多養分群落選址算法下的種子投放

馬滿福，何春玲 ，張正鋒 ，范建龍 ，李培培

MAManfu1，2,HE Chunling1，2,ZHANG Zhengfeng1，2,FAN Jianlong1，2,LI Peipei1，2

1.西北師范大學 計算機科學與工程學院，蘭州 730070

2.甘肅省物聯網工程研究中心，蘭州 730070

1.College of Computer Science&Engineering,Northwest Normal University,Lanzhou 730070,China

2.IoT Center of Gansu,Lanzhou 730070,China

1 引言

種子是農業生產效益的基礎，只有合理地處理種子與地域的關系，農業生產率才能得到保障。農田是不可增長的自然資源[1]，如何在有限的農田資源基礎上，借助先進的科技手段提高農田的生產效率、經濟效益與環境效益已經成為我國必須解決的重大課題之一。

針對農業問題，文獻[1]提出了物聯網在農業方面的應用以及進行面向精細農業的無線傳感器網絡關鍵技術研究；文獻[2]提出了一種支持多種子的q-gram索引結構，此結構為種子的查找提供了極大的方便；文獻[3]綜述了國內外農田信息傳輸方式的現狀和發展趨勢，并認為未來農田信息系統的發展趨勢是嵌入式系統管理與控制網絡化；文獻[4]以物聯網技術在現代農業信息化中的應用研究為背景，提出了傳感器在不同農作物領域的應用實現數據的自動化采集，為進行科學預測及管理提供依據；文獻[5]在物聯網技術的支持下，提出了基于無線傳感器網絡的農田土壤溫濕度檢測技術，此技術主要針對農田土壤溫、濕度智能檢測，根據特殊的農田環境，設計了一種有效智能檢測系統；文獻[6]進行了基于M2M技術和物聯網理念的研究開發，目前已初步形成可應用于各類農業環境監測；文獻[7]由中國農業大學李道亮研究團隊基于物聯網技術開發了水產養殖環境智能監控系統，此系統是集數據、圖像實時采集、無線傳輸、智能處理和預測預警信息發布、輔助決策等功能于一體的現代化水產養殖支撐系統；文獻[8]綜述了由Tao等設計了基于RFID技術的系統，用于實時監測、記錄運輸過程中的溫度，該系統監測溫度范圍為－50℃～120℃，誤差±1℃，讀取距離達100 m。此外，一些國家實施的一些法律也促使物聯網技術應用于農業，如文獻[9-11]論述了歐盟、美國等國家都曾立法于強制性實行食品安全追溯制度，并通過此方法對食品各生產環節信息進行管理。文獻[12]針對農業抗病蟲害問題，提出了基于物聯網的農業蟲害智能監控系統，該系統是一套能自動采集農田環境信息、蟲害數目，并且可以進行設備參數設置。此系統的提出，為有效防控病蟲害奠定了基礎。文獻[13]由Gonda等人把Zigbee技術運用于在溫室中分布式監控網絡中。

雖然一些學者在物聯網應用于農業方面做了一些工作，并取得了不錯的效果；但大多數學者仍停留在農業識別監控上，而忽視了對農業種子的投放、選取、儲存等問題的研究。本文提出了多養分群落選址算法下的種子投放，重點放在種子與耕地的匹配，通過運用灰色理論系統原理對種子進行信息采取并劃分等級；利用雙邊匹配把不同地域和不同等級的種子進行匹配。

2 種子信息系統模型框架

2.1 種子系統模型框架

此框架的構建主要考慮以下幾個問題：（1）種子自身信息數據收集的影響因素，即如何準確高效地收集到種子活力及生活力等重要數據，并根據收集到的數據對種子進行等級劃分；（2）地域信息收集的復雜度分析；（3）匹配，如何實現不同等級的種子和不同等級的地域合理匹配。模型框架如圖1所示。在該框架中，種子生產商和地理信息采集員所收集到的信息是通過匹配──雙邊下電子中介的多目標匹配。數據處理中心主要由種子信息處理模塊、地域處理模塊、匹配處理模塊組成。

種子信息處理：一個把種子數據化的模塊，主要負責通過各種方法來收集種子信息進而對其進行分析處理等一系列操作。此模塊的作用是提供可靠準確的種子信息并劃分等級，為匹配信息處理模塊提供數據。

圖1 系統模型框架圖

地域信息處理：地理信息采集員負責對地域信息的采集并進行分析處理，最后將處理好的地域信息存入地理數據庫中，供匹配信息處理模塊在與種子匹配時使用。其所用技術為3S：RS、GIS、GPS，皆為物聯網的核心技術。

匹配信息處理：此模塊將種子信息和地域信息的匹配單獨劃分為一個模塊，負責不同等級種子與不同地域信息相匹配。該模塊的工作原理是結合種子信息和地域信息，利用雙邊下電子中介的多目標匹配為二者進行信息匹配。

2.2 種子活力和生活力檢測

由于不同種子的生活力和活力的不同，為了使各種子的生活力和活力的信息更加清晰，本文采用四唑染色方法對不同種子的活力和生活力進行檢測并采集其樣本數據。根據式（1）和式（2）檢測種子的四唑顯色部位，即區分有活力的部分和死亡部分。此外，由于種子的萌發還受外部環境的影響，所以種子的適宜能力也是必須考慮的關鍵條件。影響種子萌發的水分數據、氧氣數據、溫度數據、光照數據、土壤鹽分數據、化學物質數據、氣壓數據等外界條件，將會在種子被培養的過程中被錄入到種子數據庫。本文利用化學方法對種子活力和生活力進行檢測，此方法使得檢測結果更加準確，誤差率相比其他方法也大大減小。

種子的生活力和活力決定了種子的發芽率，對種子生活力和活力的檢測就是對種子發芽率的檢測。

2.3 種子數據均值生成算子

根據種子活力和生活力檢測，對種子進行數據搜集。在搜集數據時，常常因一些不易克服的困難導致數據序列出現空缺（也稱空穴）[14]。也有一些數據序列雖然數據完整，但因系統行為在某個時點上發生突變而形成異常數據，給研究工作帶來很大困難。任何數據的收集都要面對丟失和不完整的缺陷，針對如何使收集到的數據不會因為丟失或不完整而影響研究結果提出了均值生成算子。通過均值生成算子可以解決因數據不完整而帶來的研究不精確的問題。在本文中，把已收集到的種子信息數據序列化，以減小數據分析及處理的復雜度。

定義1設序列Y=(y(1),y(2),…,y(k),y(k+1),…,y(n))，其中y(k)與y(k+1)為Y的一對相鄰值，y(k)稱為前值，y(k+1)稱為后值，假如y(n)為新信息，則對任意k≤n-1來說，y(k)為舊信息，y(k)也被稱為歷史信息。

定義2假設序列Y在k處有空穴，記為φ(k)，即Y=(y(1),y(2),…,y(k-1),φ(κ),y(k+1),…,y(n))則認為y(k-1)和y(k+1)為φ(k)的相臨界值，y(k-1)為Y的前界值，y(k+1)為Y的后界值，當φ(k)由y(k-1)和y(k+1)生成時，稱生成值為[y(k-1),y(k+1)]的內點，可以表示為φ(k)∈[y(k-1),y(k+1)]。

定義3令y(k-1)和y( )k+1為序列Y中的一對非緊鄰值，其中y(k-1)為歷史信息，y( )k+1為新信息，φ(k)為空穴。序列算子定義F如下：則稱F為非緊鄰值生成算法，并稱y*(k)為由新信息y( )

k+1和歷史信息y(k-1)在生成系數（權）下的生成值，當θ＜0.5時，稱y*(k)的生成是“重新信息，輕歷史信息”生成；當θ＞0.5時，稱y*(k)的生成是“輕新信息，重歷史信息”生成；當θ≠0.5時，稱F有偏算子，當θ=0.5時，稱F為無偏算子即為均值生成算子。

2.4 種子數據區間劃分

為了更好地進行數據的操作，本文對不同種子的信息數據進行了區間劃分。種子等級劃分為：特級種子，具有很強的活力和生活力；一級種子，一級種子的各參數比特級種子稍微差一點；二級種子，二級種子比一級種子弱點；三級種子，三級種子比二級種子弱；普通種子，普通種子是所劃分等級中最低的。首先，利用網絡監控管理通過數據管理系統進行種子數據庫的操作；其次，經過服務系統對種子數據進行均值運算和種子數據的區間劃分，再通過服務系統對種子進行等級劃分；最后將種子數據區間劃分的等級信息寫入EPC電子標簽中，這相當于不同等級的種子制定了一張“身份證”，便于種子質量安全的溯源，如圖2所示。

圖2 種子等級劃分模型

不同種子的信息采集及分類都是按照一定的規則參數進行的，本文以玉米種子為例進行種子的信息參數采集。具體參數如表1所示。

3 耕地信息采集及分類

地理信息系統的應用十分廣泛，其中包括資源清查、城鄉規劃、災害監測、土地調查、環境管理等各種領域。本文利用該系統將各種原始數據匯集，并通過資源統計和覆蓋分析來收集各地的環境數據。并且可以根據不同耕地的分布和面積，按不同高程帶劃分的土地利用類型[15]，不同坡度區內的土地利用現狀，以及不同類型的土地利用變化等，為資源的合理利用、開發和科學管理提供依據。由于我國耕地面積分布廣泛且分布不均勻，故造成我國地理信息復雜多變，對農作物的生長帶來很大的影響；另外因環境的變化，許多農作物出現了逆生長，給我國的糧食產量帶來了巨大損失。

面對如此復雜多變的耕地信息，耕地信息的收集顯得尤為重要。本文通過地理信息采集人員利用3S（Global Positioning System（GPS）、Remote Sensing（RS）、Geographic Information System（GIS））集成技術來對地域數據進行處理。3S之間的關系如圖3所示。

表1 玉米種子等級劃分參數表

圖3 3S的集成關系圖

GPS：其自身的功能是將空間數據自動輸入、存儲、檢索、運算、顯示等綜合分析應用。不僅如此，GPS還可以為GIS提供定點查詢專題信息等一些重要功能。

RS：是信息獲取、處理的設備。這就要求計算機設備對所獲取的遙感信息進行校正、分析和解譯處理等操作。RS主要為GIS提供或更新信息等功能。

GIS：根據在數據庫中的位置對數據進行識別。GIS分別為RS和GPS提供輔助分類、更新空間定位等功能。

本文以某省土壤指標分級為例，地理信息采集人員主要對適合農作物生長的必須考慮的因素加以采集。具體采集即分類如圖4所示。

4 不同等級的種子與不同地域的信息匹配

4.1 雙邊下電子中介的多目標匹配

近年來，雙邊匹配模型越來越受到各領域的關注和重視，應用領域較為廣泛，尤其是在經濟活動和管理方面。本文將此匹配運用到種子與地域的互選領域進行研究。

根據農作物生長所需養分的多樣性，本文采用一種多養分的群落選址算法（CLA）[16]，利用作物在多養分滋養下生長的快慢來自動挑選多個指標，從而回避了對多目標決策中多目標向單目標轉換的問題。再利用電子中介的多目標匹配方法最大程度地讓不同地域與不同等級的種子相結合，得出最滿意的結果，最終實現農作物生產效率的最大化，如圖5所示。CLA的基本思想：模擬植物群落形成機制：土地含有的適于植物生長營養成分；不同物種間對生存資源的競爭；人工干預手段等形式進行演算模擬。

圖5 電子中介的多目標匹配

圖5中，第一大元素是不同等級的不同種子，大圓代表不同的種子，五角星代表不同的等級。簡言之，不同種子中包含不同的等級；第二大元素是不同地域的不同領域，大圓代表不同地域，小圓代表不同領域；第三大要素是連接第一大元素和第二大元素的邊，把邊命名為D，稱之為滿意度。

多養分群落選址算法可以理解為在k塊土地上種有k種作物，這些作物的生長需要多種養分。此算法涉及到養分函數、生長率與衰減率、物種比例及其歸一化、生長與衰減過程、解的構成與評估、環境匯報過程、解的熵和停止準則等，具體算法如下。

步驟1相應數據和參數的讀取。讀入多樣分的養分矩陣(k)，平均生長率與衰減率r，回報開始時刻Tf，停止準則?以及每步產生的評價解的數量L。

步驟2初始化物種。令時間（迭代指標）s=0，初始比例xab(0)=1/n，所有a和b。計算初始的信息熵En(0)。令初始最優解為：F*=[1,2,…,n]T，各個目標函數的最優值Ei*=BP或-BP（極小或極大問題）。BP是一個足夠大的正數。

圖4 土壤指標分級

步驟3判斷停止準則。令u=u+1，如果En(u)＜?，轉步驟8；否則轉步驟4。

步驟4生長與衰減過程的計算按進行生長和衰減過程。用對行和列歸一化。計算熵En(u)。

步驟5解的構成及評估。對k(k=1,2,…,K)，用旋轉法生成K個解S(k)。計算各個解對各個環境評價函數的值Ei(S(k))，其中k=1,2,…,K，i=1,2,…,m。

步驟6最優解的匹配。根據每個解的環境評價函數的值Ei(S(k))，選擇最優解Si(k*)或最優解集合B*（多解回報采用）。如E(Si(k*))＞Ei*，則令Fi*=Si(k*)且Ei*=E(Si(k*))。

步驟7環境回報過程的計算。如u＞Uf，按進行環境回報過程，然后轉步驟3。

步驟8輸出結果。輸出獲得的最優解Fi*和最優值Ei*，算法終止。

這里把表1和圖4的數據拿來做匹配，分別把這兩組數據作為輸入，則輸出就是本文想要的結果。

該算法利用農作物生長狀況來自動挑選符合自身需要多個指標的耕地，拋棄了傳統的確定目標組合權重系數，進而達到目標協調，滿意度增加的目的。

4.2 量子PSO下種子投放位置更新

種子的軌跡由其位置Xi、最優解Fi*以及最優值Ei*決定。種子的位置Xi隨著最優解Fi*和最優值Ei*的改變而改變。以下為種子位置更新的方程式：

其中：

種子的平均最優mbest定義為一類種子最好位置的平均值。Z、k、c、c2為[0，1]之間均勻分布的隨機數；參數α為壓縮、擴展系數。其算法如下：

1.初始化種子位置

2.Do

3.由式（5）計算mbest

4.按式（3）更新種子位置

5.更新pbest和gbest

4.3 雙邊下電子中介的多目標匹配的灰色決策

雙邊下電子中介的多目標匹配的灰色決策[14]是決策模型中含灰元或一般決策模型與灰色模型相結合的情況下進行的決策，重點研究方案選擇問題。

定義4某一研究范圍內事件的全體稱為該研究范圍內的事件集，記為X={x1,x2,…,xn}，其中xi(i=1,2,…,n)為第i個事件，相應的所有可能的對策全體稱為對策集，記為Y={y1,y2,…,yn}，集中yj(j=1,2,…,n)為第j對策。

定義5事件集X={x1,x2,…,xn}與對策集Y={y1,y2,…,yn}的笛卡爾積X×Y={(xi,yj)|xi∈X,yj∈Y}稱為決策方案集，記作F=X×Y。對于任意的xi∈X,yj∈Y稱(xi,yj)為一個決策方案，記作Fij=(xi,yj)。

4.4 預設評估

預設評估是從種子和地域這兩方面來獲得其對應的滿意度，其作用是進行滿意度D的整體微調，讓更多因素參與到審核中，從而使匹配更加精準、多元化。此評估從不同種子的經濟效益出發，首先考慮種子能給當地帶來怎樣的經濟效益，是否能提高當地的生產率；其次要考慮種子自身的狀況是否適宜某地區，其中包括種子活力和種子生活力等種子存活的要素；另外，種子自身需求及種子生長所需的一些基本物質需要作出的基本評估：地理信息的評估、環境條件評估以及光照條件評估等都是針對除種子本身以外的條件評估。最終結合以上評估得到綜合評估滿意度D，如圖6所示。

圖6 綜合評估模型

5 實驗演算及分析

5.1 演算環境及參數

本文基于CLA算法對耕地與種子進行匹配，分別針對種子和耕地的不同需求，得出不同的滿意度。本文演算是在Eclipse Enterprise Workbench Version：2014 JDK 1.7上進行的，其系統運行環境為WIN7旗艦版X64位。

設有9塊耕地和9種農作物，其算法參數如表2所示。

表2 運算參數

表中，平均生長率和衰減率r用來衡量農作物生長狀況，是土地養分函數；環境回報率f用來描述土地與農作物之間的關系，是作物養分函數；環境回報率Tf與迭代解的個數L相輔，Tf的快慢決定迭代收斂速度的快慢。

5.2 演算結果及分析

在本節中，滿意度D是針對兩個方面：不同種子對不同耕地的滿意度D1和不同耕地對不同種子的滿意度D2。其結果如表3和表4所示。

表3 不同種子對不同耕地的滿意度D1

表4 不同耕地對不同種子的滿意度D2

由表3和表4可以看出，9塊耕地與9類農作物的匹配滿意度D1和D2有明顯的差異，農作物與耕地之間存在互選的關系。例如，一號耕地對第3類和第5類種子滿意度最高，但第3類種子對一號耕地的滿意度低于第5類種子，所以，一號耕地和第5類種子為最佳匹配。由此，當D1和D2同時達到最優時，雙方匹配成功，其結果如表5所示。

在多養分CLA中，由于多種因素制約農作物生長，且多種養分之間不存在比較，使得種子與耕地之間的雙向選擇容易進行。相比單一養分CLA，多養分CLA能更好地滿足農作物與耕地之間的匹配。

表5 最優解

6 結束語

本文通過對不同種子與不同耕地進行信息收集，其次利用雙邊匹配算法進行不同種子與不同地域的適宜匹配，最后，通過實驗演算及分析來檢驗匹配結果。本文一方面能對種子進行信息處理以及對不同地域的信息進行采集分析；另一方面針對不同種子與不同地域之間的適宜匹配進行設計，為人們選取適宜的種子提供了方便。本文方案致力于提高農作物產量，并削弱耕地與農作物產量生產之間的制衡關系，為農業種子選取、投放提供便利。本文對物聯網環境下種子的存儲問題并沒有做深入研究，這將是種子問題下一步研究工作的重點。

[1]張偉.面向精細農業的無線傳感器網絡關鍵技術研究[D].杭州：浙江大學，2013.

[2]孫德才，王曉霞.一種支持多種子近似串匹配的q-gram索引[J].計算機科學，2014，41（9）：279-284.

[3]Yang Wei，Li Mingzan，Wang Xiu.Status quo and progress of data transmission and communication technology in field information acquisition[J].Transactions of the CSAE，2008，24（5）：297-301.

[4]焦彩菊，翟海翔.物聯網技術在農業信息化中的應用[J].現代農業科技，2013（1）：337-340.

[5]熊麗萍.基于無線傳感器網絡的農田土壤溫濕度檢測[J].電子世界，2014（10）：60.

[6]孫忠富，杜克明，尹首一.物聯網發展趨勢與農業應用展望[J].農業網絡信息，2010（5）：5-8.

[7]Nava S，Tangorra F M，Beretta E，et al.Study and development of an integrated automatic traceability system for the bovine meat chain[C]//Proceedings of 7th World Congress on Computers in Agriculture and Natural Resources，2009：367-376.

[8]Tao Y，Geng S，Lian H.Temperature tag based onactive RFID[C]//Proceedings of 2010 Global Conference on Digital Design and Manufacturing Technology，Hangzhou，China，2010：387-391.

[9]Lhomme J P，Chehbouni A.Comments on dual-source vegetation-atmosphere transfer models[J].Agricultural&Forest Meteorology，1999，94（3/4）：269-273.

[10]Vetter H，Karantininis K.Moral hazard，vertical integration，and public monitoring in credence goods[J].European Review of Agricultural Economics，2002，29（2）：271-279.[11]Sebastien P，Daniel S.Traceability，liability and incentives for food safety and quality[J].American Journal of Agricultural Economics，2008，90（1）：15-27.

[12]張恩迪，張佳銳.基于物聯網的農業蟲害智能監控系統[J].農機化研究，2015，37（5）：229-234.

[13]Regattieri A，Gamberi M，Manzini R.Traceability of food products：General framework and experimental evidence[J].Journal of Food Engineering，2007，81（2）：347-356.

[14]劉思峰，謝乃明.灰色系統理論及其應用[M].北京：科學出版社，2013：38-172.

[15]Gonda L，Cugnasca C E.A proposal of greenhouse control using wireless sensor networks[C]//Proceedings of the 4th World Congress Conference on Computers in Agriculture and Natural Resources，Orlando，FL，USA，2006．

[16]汪定偉.電子中介的多目標交易匹配問題及其優化方法[J].信息系統學報，2007（1）：102-109.