基于机器学习的智慧农业数据管理方法及系统与流程
本技术涉及智慧农业,尤其涉及基于机器学习的智慧农业数据管理方法及系统。
背景技术:
1、随着智慧农业的快速发展,大型农业机械(如联合收割机)在农田作业中的自动化与智能化水平日益提升,然而,在实际收割作业过程中,收割机面临的两大主要风险(土壤陷落与秸秆缠绕),严重制约了作业效率与安全性,甚至可能导致设备损坏与生产延误。
2、目前,针对收割机作业风险的评估多依赖于人工经验或单一传感器的监测,例如,操作人员仅凭肉眼观察地表状况或依据历史经验判断是否下地作业,这种方法主观性强、缺乏量化标准,且无法应对复杂多变的天气与土壤耦合环境,在现有技术中,虽然已有部分研究尝试通过土壤含水率或降雨量等单一指标预测陷落风险,但没有将土壤理化性质(如类型、坚实度、容重)、秸秆状态(如倒伏角度、密度、坚韧程度)以及多维度天气预报数据(如降雨、风速、湿度)进行综合建模,此外,传统方法无法有效捕捉土壤与秸秆在天气影响下的动态物理变化(如雨后土壤软化、秸秆湿滑),导致预测结果滞后或失真,且未能将陷落风险与缠绕风险联动纳入对收割机轮毂卡滞的综合评估中。
3、因此,亟需一种基于机器学习的智慧农业数据管理方法,通过构建多源数据融合的预测模型,实现对土壤陷落风险与秸秆缠绕风险的精准量化,并综合收割机运行效能,最终对轮毂卡滞风险进行科学预警,以克服现有技术中评估维度单一、预测精度低、实时性差的技术缺陷。
技术实现思路
1、为了克服现有技术存在的缺陷与不足,本技术提出一种基于机器学习的智慧农业数据管理方法。
2、为了达到上述目的,本技术采用以下技术方案:
3、第一方面,本技术提供了基于机器学习的智慧农业数据管理方法,包括下述具体步骤:
4、s100、获取对应农田中的土壤情况数据、秸秆情况数据以及未来时间段的天气情况数据;
5、s200、结合农田中的土壤情况数据以及未来时间段的天气情况数据构建土壤危险性预测模型预测未来土壤陷落风险;
6、s300、结合农田中秸秆情况数据以及未来时间段的天气情况数据构建秸秆危险性预测模型预测未来秸秆缠绕风险;
7、s400、结合未来土壤陷落风险、未来秸秆缠绕风险以及收割机的运行能力分析收割机的轮毂卡滞风险;
8、s500、通过得到收割机的轮毂卡滞风险进行收割风险预警。
9、在本技术的一种实现方式中,所述土壤情况数据包括土壤类型、土壤含水率、土壤坚实度、土壤容重以及地表温度数据,通过传感器在农田内部各点取样后求平均获取,所述秸秆情况数据包括秸秆类型、秸秆密度、秸秆高度、秸秆体积、平均倒伏角度、倒伏密度以及秸秆坚韧程度情况,其中,坚韧程度通过取样位置的秸秆的折断力度求平均获取,其余数据通过视觉传感组件获取;所述未来天气情况包括收割机抵达时间内的降雨量、风速、气温以及相对湿度,通过对应位置的天气预报获取。
10、在本技术的一种实现方式中,所述构建土壤危险性预测模型,包括以下具体内容:
11、s201、获取历史土壤情况、天气情况以及历史对应种类收割机陷落深度情况,将陷落深度除以陷落安全深度得到陷落风险,构建输入为土壤情况和天气情况,输出为收割机陷落风险的多层感知机神经网络模型;
12、具体构建过程为:s2011、整理历史数据集,其中输入特征包括土壤情况(如土壤类型、含水率、坚实度、容重等)和天气情况(如降雨量、风速、气温等);对于类别型特征(如土壤类型),采用独热编码将其转换为数值向量;对于连续型特征(如含水率、降雨量),采用z-score标准化使其均值为0、标准差为1,从而统一不同量纲的影响;输出目标为陷落风险值,即历史陷落深度除以安全陷落深度,计算结果为连续值;模型结构采用3层全连接神经网络:输入层节点数等于特征维度,第一隐藏层包含128个神经元,使用relu激活函数,并加入批归一化以加速收敛,同时加入dropout层(丢弃率为0.3)防止过拟合;第二隐藏层包含64个神经元,同样使用relu激活、批归一化和dropout;输出层为1个神经元,采用线性激活函数,直接输出预测的风险值;该模型通过神经网络自动学习天气与土壤之间复杂的非线性交互关系,以及它们联合对陷落风险的驱动效应,从而隐含地模拟了天气影响土壤状态,进而影响收割机陷落的物理过程;
13、s2012、在训练阶段,将整理好的数据集按8:2比例随机划分为训练集和测试集;损失函数采用均方误差,用于衡量预测风险值与真实风险值之间的差异;优化器选用adam,初始学习率设为0.001,并加入权重衰减(l2正则化,系数为1e-5)以进一步抑制过拟合;训练时采用小批量梯度下降法,批量大小设为32或64,以平衡计算效率与收敛稳定性。同时设置早停策略:若验证集损失在连续10轮内未下降,则提前终止训练,避免无效迭代;此外,采用学习率衰减策略,每20轮将学习率乘以0.5,使模型在后期更精细地调整参数;
14、s202、将获取的农田中的土壤情况数据以及未来时间段的天气情况数据导入构建的多层感知机神经网络模型中进行收割机陷落风险的输出。
15、在本技术的一种实现方式中,所述秸秆危险性预测模型包括以下具体内容:
16、s301、获取历史秸秆情况数据、天气数据以及对应种类收割机的秸秆缠绕风险,其中,秸秆缠绕风险为单位长度距离上的收割机行驶速度降低的百分比,即收割单位长度距离对应密度的农作物,收割机的轮毂因秸秆缠绕所导致的行驶速度降低的平均百分比;构建输入为秸秆情况数据和天气数据,输出为对应种类收割机的秸秆缠绕风险的梯度提升树模型,因为其能够很好地处理混合型特征以及对缺失值鲁棒,并能自动捕捉天气通过影响秸秆物理状态进而改变缠绕风险的复杂非线性关系;
17、具体步骤为:s3011、整理历史数据,每条数据包含以下信息:
18、秸秆类型、秸秆密度、秸秆高度、秸秆体积、平均倒伏角度、倒伏密度、秸秆坚韧程度;收割机抵达时间内的平均降雨量、平均风速、平均气温、平均相对湿度;输出目标:秸秆缠绕风险:一个介于0到1之间的数值,代表收割机在单位长度行驶中,因秸秆缠绕导致速度降低的百分比;
19、s3012、需要对原始数据进行预处理:将秸秆类型这样的文字信息,转换成模型能理解的数字。例如,用1代表小麦、2代表水稻、3代表玉米;对于像秸秆密度、风速这类数值差异很大的特征,统一进行标准化处理,让它们的数值范围大致相同,避免数值大的特征对模型产生过大的影响;如果某条数据中缺少了某个特征值,需要用合适的数值进行填充,比如用全体数据的平均风速来填补;模型选择梯度提升树中的xgboost作为核心算法,这种算法非常适合处理表格数据,能自动学习秸秆倒伏后遇雨变得更湿滑这类复杂的因果关系,从而预测出不同天气和秸秆状态下的缠绕风险;模型的主要参数设置如下:树的数量:300棵;每棵树的最大深度:6层;学习率:0.1;行采样比例:0.8;列采样比例:0.8;正则化参数:l1和l2正则化,防止模型过拟合;
20、s3013、将整理好的历史数据,随机分成两份:训练集和测试集;训练集用来让模型学习,测试集用来检验模型;模型的训练目标是,让预测的缠绕风险值尽可能接近真实的速度降低百分比,衡量这个差距的指标叫做均方误差,误差越小,说明模型预测越准;训练过程中模型进行训练集数据的训练,不断调整内部参数,逐步降低预测误差;当模型在测试集上的表现连续30轮都没有提升时,就提前停止训练,防止浪费时间并过拟合;如果模型在测试集上的表现连续10轮没有进步,就自动将学习率减半,让模型更精细地调整参数;在训练时,对秸秆密度、高度等连续数值,随机添加微小的扰动,让模型见到更多样的情况,增强其泛化能力;训练完成后,用之前预留的测试集来评估模型的最终表现,如果模型在测试集上的预测误差小于预设的阈值,就说明模型合格;
21、s302、将获取的秸秆情况数据、天气数据导入构建的梯度提升树模型中进行秸秆缠绕风险的输出。
22、在本技术的一种实现方式中,所述收割机的轮毂卡滞风险包括以下具体步骤:
23、s401、获取预测得到的收割机陷落风险以及秸秆缠绕风险,同时获取收割机运行情况,运行情况包括收割机的实际输出功率占标准输出功率的比例以及运行功率的稳定性情况;其中,运行功率的稳定性情况通过数值1减去在保持输出下运行功率的标准差除以额定功率的商获取,通过实际输出功率占标准输出功率的比例与运行功率的稳定性情况进行加权求和得到收割机运行效能;
24、s402、将收割机陷落风险以及秸秆缠绕风险进行加权求和得到收割机风险值,通过收割机风险值除以收割机运行效能得到收割机的轮毂卡滞风险。
25、在本技术的一种实现方式中,所述收割风险预警包括以下具体步骤:
26、将计算得到的收割机的轮毂卡滞风险与风险阈值进行对比,若轮毂卡滞风险大于等于风险阈值,则说明收割过程中轮毂卡滞,建议更换收割机或者更换收割时间;若轮毂卡滞风险小于风险阈值,则提醒能够进行收割操作。
27、第二方面,本技术还提供了基于机器学习的智慧农业数据管理系统,包括以下具体模块:
28、获取模块、收割风险评估模块和收割风险预警模块;
29、所述获取模块,用于获取对应农田中的土壤情况数据、秸秆情况数据以及未来时间段的天气情况数据;
30、所述收割风险评估模块,结合农田中的土壤情况数据以及未来时间段的天气情况数据构建土壤危险性预测模型预测未来土壤陷落风险,结合农田中秸秆情况数据以及未来时间段的天气情况数据构建秸秆危险性预测模型预测未来秸秆缠绕风险,结合未来土壤陷落风险、未来秸秆缠绕风险以及收割机的运行能力分析收割机的轮毂卡滞风险;
31、所述收割风险预警模块,通过得到的收割机的轮毂卡滞风险进行收割风险预警。
32、第三方面,本技术提供的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序,所述处理器通过调用所述存储器中存储的计算机程序,执行基于机器学习的智慧农业数据管理方法。
33、第四方面,本技术提供的一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行基于机器学习的智慧农业数据管理方法。
34、本技术与现有技术相比,好处如下:
35、本技术不仅采集了常规的土壤类型与含水率数据,还创新性地引入了土壤数据、秸秆数据以及多维度的天气预报数据,通过将这些在物理上具有耦合关系的异构数据纳入模型,构建了完整的土壤-秸秆-天气三维评估体系,从而首次实现了对收割机作业风险的全面量化,填补了现有技术对秸秆缠绕风险考虑不足的空白。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com