[发明专利]一种基于机器学习的火龙果种植全周期植物营养配置方法

权利要求书

1.一种基于机器学习的火龙果种植全周期植物营养配置方法，其特征在于，包括以下步骤：

建立土壤影响神经网络模型；获取火龙果所处环境的土壤数据并输入至土壤影响神经网络模型获得土壤影响营养系数；

建立生长状态网络模型；获取火龙果的生长图像数据并输入至生长状态网络模型，获得生长状态影响营养系数；

建立气象影响神经网络模型；获取火龙果所处环境的气象数据并输入至气象影响神经网络模型，获得气象影响营养系数；

建立灌溉影响神经网络模型；获取火龙果种植过程中的灌溉数据并输入至灌溉影响神经网络模型，获得灌溉影响营养系数；

建立施肥影响网络模型；获取火龙果种植过程中的施肥数据并输入至施肥影响网络模型，获得施肥影响营养系数；

建立地形影响网络模型；获取火龙果所处环境的地形数据并输入至地形影响网络模型，获得地形影响营养系数；

将土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数分别进行过滤后，构建成数据集；划分所述数据集的70％用做模型构建，所述数据集的30％用做模型验证；构建数据集与火龙果营养N、P、K比例的回归模型，获得不同生长阶段火龙果需要相应的N、P、K的比例；

其中，所述土壤影响神经网络模型为根据植物营养专家依据土壤数据对火龙果营养进行土壤影响营养系数数值设定后，采集大量对应土壤影响营养系数数值的土壤数据；所述土壤影响神经网络模型以土壤数据作为输入，以土壤影响营养系数为输出；

所述生长状态网络模型为根据植物营养专家依据生长图像数据对火龙果营养进行生长状态影响营养系数数值设定后，采集大量对应生长状态影响营养系数数值的生长图像数据；所述生长状态网络模型以生长图像数据作为输入，以生长状态影响营养系数为输出；

气象影响神经网络模型为根据植物营养专家依据气象数据对火龙果营养进行气象影响营养系数数值设定后，采集大量对应气象影响营养系数数值的气象数据；所述气象影响神经网络模型以气象数据作为输入，以气象影响营养系数为输出；

灌溉影响神经网络模型为根据植物营养专家依据灌溉数据对火龙果营养进行灌溉影响营养系数数值设定后，采集大量对应灌溉影响营养系数数值的灌溉数据；所述灌溉影响神经网络模型以灌溉数据作为输入，以灌溉影响营养系数为输出；

施肥影响网络模型为根据植物营养专家依据施肥数据对火龙果营养进行施肥影响营养系数数值设定后，采集大量对应施肥影响营养系数数值的施肥数据；所述施肥影响网络模型以施肥数据作为输入，以施肥影响营养系数为输出；

地形影响网络模型为根据植物营养专家依据地形数据对火龙果营养进行地形影响营养系数数值设定后，采集大量对应地形影响营养系数数值的地形数据；所述地形影响网络模型以地形数据作为输入，以地形影响营养系数为输出。

2.根据权利要求1所述的一种基于机器学习的火龙果种植全周期植物营养配置方法，其特征在于：所述土壤数据包括土壤结构、土壤空气含量、地表平均温度、不同土层平均温度、不同土层平均湿度、土壤酸碱度、土壤电导率、土壤元素成分、土壤有机质含量、土壤微生物含量。

3.根据权利要求1所述的一种基于机器学习的火龙果种植全周期植物营养配置方法，其特征在于：所述生长图像数据包括火龙果枝叶的图像、火龙果花的图像、火龙果果实的图像。

4.根据权利要求1所述的一种基于机器学习的火龙果种植全周期植物营养配置方法，其特征在于：所述气象数据包括光照时长、光照强度、降雨量、大气温度、平均温度、极限温度、风速和蒸发量。

5.根据权利要求1所述的一种基于机器学习的火龙果种植全周期植物营养配置方法，其特征在于：所述灌溉数据包括灌溉水的种类、品质、灌溉时间、灌溉用量和灌溉频率。

6.根据权利要求1所述的一种基于机器学习的火龙果种植全周期植物营养配置方法，其特征在于：所述施肥信息包括肥料的种类、养分含量、施肥时间、施肥用量、施肥浓度和施肥频率。