技术摘要：
本发明涉及基于低功耗传感器和Boost模型的自适应作物管理系统及方法。该自适应作物管理系统包括作物生长环境数据实时采集设备、实时数据分析处理设备和作物管理决策执行设备。作物生长环境数据实时采集设备包括低功耗土壤传感器、光谱相机和作物生长协变量数据采集设备  全部
背景技术：
农业种植过程中，土壤湿度、温度和电导率是影响农作物产量的重要原因。准确掌 握土壤的温度、含水量和电导率的大小和变化趋势，有助于对作物进行科学管理。随着智能 农业的发展，越来越多的种植户开始部署各种不同的传感器对环境信息进行采集和加以利 用，通过部署土壤集成传感器开展温度、湿度、光照、土壤状况、水质状况、气象状况等信息 的监测，为农作物播种、产量预测和节水灌溉等农事提供数据驱动的决策，保证农作物得到 适时、适量的灌溉，不影响农作物正常的生长。 作物生长环境的数据本身并无含义的，只有对数据进行不断地分析和研究，将数 据转化为信息和知识，才能真正帮助农业生产。由于我国农业现代化起步比较晚，农业数据 利用率偏低。近年来，随着农业信息化水平的不断提升，计算机信息技术在农业中广泛应 用，为面向农业的数据挖掘和决策工作提供了良好的基础条件。 传统的农业数据挖掘和决策支持工作普遍依赖农业生产过程中收集的历史数据， 根据数据本身的特点和目标选择不同的机器学习和数据分析方法对数据进行分析和建立 模型，进而将模型用于指导其他生产环境下的行为。尽管基于历史数据构建的模型解决了 人工指导的不足，一定程度减少了人力，提升了生产效率。然而由于农业生产的复杂性，单 纯利用历史数据构建的模型在泛化的过程中存在不足，方法和模型在不同的地区和背景下 应用的效率和效果不尽相同，同时实际应用效果的评估依然离不开人工的干预。 因此，根据不同生产管理需求灵活部署传感器，对作物生长阶段的温度、湿度、光 照、土壤状况、水质状况、气象状况等信息进行实时采集，以机器学习方法分析不同农业环 境特征与作物生长趋势的关系，构建自主学习和自主演化的自适应决策模型，实现环境参 数到作物管理决策的端到端映射具有重要的理论和现实意义。
技术实现要素：
为了解决在复杂的农业生产环境下，现有的农业数据建模和决策方法无法根据数 据的变化实时更新、模型构建和评估依赖人工干预、模型和方法在不同地区和背景泛化不 足的缺陷，本发明提出了一种基于低功耗传感器和Boost模型的自适应作物管理系统及方 法。 为实现上述目的，本发明采用了以下技术方案： 本发明涉及一种基于低功耗传感器和Boost模型的自适应作物管理系统，包括作 物生长环境数据实时采集设备、实时数据分析处理设备和作物管理决策执行设备。 所述作物生长环境数据实时采集设备包括低功耗土壤传感器、光谱相机和作物生 6 CN 111553806 A 说　明　书 2/12 页 长协变量数据采集设备；所述低功耗土壤传感器，用于采集作物生长环境的土壤数据；所述 光谱相机，用于采集作物长势的实时状态数据；所述作物生长协变量数据采集设备，用于采 集作物影响生长的环境数据；所述低功耗土壤传感器、光谱相机和作物生长协变量数据采 集设备由数据采集控制器同步时间戳构建动态生成的时序数据并输出到预处理服务器。 所述实时数据分析处理设备包括预处理服务器、建模计算服务器、经验知识库、模 型库和数据传输网络；所述预处理服务器，用于对作物生长环境数据实时采集设备采集的 数据进行预处理；所述建模计算服务器，用于对预处理后的数据进行训练，结合经验知识库 的知识，构建模型，存储在模型库中；所述预处理服务器的输入端与作物生长环境数据实时 采集设备的输出端相连，预处理服务器输出端通过数据传输网络与建模计算服务器的输入 端相连；所述建模计算服务器与模型库和经验知识库分别用数据传输网络连接。 所述作物管理决策执行设备包括用户交互设备、生产决策支持服务器和决策执行 机构；所述用户交互设备，用于捕捉用户的需求，把交互过程中用户的需求转化为对当前参 数调整的决策需求；所述生产决策支持服务器，用于分析用户决策需求，基于模型和数据匹 配最佳的决策方案；所述决策执行机构，用于执行实时输出的决策方案。 进一步的，所述低功耗土壤传感器包括可伸缩金属杆、设置在可伸缩金属杆下端 的土壤探头、设置在可伸缩金属杆上端的收纳盒和设置在收纳盒一侧的控制盒；所述收纳 盒外壁上安装有光照探头和空气探头；所述控制盒内设有低功耗广域网通信模块、天线模 块、电源模块和主控模块；所述收纳盒包括开口向下的腔体、嵌入安装在腔体内的限位板和 安装在限位板上方的腔体内的绕线机构；所述绕线机构包括两端分别与腔体内壁相连的转 轴、套设在转轴外侧且与转轴间隙配合的绕线器；所述转轴与绕线器之间设有卷簧；所述卷 簧的一端连接在转轴上，另一端连接在绕线器上；所述土壤探头的信号线先经可伸缩金属 杆内部向上穿过限位板后，再缠绕在绕线器上，最后再与主控模块相连；所述光照探头和空 气探头的信号线均与主控模块相连。 进一步的，所述限位板上开设有信号线过孔。 进一步的，所述土壤探头包括金属探针和与金属探针相连的土壤探头测量电路。 本发明还涉及一种上述基于低功耗传感器和Boost模型的自适应作物管理系统的 管理方法，该方法包括以下步骤： (1)作物生长环境数据采集和传输：根据作物生长环境布置低功耗土壤传感器、作 物生长协变量数据采集设备和光谱相机，利用低功耗网络或高速无线网络将各低功耗土壤 传感器、作物生长协变量数据采集设备和光谱相机采集的作物生长环境数据传送至预处理 服务器进行分析和保存。 (2)数据预处理：对各低功耗土壤传感器、作物生长协变量数据采集设备和光谱相 机采集的作物生长环境数据进行预处理；所述预处理包括数据清洗、数据校正和数据转换。 (3)自适应建模：根据Boosting思想建立一种自适应的迭代式算法，先进行第一轮 迭代，第一轮迭代过程利用动态生成的时序数据，构建多层神经网络训练多个弱学习器，再 将多个弱学习器加权组合起来，生成一个强学习器，建立初始化的自适应模型；然后再进行 其他轮迭代，第二轮后的迭代，利用已有的自适应模型对动态新生成的时序数据进行相对 误差分析，同时将数据误差反向传递到学习器生成的过程中，优化弱学习器的构建，将新生 成的弱学习器加权组合构成新的强学习器，更新自适应模型的参数，以数据驱动的方式依 7 CN 111553806 A 说　明　书 3/12 页 次动态循环地实现自适应模型优化。 (4)行为决策：根据用户交互系统输入用户对作物的决策目标，经过自适应模型的 分析和计算，提供实现决策目标的管理方案。 进一步的，步骤(2)中所述的“数据预处理”，其具体包括以下步骤： (21)构建动态二叉树：各低功耗土壤传感器和光谱相机采集的作物生长环境数据 实时生成，设采集的作物生长环境数据X＝{x1,x2,…,xd}，其数据维度为d；对采集的作物生 长环境数据的每一个维度都构建一个动态二叉树，用于异常数据的处理；针对采集的作物 生长环境数据的一个特定维度，随机选取该维度最大值和最小值之间的某一个值，依次将 采集的作物生长环境数据进行分割，建立二叉树，建立的二叉树的数量为d。 (22)动态二叉树减枝：不同维度的二叉树形成不同深度的结点结构，设h(x)为结 点x的深度，在满足结点总数达到阈值的条件下，将深度为h(x)＝1的叶子结点和对应数据 作为候选异常结点，从当前二叉树删除；将当前二叉树剩余结点对应的数据用于构建其他 维度的动态二叉树。 (23)动态二叉树异常处理：从不同的维度将采集的作物生长环境数据集切分到不 同的集合中，所有集合都只有一个数据，将最少切分次数的数据点作为异常数据进入候选 集；整个方法是一个循环迭代的过程，在步骤(3)自适应模型初始化以后，采用已有的自适 应模型对异常数据候选集中的数据进行误差评估，自适应模型初始化未完成前不进行异常 处理；若候选点大于平均误差，则判断为异常点，将该数据进行删除，若候选点不大于平均 误差，则作为正常数据进入新的动态二叉树构建流程。 (24)动态二叉树更新：周期性地对不同数据维度对应的动态二叉树的前后连接顺 序进行调整。 进一步的，步骤(3)中所述的“自适应建模”，其具体包括以下步骤： (31)设自适应模型的表达式为G(x)，初始化自适应模型表达式G(x)＝0，由预处理 服务器处理完成的动态生成的时序数据构成建模的长度为m的训练集T，利用当前的自适应 模型对新加入训练集T的数据点xi，采用下式计算其相对误差： 其中，yi表示数据点xi实际的结果，G(xi)表示数据点由自适应模型预测的结果，依 据训练集T中数据点相对误差Zk的大小，计算数据点基于自适应模型的误差权重(wk，1， wk，2…wk，m)，误差越大，对应的误差权重也越大；G(x)是自适应模型的抽象函数表现形式，初 始阶段默认取为0进行第一轮迭代，迭代完成后获得G(x)的具体参数，后续迭代此处用具体 的G(x)函数表达式，每一次迭代实现对G(x)参数的一次更新。 (32)弱学习器训练：多层神经网络Fk(x)表示第k个弱学习器，利用数据点的误差 权重(wk，1，wk，2…wk，m)训练Fk(x)的参数，当k＝1时数据点误差权重由基于自适应模型的误 差权重表示，当k＞1时误差权重由第k-1个弱学习器的误差权重更新生成；对于第k个弱学 习器Fk(x)，采用下式求得每个样本xi基于弱学习器Fk(x)的相对误差： 8 CN 111553806 A 说　明　书 4/12 页 其中，yi表示数据点xi实际的结果，Fk(xi)表示弱学习器Fk(x)对数据点xi的预测 值，Emax是弱学习器在训练集T上的最大误差。 由数据点的误差权重(wk，1，wk，2…wk，m)，采用下式求得第k个弱学习器Fk(x)的权重 系数αk： 其中，wk，i是样本xi对应的基于自适应模型的误差权重，Eki是样本xi基于弱学习器 Fk(x)的相对误差，m是样本数量。 新增第k 1个弱学习器时，采用下式来修正数据的权重分布： 其中，Eki是样本xi基于弱学习器Fk(x)的相对误差，wk，i是样本xi对应的误差权重。 第k个弱学习器对每个样本xi的相对误差Eki用于修正数据的权重分布。 利用新的权重(wk 1，1，wk 1，2…wk 1，m)训练第k 1个弱学习器，依次循环完成弱学习 器的训练任务。 (33)强学习器训练：在集成学习的思想下对不同的弱学习器进行加权平均，对不 同弱学习器的权重系数αk进行规范化，采用下式求得最终的强学习器，即自适应模型G(x)： 其中，Fk(x)是第k个弱学习器的表达式，αk是第k个弱学习器Fk(x)的权重系数αk，K 是弱学习器的数量。 进一步的，步骤(4)中所述的“行为决策”，其具体包括以下步骤： (41)用户决策目标制定：用户根据实际生产过程的需要，对作物的长势制定具体 的量化目标，通过不同的交互设备输入系统。 (42)自适应模型计算：接收到用户的决策目标，系统调用当前的传感器数据和协 变量数据，调用当前的自适应模型，模拟不同数据变化对结果的影响，搜索获得满足决策目 标的最佳参数调整策略，通过用户交互设备输出。 (421)数据特征敏感度分析：不同特征对目标的关联度大小不同，基于自适应模型 对数据特征的敏感程度进行计算，依次计算不同特征的单位变化与目标值变化的大小来衡 量数据特征的敏感度。 (422)构建用户决策图G：首先分析不同特征的数值范围，根据数值范围大小确定 最小调整步长；以当前特征状态为初始结点，依据敏感度从大到小顺序依次扩展构建决策 图G；用户决策图G的结点表示特征不同状态组合，结点的连线表示不同结点之间按照特征 不同步长的状态变化，每个连线对一个特征进行调整，不同的连线的属性是状态变化的代 价Ci和概率Pi，代价Ci由经验值根据农事行为评估，并标准到[0,1]区间(默认为1，即无差别 对待)，概率Pi由历史数据统计得出，表示特征发生步长变化范围外数据所占比例的大小， 采用下式求得最终优化目标Cost： 9 CN 111553806 A 说　明　书 5/12 页 (423)用户决策图G搜索：以最终优化目标Cost作为搜索的条件开展用户决策图G 深度优先搜索，可行方案实时呈现，最终推荐最佳方案。 进一步的，步骤(32)中所述的“弱学习器训练”，其具体包括以下步骤： (321)弱学习器多层神经网络权值预训练：构建多层神经网络F(x)，利用训练集T 对F(x)的连接权值进行迭代优化，初始化阶段数据权重是1/m，采用下式求得叠加权重的均 方根误差WRMSE，并利用叠加权重的均方根误差WRMSE评估神经网络的预测误差： 其中，yi表示数据点xi实际的结果，Fk(xi)表示数据点xi第一个弱学习器输出的结 果，wk,i是样本xi对应的误差权重，m表示数据点的数量；数据点xi，就是样本点xi。 当WRMSE/Meany