CN101953287A - 基于多数据的作物需水检测系统及检测方法 - Google Patents

Abstract

本发明公开了一种基于多数据的作物需水检测系统，包括：数据检测单元，用于实时检测并采集作物生长信息；无线传输单元，用于将所述生长信息传输到数据融合处理单元；数据融合处理单元，用于融合处理生长信息中的不同数据，并得出作物是否需水决策信息；决策信息发布单元，用于发布所述作物是否需水决策信息；还公开了一种基于多数据的作物需水检测方法，本发明能够对作物进行快速地动态监测，并对作物需水状态作出准确判断。

Description

基于多数据的作物需水检测系统及检测方法

技术领域

本发明涉及农业信息技术领域，特别涉及一种基于多数据的作物需水检测系统及检测方法。

背景技术

无线传感器网络(Wireless Sensor Network，WSN)能够通过各类传感器实时监测、感知和采集网络分布区的环境或监测对象的信息，并通过无线的方式接收发送信息，以自组织多跳路由的网络方式传送到用户终端，同时还具有简单的数据处理和控制功能^[1]。无线传感器网络为农业各领域的信息采集与处理提供了崭新的思路和有力手段，由于农业生产覆盖区域很大，需要由大量传感器节点构成监控网络来采集土壤湿度、氮元素浓度、pH值、降雨量、空气温湿度和气压、作物叶温、作物叶片含水量、作物茎流及作物茎杆直径等信息^[2][3][4][5]。

根据作物缺水信息实施精量灌溉控制是提高水的利用率和生产效率的重要途径之一^[6]。利用无线传感器网络及多种传感器可实时地监测农田环境及作物生理生态因子，但综合利用这些指标来进行水分管理需要进行数据融合。多传感器数据融合是将从同一目标获得的多组传感器数据进行多级别、多方面、多层次的处理和组合，产生新的有意义的信息。现有基于统计融合的方法，如Bayes融合必须要求数据符合正态分布^[7]，BP人工神经网络训练时间长且容易局部最小而不收敛^[8]，都会导致决策数据不准确，而其他方法运行时间长无法满足实时要求。因此，针对来自无线传感器网络的各种异质传感器的大量数据进行融合一直是研究和应用难点。

以上提到的现有技术的参考文献如下：

[1]李善仓，张克旺.无线传感器网络原理与应用[M].机械工业出版社.2008；

[2]Morais R，Fernandes MA.，Matos SG，et al.A ZigBee multi-powered wireless acquisition device for remote sensing applications in precision viticulture[J].Computers and electronics in agriculture 2008，62：94-106；

[3]J.A.Lopez Riquelmea，F.Sotoa etc，Wireless Sensor Networks for precision horticulture in Southern[J]Spain.Computers and Electronics in Agriculture 2009，68：25-35；

[4]石军锋，马永昌，陈建一种基于无线传感器网络的温室WEB监控系统[J]农机化研究2009，5：76-79；

[5]韩华锋，杜克明，孙忠富等基于ZigBee网络的温室环境远程监控系统设计与应用[J]农业工程学报2009，25(7)：158-163；

[6]刘九庆 植物需水状况的精密诊断分析技术[J]森林工程2004，5(20)：22-24；

[7]慕春棣，戴剑彬，叶俊 用于数据挖掘的贝叶斯网络 软件学报2000，11(5)：660-666；

[8]孙炎珺，宋苏 训练样本中扰动因素对BP学习算法影响的机理分析 电机与控制学报 2004，8(3)：271-274。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何长期、实时、准确地检测农作物的需水状态并作出决策。

(二)技术方案

一种基于多数据的作物需水检测系统，包括：

数据检测单元，用于实时检测并采集作物生长信息，所述作物生长信息包括：作物茎流、作物叶温、作物水分含量和土壤水分含量；

无线传输单元，用于将所述作物生长信息传输到数据融合处理单元；

数据融合处理单元，用于融合处理作物生长信息中的不同数据，并得到作物是否需水决策信息，并将该作物是否需水决策信息发送给决策信息发布单元；

决策信息发布单元，用于发布所述作物是否需水决策信息。

其中，所述数据检测单元包括：若干终端采集器，路由器和至少一个协调器，所述终端采集器无线连接所述路由器，所述路由器无线连接所述协调器，所述协调器连接无线传输单元，所述终端采集器用于将采集到的作物生长信息通过路由器传输到协调器。

其中，所述终端采集器和路由器分别包括：传感器底座及固定在所述传感器底座上的无线收发模块和传感器，所述传感器包括：作物茎流传感器、红外叶温传感器、作物水分传感器和土壤水分传感器。

其中，所述无线传输单元包括GPRS模块或wifi模块。

一种基于多数据的作物需水检测方法，包括以下步骤：

S1：实时检测并采集作物生长信息，包括：作物茎流、作物叶温、作物水分含量和土壤水分含量；

S2：对作物茎流、作物叶温、作物水分含量和土壤水分含量的历史样本数据集进行学习，并对实时采集的作物茎流、作物叶温、作物水分含量和土壤水分含量数据进行融合处理，判断作物的需水状态，并根据所述需水状态作出作物是否需水决策信息；

S3：发布所述作物是否需水决策信息。

其中，所述步骤S2中进行学习和融合处理的方法为贝叶斯判别方法，公式如下：

Y_lj＝x′∑(μ_l-μ_j)-(μ_l-μ_j)′∑^-1(μ_l+μ_j)/2

R_l＝{x|Y_lj＞ln(q_j/q_l)，j＝1，2...，k；j≠l，l＝1，2，...k}

其中，

矩阵x′中的元素x′_ef＝1/N_m∑a_m，(m＝1，2，3，4)为样本矩阵中第f+1类需水类别第e+1种传感器数值的均值，其中a₁为植物茎流传感器的数值，a₂为红外叶片温度传感器的数值，a₃为植物水分传感器的数值，a₄为土壤水分传感器的数值，∑为学习集样本协差阵，∑^-1为学习集样本协差阵的逆矩阵，μ_l为第l类学习集样本样本均值向量，μ_j为第j类学习集样本样本均值向量，k为类标签总数，q_j为第j类学习集样本的先验概率，q_j为第j类学习集样本的先验概率，R_l为通过贝叶斯判别方法预测得到的作物需水状态类别。

其中，所述步骤S2中进行学习和融合处理方法为微软决策树方法，在进行融合处理前，首先通过AMO编程接口来建立关于微软决策树方法的数据挖掘结构和数据挖掘模型，数据挖掘模型中的传感器值标识列作为数据挖掘模型的主键，四种传感器数值作为数据挖掘模型的输入列，作物需水状态类别作为预测列，然后通过微软决策树方法对输入的历史数据进行学习以构建决策树，最后来获取新数据的融合结果。

其中，所述步骤S2中进行学习和融合处理方法为脉冲耦合神经网络方法，公式如下：

$F_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_F}{F}_{\mathrm{ij}}(n-1)+V_F\underset{\mathrm{kl}}{\mathrm{\Σ}}{M}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)+S_{\mathrm{ij}}$

$L_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_L}{L}_{\mathrm{ij}}(n-1)+V_L\underset{\mathrm{kl}}{\mathrm{\Σ}}{W}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)$

U_ij(n)＝F_ij(n)(1+βL_ij(n))

$Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{U}_{\mathrm{ij}}\left(n\right)>E_{\mathrm{ij}}(n-1)\\ 0,& \mathrm{else}\end{array}\right.$

$E_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_E}{E}_{\mathrm{ij}}(n-1)+V_E{Y}_{\mathrm{ij}}\left(n\right)$

$C=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Count}(Y_{\mathrm{ij}}\left(n\right)==1)$

其中α_L、V_L、β、α_E、V_E、α_F和V_F均为脉冲耦合神经网络参数，矩阵F_ij为反馈输入矩阵，M_ij，kl和W_ij，kl均为连接权矩阵，L_ij为连接输入矩阵，U_ij为内部激励矩阵，Y_ij为点火输出矩阵，E_ij为阈值矩阵，C为点火次数，N为迭代次数，S_ij为包含生长数据值的矩阵：

$S_{\mathrm{ij}}=\left[\begin{array}{ccc}0& a_1& 0\\ a_2& 0& a_3\\ 0& a_4& 0\end{array}\right]$

其中，a₁为作物茎流数值，a₂为叶片温度数值，a₃为作物水分含量数值，a₄为土壤水分含量数值，迭代N次后，汇总点火次数，以获取特征值，判别函数采用欧式距离判别，公式为：

$m=\min \stackrel{R_s}{\mathrm{\Σ}}\sqrt{{(C_t-C_s)}^2}$

其中，C_t为待预测数据的特征值，C_s为第s类的特征集合R_s中的元素，m为通过脉冲耦合神经网络方法预测得到的作物需水状态类别。

其中，在融合处理时还包括以动态曲线显示作物的生长数据，当采集到一条数据时将整条曲线向左平移一个单位，并将本条数据的曲线添加到曲线的最右端。

(三)有益效果

本发明的系统采用低功耗的多个传感器获取作物生长数据，采用脉冲耦合神经网络和其它多种数据融合处理方法对实时数据进行融合处理以检测需水状态，并作出决策，能够对作物进行快速地动态监测，并对作物需水状态作出准确判断，本发明的检测系统响应小于20秒，使用方便，稳定可靠，专一性强，适合于现场长期监测。

附图说明

图1是本发明实施例的一种基于多数据的作物需水检测系统结构示意图；

图2是图1中终端采集器和路由器的结构示意图；

图3是图1中的各单元所处的网络构成的网络结构图；

图4是本发明实施例的一种基于多数据的作物需水检测方法流程图；

图5是图4步骤S402中一种数据融合处理方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，为本发明的基于多数据的作物需水检测系统结构示意图，包括：

数据检测单元1，用于实时检测并采集作物生长信息(作物茎流、叶温、作物水分含量和土壤水分含量)。其中包括：若干终端采集器11，路由器12和至少一个协调器13，协调器13连接无线传输单元2，终端采集器11用于将采集到的作物生长信息通过路由器11传输到协调器13。其中，如图2所示，终端采集器11和路由器12由传感器底座112及固定在其上的无线收发模块111和传感器组成，传感器包括四种传感器：作物茎流传感器113、红外叶温传感器114、作物水分传感器115和土壤水分传感器116，分别用来采集作物的茎流、叶片温度、作物水分含量和土壤水分含量。无线收发模块111将采集到的作物生长数据统一发给协调器13，由协调器13将这些数据传输到无线传输单元2。为了较好的进行无线传输，将终端采集器11，路由器12和协调器13置于离地面1米左右的高度。

远程无线传输单元2，用于将所述生长信息传输到数据融合处理单元3，无线传输单元包括GPRS模块或wifi模块等可以进行远程无线传输的设备。

数据融合处理单元3，用于融合处理生长信息中的不同数据，并得到作物是否需水决策信息。具体以作物茎流、叶片温度、作物水分含量和土壤水分含量共同来表征作物的需水状态，需水状态为需水、需水临界、不需水，其中，需水临界界于作物需水与不需水之间的一种状态，在此状态下若浇水则作物将转变到不需水状态，若及时不浇水则将转变到需水状态。

决策信息发布单元4，用于发布所述作物是否需水决策信息。

如图3所示，本实施例中，上述数据检测单元1、无线传输单元2、数据融合处理单元3和决策信息发布单元4位于不同的网络中。数据检测单元1的若干终端采集器11，路由器12和协调器13构成了一个无线传感网络301。无线传输单元2使用GPRS模块，位于GPRS无线网络中。数据融合处理单元3和决策信息发布单元4位于传统的Internet中，数据融合处理单元3具体为数据融合处理服务器，决策信息发布单元4具体为数据库服务器，决策信息保存在数据库服务器中，并在网络上进行发布，客户端3022通过Internet即可访问到决策信息。无线传感网络中的终端采集器具有低功耗的特点，以最大程度地提升终端采集器的工作生命周期，它能在正常模式、轻度休眠模式和中度休眠模式三种工作模式下工作。在数据采集间隔期进入轻度休眠模式或中度休眠模式工作，休眠时间为3秒。整个无线传感器网络采集到的数据通过GPRS模块无线传输到数据处理融合服务器，传输时，设计一个统一的数据包格式，它包括以下信息：1字节的数据包头、2字节的无线传感器网络节点(终端采集器11)应用编号、2字节的无线传感器网络节点网络地址、2字节的无线传感器网络节点父节点(路由器12)地址、1字节的无线传感器网络节点设备类型、8字节的数据缓冲区和1字节的数据包尾。传输到数据处理融合服务器的数据经融合处理后存储中数据块服务器中以供下载。

利用图1中的基于多数据的作物需水检测系统的作物需水检测方法包括以下步骤，如图4所示：

步骤S401，实时检测并采集作物生长数据，包括：作物茎流、作物叶温、作物水分含量和土壤水分含量。采集后，这些数据通过无线GPRS网络被传送到数据处理融合服务器。

步骤S402，对作物茎流、作物叶温、作物水分含量和土壤水分含量的历史样本数据集进行学习，并对所述实时采集的作物茎流、作物叶温、作物水分含量和土壤水分含量数据进行融合处理，得到判断作物的需水状态，并根据所述需水状态作出作物是否需水决策信息。融合处理时还包括以动态曲线显示作物的生长数据，当采集到一条数据时将整条曲线向左平移一个单位，并将本条数据的曲线添加到曲线的最右端。

步骤S403，发布作物是否需水决策信息。将决策信息存储到数据库服务器，并在因特网上发布，以供用户下载。

在步骤S402中，包括多种进行学习和融合处理方法，具体有以下三种：

贝叶斯判别方法，公式如下：

Y_lj＝x′∑(μ_l-μ_j)-(μ_l-μ_j)′∑^-1(μ_l+μ_j)/2

R_l＝{x|Y_lj＞ln(q_j/q_l)，j＝1，2...，k；j≠l，l＝1，2，...k}

其中，

矩阵x′中的元素x′_ef＝1/N_m∑a_m，(m＝1，2，3，4)为样本矩阵中第f+1类需水类别第e+1种传感器数值(样本特征)的均值，本实施例中a₁为植物茎流传感器的数值，a₂为红外叶片温度传感器的数值，a₃为植物水分传感器的数值，a₄为土壤水分传感器的数值，∑为样本协差阵，∑^-1为样本协差阵的逆矩阵，μ_l为第l类学习集样本样本均值向量，μ_j为第j类学习集样本样本均值向量，k为类标签总数，q_j为第j类学习集样本的先验概率，q_j为第j类学习集样本的先验概率，R_l为通过贝叶斯判别方法预测得到的作物需水状态类别(需水、需水临界、不需水)。

决策树方法，它集成于SQL Server Business Intelligence数据挖掘软件中，在进行融合处理前，首先通过AMO编程接口来建立关于微软决策树方法的数据挖掘结构和数据挖掘模型(传感器值标识列，茎流数值列，叶片温度列，作物水分含量数值列，土壤水分含量数值列，作物需水状态类别列)，其中，传感器值标识列作为数据挖掘模型的主键，四种传感器数值作为数据挖掘模型的输入列，作物需水状态类别作为预测列，然后通过微软决策树方法对输入的历史数据进行学习以构建决策树，最后来获取新数据的融合结果。

本发明改进了脉冲耦合神经网络方法，公式如下：

$F_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_F}{F}_{\mathrm{ij}}(n-1)+V_F\underset{\mathrm{kl}}{\mathrm{\Σ}}{M}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)+S_{\mathrm{ij}}$

$L_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_L}{L}_{\mathrm{ij}}(n-1)+V_L\underset{\mathrm{kl}}{\mathrm{\Σ}}{W}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)$

U_ij(n)＝F_ij(n)(1+βL_ij(n))

$Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{U}_{\mathrm{ij}}\left(n\right)>E_{\mathrm{ij}}(n-1)\\ 0,& \mathrm{else}\end{array}\right.$

$E_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_E}{E}_{\mathrm{ij}}(n-1)+V_E{Y}_{\mathrm{ij}}\left(n\right)$

$C=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Count}(Y_{\mathrm{ij}}\left(n\right)==1)$

其中α_L＝1.0，α_E＝1.0，α_F＝0.1，V_F＝0.5，V_L＝0.2，V_E＝100，β＝0.1，

此时S_ij(i＝0，1，2；j＝0，1，2)为传感器的数值，本实施例中a₁为植物茎流传感器的数值，a₂为红外叶片温度传感器的数值，a₃为植物水分传感器的数值，a₄为土壤水分传感器的数值，对一组四个传感器数据即每个输入矩阵S_ij运行一次网络，迭代共N＝30次，汇总点火次数(即Y中含“1”的个数)，以获取特征值。其判别函数采用欧式距离判别为：

$m=\min \stackrel{R_j}{\mathrm{\Σ}}\sqrt{{(C_t-C_j)}^2}$

其中，C_t为待预测数据的特征值，C_s为第s类的特征集合R_S中的元素，m为通过脉冲耦合神经网络方法预测得到的作物需水状态类别。其预测判定流程如图5所示：首先利用传感器数据构造输入矩阵S_ij，然后迭代N次标准的脉冲耦合神经网络，在迭代计算过程中，统计每次迭代过程中神经元点火次数，并作累加和，即将N维的传感器数据降为1维的神经网络点火次数。同样，对样本学习集的每条传感器数据做如上所述计算，得到每类样本的点火次数集合。最后将待预测数据所得到的点火次数和每类样本的点火次数集合做欧式距离计算，距离值最小类别即为通过修改的脉冲耦合神经网络方法得到的预测结果。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (9)

1.一种基于多数据的作物需水检测系统，其特征在于，包括：

数据检测单元，用于实时检测并采集作物生长信息，所述作物生长信息包括：作物茎流、作物叶温、作物水分含量和土壤水分含量；

无线传输单元，用于将所述作物生长信息传输到数据融合处理单元；

数据融合处理单元，用于融合处理作物生长信息中的不同数据，并得到作物是否需水决策信息，并将该作物是否需水决策信息发送给决策信息发布单元；

决策信息发布单元，用于发布所述作物是否需水决策信息。

2.如权利要求1所述的基于多数据的作物需水检测系统，其特征在于，所述数据检测单元包括：若干终端采集器，路由器和至少一个协调器，所述终端采集器无线连接所述路由器，所述路由器无线连接所述协调器，所述协调器连接无线传输单元，所述终端采集器用于将采集到的作物生长信息通过路由器传输到协调器。

3.如权利要求2所述的基于多数据的作物需水检测系统，其特征在于，所述终端采集器和路由器分别包括：传感器底座及固定在所述传感器底座上的无线收发模块和传感器，所述传感器包括：作物茎流传感器、红外叶温传感器、作物水分传感器和土壤水分传感器。

4.如权利要求1～3中任一项所述的基于多数据的作物需水检测系统，其特征在于，所述无线传输单元包括GPRS模块或wifi模块。

5.一种基于多数据的作物需水检测方法，其特征在于，包括以下步骤：

S1：实时检测并采集作物生长信息，包括：作物茎流、作物叶温、作物水分含量和土壤水分含量；

S2：对作物茎流、作物叶温、作物水分含量和土壤水分含量的历史样本数据集进行学习，并对实时采集的作物茎流、作物叶温、作物水分含量和土壤水分含量数据进行融合处理，判断作物的需水状态，并根据所述需水状态作出作物是否需水决策信息；

S3：发布所述作物是否需水决策信息。

6.如权利要求5所述的基于多数据的作物需水检测方法，其特征在于，所述步骤S2中进行学习和融合处理的方法为贝叶斯判别方法，公式如下：

Y_lj＝x′∑(μ_l-μ_j)-(μ_l-μ_j)′∑^-1(μ_l+μ_j)/2

R_l＝{x|Y_lj＞ln(q_j/q_l)，j＝1，2...，k；j≠l，l＝1，2，...k}

其中，

矩阵x′中的元素x′_ef＝1/N_m∑a_m，(m＝1，2，3，4)为样本矩阵中第f+1类需水类别第e+1种传感器数值的均值，其中a₁为植物茎流传感器的数值，a₂为红外叶片温度传感器的数值，a₃为植物水分传感器的数值，a₄为土壤水分传感器的数值，∑为学习集样本协差阵，∑^-1为学习集样本协差阵的逆矩阵，μ_l为第l类学习集样本样本均值向量，μ_j为第j类学习集样本样本均值向量，k为类标签总数，q_j为第j类学习集样本的先验概率，q_j为第j类学习集样本的先验概率，R_l为通过贝叶斯判别方法预测得到的作物需水状态类别。

7.如权利要求5所述的基于多数据的作物需水检测方法，其特征在于，所述步骤S2中进行学习和融合处理方法为微软决策树方法，在进行融合处理前，首先通过AMO编程接口来建立关于微软决策树方法的数据挖掘结构和数据挖掘模型，数据挖掘模型中的传感器值标识列作为数据挖掘模型的主键，四种传感器数值作为数据挖掘模型的输入列，作物需水状态类别作为预测列，然后通过微软决策树方法对输入的历史数据进行学习以构建决策树，最后来获取新数据的融合结果。

8.如权利要求5所述的基于多数据的作物需水检测方法，其特征在于，所述步骤S2中进行学习和融合处理方法为脉冲耦合神经网络方法，公式如下：

$F_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_F}{F}_{\mathrm{ij}}(n-1)+V_F\underset{\mathrm{kl}}{\mathrm{\Σ}}{M}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)+S_{\mathrm{ij}}$

$L_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_L}{L}_{\mathrm{ij}}(n-1)+V_L\underset{\mathrm{kl}}{\mathrm{\Σ}}{W}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)$

U_ij(n)＝F_ij(n)(1+βL_ij(n))

$Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{U}_{\mathrm{ij}}\left(n\right)>E_{\mathrm{ij}}(n-1)\\ 0,& \mathrm{else}\end{array}\right.$

$E_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_E}{E}_{\mathrm{ij}}(n-1)+V_E{Y}_{\mathrm{ij}}\left(n\right)$

$C=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Count}(Y_{\mathrm{ij}}\left(n\right)==1)$

其中α_L、V_L、β、α_E、V_E、α_F和V_F均为脉冲耦合神经网络参数，矩阵F_ij为反馈输入矩阵，M_ij，kl和W_ij，kl均为连接权矩阵，L_ij为连接输入矩阵，U_ij为内部激励矩阵，Y_ij为点火输出矩阵，E_ij为阈值矩阵，C为点火次数，N为迭代次数，S_ij为包含生长数据值的矩阵：

$S_{\mathrm{ij}}=\left[\begin{array}{ccc}0& a_1& 0\\ a_2& 0& a_3\\ 0& a_4& 0\end{array}\right]$

其中，a₁为作物茎流数值，a₂为叶片温度数值，a₃为作物水分含量数值，a₄为土壤水分含量数值，迭代N次后，汇总点火次数，以获取特征值，判别函数采用欧式距离判别，公式为：

$m=\min \stackrel{R_s}{\mathrm{\Σ}}\sqrt{{(C_t-C_s)}^2}$

其中，C_t为待预测数据的特征值，C_s为第s类的特征集合R_s中的元素，m为通过脉冲耦合神经网络方法预测得到的作物需水状态类别。

9.如权利要求5所述的基于多数据的作物需水检测方法，其特征在于，在融合处理时还包括以动态曲线显示作物的生长数据，当采集到一条数据时将整条曲线向左平移一个单位，并将本条数据的曲线添加到曲线的最右端。

Images