[发明专利]一种基于神经网络的作物生长模型选择方法及装置

说明书

本公开公开了一种基于神经网络的作物生长模型选择方法及装置，从机器学习的角度来模拟当前的作物生长模型，同时构建作物的综合模型库，从而，对当前作物没有生长模型的，可以在经过试种后得到作物生长过程数据，通过模型库的模拟验证得到最匹配的生长模型，再结合神经网络技术来实现基于作物生长模型的机器学习库，最后通过神经网络来预测哪种模型最符合农业生产的需求，可以生成一些种植面积小的、种植效益相对较弱的农作物或者没有合适的生长模型的其他植物的生长数据，生长模型生成其模拟种植数据以供无土栽培、大棚养殖、智能农业的数据作为农业信息化、自动化的数据源，并且可供农户进行种植的数据参考。

技术领域

本公开涉及机器学习技术领域，具体涉及一种基于神经网络的作物生长模型选择方法及装置。

背景技术

当前，作物的生长模型都是在实验室实验产生，试验地验证这些投入大、耗时长、工种复杂的环境下获得的，所以都是选择经济效益高、栽种范围广、易推广等的物种，这就造成一些种植面积小的、种植效益相对较弱的等没有合适的生长模型提供参考。

由于生长模型的实验到产生的周期长、投入多等等问题，造成生长模型的作物涵盖范围小，本公开从机器学习角度来实现作物生长模型的模拟，从而为新作物的模型选择提供依据。

发明内容

本公开提供一种基于神经网络的作物生长模型选择方法及装置，从机器学习的角度来模拟当前的作物生长模型，同时构建作物的综合模型库，对当前作物没有生长模型的，可以在经过试种后得到作物生长过程数据，通过模型库的模拟验证得到最匹配的生长模型，再结合神经网络技术来实现基于作物生长模型的机器学习库，最后通过神经网络来预测哪种模型最符合农业生产的需求，通过用神经网络对作物生长模型的模拟，用机器学习的方法提取生长模型中内在关系，从机器学习角度来实现作物生长模型的模拟，从而为新作物的模型选择提供依据。

为了实现上述目的，根据本公开的一方面，提供一种基于神经网络的作物生长模型选择方法，所述方法包括以下步骤：

步骤分为构建模型库阶段和通过模型库获取未知作物生长模型数据阶段，

构建模型库阶段：

步骤A，读取DSSAT模型中的作物生长模型和模型参数；

步骤B，根据模型参数通过生长模型获取植物生长数据；

步骤C，使用植物生长数据训练神经网络，得到植物神经网络模型；

步骤D，将训练好的植物神经网络模型加入模型库；

通过模型库获取未知作物生长模型数据阶段：

步骤1，试种未知生长的作物时根据训练神经网络生长模型的参数有选择的记录当前试种时作物所产生的试种数据；

步骤2，将试种数据输入到模型库中，得到神经网络模型输出；

步骤3，对未知生长模型的作物与模型库产生的神经网络模型输出的对应的作物进行生长模型复用可行性验证；

步骤4，将通过验证的生长模型在模型库中记录。

进一步地，在步骤A中，所述作物生长模型包括禾谷类作物模型、豆类作物模型、块茎与块根作物模型、油料作物模型、蔬菜作物模型、草料作物模型及其他作物模型。

进一步地，在步骤A中，所述模型参数包括土壤湿度、空气湿度、土壤温度、空气温度、虫害、病害、杂草、土壤微生物种类、土壤微量元素种类及含量、关照强度、风速。

进一步地，在步骤B中，所述植物生长数据包括作物营养生长数据和生殖生长发育过程数据、作物光合作用数据、呼吸作用数据、干物分配数据和植株生长数据以及衰老数据的基本生理生态过程数据。