一种作物产量的预测方法、系统、存储介质和电子设备技术方案

本发明专利技术涉及农业技术领域，提供一种作物产量的预测方法、系统、存储介质和电子设备，所述方法包括：获取与预设作物的生长所关联的每个参量的具体值；将所有参量的具体值输入递进水盐嵌入神经网络模型，得到预设作物的产量的预测值，递进水盐嵌入神经网络模型包括2层递进因果关系，得到预设作物的产量的预测值，能够模拟大田秸秆深埋下不同灌水量及其他气候、生长因素对土壤水盐运移、作物生产效益的影响，且通过试验表明，递进水盐嵌入神经网络模型具有较高精度，能够有效表征预设作物生长的综合条件即关联的每个参量、土壤水盐含量运移与预设作物的产量三者间双层递进因果关系，捕捉各参变量内在依存联系，可用于模拟灌区水盐运移规律。

【技术实现步骤摘要】
一种作物产量的预测方法、系统、存储介质和电子设备
本专利技术涉及农业
，尤其涉及一种作物产量的预测方法、系统、存储介质和电子设备。
技术介绍
河套灌区是我国重要的粮食生产基地。因引黄水量锐减、水资源管理利用不完善，导致灌区土壤次生盐渍化、农业面源污染等问题日益严重，制约着灌区农业持续健康发展。如何改良盐渍地、提效增产是灌区面临的主要问题。灌区盐渍土水盐分布影响着作物生长，研究水盐运移可为灌区提效增产、缓解土壤次生盐渍化提供理论依据。作物生育期，土壤水盐分布受气象、灌溉等多重因素的影响，水盐间相互作用，关系复杂，且水盐分布进一步会影响作物生产效益(产量、水分利用率等)。目前，研究土壤水盐分布的模型主要有：一是以水盐平衡为基础的水盐平衡模型；二是将水盐运移作为随机过程处理的系统模型。常用的模型有：Hydrus、SWAP、FEFLOW等，这些模型均进行了广泛的应用，并取得了一定的成果。然而，土壤水分运动及溶质运移方程的求解往往因边界条件复杂、计算参数众多等，在土壤水盐运移中运用受限，无法模拟大田秸秆深埋下不同灌水量及其它气候、生长因素对土壤水盐运移、作物生产效益的影响。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供了一种作物产量的预测方法、系统、存储介质和电子设备。本专利技术的一种作物产量的预测方法的技术方案如下：获取与预设作物的生长所关联的每个参量的具体值；将所有参量的具体值输入递进水盐嵌入神经网络模型，得到预设作物的产量的预测值。其中，所述递进水盐嵌入神经网络模型用于模拟所有参量与土壤水盐含量之间的函数关系，以及模拟土壤水盐含量与预设作物的产量之间的函数关系。本专利技术的一种作物产量的预测方法的有益效果如下：递进水盐嵌入神经网络模型包括2层递进因果关系，体现为：利用所有参量与土壤水盐含量之间的函数关系得到土壤水盐含量的具体值，基于土壤水盐含量的具体值，并利用土壤水盐含量与预设作物的产量之间的函数关系，得到预设作物的产量的预测值，模拟大田秸秆深埋下不同灌水量及其他气候、生长因素对土壤水盐运移、作物生产效益的影响。试验结果表明，递进水盐嵌入神经网络模型具有较高精度，能够有效表征预设作物生长的综合条件即关联的每个参量、土壤水盐含量运移与预设作物的产量三者间双层递进因果关系，捕捉各参变量内在依存联系，可用于模拟灌区水盐运移规律。在上述方案的基础上，本专利技术的一种作物产量的预测方法还可以做如下改进。进一步，还包括：将分级长短记忆网络构架的时间序列化数据构造的编码器与批标准化多层感知机构造的解码器进行耦合，并进行训练，得到所述递进水盐嵌入神经网络模型。进一步，训练所述递进水盐嵌入神经网络模型之前，还包括：采用Dropout算法与Adam算法进行耦合作为训练所述递进水盐嵌入神经网络模型时的收敛算法。本专利技术的一种作物产量的预测系统的技术方案如下：包括获取模块和预测模块，所述获取模块用于获取与预设作物的生长所关联的每个参量的具体值；所述预测模块用于将所有参量的具体值输入递进水盐嵌入神经网络模型，得到预设作物的产量的预测值，其中，所述递进水盐嵌入神经网络模型用于模拟所有参量与土壤水盐含量之间的函数关系，以及模拟土壤水盐含量与预设作物的产量之间的函数关系。本专利技术的一种作物产量的预测系统的有益效果如下：递进水盐嵌入神经网络模型包括2层递进因果关系，体现为：利用所有参量与土壤水盐含量之间的函数关系得到土壤水盐含量的具体值，基于土壤水盐含量的具体值，并利用土壤水盐含量与预设作物的产量之间的函数关系，得到预设作物的产量的预测值，模拟大田秸秆深埋下不同灌水量及其他气候、生长因素对土壤水盐运移、作物生产效益的影响，通过试验结果表明，递进水盐嵌入神经网络模型具有较高精度，能够有效表征预设作物生长的综合条件即关联的每个参量、土壤水盐含量运移与预设作物的产量三者间双层递进因果关系，捕捉各参变量内在依存联系，可用于模拟灌区水盐运移规律。在上述方案的基础上，本专利技术的一种作物产量的预测系统还可以做如下改进。进一步，还包括训练模块，所述训练模块用于：将分级长短记忆网络构架的时间序列化数据构造的编码器与批标准化多层感知机构造的解码器进行耦合，并进行训练，得到所述递进水盐嵌入神经网络模型。进一步，所述训练模块还用于：采用Dropout算法与Adam算法进行耦合作为训练所述递进水盐嵌入神经网络模型时的收敛算法。本专利技术的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种作物产量的预测方法。本专利技术的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。附图说明图1为本专利技术实施例的一种作物产量的预测方法的流程示意图；图2为循环神经网络架构示意图；图3为短期记忆模型示意图；图4为递进水盐嵌入神经网络模型的架构示意图；图5为不同灌水量在播种后在不同时间点的土壤含水率的率定图；图6为不同灌水量在播种后在不同时间点的土壤含盐量的率定图；图7为夏玉米产量和水分生产率的率定图；图8为不同灌水量下土壤含水率的实测值与模拟值之间的数据对比图；图9为不同灌水量下土壤含盐量的实测值与模拟值的数据对比图；图10为不同灌水量下夏玉米产量和水分生产率实测值与模拟值的数据对比图；图11为单次灌溉量为60mm时，整个生育期各土层的土壤含水率的模拟值；图12为单次灌溉量为90mm时，整个生育期各土层的土壤含水率的模拟值；图13为单次灌溉量为120mm时，整个生育期各土层的土壤含水率的模拟值；图14为单次灌溉量为135mm时，整个生育期各土层的土壤含水率的模拟值；图15为单次灌溉量为60mm时，整个生育期各土层的土壤含盐量的模拟值；图16为单次灌溉量为90mm时，整个生育期各土层的土壤含盐量的模拟值；图17为单次灌溉量为120mm时，整个生育期各土层的土壤含盐量的模拟值；图18为单次灌溉量为135mm时，整个生育期各土层的土壤含盐量的模拟值；图19为不同灌水量夏玉米产量和水分生产率的模拟值；图20为本专利技术实施例的一种作物产量的预测系统的结构示意图。具体实施方式如图1所示，本专利技术实施例的一种作物产量的预测方法，包括如下步骤：S1、获取与预设作物的生长所关联的每个参量的具体值；S2、将所有参量的具体值输入递进水盐嵌入神经网络模型，得到预设作物的产量的预测值，其中，所述递进水盐嵌入神经网络模型用于模拟所有参量与土壤水盐含量之间的函数关系，以及模拟土壤水盐含量与预设作物的产量之间的函数关系。递进水盐嵌入神经网络模型包括2层递进因果关系，体现为：利用所有参量与土壤水盐含量之间的函数关系得到土壤水盐含量的具体值，基于土壤水盐含量的具体值，并利用土壤水盐含量与预设作物本文档来自技高网...

【技术保护点】
1.一种作物产量的预测方法，其特征在于，包括：/n获取与预设作物的生长所关联的每个参量的具体值；/n将所有参量的具体值输入递进水盐嵌入神经网络模型，得到预设作物的产量的预测值，其中，所述递进水盐嵌入神经网络模型用于模拟所有参量与土壤水盐含量之间的函数关系，以及模拟土壤水盐含量与预设作物的产量之间的函数关系。/n

【技术特征摘要】
1.一种作物产量的预测方法，其特征在于，包括：
获取与预设作物的生长所关联的每个参量的具体值；
将所有参量的具体值输入递进水盐嵌入神经网络模型，得到预设作物的产量的预测值，其中，所述递进水盐嵌入神经网络模型用于模拟所有参量与土壤水盐含量之间的函数关系，以及模拟土壤水盐含量与预设作物的产量之间的函数关系。


2.根据权利要求1所述的一种作物产量的预测方法，其特征在于，还包括：
将分级长短记忆网络构架的时间序列化数据构造的编码器与批标准化多层感知机构造的解码器进行耦合，并进行训练，得到所述递进水盐嵌入神经网络模型。


3.根据权利要求2所述一种作物产量的预测方法，其特征在于，训练所述递进水盐嵌入神经网络模型之前，还包括：
采用Dropout算法与Adam算法进行耦合作为训练所述递进水盐嵌入神经网络模型时的收敛算法。


4.一种作物产量的预测系统，其特征在于，包括获取模块和预测模块，所述获取模块用于获取与预设作物的生长所关联的每个参量的具体值；
所述预测模块用...

【专利技术属性】
技术研发人员：吴宗翰，胡睿琦，潘平波，于叶露，张万峰，
申请(专利权)人：兰州里丰正维智能科技有限公司，内蒙古恒源水利工程有限公司，杨树青，
类型：发明
国别省市：甘肃;62