本发明专利技术公开了一种基于机器学习的测土配方施肥方法，包括：收集多地块的土壤理化特征、施肥量数据以及多种农作物在各地块中的产量数据；以农作物产量为目标，构建基于土壤理化特征和施肥量的极端随机树模型，优化极端随机树模型的参数；将不同地块的实测土壤理化特征输入到优化后的极端随机树模型中，以作物产量最大化为目标，采用布谷鸟搜索算法对优化后的极端随机树模型进行迭代计算从而得到最优的施肥量参数，根据得到的施肥量参数进而获得同时满足不同地块土壤养分结构特异性和产量最大化的播种前底肥施入方案。本发明专利技术省去了繁琐的田间施肥试验，可方便快捷地获取同时满足不同田块土壤养分结构特异性和产量最大化的播种前底肥施入方案。种前底肥施入方案。种前底肥施入方案。
【技术实现步骤摘要】
基于机器学习的测土配方施肥方法
[0001]本专利技术属于农业施肥的
，具体涉及一种基于机器学习的测土配方施肥方法。
技术介绍
[0002]测土配方施肥是科学合理使用化肥的重要技术之一，它基于土壤养分测定数据和田间施肥试验，综合考虑土壤供肥能力、作物需肥规律、目标产量和肥料效益，针对性地配置肥料种类、比例和施肥量，满足作物的生长需求，进而提高作物产量，达到高效、高产施肥的目的。同时，测土配方施肥技术可以有效降低农民的施肥强度，优化施肥结构，降低施肥成本。此外，该技术还考虑了土壤原有养分含量及其与作物需肥量的差值关系，有利于改善土壤理化性质，提高土壤微生物种群活性，减少肥料流失。传统测土配方施肥技术研究以田间施肥试验和产量统计数据为基础，从考虑作物产量与施肥量的数学关系入手，利用“最小养分律”和“报酬递减律”等原理建立回归方程，拟合最佳施肥量，构建了应用于不同区域及作物的施肥技术指标体系。但是，作为一种节本增产、环境友好的科学施肥技术，测土配方施肥技术在我国大范围推广已近20年，采用率却十分低下。在我国家庭联产承包制责任制下，小规模农户经营是农业生产活动的主要模式，传统的人工施肥占据主导地位，测土配方施肥技术的面向对象仍是广大个体农户。传统测土配方施肥环节复杂，包括土壤测试、田间试验、配方设计、宣传推广、技术培训等多个步骤，技术实现周期长，学习成本高，存在技术门槛。传统测土配方施肥模型本质上属于回归分析模型，它建立在预测变量与自变量存在某种统一的规律线性关系的假设之上。而小农经营模式下，不同农户从事农业生产活动时的个体差异导致田块的养分结构存在较大异质性，这就意味着不同土地上作物产量与施肥量的关系不能用统一的精确公式表示，在大尺度区域实施传统测土配方施肥试验将耗费大量时间和人力物力。因此，如何创新性地使用测土配方施肥技术，提高测土配方施肥的效率和准确性是目前急需解决的技术难题。
技术实现思路
[0003]本专利技术的目的在于针对现有技术的不足之处，提供一种基于机器学习和群智能搜索的测土配方施肥方法，该方法将机器学习模型和群智能搜索算法应用于测土配方施肥技术中，利用田间历史土壤养分、施肥及作物产量数据智能制定个性化的田块施肥策略，省去了繁琐的田间施肥试验并提高了施肥方案的准确性，可方便快捷地获取同时满足不同田块土壤养分结构特异性和产量最大化的播种前底肥施入方案。
[0004]为解决上述技术问题，本专利技术采用如下技术方案：
[0005]一种基于机器学习的测土配方施肥方法，包括如下步骤：
[0006]步骤1，收集多地块的土壤理化特征、施肥量数据以及多种农作物在各地块中的产量数据，并对土壤理化特征、施肥量数据进行预处理；
[0007]步骤2，以农作物产量为目标，构建基于土壤理化特征和施肥量的极端随机树模
型，将步骤1得到的数据划分为训练集和测试集，并将训练集切分为子集并交替作为训练集和验证集对极端随机树模型进行训练，再基于测试集进行评价以从训练后的模型参数中优选出最优的模型参数作为优化后的极端随机树模型参数；
[0008]步骤3，将不同地块的实测土壤理化特征输入到优化后的极端随机树模型中，以作物产量最大化为目标，采用布谷鸟搜索算法对优化后的极端随机树模型进行迭代优化计算从而得到最优的施肥量参数，根据得到的施肥量参数进而获得同时满足不同地块土壤养分结构特异性和产量最大化的播种前底肥施入方案。
[0009]进一步地，步骤1中土壤理化特征包括土壤的pH值、有机质含量、水解性氮HN含量、有效磷AP含量以及速效钾AK含量。
[0010]进一步地，步骤1中施肥量数据包括氮N、磷P2O5、钾K2O三种肥料的施用量。
[0011]进一步地，农作物包括玉米、水稻、大豆。
[0012]进一步地，步骤1中预处理方法为将土壤理化特征、施肥量数据进行归一化处理得到各参数的相对值。
[0013]进一步地，待优化的模型参数包括决策树个数、最大深度、叶子节点最小样本数、分裂最小样本数、分裂最大特征数。
[0014]进一步地，步骤2中的评价指标包括决定系数R2、均方根误差RMSE、平均绝对误差MAE、相对均方根误差RRMSE和平均绝对百分比误差MAPE。
[0015]进一步地，布谷鸟搜索算法在计算时遵循三种假设：
[0016](1)每只布谷鸟一次只产一枚卵并随机选择一个鸟巢存放；
[0017](2)选择鸟巢时，只有存放优质卵的鸟巢会被保留到下一代；
[0018](3)鸟巢宿主会以一定概率发现外来卵并将该卵丢弃或重新筑巢；
[0019]其中，鸟巢的迭代过程由以下公式表示：
[0020][0021]式中，和分别为第i个鸟巢在第t代和第t+1代的位置，
⊕
为元素乘积，L(s,λ)为服从莱维分布的随机搜索向量。
[0022]进一步地，步骤3中，采用布谷鸟搜索算法确定最优施肥量值的方法为：
[0023](1)确定布谷鸟搜索算法的参数；
[0024](2)以优化后的极端随机树模型作为目标函数，并固定土壤理化特征量值；
[0025](3)生成初始鸟巢位置即施肥特征量值，并计算对应的目标函数值；
[0026](4)基于莱维飞行法更新鸟巢位置并计算新巢的目标函数值，选择函数值最大的巢作为当前最优巢；
[0027](5)以一定概率丢弃当前鸟巢并随机生成新巢，保留目标函数计算结果更高的巢；
[0028](6)重复以上过程直到目标函数满足收敛条件或迭代次数达到最大值，以当前最佳鸟巢位置为最优施肥特征量值。
[0029]进一步地，步骤3中，布谷鸟搜索算法的参数包括但不限于阈值范围、迭代次数、丢弃概率、步长比例因子。
[0030]与现有技术相比，本专利技术的有益效果为：
[0031]本专利技术以作物产量最大化为导向，以单位地块土壤养分参数为依据，使用布谷鸟
搜索算法优化模型施肥特征量，求解最优施肥方案，为大尺度区域施肥管理提供了更加便捷、高效的解决方案；本专利技术提出的施肥方法与传统测土配方施肥方法相比，优势在于无需进行繁琐的田间施肥试验，直接利用历史土壤养分参数、施肥量和产量数据驱动模型，即可方便快速地给出作物施肥配方，在保证准确性的前提下，节省了大量人力物力，提高了配方施肥效率；
[0032]此外，本专利技术施肥策略直接考虑与施肥过程关系最为密切的环境因素，以单位地块土壤养分参数为依据，同时以产量最大化为目标推荐氮磷钾三种主要肥料的施肥配方，具有更强的实用性，而以往许多配方施肥研究的推荐施肥量无法充分考虑不同小区试验结果的差异性，只给出整个大区域的平均推荐施肥量，然而不同区域的作物由于土壤中氮、磷、钾残留量的空间差异，肥料需求可能发生很大变化，因此推荐施肥配方时充分考虑土壤养分的空间变异性，避免过量施肥造成肥料流失引起周围农业环境污染。
附图说明
[0033]图1为本专利技术实施例基于机器学习的测土配方施肥方法的流程图；
[0034]图2为本专利技术本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的测土配方施肥方法，其特征在于，包括如下步骤：步骤1，收集多地块的土壤理化特征、施肥量数据以及多种农作物在各地块中的产量数据，并对土壤理化特征、施肥量数据进行预处理；步骤2，以农作物产量为目标，构建基于土壤理化特征和施肥量的极端随机树模型，将步骤1得到的数据划分为训练集和测试集，并将训练集切分为子集并交替作为训练集和验证集对极端随机树模型进行训练，再基于测试集进行评价以从训练后的模型参数中优选出最优的模型参数作为优化后的极端随机树模型参数；步骤3，将不同地块的实测土壤理化特征输入到优化后的极端随机树模型中，以作物产量最大化为目标，采用布谷鸟搜索算法对优化后的极端随机树模型进行迭代优化计算从而得到最优的施肥量参数，根据得到的施肥量参数进而获得同时满足不同地块土壤养分结构特异性和产量最大化的播种前底肥施入方案。2.根据权利要求1所述的基于机器学习的测土配方施肥方法，其特征在于，步骤1中土壤理化特征包括土壤的pH值、有机质含量、水解性氮HN含量、有效磷AP含量以及速效钾AK含量。3.根据权利要求1所述的基于机器学习的测土配方施肥方法，其特征在于，步骤1中施肥量数据包括氮N、磷P2O5、钾K2O三种肥料的施用量。4.根据权利要求1所述的基于深度学习的测土配方施肥方法，其特征在于，农作物包括玉米、水稻、大豆。5.根据权利要求1所述的基于深度学习的测土配方施肥方法，其特征在于，步骤1中预处理方法为将土壤理化特征、施肥量数据进行归一化处理得到各参数的相对值。6.根据权利要求1所述的基于机器学习的测土配方施肥方法，其特征在于，待优化的模型参数包括决策树个数、最大深度、叶子节点最小样本数、分裂最小样本数、分裂最...
【专利技术属性】
技术研发人员：曾文治，任志鹏，高键，敖畅，雷国庆，
申请(专利权)人：武汉大学，
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。