基于人工神經(jīng)網(wǎng)絡(luò)的貴州省馬鈴薯智慧農(nóng)業(yè)可視化預(yù)測(cè)系統(tǒng)設(shè)計(jì)

中圖分類號(hào)：TP183；S126 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-7909（2025）11-143-8

DOI:10.19345/j.cnki.1674-7909.2025.11.031

0 引言

貴州省位于我國(guó)西南地區(qū)，具有獨(dú)特的喀斯特地貌與亞熱帶溫濕氣候條件，非常適宜種植馬鈴薯。然而，當(dāng)?shù)伛R鈴薯生產(chǎn)中存在種植效率低下、產(chǎn)量估算不準(zhǔn)確等問(wèn)題。這些問(wèn)題主要源于農(nóng)戶在種植管理過(guò)程中缺乏科學(xué)指導(dǎo)，過(guò)度依賴個(gè)人經(jīng)驗(yàn)。為有效解決上述問(wèn)題，筆者在充分了解當(dāng)?shù)貧夂颦h(huán)境、土壤條件及馬鈴薯種植實(shí)際情況的基礎(chǔ)上，構(gòu)建了一套能夠精準(zhǔn)預(yù)測(cè)馬鈴薯生長(zhǎng)趨勢(shì)與產(chǎn)量水平的智慧農(nóng)業(yè)預(yù)測(cè)系統(tǒng)。

1 國(guó)內(nèi)外研究現(xiàn)狀

1.1 國(guó)內(nèi)研究現(xiàn)狀

在國(guó)內(nèi)，智慧農(nóng)業(yè)的發(fā)展取得了顯著成效，尤其在農(nóng)業(yè)信息化與智能化領(lǐng)域[。我國(guó)積極推動(dòng)智慧農(nóng)業(yè)技術(shù)在農(nóng)業(yè)生產(chǎn)各環(huán)節(jié)的應(yīng)用，包括作物生長(zhǎng)情況監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)及生態(tài)評(píng)估等方面[2]。貴州省作為傳統(tǒng)農(nóng)業(yè)大省，在智慧農(nóng)業(yè)的發(fā)展道路上積極探索，并取得了諸多成效。其中，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在農(nóng)業(yè)精準(zhǔn)預(yù)測(cè)方面具有重要價(jià)值。例如，國(guó)內(nèi)有研究結(jié)合神經(jīng)網(wǎng)絡(luò)模型，改進(jìn)隱含層激活函數(shù)，將馬鈴薯產(chǎn)量的預(yù)測(cè)誤差從傳統(tǒng)方法的 18% 降至12%^[3] 。然而，國(guó)內(nèi)智慧農(nóng)業(yè)在發(fā)展過(guò)程中仍存在一些問(wèn)題，如部分智慧農(nóng)業(yè)系統(tǒng)的操作界面專業(yè)術(shù)語(yǔ)過(guò)多、專業(yè)人才匱乏、基礎(chǔ)設(shè)施不完善等[4]。這些問(wèn)題在一定程度上限制了智慧農(nóng)業(yè)技術(shù)的推廣與應(yīng)用[5]。

1.2 國(guó)外研究現(xiàn)狀

國(guó)外智慧農(nóng)業(yè)發(fā)展較為迅速，尤其是歐美國(guó)家有比較完整的技術(shù)體系。經(jīng)營(yíng)者通過(guò)連接物聯(lián)網(wǎng)設(shè)備、運(yùn)用大數(shù)據(jù)和人工智能等技術(shù)，提高了預(yù)測(cè)模型的準(zhǔn)確率和泛化能力，從而對(duì)農(nóng)業(yè)生產(chǎn)進(jìn)行精準(zhǔn)監(jiān)測(cè)和控制。

2系統(tǒng)相關(guān)技術(shù)及工具

2.1 IDEA集成開(kāi)發(fā)環(huán)境

IDEA的全稱是IntelliJIDEA，是JetBrains公司推出的一款Java集成開(kāi)發(fā)軟件。該軟件可以實(shí)現(xiàn)Java項(xiàng)目的代碼編寫(xiě)、代碼調(diào)試和代碼版本管理等，具有智能代碼提示功能，適合團(tuán)隊(duì)協(xié)作開(kāi)發(fā)場(chǎng)景。

2.2 MySQL數(shù)據(jù)庫(kù)

MySQL數(shù)據(jù)庫(kù)是一個(gè)開(kāi)源的關(guān)系型數(shù)據(jù)庫(kù)管理系統(tǒng)，它使用結(jié)構(gòu)化查詢語(yǔ)言(SQL)來(lái)管理數(shù)據(jù)。MySQL數(shù)據(jù)庫(kù)是開(kāi)源免費(fèi)的，運(yùn)行穩(wěn)定，可以存儲(chǔ)作物生長(zhǎng)數(shù)據(jù)，用來(lái)管理種植環(huán)境參數(shù)、用戶信息等結(jié)構(gòu)化數(shù)據(jù)。

2.3 Navicat管理工具

Navicat是一款數(shù)據(jù)庫(kù)圖形化管理工具，可創(chuàng)建多種類型的數(shù)據(jù)庫(kù)，讓用戶可以同時(shí)管理，可以對(duì)數(shù)據(jù)進(jìn)行導(dǎo)入導(dǎo)出、備份恢復(fù)等管理操作，方便進(jìn)行跨庫(kù)數(shù)據(jù)遷移和表結(jié)構(gòu)優(yōu)化。

2.4Thymeleaf技術(shù)

Thymeleaf是一種基于Java的服務(wù)器端模板引擎，通過(guò)實(shí)現(xiàn)HTML頁(yè)面與后端數(shù)據(jù)的動(dòng)態(tài)綁定，有效簡(jiǎn)化前后端數(shù)據(jù)交互流程，提升網(wǎng)頁(yè)開(kāi)發(fā)效率。

2.5 Jdbc技術(shù)

Jdbc是JavaDatabaseConnectivity的縮寫(xiě)，即Java數(shù)據(jù)庫(kù)連接。它是Java連接MySQL數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)接口，用戶可以使用Jdbc讓Java程序訪問(wèn)MySQL，并且可以通過(guò)預(yù)編譯語(yǔ)句來(lái)執(zhí)行數(shù)據(jù)查詢和更新等操作，從而避免SQL注入問(wèn)題的發(fā)生。

2.6 Servlet技術(shù)

Servlet技術(shù)是一種運(yùn)行在Web服務(wù)器端的Java應(yīng)用程序，通過(guò)web.xm1文件實(shí)現(xiàn)不同請(qǐng)求的分發(fā)處理，配合過(guò)濾器完成用戶權(quán)限驗(yàn)證等。

3系統(tǒng)需求分析

3.1 可行性分析

系統(tǒng)可行性分析是對(duì)系統(tǒng)開(kāi)發(fā)是否具備可行性進(jìn)行全面評(píng)估的過(guò)程，涵蓋技術(shù)操作可行性、操作實(shí)踐可行性和運(yùn)行環(huán)境可行性分析。系統(tǒng)可行性需求分析如表1所示。

3.2功能性需求分析

系統(tǒng)功能性分析是對(duì)系統(tǒng)功能進(jìn)行全面評(píng)估的過(guò)程，確保系統(tǒng)運(yùn)行流暢及滿足用戶需求。系統(tǒng)功能性需求分析如表2所示。

3.3非功能性需求分析

非功能性分析是對(duì)系統(tǒng)除功能特性之外的各方面進(jìn)行評(píng)估，旨在確保系統(tǒng)功能完整、運(yùn)行穩(wěn)定、易于維護(hù)、數(shù)據(jù)安全得到保障，并為用戶提供良好的使用體驗(yàn)。系統(tǒng)非功能性需求分析如表3所示。

3.4系統(tǒng)主流程圖

該系統(tǒng)主流程圖如圖1所示。

3.5 系統(tǒng)主要用例圖

主系統(tǒng)包含管理端子系統(tǒng)和用戶端子系統(tǒng)。系統(tǒng)總體用例圖如圖2所示。

客戶端子系統(tǒng)由用戶進(jìn)行操作和使用，主要包括用戶登錄、用戶注冊(cè)、病蟲(chóng)害防治、產(chǎn)量預(yù)測(cè)、AI助手設(shè)置和數(shù)據(jù)可視化等模塊。客戶端子系統(tǒng)用例圖如圖3所示。

管理端子系統(tǒng)主要用于管理員進(jìn)行系統(tǒng)資源配置和相關(guān)維護(hù)工作，主要包括用戶管理、數(shù)據(jù)管理、產(chǎn)量預(yù)測(cè)、AI助手設(shè)置、可視化管理等模塊。管理端子系統(tǒng)用例圖如圖4所示。

3.6 系統(tǒng)總時(shí)序圖

系統(tǒng)時(shí)序圖用來(lái)描述系統(tǒng)中各個(gè)對(duì)象在時(shí)間上的交互順序和行為。該系統(tǒng)的總體時(shí)序圖如圖5所示。

4系統(tǒng)設(shè)計(jì)

4.1系統(tǒng)體系結(jié)構(gòu)

基于人工神經(jīng)網(wǎng)絡(luò)的貴州省馬鈴薯智慧農(nóng)業(yè)可視化預(yù)測(cè)系統(tǒng)所采用的架構(gòu)是B/S架構(gòu)，即瀏覽器和服務(wù)器架構(gòu)模式，它是對(duì)C/S架構(gòu)的一種優(yōu)化。在B/S架構(gòu)下，用戶通過(guò)瀏覽器訪問(wèn)系統(tǒng)。瀏覽器作為用戶和系統(tǒng)之間的橋梁，負(fù)責(zé)把用戶的請(qǐng)求發(fā)送到服務(wù)器上。系統(tǒng)B/S架構(gòu)如圖6所示。

4.2系統(tǒng)總體模塊層次圖

在明確系統(tǒng)開(kāi)發(fā)與設(shè)計(jì)的基礎(chǔ)上，分析得出馬鈴薯智慧農(nóng)業(yè)可視化預(yù)測(cè)系統(tǒng)總體模塊層次圖，如圖7所示。

馬鈴薯智慧農(nóng)業(yè)可視化預(yù)測(cè)系統(tǒng)的各功能模塊的具體說(shuō)明如表4至表7所示。

4.3系統(tǒng)數(shù)據(jù)庫(kù)邏輯結(jié)構(gòu)設(shè)計(jì)

根據(jù)上述關(guān)系模式說(shuō)明，得到數(shù)據(jù)庫(kù)邏輯結(jié)構(gòu)設(shè)計(jì)情況，如表8至表20所示。

5 系統(tǒng)實(shí)現(xiàn)設(shè)計(jì)

5.1核心算法說(shuō)明

在搭建貴州省馬鈴薯智慧農(nóng)業(yè)預(yù)測(cè)平臺(tái)時(shí)，選擇隨機(jī)森林回歸算法而不是LSTM算法，主要是因?yàn)殡S機(jī)森林回歸算法具有集成學(xué)習(xí)的特點(diǎn)。隨機(jī)森林回歸算法通過(guò)構(gòu)建多棵決策樹(shù)，將預(yù)測(cè)結(jié)果取平均值得出最終預(yù)測(cè)結(jié)果。這種方式能夠提高預(yù)測(cè)精度，降低過(guò)擬合風(fēng)險(xiǎn)。隨機(jī)森林回歸算法計(jì)算原理見(jiàn)式(1）。

式（1）中： hat{x} 是隨機(jī)森林對(duì)輸入 x 的預(yù)測(cè)值； T 是隨機(jī)森林中決策樹(shù)的數(shù)量； f_-t(x) 是第 t 棵決策 樹(shù)對(duì)輸入 x 的預(yù)測(cè)值。

5.2系統(tǒng)界面展示

基于人工神經(jīng)網(wǎng)絡(luò)的貴州省馬鈴薯智慧農(nóng)業(yè)可視化預(yù)測(cè)系統(tǒng)，采用Echarts可視化工具，可以通過(guò)不同圖形直觀展示貴州省各區(qū)域農(nóng)產(chǎn)品的種植規(guī)模和生長(zhǎng)狀況，同時(shí)還可以顯示馬鈴薯的產(chǎn)量預(yù)測(cè)、生長(zhǎng)趨勢(shì)等數(shù)據(jù)。

6 系統(tǒng)測(cè)試

6.1 測(cè)試方法

該研究主要通過(guò)黑盒測(cè)試對(duì)系統(tǒng)進(jìn)行檢查和驗(yàn)證，黑盒測(cè)試是功能測(cè)試的一種形式。功能測(cè)試的目的是保證系統(tǒng)的各個(gè)模塊功能正常，通過(guò)功能測(cè)試可以發(fā)現(xiàn)并找到系統(tǒng)中存在的缺陷和錯(cuò)誤。

6.2 測(cè)試用例說(shuō)明

6.2.1 用戶模塊測(cè)試用例

用戶模塊測(cè)試用例如表21所示。

6.2.2 可視化界面測(cè)試用例

可視化界面測(cè)試用例如表22所示。

6.2.3 后臺(tái)測(cè)試模塊用例

后臺(tái)模塊測(cè)試用例如表23所示。

6.2.4用戶管理測(cè)試用例

用戶管理測(cè)試用例如表24所示。

6.2.5 作物管理測(cè)試用例

作物管理測(cè)試用例如表25所示。

6.2.6馬鈴薯產(chǎn)量預(yù)測(cè)模型測(cè)試用例

馬鈴薯產(chǎn)量預(yù)測(cè)模型測(cè)試用例如表26所示。

6.3 測(cè)試結(jié)論

在此次系統(tǒng)測(cè)試中，共采用了6個(gè)測(cè)試用例，6個(gè)測(cè)試用例全部通過(guò)。此次系統(tǒng)測(cè)試結(jié)果表明，系統(tǒng)各主要功能模塊運(yùn)行正常，能夠滿足系統(tǒng)預(yù)期目標(biāo)，達(dá)到了交付使用的條件。

7系統(tǒng)未來(lái)部署示意

該系統(tǒng)的未來(lái)部署可根據(jù)現(xiàn)有的軟件架構(gòu)加以改良，既要考慮其擴(kuò)展性又要顧及穩(wěn)定性。該系統(tǒng)的客戶端與管理端主要通過(guò)B/S方式實(shí)現(xiàn)對(duì)數(shù)據(jù)的訪問(wèn)和事務(wù)性管理。系統(tǒng)未來(lái)部署示意圖如圖8。

在系統(tǒng)研發(fā)過(guò)程中，團(tuán)隊(duì)遇到了不少問(wèn)題。傳統(tǒng)的種植模式再加上地域的季節(jié)性差異，使采集數(shù)據(jù)的時(shí)效性和準(zhǔn)確率都不高。此外，深度學(xué)習(xí)模型復(fù)雜，參數(shù)不易調(diào)試，給系統(tǒng)的調(diào)試工作增加了難度。未來(lái)，將繼續(xù)優(yōu)化系統(tǒng)性能，拓展其功能應(yīng)用，為實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化貢獻(xiàn)力量。

參考文獻(xiàn)：

[1劉兵，韓雪，陳曉.貴州省發(fā)展智慧農(nóng)業(yè)的優(yōu)劣勢(shì)分析與前景展望[J.安徽農(nóng)業(yè)科學(xué)，2014，42(35):12585-12586.

[2]鄭浩巍，王煥華，盧少勇，等.基于人工神經(jīng)網(wǎng)絡(luò)模型的滄州市水生態(tài)承載力評(píng)估[J/OL].農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)(2025-02-18)[2025-04-27].http://kns.

cnki.net/kcms/detail/12.1437.S.20250218.0911.002.

html.

[3]馮靈清，劉琪芳，魯志紅.基于神經(jīng)網(wǎng)絡(luò)的馬鈴薯栽培環(huán)境調(diào)控預(yù)測(cè)模型研究J].計(jì)算機(jī)時(shí)代，2019（12）：19-22，27.

[4]張吉圭，陳敏，付江.一種基于物聯(lián)網(wǎng)的智慧農(nóng)業(yè)信息系統(tǒng)的設(shè)計(jì)研究[J.智慧農(nóng)業(yè)導(dǎo)刊，2021，1(11):23-25.

[5]雒旭康，丁晴，趙義茜，等.智慧農(nóng)業(yè)發(fā)展現(xiàn)狀、問(wèn)題及對(duì)策研究[J].南方農(nóng)機(jī)，2024，55(4):100-103，107.

[6]ALKHALEDYA，WANGY.Developinga robust yield prediction model for potatoes（Solanum tuberosum L.）using multi-faceted and multi-year data[J].Smart Agricultural Technology，2025，10: 100734.

Visual Forecasting System for Potato Smart Agriculture in Guizhou ProvinceBasedonArtificialNeuralNetwork

LU Jiayu LU Liang LIAO Shanglin ZHAO Qingtao HUANGQin

AnshunCollegeofAgriculture，Guizhou561ooo，China

Abstract: The rapid development of technology has led to the emergence of smart agriculture as a primary direction for modern farming.This approach primarily relies on technologies such as the Internet of Things (IoT)，big data，and AI algorithms to enhance monitoring and management efficiency inagricultural production，thereby improving agricultural productivity and product quality.Guizhou is one of China's major potato-producing regions; however，it faces significant challenges such as low yields and high production costs.This study employs artificial neural network technology，integrating various real-world data including climate and soil information from Guizhou，to developa specialized visual forecasting system for smart agriculture targeting potatoes.The system is built using the Django framework，combined witha B/Sarchitecture，Hadoop large scaleclusters，and ECharts visualizations.It applies random forest regression algorithms for dynamic forecasting of potato yields and growth trends while its AI assistant provides intelligent QA capabilities regarding pest and disease control measures affecting potatoes-thus supporting farmers'planting decisions.

Key words: Guizhou potato; smart agriculture; neural network; data visualization