基于人工智能的土壤配肥方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种基于人工智能的土壤配肥方法、系统、设备及存储介质，方法为：在作物的生长周期内多次获取指定区域的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、作物的长势情况；并按照时间段以数据矩阵存储到数据库中作为原始样本数据；对原始样本数据进行剪枝优化处理筛选出影响最大的特征值，得到训练样本数据；应用随机森林算法对训练样本数据进行训练学习得到长势模型；将待配肥区域的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况输入长势模型得到作物对养分的最佳土壤含量NR、PH、温度、湿度、实际土壤含量SNC；根据肥料的养分含量FNC、配肥公式计算肥料用量。配肥公式计算肥料用量。配肥公式计算肥料用量。

【技术实现步骤摘要】
基于人工智能的土壤配肥方法、系统、设备及存储介质


[0001]本专利技术涉及土壤配肥
，更具体地说，它涉及一种基于人工智能的土壤配肥方法、系统、设备及存储介质。

技术介绍

[0002]随着我国农业产业的快速发展，土壤养分平衡与土壤肥力管理已成为农业生产中重要的环节。而实现精准施肥，确保作物的生长发育及产量的高效增长，则需要现代化的土壤配肥技术的支持。然而传统的人工配肥方法存在不足：生产效率低、成本高、难以适应不同土壤类型与作物需求，无法快速适应环境变化等问题。
[0003]专利CN108684278B公开了一种智能配肥方法、装置和系统，该方法根据位置信息获取土壤养分检测值、PH值、地形、土质、施肥习惯和/或历史产量；根据土壤养分检测值计算土壤养分供应量；根据农作物信息获取养分需求量；根据养分需求量和土壤养分供应量计算养分施用量。
[0004]上述的智能配肥方法是建立在施肥习惯和历史产量的基础上的，忽略了气候对作物的影响，同样存在无法快速适应环境变化的问题。

技术实现思路

[0005]本专利技术要解决的技术问题是针对现有技术的上述不足，本专利技术的目的一是提供一种基于人工智能的土壤配肥方法，以解决传统土壤肥力检测方法存在的痛点及问题，使土壤施肥更加精准、高效，提高作物产量及品质。
[0006]本专利技术的目的二是提供一种基于人工智能的土壤配肥系统。
[0007]本专利技术的目的三是提供一种计算机设备。
[0008]本专利技术的目的四是提供一种计算机存储介质。
[0009]为了实现上述目的一，本专利技术提供一种基于人工智能的土壤配肥方法，包括以下步骤：
[0010]步骤S1.在作物一个生长周期内，多次获取指定区域的气候参数、土壤参数以及作物的长势图像，气候参数包括湿度H、温度T、光照强度L，土壤参数包括土壤酸碱度PH、养分含量SNC、微量元素，根据长势图像得到长势情况；
[0011]步骤S2.将每一次获取的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况按照时间段以数据矩阵存储到数据库中，并作为原始样本数据；
[0012]步骤S3.对每一次获取的原始样本数据进行剪枝优化处理，筛选出影响最大的特征值，得到训练样本数据；
[0013]步骤S4.应用随机森林算法对所述训练样本数据进行训练学习，得出相关推理规则，建立土壤养分、环境因子与作物生长关系的长势模型；
[0014]步骤S5.获取待配肥区域的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况，并输入所述长势模型得到作物对养分的最佳土壤含量NR、PH、温
度、湿度、实际土壤含量SNC；
[0015]步骤S6.检测各种肥料的养分含量FNC；
[0016]步骤S7.根据配肥公式计算肥料用量，为待配肥区域的作物量身定做适合的肥料种类和使用量；
[0017]配肥公式为：需要添加的肥料量NN＝(作物对养分的需求量NR
‑
土壤中该养分含量SNC)/肥料中该养分含量FNC。
[0018]作为进一步地改进，在步骤S1中，借助气象环境监测站探测某一时段的温度T、湿度H、光照强度L；
[0019]对土壤进行自下而上分层采样，采用PH自动检测仪测定土壤样品溶液PH值，使用肥料检测仪检测土壤养分含量，将采样检测数据录入云计算平台，得到养分含量SNC、微量元素，养分含量SNC包括养分三要素：氮N％,磷P％,钾K％，微量元素包括钙Ca％、铁Fe％、镁Mg％、硼B％、锌Zn％；
[0020]长势情况包括1
‑
非植被、2
‑
长势较差、3
‑
长势普通、4
‑
长势较好、5
‑
杂草。
[0021]进一步地，步骤S3包括：
[0022]步骤S31.加载原始样本数据，借助scikit
‑
learn第三方库，采用决策树算法评估特征值；
[0023]步骤S32.使用DecisionTreeRegressor来训练决策树模型；
[0024]步骤S33.根据特征重要性排序，计算出均方误差，确定良好长势特征。
[0025]进一步地，步骤S4包括：
[0026]步骤S41.借助scikit
‑
learn第三方库，利用随机森林算法对训练样本数据进行分类，得到预测模型；
[0027]步骤S42.根据训练样本数据对得到的预测模型进行测试，验证预测模型的精度并进行模型优化，将每一测试的数据输入维护分类器；
[0028]步骤S43.重复步骤S41～步骤S42，对预测模型进行反复维护和修正，直至输出长势预测准确度达到95％为止。
[0029]进一步地，步骤S5包括：
[0030]步骤S51.分别用吸管吸取蒸馏水2mL作空白用、用吸管吸取蒸馏水2mL+1滴肥料养分混合标准储备液作标准用、用吸管吸取待测水样2mL；
[0031]步骤S52.在步骤S51的三个试管中分别滴入一滴肥料待测试剂，并摇匀；
[0032]步骤S53.五分钟后将在步骤S52的三个试管中的液体转移至比色皿中，使用肥料养肥检测仪进行检测，得到肥料的养分含量FNC(氮磷钾含量)。
[0033]为了实现上述目的二，本专利技术提供一种基于人工智能的土壤配肥系统，包括：
[0034]获取模块，用于获取指定区域的气候参数、土壤参数以及作物的长势图像，气候参数包括湿度H、温度T、光照强度L，土壤参数包括土壤酸碱度PH、养分含量SNC、微量元素，根据长势图像得到长势情况；
[0035]存储模块，用于将每一次获取的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况按照时间段以数据矩阵存储到数据库中，并作为原始样本数据；
[0036]剪枝优化模块，用于对每一次获取的原始样本数据进行剪枝优化处理，筛选出影响最大的特征值，得到训练样本数据；
[0037]训练模块，用于应用随机森林算法对所述训练样本数据进行训练学习，得出相关推理规则，建立土壤养分、环境因子与作物生长关系的长势模型；
[0038]判断模块，用于将待配肥区域的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况输入所述长势模型得到作物对养分的最佳土壤含量NR、PH、温度、湿度、实际土壤含量SNC；
[0039]配肥模块，用于根据肥料的养分含量FNC、配肥公式计算肥料用量，为待配肥区域的作物量身定做适合的肥料种类和使用量。
[0040]为了实现上述目的三，本专利技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于人工智能的土壤配肥方法。
[0041]为了实现上述目的四，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的土壤配肥方法，其特征在于，包括以下步骤：步骤S1.在作物一个生长周期内，多次获取指定区域的气候参数、土壤参数以及作物的长势图像，气候参数包括湿度H、温度T、光照强度L，土壤参数包括土壤酸碱度PH、养分含量SNC、微量元素，根据长势图像得到长势情况；步骤S2.将每一次获取的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况按照时间段以数据矩阵存储到数据库中，并作为原始样本数据；步骤S3.对每一次获取的原始样本数据进行剪枝优化处理，筛选出影响最大的特征值，得到训练样本数据；步骤S4.应用随机森林算法对所述训练样本数据进行训练学习，得出相关推理规则，建立土壤养分、环境因子与作物生长关系的长势模型；步骤S5.获取待配肥区域的湿度H、温度T、光照强度L、土壤酸碱度PH、养分含量SNC、微量元素、长势情况，并输入所述长势模型得到作物对养分的最佳土壤含量NR、PH、温度、湿度、实际土壤含量SNC；步骤S6.检测各种肥料的养分含量FNC；步骤S7.根据配肥公式计算肥料用量，为待配肥区域的作物量身定做适合的肥料种类和使用量；配肥公式为：需要添加的肥料量NN＝(作物对养分的需求量NR
‑
土壤中该养分含量SNC)/肥料中该养分含量FNC。2.根据权利要求1所述的基于人工智能的土壤配肥方法，其特征在于，在步骤S1中，借助气象环境监测站探测某一时段的温度T、湿度H、光照强度L；对土壤进行自下而上分层采样，采用PH自动检测仪测定土壤样品溶液PH值，使用肥料检测仪检测土壤养分含量，将采样检测数据录入云计算平台，得到养分含量SNC、微量元素，养分含量SNC包括养分三要素：氮N％,磷P％,钾K％，微量元素包括钙Ca％、铁Fe％、镁Mg％、硼B％、锌Zn％；长势情况包括1
‑
非植被、2
‑
长势较差、3
‑
长势普通、4
‑
长势较好、5
‑
杂草。3.根据权利要求1所述的基于人工智能的土壤配肥方法，其特征在于，步骤S3包括：步骤S31.加载原始样本数据，借助scikit
‑
learn第三方库，采用决策树算法评估特征值；步骤S32.使用DecisionTreeRegressor来训练决策树模型；步骤S33.根据特征重要性排序，计算出均方误差，确定良好长势特征。4.根据权利要求1所述的基于人工智能的土壤配肥方法，其特征在...

【专利技术属性】
技术研发人员：罗兰娇，梁丁，包甘盛，周东，许智城，郭清俊，吴小明，杨明，邓杰友，滕涛，陈鹏，
申请(专利权)人：广西数字供销科技有限公司，
类型：发明
国别省市：