基于机器学习的水稻生长过程建模方法研究

In science history,all kinds of nature law is to a large number of experimental data scientists obtained by the in-depth study,The law is the cornerstone of scientific development and social progress.In the field of modern agricultural science,The growth law is the direct basis of crop production decisions,Growth model mostly through experience in statistical methods,Some certain function fitting and approximation of the experimental data.Even if the parameters of the model is not suitable for optimal,Can be used to estimate system characteristics,So that the modeling process to lose its meaning;Also, this model depicts the characteristics and laws of the system as a whole,The lack of a description of local features, and sometimes can not meet the actual needs...The research group in recent years has been committed to the virtual rice research,Rice growth model is to create an experience statistical methods,the model does not fully true reflection of the growth process of rice.So,Put through the machine learning methods to achieve intelligent modeling of rice growth relationship between the factors .Analysis of experimental data of rice cultivation, the introduction of Q-learning algorithm of reinforcement learning methods, and to improve the empirical formula to find the system FDD model, to enable them to service for the follow-up study design is based on the growth information of rice of the Q-learning process formula found.To enable them to follow-up research,Also lay the foundation for the application of machine learning in other agricultural areas

在科学发展史上，各种自然规律都是科学家对大量的实验数据进行深入研究得到的，这些定律是科学发展和社会进步的奠基石。在现代农业科学领域，生长规律是作物生产决策的直接依据，生长模型的建立大多是通过经验统计方法，用某确定的函数去拟合和逼近实验数据获得。对不适合的模型即使参数最优，也不能很好地用来估计系统特征，从而使建模过程失去意义；并且，这种模型刻画系统的整体特征和规律，缺乏对局部特征的描述，有时不能满足实际需要。.课题组近年来一直致力于虚拟水稻方面的研究，对于水稻生长模型主要以经验统计方法建立，模型并不能全面真实反映水稻生长过程。所以提出通过机器学习方式实现水稻生长信息关系智能建模问题，分析水稻栽培实验测量数据，引入强化学习方法的Q学习算法，并改进经验公式发现系统FDD,设计基于Q学习的水稻生长信息关系公式发现模型，使其能为后续研究工作服务，同时也为机器学习在其他农业领域的应用奠定基础。

通过三个水稻品种样本栽培试验，分析了不同生育期水稻叶片几何形态、颜色及高光谱等视觉数据与SPAD、全氮含量和氮素营养水平之间的关系，应用机器学习算法建立了水稻生长信息预测模型。实现了项目资助计划书的研究目标。该研究所做工作和取得的成果概述如下:（1）对水稻叶片形态、颜色参数的机器视觉测量理论与方法进行了初步探索。实现了基于android系统的水稻叶长、叶宽、茎叶夹角和叶片颜色RGB值等参数的无损测量。（2）构建了水稻叶面积机器学习算法预测模型。以叶长、叶宽及其组合作为输入特征，叶面积作为输出特征，分别构建了叶面积的线性回归模型、改进网格搜索SVR模型、BP模型和RFR模型等不同算法模型实现对叶面积的预测。（3）构建了基于彩色空间分量RGB和HIS的叶片SPAD支持向量机回归估测模型，实现了基于水稻叶色的SPAD值估测。同时构建了水稻叶片SPAD值反演叶色RGB值计算模型，利用OpenGL库编程对水稻叶色进行仿真建模，实现了基于SPAD的叶色可视化仿真模拟。（4）提出水稻全氮含量和氮素营养识别的形态、颜色特征指标，应用支持向量机回归和BP神经网络建立水稻叶片全氮含量估测模型，应用BP神经网络和概率神经网络建立水稻氮素营养分类识别诊断模型。（5）构建了基于高光谱的水稻氮素营养水平分类识别模型。对采集的光谱数据分别通过MSC、SNV和SG三种方法进行预处理，并采用PCA和SPA算法对预处理后的光谱进行特征降维，筛选出12、15、19个特征波长，应用SVM原理基于上述处理分别建立水稻氮素营养诊断模型。（6）构建了基于高光谱的水稻叶片SPAD反演估测模型。通过对光谱植被、位置参数和SPAD之间相关性关系，选择与SPAD值显著相关的12个参数，分别构建了SVR模型、SMLR模型、SMLR+SVR模型和PCA+SVR模型对SPAD进行估测。公开发表研究论文25篇，其中SCI、EI和俄罗斯RSCI各收录1篇，CSCD核心6篇，中文核心（含CSCD扩展）10篇，会议论文4篇，省级期刊2篇。主要研究人员参加相关的国际学术交流会共15人次，培养了3名硕士毕业研究生。该研究成果提出以水稻生长过程中的视觉数据为特征，建立机器学习算法模型实现对水稻叶面积、SPAD值、全氮含量的估测与氮素营养水平的识别诊断，为观测水稻长势状况和指导合理施肥提供了理论依据，丰富了作物建模的理论。