基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法
【專利摘要】本發(fā)明公開了一種基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法，該方法包括以下步驟：利用基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型，根據(jù)輸入的環(huán)境數(shù)據(jù)得到作物的單產(chǎn)量生產(chǎn)潛力E；利用基于過程的作物模型，構(gòu)建得到基于知識驅(qū)動的作物單產(chǎn)量子模型，然后根據(jù)作物的單產(chǎn)量生產(chǎn)潛力E和作物內(nèi)在的機理參數(shù)得到作物的單產(chǎn)量y；利用區(qū)域歷史環(huán)境數(shù)據(jù)和作物的單產(chǎn)量y，辨識得到模型參數(shù)θd和θk，以根據(jù)未來某區(qū)域的氣象數(shù)據(jù)來對該區(qū)域作物的單產(chǎn)量進行預測。本發(fā)明能夠最大化利用歷史環(huán)境數(shù)據(jù)和作物知識模型，使模型參數(shù)得到系統(tǒng)化估計，潛力分析更加精確，易于使用，這為輔助溫室作物生產(chǎn)、環(huán)境調(diào)控以及栽培管理提供了更加可靠的方法。
【專利說明】基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)據(jù)處理方法和一般植物學【技術(shù)領(lǐng)域】，尤其涉及一種基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法。

【背景技術(shù)】
[0002]溫室作物生產(chǎn)、環(huán)境調(diào)控以及栽培管理需要可靠的作物單產(chǎn)量預測方法。通常來說，作物單產(chǎn)量預測方法根據(jù)是否包含與作物生長發(fā)育規(guī)律相關(guān)的知識，可分為基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量預測方法和基于知識驅(qū)動的作物單產(chǎn)量預測方法。
[0003]基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量預測方法將作物的復雜生長行為視為黑箱，對生長過程不作考慮，其方法的構(gòu)建完全依賴于歷史環(huán)境數(shù)據(jù)和作物單產(chǎn)量數(shù)據(jù)(不包含任何作物相關(guān)的知識)，如采用基于人工神經(jīng)網(wǎng)絡的作物單產(chǎn)量預測方法。這種方法能夠通過數(shù)據(jù)學習方式來處理機理未知的非線性關(guān)系，且對一定環(huán)境生長下的數(shù)據(jù)能達到較高的預測精度。但是該方法不能夠最大化利用已有的作物知識去改善作物單產(chǎn)量的預測精度，且當增加輸出變量時模型的復雜度迅速提升。
[0004]不同于基于數(shù)據(jù)驅(qū)動的方法，基于知識驅(qū)動的作物單產(chǎn)量預測方法則是基于作物生長發(fā)育規(guī)律建立的模型，包括作物的生物量產(chǎn)生、分配、葉面積形成等動態(tài)過程，如基于中法合作研究發(fā)展而來的植物功能結(jié)構(gòu)模型(GreenLab)，該模型是一種通用的植物生長模型，已成功應用于玉米、小麥、黃瓜、西紅柿等經(jīng)濟作物，且能夠輔助溫室作物生產(chǎn)、環(huán)境調(diào)控以及栽培管理。但是該模型不能夠最大化利用環(huán)境數(shù)據(jù)去提高作物單產(chǎn)量的預測精度。
[0005]區(qū)別于傳統(tǒng)的作物單產(chǎn)量預測方法，為了最大化利用作物知識和環(huán)境數(shù)據(jù)來改善作物單產(chǎn)量預測精度，本發(fā)明提出一種基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法，可輔助溫室作物生產(chǎn)、環(huán)境調(diào)控以及栽培管理。


【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供一種可靠的作物單產(chǎn)量預測方法，并使該方法能夠最大化利用已有的作物知識和環(huán)境數(shù)據(jù)，提高作物單產(chǎn)量預測精度，且能夠輔助溫室作物生產(chǎn)、環(huán)境調(diào)控以及栽培管理。
[0007]為實現(xiàn)上述目的，本發(fā)明提供一種基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法，該方法包括以下步驟:
[0008]步驟1，利用基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型，根據(jù)輸入的環(huán)境數(shù)據(jù)得到作物的單產(chǎn)量生產(chǎn)潛力E ；
[0009]步驟2，利用基于過程的作物模型，構(gòu)建得到基于知識驅(qū)動的作物單產(chǎn)量子模型，然后根據(jù)所述作物的單產(chǎn)量生產(chǎn)潛力E和作物內(nèi)在的機理參數(shù)得到作物的單產(chǎn)量y ;
[0010]步驟3，利用區(qū)域歷史環(huán)境數(shù)據(jù)和所述步驟2得到的作物的單產(chǎn)量y，辨識得到所述基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型的模型參數(shù)Θ d和所述基于知識驅(qū)動的作物單產(chǎn)量子模型的模型參數(shù)Θ k，以根據(jù)未來某區(qū)域的氣象數(shù)據(jù)來對該區(qū)域作物的單產(chǎn)量進行預測。
[0011]本發(fā)明提出的基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法充分利用了基于知識驅(qū)動的方法和基于數(shù)據(jù)驅(qū)動的方法各自的優(yōu)點，能夠最大化利用作物知識和環(huán)境數(shù)據(jù)，提高作物單產(chǎn)量預測精度的可靠性。本發(fā)明與現(xiàn)有技術(shù)的區(qū)別主要體現(xiàn)在本發(fā)明采用基于數(shù)據(jù)驅(qū)動的方法，構(gòu)建基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型，采用基于過程的作物模型，構(gòu)建基于知識驅(qū)動的作物單產(chǎn)量子模型，兩個子模型采用串聯(lián)的方式耦合在一起。因此，本發(fā)明可以更加靈活的應用歷史環(huán)境數(shù)據(jù)構(gòu)建基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力模型，且結(jié)合作物生長發(fā)育規(guī)律(作物知識)，從機理角度對作物單產(chǎn)量進行了預測。實驗表明，本發(fā)明方法集成了二者的優(yōu)點，并具有較高的作物單產(chǎn)量預測精度。
[0012]本發(fā)明利用區(qū)域歷史環(huán)境數(shù)據(jù)和作物單產(chǎn)量數(shù)據(jù)，辨識出模型參數(shù)，以用于未來該區(qū)域作物的單產(chǎn)量預測。本發(fā)明能夠最大化利用歷史環(huán)境數(shù)據(jù)和作物知識模型，使模型參數(shù)得到系統(tǒng)化估計，潛力分析更加精確，易于使用，這也為溫室作物生產(chǎn)、環(huán)境調(diào)控以及栽培管理提供了更加可靠的方法。

【專利附圖】

【附圖說明】
[0013]圖1是本發(fā)明基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法的原理框圖。
[0014]圖2是根據(jù)本發(fā)明一實施例的基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法的框圖。

【具體實施方式】
[0015]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明進一步詳細說明。
[0016]圖1是本發(fā)明基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法的原理框圖，如圖1所示，所述方法包括以下步驟:
[0017]步驟1，利用基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型，根據(jù)輸入的環(huán)境數(shù)據(jù)得到作物的單產(chǎn)量生產(chǎn)潛力E ；
[0018]該步驟反映了氣候環(huán)境對于作物單產(chǎn)量的影響。
[0019]其中，所述環(huán)境數(shù)據(jù)包括但不限于溫度、光照、CO2濃度、相對濕度等氣象數(shù)據(jù)。
[0020]其中，所述基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型是基于數(shù)據(jù)驅(qū)動的方法構(gòu)建得到的，其表示為:
[0021]E = fd(x, Θ d)，
[0022]其中，fd(.)表示基于數(shù)據(jù)驅(qū)動的方法，X為輸入的環(huán)境數(shù)據(jù)，E為該環(huán)境條件下作物單產(chǎn)量的生產(chǎn)潛力，子模型E的參數(shù)。
[0023]步驟2，利用基于過程的作物模型，構(gòu)建得到基于知識驅(qū)動的作物單產(chǎn)量子模型，然后根據(jù)所述作物的單產(chǎn)量生產(chǎn)潛力E和作物內(nèi)在的機理參數(shù)得到作物的單產(chǎn)量y ;
[0024]其中，所述基于知識驅(qū)動的作物單產(chǎn)量子模型表示為:
[0025]y = fk (Ε, Θ k)，
[0026]其中，fk(.)表示基于過程的作物模型，Θ k為子模型y的參數(shù)，即作物內(nèi)在的機理參數(shù)。
[0027]所述步驟I和步驟2也可以認為將基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型和基于知識驅(qū)動的作物單產(chǎn)量子模型串聯(lián)耦合，得到基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測模型，對于該模型，輸入環(huán)境數(shù)據(jù)，即可得到作物的單產(chǎn)量。
[0028]步驟3，利用區(qū)域歷史環(huán)境數(shù)據(jù)和所述步驟2得到的作物的單產(chǎn)量y，辨識得到所述基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型的模型參數(shù)Θ d和所述基于知識驅(qū)動的作物單產(chǎn)量子模型的模型參數(shù)Θ k，以用于根據(jù)未來某區(qū)域的氣象數(shù)據(jù)來對該區(qū)域作物的單產(chǎn)量進行預測。
[0029]在本發(fā)明一實施例中，利用梯度下降法辨識得到基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測模型參數(shù)0k。
[0030]圖2是根據(jù)本發(fā)明一實施例的基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法的框圖，如圖2所示，在本發(fā)明一實施例中，基于徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFN)構(gòu)建基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型，基于植物功能結(jié)構(gòu)模型(GreenLab)或園藝作物通用模型(HortiSim)構(gòu)建基于知識驅(qū)動的作物單產(chǎn)量子模型。
[0031]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFN)構(gòu)建得到的基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型可表示為:
[0032]E = fd(x, Θ d) = Φ (χ) Θ d,
[0033]其中，Θ d為RBFN的權(quán)值參數(shù)，Φ (χ) = [ Φ ! (χ), Φ2(χ),…，Φ--(χ)]為徑向基函數(shù)，且

【權(quán)利要求】
1.一種基于知識與數(shù)據(jù)共同驅(qū)動的作物單產(chǎn)量預測方法，其特征在于，該方法包括以下步驟: 步驟1，利用基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型，根據(jù)輸入的環(huán)境數(shù)據(jù)得到作物的單產(chǎn)量生產(chǎn)潛力E ； 步驟2，利用基于過程的作物模型，構(gòu)建得到基于知識驅(qū)動的作物單產(chǎn)量子模型，然后根據(jù)所述作物的單產(chǎn)量生產(chǎn)潛力E和作物內(nèi)在的機理參數(shù)得到作物的單產(chǎn)量y ； 步驟3，利用區(qū)域歷史環(huán)境數(shù)據(jù)和所述步驟2得到的作物的單產(chǎn)量y，辨識得到所述基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型的模型參數(shù)Θ d和所述基于知識驅(qū)動的作物單產(chǎn)量子模型的模型參數(shù)Θ k，以根據(jù)未來某區(qū)域的氣象數(shù)據(jù)來對該區(qū)域作物的單產(chǎn)量進行預測。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述環(huán)境數(shù)據(jù)包括但不限于氣象數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型是基于數(shù)據(jù)驅(qū)動的方法構(gòu)建得到的，其表示為:
E = fd (χ, Θ d)， 其中，fd(.)表示基于數(shù)據(jù)驅(qū)動的方法，χ為輸入的環(huán)境數(shù)據(jù)，E為對應環(huán)境條件下作物單產(chǎn)量的生產(chǎn)潛力，子模型E的參數(shù)。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于知識驅(qū)動的作物單產(chǎn)量子模型表示為:
y = fk (Ε, θ k)， 其中，fk(.)表示基于過程的作物模型，9,為子模型y的參數(shù)，即作物內(nèi)在的機理參數(shù)。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3中，利用梯度下降法辨識得到基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型的模型參數(shù)Θ (1和基于知識驅(qū)動的作物單產(chǎn)量子模型的模型參數(shù)Θ,。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFN)構(gòu)建基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，基于徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFN)構(gòu)建得到的基于數(shù)據(jù)驅(qū)動的作物單產(chǎn)量生產(chǎn)潛力子模型可表示為:
E = fd(x, Θ d) = Φ (χ) Θ d, 其中，Θ d為RBFN的權(quán)值參數(shù)，Φ (χ) = [ Φ! (χ), Φ2(χ),…，Φ--(χ)]為徑向基函數(shù)，且
]\ σι J
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于植物功能結(jié)構(gòu)模型(GreenLab)或園藝作物通用模型(HortiSim)構(gòu)建基于知識驅(qū)動的作物單產(chǎn)量子模型。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，在所述植物功能結(jié)構(gòu)模型中，第i個生長周期的生物量增量Q (i)表示為:
其中，E(i)為第i個生長周期在該周期氣象環(huán)境條件下作物單產(chǎn)量生產(chǎn)潛力，r和Sp為內(nèi)在生長發(fā)育的機理參數(shù)，S(i)為第i個生長周期的作物總的葉面積； 對于生長周期i，不同作物器官ο累積的生物量表示為:
其中，P。為作物器官O的相對庫強參數(shù)，N0為作物器官ο的個數(shù)，f。為作物器官O擴展函數(shù)，Q(.)為不同生長周期的生物量增量，N0(O為器官ο的個數(shù)，j為器官ο的生長年齡，k為下標。
10.根據(jù)權(quán)利要求9所述的方法，其特征在于，所述作物器官ο包括但不限于葉片b、節(jié)間e和果f。
【文檔編號】G06F19/00GK104134003SQ201410371605
【公開日】2014年11月5日 申請日期:2014年7月30日 優(yōu)先權(quán)日:2014年7月30日
【發(fā)明者】范興容, 康孟珍, 華凈, 王秀娟, 王浩宇, 胡包鋼 申請人:中國科學院自動化研究所