【技术实现步骤摘要】
本专利技术属于智慧农业，尤其涉及一种用于大麦培育的智能施肥方法。
技术介绍
1、在大麦种植过程中，化肥的正确使用本是迅速补充土壤养分、提升土壤氮含量、优化大麦生长环境的关键措施，旨在精准满足大麦全生育周期的营养需求，进而促进施肥量提升。然而，现实中不少大麦种植者因缺乏专业的农业知识，常遭遇施肥量不准确的困境。这种非科学的施肥方法非但未能激发大麦的生产潜力，反而适得其反，易导致大麦生长失衡，增加倒伏与病虫害风险，最终引发减产。更为严重的是，此类不当施肥还引发了一系列环境问题：水体因富营养化而受污染，土壤结构遭破坏失去平衡，大气中亦可能因化肥挥发而遭受污染。因此，推行合理施肥、科学施肥策略，已成为当前农业生产领域亟待解决的重大问题。
2、现有的大麦智能施肥方法主要涵盖以下两种：基于数据库的智能施肥方法和基于云网络的智能施肥方法。
3、基于数据库的智能施肥方法：基于数据库的智能施肥方法是一种结合了现代信息技术和农业科学的精准施肥方法。该方法通过构建包含土壤养分、作物生长数据、气候环境信息等多维度数据的数据库，根据农业数据库提供的数据，为大麦种植者提供施肥建议。具体而言，该施肥方法通过分析土壤养分状况、作物生长需求以及气象条件等因素，参照数据库中的过往历史数据，向大麦种植者提供在大麦不同生长阶段的施肥时间。
4、基于云网络的智能施肥方法：基于云网络的智能施肥方法是一种集数据采集、云端分析、专家决策的现代农业技术。它通过实时监测农田环境数据，利用云网络平台将大麦的实时生长情况数据，土壤条件数据及气候条件
5、针对大麦种植中的智能施肥方法，这些方法通过部署传感器以采集在大麦生长时的土壤条件数据，大麦生长情况数据以及相关的气候数据。并利用这些采集到的数据通过参照数据库的方法或者通过远端专家控制的方法进行智能施肥的指导。但是在实际的大麦种植中，土壤条件，大麦生长条件以及气候条件都处在动态变化的过程中，参照数据库的方法无法根据实时的大麦生长状况给出最精确的施肥方法指导，而根据云网络的方法在应对大麦生长情况和生长环境实时变化的问题时，将会带来巨大的人力成本。总的来看，现有的大麦智能施肥技术在应对生长环境与生长情况实时变化这方面的问题时，尚存在缺陷，需要进一步应对这些问题，以提高大麦生长中施肥的效率。
技术实现思路
1、针对上述问题，本专利技术第一方面提出了一种用于大麦培育的智能施肥模型构建方法，包括以下过程：
2、步骤1，基于若干组产量与施肥量比例符合要求的大麦种植记录数据，将影响最终大麦施肥量的m个特征数据构建初始数据集；其中，将记录到的每天的各项特征数据拼接到一起得到一天的拼接特征数据d，将记录t天的数据d作为施肥量预测的输入信息d*，之后一周时间对应的大麦总施肥量o作为输出；
3、步骤2，基于互信息和相关系数进行特征筛选，选择出与大麦施肥量相关度最高的n个特征，并将这些特征重新作为输入特征构造标准数据集；
4、步骤3，构建基于多头注意力机制的大麦施肥量预测模型，以预测得到在大麦生长时期以及不同生长条件下所对应的一周时间内对应的大麦总施肥量；
5、步骤4，基于步骤2中的标准数据集，并采取基于样本强化的模型训练策略，对大麦施肥量预测模型进行训练，以找到使模型预测性能最佳的模型参数，得到最终智能施肥模型。
6、优选的，所述步骤1中m个特征包括大麦种植期间的大麦茎秆高度平均值zs，生长环境的温度zt、生长环境的湿度zm、土壤结块情况tj、土壤氮含量情况tf、土壤湿度情况tm、日照强度情况s以及空气中的二氧化碳情况c共八个特征；并将记录到的每天的各项特征数据拼接到一起得到一天的拼接特征数据d＝[zs，zt，zm，tj，tf，tm，s，c]；
7、拼接特征数据向量d*以及大麦施肥量o进行组合，得到一组数据d-，l组数据d-组合到一起，得到初始数据集；
8、采取归一化操作函数对初始数据集进行归一化处理，得到归一化之后的数据d。
9、优选的，所述步骤2的具体过程为：
10、s21，相关系数计算：依次计算大麦种植期间的m个特征和大麦总施肥量o的相关系数kj，j∈[1，m]；
11、
12、其中，xj依次表示每个特征数据，kj表示每个特征所对应的相关系数，cov(*)表示互相关函数，var(*)表示方差求解函数；
13、s22，互信息值计算：依次计算大麦种植期间的m个特征和大麦总施肥量o的的互信息值rj，j∈[1，m]；
14、rj＝h(xj)+h(o)-hx(xj，o)
15、其中，xj依次表示每个特征数据，h(*)表示信息熵求解函数，hx(*，*)代表互信息熵求解函数；
16、s23，特征系数求解：基于s21和s22计算得到的每个特征的互信息值rj和每个特征的相关系数kj，rj能从信息熵的角度寻找特征xj和大麦施肥量o的相关性，kj从互相关的角度出发寻找特征xj和大麦施肥量o的相关性，为互信息值rj分配0.7的权重，为相关系数kj分配0.3的权重，随后加权求和得到每个特征的特征系数bj；
17、bj＝0.3kj+0.7rj
18、s24，基于s23过程求解得到的每个特征的特征系数，其特征系数越大代表与施肥量的相关程度越高，选取特征系数最高的5个特征，构建标准数据集。
19、优选的，所述基于多头注意力机制的大麦施肥量预测模型，使用n组编码器模块分别对应n个特征，为增强信息提取的能力，在每个编码器模块中包含6个依次连接的编码器对输入特征进行深度提取处理，然后利用多头注意力机制模块将n组编码器模块的输出进行融合，最后再经过一个全连接层和softmax激活函数，进行输出。
20、优选的，所述编码器的具体为：
21、在编码器结构中对于每个输入编码器的特征xi，此特征首先经过一个嵌入层以提取每一个特征的特征信息向量embi：
22、embi＝embding(xi)
23、其中，embding(*)代表嵌入层操作函数，embi表示特征xi经过嵌入层处理之后的特征信息向量；
24、然后进入自注意力机制模块进行特征计算：将特征信息向量embi送入3个全连接层(q，w，l)中进行进一步处理，从多个维度进行特征提取，以得到在三个不同维度上的特征信息qi，wi，vi：
25、qi＝qlj(embi)
26、wi＝wlj(embi)
27、vi＝vlj(embi)
28、其中，qlj，wlj，vlj分别代表全连接层q，w，l的层操作函数，随后特征信息qi，wi，vi经过一个线性层和一个激活函数softmax后，得到融合后的特征信息zi；
29、zi＝softmax(line(qi本文档来自技高网...
【技术保护点】
1.一种用于大麦培育的智能施肥模型构建方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于：
3.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述步骤2的具体过程为：
4.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于：所述基于多头注意力机制的大麦施肥量预测模型，使用n组编码器模块分别对应n个特征，为增强信息提取的能力，在每个编码器模块中包含6个依次连接的编码器对输入特征进行深度提取处理，然后利用多头注意力机制模块将n组编码器模块的输出进行融合，最后再经过一个全连接层和softmax激活函数，进行输出。
5.如权利要求4所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述编码器的具体为：
6.如权利要求4所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述多头注意力机制模块具体为：
7.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述步骤4中基于样本强化的模型训练
8.一种用于大麦培育的智能施肥方法，其特征在于，将如权利要求1至7任意一项所述的构建方法所构建的智能施肥模型进行部署，以指导大麦种植者未来一周的施肥操作，并包括以下过程：
9.一种用于大麦培育的智能施肥设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如权利要求1至7任意一项所述的构建方法所构建的智能施肥模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种适用于大麦培育的智能施肥方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有如权利要求1至7任意一项所述的构建方法所构建的智能施肥模型的计算机执行程序，所述计算机执行程序被处理器执行时，使处理器执行一种适用于大麦培育的智能施肥方法。
...【技术特征摘要】
1.一种用于大麦培育的智能施肥模型构建方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于：
3.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述步骤2的具体过程为：
4.如权利要求1所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于：所述基于多头注意力机制的大麦施肥量预测模型，使用n组编码器模块分别对应n个特征，为增强信息提取的能力，在每个编码器模块中包含6个依次连接的编码器对输入特征进行深度提取处理，然后利用多头注意力机制模块将n组编码器模块的输出进行融合，最后再经过一个全连接层和softmax激活函数，进行输出。
5.如权利要求4所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述编码器的具体为：
6.如权利要求4所述的一种用于大麦培育的智能施肥模型构建方法，其特征在于，所述多头注意力机制模块具体为：
【专利技术属性】
技术研发人员：任盼荣，杨芳，乔岩，李茜，安沛沛，许爱云，王春林，赵菊莲，施万喜，龚磊，
申请(专利权)人：陇东学院，
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。