CN102819673A

CN102819673A - 一种多源灌溉信息融合方法及装置

Info

Publication number: CN102819673A
Application number: CN2012102616220A
Authority: CN
Inventors: 王景雷; 康绍忠; 孙景生; 陈智芳; 宋妮
Original assignee: Farmland Irrigation Research Institute of CAAS
Current assignee: Farmland Irrigation Research Institute of CAAS
Priority date: 2012-07-26
Filing date: 2012-07-26
Publication date: 2012-12-12
Anticipated expiration: 2032-07-26
Also published as: CN102819673B

Abstract

本发明公开了一种多源灌溉信息融合方法及装置，包括：获取不同类型不同来源的灌溉因子信息；将灌溉因子信息按照各自的属性进行分类；对每类不同来源的灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息；根据灌溉方式选取灌溉决策，构建多个融合灌溉因子信息对所述灌溉决策的识别框架；对所述融合灌溉因子信息进行决策级融合；依据决策级融合结果，输出灌溉决策结果。本发明既可以充分利用不同来源的灌溉信息，又可以考虑不同类型的灌溉信息对灌溉的影响程度，自动获得灌溉决策结果，避免人为的主观臆断和不确定性，提高灌溉决策的准确性和可靠性。

Description

一种多源灌溉信息融合方法及装置

技术领域

本申请涉及农业水土工程领域，更具体的说，涉及一种多源灌溉信息融合方法及装置。

背景技术

随着信息和测控技术的快速发展，可监测得到的用于进行灌溉决策的灌溉因子越来越多，获取灌溉因子信息的方式也日趋多样化。灌溉决策的主要灌溉因子信息可以利用传感器进行点状检测和/或利用遥感影像进行大尺度反演的方式快速方便地获取，同时灌溉决策也已经由传统的单一土壤水分指标向综合考虑气象、作物生理生化和土壤水分等影响灌溉决策的多指标方向转变。在进行多指标灌溉决策时，通过对比参考各灌溉因子信息的指标权重来决定灌溉水量。

然而，灌溉因子信息的指标权重的确定常常依靠专家经验来确定，具有主观臆断和不确定性，进而在利用灌溉因子信息的指标权重进行灌溉决策时，导致确定的灌溉决策存在不稳定性和不确定性。

发明内容

针对上述问题，本申请提供一种多源灌溉信息融合方法及装置，以解决现有技术中依靠专家经验来确定灌溉因子信息的指标权重，具有主观臆断和不确定性，进而在利用灌溉因子信息的指标权重进行灌溉决策时，导致确定的灌溉决策存在不稳定性和不确定性的问题。技术方案如下：

基于本申请的一方面，提供一种多源灌溉信息融合方法，应用于农田水利或农业灌溉中，包括：

获取不同类型不同来源的灌溉因子信息；

将灌溉因子信息按照各自的属性进行分类；

对每类不同来源的灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息；

根据灌溉方式选取灌溉决策，构建多个融合灌溉因子信息对所述灌溉决策的识别框架；

对所述融合灌溉因子信息进行决策级融合；

依据决策级融合结果，输出灌溉决策结果。

优选的，所述获取不同类型不同来源的灌溉因子信息包括：

根据不同的作物及作物的不同生育阶段选择所述不同类型的灌溉因子信息，其中所述灌溉因子信息包括：土壤水分、冠气温差、叶气温差、茎流、茎变差、光合、叶水势和气孔导度中的至少一个；

选取不同测定方式，测定不同类型的灌溉因子信息，其中测定方式包括定点（株）监测、遥感反演、根据灌溉相关原理和公式计算以及对历史数据再处理。

优选的，所述将灌溉因子信息按照各自的属性进行分类包括：

对所述灌溉因子信息进行预处理后，将灌溉因子信息按照各自的属性进行分类，其中，预处理包括：填补遗漏的数据值、平滑有噪声的数据值和识别除去异常值。

优选的，所述对每类不同来源的灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息包括：

分别对每类不同来源的灌溉因子信息进行空间配准，并将配准后的灌溉因子信息变换到同一投影坐标系下；

采用贝叶斯最大熵克立格方法对每类灌溉因子信息分别进行融合，以获得每类灌溉因子信息的融合灌溉因子信息。

优选的，所述根据灌溉方式选取灌溉决策构建多个融合灌溉因子信息对所述灌溉决策的识别框架包括：

根据灌溉方式选取灌溉决策，其中地面灌溉方式对应的灌溉决策包括灌溉和不灌溉；精细灌溉方式对应的灌溉决策包括灌很少水、灌少量水、灌水、灌较多水和灌很多水。

将每类灌溉因子信息的融合灌溉因子信息分别转换为对所述灌溉决策的支持程度；

依据所述支持程度构建多个融合灌溉因子信息对所述灌溉决策的识别框架，并为所述多个融合灌溉因子信息对所述识别框架分配基本概率函数m_ij，其中m_ij表示第i个所述灌溉因子信息对第j个所述灌溉决策的支持程度。

优选的，所述对融合灌溉因子信息进行决策级融合包括：

依据公式

计算不同类型的融合灌溉因子信息之间的冲突值；

判断所述冲突值是否小于预设值；

在所述冲突值小于预设值的情况下，应用现有的D-S证据理论合成规则对所述融合灌溉因子信息进行决策级融合；

在所述冲突值不小于预设值的情况下，应用改进的D-S证据理论合成规则对所述融合灌溉因子信息进行决策级融合。

优选的，所述应用改进的D-S证据理论合成规则对所述融合灌溉因子信息进行决策级融合包括：

依据公式计算所述融合灌溉因子信息对第j个灌溉决策的平均值，其中n为所述融合灌溉因子信息的数目；

依据公式

d_{i} = e^{- | m_{i_{1}} - {\overset{&OverBar;}{m}}_{1} |} + e^{- | m_{i 2} - {\overset{&OverBar;}{m}}_{2} |} + \cdot \cdot \cdot + e^{- | m_{im} - {\overset{&OverBar;}{m}}_{m} |}, i = 1,2, \cdot \cdot \cdot, n,

计算各所述融合灌溉因子信息到所述灌溉决策的平均值的距离，其中，m_im表示第i个所述融合灌溉因子信息对第m个所述灌溉决策的支持程度，

表示各所述融合灌溉因子信息对第m个所述灌溉决策的平均值；

依据公式

计算各所述融合灌溉因子信息的权重，其中ω_i为所述所有融合灌溉因子信息中第i个灌溉因子信息的权重；

依据公式

对所述识别框架中发生冲突的融合灌溉因子信息进行修改，得到新的矩阵

将所述新的矩阵

的某一行i进行转置，与所述新的矩阵

的另一行k相乘，得到一新矩阵M，

M = [\begin{matrix} m_{i 1} \times m_{k 1} & m_{i 1} \times m_{k 2} & . . . & m_{i 1} \times m_{km} \\ m_{i 2} \times m_{k 1} & m_{i 2} \times m_{k 2} & . . . & m_{i 2} \times m_{km} \\ . . . & . . . & . . . & . . . \\ m_{im} \times m_{k 1} & m_{im} \times m_{k 2} & . . . & m_{im} \times m_{km} \end{matrix}],

其中，

K = \underset{p = q}{Σ} m_{ip} \times m_{kq} (p, q = 1,2,3 \cdot \cdot \cdot m)

为所述融合灌溉因子信息不确定性因子；

依据公式m_j=M_jj/(1-K)，对所述融合灌溉因子信息进行决策级融合。

基于本申请的另一方面，还提供一种多源灌溉信息融合装置，应用于农田水利或农业灌溉中，包括：

获取单元，用于获取不同类型不同来源的灌溉因子信息；

分类单元，用于将灌溉因子信息按照各自的属性进行分类；

第一融合单元，用于对每类不同来源的灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息；

选取构建单元，用于根据灌溉方式选取灌溉决策，构建多个融合灌溉因子信息对所述灌溉决策的识别框架；

第二融合单元，用于对所述融合灌溉因子信息进行决策级融合；

输出单元，用于依据决策级融合结果，输出灌溉决策结果。

优选的，所述获取单元包括：

选择子单元，用于根据不同作物及作物的不同生育阶段选择所述不同类型的灌溉因子信息，其中，灌溉因子信息包括土壤水分、冠气温差、叶气温差、茎流、茎变差、光合、叶水势和气孔导度中的至少一个；

测定子单元，用于选取不同测定方式，测定不同类型的灌溉因子信息，其中测定方式包括定点（株）监测、遥感反演、根据灌溉相关原理和公式计算以及对历史数据再处理。

优选的，所述分类单元包括：

预处理子单元，用于对所述灌溉因子信息进行预处理后，将灌溉因子信息按照各自的属性进行分类，其中，预处理包括：填补遗漏的数据值、平滑有噪声的数据值和识别除去异常值。

优选的，所述第一融合单元包括：

配准转换子单元，用于分别对每类不同来源的灌溉因子信息进行空间配准，并将配准后的信息变换到同一投影坐标系下；

多源数据融合子单元，用于采用贝叶斯最大熵克立格方法对每类灌溉因子信息分别进行融合，以获得每类灌溉因子信息的融合灌溉因子信息。

优选的，所述选取构建单元包括：

选取子单元，用于根据灌溉方式选取灌溉决策；

转换子单元，用于将每类灌溉因子信息的融合灌溉因子信息分别转换为对所述灌溉决策的支持程度；

构建框架子单元，用于依据所述支持程度，构建多个融合灌溉因子信息对所述灌溉决策的识别框架，并为所述多个融合灌溉因子信息对所述识别框架分配基本概率函数m_ij，其中m_ij表示第i个所述灌溉因子信息对第j个所述灌溉决策的支持程度。

优选的，所述第二融合单元包括：

第一计算子单元，用于依据公式

计算不同类型的融合灌溉因子信息之间的冲突值；

判断子单元，用于判断所述冲突值是否小于预设值；

第一融合子单元，用于在所述冲突值小于预设值的情况下，应用现有的D-S证据理论合成规则对所述融合灌溉因子信息进行决策级融合；

第二计算子单元，用于在所述冲突值不小于预设值的情况下，依据公式

计算所述融合灌溉因子信息对第j个灌溉决策的平均值，其中n为所述融合灌溉因子信息的数目；

以及依据公式

d_{i} = e^{- | m_{i_{1}} - {\overset{&OverBar;}{m}}_{1} |} + e^{- | m_{i 2} - {\overset{&OverBar;}{m}}_{2} |} + \cdot \cdot \cdot + e^{- | m_{im} - {\overset{&OverBar;}{m}}_{m} |}, i = 1,2, \cdot \cdot \cdot, n,

以及依据公式

以及依据公式

以及将所述新的矩阵

的某一行i进行转置，与所述新的矩阵

的另一行k相乘，得到一新矩阵M，

M = [\begin{matrix} m_{i 1} \times m_{k 1} & m_{i 1} \times m_{k 2} & . . . & m_{i 1} \times m_{km} \\ m_{i 2} \times m_{k 1} & m_{i 2} \times m_{k 2} & . . . & m_{i 2} \times m_{km} \\ . . . & . . . & . . . & . . . \\ m_{im} \times m_{k 1} & m_{im} \times m_{k 2} & . . . & m_{im} \times m_{km} \end{matrix}],

其中，

K = \underset{p = q}{Σ} m_{ip} \times m_{kq} (p, q = 1,2,3 \cdot \cdot \cdot m)

为所述融合灌溉因子信息不确定性因子；

第二融合子单元，用于依据公式m_j=M_jj/(1-K)，对所述融合灌溉因子信息进行决策级融合。

应用上述技术方案，本申请提供一种多源灌溉信息融合方法及装置，通过将获取不同类型的灌溉因子信息按照各自的属性进行分类，进而，对每类灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息，再而根据灌溉方式选取灌溉决策，构建多个融合灌溉因子信息对灌溉决策的识别框架，对所有融合灌溉因子信息进行决策级融合，最后依据决策级融合结果，输出灌溉决策结果。因此，本申请既可以充分利用不同来源的灌溉信息，又可以考虑不同类型的灌溉因子信息对灌溉的影响程度，自动获得灌溉决策结果，避免人为的主观臆断和不确定性，提高灌溉决策的准确性和可靠性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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本申请的一些实施例，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其他的附图。

图1为本申请提供的一种多源灌溉信息融合方法的一种流程图；

图2为本申请提供的一种多源灌溉信息融合方法的一种子流程图；

图3为本申请提供的一种多源灌溉信息融合方法的另一种子流程图；

图4为本申请提供的一种多源灌溉信息融合方法的再一种子流程图；

图5为本申请提供的一种多源灌溉信息融合方法的再一种子流程图；

图6为本申请提供的一种多源灌溉信息融合方法的再一种子流程图；

图7为本申请提供的一种多源灌溉信息融合装置的一种结构图；

图8为本申请提供的一种多源灌溉信息融合装置的一种子结构图；

图9为本申请提供的一种多源灌溉信息融合装置的另一种子结构图；

图10为本申请提供的一种多源灌溉信息融合装置的再一种子结构图；

图11为本申请提供的一种多源灌溉信息融合装置的再一种子结构图；

图12为本申请提供的一种多源灌溉信息融合装置的再一种子结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

一个实施例

请参见图1，其示出了本申请提供的一种多源灌溉信息融合方法的一种流程图，包括：

步骤101：获取不同类型不同来源的灌溉因子信息。

在进行灌溉决策时，充分考虑影响灌溉结果的多指标灌溉因子信息，有效地避免由于测量获取得到的灌溉因子信息不准确造成的误差。其中，灌溉因子信息包括土壤水分、冠气温差、叶气温差、茎流、茎变差、光合、叶水势和气孔导度中的至少一个。请参阅图2，其示出了本申请提供的一种多源灌溉信息融合方法的一种子流程图，具体介绍了获取不同类型不同来源的灌溉因子信息的方法，包括:

步骤1011：选择不同类型的灌溉因子信息。

在进行灌溉决策时，可以根据不同作物及作物的不同生育阶段选择土壤水分、冠气温差或其它多个灌溉因子信息，例如，对于冬小麦来说，冬小麦属于软干作物，茎变差、茎流等灌溉因子信息反映的灌溉决策往往出现错报现象，故选取土壤水分、冠气温差和叶水势三项灌溉因子信息来监测。

步骤1012：测定不同类型的灌溉因子信息。

在测定不同类型的灌溉因子信息时可以选取不同测定方式进行测定，其中测定方式包括定点（株）监测、遥感反演、根据灌溉相关原理和公式计算以及对历史数据再处理，通过不同测定方式以获取不同来源的灌溉因子信息。

例如在本实施例中，采用传感器进行定点监测和利用遥感影像大尺度反演方式测定冬小麦土壤水分和冠气温差两项灌溉因子信息，叶水势选取典型植株采用多个传感器进行测定。

步骤102：将灌溉因子信息按照各自的属性进行分类。

在本实施例中，各自的属性指的是冬小麦土壤水分、冠气温差和叶水势三项灌溉因子信息指标，由传感器进行点状监测和利用遥感影像大尺度反演方式测定冬小麦土壤水分和冠气温差两项灌溉因子信息，叶水势选取典型植株采用多个传感器进行测定。各种监测数据发送给计算机后，计算机首先对灌溉因子信息按照各自的属性进行分类，将同一属性的灌溉因子信息汇总在一起进行处理。

但是，通过利用传感器进行点状监测得到的灌溉因子信息因受人力、财力和物力等因素的影响，不可能无限制地布置监测点，因此得到的灌溉因子信息只表征灌溉面积中一部分土壤的信息，不能代替全部，而利用遥感影像大尺度反演方式测定冬小麦灌溉因子信息的方法，其分辨率往往较粗，存在一定的不确定性，故在本实施例中，监测得到的冬小麦土壤水分、冠气温差等灌溉因子信息里存在有不准确的信息，叶水势信息由于植株选取以及传感器数目等问题也可能存在奇异信息，因此，在进行分类之前，首先对灌溉因子信息进行预处理，其中，预处理包括：填补遗漏的数据值、平滑有噪声的数据值和识别除去异常值。

步骤103：对每类不同来源灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息。

其中，将按照各自的属性进行分类后的每一类灌溉因子信息进行融合，请参阅图3，其示出了本申请提供的一种多源灌溉信息融合方法的另一种子流程图，具体介绍了灌溉因子信息进行融合的方法，包括：

步骤1031：分别对每类不同来源的灌溉因子信息进行空间配准，并将配准后的灌溉因子信息变换到同一投影坐标系下。

在本实施例中，获取得到的灌溉因子信息是通过不同的手段不同的方式得到的，而灌溉因子信息是具有空间属性的空间信息，记录保存的每一类灌溉因子信息采用的空间坐标形式不一，如采用地理坐标（如经纬度）和大地坐标记录，灌溉因子信息不具有可比性，因此需要将得到的灌溉因子信息进行空间配准，并将配准后的灌溉因子信息统一转换到同一投影坐标系下。

步骤1032：采用贝叶斯最大熵克立格方法对每类灌溉因子信息分别进行融合，以获得每类灌溉因子信息的融合灌溉因子信息。

具体地，在本实施例中，将监测得到的冬小麦土壤水分、冠气温差和叶水势三项灌溉因子信息进行空间配准并统一转换到同一投影坐标系下后，采用贝叶斯最大熵克立格方法对每类灌溉因子信息分别进行融合，以获得每类灌溉因子信息的融合灌溉因子信息。

步骤104：根据灌溉方式选取灌溉决策，构建多个融合灌溉因子信息对灌溉决策的识别框架。

其中，对于不同的灌溉对象，设定的灌溉方式不同，其选取的灌溉决策也不同。灌溉方式为地面灌溉时，其对应的灌溉决策包括灌溉和不灌溉。当灌溉方式为精细灌溉方式，如喷滴灌时，其对应的灌溉决策包括灌很少水、灌少量水、灌水、灌较多水和灌很多水。

在实际操作过程中，具体选用哪类灌溉方式由操作人员根据实际情况决定。在本实施例中，可以选取对于地面灌溉决策，计算冬小麦土壤水分、冠气温差和叶水势三项灌溉因子信息的融合灌溉因子信息对地面灌溉决策的识别框架。

请参阅图4，其示出了本申请提供的一种多源灌溉信息融合方法的再一种子流程图，具体介绍了构建多个融合灌溉因子信息对灌溉决策的识别框架的方法，包括：

步骤1041：选取灌溉决策。具体可以根据灌溉方式选取灌溉决策。

在本实施例中，选取对于地面灌溉方式下的灌溉决策，包括灌溉和不灌溉。

步骤1042：将每类灌溉因子信息的融合灌溉因子信息分别转换为对灌溉决策的支持程度。

其中，支持程度表示冬小麦土壤水分、冠气温差和叶水势三项灌溉因子信息的融合灌溉因子信息对地面灌溉方式下冬小麦是否灌溉的支持程度。

步骤1043：依据支持程度，构建多个融合灌溉因子信息对灌溉决策的识别框架，并为多个融合灌溉因子信息对识别框架分配基本概率函数m_ij，其中m_ij表示第i个灌溉因子信息对第j个灌溉决策的支持程度。

例如，可以采用矩阵的形式表示出来

[\begin{matrix} M_{1} \\ M_{2} \\ . . . \\ M_{n} \end{matrix}] = [\begin{matrix} m_{11} & m_{12} & . . . & m_{1 m} \\ m_{21} & m_{22} & . . . & m_{2 m} \\ . . . & . . . & . . . & . . . \\ m_{n 1} & m_{n 2} & . . . & m_{nm} \end{matrix}],

在本实施例中，选取冬小麦土壤水分、冠气温差和叶水势三项灌溉因子信息，识别框架表示为{不灌溉，灌溉}，各项灌溉因子信息在冬小麦某一生育阶段内对识别框架中的两种决策结果的支持程度可用如下矩阵表示：

m = [\begin{matrix} 0.2 & 0.8 \\ 0.9 & 0.1 \\ 0.3 & 0.7 \end{matrix}] .

步骤105：对融合灌溉因子信息进行决策级融合。

具体请参阅图5，其示出了本申请提供的一种多源灌溉信息融合方法的再一种子流程图，具体介绍了对融合灌溉因子信息进行融合的方法，包括：

步骤1051：依据公式

计算不同类型的融合灌溉因子信息之间的冲突值。

步骤1052：判断冲突值是否小于预设值。

步骤1053：在冲突值小于预设值的情况下，应用现有的D-S证据理论合成规则对融合灌溉因子信息进行决策级融合。

步骤1054：在冲突值不小于预设值的情况下，应用改进的D-S证据理论合成规则对融合灌溉因子信息进行决策级融合。

在本实施例中，依据公式

计算冲突值，式中：d₁、d₂、d_n分别为识别框架中的灌溉决策结果，m_n(d_n)表示矩阵m中的第n个灌溉因子信息对第n个灌溉决策结果的支持程度。一般定义预设值k=0.65，在本实施例中，识别框架为：

m = [\begin{matrix} 0.2 & 0.8 \\ 0.9 & 0.1 \\ 0.3 & 0.7 \end{matrix}],

从矩阵中可以看出，冠气温差决策结果与土壤水分决策结果和叶水势决策结果存在严重冲突，计算土壤水分与冠气温差的冲突值k=1-0.2×0.9×0.3-0.8×0.1×0.7=0.89>0.65，故应用改进的D-S证据理论合成规则对融合灌溉因子信息进行决策级融合。

请参阅图6，其示出了本申请提供的一种多源灌溉信息融合方法的再一种子流程图，具体介绍了应用改进的D-S证据理论合成规则对融合灌溉因子信息进行决策级融合的方法，包括：

步骤1055：依据公式

计算融合灌溉因子信息对第j个灌溉决策的平均值，其中n为融合灌溉因子信息的数目。

在本实施例中，冬小麦土壤水分、冠气温差和叶水势三项灌溉因子信息的融合灌溉因子信息对识别框架中灌溉决策为不灌溉的平均值为：

对识别框架中灌溉决策为灌溉的平均值：

{\overset{&OverBar;}{m}}_{2} = \frac{m_{12} + m_{22} + m_{32}}{3} 0.53333 .

步骤1056：依据公式

d_{i} = e^{- | m_{i_{1}} - {\overset{&OverBar;}{m}}_{1} |} + e^{- | m_{i 2} - {\overset{&OverBar;}{m}}_{2} |} + \cdot \cdot \cdot + e^{- | m_{im} - {\overset{&OverBar;}{m}}_{m} |}, i = 1,2, \cdot \cdot \cdot, n,

计算各融合灌溉因子信息到灌溉决策的平均值的距离，其中，m_im表示第i个融合灌溉因子信息对第m个灌溉决策的支持程度，

表示各融合灌溉因子信息对第m个灌溉决策的平均值。

在本实施例中，冬小麦土壤水分融合灌溉因子信息到灌溉决策的平均值的距离d₁=1.5319，冬小麦冠气温差融合灌溉因子信息到灌溉决策的平均值的距离d₂=1.2967，冬小麦叶水势融合灌溉因子信息到灌溉决策的平均值的距离d₃=1.6930。

步骤1057：依据公式

计算各融合灌溉因子信息的权重，其中ω_i为所有融合灌溉因子信息中第i个灌溉因子信息的权重。

在本实施例中，冬小麦土壤水分融合灌溉因子信息的权重

冬小麦冠气温差融合灌溉因子信息的权重

冬小麦叶水势融合灌溉因子信息的权重

ω_{3} = \frac{d_{3}}{d_{1} + d_{2} + d_{3}} = 0.3744 .

步骤1058：依据公式

对识别框架中发生冲突的融合灌溉因子信息进行修改，得到新的矩阵

在本实施例中，冠气温差决策结果用融合灌溉因子信息的平均值来代替，并继承相应的权重，对冲突因子进行概率函数的重新分配，得到新的矩阵

m_{i}^{*} = [\begin{matrix} 0.2 & 0.8 \\ 0.2609 & 0.7391 \\ 0.3 & 0.7 \end{matrix}] .

步骤1059：将新的矩阵

的某一行i进行转置，与新的矩阵

的另一行k相乘，得到一新矩阵M，

M = [\begin{matrix} m_{i 1} \times m_{k 1} & m_{i 1} \times m_{k 2} & . . . & m_{i 1} \times m_{km} \\ m_{i 2} \times m_{k 1} & m_{i 2} \times m_{k 2} & . . . & m_{i 2} \times m_{km} \\ . . . & . . . & . . . & . . . \\ m_{im} \times m_{k 1} & m_{im} \times m_{k 2} & . . . & m_{im} \times m_{km} \end{matrix}],

其中，

K = \underset{p = q}{Σ} m_{ip} \times m_{kq} (p, q = 1,2,3 \cdot \cdot \cdot m)

为所述融合灌溉因子信息不确定性因子。

在本实施例中，将矩阵的第一行转置与第二行相乘获得M矩阵：

M = [\begin{matrix} 0.0522 & 0.1478 \\ 0.2087 & 0.5913 \end{matrix}] .

步骤1060：依据公式m_j＝M_jj/(1-K)，对融合灌溉因子信息进行决策级融合。

在本实施例中，m₁和m₂融合得：m(d₁)=0.0522/(1-（0.2087+0.1478）)=0.0811；m(d₂)=0.5913/(1-（0.2087+0.1478））=0.9189，然后将此融合结果依次与其它灌溉因子信息进行融合，这里将此融合结果与m₃进行融合，最后得到结果为：m(d₁)=0.036404,m(d₂)=0.963596。

步骤106：依据决策级融合结果，输出灌溉决策结果。

在本实施例中，依据决策级融合结果，输出灌溉决策结果，从最终决策结果可以看出，冬小麦此时需要灌溉。

本申请提供一种多源灌溉信息融合方法，通过将获取不同类型的灌溉因子信息按照各自的属性进行分类，进而，对每类灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息，再而选取灌溉决策，构建多个融合灌溉因子信息为灌溉决策的识别框架，对所有融合灌溉因子信息进行决策级融合，最后依据决策级融合结果，输出灌溉决策结果。因此，本申请既可以充分利用不同来源的灌溉信息，又可以考虑不同类型的灌溉因子信息对灌溉的影响程度，自动获得灌溉结果，避免人为的主观臆断和不确定性，提高了灌溉决策的准确性和可靠性。

进一步地，本申请还可以考虑不同类型的灌溉因子信息对灌溉决策结果构成的冲突，增强处理不同灌溉因子信息对灌溉决策结果的冲突能力，进一步避免人为的主观臆断和不确定性，提高灌溉决策的准确性和可靠性。

同时，与上述方法实施例相对应，本申请还公开了一种多源灌溉信息融合装置，请参阅图7，其示出了本申请提供的一种多源灌溉信息融合装置的一种结构图，包括：获取单元11、分类单元12、第一融合单元13、选取构建单元14、第二融合单元15和输出单元16。其中，

获取单元11，用于获取不同类型不同来源的灌溉因子信息。

在本实施例中，在进行灌溉决策时，采用充分考虑影响灌溉结果的多指标灌溉因子信息，对各种参考指标灌溉因子信息进行对比分析。不同类型的灌溉因子信息包括土壤水分、冠气温差、叶气温差、茎流、茎变差、光合、叶水势和气孔导度中的多个，其中，请参阅图8，其示出了本申请提供的一种多源灌溉信息融合装置的一种子结构图，具体介绍了获取单元11包括：选择子单元111、测定子单元112。其中，

选择子单元111，用于选择不同类型的灌溉因子信息，其中，灌溉因子信息包括土壤水分、冠气温差、叶气温差、茎流、茎变差、光合、叶水势和气孔导度中的至少一个。这里选择子单元111根据不同作物及作物的不同生育阶段选择不同类型的灌溉因子信息。

测定子单元112，用于选取不同测定方式，测定不同类型的灌溉因子信息，其中测定方式包括定点（株）监测、遥感反演、根据灌溉相关原理和公式计算以及对历史数据再处理。

在本实施例中，测定子单元112根据选择子单元111选定的灌溉因子信息指标监测各灌溉因子信息。具体地，测定子单元112具体为各种传感器和/或遥感器。

分类单元12，用于将灌溉因子信息按照各自的属性进行分类。

其中，分类单元12将获取单元11监测得到的灌溉因子信息按照各自的属性进行分类，同时，由于监测得到的灌溉因子信息存在不准确的情况，故请参阅图9，其示出了本申请提供的一种多源灌溉信息融合装置的另一种子结构图，具体介绍了分类单元12包括：预处理子单元121，用于对灌溉因子信息进行预处理后，将灌溉因子信息按照各自的属性进行分类。其中，预处理子单元121包括：填补遗漏的数据值、平滑有噪声的数据值和识别除去异常值。

第一融合单元13，用于对每类不同来源的灌溉因子信息分别进行融合，获得每类灌溉因子信息的融合灌溉因子信息。

在本实施例中，获取得到的灌溉因子信息是通过不同的手段不同的方式得到的，而灌溉因子信息是具有空间属性的空间信息，记录保存的每一类灌溉因子信息采用的空间坐标形式不一，如采用地理坐标（如经纬度）和大地坐标记录，灌溉因子信息不具有可比性，因此需要将得到的灌溉因子信息进行空间配准，并将配准后的灌溉因子信息统一转换到同一投影坐标系下，因此，请参阅图10，其示出了本申请提供的一种多源灌溉信息融合装置的再一种子结构图，具体介绍了第一融合单元13包括：配准转换子单元131、多源数据融合子单元132。其中，

配准转换子单元131，用于分别对每类不同来源的灌溉因子信息进行空间配准，并将配准后的信息变换到同一投影坐标系下。

多源数据融合子单元132，用于采用贝叶斯最大熵克立格方法对每类灌溉因子信息分别进行融合，以获得每类灌溉因子信息的融合灌溉因子信息。

选取构建单元14，用于根据灌溉方式选取灌溉决策，构建多个融合灌溉因子信息对灌溉决策的识别框架。请参阅图11，其示出了本申请提供的一种多源灌溉信息融合装置的再一种子结构图，具体介绍了选取构建单元14包括：选取子单元141、转换子单元142和构建框架子单元143。其中，

选取子单元141，用于根据灌溉方式选取灌溉决策。

转换子单元142，用于将每类灌溉因子信息的融合灌溉因子信息分别转换为对灌溉决策的支持程度。

构建框架子单元143，用于依据支持程度，构建多个融合灌溉因子信息对灌溉决策的识别框架，并为多个融合灌溉因子信息对识别框架分配基本概率函数m_ij，其中m_ij表示第i个灌溉因子信息对第j个灌溉决策的支持程度。

其中，选取子单元141可以根据不同的灌溉对象选择不同的灌溉方式以及灌溉决策，灌溉方式为地面灌溉时，其对应的灌溉决策包括灌溉和不灌溉。当灌溉方式为精细灌溉方式，如喷滴灌时，其对应的灌溉决策包括灌很少水、灌少量水、灌水、灌较多水和灌很多水。

在实际操作过程中，具体选用哪类灌溉方式由操作人员根据实际情况决定。

转换子单元142将每类灌溉因子信息的融合灌溉因子信息分别转换为对灌溉决策的支持程度，构建框架子单元143将选取子单元141选取的灌溉决策和转换子单元142将各灌溉因子信息的融合灌溉因子信息分别对灌溉决策的支持程度构建识别框架，同时为多个融合灌溉因子信息对识别框架分配基本概率函数。特别地，识别框架可以用矩阵的形式表示出来。

第二融合单元15，用于对融合灌溉因子信息进行决策级融合。

其中，请参阅图12，其示出了本申请提供的一种多源灌溉信息融合装置的再一种子结构图，具体介绍了第二融合单元15包括：第一计算子单元151、判断子单元152、第一融合子单元153、第二计算子单元154和第二融合子单元155。其中，

第一计算子单元151，用于依据公式

计算不同类型的融合灌溉因子信息之间的冲突值；

判断子单元152，用于判断冲突值是否小于预设值。

第一融合子单元153，用于在冲突值小于预设值的情况下，应用现有的D-S证据理论合成规则对融合灌溉因子信息进行决策级融合。

第二计算子单元154，用于在冲突值不小于预设值的情况下，依据公式

以及依据公式

d_{i} = e^{- | m_{i_{1}} - {\overset{&OverBar;}{m}}_{1} |} + e^{- | m_{i 2} - {\overset{&OverBar;}{m}}_{2} |} + \cdot \cdot \cdot + e^{- | m_{im} - {\overset{&OverBar;}{m}}_{m} |}, i = 1,2, \cdot \cdot \cdot, n,

计算各融合灌溉因子信息到灌溉决策的平均值的距离，其中，m_im表示第i个融合灌溉因子信息对第m个灌溉决策的支持程度，表示各融合灌溉因子信息对第m个灌溉决策的平均值。

以及依据公式

以及依据公式

以及将新的矩阵

的某一行i进行转置，与新的矩阵

的另一行k相乘，得到一新矩阵M，

M = [\begin{matrix} m_{i 1} \times m_{k 1} & m_{i 1} \times m_{k 2} & . . . & m_{i 1} \times m_{km} \\ m_{i 2} \times m_{k 1} & m_{i 2} \times m_{k 2} & . . . & m_{i 2} \times m_{km} \\ . . . & . . . & . . . & . . . \\ m_{im} \times m_{k 1} & m_{im} \times m_{k 2} & . . . & m_{im} \times m_{km} \end{matrix}],

其中，

K = \underset{p = q}{Σ} m_{ip} \times m_{kq} (p, q = 1,2,3 \cdot \cdot \cdot m)

为融合灌溉因子信息不确定性因子。

第二融合子单元155，用于依据公式m_j=M_jj/(1-K)，对融合灌溉因子信息进行决策级融合。

输出单元16，用于依据决策级融合结果，输出灌溉决策结果。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。