[发明专利]基于神经网络的土壤养分与果实品质关系预测方法

说明书

本发明公开一种基于神经网络的土壤养分与果实品质关系预测方法，通过BP神经网络、Levenberg‑Marquardt BP训练函数和Log‑sigmoid传递函数构建预测模型，进而预测土壤矿质元素含量与果实品质指标之间的关系；然后对预测模型的敏感性进行检测，筛选对该预测模型贡献最大的土壤矿质元素含量，然后通过3D响应曲面分析对这些影响最大的矿质元素的适宜范围进行探究，以获得最佳的果实品质，得出桃树吸收矿质元素的规律，最后根据桃树养分吸收规律制定桃配方专用肥，使矿质元素养分比例达到平衡，既能满足桃树体生长发育的需要，又能提高果实产量和品质。本发明可以广泛应用于农林业。

技术领域

本发明属于农业数据分析技术领域，具体涉及一种基于神经网络的土壤养分与果实品质关系预测方法。

背景技术

我国肥料市场上的化肥品牌和配方繁多，农民们只能凭经验选择肥料施用，导致所施用的肥料并不能满足桃子生长发育的需要，研发合适的桃配方专用肥是提高果品质量一个项重要措施。目前市售的桃专用化肥也无法满足特定地区的桃树生长发育需求，不同地区土壤的矿质元素养分比例不同，对专用配方肥的养分需求也不同，如何能够快速地选择出适合当地实情、显著提高桃树果实品质的专用肥势在必行。

目前，已有一些研究使用神经网络对土壤进行分析或评价，人工神经网路(图1)是一种模拟人脑神经网络行为特征的分布式并行信息处理的数学模型，该结构由多个相互广泛连接的简单神经元组成，通过调整大量节点间的互联关系，达到信息处理的目的。

但是这些通过神经网络预测土壤性质的现有技术存在以下问题：

1、直接采集土地图像然后建立模型进行土壤肥力分析，该方法虽然不需要破坏农田和作物，但是由于只是通过图像来提取土壤的部分特征，最终结果不够精确，无法切实分析预测到土壤矿质元素；

2、现有的预测模型只能简单给出土壤的肥力数据,而无法进一步明确土壤肥力与果实品质之间的特征以及预测结果，也就无法进一步根据实际情况来调整施肥配方等。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于神经网络的土壤养分与果实品质关系预测方法，对大量的果园土壤矿质养分含量与果实品质的进行实验调查，通过人工神经网络进行土壤养分与果实品质的之间的预测模型构建。

技术方案：本发明的一种基于神经网络的土壤养分与果实品质关系预测方法，包括以下步骤：

S1、数据处理

将采集的各土壤矿质元素值以及对应果实品质指标分别做相应预处理，然后对两组数据分别分组为训练样本、测试样本和检验样本；并获得对应特征值；

其中，所述土壤矿质元素包括N、P、K、Ca、Mg、Fe、Mn、Cu、Zn和B；所述果实品质参数包括单果重、可溶性固形物含量、可滴定酸含量、固酸比和可食率；

S2、构建基于BP神经网络的预测模型，将训练样本作为BP神经网络的输入，训练网络参数；

所述BP神经网络包括输入层、隐藏层和输出层；所述土壤中各矿质元素值为输入层自变量，即输入层节点数为10，所述各果实品质指标值为输出层因变量，即输出层节点数为5；隐藏层中使用Levenberg-Marquardt训练函数和Log-sigmoid传递函数；构建过程中使用检验样本检验预测模型；

Log-sigmoid传递函数的表达式为：

S3、利用构造好的预测模型对测试样本进行分类预测；

S4、基于所得预测模型逐一剔除自变量来分析评估预测模型的稳定性；所述自变量是指土壤中各矿质元素含量；

S5、通过敏感性分析和响应面法分析得到对果实不同品质指标影响最大土壤矿质元素值范围。