基于人工神經網絡的貴州省馬鈴薯智慧農業可視化預測系統設計

中圖分類號：TP183；S126 文獻標志碼：A 文章編號：1674-7909（2025）11-143-8

DOI:10.19345/j.cnki.1674-7909.2025.11.031

0 引言

貴州省位于我國西南地區，具有獨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，當地馬鈴薯生產中存在種植效率低下、產量估算不準確等問題。這些問題主要源于農戶在種植管理過程中缺乏科學指導，過度依賴個人經驗。為有效解決上述問題，筆者在充分了解當地氣候環境、土壤條件及馬鈴薯種植實際情況的基礎上，構建了一套能夠精準預測馬鈴薯生長趨勢與產量水平的智慧農業預測系統。

1 國內外研究現狀

1.1 國內研究現狀

在國內，智慧農業的發展取得了顯著成效，尤其在農業信息化與智能化領域[。我國積極推動智慧農業技術在農業生產各環節的應用，包括作物生長情況監測、產量預測及生態評估等方面[2]。貴州省作為傳統農業大省，在智慧農業的發展道路上積極探索，并取得了諸多成效。其中，人工神經網絡技術在農業精準預測方面具有重要價值。例如，國內有研究結合神經網絡模型，改進隱含層激活函數，將馬鈴薯產量的預測誤差從傳統方法的 18% 降至12%^[3] 。然而，國內智慧農業在發展過程中仍存在一些問題，如部分智慧農業系統的操作界面專業術語過多、專業人才匱乏、基礎設施不完善等[4]。這些問題在一定程度上限制了智慧農業技術的推廣與應用[5]。

1.2 國外研究現狀

國外智慧農業發展較為迅速，尤其是歐美國家有比較完整的技術體系。經營者通過連接物聯網設備、運用大數據和人工智能等技術，提高了預測模型的準確率和泛化能力，從而對農業生產進行精準監測和控制。

2系統相關技術及工具

2.1 IDEA集成開發環境

IDEA的全稱是IntelliJIDEA，是JetBrains公司推出的一款Java集成開發軟件。該軟件可以實現Java項目的代碼編寫、代碼調試和代碼版本管理等，具有智能代碼提示功能，適合團隊協作開發場景。

2.2 MySQL數據庫

MySQL數據庫是一個開源的關系型數據庫管理系統，它使用結構化查詢語言(SQL)來管理數據。MySQL數據庫是開源免費的，運行穩定，可以存儲作物生長數據，用來管理種植環境參數、用戶信息等結構化數據。

2.3 Navicat管理工具

Navicat是一款數據庫圖形化管理工具，可創建多種類型的數據庫，讓用戶可以同時管理，可以對數據進行導入導出、備份恢復等管理操作，方便進行跨庫數據遷移和表結構優化。

2.4Thymeleaf技術

Thymeleaf是一種基于Java的服務器端模板引擎，通過實現HTML頁面與后端數據的動態綁定，有效簡化前后端數據交互流程，提升網頁開發效率。

2.5 Jdbc技術

Jdbc是JavaDatabaseConnectivity的縮寫，即Java數據庫連接。它是Java連接MySQL數據庫的標準接口，用戶可以使用Jdbc讓Java程序訪問MySQL，并且可以通過預編譯語句來執行數據查詢和更新等操作，從而避免SQL注入問題的發生。

2.6 Servlet技術

Servlet技術是一種運行在Web服務器端的Java應用程序，通過web.xm1文件實現不同請求的分發處理，配合過濾器完成用戶權限驗證等。

3系統需求分析

3.1 可行性分析

系統可行性分析是對系統開發是否具備可行性進行全面評估的過程，涵蓋技術操作可行性、操作實踐可行性和運行環境可行性分析。系統可行性需求分析如表1所示。

3.2功能性需求分析

系統功能性分析是對系統功能進行全面評估的過程，確保系統運行流暢及滿足用戶需求。系統功能性需求分析如表2所示。

3.3非功能性需求分析

非功能性分析是對系統除功能特性之外的各方面進行評估，旨在確保系統功能完整、運行穩定、易于維護、數據安全得到保障，并為用戶提供良好的使用體驗。系統非功能性需求分析如表3所示。

3.4系統主流程圖

該系統主流程圖如圖1所示。

3.5 系統主要用例圖

主系統包含管理端子系統和用戶端子系統。系統總體用例圖如圖2所示。

客戶端子系統由用戶進行操作和使用，主要包括用戶登錄、用戶注冊、病蟲害防治、產量預測、AI助手設置和數據可視化等模塊。客戶端子系統用例圖如圖3所示。

管理端子系統主要用于管理員進行系統資源配置和相關維護工作，主要包括用戶管理、數據管理、產量預測、AI助手設置、可視化管理等模塊。管理端子系統用例圖如圖4所示。

3.6 系統總時序圖

系統時序圖用來描述系統中各個對象在時間上的交互順序和行為。該系統的總體時序圖如圖5所示。

4系統設計

4.1系統體系結構

基于人工神經網絡的貴州省馬鈴薯智慧農業可視化預測系統所采用的架構是B/S架構，即瀏覽器和服務器架構模式，它是對C/S架構的一種優化。在B/S架構下，用戶通過瀏覽器訪問系統。瀏覽器作為用戶和系統之間的橋梁，負責把用戶的請求發送到服務器上。系統B/S架構如圖6所示。

4.2系統總體模塊層次圖

在明確系統開發與設計的基礎上，分析得出馬鈴薯智慧農業可視化預測系統總體模塊層次圖，如圖7所示。

馬鈴薯智慧農業可視化預測系統的各功能模塊的具體說明如表4至表7所示。

4.3系統數據庫邏輯結構設計

根據上述關系模式說明，得到數據庫邏輯結構設計情況，如表8至表20所示。

5 系統實現設計

5.1核心算法說明

在搭建貴州省馬鈴薯智慧農業預測平臺時，選擇隨機森林回歸算法而不是LSTM算法，主要是因為隨機森林回歸算法具有集成學習的特點。隨機森林回歸算法通過構建多棵決策樹，將預測結果取平均值得出最終預測結果。這種方式能夠提高預測精度，降低過擬合風險。隨機森林回歸算法計算原理見式(1）。

式（1）中： hat{x} 是隨機森林對輸入 x 的預測值； T 是隨機森林中決策樹的數量； f_-t(x) 是第 t 棵決策 樹對輸入 x 的預測值。

5.2系統界面展示

基于人工神經網絡的貴州省馬鈴薯智慧農業可視化預測系統，采用Echarts可視化工具，可以通過不同圖形直觀展示貴州省各區域農產品的種植規模和生長狀況，同時還可以顯示馬鈴薯的產量預測、生長趨勢等數據。

6 系統測試

6.1 測試方法

該研究主要通過黑盒測試對系統進行檢查和驗證，黑盒測試是功能測試的一種形式。功能測試的目的是保證系統的各個模塊功能正常，通過功能測試可以發現并找到系統中存在的缺陷和錯誤。

6.2 測試用例說明

6.2.1 用戶模塊測試用例

用戶模塊測試用例如表21所示。

6.2.2 可視化界面測試用例

可視化界面測試用例如表22所示。

6.2.3 后臺測試模塊用例

后臺模塊測試用例如表23所示。

6.2.4用戶管理測試用例

用戶管理測試用例如表24所示。

6.2.5 作物管理測試用例

作物管理測試用例如表25所示。

6.2.6馬鈴薯產量預測模型測試用例

馬鈴薯產量預測模型測試用例如表26所示。

6.3 測試結論

在此次系統測試中，共采用了6個測試用例，6個測試用例全部通過。此次系統測試結果表明，系統各主要功能模塊運行正常，能夠滿足系統預期目標，達到了交付使用的條件。

7系統未來部署示意

該系統的未來部署可根據現有的軟件架構加以改良，既要考慮其擴展性又要顧及穩定性。該系統的客戶端與管理端主要通過B/S方式實現對數據的訪問和事務性管理。系統未來部署示意圖如圖8。

在系統研發過程中，團隊遇到了不少問題。傳統的種植模式再加上地域的季節性差異，使采集數據的時效性和準確率都不高。此外，深度學習模型復雜，參數不易調試，給系統的調試工作增加了難度。未來，將繼續優化系統性能，拓展其功能應用，為實現農業現代化貢獻力量。

參考文獻：

[1劉兵，韓雪，陳曉.貴州省發展智慧農業的優劣勢分析與前景展望[J.安徽農業科學，2014，42(35):12585-12586.

[2]鄭浩巍，王煥華，盧少勇，等.基于人工神經網絡模型的滄州市水生態承載力評估[J/OL].農業資源與環境學報(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.基于神經網絡的馬鈴薯栽培環境調控預測模型研究J].計算機時代，2019（12）：19-22，27.

[4]張吉圭，陳敏，付江.一種基于物聯網的智慧農業信息系統的設計研究[J.智慧農業導刊，2021，1(11):23-25.

[5]雒旭康，丁晴，趙義茜，等.智慧農業發展現狀、問題及對策研究[J].南方農機，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