【技术实现步骤摘要】
本专利技术属于土壤深松耕作，更具体地说，是涉及一种智能化的土壤深松耕作优化方法与系统。
技术介绍
1、农业是人类社会的基础，而土壤质量直接影响农作物的产量和品质。传统的土壤耕作方式包括浅耕、深翻等，其中深松耕作是一种重要的农艺措施，它能够打破土壤底层的硬结层，改善土壤结构，增加土壤孔隙度，从而提高土壤的透气性、透水性和肥力，有利于作物根系的发育和水分养分的吸收。
2、然而，传统的深松耕作依赖于人工或机械经验，难以精准控制耕作深度和频率，导致土壤结构改良效果不稳定。
技术实现思路
1、为解决上述问题，本专利技术的目的在于提供一种智能化的土壤深松耕作优化方法与系统。
2、一种智能化的土壤深松耕作优化方法，包括以下步骤：
3、步骤1：使用不同的土壤深松耕作方式对耕地进行处理并挖取土壤样品；
4、步骤2：测定土壤样品的理化性质指标；
5、步骤3：计算不同理化性质指标对农作物产量的相关程度，并将相关程度小于预设阈值的理化性质指标去除，得到筛选后的理化性质指标；
6、步骤4：将所述筛选后的理化性质指标作为样本输入到神经网络中进行训练得到农作物产量预测模型；
7、步骤5：利用农作物产量预测模型对不同土壤深松耕作方式下的目标农作物的产量进行预测得到预测值；
8、步骤6：挑选出最大预测值所对应的土壤深松耕作方式作为最优耕作方式。
9、优选的，所述步骤3：计算不同理化性质指标对农作物产量的相关程
10、步骤3.1：对所有的理化性质指标进行数据清洗得到数据清洗后的理化性质指标；
11、步骤3.2：计算数据清洗后的理化性质指标与农作物产量的关联度，并基于所述关联度构建关联矩阵；
12、步骤3.3：获取关联矩阵的特征值，并将特征值按降序排列，形成特征值序列；
13、步骤3.4：基于特征值序列计算每个理化性质指标对应的贡献率；
14、步骤3.5：将贡献率均大于阈值的理化性质指标作为筛选后的理化性质指标。
15、优选的，所述步骤3.1：对所有的理化性质指标进行数据清洗得到数据清洗后的理化性质指标，包括：
16、步骤3.1.1：按照农作物产量递增的方式对相应的理化性质指标进行排列形成农作物产量递增序列和理化性质指标序列；
17、步骤3.1.2：将归一化后的农作物产量递增序列和理化性质指标序列相减并形成异常值检测序列；
18、步骤3.1.3：利用所述异常值检测序列计算每组理化性质指标序列的异常评估值；其中，异常评估值计算公式为：
19、
20、其中，δj(k)＝x0(k)-xj(k)，j＝1，2，...，n，x0(k)表示第k年份下归一化的农作物产量，xj(k)表示第k年份下的第j个理化性质指标，δj(k)表示第k年份下差的绝对值，m表示异常值检测序列中最小值，m表示异常值检测序列中的最大值，ξ表示预设系数；
21、步骤3.1.4：将异常评估值在预设范围内所对应的理化性质指标作为数据清洗后的理化性质指标。
22、优选的，所述步骤3.2：计算数据清洗后的理化性质指标与农作物产量的关联度，并基于所述关联度构建关联矩阵，包括：
23、步骤3.2.1：使用关联度计算公式得到数据清洗后的理化性质指标与农作物产量的关联度；其中，所述关联度计算公式为：
24、
25、其中，rij表示第i个理化性质指标与第j个农作物产量的关联度，xki表示第k年份下的第i个理化性质指标，表示理化性质指标的均值，ykj表示第k年份下的第j个农作物产量，表示农作物产量的均值；
26、步骤3.2.2：使用关联度构建关联矩阵；其中，关联矩阵为：
27、
28、优选的，所述步骤3.4：基于特征值序列计算每个理化性质指标对应的贡献率，包括：
29、采用公式：
30、
31、计算每个理化性质指标对应的贡献率；其中，表示第i个理化性质指标对应的贡献率，λi表示特征值序列中的第i个值，λk表示特征值序列中的第k个值。
32、优选的，所述步骤4：将所述筛选后的理化性质指标作为样本输入到神经网络中进行训练得到农作物产量预测模型，包括：
33、步骤4.1：将所述筛选后的理化性质指标作为样本输入到bp神经网络中；
34、步骤4.2：将训练过程中的损失函数替换为适应度函数，并利用所述适应度函数对bp神经网络进行优化得到农作物产量预测模型；其中，所述适应度函数为：
35、
36、其中，n表示样本数量，f表示个体k的适应度，个体为网络参数，fik表示在第k个个体下第i个样本经过bp神经网络输出的农作物产量值，f(xi)表示实际的农作物产量值。
37、优选的，在所述步骤4.2中，利用所述适应度函数对bp神经网络进行优化得到农作物产量预测模型，包括：
38、步骤4.2.1：计算出所有个体的适应度；
39、步骤4.2.2：基于个体的适应度确定下一代个体选择的概率；其中，下一代个体选择的概率为：
40、
41、其中，pi表示下一代个体选择的概率，fi表示个体i的适应度，n表示个体数量；
42、步骤4.2.3：基于下一代个体选择的概率选择两个个体作为父代进行交叉和变异操作得到新个体，返回步骤4.2.1中，直到有个体的适应度在预设范围内；
43、步骤4.2.4：提取出预设范围内适应度的个体所对应的网络参数；
44、步骤4.2.5：利用所述网络参数完成bp神经网络的优化得到农作物产量预测模型。
45、优选的，在所述步骤4.2.3中，采用公式：
46、
47、将父代进行交叉和变异操作得到新个体；其中，ai′j表示交叉后的父代，akj表示第一父代，alj表示第二父代，b表示[0,1]之间的随机数，表示新个体，amin表示最小门限值，amax表示最大门限值，g表示迭代次数，gmax表示最大进化次数，gmin表示最小进化次数。
48、本专利技术还提供了一种智能化的土壤深松耕作优化系统，包括：
49、土壤样品获取模块，用于使用不同的土壤深松耕作方式对耕地进行处理并挖取土壤样品；
50、理化性质指标测定模块，用于测定土壤样品的理化性质指标；
51、相关程度筛选模块，用于计算不同理化性质指标对农作物产量的相关程度，并将相关程度小于预设阈值的理化性质指标去除，得到筛选后的理化性质指标；
52、训练模块，用于将所述筛选后的理化性质指标作为样本输入到神经网络中进行训练得到农作物产量预测模型；
53、产量预测模块，用于利用农作物产量预测模型对不同土壤本文档来自技高网...
【技术保护点】
1.一种智能化的土壤深松耕作优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3：计算不同理化性质指标对农作物产量的相关程度，并将相关程度小于预设阈值的理化性质指标去除，得到筛选后的理化性质指标，包括：
3.如权利要求2所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3.1：对所有的理化性质指标进行数据清洗得到数据清洗后的理化性质指标，包括：
4.如权利要求3所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3.2：计算数据清洗后的理化性质指标与农作物产量的关联度，并基于所述关联度构建关联矩阵，包括：
5.如权利要求4所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3.4：基于特征值序列计算每个理化性质指标对应的贡献率，包括：
6.如权利要求5所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤4：将所述筛选后的理化性质指标作为样本输入到神经网络中进行训练得到农作物产量预测模型，包括：
7.如权利要求6所
8.如权利要求7所述的一种智能化的土壤深松耕作优化方法，其特征在于，在所述步骤4.2.3中，采用公式：
9.一种智能化的土壤深松耕作优化系统，其特征在于，包括：
10.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-9中任一项所述的一种智能化的土壤深松耕作优化方法中的步骤。
...【技术特征摘要】
1.一种智能化的土壤深松耕作优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3：计算不同理化性质指标对农作物产量的相关程度，并将相关程度小于预设阈值的理化性质指标去除，得到筛选后的理化性质指标，包括：
3.如权利要求2所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3.1：对所有的理化性质指标进行数据清洗得到数据清洗后的理化性质指标，包括：
4.如权利要求3所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3.2：计算数据清洗后的理化性质指标与农作物产量的关联度，并基于所述关联度构建关联矩阵，包括：
5.如权利要求4所述的一种智能化的土壤深松耕作优化方法，其特征在于，所述步骤3.4：基于特征值序列计算每个理化性质指标对应的贡献率，包括：
6.如权利要求...
【专利技术属性】
技术研发人员：安萍莉，潘志华，尹星洁，杨荣到，高日平，
申请(专利权)人：中国农业大学，
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。