【技术实现步骤摘要】
本专利技术涉及农业信息化和数据智能化，尤其涉及不同区域小麦减肥分析优化的人工智能导向性数据模型及其构建和应用。
技术介绍
1、本专利技术课题组的在先研究利用河北省测土配方施肥项目“氮磷钾3414”试验数据，深入分析了河北省不同区域小麦养分适宜用量，探寻不同区域小麦节肥潜力，为河北省肥料减施提供技术支持。然而，上述研究在数据信息的处理上，仍然是基于人工经验的数据分析，较为传统和粗放。
2、近年来，人工智能快速而蓬勃的发展，而小麦及其他作物的肥料控施和减施课题恰好涉及大量的数据分析和优化，因此将人工智能数据迭代优化技术与现有分区种植数据及测土配方施肥所积累海量数据进行结合，成为一个有价值并且非常有意思的新的研究方向。
3、基于此，我们联合兄弟院校单位进行了种植＋数据联合开发，面向这一全新的技术课题方向进行开创性和基础性研究。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的种种不足，提供一种小麦减肥潜力分区域优化方法。
2、为解决上述技术问题，本专利技术所采取的技术方案如下。
3、基于作物种植区域分化的人工智能导向性肥料减施数据模型，在测土配方施肥所积累海量种植数据的基础上，以引入人工智能平台对作物分区种植和/或肥料减施进行数据化智能化分析和迭代优化处理为导向，将现有单纯表格化数据格式构建为基于数据算法的导向性数据模型；以作物种植分区的数据化构建为基础，兼容进一步引入不同类型的肥料减施和/或作物产量预测递进模型，从而在数据结构
4、作为本专利技术的一种优选技术方案，针对作物种植分区的数据化，构建多组可选的数据化模型以适应多样的具体数值分析和数据处理任务；多组可选的数据化模型至少包括如下两组具体的可选模型：离散化数值分区模型及函数化拟合分区模型。
5、作为本专利技术的一种优选技术方案，所述离散化数值分区模型的主体数据架构为：基于土壤数据及其关联的地理或气候数据的所有测量值构建土地相似性矩阵并以土壤及其关联数据的欧氏距离或其他相似性度量来导出相似矩阵的分量以表示不同土地区域之间的相似性；在此数据架构上进行作物种植区域的有效性划分。
6、作为本专利技术的一种优选技术方案，所述函数化拟合分区模型的主体数据架构为：针对土壤数据及其关联数据在空间和时间上的多维属性和多变量属性，采用多变量空间统计方程对应拟合表征作物种植土地数据及其关联数据的空间连续性和异质性；在此数据架构上进行作物种植区域的有效性划分。
7、作为本专利技术的一种优选技术方案，所述离散化数值分区模型的构建具体包括：
8、面向土地相似性矩阵的构建，首先为每一块土地创建一个包含土壤地理和气候数据的特征数据描述，具体表征为一个数据集合或数据向量，其中汇集有每块土地的多项指标，包括但不限于土壤ph值、有机质含量、质地、大量元素水平、中微量元素水平、含水量，以及气候条件下的温度、降水、日照时间、风速、风向和相对湿度，及其他后续添加的关联数据；这些指标是评估土地特性的关键因素，它们共同构成了每块土地的独特指纹。
9、特别的，在上述特征数据描述数据集合或数据向量创建完成后，在此基础上进一步引入核函数映射数据结构作为适配性数学结构，由此将原始的数据集合或数据向量特征描述转换到一个新的空间，将这个空间的可能性维度上限设定为开放上限，使其具有足够高的数据解析容纳度；此时基于核函数映射数学工具通过一组数学表达式表征核函数映射对应的数据转换，并在上述数学表达式中内蕴构建一个参数变量，基于此参数变量根据两块土地特征描述之间的差异来调整它们的相似性度量，上述内蕴构建的参数变量构建为对应土地区域相似性随着特征差异变化的速率；完成上述映射转换后，数据结构即转化实现到一个新的数据空间中，土地之间的相似性显露出可捕捉的非线性模式，由此基于核函数映射展开得到更加全面的有效性数据，此时依照如下数据内涵：相似性矩阵的每个分量构建为用以表征两块土地在新空间中的相似性程度，进行数据输出得到表征土地之间关联程度的相似性矩阵；
10、进一步的数据优化：a、为了确保土地相似性矩阵的稳定性和可靠性，对上述数据输出进行规范化处理，此处理过程涉及到对土地相似性矩阵的数值进行调整，使得矩阵中每一行和每一列的数值之和均为1，以消除样本点之间可能存在的规模差异，使得矩阵更加均衡和标准化；与此数据处理对应的数学化操作方法为：基于对角矩阵进行规范化，使得对角矩阵的每个对角线上的元素是相似性矩阵中对应行的数值之和；b、同时进行数据结构的简化优化及计算过程的消减，将规范化处理后的相似性矩阵进一步转换，由于实际数据处理时只有相对较大的相似性数值才是重要的而那些较小的数值应当忽略处理，则这个转换通过设置一个阈值来完成，只有当矩阵中的数值大于这个阈值时才保留这个数值，否则我将其设置为0；由此减少不必要的计算量并保留有价值的关键数据信息；因为在实际应用中，只有相对较大的相似性数值才是重要的，而那些较小的数值通常可以忽略不计。通过这种方式，我们可以保留关键的相似性信息，同时大幅度减少计算的复杂性和资源消耗。
11、最后，基于上述优化后的土地相似矩阵构建聚类算法，以优化后的相似矩阵作为输入，将土地划分为内涵有全局化的地理、气候及其他关联数据的真实性差异的不同种植区域；具体的，引入如下数据进程以处理复杂的数据结构并揭示数据中不易察觉的聚类模式：首先我们构建并并依照如下规则创建一个图形表示来展示土地之间的相似性：在这个图的构建中，每一块土地被视为一个节点，而土地之间的相似性则通过连接这些节点的边来表示；然后，为这些边赋予一个权重或关联性数据强度，此数据强度由上述土地相似性矩阵给出；进一步，基于每个节点连接的所有边的权重或关联性数据强度的加和构建每个节点的关联性数值化表征，由此得到一个扭联矩阵，它记录了图中每个节点的数据共振度；此时考虑引入拉普拉斯方法，通过扭联矩阵减去相似性矩阵得到一个新的拉普拉斯化表征矩阵，其线性化的表征了初始构建的图的结构特性及其聚类特性，此时即可提取所得拉普拉斯化表征矩阵的特征值和特征向量；其中，特征值表征为关联图形如何被分割成聚类的信息，对应的特征向量表征关联每个聚类的形状；下一步，提取与最小的若干个非零特征值相对应的特征向量，将这些特征向量用来为每块土地创建一个新的数据表示，基于此数据表示反映土地之间的相似性，由此即可直引用或接链接现有的标准化聚类算法比如k-means或其他标准聚类算法工具来将土地进行划分为几个区域，每个区域内的土地都有相似的特性。
12、作为本专利技术的一种优选技术方案，数据模型的末段再次将聚类的结果映射返回到原始的土地上得到定型分区，即将土地划分为内涵有全局化的地理、气候及其他关联数据的真实性差异的不同种植区域，不仅包含原始特征数据集合或数据向量中可见的种植区域差异，上述数据处理进程对原始特征数据中内在的相似性进行了扩大和显现。
13、作为本专利技术的一种优选技术方案，所述离散化数值分区模型依照上述步骤进行初始构建后本文档来自技高网...
【技术保护点】
1.基于作物种植区域分化的人工智能导向性肥料减施数据模型，在测土配方施肥所积累海量种植数据的基础上，以引入人工智能平台对作物分区种植和/或肥料减施进行数据化智能化分析和迭代优化处理为导向，将现有单纯表格化数据格式构建为基于数据算法的导向性数据模型；其特征在于：以作物种植分区的数据化构建为基础，兼容进一步引入不同类型的肥料减施和/或作物产量预测递进模型，从而在数据结构层面实现对人工智能数据优化平台引入的全局契合。
2.根据权利要求1所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：针对作物种植分区的数据化，构建多组可选的数据化模型以适应多样的具体数值分析和数据处理任务；多组可选的数据化模型至少包括如下两组具体的可选模型：离散化数值分区模型及函数化拟合分区模型。
3.根据权利要求2所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述离散化数值分区模型的主体数据架构为：基于土壤数据及其关联的地理或气候数据的所有测量值构建土地相似性矩阵并以土壤及其关联数据的欧氏距离或其他相似性度量来导出相似矩阵的分量以表示不同土地区域
4.根据权利要求2所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述函数化拟合分区模型的主体数据架构为：针对土壤数据及其关联数据在空间和时间上的多维属性和多变量属性，采用多变量空间统计方程对应拟合表征作物种植土地数据及其关联数据的空间连续性和异质性；在此数据架构上进行作物种植区域的有效性划分。
5.根据权利要求1所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述离散化数值分区模型的构建具体包括：
6.根据权利要求5所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：数据模型的末段再次将聚类的结果映射返回到原始的土地上得到定型分区，即将土地划分为内涵有全局化的地理、气候及其他关联数据的真实性差异的不同种植区域，不仅包含原始特征数据集合或数据向量中可见的种植区域差异，上述数据处理进程对原始特征数据中内在的相似性进行了扩大和显现。
7.根据权利要求6所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述离散化数值分区模型依照上述步骤进行初始构建后，基于现有积累的数据量按需引入人工智能平台进行有监督的迭代优化；其在数据进程上来看具有如下数据优化潜质：不仅针对土壤数据及其关联数据的在空间和时间上的多维属性和多变量属性，同时兼容涵盖了土地特性的空间分布和土地特性的连续性；通过后续人工智能平台的引入和迭代优化而导出上述数据优化潜质。
8.根据权利要求2所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述函数化拟合分区模型的构建，其主体上以空间统计及微分方程数学工具的引入为主导的模型化构建方向，具体包括：
9.根据权利要求1所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：关于后续的不同类型的肥料减施和/或作物产量预测递进模型，其中肥料减施相关模型采用基于调研数据或指导数据的模式进行构建，或者采用基于肥料土壤学的物理参数进行全新表征和构建；其中作物产量预测递进模型着重基于人工智能的可迭代化进行适应性构建。
10.根据权利要求1-9任一项所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述作物为小麦或其他常规种植作物。
...【技术特征摘要】
1.基于作物种植区域分化的人工智能导向性肥料减施数据模型，在测土配方施肥所积累海量种植数据的基础上，以引入人工智能平台对作物分区种植和/或肥料减施进行数据化智能化分析和迭代优化处理为导向，将现有单纯表格化数据格式构建为基于数据算法的导向性数据模型；其特征在于：以作物种植分区的数据化构建为基础，兼容进一步引入不同类型的肥料减施和/或作物产量预测递进模型，从而在数据结构层面实现对人工智能数据优化平台引入的全局契合。
2.根据权利要求1所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：针对作物种植分区的数据化，构建多组可选的数据化模型以适应多样的具体数值分析和数据处理任务；多组可选的数据化模型至少包括如下两组具体的可选模型：离散化数值分区模型及函数化拟合分区模型。
3.根据权利要求2所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述离散化数值分区模型的主体数据架构为：基于土壤数据及其关联的地理或气候数据的所有测量值构建土地相似性矩阵并以土壤及其关联数据的欧氏距离或其他相似性度量来导出相似矩阵的分量以表示不同土地区域之间的相似性；在此数据架构上进行作物种植区域的有效性划分。
4.根据权利要求2所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述函数化拟合分区模型的主体数据架构为：针对土壤数据及其关联数据在空间和时间上的多维属性和多变量属性，采用多变量空间统计方程对应拟合表征作物种植土地数据及其关联数据的空间连续性和异质性；在此数据架构上进行作物种植区域的有效性划分。
5.根据权利要求1所述的基于作物种植区域分化的人工智能导向性肥料减施数据模型，其特征在于：所述离散化数值分区模型的构...
【专利技术属性】
技术研发人员：杨云马，贾良良，黄少辉，杨军方，
申请(专利权)人：河北省农林科学院农业资源环境研究所，
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。