CN118036830A - 多熟栽培模式下花魔芋产量预测方法 - Google Patents

Abstract

本发明公开了一种多熟栽培模式下花魔芋产量预测方法，属于魔芋和智慧农业技术领域。预测方法包括：调取花魔芋块茎膨大期的数据，然后特征生成模块输出第一调秩矩阵；第一调秩矩阵依次经过计算生成第二调秩矩阵；调取花魔芋幼苗期的数据，然后计算得到第一调节向量；调取花魔芋换头期的数据，然后计算得到第二调节向量；第三调秩矩阵依次经过计算生成第四调秩矩阵；将第四调秩矩阵输入预测模块，然后预测模块输出得到花魔芋的产量预测值。本发明采用两个全连接网络分别学习不同种类的数据，然后再利用第三全连接网络将数据融合，有效降低了计算量和过拟合概率；并在后续实现了多维信息的有效融合，提高了预测值的准确性。

Description

多熟栽培模式下花魔芋产量预测方法

技术领域

本发明属于魔芋和智慧农业技术领域，具体地说，涉及一种多熟栽培模式下花魔芋产量预测方法。

背景技术

在我国西南地区，花魔芋通常于4月种植，11月上旬倒苗，11月下旬采收。有研究表明，种植花魔芋的同时与玉米套种，高秆作物玉米能为喜阴凉、忌强光的矮秆作物魔芋遮挡上部空间较强的日照，为魔芋提供适宜的环境。另外，于10月底在花魔芋高墒两边种植菜豆（2月采收），不仅能改善土壤的氮含量，还能提高土壤中微生物的丰富度和多样性，从而提高魔芋的产量和品质。这种多熟栽培模式下，影响魔芋产量的因素更多，而且与单一的魔芋种植模式相比，某些环境因素（如风速、光照等）对魔芋产量的影响效果发生了改变，原本单一种植模式下的魔芋产量预测方法不再准确，因此，有必要提出一种多熟栽培模式下的花魔芋产量预测方法。

发明内容

针对上述现象，本发明提供了一种多熟栽培模式下花魔芋产量预测方法，以提升多熟栽培模式下对花魔芋产量的预测精确度，为实际生产活动提供更好的指导。

为了达到上述目的，本发明采用的解决方案是：多熟栽培模式下花魔芋产量预测方法，包括以下步骤：

S100、调取预设区域内、花魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和高度差数据；调取所述预设区域内的第一间距、第二间距和第三间距数据；

所述第一间距为相邻花魔芋植株之间的距离的平均值，所述第二间距为花魔芋与最近玉米植株之间的距离的平均值，所述第三间距为上一年度相邻菜豆植株之间的距离的平均值，所述高度差数据为花魔芋顶端与最近玉米植株顶端的高度差的平均值；

S200、将步骤S100中调取的数据输入特征生成模块，经过计算后，所述特征生成模块输出第一调秩矩阵；

S300、所述第一调秩矩阵依次经过第一卷积运算和第一函数激活后，生成第二调秩矩阵；所述第二调秩矩阵的通道数量大于所述第一调秩的通道数量；

S400、调取所述预设区域内、花魔芋幼苗期的土壤、光照和气温数据，然后输入第一分支模块，经过计算后，所述第一分支模块输出第一调节向量；

S500、调取所述预设区域内、花魔芋换头期的土壤、光照、气温和高度差数据，调取所述预设区域内的第一间距、第二间距和第三间距数据，然后一起输入第二分支模块，经过计算后，所述第二分支模块输出第二调节向量；

S600、所述第二调秩矩阵与所述第一调节向量、所述第二调节向量融合，生成第三调秩矩阵；

S700、所述第三调秩矩阵依次经过第二卷积运算和第二函数激活后，生成第四调秩矩阵；所述第四调秩矩阵的通道数量大于所述第三调秩矩阵的通道数量；

S800、将所述第四调秩矩阵输入预测模块，经过计算后，所述预测模块输出得到花魔芋的产量预测值。

本发明提出的预测方法能够有效地将多熟栽培模式下的多种影响因素有机地结合起来，算法模型在保证预测准确性的同时，还具有计算量低、适应性强等优点。

进一步地，步骤S100中，调取的土壤数据包括土壤水分、土壤pH值、土壤氮含量、土壤钾含量和土壤磷含量；

调取的光照数据包括日平均光照强度和日光照时间；

调取的气温数据包括气温日较差和日平均气温；

调取的二氧化碳浓度数据包括日平均二氧化碳浓度。

进一步地，步骤S100中，调取花魔芋块茎膨大期内多天的数据；

所述特征生成模块包括多个信息学习单元，所述特征生成模块内部的计算过程包括以下步骤：

将S100中调取的数据分别输入各个信息学习单元，其中，同一天的数据输入同一个信息学习单元，经过计算后，所述信息学习单元输出引值向量；

将所有引值向量竖向拼接起来，得到所述第一调秩矩阵。

进一步地，所述信息学习单元包括第一全连接网络、第二全连接网络和第三全连接网络；

输入所述第一全连接网络的数据包括：土壤水分、土壤pH值、土壤氮含量、土壤钾含量、土壤磷含量、日平均光照强度、日光照时间、气温日较差、日平均气温、日平均二氧化碳浓度；

所述第一全连接网络经过计算后，输出第一前置向量；

输入所述第二全连接网络的数据包括：日平均光照强度、日光照时间、气温日较差、日平均气温、第一间距、第二间距、第三间距和高度差数据；

所述第二全连接网络经过计算后，输出第二前置向量；

所述第一前置向量与所述第二前置向量横向拼接后，生成第三前置向量；

所述第三全连接网络以所述第三前置向量作为输入，经过计算后，所述第三全连接网络输出所述引值向量。

进一步地，所述第一全连接网络、第二全连接网络和第三全连接网络均包括一个隐藏层，第一全连接网络、第二全连接网络和第三全连接网络的隐藏层和输出层均设有非线性激活函数，所述第一全连接网络的隐藏层节点数与所述第二全连接网络隐藏层节点数相等。

进一步地，步骤600中，还包括以下步骤：

调取所述特征生成模块中所有第一全连接网络的隐藏层的激活函数输出的第一隐藏向量，所述第一隐藏向量经过对应的第一复准函数激活后，得到第一显性向量；

将所有所述第一显性向量相加，得到第二显性向量；

调取所述特征生成模块中所有第二全连接网络的隐藏层的激活函数输出的第二隐藏向量，所述第二隐藏向量经过对应的第二复准函数激活后，得到第三显性向量；

将所有所述第三显性向量相加，得到第四显性向量；

将所述第四显性向量与所述第二显性向量做元素对应乘积，得到第五显性向量；

所述第五显性向量经过第三复准函数激活后，得到复准向量；

步骤S700中，所述复准向量先与所述第三调秩矩阵做元素对应乘积运算，然后再依次经过第二卷积运算和第二函数激活。

进一步地，所述第一分支模块包括依次设置的第一分支全连接层和第一分支函数；步骤S400中，

调取的土壤数据包括土壤水分和土壤pH值；

调取的光照数据包括日光照时间；

调取的气温数据包括日最高气温和日平均气温。

进一步地，所述第二分支模块包括依次设置的第二分支全连接层和第二分支函数；步骤S500中，

调取的土壤数据包括土壤钾含量、土壤pH值和土壤氮含量；

调取的光照数据包括日平均光照强度；

调取的气温数据包括日平均气温。

进一步地，步骤S600中，所述第二调秩矩阵与所述第一调节向量、所述第二调节向量融合，包括：

所述第二调秩矩阵分别与第一调节向量和第二调节向量做元素对应乘积运算，生成融合矩阵；

所述融合矩阵经过融合函数激活后，得到所述第三调秩矩阵。

进一步地，所述预测模块内部计算过程包括以下步骤：

分别对所述第四调秩矩阵的各个通道做全局平均池化运算，生成预测向量；

所述预测向量依次经过预测全连接层和预测激活函数后，生成所述花魔芋的产量预测值。

本发明的有益效果是：

常规的预测模型中，都是简单地将各种影响因子数据直接作为一个全连接网络的输入，然后在输出端得到想要的结果，这种方式不仅计算量大，而且容易过拟合，模型鲁棒性差；本发明创造性地采用两个全连接网络分别学习不同种类的数据，然后再利用第三全连接网络巧妙地将数据融合，有效降低了计算量和过拟合概率；

以往的算法都只使用了全连接网络输出端的信息，忽略了其中间隐藏层中的信息价值，信息利用效率低，而且存在较高的过拟合风险；本发明第一全连接网络和第二全连接网络的隐藏层和输出层的信息都传递到了后续的调秩矩阵中，模型内部信息流传输渠道更丰富，具有更强的自适应学习能力，极大地降低了过拟合的概率；而且，隐藏层和输出层的信息形成互相验证的效果，模型对噪音的过滤和抗干扰能力更强；

由于多熟栽培模式下，影响魔芋产量的因素更多，本发明中，从第一调秩矩阵生成第四调秩矩阵过程中，逐步降低矩阵的高度和宽度尺寸，并同步增大其通道数量，实现了多维信息的有效融合，这样模型对多种产量影响因素数据具有更细致的学习效果，提高了预测值的准确性。

附图说明

图1为一实施例的花魔芋产量预测方法的流程示意图；

图2为引值向量拼接生成第一调秩矩阵的示意图；

附图中：1-特征生成模块，2-第一分支模块，3-第二分支模块，4-预测模块，5-引值向量，6-第一调秩矩阵。

具体实施方式

以下结合附图对本发明作进一步描述：

实施例：在四川西部某地区实施了本发明提出的多熟栽培模式下花魔芋产量预测方法，具体实施过程如图1所示，包括：

S100、调取预设区域内、花魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和高度差数据；调取同一预设区域内的第一间距、第二间距和第三间距数据。

该预设区域为花魔芋、玉米和菜豆的种植区域，花魔芋于4月种植，11月上旬倒苗，11月下旬采收。花魔芋种植后在两行间种植两行双株玉米，玉米于8月采收。菜豆于10月底在花魔芋高墒两边种植菜豆，第二年2月采收。第一间距为相邻花魔芋植株之间的距离的平均值，第二间距为花魔芋与最近玉米植株之间的距离的平均值，第三间距为上一年度相邻菜豆植株之间的距离的平均值。第一间距、第二间距和第三间距均为植株中心之间的距离。作物栽种后，在后续的生长过程中，第一间距、第二间距和第三间距不再发生改变。高度差数据为花魔芋顶端与最近玉米植株顶端的高度差的平均值（也就是玉米植株高度减去花魔芋植株高度）。由于预设区域内，花魔芋、玉米和菜豆都是等间距种植，所以第一间距、第二间距和第三间距可以很方便地测量得到。高度差数据可以采用抽样的方式测量后计算平均值得到。

具体地，花魔芋块茎膨大期内，调取的土壤数据包括土壤水分、土壤pH值、土壤氮含量、土壤钾含量和土壤磷含量；调取的光照数据包括日平均光照强度和日光照时间；调取的气温数据包括气温日较差和日平均气温；调取的二氧化碳浓度数据包括日平均二氧化碳浓度。其中，土壤数据每12小时测量一次，一天测量2次，然后取平均值作为当天的测量结果。光照、气温、二氧化碳浓度都通过设置传感器实时测量数据。调取的数据都预先经过了标准化（如归一化）处理。

S200、将步骤S100中调取的数据输入特征生成模块1，经过计算后，特征生成模块1输出第一调秩矩阵6。在本实施例中，步骤S100中，调取了花魔芋块茎膨大期内8天的数据，每一天的数据都包括了土壤、光照等所有维度。其中第一天数据是刚进入块茎膨大期当天的数据，后面每间隔5天调取一次当天的数据，这样最后一天为块茎膨大期快结束时的数据。

特征生成模块包括8个信息学习单元，特征生成模块1内部的计算过程包括以下步骤：

将S100中调取的数据分别输入各个信息学习单元，其中，同一天的数据输入同一个信息学习单元（例如，第1天的数据输入第1个信息学习单元，第2天的数据输入第2个信息学习单元，以此类推），经过计算后，信息学习单元输出长度为5的引值向量5。一个信息学习单元输出一个引值向量5，一共得到8个引值向量5。

将所有引值向量5竖向拼接起来，得到第一调秩矩阵6。如图2所示，在第一调秩矩阵6中，每一列的数据对应一个引值向量5。拼接后，原本位于引值向量5左边的数据位于第一调秩矩阵6的上方，原本位于引值向量5右边的数据位于第一调秩矩阵6的下方。第1个信息学习单元输出的向量位于第一调秩矩阵6的左边，中间各个引值向量5从左往右依次排列，直到第8个信息学习单元输出的向量位于第一调秩矩阵6的右边。因此，本实施例的第一调秩矩阵宽度为8，高度为5，通道数为1。

具体地，信息学习单元包括第一全连接网络、第二全连接网络和第三全连接网络，第一全连接网络、第二全连接网络和第三全连接网络内部的激活函数均为sigmoid。

进一步地，输入第一全连接网络的数据包括：土壤水分、土壤pH值、土壤氮含量、土壤钾含量、土壤磷含量、日平均光照强度、日光照时间、气温日较差、日平均气温、日平均二氧化碳浓度。因此，第一全连接网络输入层节点数为10，隐藏层节点数为5，输出层节点数为3。第一全连接网络经过计算后，输出得到长度为3的第一前置向量。

光照强度和光照时间为无遮挡情况下传感器测得的数据，由于外部光照对花魔芋的影响效果还取决于第一间距、第二间距和高度差等数据，所以输入第二全连接网络的数据包括：日平均光照强度、日光照时间、气温日较差、日平均气温、第一间距、第二间距、第三间距和高度差数据。因此，第二全连接网络输入层节点数为8，隐藏层节点数为5，输出层节点数为3。第二全连接网络经过计算后，输出长度为3的第二前置向量。

第一前置向量与第二前置向量横向拼接后，生成长度为6的第三前置向量。

第三全连接网络以第三前置向量作为输入，因此，第三全连接网络输入层节点数为6，隐藏层节点数为4，输出层节点数为5。经过计算后，第三全连接网络输出得到引值向量。

S300、第一调秩矩阵依次经过第一卷积运算（卷积核尺寸为3*3，步长为1）和第一函数（tanh）激活后，生成第二调秩矩阵。第二调秩矩阵宽度为6，高度为3，通道数为5。

S400、调取同一预设区域内、花魔芋幼苗期的土壤、光照和气温数据，然后输入第一分支模块2，经过计算后，第一分支模块2输出第一调节向量。

步骤S400中，调取的土壤数据包括土壤水分和土壤pH值；调取的光照数据包括日光照时间；调取的气温数据包括日最高气温和日平均气温。第一分支模块2包括依次设置的第一分支全连接层和第一分支函数，第一分支全连接层输入节点数为5，输出节点数为5，第一分支函数为sigmoid，因此，得到的第一调节向量长度为5。

S500、调取同一预设区域内、花魔芋换头期的土壤、光照、气温和高度差数据，调取同一预设区域内的第一间距、第二间距和第三间距数据，然后将这些数据一起输入第二分支模块3，经过计算后，第二分支模块3输出第二调节向量。

步骤S500中，调取的土壤数据包括土壤钾含量、土壤pH值和土壤氮含量；调取的光照数据包括日平均光照强度；调取的气温数据包括日平均气温。第二分支模块3包括依次设置的第二分支全连接层和第二分支函数，第二分支全连接层输入节点数为9，输出节点数为5，第一分支函数为sigmoid，因此，得到的第二调节向量长度为5。

S400中调取的为花魔芋幼苗期内7天的数据，然后对这7天的各类数据分别求平均值后作为第一分支模块2的输入。比如，对幼苗期内7天的气温值数据求平均值后的结果输入第一分支模块2。同样的，S500中获取花魔芋换头期内7天数据，然后对7天的各类数据求分别平均值后作为第二分支模块3的输入。上述幼苗期内和换头期内的7天通常是均匀分散的，第一天的数据通常为刚进入幼苗期或换头期时的数据，最后一天的数据通常为幼苗期或换头期快结束时的数据。

S600、第二调秩矩阵与第一调节向量、第二调节向量融合，生成第三调秩矩阵。

具体地，将第二调秩矩阵分别与第一调节向量和第二调节向量做元素对应乘积运算，第一调节向量和第二调节向量为第二调秩矩阵各个通道分配不同大小的权重参数，生成得到融合矩阵。融合矩阵经过融合函数（logistics）激活后，得到所述第三调秩矩阵。

另外，本实施例还调取所有第一全连接网络的隐藏层的激活函数输出的第一隐藏向量（长度为5），第一隐藏向量经过对应的第一复准函数（ReLU）激活后，得到第一显性向量。其中，第一复准函数与第一隐藏向量一一对应设置，一共8个第一复准函数。

将所有第一显性向量相加，得到第二显性向量。

调取所有第二全连接网络的隐藏层的激活函数输出的第二隐藏向量（长度为5），第二隐藏向量经过对应的第二复准函数（ReLU）激活后，得到第三显性向量；其中，第二复准函数与第二隐藏向量一一对应设置，一共8个第二复准函数。

将所有第三显性向量相加，得到第四显性向量；

将第四显性向量与第二显性向量做元素对应乘积，得到第五显性向量；

第五显性向量经过第三复准函数（sigmoid）激活后，得到复准向量（长度为5）。

S700、复准向量先与第三调秩矩阵做元素对应乘积运算，得到的结果依次经过第二卷积运算（卷积核尺寸为3*3，步长为1）和第二函数（tanh）激活后，生成第四调秩矩阵；第四调秩矩阵宽度为4，高度为1，通道数为10。

S800、将第四调秩矩阵输入预测模块4，经过计算后，预测模块4输出得到花魔芋的产量预测值。本发明提供的算法模型预先在训练数据集上进行了训练，训练方式采用现有的常规方法即可。

具体地，预测模块4接收到第四调秩矩阵后，分别对第四调秩矩阵的各个通道做全局平均池化运算（分别计算各个通道内所有特征值的平均值），生成长度为10的预测向量。预测向量依次经过预测全连接层（输入节点数为10，输出节点数为1）和预测激活函数（sigmoid）后，生成花魔芋的产量预测值。测试表明，采用上述的预测模块4可以降低噪音带来的影响，模型鲁棒性更强。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.多熟栽培模式下花魔芋产量预测方法，其特征在于，包括以下步骤：

S100、调取预设区域内、花魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和高度差数据；调取所述预设区域内的第一间距、第二间距和第三间距数据；

所述第一间距为相邻花魔芋植株之间的距离的平均值，所述第二间距为花魔芋与最近玉米植株之间的距离的平均值，所述第三间距为上一年度相邻菜豆植株之间的距离的平均值，所述高度差数据为花魔芋顶端与最近玉米植株顶端的高度差的平均值；

S200、将步骤S100中调取的数据输入特征生成模块，经过计算后，所述特征生成模块输出第一调秩矩阵；

S300、所述第一调秩矩阵依次经过第一卷积运算和第一函数激活后，生成第二调秩矩阵；所述第二调秩矩阵的通道数量大于所述第一调秩的通道数量；

S400、调取所述预设区域内、花魔芋幼苗期的土壤、光照和气温数据，然后输入第一分支模块，经过计算后，所述第一分支模块输出第一调节向量；

S500、调取所述预设区域内、花魔芋换头期的土壤、光照、气温和高度差数据，调取所述预设区域内的第一间距、第二间距和第三间距数据，然后一起输入第二分支模块，经过计算后，所述第二分支模块输出第二调节向量；

S600、所述第二调秩矩阵与所述第一调节向量、所述第二调节向量融合，生成第三调秩矩阵；

S700、所述第三调秩矩阵依次经过第二卷积运算和第二函数激活后，生成第四调秩矩阵；所述第四调秩矩阵的通道数量大于所述第三调秩矩阵的通道数量；

S800、将所述第四调秩矩阵输入预测模块，经过计算后，所述预测模块输出得到花魔芋的产量预测值。

2.根据权利要求1所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，步骤S100中，调取的土壤数据包括土壤水分、土壤pH值、土壤氮含量、土壤钾含量和土壤磷含量；

调取的光照数据包括日平均光照强度和日光照时间；

调取的气温数据包括气温日较差和日平均气温；

调取的二氧化碳浓度数据包括日平均二氧化碳浓度。

3.根据权利要求2所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，步骤S100中，调取花魔芋块茎膨大期内多天的数据；

所述特征生成模块包括多个信息学习单元，所述特征生成模块内部的计算过程包括以下步骤：

将S100中调取的数据分别输入各个信息学习单元，其中，同一天的数据输入同一个信息学习单元，经过计算后，所述信息学习单元输出引值向量；

将所有引值向量竖向拼接起来，得到所述第一调秩矩阵。

4.根据权利要求3所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，所述信息学习单元包括第一全连接网络、第二全连接网络和第三全连接网络；

输入所述第一全连接网络的数据包括：土壤水分、土壤pH值、土壤氮含量、土壤钾含量、土壤磷含量、日平均光照强度、日光照时间、气温日较差、日平均气温、日平均二氧化碳浓度；

所述第一全连接网络经过计算后，输出第一前置向量；

输入所述第二全连接网络的数据包括：日平均光照强度、日光照时间、气温日较差、日平均气温、第一间距、第二间距、第三间距和高度差数据；

所述第二全连接网络经过计算后，输出第二前置向量；

所述第一前置向量与所述第二前置向量横向拼接后，生成第三前置向量；

所述第三全连接网络以所述第三前置向量作为输入，经过计算后，所述第三全连接网络输出所述引值向量。

5.根据权利要求4所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，所述第一全连接网络、第二全连接网络和第三全连接网络均包括一个隐藏层，所述第一全连接网络的隐藏层节点数与所述第二全连接网络隐藏层节点数相等。

6.根据权利要求5所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，步骤600中，还包括以下步骤：

调取所述特征生成模块中所有第一全连接网络的隐藏层的激活函数输出的第一隐藏向量，所述第一隐藏向量经过对应的第一复准函数激活后，得到第一显性向量；

将所有所述第一显性向量相加，得到第二显性向量；

调取所述特征生成模块中所有第二全连接网络的隐藏层的激活函数输出的第二隐藏向量，所述第二隐藏向量经过对应的第二复准函数激活后，得到第三显性向量；

将所有所述第三显性向量相加，得到第四显性向量；

将所述第四显性向量与所述第二显性向量做元素对应乘积，得到第五显性向量；

所述第五显性向量经过第三复准函数激活后，得到复准向量；

步骤S700中，所述复准向量先与所述第三调秩矩阵做元素对应乘积运算，然后再依次经过第二卷积运算和第二函数激活。

7.根据权利要求1所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，所述第一分支模块包括依次设置的第一分支全连接层和第一分支函数；步骤S400中，

调取的土壤数据包括土壤水分和土壤pH值；

调取的光照数据包括日光照时间；

调取的气温数据包括日最高气温和日平均气温。

8.根据权利要求1所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，所述第二分支模块包括依次设置的第二分支全连接层和第二分支函数；步骤S500中，

调取的土壤数据包括土壤钾含量、土壤pH值和土壤氮含量；

调取的光照数据包括日平均光照强度；

调取的气温数据包括日平均气温。

9.根据权利要求1所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，步骤S600中，所述第二调秩矩阵与所述第一调节向量、所述第二调节向量融合，包括：

所述第二调秩矩阵分别与第一调节向量和第二调节向量做元素对应乘积运算，生成融合矩阵；

所述融合矩阵经过融合函数激活后，得到所述第三调秩矩阵。

10.根据权利要求1所述的多熟栽培模式下花魔芋产量预测方法，其特征在于，所述预测模块内部计算过程包括以下步骤：

分别对所述第四调秩矩阵的各个通道做全局平均池化运算，生成预测向量；

所述预测向量依次经过预测全连接层和预测激活函数后，生成所述花魔芋的产量预测值。