【技术实现步骤摘要】
本专利技术涉及基于人工智能的藜麦增产方案设计，具体而言，涉及基于人工智能的藜麦增产方法及系统。
技术介绍
1、藜麦作为一种高营养价值的粮食作物，具有抗逆性好、营养价值高等特点，在全球粮食安全和可持续农业发展中占据重要地位。就目前而言，传统藜麦种植决策存在多方面局限。一方面，产量预测模型多依赖单一数据模态，未能有效融合时序气象变化与地块特异性特征，导致预测结果偏离实际生产场景。另一方面，品种选择常基于经验性规则或简单统计关联，缺乏对“土壤-气候-品种”适配关系的系统性量化评估，易造成品种推荐偏差。此外，现有优化方法往往孤立处理施肥、灌溉等决策变量，不仅忽视多因素间的非线性耦合效应，且难以在全局资源约束下实现跨地块协同优化，致使方案可行性不足。
技术实现思路
1、本专利技术的目的在于提供基于人工智能的藜麦增产方法及系统，其通过混合预测模型提高产量预测精度，结合品种适应性规则和资源约束优化决策方案，实现了藜麦种植的精准化管理，可有效指导农户增产增效。
2、本专利技术通过以下技术方案实现：
3、基于人工智能的藜麦增产方法，该方法的步骤包括：
4、选定藜麦种植区域边界，获取藜麦种植区域的实时指标数据与历史监测数据，结合并建立时空数据库；
5、提取时空数据库中的藜麦品种历史产量数据，并关联对应地块的特定指标数据，同时定义特定指标数据作为特征变量，定义藜麦品种单位面积产量作为目标变量，通过cart回归树建立藜麦品种适应性规则；
6、基于
7、基于完成训练的藜麦产量混合预测模型对藜麦种植区域的实时指标数据进行计算，得到藜麦的最终增产方案。
8、可选的，所述时空数据库，其建立过程为：
9、选定藜麦种植区域边界，并在藜麦种植区域部署多种物联网检测设备，以建立藜麦种植区域监测网络；
10、基于藜麦种植区域监测网络获取藜麦种植区域的实时指标数据；
11、采集藜麦种植区域的历史监测数据；
12、将实时指标数据与历史监测数据对齐时间戳及地理坐标，并通过postgresql构建时空数据库。
13、可选的，所述通过cart回归树建立藜麦品种适应性规则前，还包括：
14、提取时空数据库中的藜麦品种历史产量数据，并关联对应地块的特定指标数据，计算各个藜麦品种在相同土壤类型下的产量变异系数，筛除产量变异系数大于第一阈值的藜麦品种；
15、所述产量变异系数具体为：
16、按照藜麦品种与特定指标环境分类，提取历史藜麦品种产量数据；
17、求解各个藜麦品种的产量平均值与产量标准差；
18、基于各个藜麦品种的产量平均值与产量标准差求解藜麦品种的产量变异系数；
19、基于预设的第一阈值作为藜麦品种产量变异系数的判断依据，筛除大于等于第一阈值的藜麦品种。
20、可选的，所述通过cart回归树建立藜麦品种适应性规则，其具体为：
21、对时空数据库进行数据提取，以获取藜麦种植区域的土壤指标数据及气象指标数据，并关联各个藜麦品种历史产量数据；
22、基于时空数据库中的提取数据，定义藜麦种植区域的土壤指标数据及气象指标数据作为特征变量，同时定义藜麦品种单位面积产量作为目标变量，结合二者形成训练样本集；
23、构建cart回归树模型，在训练样本集中，以根节点表征所有训练样本，并在各个特征维度上搜索最佳分割点，以最佳分割点对根节点进行首次划分，得到两个子节点；
24、对每个子节点，重复执行根节点的分割过程，直至节点内样本数量低于预设下限，并通过代价复杂度剪枝算法对cart回归树模型进行剪枝，完成cart回归树模型的训练；
25、根据完成训练的cart回归树模型，提取各个终端节点中的特征变量切分条件与对应的预测产量，组合完成藜麦品种适应性规则的建立。
26、可选的，所述最佳分割点的确定过程为：
27、在训练样本集中，以根节点表征所有训练样本，并在各个特征维度上搜索最佳分割点；
28、对每一个候选特征及其候选分割点，计算分割后两个子节点的均方误差，并以样本数比例加权，得到加权误差；
29、在所有候选分割中，选取加权误差最小的分割点作为最佳分割点。
30、可选的，所述藜麦产量混合预测模型，其包括：时序分支与静态分支；其中，所述时序分支具体为lstm神经网络模型，通过lstm神经网络模型对气象指标数据的时序特征进行学习；
31、所述静态分支具体为多层感知机模型，通过多层感知机模型对土壤指标数据进行建模；
32、将两分支输出通过特征融合模块得到藜麦种植区域的单位面积产量预测值，计算单位面积产量预测值与实际结果之间的损失值，并通过损失值迭代更新藜麦产量混合预测模型的参数，完成藜麦产量混合预测模型的训练。
33、可选的，所述藜麦产量混合预测模型，其具体在藜麦品种综合适应性最优的条件下，以藜麦产量最大化为优化目标，其具体计算过程为：
34、设定藜麦种植区域的地块数k，并对各个地块确定决策组合；
35、通过完成训练的藜麦产量混合预测模型，基于确定的土壤指标数据及藜麦品种，计算各个地块的单位面积产量预测值以及目标函数值；
36、在设定约束条件下，对各个地块的决策组合进行迭代更新；
37、重复通过完成训练的藜麦产量混合预测模型计算各个地块的单位面积产量预测值，并更新目标函数，直至达到最大迭代次数后，输出以目标函数值最大化的决策组合结果。
38、可选的，所述藜麦产量混合预测模型的目标函数，其计算公式为：
39、
40、其中，f为目标函数，k为地块总数，k为地块索引，为单位面积产量预测值，为第k个地块的施氮量，为第k个地块的灌溉水量，为第k个地块的藜麦品种，为惩罚系数，为加速系数，为参考施肥量。
41、可选的，所述设定约束条件包括：单块地施肥量上限约束、单块地灌溉量上限约束、肥料资源总量约束、水资源总量约束及品种适应性选择约束。
42、基于人工智能的藜麦增产系统，包括：
43、数据库建立单元，选定藜麦种植区域边界，获取藜麦种植区域的实时指标数据与历史监测数据，结合并建立时空数据库；
44、藜麦品种适应性规则建立单元，提取时空数据库中的藜麦品种历史产量数据，并关联对应地块的特定指标数据，同时定义特定指标数据作为特征变量，定义藜麦品种单位面积产量作为目标变量，通过cart回归树建立藜麦品种适应性规则；
45本文档来自技高网...
【技术保护点】
1.基于人工智能的藜麦增产方法，其特征在于，该方法的步骤包括：
2.根据权利要求1所述的基于人工智能的藜麦增产方法，其特征在于，所述时空数据库，其建立过程为：
3.根据权利要求2所述的基于人工智能的藜麦增产方法，其特征在于，所述通过CART回归树建立藜麦品种适应性规则前，还包括：
4.根据权利要求3所述的基于人工智能的藜麦增产方法，其特征在于，所述通过CART回归树建立藜麦品种适应性规则，其具体为：
5.根据权利要求4所述的基于人工智能的藜麦增产方法，其特征在于，所述最佳分割点的确定过程为：
6.根据权利要求5所述的基于人工智能的藜麦增产方法，其特征在于，所述藜麦产量混合预测模型，其包括：时序分支与静态分支；其中，所述时序分支具体为LSTM神经网络模型，通过LSTM神经网络模型对气象指标数据的时序特征进行学习；
7.根据权利要求6所述的基于人工智能的藜麦增产方法，其特征在于，所述藜麦产量混合预测模型，其具体在藜麦品种综合适应性最优的条件下，以藜麦产量最大化为优化目标，其具体计算过程为：
8.根据权
9.根据权利要求8所述的基于人工智能的藜麦增产方法，其特征在于，所述设定约束条件包括：单块地施肥量上限约束、单块地灌溉量上限约束、肥料资源总量约束、水资源总量约束及品种适应性选择约束。
10.基于人工智能的藜麦增产系统，其特征在于，包括：
...【技术特征摘要】
1.基于人工智能的藜麦增产方法，其特征在于，该方法的步骤包括：
2.根据权利要求1所述的基于人工智能的藜麦增产方法，其特征在于，所述时空数据库，其建立过程为：
3.根据权利要求2所述的基于人工智能的藜麦增产方法，其特征在于，所述通过cart回归树建立藜麦品种适应性规则前，还包括：
4.根据权利要求3所述的基于人工智能的藜麦增产方法，其特征在于，所述通过cart回归树建立藜麦品种适应性规则，其具体为：
5.根据权利要求4所述的基于人工智能的藜麦增产方法，其特征在于，所述最佳分割点的确定过程为：
6.根据权利要求5所述的基于人工智能的藜麦增产方法，其特征在于，所述藜麦产量混合预测模型，其包括：时序分支与静态分支；其中，...
【专利技术属性】
技术研发人员：华劲松，王华强，李培，张文锋，王清海，戴红燕，
申请(专利权)人：西昌学院，
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。