CN119004241B - 一种基于大数据的蜂授粉对农作物产量分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据的蜂授粉对农作物产量分析方法及系统，涉及产量数据分析领域，本发明通过对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，将蜂授粉的优势达到最大，从而可以反映出采用蜂授粉时所能够达到的最佳效果；通过将授粉农作物实际最优产量数据集与非授粉农作物样品矩阵的最优产量进行对比，可以反映出采用蜂授粉的方式与不采用蜂授粉的方式对多种农作物产量影响的差异性；通过采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型，使得最终KNN模型可以根据对农作物采用产量影响因素数据预测出对应的农作物产量数据，简化了后续对待分析授粉农作物样品集的产量进行分析的过程。

Description

一种基于大数据的蜂授粉对农作物产量分析方法及系统

技术领域

本发明属于产量数据分析领域，具体来说，特别涉及一种基于大数据的蜂授粉对农作物产量分析方法及系统。

背景技术

中国专利CN117033810B公开了一种基于大数据的农业数据分析管理系统及方法，通过历史数据了解任意地段相同农作物的产量情况，并对任意地段内同一种类农作物的生长状态进行分析，结合同一种类农作物在不同生长环境和不同种植方式下的产量情况，根据分析结果匹配对应种类农作物的最佳生长条件，从而有效提高农作物的生产质量和产量。

蜂授粉可以帮助农作物进行更加高效的授粉，从而有利于提高农作物的产量；蜂授粉尤其可以应用到枸杞上，蜜蜂在采集枸杞花蜜的过程中能够促进枸杞的异花授粉，实现广泛的传粉作用，从而提高挂果率和果实的饱满度；然而其中植物病虫害可能会间接影响传粉昆虫的健康和行为，提高喷洒农药可以防止病虫害的出现；然而喷洒农药对于蜜蜂的健康也具有较大的影响；然而当前对于蜂授粉与农作物的产量之间关系的分析未考虑到喷洒农药对于蜜蜂授粉的影响，使得分析的准确性较低。

发明内容

针对相关技术中的问题，本发明提出一种基于大数据的蜂授粉对农作物产量分析方法及系统，以克服现有相关技术所存在的上述技术问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于大数据的蜂授粉对农作物产量分析方法，包括以下步骤：

S1、采集多个种类的农作物样品，得到授粉农作物样品矩阵以及非授粉农作物样品矩阵；

S2、对所述非授粉农作物样品矩阵的每种农作物样品施药量进行优化，得到最终产量数据集；构建所述授粉农作物样品矩阵对应的多种产量影响因素，得到产量影响因素集；

S3、根据所述产量影响因素集对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，得到产量影响因素数据矩阵集、授粉农作物实际最优产量数据集以及授粉农作物产量数据矩阵；将所述授粉农作物实际最优产量数据集与最终产量数据集进行对比，得到最优产量增长程度数据集；将所述最优产量增长程度数据集以及对应的产量影响因素数据矩阵进行可视化展示；

S4、采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型；

S5、设定待分析授粉农作物样品集以及对应的待分析产量影响因素数据集，采用所述最终KNN分类模型对待分析授粉农作物样品集对应的待分析产量影响因素数据集进行分类，得到分类结果；根据所述分类结果判定是否需要对待分析产量影响因素数据集进行调整；

所述农作物优选为枸杞；

通过采集多个种类的农作物样品，使得样品更加丰富，提高了后续的施药量优化方案的通用性；将采集的多个种类的农作物样品按照授粉以及不授粉进行均分以对两种情况的农作物样品产量进行分开分析，提高了分析的针对性和精准性；通过对非授粉农作物样品矩阵的每种农作物样品施药量进行优化，使得非授粉农作物样品矩阵的每种农作物样品在种植时可以达到最优产量，使得后续与授粉农作物样品矩阵的每种农作物样品之间的比较都是基于各自的最优产量，从而使得比较更加科学，分析更加准确；通过构建授粉农作物样品矩阵对应的多种产量影响因素，确定了后续对授粉农作物样品矩阵中每种农作物样品的产量进行优化的方向；通过对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，将蜂授粉的优势达到最大，从而可以反映出采用蜂授粉时所能够达到的最佳效果，为后续与非授粉农作物样品矩阵的最优产量之间的比较提供了数据基础；通过将授粉农作物实际最优产量数据集与非授粉农作物样品矩阵的最优产量进行对比，可以反映出采用蜂授粉的方式与不采用蜂授粉的方式对多种农作物产量影响的差异性；再将对比结果进行可视化展示，从而便于参观人员直观的了解到这种差异性；通过采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型，使得最终KNN模型可以根据对农作物采用产量影响因素数据预测出对应的农作物产量数据，从而不需要对农作物的产量进行实地测量，简化了后续对待分析授粉农作物样品集的产量进行分析的过程。

优选地，所述S1包括以下步骤：

S11、设定农作物种类集 表示设定的第i个农作物种类，表示设定的农作物种类的总个数；根据所述农作物种类集采集多个农作物样品，得到农作物样品矩阵；对所述农作物样品矩阵进行均分，得到授粉农作物样品矩阵和非授粉农作物样品矩阵；分别如下：

；；

其中，表示第i个农作物种类对应的第j个授粉农作物样品；表示第i个农作物种类对应的第j个非授粉农作物样品；表示针对每个农作物种类采集的授粉农作物样品以及非授粉农作物样品的总个数；

S12、设定第一种植区域集和第二种植区域集；、分别表示所述第一种植区域集中的第i个种植区域以及第二种植区域集中的第i个种植区域；

将所述授粉农作物样品矩阵中每个农作物样品按种类分别种植在第一种植区域集中每个种植区域里，再将所述非授粉农作物样品矩阵中的每个农作物样品按种类分别种植在第二种植区域集中每个种植区域里；所述授粉农作物样品矩阵以及非授粉农作物样品矩阵的种植环境条件相同；

农作物种类集中包括谷类、豆类、薯类、纤维作物、油料作物、糖料作物、叶菜类、根茎类、瓜果类、豆类等；通过设定第一种植区域集和第二种植区域集，将授粉农作物样品矩阵中每个农作物样品以及非授粉农作物样品矩阵中的每个农作物样品进行分开种植，使得后续进行蜂授粉时不会造成互相影响，提高了后续对比结果的准确性。

优选地，所述种植环境条件包括土壤养分、土壤水分、空气温度、空气湿度以及光照等；

优选地，所述S2包括以下步骤：

S21、获取非授粉农作物样品矩阵中的每类农作物样品的最优施药量以及对应的最优产量，得到最终产量数据集；表示在对非授粉农作物样品矩阵中第i类农作物样品的最优产量值；

S22、针对所述授粉农作物样品矩阵设定产量影响因素集，、、、、分别表示授粉前施药量、授粉后施药量、施药清除起始时间、施药清除结束时间以及蜜蜂数量；

通过设定授粉前施药量、授粉后施药量、施药清除起始时间、施药清除结束时间以及蜜蜂数量五个产量影响因素，这些产量影响因素对于蜂授粉的过程具有较大的影响，为后续对授粉农作物的产量进行优化提供了优化变量，从而量化了后续的优化过程。

优选地，所述S21包括以下步骤：

S211、构建第一野马种群，表示所述第一野马种群中的第i只野马，c表示所述第一野马种群的规模；设定所述第一野马种群的最大迭代次数为，记为第一最大迭代次数，当前迭代次数为，记为第一当前迭代次数，搜索空间维度为、交配概率为，记为第一交配概率；

S212、设定第一野马种群中每只野马的初始位置以及第一野马种群中领导者的初始位置，得到第一初始位置矩阵和第二初始位置矩阵；分别如下：

；；

其中，表示所述第一野马种群中第i只普通野马的初始位置在第j个维度上的分量；表示所述第一野马种群中第i个领导者的初始位置在第j个维度上的分量；、分别表示所述第一野马种群中普通野马以及领导者的总个数；计算公式分别如下：

；；

式中，、分别表示非授粉农作物样品矩阵中第i个种类的农作物样品施药量的最小值和最大值；、分别表示针对、生成的随机数，；

S213、设定所述非授粉农作物样品矩阵中的每类农作物样品的实际产量，得到非授粉农作物实际产量值集；表示所述非授粉农作物样品矩阵中第i类农作物样品的实际产量值；

根据所述非授粉农作物实际产量值集设定第一野马种群的适应度函数；如下：

；

S214、开始进行迭代操作；迭代前将所述第一当前迭代次数设置为1；在每轮迭代过程中根据所述第一野马种群的适应度函数计算第一野马种群中每只野马的适应度值，得到第一适应度值集；将所述第一适应度值集中最大适应度值对应的野马个体的位置作为第一全局最佳位置；根据所述第一全局最佳位置以及第一交配概率对所述第一野马种群中的普通野马位置以及领导者位置进行更新；位置更新完成后，将所述第一当前迭代次数加1，进入下一轮迭代；

S215、当时，停止迭代，得到第一最终全局最佳位置，将所述第一最终全局最佳位置作为最终农药量数据集，表示得到的第i个种类的农作物样品的最优施药量；否则，继续进行迭代，直至；

将所述最终农药量数据集应用于非授粉农作物样品矩阵中的每类农作物样品，得到最终产量数据集；

野马优化算法通过领导者的概念以及领导者之间的交流机制，能够引导种群向最优解方向演化，提高寻优效率；因此，本方案中通过采用野马优化算法对非授粉农作物样品矩阵中的每类农作物样品的施药量进行多次迭代优化，同时采用非授粉农作物样品矩阵中的每类农作物样品的产量作为适应度函数，该适应度函数可以直观的反映出优化的效果，从而可以高效的搜寻到非授粉农作物样品矩阵中的每类农作物样品的最优施药量。

优选地，所述S3包括以下步骤：

S31、根据所述产量影响因素集对授粉农作物样品矩阵进行产量数据优化，得到产量影响因素数据矩阵集以及对应的授粉农作物实际最优产量数据集；表示所述授粉农作物样品矩阵中第i类农作物样品的产量影响因素数据矩阵；表示所述授粉农作物样品矩阵中第i类农作物样品的实际最优产量数据；如下：

；

其中，、、、、分别表示所述授粉农作物样品矩阵中第i类农作物样品的第j组产量影响因素数据中的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据；表示对所述授粉农作物样品矩阵进行产量数据优化后得到的每一类授粉农作物样品的产量影响因素数据的总组数；

S32、将所述授粉农作物实际最优产量数据集与最终产量数据集进行比较计算，得到最优产量增长程度数据集，表示所述授粉农作物样品矩阵中第i类农作物样品的实际最优产量数据较非授粉农作物样品矩阵中第i类农作物样品的最终产量数据的增长程度数据；计算公式如下：

；

S33、将所述最优产量增长程度数据集以及授粉农作物实际最优产量数据集对应的产量影响因素数据矩阵进行可视化展示；

通过计算授粉农作物实际最优产量数据集相对于最终产量数据集的产量数据增长程度，再对产量数据增长程度进行可视化展示，从而可以直观的反映出采用蜂授粉方式的农作物对于未采用蜂授粉方式的农作物的优势。

优选地，所述S31包括以下步骤：

S311、构建第二野马种群，表示所述第二野马种群中的第i只野马，表示所述第二野马种群的规模；设定所述第二野马种群的最大迭代次数为，记为第二最大迭代次数，当前迭代次数为，记为第二当前迭代次数，搜索空间维度为，交配概率为，记为第二交配概率；

S312、根据所述产量影响因素集设定第二野马种群中每只野马的初始位置以及第二野马种群中领导者的初始位置，得到第一初始位置矩阵集和第二初始位置矩阵集；表示所述第二野马种群中第i只普通野马的初始位置矩阵，表示所述第二野马种群中第i个领导者的初始位置矩阵，、分别表示所述第二野马种群中普通野马以及领导者的总个数；和分别如下：

；；

其中，、、、、分别为中表示所述授粉农作物样品矩阵中第i类农作物样品的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据的位置分量；、、、、分别为中表示所述授粉农作物样品矩阵中第i类农作物样品的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据的位置分量；

S313、设定所述授粉农作物样品矩阵中的每类农作物样品的实际产量，得到授粉农作物实际产量值集；表示所述授粉农作物样品矩阵中第i类农作物样品的实际产量值；

根据所述授粉农作物实际产量值集设定第二野马种群的适应度函数；如下：

；

S314、开始进行迭代操作；迭代前将所述第二当前迭代次数设置为1；在每轮迭代过程中根据所述第二野马种群的适应度函数计算第二野马种群中每只野马的适应度值，得到第二适应度值集；将所述第二适应度值集中最大适应度值对应的野马个体的位置作为第二全局最佳位置；根据所述第二全局最佳位置以及第二交配概率对所述第二野马种群中的普通野马位置以及领导者位置进行更新；位置更新完成后，将所述第二全局最佳位置以及对应的适应度值进行记录并将第二当前迭代次数加1，进入下一轮迭代；

S315、当时，停止迭代，得到第二最终全局最佳位置，将所述第二最终全局最佳位置作为产量影响因素最优数据矩阵；否则，继续进行迭代，直至；产量影响因素最优数据矩阵如下：

；

其中，、、、、分别表示所述授粉农作物样品矩阵中第i类农作物样品对应的最优授粉前施药量数据、最优授粉后施药量数据、最优施药清除起始时间数据、最优施药清除结束时间数据以及最优蜜蜂数量数据；

将所述产量影响因素最优数据矩阵应用于授粉农作物样品矩阵中的每类农作物样品，得到授粉农作物实际最优产量数据集；同时得到产量影响因素数据矩阵集以及对应的授粉农作物产量数据矩阵；如下：

；

其中，表示对所述授粉农作物样品矩阵中第i类农作物样品的产量影响因素数据进行优化时得到的第j组产量影响因素数据对应的授粉农作物产量数据；

通过采用野马优化算法对授粉农作物样品矩阵中的每类农作物样品的授粉前施药量、授粉后施药量、施药清除起始时间、施药清除结束时间以及蜜蜂数量进行多次迭代优化，同时采用授粉农作物样品矩阵中的每类农作物样品的产量作为适应度函数，可以高效的搜寻到授粉农作物样品矩阵中的每类农作物样品的最优授粉前施药量、授粉后施药量、施药清除起始时间、施药清除结束时间以及蜜蜂数量。

优选地，所述S4包括以下步骤：

S41、构建初始KNN分类模型并设定训练数据比例；根据所述训练数据比例对产量影响因素数据矩阵集以及授粉农作物产量数据矩阵进行数据划分，得到产量影响因素训练数据矩阵集、产量影响因素测试数据矩阵集、授粉农作物产量训练数据矩阵以及授粉农作物产量测试数据矩阵；

S42、设定训练误差阈值；将所述产量影响因素训练数据矩阵集以及授粉农作物产量训练数据矩阵输入至初始KNN分类模型中进行训练；在训练过程中，当训练误差小于所述训练误差阈值时，停止训练，得到训练好的KNN分类模型；否则，继续进行训练，直至训练误差小于所述训练误差阈值；

S43、设定测试准确率阈值；将所述产量影响因素测试数据矩阵集以及授粉农作物产量测试数据矩阵输入至训练好的KNN分类模型进行测试；测试完成后，得到测试准确率；当所述测试准确率大于或者等于测试准确率阈值时，将所述训练好的KNN分类模型作为最终KNN分类模型；否则，返回S42中继续进行训练，直到所述测试准确率大于或者等于测试准确率阈值时为止，得到最终KNN分类模型；

通过采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵对初始KNN分类模型进行训练和测试，使得得到的最终KNN分类模型可以根据产量影响因素数据对产量数据直接进行预测，为后续对待分析授粉农作物样品集的待分析授粉农作物样品集进行分类提供了分类模型。

优选地，所述S5包括以下步骤：

S51、设定待分析授粉农作物样品集以及对应的待分析产量影响因素数据集，、、、、分别表示针对所述待分析授粉农作物样品集设定的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据；

S52、设定期望产量阈值；将所述待分析产量影响因素数据集输入至最终KNN分类模型中进行分类，得到待分析授粉农作物样品产量数据；

当所述待分析授粉农作物样品产量数据大于或者等于期望产量阈值时，不需要对所述待分析产量影响因素数据集进行调整；当所述待分析授粉农作物样品产量数据小于期望产量阈值时，根据所述授粉农作物实际最优产量数据集对待分析产量影响因素数据集进行调整，得到调整后的待分析产量影响因素数据集；

通过采用最终KNN分类模型对待分析产量影响因素数据集进行分类，可以预测出待分析授粉农作物样品集的产量数据，当产量数据未达到要求时，则对待分析产量影响因素数据集进行调整，给出了调整方案，便于种植者可以进行及时的调整，提高了农作物产量。

一种基于大数据的蜂授粉对农作物产量分析系统，包括农作物样品采集模块、非授粉农作物施药量优化模块、产量影响因素构建模块、产量影响因素数据优化模块、对比模块、可视化展示模块、分类模型构建模块、分类模块和判定模块；

所述农作物样品采集模块用于采集多个种类的农作物样品，得到授粉农作物样品矩阵以及非授粉农作物样品矩阵；

所述非授粉农作物施药量优化模块用于对所述非授粉农作物样品矩阵的每种农作物样品施药量进行优化，得到最终产量数据集；

所述产量影响因素构建模块用于构建所述授粉农作物样品矩阵对应的多种产量影响因素，得到产量影响因素集；

所述产量影响因素数据优化模块用于根据所述产量影响因素集对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，得到产量影响因素数据矩阵集、授粉农作物实际最优产量数据集以及授粉农作物产量数据矩阵；

所述对比模块用于将授粉农作物实际最优产量数据集与最终产量数据集进行对比，得到最优产量增长程度数据集；

所述可视化展示模块用于将所述最优产量增长程度数据集以及对应的产量影响因素数据矩阵进行可视化展示；

所述分类模型构建模块用于采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型；

所述分类模块用于采用所述最终KNN分类模型对待分析授粉农作物样品集对应的待分析产量影响因素数据集进行分类，得到分类结果；

所述判定模块用于根据所述分类结果判定是否需要对待分析产量影响因素数据集进行调整。

本发明具有以下有益效果：

1.本发明中通过对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，将蜂授粉的优势达到最大，从而可以反映出采用蜂授粉时所能够达到的最佳效果；通过将授粉农作物实际最优产量数据集与非授粉农作物样品矩阵的最优产量进行对比，可以反映出采用蜂授粉的方式与不采用蜂授粉的方式对多种农作物产量影响的差异性；通过采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型，使得最终KNN模型可以根据对农作物采用产量影响因素数据预测出对应的农作物产量数据，简化了后续对待分析授粉农作物样品集的产量进行分析的过程。

2.本发明中通过采用野马优化算法对授粉农作物样品矩阵中的每类农作物样品的产量影响因素数据进行多次迭代优化，同时采用授粉农作物样品矩阵中的每类农作物样品的产量作为适应度函数，可以高效的搜寻到授粉农作物样品矩阵中的每类农作物样品的最优产量影响因素数据。

3.本发明中通过采用最终KNN分类模型对待分析产量影响因素数据集进行分类，可以预测出待分析授粉农作物样品集的产量数据，当产量数据未达到要求时，则对待分析产量影响因素数据集进行调整，便于种植者可以进行及时的调整，提高了农作物产量。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得的附图。

图1为本发明一种基于大数据的蜂授粉对农作物产量分析系统对农作物产量进行分析的流程示意图。

具体实施方式

下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于发明保护的范围。

在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“顶”、“中”、“内”等指示方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对发明的限制。

实施例一

本实施例为一种基于大数据的蜂授粉对农作物产量分析方法，包括以下步骤：

S1、采集多个种类的农作物样品，得到授粉农作物样品矩阵以及非授粉农作物样品矩阵；

所述S1包括以下步骤：

S11、设定农作物种类集，表示设定的第i个农作物种类，表示设定的农作物种类的总个数；根据所述农作物种类集采集多个农作物样品，得到农作物样品矩阵；对所述农作物样品矩阵进行均分，得到授粉农作物样品矩阵和非授粉农作物样品矩阵；分别如下：

；；

其中，表示第i个农作物种类对应的第j个授粉农作物样品；表示第i个农作物种类对应的第j个非授粉农作物样品；表示针对每个农作物种类采集的授粉农作物样品以及非授粉农作物样品的总个数；

S12、设定第一种植区域集和第二种植区域集；、分别表示所述第一种植区域集中的第i个种植区域以及第二种植区域集中的第i个种植区域；

将所述授粉农作物样品矩阵中每个农作物样品按种类分别种植在第一种植区域集中每个种植区域里，再将所述非授粉农作物样品矩阵中的每个农作物样品按种类分别种植在第二种植区域集中每个种植区域里；所述授粉农作物样品矩阵以及非授粉农作物样品矩阵的种植环境条件相同；

S2、对所述非授粉农作物样品矩阵的每种农作物样品施药量进行优化，得到最终产量数据集；构建所述授粉农作物样品矩阵对应的多种产量影响因素，得到产量影响因素集；

所述S2包括以下步骤：

S21、获取非授粉农作物样品矩阵中的每类农作物样品的最优施药量以及对应的最优产量，得到最终产量数据集；表示在对非授粉农作物样品矩阵中第i类农作物样品的最优产量值；

所述S21包括以下步骤：

S211、构建第一野马种群，表示所述第一野马种群中的第i只野马，c表示所述第一野马种群的规模；设定所述第一野马种群的最大迭代次数为，记为第一最大迭代次数，当前迭代次数为，记为第一当前迭代次数，搜索空间维度为，交配概率为，记为第一交配概率；

S212、设定第一野马种群中每只野马的初始位置以及第一野马种群中领导者的初始位置，得到第一初始位置矩阵和第二初始位置矩阵；分别如下：

；；

其中，表示所述第一野马种群中第i只普通野马的初始位置在第j个维度上的分量；表示所述第一野马种群中第i个领导者的初始位置在第j个维度上的分量；、分别表示所述第一野马种群中普通野马以及领导者的总个数；计算公式分别如下：

；；

式中，、分别表示非授粉农作物样品矩阵中第i个种类的农作物样品施药量的最小值和最大值；、分别表示针对、生成的随机数，；

S213、设定所述非授粉农作物样品矩阵中的每类农作物样品的实际产量，得到非授粉农作物实际产量值集；表示所述非授粉农作物样品矩阵中第i类农作物样品的实际产量值；

根据所述非授粉农作物实际产量值集设定第一野马种群的适应度函数；如下：

；

S214、开始进行迭代操作；迭代前将所述第一当前迭代次数设置为1；在每轮迭代过程中根据所述第一野马种群的适应度函数计算第一野马种群中每只野马的适应度值，得到第一适应度值集；将所述第一适应度值集中最大适应度值对应的野马个体的位置作为第一全局最佳位置；根据所述第一全局最佳位置以及第一交配概率对所述第一野马种群中的普通野马位置以及领导者位置进行更新；位置更新完成后，将所述第一当前迭代次数加1，进入下一轮迭代；

S215、当时，停止迭代，得到第一最终全局最佳位置，将所述第一最终全局最佳位置作为最终农药量数据集，表示得到的第i个种类的农作物样品的最优施药量；否则，继续进行迭代，直至；

将所述最终农药量数据集应用于非授粉农作物样品矩阵中的每类农作物样品，得到最终产量数据集；

S22、针对所述授粉农作物样品矩阵设定产量影响因素集，、、、、分别表示授粉前施药量、授粉后施药量、施药清除起始时间、施药清除结束时间以及蜜蜂数量；

S3、根据所述产量影响因素集对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，得到产量影响因素数据矩阵集、授粉农作物实际最优产量数据集以及授粉农作物产量数据矩阵；将所述授粉农作物实际最优产量数据集与最终产量数据集进行对比，得到最优产量增长程度数据集；将所述最优产量增长程度数据集以及对应的产量影响因素数据矩阵进行可视化展示；

所述S3包括以下步骤：

S31、根据所述产量影响因素集对授粉农作物样品矩阵进行产量数据优化，得到产量影响因素数据矩阵集以及对应的授粉农作物实际最优产量数据集；表示所述授粉农作物样品矩阵中第i类农作物样品的产量影响因素数据矩阵；表示所述授粉农作物样品矩阵中第i类农作物样品的实际最优产量数据；如下：

；

其中，、、、、分别表示所述授粉农作物样品矩阵中第i类农作物样品的第j组产量影响因素数据中的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据；表示对所述授粉农作物样品矩阵进行产量数据优化后得到的每一类授粉农作物样品的产量影响因素数据的总组数；

所述S31包括以下步骤：

S311、构建第二野马种群，表示所述第二野马种群中的第i只野马，表示所述第二野马种群的规模；设定所述第二野马种群的最大迭代次数为，记为第二最大迭代次数，当前迭代次数为，记为第二当前迭代次数，搜索空间维度为，交配概率为，记为第二交配概率；

S312、根据所述产量影响因素集设定第二野马种群中每只野马的初始位置以及第二野马种群中领导者的初始位置，得到第一初始位置矩阵集和第二初始位置矩阵集；表示所述第二野马种群中第i只普通野马的初始位置矩阵，表示所述第二野马种群中第i个领导者的初始位置矩阵，、分别表示所述第二野马种群中普通野马以及领导者的总个数；和分别如下：

；；

其中，、、、、分别为中表示所述授粉农作物样品矩阵中第i类农作物样品的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据的位置分量；、、、、分别为中表示所述授粉农作物样品矩阵中第i类农作物样品的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据的位置分量；

S313、设定所述授粉农作物样品矩阵中的每类农作物样品的实际产量，得到授粉农作物实际产量值集；表示所述授粉农作物样品矩阵中第i类农作物样品的实际产量值；

根据所述授粉农作物实际产量值集设定第二野马种群的适应度函数；如下：

；

S314、开始进行迭代操作；迭代前将所述第二当前迭代次数设置为1；在每轮迭代过程中根据所述第二野马种群的适应度函数计算第二野马种群中每只野马的适应度值，得到第二适应度值集；将所述第二适应度值集中最大适应度值对应的野马个体的位置作为第二全局最佳位置；根据所述第二全局最佳位置以及第二交配概率对所述第二野马种群中的普通野马位置以及领导者位置进行更新；位置更新完成后，将所述第二全局最佳位置以及对应的适应度值进行记录并将第二当前迭代次数加1，进入下一轮迭代；

S315、当时，停止迭代，得到第二最终全局最佳位置，将所述第二最终全局最佳位置作为产量影响因素最优数据矩阵；否则，继续进行迭代，直至；产量影响因素最优数据矩阵如下：

；

其中，、、、、分别表示所述授粉农作物样品矩阵中第i类农作物样品对应的最优授粉前施药量数据、最优授粉后施药量数据、最优施药清除起始时间数据、最优施药清除结束时间数据以及最优蜜蜂数量数据；

将所述产量影响因素最优数据矩阵应用于授粉农作物样品矩阵中的每类农作物样品，得到授粉农作物实际最优产量数据集；同时得到产量影响因素数据矩阵集以及对应的授粉农作物产量数据矩阵；如下：

；

其中，表示对所述授粉农作物样品矩阵中第i类农作物样品的产量影响因素数据进行优化时得到的第j组产量影响因素数据对应的授粉农作物产量数据；

S32、将所述授粉农作物实际最优产量数据集与最终产量数据集进行比较计算，得到最优产量增长程度数据集，表示所述授粉农作物样品矩阵中第i类农作物样品的实际最优产量数据较非授粉农作物样品矩阵中第i类农作物样品的最终产量数据的增长程度数据；计算公式如下，

；

S33、将所述最优产量增长程度数据集以及授粉农作物实际最优产量数据集对应的产量影响因素数据矩阵进行可视化展示；

S4、采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型；

所述S4包括以下步骤：

S41、构建初始KNN分类模型并设定训练数据比例；根据所述训练数据比例对产量影响因素数据矩阵集以及授粉农作物产量数据矩阵进行数据划分，得到产量影响因素训练数据矩阵集、产量影响因素测试数据矩阵集、授粉农作物产量训练数据矩阵以及授粉农作物产量测试数据矩阵；

S42、设定训练误差阈值；将所述产量影响因素训练数据矩阵集以及授粉农作物产量训练数据矩阵输入至初始KNN分类模型中进行训练；在训练过程中，当训练误差小于所述训练误差阈值时，停止训练，得到训练好的KNN分类模型；否则，继续进行训练，直至训练误差小于所述训练误差阈值；

S43、设定测试准确率阈值；将所述产量影响因素测试数据矩阵集以及授粉农作物产量测试数据矩阵输入至训练好的KNN分类模型进行测试；测试完成后，得到测试准确率；当所述测试准确率大于或者等于测试准确率阈值时，将所述训练好的KNN分类模型作为最终KNN分类模型；否则，返回S42中继续进行训练，直到所述测试准确率大于或者等于测试准确率阈值时为止，得到最终KNN分类模型；

S5、设定待分析授粉农作物样品集以及对应的待分析产量影响因素数据集，采用所述最终KNN分类模型对待分析授粉农作物样品集对应的待分析产量影响因素数据集进行分类，得到分类结果；根据所述分类结果判定是否需要对待分析产量影响因素数据集进行调整；

所述S5包括以下步骤：

S51、设定待分析授粉农作物样品集以及对应的待分析产量影响因素数据集，、、、、分别表示针对所述待分析授粉农作物样品集设定的授粉前施药量数据、授粉后施药量数据、施药清除起始时间数据、施药清除结束时间数据以及蜜蜂数量数据；

S52、设定期望产量阈值；将所述待分析产量影响因素数据集输入至最终KNN分类模型中进行分类，得到待分析授粉农作物样品产量数据；

当所述待分析授粉农作物样品产量数据大于或者等于期望产量阈值时，不需要对所述待分析产量影响因素数据集进行调整；当所述待分析授粉农作物样品产量数据小于期望产量阈值时，根据所述授粉农作物实际最优产量数据集对待分析产量影响因素数据集进行调整，得到调整后的待分析产量影响因素数据集。

实施例二

本实施例公开一种基于大数据的蜂授粉对农作物产量分析系统，所述系统能实现上述实施例的方法，包括农作物样品采集模块、非授粉农作物施药量优化模块、产量影响因素构建模块、产量影响因素数据优化模块、对比模块、可视化展示模块、分类模型构建模块、分类模块和判定模块；

所述农作物样品采集模块用于采集多个种类的农作物样品，得到授粉农作物样品矩阵以及非授粉农作物样品矩阵；

所述非授粉农作物施药量优化模块用于对所述非授粉农作物样品矩阵的每种农作物样品施药量进行优化，得到最终产量数据集；

所述产量影响因素构建模块用于构建所述授粉农作物样品矩阵对应的多种产量影响因素，得到产量影响因素集；

所述产量影响因素数据优化模块用于根据所述产量影响因素集对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，得到产量影响因素数据矩阵集、授粉农作物实际最优产量数据集以及授粉农作物产量数据矩阵；

所述对比模块用于将授粉农作物实际最优产量数据集与最终产量数据集进行对比，得到最优产量增长程度数据集；

所述可视化展示模块用于将所述最优产量增长程度数据集以及对应的产量影响因素数据矩阵进行可视化展示；

所述分类模型构建模块用于采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型；

所述分类模块用于采用所述最终KNN分类模型对待分析授粉农作物样品集对应的待分析产量影响因素数据集进行分类，得到分类结果；

所述判定模块用于根据所述分类结果判定是否需要对待分析产量影响因素数据集进行调整。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的发明优选实施例只是用于帮助阐述发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用发明。

Claims (9)

1.一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，包括以下步骤：

S1、采集多个种类的农作物样品，得到授粉农作物样品矩阵以及非授粉农作物样品矩阵；

S2、对所述非授粉农作物样品矩阵的每种农作物样品施药量进行优化，得到最终产量数据集；构建所述授粉农作物样品矩阵对应的多种产量影响因素，得到产量影响因素集；

S3、根据所述产量影响因素集对授粉农作物样品矩阵对应的多种产量影响因素数据进行优化，得到产量影响因素数据矩阵集、授粉农作物实际最优产量数据集以及授粉农作物产量数据矩阵；将所述授粉农作物实际最优产量数据集与最终产量数据集进行对比，得到最优产量增长程度数据集；将所述最优产量增长程度数据集以及对应的产量影响因素数据矩阵进行可视化展示；

S4、采用产量影响因素数据矩阵集以及授粉农作物产量数据矩阵构建最终KNN分类模型；

S5、设定待分析授粉农作物样品集以及对应的待分析产量影响因素数据集，采用所述最终KNN分类模型对待分析授粉农作物样品集对应的待分析产量影响因素数据集进行分类，得到分类结果；根据所述分类结果判定是否需要对待分析产量影响因素数据集进行调整。

2.根据权利要求1所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S1包括以下步骤：

S11、设定农作物种类集；根据所述农作物种类集采集多个农作物样品，得到农作物样品矩阵；对所述农作物样品矩阵进行均分，得到授粉农作物样品矩阵和非授粉农作物样品矩阵；

S12、设定第一种植区域集和第二种植区域集；将所述授粉农作物样品矩阵中每个农作物样品按种类分别种植在第一种植区域集中每个种植区域里，再将所述非授粉农作物样品矩阵中的每个农作物样品按种类分别种植在第二种植区域集中每个种植区域里；所述授粉农作物样品矩阵以及非授粉农作物样品矩阵的种植环境条件相同。

3.根据权利要求2所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S2包括以下步骤：

S21、获取非授粉农作物样品矩阵中的每类农作物样品的最优施药量以及对应的最优产量，得到最终产量数据集；

S22、针对所述授粉农作物样品矩阵设定产量影响因素集。

4.根据权利要求3所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S21包括以下步骤：

S211、构建第一野马种群；设定所述第一野马种群的最大迭代次数为，记为第一最大 迭代次数，当前迭代次数为，记为第一当前迭代次数；将所述第一野马种群的交配概率记 为第一交配概率；

S212、设定第一野马种群中每只野马的初始位置以及第一野马种群中领导者的初始位置，得到第一初始位置矩阵和第二初始位置矩阵；

S213、设定所述非授粉农作物样品矩阵中的每类农作物样品的实际产量，得到非授粉农作物实际产量值集；根据所述非授粉农作物实际产量值集设定第一野马种群的适应度函数；

S214、开始进行迭代操作；在每轮迭代过程中根据所述第一野马种群的适应度函数计算第一野马种群中每只野马的适应度值，得到第一适应度值集；将所述第一适应度值集中最大适应度值对应的野马个体的位置作为第一全局最佳位置；根据所述第一全局最佳位置以及第一交配概率对所述第一野马种群中的普通野马位置以及领导者位置进行更新；位置更新完成后，进入下一轮迭代；

S215、当时，停止迭代，得到第一最终全局最佳位置，将所述第一最终全局最佳 位置作为最终农药量数据集；否则，继续进行迭代，直至；将所述最终农药量数据集 应用于非授粉农作物样品矩阵中的每类农作物样品，得到最终产量数据集。

5.根据权利要求4所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S3包括以下步骤：

S31、根据所述产量影响因素集对授粉农作物样品矩阵进行产量数据优化，得到产量影响因素数据矩阵集以及对应的授粉农作物实际最优产量数据集；

S32、将所述授粉农作物实际最优产量数据集与最终产量数据集进行比较计算，得到最优产量增长程度数据集；

S33、将所述最优产量增长程度数据集以及授粉农作物实际最优产量数据集对应的产量影响因素数据矩阵进行可视化展示。

6.根据权利要求5所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S31包括以下步骤：

S311、构建第二野马种群；设定所述第二野马种群的最大迭代次数为，记为第二最大 迭代次数，当前迭代次数为，记为第二当前迭代次数；将所述第二野马种群交配概率记为 第二交配概率；

S312、根据所述产量影响因素集设定第二野马种群中每只野马的初始位置以及第二野马种群中领导者的初始位置，得到第一初始位置矩阵集和第二初始位置矩阵集；

S313、设定所述授粉农作物样品矩阵中的每类农作物样品的实际产量，得到授粉农作物实际产量值集；根据所述授粉农作物实际产量值集设定第二野马种群的适应度函数；

S314、开始进行迭代操作；在每轮迭代过程中根据所述第二野马种群的适应度函数计算第二野马种群中每只野马的适应度值，得到第二适应度值集；将所述第二适应度值集中最大适应度值对应的野马个体的位置作为第二全局最佳位置；根据所述第二全局最佳位置以及第二交配概率对所述第二野马种群中的普通野马位置以及领导者位置进行更新；位置更新完成后，将所述第二全局最佳位置以及对应的适应度值进行记录，进入下一轮迭代；

S315、当时，停止迭代，得到第二最终全局最佳位置，将所述第二最终全局最佳 位置作为产量影响因素最优数据矩阵；否则，继续进行迭代，直至；

将所述产量影响因素最优数据矩阵应用于授粉农作物样品矩阵中的每类农作物样品，得到授粉农作物实际最优产量数据集；同时得到产量影响因素数据矩阵集以及对应的授粉农作物产量数据矩阵。

7.根据权利要求6所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S4包括以下步骤：

S41、构建初始KNN分类模型并设定训练数据比例；根据所述训练数据比例对产量影响因素数据矩阵集以及授粉农作物产量数据矩阵进行数据划分，得到产量影响因素训练数据矩阵集、产量影响因素测试数据矩阵集、授粉农作物产量训练数据矩阵以及授粉农作物产量测试数据矩阵；

S42、设定训练误差阈值；将所述产量影响因素训练数据矩阵集以及授粉农作物产量训练数据矩阵输入至初始KNN分类模型中进行训练；在训练过程中，当训练误差小于所述训练误差阈值时，停止训练，得到训练好的KNN分类模型；否则，继续进行训练，直至训练误差小于所述训练误差阈值；

S43、设定测试准确率阈值；将所述产量影响因素测试数据矩阵集以及授粉农作物产量测试数据矩阵输入至训练好的KNN分类模型进行测试；测试完成后，得到测试准确率；当所述测试准确率大于或者等于测试准确率阈值时，将所述训练好的KNN分类模型作为最终KNN分类模型；否则，返回S42中继续进行训练，直到所述测试准确率大于或者等于测试准确率阈值时为止，得到最终KNN分类模型。

8.根据权利要求7所述的一种基于大数据的蜂授粉对农作物产量分析方法，其特征在于，所述S5包括以下步骤：

S51、设定待分析授粉农作物样品集以及对应的待分析产量影响因素数据集；

S52、设定期望产量阈值；将所述待分析产量影响因素数据集输入至最终KNN分类模型中进行分类，得到待分析授粉农作物样品产量数据；

当所述待分析授粉农作物样品产量数据大于或者等于期望产量阈值时，不需要对所述待分析产量影响因素数据集进行调整；当所述待分析授粉农作物样品产量数据小于期望产量阈值时，根据所述授粉农作物实际最优产量数据集对待分析产量影响因素数据集进行调整，得到调整后的待分析产量影响因素数据集。

9.一种实现如权利要求1-8任一项所述的基于大数据的蜂授粉对农作物产量分析方法的系统。