孫孟孜 韓兵 韓海仙 王森

摘要：針對當前溫室大棚信息化程度較低，種植經驗與知識缺乏，導致無法更好地培養(yǎng)種植管理作物，大幅度地降低了作物收成。通過“人工智能+農業(yè)”在大棚種植草莓的生長環(huán)境的研究和總結，分析植物生長環(huán)境和果蔬的成熟期之間的關系，從而保證穩(wěn)定高效的生產經濟農作物前提下提升農業(yè)經濟的產出。本研究對象為草莓作為標本經濟作物，通過人工智能算法，根據(jù)監(jiān)測大棚環(huán)境的數(shù)據(jù)，給出環(huán)境調整的參數(shù)建議，同時實現(xiàn)預測草莓種植周期的天數(shù)，推測出成熟的日期。實驗證明，通過人工智能算法能夠通過植物生長過程數(shù)據(jù)準確預測其成熟期，為大棚種植果蔬提供依據(jù)，將新技術投入到現(xiàn)代化農業(yè)中，讓農業(yè)真正實現(xiàn)現(xiàn)代化，智能化，高效化。

關鍵詞：人工智能;生長周期;線性回歸;訓練模型;成熟度

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）10-0209-04

鄉(xiāng)村振興戰(zhàn)略是在黨的十九大報告中提出的戰(zhàn)略，十九大報告指出，農業(yè)農村農民問題是關系國計民生的根本性問題，必須始終把解決好“三農”問題作為全黨工作的重中之重，實施鄉(xiāng)村振興戰(zhàn)略。

然而，我國的農業(yè)智能種植技術使用較晚，直到二十一世紀初期我國的農業(yè)科技人員才開始通過國外進口種植大棚設備選型，培育技術等領域深入研究探索[1]。依托部署在農業(yè)生產現(xiàn)場的各種傳感節(jié)點（環(huán)境溫濕度、土壤水分、二氧化碳、圖像等）和無線通信網絡實現(xiàn)農業(yè)生產環(huán)境的智能感知、智能預警、智能決策、智能分析、專家在線指導，為農業(yè)生產提供精準化種植、可視化管理、智能化決策，提高農業(yè)水利化、機械化和信息化水平，提升農業(yè)競爭力。

1大棚種植草莓的分析

草莓消費大多集中在春節(jié)前后，尤其是在春節(jié)期間，由于對草莓的大量需求，常常供不應求。華北地區(qū)地理和自然資源豐富，具有典型的北溫帶半濕潤大陸性季風氣候，夏季高溫多雨，冬季低溫并偶爾帶有降雪，春秋季節(jié)時間短，為了進行自然培植就要利用大棚種植技術來調整草莓的生長環(huán)境[2]。

人工智能在農業(yè)的應用，能夠讓農業(yè)成為科學化和現(xiàn)代化農業(yè)。溫室大棚經過技術輔助，更加簡單容易控制掌握，提供一個高效穩(wěn)定的控制溫室大棚的草莓良好的種植環(huán)境，讓從業(yè)者擁有穩(wěn)定可觀的經濟收入[3]。因此，通過當前最新的人工智能算法建立數(shù)學模型，對溫室大棚環(huán)境給出調整，讓溫室大棚種植全面自動化，從而減少人力物力以及技術的難度，提高產量和收入。

2 草莓生長環(huán)境參數(shù)研究

草莓生長環(huán)境主要包括：二氧化碳濃、度溫度、濕度、光照強度、土壤濕度、土壤酸堿度六個方面。每一項對草莓生長都有一定的影響，需要通過大棚的智能控制單元將其控制在一定的范圍之內[4]。

通過查看文獻，草莓對環(huán)境的溫度是尤為重要，草莓會分成萌芽期，生長期，開花期，結果期，旺盛生長期，花芽分化期和休眠期，每個周期對溫度的要求不一樣。例如，發(fā)芽期適宜溫度在15℃～20℃時最適合草莓的生長，生長期適宜溫度為 20℃～26℃，開花期為是 25℃～ 30℃。過高或者過低，都會影響草莓的發(fā)育，幼芽無法發(fā)育或者花粉受精失去活力提高畸形的概率等問題[4]。

此外，光照時長需要在8h～12h，光照的不足會導致花芽的形成，減少養(yǎng)分的獲取降低成活率;二氧化碳濃度和土壤濕度也是影響草莓正常生長的重要因素，經驗表明：二氧化碳都處于800～1800ppm之間會提高草莓的萌芽期和開花期的長勢;土壤濕度控制在60%～80%之間是保證豐產的關鍵;酸堿度范圍在pH5.5～6.5之間，同時也適用于草莓生長適宜的土壤酸堿度，因此把大棚土壤的pH值控制在5.5～6.5最適宜[5]。

3 數(shù)學訓練模型研究

圖1是系統(tǒng)使用的數(shù)學訓練模型，開始訓練時，從訓練集讀取數(shù)據(jù)，訓練模型初始化模型，根據(jù)線性回歸計算環(huán)境參數(shù)得出一個標準數(shù)值，篩選不符合要求的參數(shù)，增減訓練項，重新計算模塊做出模型參數(shù)的調整。

系統(tǒng)首先將清洗好的數(shù)據(jù)輸入到訓練集中，數(shù)據(jù)聚類重疊，將同一時刻的不同日期的數(shù)據(jù)疊加一起，通過線性回歸算法計算。線性回歸是利用數(shù)理統(tǒng)計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關系的一種統(tǒng)計分析方法，運用十分廣泛[6]。其表達形式為y = w'x+e，e為誤差服從均值為0的正態(tài)分布[7]?；貧w分析中，只包括一個自變量和一個因變量，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析[8]。如果回歸分析中包括兩個或兩個以上的自變量，且因變量和自變量之間是線性關系，則稱為多元線性回歸分析。通過公式化簡可以擬合方程為最小二乘法。一般來說，線性回歸都可以通過最小二乘法求出其方程，可以計算出對于y=bx+a的直線[9]。將數(shù)據(jù)清洗篩選后，增加或減少聚類項，再次重復計算，得出新的數(shù)學模型，多個數(shù)學模型對比調整參數(shù)，得出一個與真實情況最為接近，最可以接受的模型，成為標準模型使用。

3.1 回歸算法的研究

課題使用的模型算法為回歸算法，又分為線性回歸算法，和曲線回歸算法（又稱高斯曲線），假設溫室大棚的環(huán)境參數(shù)，二氧化碳為θ1，溫度參數(shù)為θ2，濕度θ3，光照強度θ4，土壤濕度θ5，土壤pH值θ6。再對每一個影響項拆分，就可以通過線性回歸的最小二乘法進行推導出直線方程。擬合平面公式為式（1）：

最終，公式整合為直線方程式（2）：

并不是所有的參數(shù)都可以用直線表示，例如溫度和光照強度屬于曲線，所以線性回歸就不能適用于這兩個參數(shù)。就要使用曲線回歸來完成，曲線回歸又分為指數(shù)函數(shù)曲線，對數(shù)，冪函數(shù)，雙曲，S型和多項式曲線，符合本次溫度和光照強度的函數(shù)方程是多項式曲線。經過試驗三次多項式就可以更加接近實際溫度和光照情況的走勢，無須再使用更多次多項式方式就可以解決實際問題。三次多項式方程式（3）：

3.2成熟度預測

系統(tǒng)每小時將環(huán)境參數(shù)傳入數(shù)學模型中，通過引入偏差值概念，可以保證數(shù)據(jù)在一定的范圍內波動，同時還有參數(shù)上限與下限約束條件。系統(tǒng)可以根據(jù)采集到的數(shù)據(jù)偏差進行計算并做出提示的調整建議[10]。將環(huán)境監(jiān)測數(shù)據(jù)CO2濃度，溫度，濕度，土壤濕度，土壤pH值，光照強度根據(jù)權重占比計算，得出一個當前環(huán)境分數(shù)設為合格率，大于70%時就可以添加到數(shù)據(jù)集中，把不符合要求的環(huán)境數(shù)據(jù)篩選掉以保證數(shù)據(jù)的準確性[11]。

系統(tǒng)在每日凌晨2點對此前24小時的樣本數(shù)據(jù)進行統(tǒng)計，計算種植草莓的成熟率和預計成熟日期。c成熟周期，r為成熟率，rd當天成熟率，D為待成熟天數(shù)。此時，可推算出成熟率公式為式（4）：

同時，也可推算出成熟天數(shù)公式（5）：

4系統(tǒng)設計

系統(tǒng)首先獲得草莓種植的環(huán)境數(shù)據(jù)，并對得到的監(jiān)控數(shù)據(jù)進行數(shù)據(jù)清洗，獲得可以進行計算的數(shù)據(jù)格式，當符合訓練條件的數(shù)據(jù)在規(guī)定的環(huán)境參數(shù)要求的范圍內，則放入訓練數(shù)據(jù)集;不符合直接進入計算草莓種植環(huán)境的分數(shù)邏輯。根據(jù)模型的標準參數(shù)和偏差值，得出當前草莓種植環(huán)境的分數(shù)，同時給出草莓種植環(huán)境的調整建議方案，同時預測草莓的成熟度和成熟日期。

系統(tǒng)由以下四個模塊組成：

（1）環(huán)境監(jiān)測模塊：用于連接傳感器監(jiān)測數(shù)據(jù)的管理，監(jiān)測數(shù)據(jù)是以接口的形式傳入數(shù)據(jù)，監(jiān)測數(shù)據(jù)也支持直接寫入數(shù)據(jù)庫中，并且可以直接查看監(jiān)控數(shù)據(jù)功能。

（2）數(shù)據(jù)清洗模塊：監(jiān)控數(shù)據(jù)的格式和單位，可能出現(xiàn)數(shù)據(jù)不符的情況，此時就需要進行數(shù)據(jù)清洗，課題將清洗后的監(jiān)測數(shù)據(jù)存入數(shù)據(jù)庫中。

（3）訓練模型模塊：當系統(tǒng)獲取到準確的訓練數(shù)據(jù)，包括CO2濃度，溫度，濕度，光照強度，土壤濕度，土壤PH。根據(jù)環(huán)境的基本訓練數(shù)據(jù)，對每個參數(shù)，計算出一天中每小時的參數(shù)的所處的范圍，使用線性回歸算法進行預測。

（4）周期計算模塊：系統(tǒng)將每次采集的環(huán)境數(shù)據(jù)與標準的大棚環(huán)境的模型對比，給予建議的同時，計算當前大棚環(huán)境的分數(shù)值。當一天結束時，根據(jù)當天每小時的分數(shù)，計算出當天的草莓生長成熟度0～100%，從而實現(xiàn)對草莓成熟度和成熟期的預測。

系統(tǒng)流程圖如圖2所示。

5實驗驗證

系統(tǒng)運用Python中的Numpy科學計算模塊，把數(shù)據(jù)轉化為二維矩陣放入模型中訓練[12]，利用Pandas來分析結構化數(shù)據(jù)，使用Matplotlib生成出版質量級別的圖形展現(xiàn)[13]。

5.1數(shù)據(jù)的清洗

數(shù)據(jù)通過格式化后，并不是可以直接拿來使用，因為數(shù)據(jù)存在部分的異常情況，不符合人們的認知或者真實的情況，例如：夜晚有光照，光照強度都比白天中午的強度都高，或者夜晚溫度高，白天溫度低，土壤pH值出現(xiàn)強酸強堿情況等等，都不是真實的正常情況，很有可能是監(jiān)測設備異常。因此，將不符合真實情況的數(shù)據(jù)導入模型中，必然影響模型的訓練效果，需要提前將有問題的數(shù)據(jù)篩選清洗出去。

圖 3 中的0-5時刻和18-23時刻都屬于夜晚，存在光照強度數(shù)值存在異常情況，尤其0-5時刻的數(shù)值，都達到200 lx必然存在問題，還有過高的數(shù)值都是需要清洗掉的數(shù)據(jù)，會存在對模型整體的影響。通過策略將光照強度的數(shù)據(jù)集清洗，呈現(xiàn)出圖4的效果。溫度，濕度，二氧化碳濃度，土壤濕度，土壤pH值同理，使用符合每一項的篩選策略，清洗出符合預期效果的數(shù)據(jù)。

5.2線性回歸

以光照強度為例，在圖5中，發(fā)現(xiàn)曲線回歸的常量值處在一個負值，不符合實際情況，所以再次對數(shù)據(jù)進行截?。?-18時的數(shù)據(jù)即為有效曲線，0-6時和6-23時的數(shù)據(jù)無效， 對圖5樣本走勢圖截取，得出圖6為參考曲線回歸圖。

5.3模型訓練

通過創(chuàng)建CropModels類中的init_model函數(shù)為初始化數(shù)學模塊，并且執(zhí)行CO2，濕度，土壤濕度，土壤pH值，溫度以及光照強度等六項的函數(shù)，獲取到相應的線性回歸的k，b參數(shù)和曲線回歸的三項式公式[14]。執(zhí)行init_model初始化模塊后，本對象就擁有6個環(huán)境參數(shù)的數(shù)學模塊，等待傳入某時刻的數(shù)據(jù)進行計算。調用calc函數(shù)，并且傳入7個參數(shù)數(shù)值，并可返回溫室大棚的環(huán)境建議和當前環(huán)境種植的分數(shù)情況。

當傳入的草莓種植環(huán)境符合模型給出的標準參數(shù)，并計算與標準參數(shù)相似率達到70%以上，就會把本次傳入的環(huán)境參數(shù)放入到訓練集中，當成符合要求的訓練數(shù)據(jù)，對模型再次矯正。

5.4 成熟期預測

根據(jù)每小時傳入溫室大棚的環(huán)境參數(shù)，經過一天的數(shù)據(jù)收集，第二天凌晨2點會對前天的24小時的樣本數(shù)據(jù)進行統(tǒng)計，計算種植草莓的成熟率和預計成熟日期。通過使用線性回歸算法構建數(shù)學模型，預測溫室大棚環(huán)境的標準曲線[15]，并且監(jiān)控大棚環(huán)境在某一時刻是否能符合一定的范圍之內，根據(jù)每天的環(huán)境監(jiān)測情況，計算出當天的成熟率，并且累計以往的數(shù)據(jù)，推測出草莓的成熟日期。

6 結束語

課題通過線性回歸算法，對草莓生長過程環(huán)境參數(shù)進行跟蹤，利用擬合函數(shù)和最小二乘法進行線性曲線的多項式統(tǒng)計預測，將人工智能運用在實際的項目之中，預測溫室大棚草莓的種植環(huán)境的標準曲線，并且監(jiān)控種植環(huán)境在某一時刻是否能符合一定的范圍之內，根據(jù)每天的環(huán)境監(jiān)測情況，計算出當天的成熟率，并且累計以往的數(shù)據(jù)，推測出草莓的成熟日期。實驗證實，該方法能夠有效地預測草莓的成熟期，對草莓的種植有很大的幫助。

參考文獻：

[1] 尹娟.物聯(lián)網驅動的智慧農業(yè)精細種植系統(tǒng)的設計與開發(fā)[J].金陵科技學院學報，2020，36（1）：88-92.

[2] 楊會苗，毛清云，劉蘭英.北京和保定地區(qū)草莓產業(yè)基本情況調研報告[J].北方園藝，2019（6）：170-174.

[3] 潘小紅，楊志勇.基于物聯(lián)網技術的溫室大棚種植園環(huán)境監(jiān)測系統(tǒng)[J].現(xiàn)代電子技術，2019，42（14）：127-130.

[4] 孫亞玲，劉少軍，許念芳，等.山東省草莓產業(yè)現(xiàn)狀及發(fā)展對策[J].中國果菜，2018，38（9）：44-47.

[5] 王艷芳，蘇婉玉，張琳，等.土壤改良劑在設施蔬菜上的應用研究進展[J].貴州農業(yè)科學，2018，46（4）：102-105.

[6] 王鋼.基于多元線性回歸法的平潭綜合實驗區(qū)需水量預測模型研究[J].水利科技，2020（2）：48-50.

[7] 冷建飛，高旭，朱嘉平.多元線性回歸統(tǒng)計預測模型的應用[J].統(tǒng)計與決策，2016（7）：82-85.

[8] 宋靜，張利益.基于機器學習的線性回歸預測數(shù)據(jù)庫空間使用情況的應用研究[J].電子測試，2020（15）：58-59，62.

[9] 羅博煒，洪智勇，王勁屹.多元線性回歸統(tǒng)計模型在房價預測中的應用[J].計算機時代，2020（6）：51-54.

[10] 孫建花.草莓日光溫室種植技術要點分析探討[J].農業(yè)開發(fā)與裝備，2020（6）：159-160.

[11] 劉永紅，倪中應，謝國雄，等.浙西北丘陵區(qū)農田土壤微量元素空間變異特征及影響因子[J].植物營養(yǎng)與肥料學報，2016，22（6）：1710-1718.

[12] 姚建盛，李淑梅.Python在科學計算中的應用[J].數(shù)字技術與應用，2016（11）：76.

[13] 吳銘.基于多視圖的霧霾數(shù)據(jù)分析方法[D].杭州：浙江大學，2017.

[14] 王俊杰，張宇波.基于線性回歸的圖像邊緣處理算法的研究[J].江西師范大學學報（自然科學版），2013，37（1）：46-50.

[15] 魏超，代曉航，郭靈安，等.蠟樣芽孢桿菌在草莓中的生長及預測模型的建立[J].現(xiàn)代食品科技，2019，35（9）：291-296.

【通聯(lián)編輯：光文玲】