一种基于农作物规模化种植的智慧化管理系统的制作方法

本发明涉及农作物规模化种植领域，具体为一种基于农作物规模化种植的智慧化管理系统。

背景技术：

1、随着现代农业的发展，农作物的规模化种植已经成为提高农业生产效率的重要手段。然而，传统的规模化种植管理方式依赖于人工经验和手工操作，在资源利用和决策精准度上存在明显不足。

2、专利公开号为cn118297365a的中国专利文献公开了一种基于生态农业的智慧农业管理系统及方法。该专利通过获取待管理土地的历史数据，并对其进行土壤成分分析，计算水土流失度及土地退化度，从而选择合适的种植物品种，实现土地的智慧化管理。虽然该方法利用了历史数据优化种植策略，但它依赖于对独立的历史和实时数据的分析，未能结合两者之间的延迟反馈机制。因此，无法通过数据的延迟效应来对未来种植策略进行全面的优化预测。

3、综上，现有技术虽然使用了历史数据，但缺乏将历史数据和实时数据进行系统性结合、未能利用延迟反馈机制优化未来的种植策略。因此，需要一种能够基于历史数据反馈进行智能化优化的新技术来解决这些问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于农作物规模化种植的智慧化管理系统，通过结合强化学习模型，获取历史种植数据与环境数据，建立状态-动作-奖励循环，并基于历史时间节点t和延迟时间节点t+k的反馈进行系统化决策，最终生成对未来的优化策略，从而解决了现有技术中缺乏动态延迟反馈和长期优化的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、一种基于农作物规模化种植的智慧化管理系统，所述管理系统，包括：

4、历史状态空间构建单元，用于获取历史时间节点t的环境参数，构建为rl模型的历史状态空间；

5、历史动作空间构建单元，用于获取历史时间节点t的种植参数，构建为rl模型的历史动作空间；

6、奖励函数构建单元，用于获取历史时间节点t+k的奖励项，根据所述奖励项构建rl模型的奖励函数；所述奖励函数用于表征历史时间节点t的动作对于历史时间节点t+k的延迟奖励反馈；

7、模型更新单元，用于根据所述延迟奖励反馈以更新rl模型；

8、最优种植策略输出单元，用于向更新后的rl模型输入当前时间节点的环境参数，得到当前时间节点的最优种植策略。

9、在其中的一些实施例中，历史状态空间构建单元的构建步骤，包括：

10、s1-1，在每个历史时间节点t，获取种植环境中农作物的若干环境参数；

11、s1-2，将若干环境参数作为状态特征，构建为历史时间节点t的即时环境状态；

12、所述即时环境状态的构建表达式为：st＝{ht，nt，wt，gt}；

13、其中，st表示历史时间节点t的即时环境状态，ht表示历史时间节点t的土壤湿度，nt表示历史时间节点t的土壤养分，wt表示历史时间节点t的气候条件，gt表示历史时间节点t的作物生长状态；

14、s1-3，在时间序列上，获取n个历史时间节点的即时环境状态，并将其构建为rl模型中的历史状态空间；

15、所述历史状态空间的构建表达式为：

16、其中，s表示历史状态空间，t1，t2，...tn为历史时间序列；

17、在其中的一些实施例中，所述历史动作空间构建单元的构建步骤，包括：

18、s2-1，在每个历史时间节点t，获取种植环境中农作物的若干种植参数；

19、s2-2，将若干种植参数作为种植特征，构建为历史时间节点t的动作；

20、所述动作的构建表达式为：at＝{it，ft，rt}；

21、其中，at表示历史时间节点t的动作，it表示在历史时间节点t的灌溉量，ft表示在历史时间节点t的施肥量，rt表示在历史时间节点t的水肥配比；

22、s2-3，在时间序列上，获取n个历史时间节点的动作，并将其构建为rl模型中的历史动作空间；

23、所述历史动作空间的构建表达式为：

24、其中，a表示历史动作空间，t1，t2，...tn为时间序列；

25、在其中的一些实施例中，所述奖励函数构建单元的构建步骤，包括：

26、s3-1，在历史时间节点t+k，，获取种植环境的单位面积产量、水肥消耗量以及病虫害防治成本；

27、s3-2，将历史时间节点t+k的单位面积产量、水肥消耗量以及病虫害防治成本作为奖励项，构建为rl模型中的奖励函数；

28、所述奖励函数的构建表达式为：rt＝α·yt+k-β·et+k-γ·ct+k；

29、其中，rt是历史时间节点t的奖励反馈，yt+k表示在历史时间节点t+k的单位面积产量，et+k表示在在历史时间节点t+k的水肥消耗量，ct+k表示在历史时间节点t+k的病虫害防治成本；α，β，γ分别是不同奖励项的权重系数；k表示延迟的时间步。

30、在其中的一些实施例中，模型更新单元的更新步骤，包括：

31、s4-1，根据每个历史时间节点获取对应的奖励项；将对应的奖励项代入奖励函数，确定每个历史时间节点的延迟奖励反馈；

32、s4-2，根据每个历史时间节点的延迟奖励反馈，进行q值更新，直至q值更新至收敛条件。

33、在其中的一些实施例中，根据所述每个历史时间节点获取对应的奖励项；将对应的奖励项代入奖励函数，确定每个历史时间节点的延迟奖励反馈，包括：

34、s4-1-1，获取每个历史时间节点；

35、s4-1-2，根据每个历史时间节点获取对应的奖励项；

36、s4-1-3，将对应的奖励项代入所述奖励函数，确定每个历史时间节点的延迟奖励反馈。

37、在其中的一些实施例中，根据所述每个历史时间节点的延迟奖励反馈，进行q值更新，直至q值更新至收敛条件，包括：

38、s4-2-1，通过损失函数量化所述q值更新中的误差；

39、所述损失函数的表达式为：l(θ)＝[rt+k+γmaxaq(st+k，a；θ-)-q(st，at；θ)]2

40、其中，l(θ)表示损失函数计算出的q值延迟误差，θ表示模型内可调整的权重参数，θ-表示固定的权重参数，rt+k表示基于历史时间节点t+k获取到的单位面积产量、水肥消耗量以及病虫害防治成本的奖励反馈，表征历史时间节点t+k的作物状态对历史时间节点t动作at的延迟奖励反馈；γ表示折扣因子，用于权衡历史时间节点t+k的奖励反馈，q(st，at)表示历史时间节点t，在状态st下采取动作at的q值，maxaq(st+k，a；)表示历史时间节点t+k，在状态st+k下采取的最优动作的q值，表征历史最优动作带来的历史延迟奖励；

41、s4-2-2，根据所述损失函数计算出的误差，通过梯度下降进行q值更新；

42、所述q值更新的表达式为：

43、q(st，at)←q(st，at)+α[rt+k+γmaxaq(st+k，a)-q(st，at)]；

44、其中，α是学习率，表征控制q值更新的速度；

45、s4-2-3，当两次更新的q值变化小于预设阈值，q值更新达到收敛条件，停止q值更新过程；

46、所述收敛条件的表达式为：|q(st，at)-q′(st，at)|＜∈；

47、其中，q(st，at)表示历史时间节点t，在状态st下采取动作at的q值，q′(st，at)表示上一次更新的q值，∈为预设阈值。

48、s4-2-4，在所述q值更新的过程中，更新每一个历史时间节点下的最优种植策略；

49、所述最优种植策略的更新表达式为：π(st)＝argmaxaq(st，at)；

50、其中，π(st)表示对每个状态st，选择使q值最大的动作at。

51、s4-2-5，根据所述q值、历史时间节点和对应的最优种植策略的映射规则，建立种植策略表。

52、在其中的一些实施例中，最优种植策略输出单元的输出步骤，包括：

53、s5-1、获取当前时间节点的若干环境参数；

54、s5-2，以当前时间节点的若干环境参数为索引，在种植策略表中查询最优种植策略；

55、s5-3，输出并执行所述最优种植策略。

56、本发明提供了一种基于农作物规模化种植的智慧化管理系统，具备以下有益效果：

57、通过历史数据与强化学习模型的结合，本发明有效解决了现有技术中存在的资源利用不均衡、长期效果忽视等问题，最终实现了基于延迟反馈机制的最优种植策略。这种智慧化管理系统不仅提高了单位面积产量，优化了资源使用和病虫害防治成本，还能够适应作物的生长周期动态调整策略，显著提升了农业生产的智慧化管理水平。