[發(fā)明專利]一種基于空間養(yǎng)分聚類分析的玉米產(chǎn)量預測方法

在審

• 申請?zhí)枺?/td>: 202110049323.X
• 申請日: 2021-01-14
• 公開（公告）號: CN112734119A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計）人: 馬春華;劉文龍;鄒大偉;王鐵濱;于麗萍
• 申請（專利權(quán)）人: 綏化學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/02;G06F16/2458;G06F16/29;G06K9/62;G06N20/00
• 代理公司: 哈爾濱市陽光惠遠知識產(chǎn)權(quán)代理有限公司 23211
• 代理人: 劉景祥

本發(fā)明公開了一種基于空間養(yǎng)分聚類分析的玉米產(chǎn)量預測方法，屬于計算機輔助診斷領(lǐng)域。包括以下步驟：進行數(shù)據(jù)收集，得到原始數(shù)據(jù)；對原始數(shù)據(jù)進行預處理；對空間網(wǎng)格進行聚類與挖掘，輸出土壤養(yǎng)分與玉米產(chǎn)量的關(guān)聯(lián)模型；進行施肥數(shù)量與經(jīng)濟型分析與決策，得到空間養(yǎng)分數(shù)據(jù)和追加肥數(shù)據(jù)；根據(jù)空間養(yǎng)分數(shù)據(jù)和追加肥數(shù)據(jù)，進行玉米的產(chǎn)量預測并與實際產(chǎn)量進行比較與分析；將當年產(chǎn)量數(shù)據(jù)歸檔入數(shù)據(jù)集，進行下一輪迭代，返回步驟一繼續(xù)進行模型訓練。本發(fā)明基于對空間的網(wǎng)格劃分與養(yǎng)分的精確測量得到的數(shù)據(jù)集，利用空間聚類分析方法，在數(shù)據(jù)預處理與篩選的情況下，進行土壤養(yǎng)分含量與產(chǎn)量之間的相關(guān)性分析，并對玉米產(chǎn)量進行預測。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于空間養(yǎng)分聚類分析的玉米產(chǎn)量預測方法，屬于計算機輔助診斷領(lǐng)域。

背景技術(shù)

長期以來，農(nóng)業(yè)生產(chǎn)受地址和氣候因素的影響，具有動態(tài)性、不確定性、時間空間多要素耦合等復雜的特點。傳統(tǒng)的技術(shù)手段無法正確及時掌握農(nóng)情，導致農(nóng)業(yè)生產(chǎn)長期處于信息化落后被動的局面，由于氣象災害后的預警不足、土壤養(yǎng)分分析不足造成的水肥追加不及時，常造成農(nóng)戶較大的經(jīng)濟損失。

隨著信息技術(shù)的發(fā)展，傳統(tǒng)集約化農(nóng)業(yè)已不滿足當今經(jīng)濟社會發(fā)展的需求，結(jié)合計算機的數(shù)字化數(shù)據(jù)管理及大數(shù)據(jù)、機器學習等高效的數(shù)據(jù)處理方法，拓寬了人類的感知，加速了精確農(nóng)業(yè)的迅速轉(zhuǎn)型。

玉米是東北地區(qū)的主要經(jīng)濟作物，對玉米種植全周期的精確管控與分析有助于提高玉米產(chǎn)量，為農(nóng)戶脫貧和政府創(chuàng)造經(jīng)濟效益。

發(fā)明內(nèi)容

本發(fā)明的目的是提出一種基于空間養(yǎng)分聚類分析的玉米產(chǎn)量預測方法，以解決現(xiàn)有技術(shù)中存在的問題。

一種基于空間養(yǎng)分聚類分析的玉米產(chǎn)量預測方法，玉米蟲害預警方法包括以下步驟：

步驟一、進行數(shù)據(jù)收集，得到原始數(shù)據(jù)；

步驟二、對原始數(shù)據(jù)進行預處理；

步驟三、對空間網(wǎng)格進行聚類與挖掘，輸出土壤養(yǎng)分與玉米產(chǎn)量的關(guān)聯(lián)模型；

步驟四、進行施肥數(shù)量與經(jīng)濟型分析與決策，得到空間養(yǎng)分數(shù)據(jù)和追加肥數(shù)據(jù)；

步驟五、根據(jù)空間養(yǎng)分數(shù)據(jù)和追加肥數(shù)據(jù)，進行玉米的產(chǎn)量預測并與實際產(chǎn)量進行比較與分析；

步驟六、將當年產(chǎn)量數(shù)據(jù)歸檔入數(shù)據(jù)集，進行下一輪迭代，返回步驟一繼續(xù)進行模型訓練。

進一步的，在步驟一中，具體包括以下步驟：

步驟一一、首先按照地圖進行精確網(wǎng)格劃分；

步驟一二、以五點取樣法或隨機抽樣法對每個網(wǎng)格內(nèi)的土壤數(shù)據(jù)進行測量與記錄，并打上時間戳；

步驟一三、經(jīng)全生產(chǎn)周期的測量后，將任一精確定位網(wǎng)格下的土壤數(shù)據(jù)形成時間序列；

步驟一四、將收集到的數(shù)據(jù)按精確定位下的地圖網(wǎng)格進行存儲；

步驟一五、將存儲的數(shù)據(jù)按照機器學習的訓練需求以10：1的比例隨機歸檔至訓練集和測試集。

進一步的，在步驟一二中，土壤數(shù)據(jù)包括：土壤養(yǎng)分、土壤含水量、施肥用量及施肥對應的肥料成本。

進一步的，在步驟二中，具體包括以下步驟：

步驟二一、進行訓練集數(shù)據(jù)的輸入；

步驟二二、對原始數(shù)據(jù)進行降噪；

步驟二三、將數(shù)據(jù)按需求進行分級和篩選；

步驟二四、將同類數(shù)據(jù)進行歸檔存儲。

進一步的，在步驟二二中，對原始數(shù)據(jù)降噪的實現(xiàn)形式為將顯著誤差點清除并使用前后項平均值進行插值，根據(jù)時間序列以卡爾曼濾波法進行降噪。