【技术实现步骤摘要】
本专利技术涉及农业生产种植，具体涉及一种稻田养殖系统生物量预测方法及终端设备。
技术介绍
1、稻田养殖系统是种植业和养殖业的有机结合，具有生物除虫除草以及中耕施肥等多种生态功能，可在一定程度上代替和减少化肥及农药的使用量，减少环境污染，生态效益和经济效益均十分明显。以稻鱼共生系统为例，稻鱼共生的立体农业，通过鱼吃草、除虫、活水、松土、增肥等作用，既能减少水稻的病虫害，又可节省农药化肥的使用，达到生物防治的效果。
2、现阶段的研究主要针对稻田养殖中的装置结构以及养殖方法的改良，例如申请号为cn202110359779.6的中国专利技术专利申请通过对水稻和养殖物种类筛选以及分批次种养的方法提高稻田综合种养效益；申请号为cn202110079626.6的中国专利技术专利申请通过设计一种稻田养殖小龙虾用捕捞装置，实现在不伤害水稻的同时，方便捕获龙虾。但这些方法只能做到从方法上提升稻田养殖系统的经济收益，并尽可能保持生态环境不被破坏，无法对未来做出有效的预测和预警，也无法实时监测系统中各项指标的变化从而进行及时调整。
3、伴随着大数据和云计算技术的发展，对稻田养殖系统各指标数据的处理成为可能，因此，亟需一种稻田养殖系统生物量预测方法，能够挖掘这些指标数据中的有效信息，根据神经网络预测得出未来的稻田养殖系统生物量的数据。
技术实现思路
1、本专利技术的目的在于，针对上述现有技术的不足，提供一种稻田养殖系统生物量预测方法及终端设备，能够对系统生物量进行实时的科学预测，最大
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种稻田养殖系统生物量预测方法，包括以下步骤：
4、s1、获取多组监测指标数据；监测指标包括生物量、土壤ph值、土壤氮元素含量、水质ph值、水质溶解氧含量、温室总气体排放量；
5、s2、将每组监测指标数据划作为一个训练集，将每个训练集输入对应的生物量预测器，得到生物量预测器的预测结果；其中，所述预测结果包括生物量、土壤ph值、氮元素含量、水质ph值、溶解氧含量和温室气体排放总量对应的预测生物量数据；
6、每一个生物量预测器的预测步骤包括：
7、s21、对一个训练集内的数据进行信号分解，得到n个子序列；
8、s22、将每个子序列作为对应kelm模型的输入，得到每个子序列的预测生物量数据；
9、s23、重构所有的预测生物量数据，得到单个生物量预测器的预测结果；
10、s3、对所有生物量预测器的预测结果进行加权，得到最终生物量预测结果。
11、进一步，步骤s1中，根据水稻和养殖物生长的不同阶段确定采样周期，使用若干传感器获取所述监测指标数据；其中，所述传感器包括用以采集土壤氮元素含量的土壤氮磷钾传感器、用以采集所述温室总气体排放量的气体成分浓度传感器、用以采集所述水质溶解氧含量的溶解氧含量传感器、用以采集所述土壤ph值和所述水质ph值的ph值传感器、用以采集生物量的生物量检测装置。
12、进一步，在步骤s1～步骤s2之间，还包括：对所述监测指标数据进行异常值处理：将所述监测指标数据输入变分自编码器模型，输出对应的潜在变量；将所述潜在变量输入孤立森林模型，进行异常监测。
13、进一步，步骤s21中，所述训练集内的数据进行信号分解的具体实现如下：所述训练集内的数据进行信号分解的具体实现如下：将所述训练集内的数据输入iceemdan算法，输出初始子序列；通过se算法优化vmd参数，将所述初始子序列输入vmd算法，输出n个子序列，所述vmd参数包括模态数目、正则化参数。
14、进一步，步骤s22中，所述kelm模型为训练后的kelm模型，所述kelm模型的训练过程包括：将训练数据集分解后的子序列作为所述kelm模型的输入，将预测生物量数据作为kelm模型的输出，训练kelm模型，得到训练后的kelm模型；所述训练数据集为历史监测指标数据。
15、进一步，步骤s22中，采用grid search方法对所述kelm模型进行超参数优化，得到最优参数组合的kelm模型。
16、进一步，步骤s3包括：使用粒子群优化算法优化每个生物量预测器的权重，将所述预测结果按照优化后的权重进行加权处理，得到最终生物量预测结果，其中，所述粒子群优化算法的输入为所述生物量预测器的权重，输出为所述生物量预测器的最优权重，优化目标为提取最优权重，粒子为一个可能的权重组合。
17、进一步，步骤s3之后，采用arima模型对所述最终生物量预测结果进行拟合和预测，得到预测值序列；计算所述预测值序列和实际观测值序列之间的残差序列；计算所述残差序列的均值和方差，并对所述残差序列进行自相关性和偏自相关性分析；当所述残差序列的自相关性和偏自相关性不为零时，调整所述arima模型的阶数。
18、作为一个专利技术构思，本专利技术还提供了一种终端设备，包括：
19、一个或多个处理器；
20、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本专利技术上述方法的步骤。
21、与现有技术相比，本专利技术所具有的有益效果为：
22、(1)本专利技术通过采用不同种类的传感器来获取各监测点的数据，根据水稻和养殖物生长的不同阶段确定采样周期，可以提供更高精度的生物量数据，同时，本专利技术能够快速计算大量数据，从而提高了生物量预测和调节的效率，满足生物量大数据系统工作的精度和时间要求，为现代化农业生产提供技术支持。
23、(2)本专利技术通过建立稻田养殖系统生物量调节模型，可以对系统生物量进行实时的科学预测，获得最佳的调节方案，提高生产效率，同时通过对预测数据的分析，达到增加稻田养殖系统产量的目的，适用于农业生物大数据环境，能够最大限度地提高产量和经济效益，并且减少浪费和资源损失，可以为农业生产提供更加高效、精确和科学的技术支持，具有广泛的应用前景和商业价值。
本文档来自技高网...【技术保护点】
1.一种稻田养殖系统生物量预测方法，包括以下步骤：
2.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤S1中，根据水稻和养殖物生长的不同阶段确定采样周期，使用若干传感器获取所述监测指标数据；其中，所述传感器包括用以采集土壤氮元素含量的土壤氮磷钾传感器、用以采集所述温室总气体排放量的气体成分浓度传感器、用以采集所述水质溶解氧含量的溶解氧含量传感器、用以采集所述土壤PH值和所述水质PH值的pH值传感器、用以采集生物量的生物量检测装置。
3.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，在步骤S1～步骤S2之间，还包括：对所述监测指标数据进行异常值处理：将所述监测指标数据输入变分自编码器模型，输出对应的潜在变量；将所述潜在变量输入孤立森林模型，进行异常监测。
4.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤S21中，所述训练集内的数据进行信号分解的具体实现如下：将所述训练集内的数据输入ICEEMDAN算法，输出初始子序列；通过SE算法优化VMD参数，将所述初始子序列输入VMD算法，输出n个子序列，所
5.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤S22中，所述KELM模型为训练后的KELM模型，所述KELM模型的训练过程包括：将训练数据集分解后的子序列作为所述KELM模型的输入，将预测生物量数据作为KELM模型的输出，训练KELM模型，得到训练后的KELM模型；所述训练数据集为历史监测指标数据。
6.根据权利要求5所述的稻田养殖系统生物量预测方法，其特征在于，步骤S22中，采用Grid Search方法对所述KELM模型进行超参数优化，得到最优参数组合的KELM模型。
7.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤S3包括：使用粒子群优化算法优化每个生物量预测器的权重，将所述预测结果按照优化后的权重进行加权处理，得到最终生物量预测结果，其中，所述粒子群优化算法的输入为所述生物量预测器的权重，输出为所述生物量预测器的最优权重，优化目标为提取最优权重，粒子为一个可能的权重组合。
8.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤S3之后，采用ARIMA模型对所述最终生物量预测结果进行拟合和预测，得到预测值序列；计算所述预测值序列和实际观测值序列之间的残差序列；计算所述残差序列的均值和方差，并对所述残差序列进行自相关性和偏自相关性分析；当所述残差序列的自相关性分析结果和偏自相关性分析结果均不为零时，调整所述ARIMA模型的阶数。
9.一种终端设备，其特征在于，包括：
...【技术特征摘要】
1.一种稻田养殖系统生物量预测方法，包括以下步骤：
2.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤s1中，根据水稻和养殖物生长的不同阶段确定采样周期，使用若干传感器获取所述监测指标数据；其中，所述传感器包括用以采集土壤氮元素含量的土壤氮磷钾传感器、用以采集所述温室总气体排放量的气体成分浓度传感器、用以采集所述水质溶解氧含量的溶解氧含量传感器、用以采集所述土壤ph值和所述水质ph值的ph值传感器、用以采集生物量的生物量检测装置。
3.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，在步骤s1～步骤s2之间，还包括：对所述监测指标数据进行异常值处理：将所述监测指标数据输入变分自编码器模型，输出对应的潜在变量；将所述潜在变量输入孤立森林模型，进行异常监测。
4.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤s21中，所述训练集内的数据进行信号分解的具体实现如下：将所述训练集内的数据输入iceemdan算法，输出初始子序列；通过se算法优化vmd参数，将所述初始子序列输入vmd算法，输出n个子序列，所述vmd参数包括模态数目、正则化参数。
5.根据权利要求1所述的稻田养殖系统生物量预测方法，其特征在于，步骤s22中，所述kelm模型为训练后的kelm模型，所述k...
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。