CN117688404A - 智能施肥配方决策方法、装置、设备、介质及程序产品 - Google Patents
智能施肥配方决策方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN117688404A CN117688404A CN202410148394.9A CN202410148394A CN117688404A CN 117688404 A CN117688404 A CN 117688404A CN 202410148394 A CN202410148394 A CN 202410148394A CN 117688404 A CN117688404 A CN 117688404A
- Authority
- CN
- China
- Prior art keywords
- data
- fertilization
- learning model
- formula decision
- formula
- 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.)
- Granted
Links
- 230000004720 fertilization Effects 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000003306 harvesting Methods 0.000 claims abstract description 105
- 235000015097 nutrients Nutrition 0.000 claims abstract description 97
- 238000013136 deep learning model Methods 0.000 claims abstract description 82
- 238000009825 accumulation Methods 0.000 claims abstract description 75
- 230000002787 reinforcement Effects 0.000 claims abstract description 68
- 230000012010 growth Effects 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 16
- 238000009472 formulation Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 235000015816 nutrient absorption Nutrition 0.000 claims description 12
- 235000021048 nutrient requirements Nutrition 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 239000002689 soil Substances 0.000 description 44
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 36
- 239000003337 fertilizer Substances 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 24
- 229910052757 nitrogen Inorganic materials 0.000 description 18
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 17
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 17
- 229910052698 phosphorus Inorganic materials 0.000 description 17
- 239000011574 phosphorus Substances 0.000 description 17
- 239000011591 potassium Substances 0.000 description 17
- 229910052700 potassium Inorganic materials 0.000 description 17
- 230000014509 gene expression Effects 0.000 description 14
- 230000009471 action Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 230000003698 anagen phase Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 5
- 235000021049 nutrient content Nutrition 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- WZLMXYBCAZZIRQ-UHFFFAOYSA-N [N].[P].[K] Chemical compound [N].[P].[K] WZLMXYBCAZZIRQ-UHFFFAOYSA-N 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- -1 dry matter Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明涉及农业技术领域,尤其涉及一种智能施肥配方决策方法、装置、设备、介质及程序产品。本发明通过收获预测深度学习模型预测养分累积曲线和施肥效率曲线,并通过配方决策强化学习模型获得养分累积曲线和施肥效率曲线相匹配的施肥配方,实现综合考虑多因素对肥料效率和作物生长的影响,提取不同因素在施肥过程中作用的关键特征,通过养分累积曲线和施肥效率曲线两个指标相匹配,提高施肥配方决策的科学性,减少施肥配方的经验依赖,实现施肥配方的智能决策。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种智能施肥配方决策方法、装置、设备、介质及程序产品。
背景技术
施肥能够直接影响着作物的生长发育和产量质量,进而影响农业的经济效益和生态环境。合理的施肥配方能够为作物提供充足和平衡的养分,促进作物的健康成长。
现有技术中,配方决策方法主要为依赖经验的配方决策方法,基于农民的经验和习惯,根据作物的品种、目标产量、土壤的类型等因素,确定施肥配方的方法。这种方法简单易行,但缺乏科学依据,忽视了土壤的养分状况和气候的变化,容易导致施肥过量或不足,造成肥料的浪费和污染,以及作物的生长受限和产量降低。因此,如何针对施肥配方进行科学决策,是农业生产中亟待解决的重要课题。
发明内容
本发明提供一种智能施肥配方决策方法、装置、设备、介质及程序产品,用以解决现有技术中施肥配方决策依赖经验的缺陷,实现施肥配方的科学决策。
本发明提供一种智能施肥配方决策方法,包括以下步骤:
获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
根据本发明提供的智能施肥配方决策方法,所述模拟养分累积曲线是通过如下方法得到的:
根据环境数据确定作物生长阶段;
根据环境数据和作物的目标产量,确定作物的养分需求;
根据作物生长阶段和作物的养分需求,确定作物的养分吸收速率;
根据作物的养分吸收速率,确定作物的养分累积量;
根据作物的养分累积量,得到模拟养分累积曲线;所述模拟养分累积曲线用于描述作物的养分累积量与时间的关联关系。
根据本发明提供的智能施肥配方决策方法,所述模拟施肥效率曲线是通过如下方法得到的:
根据作物生长阶段,确定作物的养分利用率;
根据作物的养分利用率,使用数值方法求解得到模拟施肥效率曲线;所述模拟施肥效率曲线用于描述施肥方式与作物养分利用率的关联关系。
根据本发明提供的智能施肥配方决策方法,所述收获预测深度学习模型包括编码器层和解码器层;所述编码器层和解码器层均包括一个多头自注意力子层和一个前馈神经网络子层;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,包括以下步骤:
输入所述第一数据至收获预测深度学习模型的编码器层,得到编码器层输出的隐藏状态向量;
输入所述隐藏状态向量至收获预测深度学习模型的解码器层,得到解码器层输出的第二数据。
根据本发明提供的智能施肥配方决策方法,所述配方决策强化学习模型为基于双延迟深度确定性策略梯度算法的配方决策强化学习模型;
所述输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案,包括以下步骤:
根据第一数据和第二数据,初始化配方决策强化学习模型;所述配方决策强化学习模型的奖励函数包括养分累积曲线的施肥效率曲线的匹配度;
使用梯度上升法优化双延迟深度确定性策略梯度算法的目标演员网络和当前演员网络,使目标演员网络和当前演员网络的期望奖励最大化;
使用梯度下降法优化双延迟深度确定性策略梯度算法的目标评论家网络和当前评论家网络,使目标评论家网络和当前评论家网络的价值函数误差最小化;
根据优化后的双延迟深度确定性策略梯度算法,得到施肥配方方案。
根据本发明提供的智能施肥配方决策方法,还包括以下步骤:
使用迁移学习方法获得收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略;
根据收获预测深度学习模型的优化参数优化收获预测深度学习模型;
根据配方决策强化学习模型的优化策略优化配方决策强化学习模型。
本发明还提供一种智能施肥配方决策装置,包括:
数据获取模块,用于获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
收获预测模块,用于输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
配方决策模块,用于输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述智能施肥配方决策方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述智能施肥配方决策方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述智能施肥配方决策方法。
本发明提供的智能施肥配方决策方法、装置、设备、介质及程序产品,通过收获预测深度学习模型预测养分累积曲线和施肥效率曲线,并通过配方决策强化学习模型获得养分累积曲线和施肥效率曲线相匹配的施肥配方,实现综合考虑多因素对肥料效率和作物生长的影响,提取不同因素在施肥过程中作用的关键特征,通过养分累积曲线和施肥效率曲线两个指标相匹配,提高施肥配方决策的科学性,减少施肥配方的经验依赖,实现施肥配方的智能决策。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的智能施肥配方决策方法的流程示意图;
图2是本发明提供的智能施肥配方决策装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的智能施肥配方决策方法、装置、设备、介质及程序产品。
图1是本发明实施例提供的智能施肥配方决策方法的流程示意图,如图1所示,包括步骤110-步骤130,具体为:
步骤110、获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
步骤120、输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
步骤130、输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
本发明实施例中,所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
本发明实施例的收获预测深度学习模型可以为卷积神经网络模型(Convolutional Neural Networks, CNN),循环神经网络模型(Recurrent NeuralNetwork,RNN),自编码器收获预测深度学习模型,Transformer模型等;可以理解的是,采用不同的模型结构可以关注不同的输入数据的特征,可以根据不同数据的特点和需求以选择合适的收获预测深度学习模型结构。
本发明实施例中,模拟养分累积曲线和模拟施肥效率曲线是根据机理模型模拟得到的,可以采用作物环境资源合成模型(Crop Environment Resource Synthesis,CERES)、基于过程的作物生长模拟模型(Decision Support System for AgrotechnologyTransfer,DSSAT)、农业生产系统模拟器(Agricultural Production Systems sIMulator,APSIM)等机理模型对作物的施肥效率和养分累积进行模拟;本发明实施例的养分累积曲线用于描述作物的养分累积量与时间的关联关系;施肥效率曲线用于描述施肥方式与作物养分利用率的关联关系;
本发明实施例中,环境数据可以包括土壤环境数据,例如土壤的氮、磷、钾、有机质含量、土壤水分、土壤组成等数据,也可以包括气候环境数据,例如温度、湿度、降水、风速等数据;作物性状数据为描述作物性状的数据,可以包括作物的品种、生长阶段、生物量、养分含量、养分利用率等数据;施肥数据为描述施肥方式的数据,例如施肥的方式、时间、量、深度、位置、形式、成分等数据。本发明实施例中,第一数据可以以三维矩阵的形式存储和输入,其中每个矩阵的层代表一个数据源,每个矩阵的行和列分别代表一个样本和一个指标,矩阵的元素为相应的数值;
具体地,本发明的步骤110包括以下步骤:
从不同的土壤层次(包括表层、亚表层和深层)和不同的土壤类型(包括砂土、壤土和粘土)中,随机抽取若干个土壤样本,将其编号并记录其位置和特征。然后,将土壤样本送至实验室进行化学分析,测定其氮、磷、钾、有机质等养分含量,以及其他相关的土壤性质(包括pH、电导率、盐分等)。将测定结果存储为一个二维矩阵,其中每一行代表一个土壤样本,每一列代表一个土壤指标,矩阵的元素为相应的数值;
从不同的作物品种和不同的生长阶段中,随机抽取若干个作物样本,将其编号并记录其位置和特征。然后,将作物样本送至实验室进行生物分析,测定其生物量、干物质、氮、磷、钾等含量,以及其他相关的作物性状(包括叶面积指数、叶绿素含量等)。将测定结果存储为一个二维矩阵,其中每一行代表一个作物样本,每一列代表一个作物指标,矩阵的元素为相应的数值;
从不同的地区和不同的时间段中,收集若干个环境数据,包括气候、温度、降水、日照、风速等参数,以及其他相关的环境因素(包括灾害、病虫害等)。将收集的数据存储为一个二维矩阵,其中每一行代表一个地区和时间段的组合,每一列代表一个环境指标,矩阵的元素为相应的数值;
本发明实施例中,可以对收集的数据进行预处理,包括清洗、规范化和格式化,以便于后续的分析和模型训练。具体地,包括以下步骤:
对于土壤测试数据矩阵,作物生长数据矩阵/>和环境数据矩阵/>,分别进行以下操作:
清洗:检查数据是否存在缺失值、异常值、重复值、错误值等问题,如果存在,采用相应的方法进行处理,包括删除、插补、修正等。例如,如果某个土壤样本的氮含量为负值,显然是错误的,可以用该样本所属的土壤类型的平均氮含量来替代。
规范化:将数据转换为统一的度量单位和数据类型,以消除数据的量纲和尺度差异,便于后续的计算和比较。例如,将土壤的氮、磷、钾含量由mg/kg转换为kg/ha,将作物的生物量由g/m2转换为kg/ha,将环境的温度由摄氏度转换为开尔文度等。
格式化:将数据按照一定的规则和标准进行组织和存储,以便于后续的读取和处理。例如,将数据存储为CSV(逗号分隔值)格式的文件,每个文件的第一行为数据的列名,每个文件的第一列为数据的行名,每个文件的文件名为数据的来源和类型等。
最后,将预处理后的数据输出为一个三维矩阵D,其中每个矩阵的层代表一个数据源(包括土壤、作物或环境),每个矩阵的行和列分别代表一个样本和一个指标,矩阵的元素为相应的数值。该三维矩阵D包含了所有收集和预处理的数据,为后续的模型分析提供了必要的信息。
本发明实施例的第一数据为实时数据,可以根据实地采样获取、现场调查获取、实时传感器设备获取以及通过卫星设备数据获取等多种方式得到。
本发明实施例的配方决策强化学习模型用于输出养分累积曲线和施肥效率曲线的匹配程度高,同时作物收获指标好的施肥配方方案;可以理解的是,本发明实施例通过收获预测深度学习模型以使得到的养分累积曲线和施肥效率曲线符合环境、土壤以及施肥方式的实际情况,再使用收获预测深度学习模型即可得到养分累积曲线和施肥效率曲线的匹配程度高,同时作物收获指标好的施肥配方方案。
本发明实施例通过上述步骤110-步骤130,通过收获预测深度学习模型预测养分累积曲线和施肥效率曲线,并通过配方决策强化学习模型获得养分累积曲线和施肥效率曲线相匹配的施肥配方,实现综合考虑多因素对肥料效率和作物生长的影响,提取不同因素在施肥过程中作用的关键特征,通过养分累积曲线和施肥效率曲线两个指标相匹配,提高施肥配方决策的科学性,减少施肥配方的经验依赖,实现施肥配方的智能决策。
本发明实施例中,所述模拟养分累积曲线是通过如下方法得到的:
根据环境数据确定作物生长阶段;
根据环境数据和作物的目标产量,确定作物的养分需求;
根据作物生长阶段和作物的养分需求,确定作物的养分吸收速率;
根据作物的养分吸收速率,确定作物的养分累积量;
根据作物的养分累积量,得到模拟养分累积曲线;所述模拟养分累积曲线用于描述作物的养分累积量与时间的关联关系。
根据环境数据确定作物生长阶段,具体为:
根据作物的生育期和生理特征,将作物的生长过程划分为若干个生长阶段,包括出苗期、分蘖期、拔节期、抽穗期、灌浆期和成熟期等。每个生长阶段的长度由作物的生长速率和环境因素决定,可以用一个累积温度模型来表示,其表达式为:
其中,是第/>个生长阶段的累积温度(℃),/>和/>是第/>个生长阶段的开始和结束时间(天),/>和/>是当天的最高和最低气温(℃),/>是作物的基础温度(℃),即作物开始生长所需的最低温度。
根据环境数据和作物的目标产量,确定作物的养分需求,具体为:
作物所需的氮、磷、钾的总量的表达式分别为:
其中,为作物的目标产量;/>,/>,/>分别为土壤氮、磷、钾含量;/>,/>,分别为作物的氮、磷、钾的吸收系数,即作物每吸收1 kg的氮、磷、钾所能产生的干物质量;/>,/>,/>分别为作物的氮、磷、钾的含量系数,即作物干物质中氮、磷、钾的含量;/>为转换系数。
本发明实施例也可以根据作物所需的氮、磷、钾的比例描述作物的养分需求,具体为:
其中,,/>,/>分别为作物需要的氮、磷、钾元素的比例;
本发明实施例中,环境数据可以包括土壤的养分平衡系数,其表达式为:
其中,为土壤的氮平衡系数,/>为土壤的磷平衡系数,/>为土壤的钾平衡系数;
本发明实施例的作物的养分吸收速率为单位时间内作物吸收的养分量。本发明实施例的作物的养分吸收速率受到作物的生物量、养分含量、养分利用率、土壤的养分供应、土壤的水分和温度等因素的影响,因此,根据作物生长阶段和作物的养分需求,确定作物的养分吸收速率,其表达式为:
其中,是第/>个生长阶段的养分吸收速率,/>是作物的生物量,/>是作物的养分含量,/>是作物的养分利用率,/>是土壤的养分含量,/>是土壤的水分,/>是土壤的温度;/>可通过机器学习方法或统计学方法进行拟合得到。
根据作物的养分吸收速率,确定作物的养分累积量,其表达式为:
其中,是第/>个生长阶段的养分累积量,/>是第/>个生长阶段的养分累积量,/>是第/>个生长阶段的养分吸收速率,/>为第i个生长期的时长。
本发明实施例通过上述方法模拟养分累积曲线,模拟了模拟作物的养分需求随时间的变化,为收获预测深度学习模型的训练数据提供科学的参考和强可解释性,使基于收获预测深度学习模型输出的养分累积曲线符合作物的实际生长养分累积情况,从而提高施肥配方方案决策的科学性。
本发明实施例中,所述模拟施肥效率曲线是通过如下方法得到的:
根据作物生长阶段,确定作物的养分利用率;
根据作物的养分利用率,使用数值方法求解得到模拟施肥效率曲线;
其中,根据作物生长阶段,确定作物的养分利用率,其表达式为:
其中,表示不同施肥方式的参数,/>表示作物的生长阶段的参数,/>表示土壤的水分,/>表示土壤的温度,/>可通过机器学习方法或统计学方法进行拟合得到;
本发明实施例的施肥方式的参数可以包括施肥时间、施肥量、施肥深度、施肥位置、施肥形式、施肥成分等量化参数,可以用一个一维向量来表示,其中每个元素代表一个施肥方式的参数。
根据作物的养分利用率,使用数值方法求解得到模拟施肥效率曲线,其表达式为:
其中,是施肥效率曲线,/>是作物的养分利用率,/>是施肥量,/>是一个动态函数,可以用微分方程、差分方程、有限元法等数值方法求解;
本发明实施例中,施肥量与养分利用率的关系为:
其中,,/>,/>分别为氮、磷、钾肥的单位面积施肥量,/>,/>,/>为氮、磷、钾肥的肥料利用率,/>,/>,/>为氮、磷、钾肥被作物吸收的比例。
本发明实施例通过上述方法模拟施肥效率曲线,模拟了不同施肥方式的施肥效果对施肥效率的影响,为收获预测深度学习模型的训练数据提供科学的参考和强可解释性,使基于收获预测深度学习模型输出的施肥效率曲线符合作物的实际施肥效率和作物吸收情况,从而提高施肥配方方案决策的科学性。同时,本发明实施例还可以根据施肥效率曲线,绘制不同施肥方式的施肥效果图,以进行施肥方式的决策参考。
本发明实施例中,所述收获预测深度学习模型包括编码器层和解码器层;所述编码器层和解码器层均包括一个多头自注意力子层和一个前馈神经网络子层;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,包括以下步骤:
输入所述第一数据至收获预测深度学习模型的编码器层,得到编码器层输出的隐藏状态向量;
输入所述隐藏状态向量至收获预测深度学习模型的解码器层,得到解码器层输出的第二数据。
本发明实施例的自注意力子层能够计算输入序列中每个元素与其他元素的相关性,前馈神经网络子层能够对输入序列进行非线性变换。编码器的作用是将输入的土壤、气候、作物、施肥等数据转换为一个隐藏状态向量,解码器的作用是根据隐藏状态向量生成作物的养分累积曲线和施肥效率曲线,以及作物的产量和质量等输出数据。编码器和解码器的数学表达式如下:
其中,是输入的土壤、气候、作物、施肥等数据(矩阵),/>是隐藏状态向量(向量),是输出的作物的养分累积曲线和施肥效率曲线,以及作物的产量和质量等数据(向量),Encoder和Decoder是编码器和解码器的函数,分别由若干个编码器层和解码器层组成。编码器层和解码器层的数学表达式如下:
其中,和/>是第/>层编码器和解码器的输出(矩阵),/>,/>,/>是编码器和解码器的层数,/>是前馈神经网络子层的函数,/>是自注意力子层的函数,/>是交叉注意力子层的函数,它们的数学表达式如下:
其中,和/>是输入的序列(矩阵),/>,/>和/>是输入序列的查询、键和值(矩阵),,/>,/>和/>是前馈神经网络子层的权重矩阵和偏置向量,/>是输入序列的维度,是线性整流单元函数,/>是归一化指数函数。
本发明实施例中,收获预测深度学习模型的训练目标是最小化输出数据和训练数据/>之间的均方误差(MSE),即:
其中,是输出数据的维度,/>和/>是输出数据和训练数据的第/>个元素。
本发明实施例通过采用Transformer结构的收获预测深度学习模型,能够有效处理时间序列数据和文本序列数据,提取历史数据的时间特征和不同数据之间的相互特征,能够基于环境、作物和施肥之间的复杂作用过程提取符合真实情况的养分累积曲线、施肥效率曲线和作物收获预测数据,提高施肥配方决策的科学性。
本发明实施例中,配方决策强化学习模型为基于双延迟深度确定性策略梯度算法的配方决策强化学习模型;
所述输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案,包括以下步骤:
根据第一数据和第二数据,初始化配方决策强化学习模型;所述配方决策强化学习模型的奖励函数包括养分累积曲线的施肥效率曲线的匹配度;
使用梯度上升法优化双延迟深度确定性策略梯度算法的目标演员网络和当前演员网络,使目标演员网络和当前演员网络的期望奖励最大化;
使用梯度下降法优化双延迟深度确定性策略梯度算法的目标评论家网络和当前评论家网络,使目标评论家网络和当前评论家网络的价值函数误差最小化;
根据优化后的双延迟深度确定性策略梯度算法,得到施肥配方方案。
具体地,配方决策强化学习模型该模型可以用一个马尔可夫决策过程(MDP)来实现,其中每个状态由当前的土壤、气候、作物、施肥等数据组成,每个动作由不同的施肥配方方案组成,每个奖励均包括包括养分累积曲线的施肥效率曲线的匹配度,也可以包括作物的产量、质量、成本、收益、环境影响等评价指标。该模型的策略由一个策略函数π表示,该函数能够根据当前的状态,输出最优的动作。该模型的参数由一个价值函数表示,该函数能够根据当前的状态和动作,输出预期的奖励。该模型的输出可以用一个一维向量/>来表示,其中每个元素代表一个施肥配方方案的参数,包括肥料的氮磷钾比例或纯肥施用量等;
本发明实施例中,基于双延迟深度确定性策略梯度算法由两个演员网络和两个评论家网络组成,具体为:
两个演员网络(Actor Network):分别用两个深度神经网络来近似策略函数,其中一个是目标演员网络,另一个是当前演员网络。目标演员网络的参数由当前演员网络的参数按照一定的比例软更新,以保持目标演员网络的稳定性。当前演员网络的参数由梯度上升法更新,以最大化期望的奖励。两个演员网络的数学表达式如下:
其中,和/>是当前演员网络和目标演员网络在时刻/>的输出(向量),即施肥配方方案的参数,/>和/>是当前演员网络和目标演员网络的函数,分别由若干个神经网络层组成,/>是目标演员网络在时刻/>的输出(向量),/>是软更新的比例,是第一个评论家网络在时刻/>的输出(标量),即预期的奖励,/>是经验回放缓冲区,即存储了历史的状态、动作、奖励、下一状态等数据的集合,/>是期望值运算符,/>是最大化运算符。
两个评论家网络(Critic Network):分别用两个深度神经网络来近似价值函数,其中一个是目标评论家网络,另一个是当前评论家网络。目标评论家网络的参数由当前评论家网络的参数按照一定的比例软更新,以保持目标评论家网络的稳定性。当前评论家网络的参数由梯度下降法更新,以最小化价值函数的误差。两个评论家网络的数学表达式如下:/>
其中,和/>是目标评论家网络的两个输出(标量),即预期的奖励,/>和是目标评论家网络在时刻/>的两个输出(标量),/>和是当前评论家网络和目标评论家网络的函数,分别由若干个神经网络层组成,/>是当前的奖励(标量),/>是下一个状态(矩阵),即下一个时刻的土壤、气候、作物、施肥等数据,/>是目标值(标量),即根据当前的奖励和下一个状态的预期奖励计算的期望奖励,/>是折扣因子,/>是软更新的比例,/>是经验回放缓冲区,即存储了历史的状态、动作、奖励、下一状态等数据的集合,/>是期望值运算符,/>是最小化运算符。该配方决策强化学习模型的训练目标是最大化累积的奖励,即:
其中,是初始状态(矩阵),即初始时刻的土壤、气候、作物、施肥等数据,/>是时刻/>的奖励(标量),/>是折扣因子。
因此,本发明实施例的配方决策强化学习模型能够根据当前的土壤、气候、作物、施肥等数据,以及作物的养分累积曲线和施肥效率曲线,选择最优的施肥配方方案,包括明确肥料的最优氮磷钾比例、纯肥施用量(氮、磷、钾各多少公斤/公顷)、施肥方案(基肥、追肥的用量),使得作物的养分累积曲线和施肥效率曲线达到最佳匹配,同时考虑经济效益和环境影响。
本发明实施例的智能施肥配方决策方法还包括以下步骤:
使用迁移学习方法获得收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略;
根据收获预测深度学习模型的优化参数优化收获预测深度学习模型;
根据配方决策强化学习模型的优化策略优化配方决策强化学习模型。
其中,使用迁移学习方法获得收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,包括以下步骤:
确定源域和目标域;具体地,源域可以为已有的土壤、气候、作物、施肥等数据,以及现有的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,目标域可以为新的土壤、气候、作物、施肥等数据,以及待求的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略。
提取源域和目标域的共性特征和差异特征;具体地,共性特征为两个域中都存在的土壤、气候、作物、施肥等数据的特征,差异特征为两个域中不同的土壤、气候、作物、施肥等数据的特征。提取特征的方法可以用一个特征提取网络来实现,该网络由若干个卷积层和池化层组成,能够从输入的数据中提取高层次的抽象特征。特征提取网络的数学表达式如下:
其中,是输入的土壤、气候、作物、施肥等数据,/>是提取的特征,是特征提取网络的函数,分别由若干个卷积层和池化层组成。
对源域和目标域的共性特征和差异特征进行对齐和适配;具体地,对齐和适配的方法可以用一个对齐网络和一个适配网络来实现,其中对齐网络是一个对抗生成网络(GAN),能够通过一个生成器和一个判别器的博弈,生成目标域的数据,使之与源域的数据难以区分,适配网络是一个分类网络,能够根据目标域的数据,预测作物的养分累积曲线和施肥效率曲线,以及作物的产量和质量等输出数据。对齐网络和适配网络的数学表达式如下:
其中,是生成的目标域的数据(矩阵),/>是预测的目标域的输出数据(向量),是对齐网络的函数,由一个生成器和一个判别器组成,/>是适配网络的函数,由一个分类器组成,/>和/>是源域和目标域的数据分布,/>是目标域的真实输出数据(向量),/>是生成器的函数,由若干个反卷积层和激活层组成,是判别器的函数,由若干个卷积层和全连接层组成,/>是分类器的函数,由若干个全连接层和激活层组成,/>是均方误差函数,/>是期望值运算符,/>和/>是最小化和最大化运算符。上述步骤使得两个域的数据分布更加接近,同时保留各自的特点。
从对齐网络和适配网络中提取目标域的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,作为迁移后的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略;提取参数和策略的方法可以用一个提取网络来实现,该网络由若干个全连接层和激活层组成,能够从输入的目标域的数据和输出数据中,提取与源域的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略相对应的目标域的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略。提取网络的数学表达式如下:
其中,是提取的目标域的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,即施肥配方方案的参数,/>是提取网络的函数,分别由若干个全连接层和激活层组成。
本发明实施例中,可以利用在线学习的技术,将模型在实际应用中的表现和反馈作为新的数据,不断更新和优化收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,具体包括:
记录步骤:根据当前的土壤、气候、作物、施肥等数据,以及迁移后的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,执行施肥计划和操作指南,观察作物的养分累积曲线和施肥效率曲线,以及作物的产量和质量等输出数据,记录模型的表现和反馈;
更新步骤:将模型的表现和反馈作为新的数据,作为收获预测深度学习模型和配方决策强化学习模型的输入数据,更新和优化模型的参数和策略。更新和优化的方法可以用一个更新网络和一个优化网络来实现,其中更新网络是一个循环神经网络(RNN),能够根据输入的新的数据,生成新的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,优化网络是一个元学习网络(Meta-Learning Network),能够根据输入的新的收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略,调整模型的学习率和损失函数,使模型能够更快地适应新的数据。
本发明实施例通过迁移学习方法不断更新和优化模型的参数和策略,提高模型的准确性和效率,使得两个模型能够适应不同的场景和需求,持续改进和完善模型的性能,进而实现施肥配方的决策的合理和可持续,避免施肥配方的决策的过度拟合和过时失效。
综上所述,本发明实施例提供的智能施肥配方决策方法通过收获预测深度学习模型预测养分累积曲线和施肥效率曲线,并通过配方决策强化学习模型获得养分累积曲线和施肥效率曲线相匹配的施肥配方,实现综合考虑多因素对肥料效率和作物生长的影响,提取不同因素在施肥过程中作用的关键特征,通过养分累积曲线和施肥效率曲线两个指标相匹配,提高施肥配方决策的科学性,减少施肥配方的经验依赖,实现施肥配方的智能决策。
本发明实施例还提供一种施肥方法,具体为:根据上述步骤得到施肥配方方案;根据施肥配方方案的肥料的氮磷钾比例,选择肥料品种和组合;根据纯肥施用量,计算出每种肥料的施用量,以及总的施肥量;根据施肥方案,确定施肥计划并进行施肥。可以理解的是,除了上述因素外,还可以考虑肥料的价格、供应、质量等因素以降低施肥成本;考虑肥料的含量、密度、形状等因素以提高施肥计划可行性;施肥计划可以包括施肥的目的、原理、步骤、注意事项等,以便于农业生产者的执行和监督。
对本发明提供的智能施肥配方决策装置进行描述,下文描述的基于区块链的种子指纹数据管理系统与上文描述的智能施肥配方决策装置可相互对应参照。
图2是本发明提供的智能施肥配方决策装置的结构示意图,如图2所示,包括:
数据获取模块210,用于获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
收获预测模块220,用于输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
配方决策模块230,用于输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
可见,本发明实施例提供的智能施肥配方决策装置可以通过收获预测深度学习模型预测养分累积曲线和施肥效率曲线,并通过配方决策强化学习模型获得养分累积曲线和施肥效率曲线相匹配的施肥配方,实现综合考虑多因素对肥料效率和作物生长的影响,提取不同因素在施肥过程中作用的关键特征,通过养分累积曲线和施肥效率曲线两个指标相匹配,提高施肥配方决策的科学性,减少施肥配方的经验依赖,实现施肥配方的智能决策。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行本发明实施例的智能施肥配方决策方法,包括以下步骤:
获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的智能施肥配方决策方法,包括以下步骤:
获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的智能施肥配方决策方法,包括以下步骤:
获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
又一方面,本发明还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的智能施肥配方决策方法,包括以下步骤:
获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种智能施肥配方决策方法,其特征在于,包括以下步骤:
获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
2.根据权利要求1所述的智能施肥配方决策方法,其特征在于,所述模拟养分累积曲线是通过如下方法得到的:
根据环境数据确定作物生长阶段;
根据环境数据和作物的目标产量,确定作物的养分需求;
根据作物生长阶段和作物的养分需求,确定作物的养分吸收速率;
根据作物的养分吸收速率,确定作物的养分累积量;
根据作物的养分累积量,得到模拟养分累积曲线;所述模拟养分累积曲线用于描述作物的养分累积量与时间的关联关系。
3.根据权利要求2所述的智能施肥配方决策方法,其特征在于,所述模拟施肥效率曲线是通过如下方法得到的:
根据作物生长阶段,确定作物的养分利用率;
根据作物的养分利用率,使用数值方法求解得到模拟施肥效率曲线;所述模拟施肥效率曲线用于描述施肥方式与作物养分利用率的关联关系。
4.根据权利要求1所述的智能施肥配方决策方法,其特征在于,所述收获预测深度学习模型包括编码器层和解码器层;所述编码器层和解码器层均包括一个多头自注意力子层和一个前馈神经网络子层;
输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,包括以下步骤:
输入所述第一数据至收获预测深度学习模型的编码器层,得到编码器层输出的隐藏状态向量;
输入所述隐藏状态向量至收获预测深度学习模型的解码器层,得到解码器层输出的第二数据。
5.根据权利要求1所述的智能施肥配方决策方法,其特征在于,所述配方决策强化学习模型为基于双延迟深度确定性策略梯度算法的配方决策强化学习模型;
所述输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案,包括以下步骤:
根据第一数据和第二数据,初始化配方决策强化学习模型;所述配方决策强化学习模型的奖励函数包括养分累积曲线的施肥效率曲线的匹配度;
使用梯度上升法优化双延迟深度确定性策略梯度算法的目标演员网络和当前演员网络,使目标演员网络和当前演员网络的期望奖励最大化;
使用梯度下降法优化双延迟深度确定性策略梯度算法的目标评论家网络和当前评论家网络,使目标评论家网络和当前评论家网络的价值函数误差最小化;
根据优化后的双延迟深度确定性策略梯度算法,得到施肥配方方案。
6.根据权利要求1所述的智能施肥配方决策方法,其特征在于,还包括以下步骤:
使用迁移学习方法获得收获预测深度学习模型的优化参数和配方决策强化学习模型的优化策略;
根据收获预测深度学习模型的优化参数优化收获预测深度学习模型;
根据配方决策强化学习模型的优化策略优化配方决策强化学习模型。
7.一种智能施肥配方决策装置,其特征在于,包括:
数据获取模块,用于获取第一数据,所述第一数据包括环境数据、作物性状数据和施肥数据;
收获预测模块,用于输入所述第一数据至收获预测深度学习模型,获取收获预测深度学习模型输出的第二数据,所述第二数据包括养分累积曲线、施肥效率曲线和作物收获预测数据;
配方决策模块,用于输入所述第一数据和第二数据至配方决策强化学习模型,获取配方决策强化学习模型输出的施肥配方方案;
所述收获预测深度学习模型是根据历史环境数据、历史作物性状数据和历史施肥数据,以及模拟养分累积曲线、模拟施肥效率曲线和历史作物收获数据通过标签训练得到的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述智能施肥配方决策方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述智能施肥配方决策方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述智能施肥配方决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148394.9A CN117688404B (zh) | 2024-02-02 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148394.9A CN117688404B (zh) | 2024-02-02 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688404A true CN117688404A (zh) | 2024-03-12 |
CN117688404B CN117688404B (zh) | 2024-05-10 |
Family
ID=
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
US20220015287A1 (en) * | 2020-07-20 | 2022-01-20 | Psimos, Inc | Smart fertilizer delivery system |
US20220146409A1 (en) * | 2018-03-05 | 2022-05-12 | Csbp Limited | Agricultural condition determination |
US20220189025A1 (en) * | 2019-03-08 | 2022-06-16 | Assest Corporation | Crop yield prediction program and cultivation environment assessment program |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
CN116128672A (zh) * | 2022-12-09 | 2023-05-16 | 广州大学 | 一种模型-数据联合驱动的大棚智能配肥方法和系统 |
CN116762539A (zh) * | 2023-08-09 | 2023-09-19 | 布瑞克农业大数据科技集团有限公司 | 一种农作物智能施肥方法 |
KR20230159321A (ko) * | 2022-05-12 | 2023-11-21 | 스페이스워크 주식회사 | 강화학습 기반 작물 재배를 제어하는 방법, 시스템및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN117114099A (zh) * | 2023-08-31 | 2023-11-24 | 福州大学 | 顾及时空特征的水稻施肥知识图谱构建及知识推理方法 |
CN117322214A (zh) * | 2023-11-30 | 2024-01-02 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
US20220146409A1 (en) * | 2018-03-05 | 2022-05-12 | Csbp Limited | Agricultural condition determination |
US20220189025A1 (en) * | 2019-03-08 | 2022-06-16 | Assest Corporation | Crop yield prediction program and cultivation environment assessment program |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
US20220015287A1 (en) * | 2020-07-20 | 2022-01-20 | Psimos, Inc | Smart fertilizer delivery system |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
KR20230159321A (ko) * | 2022-05-12 | 2023-11-21 | 스페이스워크 주식회사 | 강화학습 기반 작물 재배를 제어하는 방법, 시스템및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN116128672A (zh) * | 2022-12-09 | 2023-05-16 | 广州大学 | 一种模型-数据联合驱动的大棚智能配肥方法和系统 |
CN116762539A (zh) * | 2023-08-09 | 2023-09-19 | 布瑞克农业大数据科技集团有限公司 | 一种农作物智能施肥方法 |
CN117114099A (zh) * | 2023-08-31 | 2023-11-24 | 福州大学 | 顾及时空特征的水稻施肥知识图谱构建及知识推理方法 |
CN117322214A (zh) * | 2023-11-30 | 2024-01-02 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
Non-Patent Citations (1)
Title |
---|
刘步玉: "变量施肥控制方法研究", 中国优秀硕士学位论文全文数据库农业科技辑, 15 March 2014 (2014-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
Charoen-Ung et al. | Sugarcane yield grade prediction using random forest with forward feature selection and hyper-parameter tuning | |
CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
Osojnik et al. | Tree-based methods for online multi-target regression | |
Priya et al. | An IoT based gradient descent approach for precision crop suggestion using MLP | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
Perales Gómez et al. | FARMIT: continuous assessment of crop quality using machine learning and deep learning techniques for IoT-based smart farming | |
Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
Torres-Tello et al. | Interpretability of artificial intelligence models that use data fusion to predict yield in aeroponics | |
Dhaliwal et al. | Sweet corn yield prediction using machine learning models and field-level data | |
Yang et al. | Prediction of corn variety yield with attribute-missing data via graph neural network | |
Mishra et al. | Crop Recommendation System using KNN and Random Forest considering Indian Data set | |
CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
Mohapatra et al. | Statistical analysis and evaluation of feature selection techniques and implementing machine learning algorithms to predict the crop yield using accuracy metrics | |
CN117688404B (zh) | 智能施肥配方决策方法、装置、设备、介质及程序产品 | |
Reddy et al. | Machine learning techniques for weather based crop yield prediction | |
CN117688404A (zh) | 智能施肥配方决策方法、装置、设备、介质及程序产品 | |
WO2023035066A1 (en) | Soil property model using measurements of properties of nearby zones | |
CN115017798A (zh) | 基于深度学习的土壤耕作层水分温度预测方法 | |
Tummala et al. | Predicting crop yield with NDVI and Backscatter values using Deep Neural Networks | |
Chandana et al. | Efficient machine learning regression algorithm using naïve Bayes classifier for crop yield prediction and optimal utilization of fertilizer | |
Sagar et al. | Analysis and prediction of cotton yield with fertilizer recommendation using gradient boost algorithm | |
Iuchi et al. | Stabilizing the Predictive Performance for Ear Emergence in Rice Crops Across Cropping Regions | |
Ujjainia et al. | Crop Yield Prediction using Regression Model | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 |
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 | ||
GR01 | Patent grant |