[发明专利]基于深度学习和计权型多因子评价的测土配方施肥方法

权利要求书

1.一种基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，具体包括以下步骤：

S1，数据预处理：将土壤传感器获取的土壤数据和设定年份内统计的地块产量数据进行整理和归档，并进行归一化处理和添加标签操作，得到样本数据；

S2，土壤综合肥力评价：针对不同作物对不同化学元素敏感度的差异设置对应的权重，利用分肥力系数标准公式和改进的内梅罗指数法对土壤的肥力状况和重金属污染状况划分等级，数据传入计权型多因子评价模型得出综合肥力指数；

S3，数据增强：通过计权型多因子评价改进经典遗传算法中的适应度函数，保留遗传算法中数据交配的思想，通过适应度函数选取合适的子代数据来进行数据增强，扩充数据样本；

S4，基于神经网络的配方施肥：使用扩充的数据样本对神经网络模型进行训练，得出作物的产量预测与配肥补肥策略。

2.根据权利要求1所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，步骤S1具体包括以下步骤：

S101，清除土壤数据和地块产量数据中的无关数据、故障数据；

S102，对清除后的土壤数据和地块产量数据进行归一化处理；

S103，将处理后的土壤数据和地块产量数据合并为一个文件，并进行随机打乱，得到样本数据。

3.根据权利要求2所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，步骤S102中归一化处理采用的公式如下：

式中：X_ij表示样本中第i个序列数据的第j个属性；N表示样本中序列数据的个数；n表示每条样本的属性维度。max{g}表示取最大值；min{g}表示取最小值。

4.根据权利要求1所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，步骤S2具体包括以下步骤：

S201，根据自变量与肥力水平的正负相关性，计算各不同自变量的分肥力系数；

S202，将分肥力系数带入改进的内梅罗公式，得出所需的综合肥力指数；

S203，确定综合肥力指数的修正系数，计算对应的综合肥力指数的取值区间；

S204，将综合肥力指数的取值区间划分级别，进行对应评级，并定级给出丰缺度等级评价。

5.根据权利要求4所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，步骤S203确定综合肥力指数的修正系数具体指的是

通过设定不同修正系数进行对比试验，分析综合肥力指数的函数图像的平滑度和方差大小，得到最佳的修正系数。

6.根据权利要求4所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，步骤S3中通过计权型多因子评价改进经典遗传算法中的适应度函数具体指的是将丰缺度等级评价作为适应度函数，应用丰缺度等级评价分别对土壤数据和地块产量数据进行两次丰缺评价，若两组数据的丰缺评价等级一致，则适应度为1，否则为0。

7.根据权利要求1所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，步骤S4具体包括以下步骤：

S401，将扩充的数据样本分为训练集、验证集和测试集，选定神经网络模型，设定神经网络模型的激活函数和损失函数；

S402，设定输入层单元数、隐藏层神经元数、输出层单元数、迭代次数和学习率；

S403，隐藏层通过插值公式将低维空间的非线性不可分数据映射到高维空间，并通过一个含有解的先验知识的约束来控制映射函数的光滑性；

S404，选择中心选择算法并进行训练；

S405，根据设定的迭代次数进行训练，最终得出作物的产量预测与配肥补肥策略。

8.根据权利要求7所述的基于深度学习和计权型多因子评价的测土配方施肥方法，其特征在于，神经网络模型为RBF神经网络模型。