【技术实现步骤摘要】
基于机器学习模型的植物生长预测方法、装置和设备
本公开涉及植物生长预测领域，并且具体地，涉及一种基于机器学习模型的植物生长预测方法、植物生长预测装置和设备以及计算机可读存储介质。
技术介绍
在对植物生长进行预测时，通常采用基于物理公式推导的物理模拟器，根据温室在每一个时刻的光照强度、温度、湿度、二氧化碳浓度，结合植物在不同生长阶段的新陈代谢情况来预测植物每天的生长情况。这种基于物理公式的物理模拟器通过物理公式来推导在不同温室环境状态下植物的每日生长情况，然而，由于真实温室中影响植物状态的因素较多，且不同影响因素之间具有相互作用，现有物理模拟器无法精确的模拟真实温室中不同天气状态对于植物的影响，因此，物理模拟器对植物生长状态的预测结果通常与真实温室具有较大差距。此外，基于物理公式的物理模拟器的模拟速度较慢，通常需要3-5秒才能完成植物一天的模拟，因此在对较长种植周期进行模拟以及寻找最优种植策略时所需的时间成本较大。近年来，机器学习技术快速发展。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度...
【技术保护点】
1.一种基于机器学习模型的植物生长预测方法，所述机器学习模型包括第一子模型、第二子模型和第三子模型，所述植物生长预测方法包括：/n获取温室控制参数、天气数据和植物状态数据；/n利用第一子模型根据所述温室控制参数生成第一特征向量；/n利用第二子模型根据所述天气数据生成第二特征向量；/n利用第三子模型根据所述植物状态数据生成第三特征向量；以及/n基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成预定时间段后的植物生长预测结果。/n
【技术特征摘要】
1.一种基于机器学习模型的植物生长预测方法，所述机器学习模型包括第一子模型、第二子模型和第三子模型，所述植物生长预测方法包括：
获取温室控制参数、天气数据和植物状态数据；
利用第一子模型根据所述温室控制参数生成第一特征向量；
利用第二子模型根据所述天气数据生成第二特征向量；
利用第三子模型根据所述植物状态数据生成第三特征向量；以及
基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成预定时间段后的植物生长预测结果。
2.根据权利要求1所述的植物生长预测方法，其中，所述机器学习模型还包括第四子模型，所述基于所述第一特征向量、所述第二特征向量和所述第三特征向量生成植物生长预测结果包括：
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接以得到拼接的特征向量；
利用第四子模型根据所述拼接的特征向量生成所述植物生长预测结果。
3.根据权利要求1或2所述的植物生长预测方法，其中，
所述获取温室控制参数包括：遍历所述温室控制参数中的每个参数的每个候选值，利用所述每个参数的每个候选值，更新所述温室控制参数；
所述生成预定时间段后的植物生长预测结果包括：根据每个更新的温室控制参数，生成其对应的植物生长预测结果，以得到多个植物生长预测结果。
4.根据权利要求3所述的植物生长预测方法，所述植物生长预测方法还包括：
基于所述多个植物生长预测结果，确定最优植物生长预测结果；
获取与所述最优植物生长预测结果相对应的温室控制参数作为推荐温室控制参数。
5.根据权利要求1或2所述的植物生长预测方法，还包括：
获取在所述预定时间段后的植物状态数据；
基于所述植物生长预测结果与所述预定时间段后的植物状态数据，确定预测损失；以及
基于所述预测损失，调整所述机器学习模型的至少一部分参数。
6.根据权利要求1所述的植物生长预测方法，还包括：
基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成所述预定时间段内的温室内预测天气状态。
7.根据权利要求1所述的植物生长预测方法，其中，
所述温室控制参数包括所述预定时间段内温室内的温度、二氧化碳浓度、开灯时间、关灯时间、开始浇水时间和停止浇水时间中的一个或多个；
所述天气数据包括所述预定时间段内温室外的光照强度、温度、湿度、风速、虚拟天空温度以及温室内的历史温度、历史湿度、历史二氧化碳浓度和历史光照强度中的一个或多个；
所述植物状态数据包括植物在预测开始时间点的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量中的一个或多个；以及
所述植物生长预测结果包括植物在所述预定时间段后的叶面积指数、茎密度、果实数、累计收获果实湿重、累计收获果实干重中的一个或多个。
8.根据权利要求1所述的植物生长预测方法，其中...
【专利技术属性】
技术研发人员：范锦谕，罗迪君，李蓝青，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。