基于KNN-SVM算法的温室番茄生长预测模型研究

姚忠毅,任利峰

(吉林农业科技学院,吉林 吉林 132101)

0 引言

基于KNN-SVM算法的温室番茄生长预测模型的设计与运用,能够24 h实现对大棚番茄生长环境数据进行采集,并生成番茄生长预测模型。其中,番茄的生长观察对于温室大棚中番茄优化管理和产量的提升有着至关重要的作用。其中,果实横向直径与纵向直径是作物生长的关键因素[1-2]。生长模型是以系统分析和数学模拟来定量描述生物的生长和发育以及形态建成过程,反映生物内外环境对生长发育的影响,是植物果实发育研究的重要内容和手段[3-6]。基于KNN-SNM模型的大棚番茄生长预测模型的建立,对于我国大棚番茄种植起到了重要的数据及技术支撑。SVM算法模型和KNN算法模型在机器学习中充当着重要的组成部分。其中,SVM算法支持向量机,其核心算法十分强大;KNN算法模型则为最简便的机器学习算法。通过二者的有机结合,使得在数据分析以及模型建立上,变得更加快捷、清晰。我国作为世界第一大番茄生产、出口国,对于番茄的科学种植迫在眉睫。

1 研究背景

基于KNN-SNM模型的大棚番茄生长预测模型的建立,对于我国大棚番茄种植起到重要的数据及技术支撑。主要的实施方案分为:(1)SVM算法的设计与改进,SVM的基本原理是在高维空间中构造一个最优超平面,从而实现对数据的分类。使得采集的数据能够得到更加灵活快速的分析。(2)对番茄生长数据进行采集,通过大棚中的温度、湿度、空气质量、光照强度、土壤质量等有关数据传感器来采集大棚中的环境数据与番茄生长数据,利用大棚中有关数据传感器采集的数据为基础,并收集番茄生长的环境数据,来判断温室番茄最适宜的生长环境。(3)大棚番茄生长预测模型的建立,对采集到的环境数据与番茄生长数据进行数据模拟,以温度、湿度、光照强度、二氧化碳和生长天数为输入,预测果实增量变化,通过设置多种环境参数梯度试验,分析番茄果实直径数据和茎直径数据[7-8]。

2 基于KNN-SVM算法的大棚番茄生长预测模型的建立

2.1 SVM算法改进

(1)实现核函数缓存,皮尔逊相关系数是用来解释2个随机变量之间的线性相关程度,其值介于-1～1。设有2个变量X、Y,则X、Y之间的皮尔逊相关系数的关系如下:

(2)进行优化误差值求解,在SVM模型中,首先实现了核函数缓存,对开销最大的核函数计算进行缓存,提升了20倍效率。然后,进行优化误差值求解:

(3)对算法进行分析改进,给g(x)求一个关于a的偏导,若变化了步长delta,即所有样本对应的g(x)加上一个delta乘以针对的偏导数即可。每次成功更新一对以后,更新所有样本对应的g(x) 缓存,通过每次迭代更新g(x),避免了大量的重复计算。隐藏层即一个或多个包含若干神经元的隐藏层,可以根据问题的复杂性选择隐藏层的数量和大小。

2.2 实施方案

综合番茄温室环境、精准性、测量范围以及可靠性等因素选取以下几种传感器:土壤湿度传感器、 二氧化碳浓度传感器、空气温度传感器。并进行如下分析,分为4个步骤:

(1)对大棚番茄与大棚内温度、湿度、二氧化碳浓度的数据进行传感器采集。

(2)将各传感器采集到的数据上传到终端,分别进行识别与处理,保留有效数据并使用最小二乘法对异常数据进行处理及特征提取。

(3)采用主成分分析、多重共线性分析、回归分析等统计分析结合的算法进行挖掘分析。

(4)利用 SVM 算法多传感器数据与生长参数的关系进行数据融合,构建生长模型。

2.3 数据分析

针对当前大棚番茄数据收集过程中,可能会造成数据丢失或数据异常,需要对异常数据进行处理。同种传感器的多点测量,对采集到的数据特征进行处理,增强其相关性。在综合分析当前作物生长数据研究现状,使用KNN算法进行长势特征数据进行分析,并建立基于主要环境因子的大棚番茄不同时期生长模型。例如生成每日空气相对湿度检测模型,如图1所示。

图1 每日病虫害检测

3 大棚番茄生长预测模型的实现

经上述方案的实施及优化,通过数据可视化技术,将大棚番茄生长预测模型以图像形式展现出来,并结合KNN-SVM算法,实现随时监测、随时生成的功能,并通过相关科学数据制定大棚番茄生长环境临界点。超出或低于科学范围值则立即生成模型图,并进行报警,方便工作人员及时调控相关参数,以使大棚番茄达到更高产和最佳质量的理想状态。

4 结语

本文首先收集了丰富的番茄生长数据,并对其进行了预处理和特征提取。然后,使用KNN算法对数据进行了分类,为番茄生长情况建立了相似性模型。接着通过SVM算法,构建了一个高维的边界,使得不同生长情况能够被更准确地分类。研究结果表明,基于KNN-SVM算法的大棚番茄生长预测模型在准确性和稳定性方面都取得了显著的进展。在实际应用中,希望该模型能够为农业生产提供更多的支持和指导,促进作物的高效种植和生长。