[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

说明书

本发明公开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，包括以下步骤：建立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；获得生长状态影响营养系数；建立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；获得灌溉影响营养系数；建立施肥影响网络模型；获得施肥影响营养系数；建立地形影响网络模型；获得地形影响营养系数；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。本发明具有很好的针对性和预测性，抗干扰能力强，准确性高，诊断速度快。

技术领域

本发明涉及火龙果种植技术领域，更具体地，涉及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。

背景技术

火龙果[Hylocereus undatus spp.]，又名红龙果、仙蜜果、情人果、芝麻果等，是仙人掌科(Cactaceae)量天尺属(Hylocereus undatus)的多年生攀援性的肉质植物，属热带、亚热带果树，起源于中美洲的热带雨林及沙漠地带，人工栽培遍及中美洲、以色列、越南、泰国、美国等，在我国台湾栽培较多，已有几十年历史，中国大陆近年来在广西、广东、福建等地兴起，发展面积约32万亩，其中，福建约2万多亩，并呈快速发展的势头。火龙果集水果、花卉、蔬菜、保健为一体，有很高的经济价值。火龙果根系特别发达，无明显主根，根系较浅，多分布2-15cm表土层中；茎蔓上长有攀缘根，攀缘于棚架或其他柱状支撑物向上生长；植株生长旺盛，萌芽力和发枝力较强，一年四季均可生长；无叶片，光合作用靠茎蔓来完成，肉质茎蔓粗壮，呈三角柱形或四棱柱形。火龙果适应性强、速生、早结、果大、丰产、无大小年等优点。

火龙果在整个种植周期中需要配置不同N、P、K比例的营养配方。目前，判断火龙果营养配置方法多种多样，如通过土壤分析法、外观诊断法、化学分析法诊断等。土壤分析法有很好的针对性和预测性，但土壤干扰因素比较多，结果的准确性较低；外观诊断法受限于经验，容易产生误诊；化学分析法需要较长的检验时间。为了提高诊断的准确性，亟需一种能够判断出不同生长阶段的火龙果营养配方的配置方法。

发明内容

本发明的目的在于提供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，解决一般火龙果种植全周期植物营养配置方法出现的干扰多，准确性低，容易误诊，需要较长检验时间的技术问题，能通过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，具有很好的针对性和预测性，抗干扰能力强，准确性高，诊断速度快。

为达到上述目的，提供了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，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；