基于神经网络模型的农业精准施肥系统及施肥方法

1.一种基于神经网络模型的农业精准施肥系统的施肥方法，该方法包括下列顺序的步骤：
(1)由传感器数据采集模块采集待检测农田土壤的土壤参数，并通过网关、数据传输模块发送至数据库；
(2)中央处理器调用数据库中存储的土壤参数进行运算，先构建神经元结构模型，再选择激活函数，最后进行后向传播学习，得到训练目标，训练所获得的样本数据，得出基于后向传播学习的神经网络模型；
(3)在神经网络模型的基础上，运用GIS地理信息模块，并结合DSS作物生长决策支持模块提供的精准施肥决策，给出精准农业施肥方法；
实施所述施肥方法的系统包括用于采集农田土壤参数的传感器数据采集模块，其输出端依次通过网关、数据传输模块与和中央处理器相连的数据库相连，中央处理器的输入输出端分别与RS遥感模块、GPS定位模块、GIS地理信息模块、DSS作物生长决策支持模块的输入输出端相连；所述传感器数据采集模块由土壤温度传感器、土壤水分测量传感器和用于测量土壤中氮、磷、钾含量的土壤营养元素测定传感器组成；所述传感器数据采集模块、RS遥感模块、GPS定位模块共同绑定在移动农田作业机械上；所述数据传输模块采用GPRS无线网络模块；所述中央处理器为后台计算机。
2.根据权利要求1所述的施肥方法，其特征在于：在步骤(2)中，所述构建神经元结构模型是指，神经元i的输出yi为：
其中，yi是神经元i的输出，它与其它多个神经元通过权连接起来；xj是网络输入，j＝1,
2,…,n；wj为输入权重，j＝1,2,…n；θi是神经元i的阀值，F为激活函数。
3.根据权利要求1所述的施肥方法，其特征在于：在步骤(2)中，所述选择激活函数是指，选用激活函数Sigmoid函数：
α是函数斜率，e是欧拉常数,x是自变量。
4.根据权利要求1所述的施肥方法，其特征在于：在步骤(2)中，所述后向传播学习是指，设神经网络模型结构输入层神经元数量为N、P、K、Yield四个，即土壤养分的氮、磷、钾含量和目标产量，模型输出层神经元数量为三个，分别是施肥的氮、磷、钾用量，隐含层神经元数量t根据经验公式: m为输出神经元数，n为输入单元数，a在1至10之
间选择1个，进行如下的神经网络后向传播学习：
(1)，数据归一化处理：首先对通过传感器数据采集模块采集的土壤养分含量和目标产量数据进行归一化处理，将收集到的数据分布到[-1,1]之间，归一化公式为：
其中，P为初始输入数据，maxP和minP分别为P中的最大值和最小值，Pn为归一化后的输入数据；
(2)，随机初始化网络权和阈值，设定终止条件为神经网络的输出值和实际输出值的均方误差小于某一阈值，当终止条件不满足时，重复如下步骤：
正向计算每一个训练样本中隐含层或输出层每个单元j的输入和输出，对于第j个单元输入 输出
其中,e是自然对数，θj是用于改变神经元的活性的每个神经元的阈值，wij是表示前一层神经元和后一层神经元之间的权值，即是由上一层的单元i到单元j的连接的权,Oi是上一层的单元i的输出；
然后，计算输出层每个单元j的误差：
Errj＝Oj(1-Oj)(Tj-Oj)
其中，Tj是j基于给定训练样本的已知类标号的真正输出；
由最后一个到第一个隐含层，对于隐含层每个单元j,
Errj＝Oj(1-Oj)∑kErrkwkj
其中，wkj是由下一较高层中单元k到单元j的连接权，而Errk是单元k的误差；
之后，更新网络中wij权值，方法为：
Δwij＝l ErrjOi
其中，l是学习率，更新后权值为
wij＝wij+Δwij
对于网络中每个偏差θj，增值为
Δθj＝l Errj
更新后偏差为θj＝θj+Δθj；
随机初始化网络权值和神经元的阈值，前向传播一层一层的计算隐含层神经元和输出层神经元的输入和输出，后向传播修正权值和阈值，直到终止条件满足。

基于神经网络模型的农业精准施肥系统及施肥方法\n技术领域\n[0001] 本发明涉及精准农业系统农田施肥技术领域，尤其是一种基于神经网络模型的农业精准施肥系统的施肥方法。\n背景技术\n[0002] 传统的农业生产技术是以大地块作为管理单元进行的，上千亩大的地块内环境、土壤因素等差异很大，这样的生产技术会造成施与需的不均衡，无法充分发挥作物生长潜力，影响经济效益和生态效益。精准农业是基于全球卫星定位技术、现代信息管理技术、作物辅助决策支持技术和农业工程装备技术等集成组装起来的作物生产管理技术，将农田划为较小单元，以作物产量和生长环境条件的时空差异性为依据，对作物进行农业生产栽培管理，其精准在于，利用GPS、GIS、RS、DSS系统即时检测作物、农田、土壤参数，根据管理单元土壤特点和作物生长发育需要，制定生产处方图，以此进行播种、施肥、喷药、灌溉等投放管理。\n[0003] 精准施肥是精准农业技术中的核心内容，精准施肥的实施可以节约肥料，增加粮食产量，均衡土壤养分，技术是依据土壤养分状况、作物需肥规律和目标产量，调节施肥量、氮磷钾比例和施肥时期，以提高化肥利用率，最大限度地利用土地资源，以合理的肥料投入量获取最高产量和最大经济效益，保护农业生态环境和自然资源。精准施肥的重难点在于制定决策模型，由于目标产量很难估计准确，产量和土壤养分、施肥量以及其它影响因素间呈高度的非线性，现有传统的施肥模型与当前生产实践相互矛盾之处多,积累的大量数据难以指导生产实践。\n发明内容\n[0004] 本发明的目的在于提供一种智能化程度强、具有较高的精度和鲁棒性的基于神经网络模型的农业精准施肥系统的施肥方法。\n[0005] 为实现上述目的，本发明采用了以下技术方案：一种基于神经网络模型的 农业精准施肥系统的施肥方法，该方法包括下列顺序的步骤：\n[0006] (1)由传感器数据采集模块采集待检测农田土壤的土壤参数，并通过网关、数据传输模块发送至数据库；\n[0007] (2)中央处理器调用数据库中存储的土壤参数进行运算，先构建神经元结构模型，再选择激活函数，最后进行后向传播学习，得到训练目标，训练所获得的样本数据，得出基于后向传播学习的神经网络模型；\n[0008] (3)在神经网络模型的基础上，运用GIS地理信息模块，并结合DSS作物生长决策支持模块提供的精准施肥决策，给出精准农业施肥方法；\n[0009] 实施所述施肥方法的系统包括用于采集农田土壤参数的传感器数据采集模块，其输出端依次通过网关、数据传输模块与和中央处理器相连的数据库相连，中央处理器的输入输出端分别与RS遥感模块、GPS定位模块、GIS地理信息模块、DSS作物生长决策支持模块的输入输出端相连；所述传感器数据采集模块由土壤温度传感器、土壤水分测量传感器和用于测量土壤中氮、磷、钾含量的土壤营养元素测定传感器组成；所述传感器数据采集模块、RS遥感模块、GPS定位模块共同绑定在移动农田作业机械上；所述数据传输模块采用GPRS无线网络模块；所述中央处理器为后台计算机。\n[0010] 在步骤(2)中，所述构建神经元结构模型是指，神经元i的输出yi为：\n[0011]\n[0012] 其中，yi是神经元i的输出，它与其它多个神经元通过权连接起来；xj是网络输入，j＝1,2,…,n；wj为输入权重，j＝1,2,…n；θi是神经元i的阀值，F为激活函数。\n[0013] 在步骤(2)中，所述选择激活函数是指，选用激活函数Sigmoid函数：\n[0014]\n[0015] α是函数斜率，e是欧拉常数,x是自变量。\n[0016] 在步骤(2)中，所述后向传播学习是指，设神经网络模型结构输入层神 经元数量为N、P、K、Yield四个，即土壤养分的氮、磷、钾含量和目标产量，模型输出层神经元数量为三个，分别是施肥的氮、磷、钾用量，隐含层神经元数量t根据经验公式:\n[0017] m为输出神经元数，n为输入单元数，a在1至10之间选择1个，\n进行如下的神经网络后向传播学习：\n[0018] (1)，数据归一化处理：首先对通过传感器数据采集模块采集的土壤养分含量和目标产量数据进行归一化处理，将收集到的数据分布到[-1,1]之间，归一化公式为：\n[0019]\n[0020] 其中，P为初始输入数据，maxP和minP分别为P中的最大值和最小值，Pn为归一化后的输入数据；\n[0021] (2)，随机初始化网络权和阈值，设定终止条件为神经网络的输出值和实际输出值的均方误差小于某一阈值，当终止条件不满足时，重复如下步骤：\n[0022] 正向计算每一个训练样本中隐含层或输出层每个单元j的输入和输出，对于[0023] 第j个单元输入 输出\n[0024] 其中,e是自然对数，θj是用于改变神经元的活性的每个神经元的阈值，wij是表示前一层神经元和后一层神经元之间的权值，即是由上一层的单元i到单元j的连接的权,Oi是上一层的单元i的输出；\n[0025] 然后，计算输出层每个单元j的误差：\n[0026] Errj＝Oj(1-Oj)(Tj-Oj)\n[0027] 其中，Tj是j基于给定训练样本的已知类标号的真正输出；\n[0028] 由最后一个到第一个隐含层，对于隐含层每个单元j,\n[0029] Errj＝Oj(1-Oj)∑kErrkwkj\n[0030] 其中，wkj是由下一较高层中单元k到单元j的连接权，而Errk是单元k的误差；\n[0031] 之后，更新网络中wij权值，方法为：\n[0032] Δwij＝l ErrjOi\n[0033] 其中，l是学习率，更新后权值为\n[0034] wij＝wij+Δwij\n[0035] 对于网络中每个偏差θj，增值为\n[0036] Δθj＝l Errj\n[0037] 更新后偏差为θj＝θj+Δθj；\n[0038] 随机初始化网络权值和神经元的阈值，前向传播一层一层的计算隐含层神经元和输出层神经元的输入和输出，后向传播修正权值和阈值，直到终止条件满足。\n[0039] 由上述技术方案可知，本发明按功能模块来划分，系统信息化、自动化水平程度高，包括数据采集、数据传输、数据处理等环节，为农业精准施肥提供可靠决策支持。此外，本发明融合了人工智能技术领域神经网络研究的成果，利用神经网络，可以充分逼近任意复杂的非线性关系，可学习和自适应不确定的系统，建立神经网络模型，使其按照生态效益、经济效益最大化进行施肥决策，为变量施肥实践提供方法依据。\n附图说明\n[0040] 图1为本发明的系统结构示意图；\n[0041] 图2为本发明中神经元结构示意图；\n[0042] 图3、4均为本发明神经网络模型训练过程示意图。\n具体实施方式\n[0043] 一种基于神经网络模型的农业精准施肥系统，包括用于采集农田土壤参数的传感器数据采集模块，其输出端依次通过网关、数据传输模块与和中央处理器相连的数据库相连，中央处理器的输入输出端分别与RS遥感模块、GPS定位模块、GIS地理信息模块、DSS作物生长决策支持模块的输入输出端相连。所述传感器数据采集模块由土壤温度传感器、土壤水分测量传感器和用于测量土壤中氮、磷、钾含量的土壤营养元素测定传感器组成。所述数据传输模块采用 GPRS无线网络模块，所述中央处理器为后台计算机，如图1所示。\n[0044] 如图1所示，所述传感器数据采集模块、RS遥感模块、GPS定位模块共同绑定在移动农田作业机械上，当作业机械在田中作业时，传感器数据采集模块实时采集每个农田小区水分、肥力等数据，将其通过数据传输模块发送到数据库中，同时，农田小区的GPS定位信息、RS遥感图片分层信息也相应地保存在数据库中，通过信息整合和处理，统一经中央处理器调用，发送给GIS地理信息模块，经由GIS地理信息模块分析、处理，形成农田空间地理信息图、产量分布图，并结合DSS作物生长决策支持模块进行系统决策。\n[0045] 如图1所示，所述传感器数据采集模块负责采集农田土壤中氮、磷、钾、温度、水分等肥力土壤参数；有基于土壤溶液光电比色法开发的土壤营养元素测定传感器、基于近红外(NIR)光谱技术和传输阻抗变换理论的土壤水分测量传感器，这些传感器可同时检测到农田土壤中主要营养元素的土壤即时数据。所述数据传输模块是将来自于传感器数据采集模块的数据通过集成发送到网关，并将由网关统一通过GPRS无线网络模块或3G网络传输到互联网，以达到远程接收数据功能。所述GPS定位模块负责获取农田经纬度信息数据，以便后期结合GIS地理信息系统模块进行农田土壤空间数据数据管理，实施定位精准施肥。所述RS遥感模块用于获得田块数字地图，通过产量计算生成农田作物产量空间分布图。\n[0046] 如图1所示，所述GIS地理信息模块在对农田土壤进行信息采样，将土壤养分、含水量以及土壤氮、磷、钾等数据采集下来后，数据传输模块将这些数据与相应的GPS定位数据信息传送给中央处理器，并结合空间地理位置图、土壤养分、产量分布、施肥模式等信息，更新成可用于本系统的GIS信息地理系统模块，指导后续精准施肥生产。所述中央处理器通过建立神经网络并通过训练传输得到的数据得出有效的神经网络模型，在此神经网络模型基础之上便形成施肥模型，挖掘出数据中潜在、有用的信息，并结合农田作物产量及地理位置信息生成精准空间施肥处方图，指导进行精准农田作业。所述数据库负责存储系统相关各种数据，包括GPS定位信息、农田土壤参数、产量分布信息，与中央处理器连接，提供数据传输和信息支持。所述DSS作物生长决策支持模块基于作物专家知识库开发，包括作物生长模型、作物营养知识模型等用于描述 作物的生长过程及养分需求。\n[0047] 本方法包括以下步骤：第一步，由传感器数据采集模块采集待检测农田土壤的土壤参数，并通过网关、数据传输模块发送至数据库；第二步，中央处理器调用数据库中存储的土壤参数进行运算，先构建神经元结构模型，再选择激活函数，最后进行后向传播学习，得到训练目标，训练所获得的样本数据，得出基于后向传播学习的神经网络模型；第三步，在神经网络模型的基础上，运用GIS地理信息模块，并结合DSS作物生长决策支持模块提供的精准施肥决策，给出精准农业施肥方法。\n[0048] 在第二步中，在步骤(2)中，所述构建神经元结构模型是指，神经元i的输出yi为：\n[0049]\n[0050] 其中，yi是神经元i的输出，它与其它多个神经元通过权连接起来；xj是网络输入，j＝1,2,…,n；wj为输入权重，j＝1,2,…n；θi是神经元i的阀值，F为激活函数。\n[0051] 神经元是神经网络的基本计算单元，是多输入、单输出的非线性单元，神经元有兴奋和抑制两种工作状态。一个神经元可看作一个信息处理单元，由三个基本要素组成：连接线、加法器、激活函数。神经元结构如图2所示。\n[0052] 在第二步中，所述选择激活函数是指，选用激活函数Sigmoid函数：\n[0053]\n[0054] α是函数斜率，e是欧拉常数,x是自变量。激活函数用于对求和单元的计算结果进行函数运算，得到神经元输出，优点是当x＝-∞时，F(x)极值为0，当x＝∞时，F(x)极值为1，并且可直接抑制或激活权重因子。\n[0055] 在第二步中，所述后向传播学习是指，设神经网络模型结构输入层神经元数量为N、P、K、Yield四个，即土壤养分的氮、磷、钾含量和目标产量，模型输出层神经元数量为三个，分别是施肥的氮、磷、钾用量，隐含层神经元数 量t根据经验公式:\n[0056] m为输出神经元数，n为输入单元数，a在1至10之间选择1个，\n进行如下的神经网络后向传播学习，如图3、4所示：\n[0057] (1)，数据归一化处理：首先对通过传感器数据采集模块采集的土壤养分含量和目标产量数据进行归一化处理，将收集到的数据分布到[-1,1]之间，归一化公式为：\n[0058]\n[0059] 其中，P为初始输入数据，maxP和minP分别为P中的最大值和最小值，Pn为归一化后的输入数据；\n[0060] (2)，随机初始化网络权和阈值，设定终止条件为神经网络的输出值和实际输出值的均方误差小于某一阈值，当终止条件不满足时，重复如下步骤：\n[0061] 正向计算每一个训练样本中隐含层或输出层每个单元j的输入和输出，对于[0062] 第j个单元输入 输出\n[0063] 其中,e是自然对数，θj是用于改变神经元的活性的每个神经元的阈值，wij是表示前一层神经元和后一层神经元之间的权值，即是由上一层的单元i到单元j的连接的权,Oi是上一层的单元i的输出；\n[0064] 然后，计算输出层每个单元j的误差：\n[0065] Errj＝Oj(1-Oj)(Tj-Oj)\n[0066] 其中，Tj是j基于给定训练样本的已知类标号的真正输出；\n[0067] 由最后一个到第一个隐含层，对于隐含层每个单元j,\n[0068] Errj＝Oj(1-Oj)∑kErrkwkj\n[0069] 其中，wkj是由下一较高层中单元k到单元j的连接权，而Errk是单元k的误差；\n[0070] 之后，更新网络中wij权值，方法为：\n[0071] Δwij＝l ErrjOi\n[0072] 其中，l是学习率，更新后权值为\n[0073] wij＝wij+Δwij\n[0074] 对于网络中每个偏差θj，增值为\n[0075] Δθj＝l Errj\n[0076] 更新后偏差为θj＝θj+Δθj；\n[0077] 随机初始化网络权值和神经元的阈值，前向传播一层一层的计算隐含层神经元和输出层神经元的输入和输出，后向传播修正权值和阈值，直到终止条件满足。\n[0078] 综上所述，本发明的核心在于先由传感器数据采集模块采集待检测农田土壤的土壤参数，并通过网关、数据传输模块发送至数据；中央处理器调用数据库中存储的土壤参数进行运算，先构建神经元结构模型，再选择激活函数，最后进行后向传播学习，得到训练目标，训练所获得的样本数据，得出基于后向传播学习的神经网络模型；在神经网络模型的基础上，运用GIS地理信息模块，并结合DSS作物生长决策支持模块提供的精准施肥决策，给出精准农业施肥方法。