据的农业资源整合系统，其特征在于，包括：
数据获取模块，用于获取农业资源数据，所述农业资源数据包括被分析土壤对象的土壤数据和天气数据；
提取融合模块，用于对所述被分析土壤对象的土壤数据和所述天气数据进行特征提取和特征融合以得到土壤-天气交互特征向量；
以及果树类型推荐模块，用于基于所述土壤-天气交互特征向量，推荐种植的果树类型；
果树类型推荐模块，用于：
对所述土壤-天气交互特征向量进行特征分布优化以得到优化土壤-天气交互特征向量；
以及将所述优化土壤-天气交互特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐种植的果树类型；
对所述土壤-天气交互特征向量进行特征分布优化以得到优化土壤-天气交互特征向量，具体表示为：
；
其中，是所述土壤-天气交互特征向量的第/>个位置的特征值，/>是所述土壤-天气交互特征向量的所有特征值的全局均值，且/>是所述土壤-天气交互特征向量的最大特征值，是所述优化土壤-天气交互特征向量的第/>个位置的特征值；
通过全局分布参数的正则化仿函数的概念，上述优化基于所述土壤-天气交互特征向量的全局分布的参数向量式表征，以回归概率的正则式表达模拟代价函数，对所述土壤-天气交互特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的土壤-天气交互特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述土壤-天气交互特征向量在所述分类器的分类概率回归下的回归效率。
7.根据权利要求6所述的基于大数据的农业资源整合系统，其特征在于，所述土壤数据包括土壤PH值、有机质含量值、养分含量值、微量元素含量值、水分含量值、土壤温度值和土壤饱和度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311470284.6A CN117540908B (zh) | 2023-11-07 | 2023-11-07 | 基于大数据的农业资源整合方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311470284.6A CN117540908B (zh) | 2023-11-07 | 2023-11-07 | 基于大数据的农业资源整合方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117540908A CN117540908A (zh) | 2024-02-09 |
| CN117540908B true CN117540908B (zh) | 2024-06-11 |
Family
ID=89791055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311470284.6A Active CN117540908B (zh) | 2023-11-07 | 2023-11-07 | 基于大数据的农业资源整合方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540908B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
| CN117765403B (zh) * | 2024-02-22 | 2024-04-30 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
| CN117892073B (zh) * | 2024-03-14 | 2024-05-24 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
| CN118396332A (zh) * | 2024-05-27 | 2024-07-26 | 云南数科林业规划设计有限公司 | 土地资源管理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112235348A (zh) * | 2020-09-11 | 2021-01-15 | 内蒙古智诚物联股份有限公司 | 一种基于5g技术下的多元大数据采集与传输平台 |
| CN112559741A (zh) * | 2020-12-03 | 2021-03-26 | 苏州热工研究院有限公司 | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 |
| WO2022175970A1 (en) * | 2021-02-17 | 2022-08-25 | Waycool Foods And Products Private Limited | System and method for determining one or more agri-measures |
| CN116629494A (zh) * | 2023-06-05 | 2023-08-22 | 中国烟草总公司重庆市公司烟叶分公司 | 一种基于大数据平台的作物精准施肥方法及系统 |
| CN116720668A (zh) * | 2023-08-11 | 2023-09-08 | 北京佳格天地科技有限公司 | 一种大数据农业管理方法、系统及存储介质 |
| CN116796248A (zh) * | 2023-07-11 | 2023-09-22 | 江西省林业科学院 | 森林康养环境评估系统及其方法 |
| CN116862320A (zh) * | 2023-09-04 | 2023-10-10 | 北京佳格天地科技有限公司 | 一种农村生态环境评估监管方法、系统及存储介质 |
| CN116993059A (zh) * | 2023-09-26 | 2023-11-03 | 南通广袤丰信息技术有限公司 | 一种基于大数据的物联网智能农业植保系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7475085B2 (en) * | 2006-04-04 | 2009-01-06 | International Business Machines Corporation | Method and apparatus for privacy preserving data mining by restricting attribute choice |
| US20170018030A1 (en) * | 2015-07-17 | 2017-01-19 | MB Technology Partners Ltd. | System and Method for Determining Credit Worthiness of a User |
-
2023
- 2023-11-07 CN CN202311470284.6A patent/CN117540908B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112235348A (zh) * | 2020-09-11 | 2021-01-15 | 内蒙古智诚物联股份有限公司 | 一种基于5g技术下的多元大数据采集与传输平台 |
| CN112559741A (zh) * | 2020-12-03 | 2021-03-26 | 苏州热工研究院有限公司 | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 |
| WO2022175970A1 (en) * | 2021-02-17 | 2022-08-25 | Waycool Foods And Products Private Limited | System and method for determining one or more agri-measures |
| CN116629494A (zh) * | 2023-06-05 | 2023-08-22 | 中国烟草总公司重庆市公司烟叶分公司 | 一种基于大数据平台的作物精准施肥方法及系统 |
| CN116796248A (zh) * | 2023-07-11 | 2023-09-22 | 江西省林业科学院 | 森林康养环境评估系统及其方法 |
| CN116720668A (zh) * | 2023-08-11 | 2023-09-08 | 北京佳格天地科技有限公司 | 一种大数据农业管理方法、系统及存储介质 |
| CN116862320A (zh) * | 2023-09-04 | 2023-10-10 | 北京佳格天地科技有限公司 | 一种农村生态环境评估监管方法、系统及存储介质 |
| CN116993059A (zh) * | 2023-09-26 | 2023-11-03 | 南通广袤丰信息技术有限公司 | 一种基于大数据的物联网智能农业植保系统 |
Non-Patent Citations (5)
| Title |
|---|
| Phylogenetic, spatial and environmental components of extinction risk in carnivores;Safi, K等;《GLOBAL ECOLOGY AND BIOGEOGRAPHY》;20100531;第19卷(第03期);第352-362页 * |
| 吴茂贵等.《智能系统与技术丛书 Python深度学习 基于TensorFlow 第2版》.机械工业出版社,2022,(第02版),第112页. * |
| 土地收益分配制度对城市建设用地利用效率的影响研究——基于门限回归模型的实证分析;钟成林等;《中央财经大学学报》;20160215(第02期);第22-35页 * |
| 基于卷积神经网络的织物图像特征提取与检索研究进展;孙洁等;《纺织学报》;20191215(第12期);第152-157页 * |
| 基于深度学习的时序动作检测;孔欣然;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200315(第03期);第I138-1386页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117540908A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117540908B (zh) | 基于大数据的农业资源整合方法和系统 | |
| Kong et al. | Multi-stream hybrid architecture based on cross-level fusion strategy for fine-grained crop species recognition in precision agriculture | |
| Pandith et al. | Performance evaluation of machine learning techniques for mustard crop yield prediction from soil analysis | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| 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 | |
| CN106326925A (zh) | 一种基于深度学习网络的苹果病变图像识别方法 | |
| CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
| CN116918546A (zh) | 一种玉米高产种植施肥方法 | |
| De Saa et al. | Comparison between arima and deep learning models for temperature forecasting | |
| CN117136765A (zh) | 基于智能农业的大棚控制系统及方法 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN117520823A (zh) | 基于特征挖掘的动态监测数据处理系统及方法 | |
| Bhambri et al. | Paddy crop production analysis based on SVM and KNN classifier | |
| Balakrishnan et al. | Agricultural crop recommendation system | |
| CN113537645A (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
| Ajmera et al. | Crop, Fertilizer, & Irrigation Recommendation using Machine Learning Techniques | |
| 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 | |
| Zakir et al. | Soil utilisation prediction for farmers using machine learning | |
| Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
| Tidake et al. | Design efficient model to increase crop yield using deep learning | |
| CN114997475A (zh) | 一种基于Kmeans的融合模型光伏发电短期预测方法 | |
| Anandhan et al. | Comprehensive study: machine learning & deep learning algorithms for paddy crops | |
| Zhang et al. | Power Network Smart Meter Data Driven Cross-Task Transfer Learning for Resident Characteristics Estimation | |
| Priya et al. | A survey on deep learning based IoT approach for precision crop suggestion | |
| Wichitwechkarn et al. | Data-driven definition and modelling of plant growth |
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 |