基于人工智能的智能施肥决策系统研究

基于人工智能的智能施肥决策系统研究

邓昌军,何俊,李锐,邓飞,李松,陈震霆,王琳,邹目权,赵明瑞

云南瀚哲科技有限公司   云南省  650000

摘要：数字农业是农业现代化的重要方向，而人工智能的应用在数字农业中具有重要的作用。通过引入高阶神经网络、逻辑回归模型、空间数据挖掘等新技术，搭建基于人工智能的智能施肥决策系统，对于实现农业投入品智能化、数字化管理意义重大，有利用进一步提升农业产效率，在智能系统搭建的基础上优化数据算法，通过多源数据分析，整合分析土地的特征和肥料需求，有利于提升施肥效率保护生态环境。

关键词：数字农业、智能施肥、人工智能、高阶神经网络、逻辑回归、GIS

1.智能施肥决策系统的背景和意义

随着全球人口的增长和城市化的加速，农业生产的重要性也日益凸显。然而，传统的农业生产技术已经无法满足当前社会对农业生产效益的要求。尤其是在农业投入品的使用方面，传统的经验性方法已经不再适用。因此，智能化农业生产已成为农业发展的重要方向。

智能化农业生产的核心是智能化决策，而智能施肥决策系统作为智能化农业生产的重要组成部分，引入人工智能，利用大数据、可视化应用等新技术进行辅助决策，构建基于人工智能的智能施肥决策系统，通过对土地、气象、植物、水质等多种数据的分析和处理，为农户提供精准的施肥建议和管理方案，从而达到节约投入、提高产量和保护环境的目的。

2.数字农业发展引入人工智能的必要性

数字农业是农业现代化的重要方向，随着信息技术和通信技术的不断发展，数字农业的应用范围也在不断扩大，涉及到农业生产、农产品加工和销售等方面。数字农业的发展可以提高农业生产效率和质量，促进农村经济发展，改善农民生活水平，保障人们的食品安全。

数字农业的发展面临着一些挑战，例如数据采集不足、数据处理能力不强、决策支持系统不完善等。这些问题都需要先进的技术支持，其中人工智能就是一种非常重要的技术手段。

人工智能通过模拟人类智能的方式，让计算机系统能够自主地学习、推理和决策。在数字农业中，人工智能可以应用于数据采集、数据处理、模型训练、决策支持等方面，实现智能化农业生产，也可以优化农业生产结构和农产品供给结构，实现农业供给侧改革，从而满足社会发展的需求。

3.人工智能在数字农业中的应用优势和难点

人工智能在数字农业中的应用具有许多优势，例如可以实现数据自动化采集和处理，提高数据分析的精度和效率；可以建立农业生产模型，提供精准的决策支持；可以实现智能化的农业生产管理，提高农业生产效率和质量。

1)强大的数据分析和处理能力：人工智能可以对大量的农业数据进行分析和处理，从而便于农业生产管理和决策的实现。

2)智能化农业生产管理：人工智能可以实现对农场、农田、农作物的实时监测和管理，便于实现精准化农业生产管理。

3)农产品质量智能评估：人工智能可以根据已有的数据模型进行预测和分析，实现对农产品质量的快速准确评估。

4)智能化农业机械化操作：人工智能可以实现对农业机械的自主控制和操作，从而大大提高农业生产效率。

然而，人工智能在数字农业中的应用也存在一些难点，例如数据质量不稳定、算法选择不当、系统集成难度大等。主要表现在:数据收集不易,农业数据分散、质量参差不齐、数据采集成本高等问题，使得数据采集成为人工智能应用的重要难点;硬件设备限制,大多数农村地区基础设施不完善，信息及通讯技术水平低，硬件设备限制了人工智能技术在农业中的应用。

4.构建基于人工智能的智能施肥决策系统

为了有效解决农业生态环境破坏、农作物施肥效率不高结构不优、缺乏智能化应用等问题，在传统测土配方施肥项目上引入人工智能算法与模型，基于系统集成开发，结合“3414”肥料效应模型，利用高阶神经网络、逻辑回归模型等人工智能方法建立精准施肥模型，采用GPS数据转换定位查询技术、“农户一证通”查询技术，实现农户地块与其农作物土壤环境信息的紧密关联，从而建立一个操作简便、数据集中、查询结果准确的农业决策系统，形成一个以辅助制定肥料运筹方案的实用、可靠、综合、高效的决策系统，达到科学合理、节本增效，最大限度地减少肥料浪费。

（1）模型构建

针对施肥相关数据，利用空间数据挖掘技术来分析各个因素与施肥之间的关联规则关系，然后利用逻辑回归模型对其数据进行分类，找出关系最密切的一类数据，接着把这些数据作为高阶神经网络模型的输入数据，利用监督学习的方法来训练和预测精准施肥的效果。

施肥相关数据，主要包括土壤理化性状及养分信息、农作物生长环境影响因子、耕地质量检测及地力评价等影响农作物生长的施肥因素。

（2）空间数据挖掘

从施肥相关数据的空间数据库中抽取没有清楚表现出来的隐含的知识和空间关系，并发现其中有用的特征和模式的理论、方法和技术。利用CMP算法来分析各个因素之间的关联关系，为下一步的数据分类做准备。CPM算法的具体流程如下所示。

输入：最小核参与度阈值min_cpi，特征集F

输出：核模式CPP

变量：具有相同前驱的核模式的字典dict_head，具有相同后续的核模式的字典dict_tail，求变量v的元素的并集union(v)。

（3）逻辑回归模型

逻辑回归模型是机器学习中的一种分类模型，也是一种分类算法，一般用来预测类别，其模型简单且可解释性强，主要用于二分类问题。针对需要检测的数据，把每条数据定义为X，，其中，n为数据X包含的元素个数，Xi为数据X中的第i个元素。

假设对于数据X，因变量Y的输出值为1（即X为异常数据）或者0（即X为正常数据），解释变量为Xi（即X中的元素），Y与Xi之间的关系由概率P(Y=1)来解释，因此概率P(Y=1)定义如下：

其中，是Xi的线性模型的估计值，是随机变量误差值，其中和都是由线性回归确定出来的。

通过转换上述公式，可以得到

其中，。

使用逻辑回归转换，可以得到逻辑回归模型。

因此，Y可以如下表示：

其中，p为切割值，取值范围为[0,1]。

本模型中，p取0.5，当P(Y=1)>0.5时，把对应的数据归类为无相关数据Xno，当P(Y=1)<=0.5时，把对应的数据归类为相关数据Xyes。最终，把所有数据分配为两类数据：无相关Xno、相关Xyes。

（4）高阶神经网络

其神经元结构有求和()和求积()，对于传统的神经网络模型中，只包含求和神经元()。在本模型中，主要采用递归Pi-Sigma神经网络来进行精准施肥预测。整个模型的输入数据为Xyes。

在递归Pi-Sigma神经网络结构中，假定网络的输入结点、隐含结点和输出结点分别为N+2（其中包括一个阈值结点和一个递归反馈结点），K和1，令为网络在时间t+1时的输出，为网络在时间t时第n个结点的输入，为第i个隐含层结点与第n个输入层结点间的权值，，1结点为阈值，隐含层与输出层的连接权值固定为1。则网络的整体输入可表示为：

网络的隐含层输出为：

网络的输出为：

最终，根据网络的输出值，预测出精准施肥的施肥效果，统计出关键指标-准确率。

（5）“3414”肥料效应模型

在本模型中，应用了“3414”田间试验进行肥料效应模型方案设计，吸收了回归最优设计处理少、效率高的优点。其主要是指氮、磷、钾3个因素、4个水平、14个处理。4个水平的含义是：0水平指不施肥、2水平指当地最佳施肥量、1水平=2水平×0.5、3水平=2水平×1.5（该水平为过量施肥水平）。14个处理指14组实验数据。

“3414”方案应用14个处理试验结果，建立氮、磷、钾三元二次效应方程如下：

Y=b0+b1X1+b2X12+b3X2+b4X22+b5X3+b6X32+b7X1X3+b9X2X3

式中：Y——作物产量；

X1、X2、X3——不同品种肥料施用量；

b0、b1、b2、b3、b4、b5、b6、b7、b8、b9—均为常数。

式中共有10个待定系数，利用14组实验数据联立得方程组，根据最小二乘原理解得相应的待定系数。同时得最高产量施用量：

X1=[b1(b92-4b4b6）+b3(2b6b7-b8b9)+b5(2b4b8-b7b9)]D-1

X2=[b1(2b6b7-b8b9）+b3(b82-4b2b6)+b5(2b2b9-b7b8)]D-1

X3=[b1(2b4b8-b7b9）+b3(2b2b9-4b7b8)+b5(b72-4b2b4)]D-1

D=2(4b2b4b6+b7b8b9-b2b92-b4b82-b6b72)

经济最佳施肥量：

X1=[S1(4b4b6-b92)+S2(b8b9-2b6b7)+S3(b7b9-2b4b8)]D-1

X2=[S1(b8b9-2b6b7)+S2(4b2b6-b82)+S3(b7b8-2b2b9)]D-1

X3=[S1(b7b9-2b4b8)+S2(4b7b8-2b2b9)+S3(4b2b4-b72)]D-1

S1=Px1/Py-b1

S2=Px2/Py-b3

S3=Px3/Py-b5

D=2(4b2b4b6+b7b8b9-b2b92-b4b82-b6b72)

其中：Px1、Px2、Px3--不同品种肥料价格Py--产品价格

（6）地理信息系统（GIS）技术

在本模型中，使用GIS功能，通过手指触摸屏幕上相应的显示按钮，即可对地图进行放大、缩小、平移操作、点击查询和GPS经纬度定位查询等操作。随着显示地图比例尺的变化，系统将自动显示或隐藏一些地图要素，始终保持地图界面整洁美观，保证用户方便地找到所要查询的作物田块。同时叠加卫星遥感影像数据，使地面所有道路、河流、房屋、田块一目了然，快速查找到目标田块，从而进行该田块土壤养分信息查询和农作物平衡施肥优化决策方案推荐。

（7）GPS数据转换、定位技术

在本模型中，为解决平面坐标和地理坐标的转换关系，考虑本系统以县级行政区为主，本模块利用“四参数转换模型”实现两坐标系统的转换。主要思路是：

①两坐标系统之间仅存在平移、旋转、缩放关系，据此列出方程组：

X1=X0*a*cos(b)-Y0*a*sin(b)+c,Y1=X0*a*sin(b)+Y0*a*cos(b)+d。

②利用至少2组已知的点位数据（同时清楚WGS坐标和平面坐标）解算出a、b、c、d，若已知点位数据多于2组时，用最小乘法求解出四参数。

③通过已知的四参数实现两坐标系统转换。

当用户输入GPS数据后，系统在一定容差范围内列出相应的地块名称和关联的农户信息表供农户选择，选择完毕后，农户便可以利用系统做优化决策推荐。

5.人工智能在数字农业中的应用前景和发展方向

数字农业的发展需要各种先进技术的支持，而人工智能作为数字农业的核心技术之一，具有广阔的应用前景和发展空间。未来，人工智能在数字农业中的应用将更加普及和深入，涉及到农业生产的各个环节。同时，随着技术的不断发展和创新，人工智能在数字农业中的应用也将不断地得到提升和完善。

1）数据采集和处理技术的进一步提升，例如利用无人机、移动传感器等设备实现自动化采集和处理。

2）模型训练和优化技术的不断改进，例如利用深度学习等算法提高模型的准确性和效率。

3）决策支持系统的完善和智能化，例如利用大数据分析和人机交互技术提供更加精准的决策支持。

4）数字农业生态系统的建设和完善，例如建立数字农业产业链，实现数字农业的可持续发展。

总之，人工智能在数字农业中的应用具有广阔的应用前景和发展空间。通过不断的技术研发和实践经验积累，可以进一步提高数字农业的生产效率和质量，促进农村经济的发展，改善农民的生活水平，保障人们的食品安全。

文献：

[1]Zhenting Chen,Junfeng Wang,Dongyang Gao,Bing Xu,Wenjie Yu, and Min Yang. Dynamic Spatial Fusion of Cloud Vertical Phase from CALIPSO and CloudSat Satellite Data[J].Photogrammetric Engineering & Remote Sensing, 2021,87(1).

[2]Changjun Deng,Jiangyun Tong,Rui Li,Yuanjin Luo.The construction of Agicultural Information Platform of the Characteristics of Agricultural Crops in the Yunnan-Guizhou Plateau[J].Journal of Advanced Oxidation Technologies,2018,21(2)

[3]林领,黄玉流.人工智能在农机装备智能化中的应用分析[J].南方农机,2022,53(19):92-94.

[4]邹目权,王丽珍,吴萍萍,杨培忠.基于Voronoi图的空间 Co-Location 核模式挖掘[J].计算机学报，2022,45(9).

[5]李自豪. 基于知识的果园水肥一体化智能专家系统关键技术的研究[D].山东农业大学,2022.DOI:10.27277/d.cnki.gsdnu.2022.001138.

[6]邓飞,张荣稳,余靖,何俊,洪孙焱.基于 ROC 曲线的逻辑回归切割值寻优方法研究及应用[J].昆明理工大学学报(自然科学版),2023,48(1).

[7]林迪,邓昌军,李锐,罗元金,罗大鹏.灰色关联分析模型在科学施肥技术中的应用[J].中国科技期刊数据库.科研,2016,5(09).

[8]王真宽,罗元金,李继熔.农作物科学有效施肥的原则及技术要点探究[J].南方农业,2018,12(05).

[9]李合营,张同心,刘海法,宋成秀,陈立利,李圣文.基于云平台的智能精准配方施肥机设计与实现[J].农业开发与装备,2022(11):48-50.

[10]刘敬成.基于数据挖掘技术的智能施肥系统设计[J].农机化研究,2022,44(09):148-151.DOI:10.13427/j.cnki.njyi.2022.09.015.