[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

说明书

本发明提供了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，包括以下步骤：将土壤数据和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；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，得出综合肥力指数；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，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；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。本发明解决了神经网络要求训练样本量大的问题，还给出土壤的丰缺度评价和污染指标评价。

技术领域

本发明涉及种植技术，特别是涉及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。

背景技术

测土配方施肥方法是以土壤测试以及肥料田间试验结果为基础，根据作物需肥规律、土壤供肥性能和肥料效应，合理提出肥料的施用量、施用时期和方法的技术，此技术可被分为测土施肥和配方施肥，测土施肥和配方施肥都要进行土壤养分测定，后者还需要根据大量的田间试验得出结论，但因目的一样，因此被统称为测土配方施肥技术。

随着网络信息技术和数据采集技术的飞速发展，农业物联网的技术日趋成熟，规模日益增大，传统的农业种植也愈发依赖信息技术的参与和指导。传统的测土配方施肥是在农业专家指导下科学施用配方肥，其技术核心是调节和解决作物需肥与土壤供肥之间的矛盾，使得肥料的施放实现最大经济效益和最小环境污染。而针对一些类似于枳壳、石斛、双孢菌、白芷这类小微量不常见的农作物，现阶段该类作物种植存在农业物联网覆盖不全面、作物数据量级小、专家经验匮乏的问题，要实现测土配方施肥有必要要结合人工智能的方法，对要分析的作物建立物联网，生成专属数据库。再结合数据增强的方法和深度学习的神经网络模型进行相应的分析学习，给出测土配方的配肥建议和对应的产量预测。

当前进行测土配方施肥的方法可以归为以下几类：

基于最小养分律和报酬递减律的拟合方程法。这类方法，是充分应用作物的生长规律映射出的函数关系，即作物产量与配肥关系符合二次项系数为负时二次函数的数值变化趋势，所以该方法利用最小二乘法确定方程系数，最后得出拟合方程。局限性在于某些作物的生长规律和拟合出的方程不符，又或者原始拟合数据点的数据采样误差太大，上述情况均会极大影响拟合方程的精度。

基于专家经验与数学模型相融合的方法。专家经验通常表现为：依据土壤样本的不同属性和不同作物对元素敏感度的差异来构建以元素阈值作为分支的决策树，每一叶节点对应一个配肥建议和预测产量的概率值。此类方法适合作物常见、专家经验丰富、数据样本呈低维性的情况，若样本维数过高或分类较多时，专家经验概率组合会十分复杂。此外，专家经验主观性较强，其正确与否将直接影响判别结果。

基于传感器和肥料效应方程的方法。这类方法，是充分利用了物联网技术和农业科学技术。通过传感器采集的土壤理化数据，结合农业科学研究总结的肥料效应方程进行计算，以此来有针对性地补充作物所需的营养元素，实现各种养分平衡供应。此方法的局限性在于对某些小微量作物，其对土壤各元素的敏感度截然不同，又或者种植地区的经纬度、湿度、气候类型都可能极大影响作物的配肥方式和产量，故常用肥料效应方程不适用于不常见作物。

基于神经网络的测土配方施肥方法。这类方法利用前馈神经网络、卷积神经网络、自组织竞争网络等基本的深度学习模型对作物进行产量预测和配肥建议。神经网络由于有很强的泛化能力和一定的容错能力，因此神经网络在应用时，其对数据质量和规格要求相对较低，适用范围更广。此外还有些方法是利用卷积神经网络或循环神经网络提取样本数据特征，来进行预测和配肥推荐。这类方法对原始数据量的要求较大，在大量训练样本下训练形成的模型能够准确预测产量和给出精确配肥建议。