[发明专利]基于Spark的MLR模型红富士苹果树精准灌溉方法

摘要

本发明提出了一种基于Spark的MLR模型红富士苹果树精准灌溉方法，包括胶东半岛地区红富士苹果树MLR精准灌溉模型建立和实时灌溉决策方法。所述的MLR精准灌溉模型建立包括制作影响红富士苹果树需水因子数据集；搭建分布式系统，部署Spark集群，建立MLR模型，并对模型评估完成灌水需求量的分析。所述的实时灌溉决策方法包括下位机ARM微处理器使用传感器采集环境信息，数据清洗与规范化处理，通过GPRS模块与上位机网站实时通讯，Spark对数据进行实时处理，生成决策值；若达到水量阈值，则按既定灌水定额实施灌溉，否则不作处理。本发明利用基于Spark的MLR模型的红富士苹果树精准灌溉方法，实现对胶东半岛地区红富士苹果树种植的智能浇灌与闭环控制，可提高灌溉精确性，达到优化农业生产的目的。

主权项

1.一种基于Spark的MLR模型的红富士苹果树精准灌溉方法，其特征在于，包括如下步骤：S1、搜集影响红富士苹果树生长与需水的各类特征量，经过大量实验观察与数据分析，确定苹果树的生长周期、降雨量、土壤温湿度、空气温湿度为影响苹果树需水的可能决定性因素；S2、观察苹果树长势，收集大量数据；对数据进行可靠性分析，剔除“脏”数据和骤变值；结合当日天气，绘制csv图表，整理制作数据集；S3、搭建分布式系统，部署Spark集群，采用Spark On Mesos的粗粒度模式；Spark读取数据集，数据类型为DataFrame；S4、将数据集分为两批：训练集和测试集，训练集和测试集的比例为4：1；使用Box‑plot图对数据进一步分析，检查有无空数据和离群数据，若有空数据，则重新采样，若有离群数据，则去除这些无用数据；S5、利用训练集构建MLR模型：needing＝62.142‑7.184*growth‑0.114*water‑0.289*soil_h+0.055*soil_t‑0.020*air_h‑0.064*air_t；相关系数：生长周期与需水量的相关系数为‑0.975(强相关)，降雨量与需水量的相关系数为‑0.994(强相关)，土壤湿度与需水量的相关系数为‑0.984(强相关)，土壤温度与需水量的相关系数为0.154(弱相关)，空气湿度与需水量的相关系数为‑0.774(较强相关)，空气温度与需水量的相关系数为0.146(弱相关)；由此模型可知最佳拟合线的截距为62.142，回归系数为[‑7.184，‑0.114，‑0.289，0.055，‑0.020，‑0.064]；S6、至此胶东半岛地区红富士苹果树的精准灌溉模型已经训练完毕，使用Python和MATLAB对拟合曲线进行绘制，观察曲线拟合情况，残差整体平均散布在被拟合值点附近，在整个拟合范围内具有恒定均匀的扩散，回归曲线与因变量needing拟合效果良好，没有出现过拟合现象，准确率达89.0868637081704％，从而完成灌水需求量的分析；S7、下位机ARM微处理器使用土壤温湿度变送器采集土壤温湿度，使用空气温湿度变送器采集空气温湿度，变送器与ARM微处理器之间采用RS‑485通信，ARM微处理器对采集的数据信号进行A/D转换，将模拟信号转换为数字信号；S8、利用GPRS模块将ARM微处理器转换得到的数字信号传输给上位机网站端，S9、上位机网站端接收到土壤温湿度和空气温湿度数据，结合果树生长周期和当日天气预报对数据进行清洗，将不合理和误测的数据去除；生成DataFrame数据类型的二维表形式；S10、Spark读取csv表格内容，并将csv转换为DataFrame二维表，将数据代入MLR模型，实时生成预测值；S11、若预测值达到设定的水量阈值，则按照既定灌水定额实施灌溉；若预测值没有达到设定的水量阈值，则不作处理；自此基于Spark的MLR模型的红富士苹果树精准灌溉方法完成。