[发明专利]一种对农作物产量预测的混合方法

说明书

一种对农作物产量预测的混合方法,包括：农作物数据集获取、作物产量聚类分析、数据包加载、数据预处理、数据分集、预测模型构建、预测模型的复检、预测模型重复学习；通过从大数据库中提取作物及各因素的数据，利用SVM、LSTM、RNN算法构建作物产量预测模型，与现有技术相比，预测的精确度高，并可计算出作物单位成本，可作为农场主作物种类选择、政府调控的有效参考意见，尤其适合大规模种植模式。

技术领域

本发明涉及智能农业技术领域，具体为一种对农作物产量预测的混合方法。

背景技术

农业被定义为培育动植物的科学和艺术，中国农业用地占土地面积比重达到了56.08％。土壤成分(如氮、磷、钾)、轮作、土壤湿润度、大气和地表温度、降水等，在栽培中发挥着有效的作用。目前与该领域相关的已被证实有效的模型大多是与机器学习(如：随机森林、决策树、人工神经网络等)相结合以确定最佳农作物产量，但是预测的准确性还有待提高。

本发明提出一种对农作物产量预测的混合方法，解决上述技术问题。

发明内容

本发明首先提出一种基于K-Means的数据挖掘算法用于获取农作物产量，然后应用一种机制来以模糊逻辑的形式预测作物，在特定的土地上使用一套规则来进行耕作、降水和农作物的生产预测，称为基于规则的预测逻辑，也称为模糊逻辑。本发明解释了使用K-Means研究数据集的过程，由于一组规则以模糊逻辑形式使用，这些规则再次用于预测作物，根据过去几年作物的成本、土壤和天气的当前信息，将产量收益与耕种成本之间的差值最大化。

本发明支持向量机(Support Vector Machines,SVM)作为机器学习算法执行，而长短期记忆网络(Long Short-Term Memory,LSTM)和循环神经网络(Recurrent NeuralNetwork,RNN)作为深度学习算法。

一种对农作物产量预测的混合方法，步骤如下：

农作物数据集获取：加载与多种农作物对应的多种特征参数数据；所述特征数据包括与设定农作物对应的土壤pH、土壤养分、温度、相对湿度、光照、肥料、降雨量、面积中的一个或多个，标签为作物产量；

数据包加载：加载SVM算法使用的sk l earn包和RNN与LSTM网络使用的keras包；

数据分集：将加载的数据集分为训练集、测试集，训练集、测试集中无重复数据，所述训练集、测试集的合并数集小于等于数据集；

预测模型构建：利用训练集数据先通过深度学习(LSTM、RNN)并列执行、再通过应用机器学习(SVM算法)技术初步完成预测模型的构建；

预测模型的复检：在初步完成的预测模型中输入测试集的特征数据，根据预测模型输出的作物产量值与真实产量值的差值比与预设差值比比较，判断预测模型的准确度；

预测模型重复学习：差值比大于设定值时人工干预调整学习算法；差比值小于设定值时利用应用机器学习(SVM算法)和深度学习(LSTM、RNN)自行通过学习调整算法/参数或/和扩大农作物数据集，进一步优化预测模型；

预测模型的复检、预测模型重复学习步骤循环进行直至达到设定预测精确度得到预测模型。

优选的，所述对农作物产量预测的混合方法,所述农作物数据集获取、所述数据包加载之间设置有作物产量聚类分析：使用K-Means对作物产量进行聚类分析。

优选的，所述对农作物产量预测的混合方法,数据包加载、数据分集之间还包括数据预处理，所述数据预处理是利用最大最小值归一化算法对数据进行数据预处理，见式(1)。

x_norm＝(x-x_min)/(x_max-x_min) (1)