【技术实现步骤摘要】
本专利技术涉及植物增产，更具体地说，本专利技术涉及基于草产量的施肥量快速分析方法。
技术介绍
1、在我国西北地区以及一些特殊省份，由于养殖畜牧业的存在，牧民们需要对特定的草本植物进行增产，从而获取更多关于牛羊养殖的利润，对于当地政府而言，牧草增产还有着保护生态环境、提高畜牧业生产效率、促进可持续农业发展、改善土壤健康和应对气候变化等优势。
2、而在环境基本正常稳定的前提下，实现特定草本植物的增产通常由多种因素决定，例如草本植物的耐受性、土壤情况以及施肥量等，有些土壤由于酸碱度、营养元素含量以及土壤质地等原因并不适合用户需求的草本植物的生长，这时，仅改变施肥量，很难甚至无法增加草产量，而对于适合用户需求的草本植物生产的土壤，施肥过多容易引起烧苗现象，导致植物死亡，施肥过少则会导致植物营养不良，影响整个区域的畜牧业生态发展。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供基于草产量的施肥量快速分析方法，对目标区域的土壤性质进行评估，根据评估结果，并以作物产量数据和历史施肥量作为因素对适合用户需求植物的土壤通过人工神经网络算法构建模型，输出草产量最多的施肥量数据，并对得到的模型进行优化调整，使得获取的数据更准确。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于草产量的施肥量快速分析方法，包括如下步骤：
4、步骤s1，监测、采集目标区域土壤性质相关信息，以及运用人工神经网络算法构建模型时的作物产量数据和历史施
5、步骤s2，构建土壤测试评估模型，对目标区域的土壤种植用户需要的草本植物时能否依靠施肥量变化实现增产进行评估；
6、步骤s3，对于能依靠施肥量变化实现增产目标区域的土壤，以作物产量数据、土壤测试评估指数和历史施肥量作为因素构建人工神经网络模型，输出草产量最多的施肥量数据；
7、步骤s4，使用优化算法调整权重对已经训练好的模型进行参数调整，提高模型准确性。
8、具体的，在步骤s1中，人工神经网络可以利用大量的输入变量来提高预测的准确度，常用python中的tensorflow、keras和pytorch等库进行模型的构建和训练。在实际使用中，由于设备成本和实时监测的复杂性等因素，本专利技术建立在对目标区域土壤和需求植物样品充足且生长环境相对稳定的情况，持续监测土壤以及需求植物数据的前提下进行的，从而可能会导致某一监测时刻合理性变更的现象。
9、在步骤s2中，构建土壤测试评估模型，具体过程为采集目标区域中的养分有效性信息、植物吸收能力信息和土壤性质信息，其中养分有效性信息包括养分有效性系数，标定为yyx，植物吸收能力信息包括植物吸收能力系数，标定为zxs，土壤性质信息包括土壤性质系数，标定为txz；
10、养分有效性系数yyx通过测定目标区域的土壤中含有对植物生长有效的元素含量(如氮、磷、钾)，将随机采集的土壤混合在一起，获取其中的有效元素含量重量，标定为hys，统计混合的土壤质量，标定为rz1，则养分有效性系数yyx＝hys/rzl；
11、植物吸收能力系数zxs采集目标土壤中生长的同种草本植物，测定植物根系数量及长度，分别标定为sx和cx，其中，x为单个植物的根系编号，x＝＝1、2、3、4、……、n，n为正整数，统计植物土壤上方总高度，标定为gts，则植物吸收能力系数
12、土壤性质系数txz采集用户需要生产的草本植物最适宜的酸碱度，标定为jsy，测定目标土壤酸碱度，标定为msj，则土壤性质系数txz＝|msi-jsy|；
13、土壤测试评估模型分别由目标区域中的养分有效性信息、植物吸收能力信息和土壤性质信息三方面加权构建而成，生成土壤测试评估指数trpg，对应的系数分别为养分有效性系数yyx、植物吸收能力系数zxs、土壤性质系数txz，构成的公式为trpg＝α1×yyx+α2×zxs-α3×txz；
14、同时，α1、α2、α3均大于0，并根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映土壤测试评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。
15、在步骤s2中，由土壤测试评估模型中获得的土壤测试评估指数用于体现目标区域的土壤面对用户需要生产的草本植物促进生长的能力，它的值越大表示目标区域中土壤内含有的现有的对植物生长有效的元素含量越多，目标草本植物对土壤内营养物质的吸收能力越强，以及越适合目标区域土壤中的酸碱度，目标区域的土壤面对用户需要生产的草本植物促进生长的能力越高。
16、在步骤s2中，当土壤测试评估指数trpg大于等于设定的种植阈值时，说明目标区域中的土壤适合种植用户需要的草本植物，仅调整施肥量可以对草产量的增加起到有效作用，输出评估结果，并对最优施肥量进行后续评估；
17、当土壤测试评估指数trpg小于设定的种植阈值时，说明目标区域中的土壤条件并不适合种植用户需要的草本植物，仅调整施肥量难以对草产量的增加起到有效作用，输出评估结果，并建议更换需要种植的植物种类。
18、在步骤s3中，通过人工神经网络(ann)算法，以土壤测试评估指数、作物产量数据和历史施肥量作为已知参数构建模型，最终输出在目标作物最大产量下的最优施肥量；
19、进一步的，本专利技术人工神经网络模型的构建方法如下：
20、步骤s3.1，数据收集和预处理，采集目标土壤种植用户需要的草类植物生长时的作物产量数据和历史施肥量作为模型输入，并在移除异常值、处理缺失值后，对数据进行归一化或标准化操作，具体的为将分类数据(如土壤类型)转换为数值形式，如调整到0到1之间；
21、步骤s3.2，确定模型结构，确定输入和输出层：输入层的节点数等同于所取的特征数量，在本案例中，特征包括土壤测试评估指数(养分有效性信息、植物吸收能力信息和土壤性质信息)、历史施肥数据(氮、磷、钾等元素的施用量)，以预测的目标数量作为输出层的节点，例如若分别预测n(氮)、p(磷)、k(钾)的量，应有三个输出节点；
22、设计隐藏层：隐藏层数量：开始时，可以尝试仅使用一到两个隐藏层，增加更多的隐藏层可以帮助网络学习更复杂的模式，但也可能导致过拟合；
23、每层的神经元数量：隐藏层的神经元数量是输入层和输出层神经元数量的某种中间值，没有固定公式，但可以从一个相对较小的数目开始，如每个隐藏层的神经元数为输入特征数的两倍，然后通过实验调整；
24、激活函数：隐藏层常用的激活函数包括relu(rectified linear unit)，因为它在防止梯度消失问题方面表现较好，其他选项包括sigmoid或tanh，具体选择取决于问题的性质和网络的表现；
25、步骤s3.4，训练模型，按本文档来自技高网...
【技术保护点】
1.基于草产量的施肥量快速分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于草产量的施肥量快速分析方法，其特征在于：
3.根据权利要求2所述的基于草产量的施肥量快速分析方法，其特征在于：
4.根据权利要求3所述的基于草产量的施肥量快速分析方法，其特征在于：
5.根据权利要求1所述的基于草产量的施肥量快速分析方法，其特征在于：
6.根据权利要求5所述的基于草产量的施肥量快速分析方法，其特征在于：
【技术特征摘要】
1.基于草产量的施肥量快速分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于草产量的施肥量快速分析方法，其特征在于：
3.根据权利要求2所述的基于草产量的施肥量快速分析方法，其特征在于：
<...【专利技术属性】
技术研发人员：蔡占军，那日素，白春利，黄帆，
申请(专利权)人：鄂尔多斯市蒙康元生物科技研究有限公司，
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。