首页 > 分享 > 一种基于大数据分析预测的荔枝控梢促花管理方法与流程

一种基于大数据分析预测的荔枝控梢促花管理方法与流程

花匠小妙招
2024-11-06 01:56

一种基于大数据分析预测的荔枝控梢促花管理方法与流程
本发明涉及果树生长状态监测和管理
技术领域：
，具体为一种基于大数据分析预测的荔枝控梢促花管理方法。
背景技术：
：荔枝是当前最受欢迎的水果之一，在全国各地销量很高。在荔枝的种植过程中，特别是在花芽分化期，荔枝树极易发生冲梢现象。春天枝条上出现未分化的细小芽体，果农俗称“白点”，将分化为花苞或者长叶的枝条。若是叶枝过多即为冲梢。此分化过程十分迅速，若控梢不及时，会使整树吸收的养分大部分转移至树梢的生长，而使供应花芽分化的养分不足，造成开花数量减少，最终导致整树荔枝果实的减产和质量下降。因此及时的控梢和促花工作极为重要。及时的控梢措施，能够尽量降低养分转移到树梢生长，而使养分尽可能多地转移到花芽分化，保证果实的产量和质量。目前，国内外荔枝控梢促花的措施主要是采用喷洒乙烯利等控制冲梢类药物、树干环割和调节叶层氮磷钾元素含量百分比的施肥等手段。虽然这些传统措施经过多年的实验验证已经比较成熟有效，但在时效性上仍有空缺，很难做到精准控制，尤其是在预测荔枝种植园冲梢率和最佳的控梢促花时间方面的研究和应用在国内外均未见报道。对于国内广大的荔枝种植户而言，冲梢现象较为普遍且难以用经验预测，无法事前预防，只能事后补救，即发生冲梢之后才被动地采取补救措施进行管控。而且管控时只能凭传统经验，如是否投放控梢药物、投放时间、浓度及施用量，或者是否需要采取人工环割措施、需要采取措施的时间等，均无法做到因地因时精准控制，故控梢促花的效果也难以令人满意。为了对荔枝进行科学有效地监测和管控、以提高荔枝的产量和质量，研究地理环境因素和冲梢现象之间的联系，开发一套基于大数据预测分析的荔枝控梢促花的管理方法很有必要。技术实现要素：本发明的目的为设计一种基于大数据分析预测的荔枝控梢促花管理方法，其包括两个阶段，第一阶段在特定荔枝种植园选取荔枝样本群，采集环境数据及平均冲梢率、施药浓度，并建立针对该种植园的冲梢率的多元预测模型线性方程。第二阶段在特定荔枝种植园，采集相应的实时数据，按第一阶段所建冲梢率预测模型的线性方程，计算未来五日冲梢率趋势，预测该荔枝种植园的冲稍率是否即将达到控梢阈值，在达到控梢阈值前五日向用户提出预警，并可提供最佳控稍促花措施，同时将当年实时数据补充入数据库，学习完善冲梢率预测模型。本发明设计一种的基于大数据分析预测的荔枝控梢促花管理方法，基于计算机的分析与预测系统，包括两个阶段，第一阶段在特定荔枝种植园采集数据并建立多元预测模型，第二阶段为采集实时数据、根据所建多元预测模型预测该荔枝种植园的冲稍率、提供控稍促花措施建议，同时根据实时数据学习完善多元预测模型。第一阶段建立冲梢率预测模型方程1.1、设置数据采集系统在所述荔枝种植园内随机选取8％～15％的荔枝树作为样本，构成荔枝树样本群。在该荔枝种植园内安装一套空气温湿度传感器、一套光照强度传感器和多个摄像头。根据所选的荔枝树样本群位置安装摄像头，所述摄像头配置有全方位旋转的智能云台，摄像头的所摄图像覆盖所选各荔枝树样本树冠的左、右、前、后和上方。各传感器和摄像头经无线网络传送数据至分析与预测系统。1.2、确定窗口期首先确定d日。d日为荔枝生长茎部分首次出现白色未分化的新生芽体的那一日，d日即荔枝花芽分化期开始日，以此日开始连续28～35天为窗口期。在窗口期每日采集空气温度、空气湿度、光照强度以及荔枝树样本群的平均冲稍率，数据采集时间段为每日正午12点前2～3小时至12点后2～3小时，数据采集间隔为20～40分钟。窗口期每项数据采样量m等于或大于300。1.3、平均冲稍率分析与预测系统对摄像头在数据采集时刻所得的各荔枝树样本的各方位图像进行图像分析，识别图像上的芽体形态，统计芽体总量和其中产生冲稍芽体数量，计算一棵荔枝树样本上产生冲稍芽体数量占芽体总量的百分比，作为此树的冲梢率，再计算荔枝树样本群所有树的冲稍率平均值，作为当前的该荔枝种植园的平均冲梢率。1.4、叶层元素含量和用药浓度分析与预测系统在数据采集时刻调取国内农业遥感卫星提供的实时卫星图像，分析该荔枝种植园内树木叶面反射的可见光谱波段，得到并记录叶层的氮、磷、钾元素的平均含量百分比。分析与预测系统在数据采集时刻接收该荔枝种植园管理者上传的控稍促花药物的施加浓度。在窗口期尚未采取控梢促花药物前，冲梢药物施加浓度记录为0。1.5、数据集所述分析与预测系统的接收并存储各采样时刻空气温度(单位：摄氏度)，空气相对湿度(单位：％)，光照强度(单位：坎德拉cd)，叶层的氮、磷、钾元素的平均含量百分比(单位：％)，控稍促花药物的施加浓度(单位：mg/kg)以及平均冲稍率(单位：％)，并制成时间序列数据集。1.6、构建多元预测模型将步骤1.5所得数据集中的平均冲梢率作为因变量y，数据集的其他元素作为自变量，分别为空气温度x1、空气相对湿度x2、光照强度x3、叶层氮元素含量百分比x4、叶层磷元素含量百分比x5、叶层钾元素含量百分比x6、控制冲梢药物浓度x7。本发明假设各自变量对因变量平均冲梢率y的影响都是线性的，即在其他自变量不变的情况下，y与各xi的关系为线性关系，i＝1,2,3…7，一般的多元预测模型的线性方程如下：y＝b0+b1x1+b2x2+b3x3+…+b7x7b0为常数项，b1～b7分别为各自变量的系数。161、数据统计计算步骤1.5所得数据集中7个自变量x1～x7和因变量y的算术平均值和标准差。162、显著性分析本发明设置已输入数据的预测置信区间为95％，即假设95％的总体数据均落在上述步骤1.5所得数据集的范围内，进行共线性分析和回归建模。计算7个自变量x1～x7的系数、t检验值和和显著性参数。使用最小二乘法计算得的各个自变量的系数。t检验是用t分布理论来推论差异发生的概率，假设检验的指标。根据t检验值和置信区间，由统计学的t分布表查得显著性参数。显著性参数是样本数据落在置信区间外的概率，由上述置信区间95％决定，本发明为5％。各个自变量的显著性参数表示其对因变量冲梢率的影响贡献程度。对每个自变量与因变量冲梢率进行线性相关分析，分别列出各个自变量和因变量的线性关系表达式，进行t检验，以得到显著性参数。计算方法如下自变量xi和因变量yi的关系为线性，计算式为yi＝αi+βixi其中i＝1,2,3…7，表示7种自变量x1～x7。使用最小二乘法进行线性拟合，求解α|i和β|i其中，n＝7表示自变量个数，m表示步骤1.5所得数据集中此自变量的数据个数。求解各自变量的t检验值ti根据各自变量的检验值ti，数学查表获取该自变量的显著性参数，显著性参数值小于0.05的自变量，视作对因变量的贡献极小的冗余变量，从多元预测模型的线性方程中剔除。163、确定多元预测模型的线性方程剔除冗余自变量后剩余的自变量构成适用于该荔枝种植园的多元预测模型的线性方程，计算此方程的常数b0和自变量的系数。最后使用最小二乘法进一步拟合。根据步骤162确定自变量个数k，将自变量数据输入矩阵x，形成m×(k+1)矩阵，矩阵x的第一列全为1，剩余k列分别包含每种自变量的数据m个；矩阵y是将冲梢率数据输入形成的m维列向量，数据量为m。令b为常数参数矩阵。求解矩阵bb＝(xtx)-1xty求得常数b0和自变量的系数b1，…bk即得到最终适合该荔枝种植园的多元预测模型的线性方程。第二阶段预测冲稍率2.1、数据采集在完成第一阶段以后的年度，按第一阶段的步骤1.1确定的荔枝树样本群设置数据采集系统，并按步骤1.2的方法确定d日后，按步骤1.2确定的窗口期和采样时刻采集第一阶段确定的多元预测模型的线性方程中的环境自变量数据，按步骤1.3的方法在每个采样时刻得到该荔枝种植园的平均冲稍率。同时所述分析与预测系统的接收并存储各采样时刻控稍促花药物的施加浓度(单位：mg/kg)以及平均冲稍率(单位：％)，并制成时间序列数据集。2.2、冲稍率在线预测将实时采集的环境数据输入到第一阶段所得多元预测模型的线性方程，从d日起，每日实时计算d+k日(d+k≤窗口期天数)，实时计算当前平均冲梢率。实测平均冲稍率与预测平均冲稍率相比照参考；调节多元预测模型的线性方程的参数，使预测平均冲稍率计算得更加精确。按步骤1.2确定的窗口期和采样时刻采集(d+k-5)～(d+k)日的第一阶段所得多元预测模型的线性方程中的自变量数据，并由采集的数据得到(d+k-5)～(d+k)日5天的上述自变量的日均值，计算(d+k-5)～(d+k)日上述自变量的日增值，据此对未来(d+k+1)～(d+k+5)日的上述自变量进行线性预估，并以此输入到第一阶段所得多元预测模型的线性方程预测计算未来(d+k+1)～(d+k+5)日的平均冲梢率，继而得到该荔枝种植园区的未来5日的平均冲梢率预测曲线，此预测曲线每日更新。以荔枝种植专家知识库对平均冲梢率的最佳控制经验阈值作为参考，根据上述所得平均冲梢率的预测曲线的斜率变化，提前5日预测到平均冲稍率是否将达到最佳控制经验阈值。如若在某日预测到未来五日将达到上述阈值，即可至少提前5日提醒用户准备进行控稍作业。2.3、控梢促花决策分析与预测系统无线连接荔枝种植专家知识库，由所得平均冲稍率最佳控制经验阈值在荔枝种植专家知识库得到本荔枝种植园当前相应的控梢促花决策，包括施用一种或多种控梢促花药物的最佳时间和施加药物浓度，以及人工摘除已发生冲梢、小叶已展开的叶芽。所述控梢促花药物包括乙烯利、强力杀梢素、调花剂、控梢利花素、利梢杀和小叶脱等。2.4、预警分析与预测系统立即将当前的控梢促花决策通过微信公众号、短信、手机客户端和网页客户端将控梢促花决策推送到本荔枝种植园管理者，提醒他们提前5日开始准备对其荔枝种植园进行控梢促花的养护。荔枝种植园管理者采取的控梢促花措施的具体数据均经客户端上传到到分析与预测系统。2.5、实时学习将步骤2.1收集的数据，纳入到分析与预测系统的数据集中，系统根据用户对预测准确度的需求，使用已扩充的数据集进行步骤1.6的回归分析，修正冲梢率的预测模型方程的各自变量系数和常数，不断提高模型的预测准确度。与现有技术相比，本发明一种基于大数据分析预测的荔枝控梢促花管理系统和方法的优点为：1、采集与荔枝控梢促花相关的环境因素、所用控梢促花药物施加浓度的人工干预措施等多方面数据，分析与预测系统进行大数据分析，建立冲梢率多元预测模型；在以后的年度中根据实测数据按所得多元预测模型的线性方程即可实时计算控梢促花药物施加浓度和最佳施放时间，及时推送控梢促花决策，提醒用户在荔枝花芽分化窗口期及时对荔枝进行养护，精准把控施加药物时间和施加药物浓度；2、每年的各类环境因素与人工干预措施的数据均纳入到数据集中，重新训练拟合多元预测模型的线性方程的系数和常数，以提高预测和分析的准确率；3、本发明将严谨的科学理论计算与专家库已有的传统知识经验相结合，灵活度高，拓展性好，时效性强，能做到提前5日精准推送控梢预警消息，提醒荔枝种植户做好防治的准备，具有实用性；4、根据不同荔枝种植园的具体情况，分别采集数据、分析计算得到针对特定种植园相应的多元预测模型的线性方程，进行定制化服务，且可对微信公众号、短信、手机客户端和网页客户端中的一种或多种推送预警消息，灵活机动。附图说明图1为本基于大数据分析预测的荔枝控梢促花管理方法实施例第一阶段建立多元预测模型的流程图；图2为本基于大数据分析预测的荔枝控梢促花管理方法实施例的系统组成结构图。图3为本基于大数据分析预测的荔枝控梢促花管理方法实施例所得窗口期空气温度自变量与平均冲梢率关系的曲线图；图4为本基于大数据分析预测的荔枝控梢促花管理方法实施例第二阶段预测冲稍率流程图：图5为本基于大数据分析预测的荔枝控梢促花管理方法实施例第二阶段d日～(d+k+5)的平均冲梢率预测曲线。具体实施方式下面结合附图和实施例对本发明进行详细的描述。本基于大数据分析预测的荔枝控梢促花管理方法实施例，基于计算机的分析与预测系统，用于广西大学国家级荔枝种植示范基地。包括两个阶段，第一阶段在特定荔枝种植园采集数据并建立多元预测模型，第二阶段为采集实时数据、根据所建多元预测模型预测该荔枝种植园的平均冲稍率、提供控稍促花措施建议，同时根据实时数据学习完善多元预测模型。第一阶段建立冲梢率预测模型方程1.1、设置数据采集系统本例数据采集系统包括安装于广西大学国家级荔枝种植示范基地的一套空气温湿度传感器、光照强度传感器和多个摄像头，配置光伏电源、风力电源和电池等电源设备。广西大学国家级荔枝种植示范基地内地势平整且阳光照射充分，共50棵妃子笑荔枝树，随机选取总量10％共5棵荔枝树样本作为本例荔枝树样本群。根据所选的荔枝树样本群位置安装摄像头，本例摄像头配置有全方位旋转的智能云台，摄像头的所摄图像覆盖所选各荔枝树样本树冠的左、右、前、后和上方。各传感器和摄像头经无线网络传送数据至分析与预测系统。1.2、确定窗口期首先确定d日。d日为荔枝生长茎部分首次出现白色未分化的新生芽体的那一日，d日即荔枝花芽分化期开始日，以此日开始连续30天为窗口期。在窗口期每日采集空气温度、空气湿度、光照强度以及荔枝树样本群的平均冲稍率，数据采集时间段为每日10：00至14：30，数据采集间隔为30分钟。窗口期每项数据采样量等于300。1.3、平均冲稍率分析与预测系统对摄像头在数据采集时刻所得的各荔枝树样本的各方位图像进行图像分析，识别图像上的芽体形态，统计芽体总量和其中产生冲梢芽体数量，计算一棵荔枝树样本上产生冲梢芽体数量占芽体总量的百分比，作为此树的冲梢率，再计算荔枝树样本群所有树的冲稍率平均值，作为当前的该荔枝种植园的平均冲梢率。1.4、叶层元素含量和用药浓度分析与预测系统在数据采集时刻调取国内农业遥感卫星提供的实时卫星图像，分析该荔枝种植园内树木叶面反射的可见光谱波段，得到并记录叶层的氮、磷、钾元素的平均含量百分比。分析与预测系统在数据采集时刻接收该荔枝种植园管理者上传的控稍促花药物的施加浓度。在窗口期尚未采取控梢促花药物前，冲梢药物施加浓度记录为0。1.5、数据集所述分析与预测系统的接收并存储各采样时刻空气温度air_temp(单位：摄氏度)，空气相对湿度air_humidity(单位：％)，光照强度light(单位：坎德拉cd)，叶层的氮n、磷p、钾k元素的平均含量百分比(单位：％)，控稍促花药物eth_density的施加浓度(单位：mg/kg)以及平均冲稍率abnormal_rate(单位：％)，并制成时间序列数据集。本实施例在广西大学国家级荔枝种植示范基地某年的窗口期获得的荔枝树样本群的部分时间序列数据集如表1所示。表1实施例荔枝树样本群的部分时间序列数据集1.6、构建多元预测模型将步骤1.5所得数据集中的平均冲梢率作为因变量y，数据集的其他元素作为自变量，分别为空气温度x1、空气相对湿度x2、光照强度x3、叶层氮元素含量百分比x4、叶层磷元素含量百分比x5、叶层钾元素含量百分比x6、控制冲梢药物施加浓度x7。本发明假设各自变量对因变量平均冲梢率y的影响都是线性的，即在其他自变量不变的情况下，y与各xi的关系为线性关系，i＝1,2,3…7。得到一般的多元预测模型的线性方程如下：y＝b0+b1x1+b2x2+b3x3+…+b7x7b0为常数项，b1～b7分别为各自变量的系数。161、数据统计计算步骤1.5窗口期所得数据集中7个自变量x1～x7和因变量y的算术平均值和标准差，如表2所示。表2窗口期统计数据概况162、显著性分析本例设置已输入数据的预测置信区间为95％，即假设95％的总体数据均落在上述步骤1.5所得数据集的范围内，进行共线性分析和回归建模。计算上述7个自变量x1～x7的系数、t检验值和显著性参数。对每个自变量与因变量冲梢率进行线性相关分析，分别列出各个自变量和因变量的线性关系表达式，进行t检验，以得到显著性参数。计算方法如下自变量xi和因变量yi的关系为线性，计算式为yi＝αi+βixi其中i＝1,2,3…7，表示7种自变量x1～x7。使用最小二乘法进行线性拟合，求解αi和βi其中，n＝7表示自变量个数，本例m＝300为步骤1.5所得数据集中一个自变量的数据量。求解各自变量的t检验值ti根据各自变量的检验值ti，在统计学的t分布表查得该自变量的显著性参数。本例线性回归计算所得的各自变量的t检验值以及对应的显著性参数如表3所示，表3回归建模与共线性分析参数名t检验值显著性参数值x1air_temp-13.8850.000x2air_humidity-1.1580.248x3light0.2520.801x4n-1.3230.187x5p0.1750.861x6k-0.2060.837x7eth_density7.6270.000由表2可见，7个自变量中仅有空气温度air_temp和乙烯利浓度eth_density两个参数的显著性参数值小于0.05，其余自变量的显著性参数值均大于0.05，说明对因变量的贡献极小，视为冗余，剔除。故本例多元预测模型的线性方程中只选用上述空气温度air_temp和乙烯利浓度eth_density两个自变量。最后使用最小二乘法进一步拟合。计算方法如下，假设最终的多元预测模型的线性方程为abnormal_rate＝b0+b1×air_temp+b7×eth_density本例根据步骤162确定自变量为空气温度和乙烯利浓度，矩阵x为300×3的矩阵，其第一列各元素均为1，所述2个自变量的300个数据分别为矩阵x的其余2列；矩阵y为300×1的矩阵，为冲梢率的300个数据。令b为参数矩阵。求解矩阵b163、确定多元预测模型的线性方程回归计算结果常数b0＝0.00947空气温度变量的系数b1＝0.018乙烯利浓度变量的系数b7＝-0.001根据回归计算结果，令abnormal_rate为预测的平均冲梢率，本例定制的适用于广西大学国家级荔枝种植示范基地的多元预测模型的线性方程确定如下：abnormal_rate＝0.00947+0.018×air_temp-0.001×eth_density根据步骤163所得线性方程计算并拟合出窗口期空气温度自变量与平均冲梢率关系的曲线，如图3所示。第二阶段预测冲稍率2.1、数据采集在完成第一阶段以后的年度，按第一阶段的步骤1.1确定的荔枝树样本群设置数据采集系统，并按步骤1.2的方法确定d日后，按步骤1.2确定的窗口期和采样时刻采集空气温度(单位：摄氏度)，按步骤1.3的方法在每个采样时刻得到该荔枝种植园的平均冲稍率。同时所述分析与预测系统的接收并存储各采样时刻控稍促花药物的浓度(单位：mg/kg)以及平均冲稍率(单位：％)，并制成时间序列数据集。2.2、冲稍率在线预测将实时采集的环境数据输入到第一阶段所得多元预测模型的线性方程，从d日起，每日实时计算d+k日(k≤29)的平均冲梢率。按步骤1.2确定的窗口期和采样时刻采集(d+k-5)～(d+k)日的空气温度(单位：摄氏度)，按步骤1.3的方法在(d+k-5)～(d+k)日的每个采样时刻得到该荔枝种植园施加乙烯利浓度，并由采集的数据得到(d+k-5)～(d+k)日5天的每日空气温度(单位：摄氏度)日均值和该荔枝种植园的施加乙烯利浓度的日均值。计算(d+k-5)～(d+k)的每日空气温度(单位：摄氏度)日增值和该荔枝种植园的施加乙烯利浓度的日增值，再得过去五日内的空气温度平均日增值和该荔枝种植园的施加乙烯利浓度的平均日增值。据此对未来(d+k+1)～(d+k+5)日的每日空气温度(单位：摄氏度)和该荔枝种植园的施加乙烯利浓度进行线性预估，并以此输入到第一阶段所得多元预测模型的线性方程预测计算未来(d+k+1)～(d+k+5)日的平均冲梢率，继而得到该荔枝种植园区的d日～(d+k+5)的平均冲梢率预测曲线，此预测曲线每日更新。在本实施例中，广西大学国家级荔枝种植示范基地d-5日至d日的每日空气温度平均值和施加乙烯利浓度的平均值如表3所视，因d日前尚未施药，表4内施加乙烯利浓度的平均值均为0。表4本实施例d-5日至d日的环境数据监测平均值对空气温度的日增值求中位数，median{0.146,0.086,0.015,0.149,0.071}＝0.086由此可计算从d-5日起至d日的温度平均值日均线性升高0.086摄氏度。d日日均气温为12.519摄氏度，由此预估d至(d+5)日的温度值，并以此输入到第一阶段所得多元预测模型的线性方程预测计算未来d～(d+5)日的平均冲梢率，如表4所示，并绘制未来5日的平均冲梢率预测曲线图，如图5所示。表5本实施例预测d日至d+5日的环境数据值和平均冲稍率值以荔枝种植专家知识库对平均冲梢率的最佳控制经验阈值46％作为参考，根据平均冲梢率的预测曲线的增长斜率升高变化，提前5日预测到平均冲稍率是否将达到最佳控制经验阈值。在本实施例上述d日计算所得的冲稍率预测曲线上看，未来五日尚未达到最佳控制经验阈值46％，因此暂不需喷药作业。如若在某日预测到未来五日将达到上述阈值，即可至少提前5日提醒用户进行作业。2.3、控梢促花决策分析与预测系统无线连接荔枝种植专家知识库，由所得平均冲稍率最佳控制经验阈值在荔枝种植专家知识库得到本荔枝种植园当前相应的控梢促花决策，包括施加一种或多种控梢促花药物的最佳时间和施加浓度，以及人工摘除已发生冲梢、小叶已展开的叶芽。所述控梢促花药物包括乙烯利、强力杀梢素、调花剂、控梢利花素、利梢杀和小叶脱等，施加药物浓度及施用量和环境温度有很大的关系，温度越高施用的浓度需要对应降低。荔枝种植专家知识库说明在冲梢率为46％左右时控梢效果最好，施放浓度为200mg/kg的乙烯利效果最佳。2.4、预警分析与预测系统立即将当前的控梢促花决策传送至预警系统，预警系统将会通过微信公众号、短信、手机客户端和网页客户端将控梢促花决策推送到本荔枝种植园管理者，提醒他们提前5日开始准备对其荔枝种植园进行控梢促花的养护。荔枝种植园管理者采取的控梢促花措施的具体数据均经客户端上传到预警系统，进入到分析与预测子系统的数据存储模块的数据集。2.5、实时学习将步骤2.1收集的数据，纳入到分析与预测子系统的数据存储模块的数据集中，系统至少每日使用已扩充的数据集进行回归分析，根据用户需求修正冲梢率的预测模型方程的各自变量系数和常数，不断提高模型的预测准确度。上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。当前第1页1 2 3