System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及土壤含水量预测,尤其涉及一种基于机器学习的土壤含水量预测方法、系统及装置。
技术介绍
1、随着机器学习技术及大数据技术的发展,为智慧农业带来了新的机遇,土壤含水量是作物生长的关键因素,因此,基于机器学习预测土壤含水量对作物培育具有重大意义,同时有助于节约水资源。现有土壤含水量预测模型多采取的是传统的机器学习方法,或者通过搭建简单的神经网络来进行预测,此类方法很难准确拟合土壤含水量相关数据集中变量之间的关系,而且面对海量数据,对单一机器的cpu是很大的挑战。因此,基于海量且多维的土壤相关数据寻找与土壤含水量相关性高的变量,组成土壤含水量相关数据集,并基于土壤含水量相关数据集建立模型预测土壤含水量是非常有必要的,对于建立的土壤含水量预测网络,如何设置土壤含水量预测网络的网络参数值,从而使得预测准确率达到最优是采用机器学习预测土壤含水量亟待解决的重要问题。
2、本专利技术通过遗传算法对网络参数值进行更新,达到网络参数最优化的目的,解决土壤含水量预测网络的网络参数值问题;同时基于大数据技术的分布式存储及分布式计算解决串行处理海量数据时出现的效率低下的问题。
技术实现思路
1、本专利技术针对现有技术中的缺点,提供了一种基于机器学习的土壤含水量预测方法、系统及装置。
2、为了解决上述问题,本专利技术通过下述技术方案得以解决:
3、一种基于机器学习的土壤含水量预测方法,包括以下步骤:
4、获取土壤含水量相关数据集,其中,所述土壤含水量
5、对土壤含水量相关数据集中所有数据进行数据预处理,得到土壤含水量预测数据集;
6、搭建土壤含水量预测网络,基于土壤含水量预测网络的网络参数构建损失函数,通过损失函数、蚁群算法及土壤含水量预测数据集对土壤含水量预测网络进行训练得到最优网络参数,进而得到土壤含水量预测模型;
7、将待预测土壤含水量相关数据输入土壤含水量预测模型,得到土壤含水量预测结果。
8、作为一种可实施方式,所述数据预处理,包括数据清洗、缺失值填充或数据的替换中的一种或多种;
9、所述缺失值填充,包括以下步骤:
10、计算土壤含水量相关数据集中两个数据点的相似度,表示如下:
11、
12、
13、基于相似度结合k近邻算法,得到缺失数据点的邻域数据点,通过邻域数据点的值及相似度得到缺失数据点的值,表示如下:
14、
15、其中,x1、x2表示土壤含水量相关数据集中任意数据点的横坐标,y1、y2表示土壤含水量相关数据集中任意数据点的纵坐标,ω1表示相似度,yi表示邻域数据点的值,ymiss表示缺失数据点的值。
16、作为一种可实施方式,所述基于土壤含水量预测网络的网络参数构建损失函数,通过损失函数、蚁群算法及土壤含水量预测数据集对土壤含水量预测网络进行训练得到最优网络参数,包括以下步骤:
17、初始化土壤含水量预测网络的网络参数,基于所述网络参数及土壤含水量预测数据集搭建损失函数;
18、基于蚁群算法中的蚂蚁位置及信息素,结合损失函数,通过土壤含水量预测数据集对土壤含水量预测网络进行训练,直至满足要求,得到土壤含水量预测网络的最优网络参数。
19、作为一种可实施方式,所述结合网络参数值及土壤含水量预测数据集搭建损失函数,包括以下步骤:
20、通过土壤含水量预测模型的预测值与土壤含水量预测数据集中真实值之间的误差,搭建损失函数,表示如下:
21、
22、其中,l表示损失函数,ypred表示土壤含水量预测模型的预测值,ytrue表示土壤含水量预测数据集中真实值,θ表示权重参数,θ=(θ1,θ2,...,θn)。
23、作为一种可实施方式,所述基于蚁群算法中的蚂蚁位置及信息素,结合损失函数,通过土壤含水量预测数据集对土壤含水量预测网络进行训练,直至满足要求,得到土壤含水量预测网络的最优网络参数,包括以下步骤:
24、基于蚁群算法,进行初始化得到土壤含水量预测网络的初始化网络参数值,表示如下:
25、
26、基于损失函数及初始化网络参数值,得到初始损失函数值,表示如下:
27、l(0)=l(θ(0))
28、基于蚁群算法中信息素挥发率及信息素蒸发程度,计算网络参数值为最优参数的最优概率,表示如下:
29、
30、结合所述最优概率,得到更新后土壤含水量预测网络的网络参数值,表示如下:
31、
32、基于更新后土壤含水量预测网络的网络参数值,计算并更新损失函数值,表示如下:
33、l(t+1)=l(θ(t+1))
34、其中,l表示损失函数,θ表示网络参数值,ai表示权重参数的下界,bi表示权重参数的上界,表示权重参数为最优参数的最优概率,ρ表示信息素挥发率,q表示信息素增量的总量,α表示步长因子,β表示信息素的重要性因子。
35、作为一种可实施方式,所述光照数据包括光照强度、日照时长及光合有效辐射;
36、所述温度数据包括最高温度、最低温度、露点温度、平均温度、活动积温及温差;
37、所述降水数据包括月平降水量、日平均降水量及累计降水量;
38、所述气象数据包括空气湿度数据、空气质量数据、风速数据、海拔数据、经纬度及24h天气预报;
39、所述土壤数据包括土壤温度数据、土壤水分数据、土壤盐分数据及蒸腾蒸发量。
40、一种基于机器学习的土壤含水量预测系统,包括数据获取模块、数据处理模块、参数计算模块及模型预测模块;
41、所述数据获取模块,获取土壤含水量相关数据集,其中,所述土壤含水量相关数据包括光照数据、温度数据、降水数据、气象数据及土壤数据;
42、所述数据处理模块,对土壤含水量相关数据集中所有数据进行数据预处理,得到土壤含水量预测数据集;
43、所述参数计算模块,搭建土壤含水量预测网络,基于土壤含水量预测网络的网络参数构建损失函数,通过损失函数、蚁群算法及土壤含水量预测数据集对土壤含水量预测网络进行训练得到最优网络参数,进而得到土壤含水量预测模型;
44、所述模型预测模块,将待预测土壤含水量相关数据输入土壤含水量预测模型,得到土壤含水量预测结果。
45、作为一种可实施方式,所述参数计算模块,被设置为:
46、初始化土壤含水量预测网络的网络参数,基于所述网络参数及土壤含水量预测数据集搭建损失函数;
47、基于蚁群算法中的蚂蚁位置及信息素,结合损失函数,通过土壤含水量预测数据集对土壤含水量预测网络进行训练,直至满足要求,得到土壤含水量预测网络的最优网络参数;
48、其中,所述结合网络参数值及土壤含水量预测数据集搭建本文档来自技高网...
【技术保护点】
1.一种基于机器学习的土壤含水量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于机器学习的土壤含水量预测方法,其特征在于,所述数据预处理,包括数据清洗、缺失值填充或数据的替换中的一种或多种;
3.根据权利要求1所述的基于机器学习的土壤含水量预测方法,其特征在于,所述基于土壤含水量预测网络的网络参数构建损失函数,通过损失函数、蚁群算法及土壤含水量预测数据集对土壤含水量预测网络进行训练得到最优网络参数,包括以下步骤:
4.根据权利要求3所述的基于机器学习的土壤含水量预测方法,其特征在于,所述结合网络参数值及土壤含水量预测数据集搭建损失函数,包括以下步骤:
5.根据权利要求3所述的基于机器学习的土壤含水量预测方法,其特征在于,所述基于蚁群算法中的蚂蚁位置及信息素,结合损失函数,通过土壤含水量预测数据集对土壤含水量预测网络进行训练,直至满足要求,得到土壤含水量预测网络的最优网络参数,包括以下步骤:
6.根据权利要求1所述的基于机器学习的土壤含水量预测方法,其特征在于,所述光照数据包括光照强度、日照时长及光合有效
7.一种基于机器学习的土壤含水量预测系统,其特征在于,包括数据获取模块、数据处理模块、参数计算模块及模型预测模块;
8.根据权利要求7所述的基于机器学习的土壤含水量预测系统,其特征在于,所述参数计算模块,被设置为:
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的方法。
10.一种基于机器学习的土壤含水量预测装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的方法。
...【技术特征摘要】
1.一种基于机器学习的土壤含水量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于机器学习的土壤含水量预测方法,其特征在于,所述数据预处理,包括数据清洗、缺失值填充或数据的替换中的一种或多种;
3.根据权利要求1所述的基于机器学习的土壤含水量预测方法,其特征在于,所述基于土壤含水量预测网络的网络参数构建损失函数,通过损失函数、蚁群算法及土壤含水量预测数据集对土壤含水量预测网络进行训练得到最优网络参数,包括以下步骤:
4.根据权利要求3所述的基于机器学习的土壤含水量预测方法,其特征在于,所述结合网络参数值及土壤含水量预测数据集搭建损失函数,包括以下步骤:
5.根据权利要求3所述的基于机器学习的土壤含水量预测方法,其特征在于,所述基于蚁群算法中的蚂蚁位置及信息素,结合损失函数,通过土壤含水量预测数据集对土壤含水量预测网络进行训练,直至满足...
【专利技术属性】
技术研发人员:陈渝阳,钱鹏,王惠义,吴家满,
申请(专利权)人:浙江森特信息技术有限公司,
类型:发明
国别省市:
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。