CN104848901A - 一种墒情实时监测和预测系统及其检测方法 - Google Patents

Abstract

本发明公开了一种墒情实时监测和预测系统及其监测方法，包括监测模块及预报模块，监测模块包括探测系统、数据采集器、无线发送器及数据接收器，探测系统包括至少二个探测器，探测器包括设置在待探测点处的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器；数据采集器与探测系统连接，探测系统将探测到的数据发送至数据采集器中，通过无线发送器发送至数据接收器中；预报模块包括综合云计算平台、信息发布和自主查询平台；综合云计算平台与数据接收器连接，接收数据接收器发出的探测数据，进行处理后发送至信息发布和自主查询平台中。本发明操作简单、性能稳定、数据安全、功能多样且适应性强。

Description

一种墒情实时监测和预测系统及其检测方法

技术领域

本发明涉及云计算和物联网领域，特别指一种综合云计算平台、ARMA模型和fisher判别法的墒情实时监测和预测系统及其检测方法。

背景技术

土壤墒情，即土壤含水及变化情况，是影响农作物生长发育重要因素和土地干旱程度的重要度量指标，墒情变化受到多种影响因素的共同影响，其主要影响因素有：土壤含水量X、降水量Y、地表风速V、地表温度T、地温T1、地表空气湿度W等，实时掌握土壤墒情的变动信息，对提高农业生产水平水平，预防和减轻干旱灾害及其造成的经济损失等都有十分重要的意义。

对土壤墒情变化数据进行实时的、连续的、精确的监测和预测，需要要先进的方法和设备，常用的方法和设备均在技术上存在不足和弊端。

从硬件设备上看，现有的监测设备虽然向便携化、精确化发展，但是测量数据单一，无法将影响墒情的各个因素数据同时采集和处理，那么对于受多种因素共同影响的墒情来讲，这样的设备得到的将是误差较大结果，难以用于实际的农业生产。

现有设备需要一整套的数据仓储系统来支持，存在数据传输速度慢、安全性较低、维护费用高等缺点，而采用综合云计算平台可以很好的解决这些缺点。

现有的墒情检测系统，主要功能在于对当前墒情的监控，对墒情的未来变化状况把控不足，使得墒情监控系统的实用性受到限制。而本系统所具有的预测模块，在综合了探测系统数据和气象部门数据后，可以有效的把握未来的墒情变化，更好的指导农业生产。

从数据处理手段上看，现有墒情预测系统，只是基于单一化的监测设备所得数据进行分析，模型拟合程度较低，结果误差较大；并且所采用模式没有考虑季节因素的影响，而本系统所采用的ARMA模型能够充分考虑季节因素的影响，提高了预测结果的精度。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于综合云计算平台、ARMA模型和fisher判别法的墒情实时监测和预测系统及其检测方法。

本发明采取的技术方案如下：一种墒情实时监测和预测系统，包括监测模块及预报模块，其中，上述监测模块包括探测系统、数据采集器、无线发送器及数据接收器，探测系统包括至少二个探测器，探测器包括设置在待探测点处的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器，以便对待探测点进行数据探测；上述数据采集器与探测系统连接，探测系统将探测到的数据发送至数据采集器中，并通过无线发送器发送至数据接收器中；预报模块包括综合云计算平台、信息发布和自主查询平台；综合云计算平台与数据接收器连接，以便接收数据接收器发出的探测数据，进行处理后发送至信息发布和自主查询平台中。

优选地，所述的监测模块内设有太阳能电池，太阳能电池分别与上述探测系统、数据采集器、无线发送器及数据接收器连接，以便提供电源。

优选地，所述的数据接收器通过internet网与上述综合云计算平台连接，以便将墒情影响因子数据发送至综合云计算平台内。

优选地，所述的综合云计算平台连接气象平台，气象平台将气象预报数据发送至综合云计算平台内，云平台服务平台的数据处理模块对输入的墒情影响因子数据及气象平台的预报数据进行处理，得出墒情实时数据和预报数据，并传输至信息发布和自主查询平台。

优选地，所述的信息发布和自主查询平台连接用户终端，以便将综合云计算平台计算得出的墒情实时数据和预报数据传输至用户终端，以便预报和供用户查询，及时指导和安排农业生产。

优选地，所述的用户终端包括个人电脑、手机APP及电视台。

一种墒情实时监测和预测系统的监测方法，包括以下步骤：

S1、确定所探测的区域内监测点的位置和数量，不同位置的监测点形成监测网点群；

S2、在步骤S1中确定的监测点处安装墒情变化影响因子数据探测器系统所要求的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器；

S3、在步骤S2中的监测点设置数据采集器、无线发送器及太阳能电池，且与探测系统连接构成回路，以便对监测区域进行墒情实时监测；

S4、数据云平台服务器对数据接收器提供的各项墒情影响因子数据和气象平台提供的数据进行处理，得出墒情实时数据和预报数据，以便对监测区域进行墒情实时预测；

S5、信息发布和查询平台将墒情实时数据和预报数据及时发送至用户终端，或者接受用户终端的自主查询墒情实时数据和预报数据，及时指导和安排农业生产。

优选地，所述的步骤S5中墒情实时预测的具体步骤为：

A、获取关于各个观测时点的各项影响因子的数据序列；

B、利用ARMA(p,q)模型进行预测期内各项影响因子值的预测，公式为yt＝φ1yt-1+φ2yt-2+……+φpyt-p+εt-θ1εt-1-θ2εt-2-……-θpε

t-p，式中符号：p和q是模型的自回归阶数和移动平均阶数；φ和θ是不为零的待定系数；εt独立的误差项；yt是平稳、正态、零均值的时间序列，通过该步骤可以获取预测期内各个影响因子的预测值；

C、将ARMA模型所得的预测值数据带入fisher判别公式，获得预测期内墒情预测值，以便进行墒情判断和指导农业生产。

优选地，所述的步骤C中，fisher判别法的具体步骤为：

A、划分墒情类别，同时确定各个类别的判别的标准；

B、确定墒情变化的影响因子，本系统选择的影响因子为：土壤含水量X、降水量Y、地表风速V、地表温度T、地温T1、地表空气湿度W；

C、利用公式和Cov(x,y)＝E[(x-EX)(y-EY)]，计算矩阵值矩阵和各影响因子与墒情类别间的协方差矩阵，其中i为各数据对应监测期的编号，j为墒情类别序号；

D、构造判别函数 $U\left(X\right)X_t^{\′}{\Σ}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)+{\left(\frac{{\mathrm{\μ}}_1+{\mathrm{\μ}}_2}{2}\right)}^{\′}{\Σ}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_2),$ 其中判别函数的系数向量为C＝Σ^-1(μ₁-μ₂)，判别函数的常数项为

E、将数据带入判别函数，由处理结果获得各个时期的墒情类别。

本发明的有益效果在于：

本发明针对背景技术的不足，设计的一种基于综合云计算平台、ARMA模型和fisher判别法的墒情实时监测和预测系统，由数据采集器采集探测系统测出的各项数据，并通过无线发送器发送至数据接收器，整个数据探测、传输模块采用太阳能电池供电，以达到远程、无线、实时、连续的采集固定点的土壤墒情信息，数据接收器接收来自各个监测点探测系统所测出的各项墒情影响因子数据，并由发送至数云平台服务器，由云平台服务器的数据处理模块对输入的各项墒情影响因子数据、气象预报数据进行处理，得出墒情实时数据和预报数据，由信息发布和查询平台将所述墒情实时数据和预报数据及时发送至用户终端，或者用户终端自主查询墒情实时数据和预报数据，从而达到全面准确掌握土壤墒情的目的。本发明与背景技术相比具有明显的先进性，根据土壤墒情监测规范的要求而设计的，数据采集过程做到了野外无人化的连续实时监测墒情，其探测器系统可远距离设置在不同的固定监测点，通过数据采集器采集探测器系统测出的各项数据，并通过无线发送器发送至数据接收器，整个数据探测、传输模块采用太阳能电池供电，设计先进合理，性能稳定可靠，同时，节约能源，数据采集传输稳定安全，可对不同监测点的土壤墒情进行远程、实时、连续、自动监测；监测点探测器系统所测出的各项墒情影响因子数据，并由数据接收器发送至数云平台服务器，由云平台服务器的数据处理模块对输入的各项墒情影响因子数据、气象预报数据进行处理，得出墒情实时数据和预报数据，由信息发布和查询平台将所述墒情实时数据和预报数据及时发送至用户终端，或者用户终端自主查询墒情实时数据和预报数据。本发明操作简单、性能稳定、数据安全、功能多样且适应性强，是十分理想的土壤墒情监测和预测系统。

附图说明

图1为本发明的结构示意图。

图2为图1中数据探测、收集和传输模块的结构示意图。

图3为图1中数据接收、预测和发布模块的结构示意图。

具体实施方式

下面将结合附图对本发明作进一步描述：

如图1至图3所示，本发明采取的技术方案如下：一种墒情实时监测和预测系统，包括监测模块及预报模块，其中，上述监测模块包括探测系统1、数据采集器2、无线发送器4及数据接收器5，探测系统1包括至少二个探测器，探测器包括设置在待探测点处的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器，以便对待探测点进行数据探测；上述数据采集器2与探测系统1连接，探测系统1将探测到的数据发送至数据采集器2中，并通过无线发送器4发送至数据接收器5中；预报模块包括综合云计算平台7、信息发布和自主查询平台9；综合云计算平台7与数据接收器5连接，以便接收数据接收器5发出的探测数据，进行处理后发送至信息发布和自主查询平台9中。

优选地，所述的监测模块内设有太阳能电池3，太阳能电池3分别与上述探测系统1、数据采集器2、无线发送器4及数据接收器5连接，以便提供电源。

优选地，所述的数据接收器5通过internet网与上述综合云计算平台7连接，以便将墒情影响因子数据6发送至综合云计算平台7内。

优选地，所述的综合云计算平台7连接气象平台8，气象平台8将气象预报数据发送至综合云计算平台7内，云平台服务平台7的数据处理模块对输入的墒情影响因子数据6及气象平台8的预报数据进行处理，得出墒情实时数据和预报数据，并传输至信息发布和自主查询平台9。

优选地，所述的信息发布和自主查询平台9连接用户终端10，以便将综合云计算平台7计算得出的墒情实时数据和预报数据传输至用户终端10，以便预报和供用户查询，及时指导和安排农业生产。

优选地，所述的用户终端包括个人电脑11、手机APP12及电视台13。

一种墒情实时监测和预测系统的监测方法，包括以下步骤：

S1、确定所探测的区域内监测点的位置和数量，不同位置的监测点形成监测网点群；

S2、在步骤S1中确定的监测点处安装墒情变化影响因子数据探测器系统1所要求的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器；

S3、在步骤S2中的监测点设置数据采集器2、无线发送器4及太阳能电池3，且与探测系统1连接构成回路，以便对监测区域进行墒情实时监测；

S4、数据云平台服务器7对数据接收器5提供的各项墒情影响因子数据6和气象平台8提供的数据进行处理，得出墒情实时数据和预报数据，以便对监测区域进行墒情实时预测；

S5、信息发布和查询平台9将墒情实时数据和预报数据及时发送至用户终端10，或者接受用户终端10的自主查询墒情实时数据和预报数据，及时指导和安排农业生产。

优选地，所述的步骤S5中墒情实时预测的具体步骤为：

A、获取关于各个观测时点的各项影响因子的数据序列；

B、利用ARMA(p,q)模型进行预测期内各项影响因子值的预测，公式为yt＝φ1yt-1+φ2yt-2+……+φpyt-p+εt-θ1εt-1-θ2εt-2-……-θpεt-p，式中符号：p和q是模型的自回归阶数和移动平均阶数；φ和θ是不为零的待定系数；εt独立的误差项；yt是平稳、正态、零均值的时间序列，通过该步骤可以获取预测期内各个影响因子的预测值；

C、将ARMA模型所得的预测值数据带入fisher判别公式，获得预测期内墒情预测值，以便进行墒情判断和指导农业生产。

优选地，所述的步骤C中，fisher判别法的具体步骤为：

A、划分墒情类别，同时确定各个类别的判别的标准；

B、确定墒情变化的影响因子，本系统选择的影响因子为：土壤含水量X、降水量Y、地表风速V、地表温度T、地温T1、地表空气湿度W；

C、利用公式和Cov(x,y)＝E[(x-EX)(y-EY)]，计算矩阵值矩阵和各影响因子与墒情类别间的协方差矩阵，其中i为各数据对应监测期的编号，j为墒情类别序号；

D、构造判别函数 $U\left(X\right)X_t^{\′}{\Σ}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)+{\left(\frac{{\mathrm{\μ}}_1+{\mathrm{\μ}}_2}{2}\right)}^{\′}{\Σ}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_2),$ 其中判别函数的系数向量为C＝Σ^-1(μ₁-μ₂)，判别函数的常数项为

E、将数据带入判别函数，由处理结果获得各个时期的墒情类别。

进一步，本发明设计了一种基于综合云计算平台、ARMA模型和fisher判别法的墒情实时监测和预测系统，由数据采集器采集探测系统测出的各项数据，并通过无线发送器发送至数据接收器，整个数据探测、传输模块采用太阳能电池供电，以达到远程、无线、实时、连续的采集固定点的土壤墒情信息，数据接收器接收来自各个监测点探测系统所测出的各项墒情影响因子数据，并由发送至数云平台服务器，由云平台服务器的数据处理模块对输入的各项墒情影响因子数据、气象预报数据进行处理，得出墒情实时数据和预报数据，由信息发布和查询平台将所述墒情实时数据和预报数据及时发送至用户终端，或者用户终端自主查询墒情实时数据和预报数据，从而达到全面准确掌握土壤墒情的目的。本发明与背景技术相比具有明显的先进性，根据土壤墒情监测规范的要求而设计的，数据采集过程做到了野外无人化的连续实时监测墒情，其探测器系统可远距离设置在不同的固定监测点，通过数据采集器采集探测器系统测出的各项数据，并通过无线发送器发送至数据接收器，整个数据探测、传输模块采用太阳能电池供电，设计先进合理，性能稳定可靠，同时，节约能源，数据采集传输稳定安全，可对不同监测点的土壤墒情进行远程、实时、连续、自动监测；监测点探测器系统所测出的各项墒情影响因子数据，并由数据接收器发送至数云平台服务器，由云平台服务器的数据处理模块对输入的各项墒情影响因子数据、气象预报数据进行处理，得出墒情实时数据和预报数据，由信息发布和查询平台将所述墒情实时数据和预报数据及时发送至用户终端，或者用户终端自主查询墒情实时数据和预报数据。本发明操作简单、性能稳定、数据安全、功能多样且适应性强，是十分理想的土壤墒情监测和预测系统。

本发明的实施例只是介绍其具体实施方式，不在于限制其保护范围。本行业的技术人员在本实施例的启发下可以作出某些修改，故凡依照本发明专利范围所做的等效变化或修饰，均属于本发明专利权利要求范围内。

Claims (9)

1.一种墒情实时监测和预测系统，其特征在于：包括监测模块及预报模块，其中，上述监测模块包括探测系统(1)、数据采集器(2)、无线发送器(4)及数据接收器(5)，探测系统(1)包括至少二个探测器，探测器包括设置在待探测点处的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器，以便对待探测点进行数据探测；上述数据采集器(2)与探测系统(1)连接，探测系统(1)将探测到的数据发送至数据采集器(2)中，并通过无线发送器(4)发送至数据接收器(5)中；预报模块包括综合云计算平台(7)、信息发布和自主查询平台(9)；综合云计算平台(7)与数据接收器(5)连接，以便接收数据接收器(5)发出的探测数据，进行处理后发送至信息发布和自主查询平台(9)中。

2.根据权利要求1所述的一种墒情实时监测和预测系统，其特征在于：所述的监测模块内设有太阳能电池(3)，太阳能电池(3)分别与上述探测系统(1)、数据采集器(2)、无线发送器(4)及数据接收器(5)连接，以便提供电源。

3.根据权利要求2所述的一种墒情实时监测和预测系统，其特征在于：所述的数据接收器(5)通过internet网与上述综合云计算平台(7)连接，以便将墒情影响因子数据(6)发送至综合云计算平台(7)内。

4.根据权利要求3所述的一种墒情实时监测和预测系统，其特征在于：所述的综合云计算平台(7)连接气象平台(8)，气象平台(8)将气象预报数据发送至综合云计算平台(7)内，云平台服务平台(7)的数据处理模块对输入的墒情影响因子数据(6)及气象平台(8)的预报数据进行处理，得出墒情实时数据和预报数据，并传输至信息发布和自主查询平台(9)。

5.根据权利要求4所述的一种墒情实时监测和预测系统，其特征在于：所述的信息发布和自主查询平台(9)连接用户终端(10)，以便将综合云计算平台(7)计算得出的墒情实时数据和预报数据传输至用户终端(10)，以便预报和供用户查询，及时指导和安排农业生产。

6.根据权利要求5所述的一种墒情实时监测和预测系统，其特征在于：所述的用户终端包括个人电脑(11)、手机APP(12)及电视台(13)。

7.一种如权利要求1所述的墒情实时监测和预测系统的监测方法，其特征在于，包括以下步骤：

S1、确定所探测的区域内监测点的位置和数量，不同位置的监测点形成监测网点群；

S2、在步骤S1中确定的监测点处安装墒情变化影响因子数据探测器系统(1)所要求的土壤含水量探测器、降水量探测器、地表风速探测器、地表温度探测器、地温探测器及地表空气湿度探测器；

S3、在步骤S2中的监测点设置数据采集器(2)、无线发送器(4)及太阳能电池(3)，且与探测系统(1)连接构成回路，以便对监测区域进行墒情实时监测；

S4、数据云平台服务器(7)对数据接收器(5)提供的各项墒情影响因子数据(6)和气象平台(8)提供的数据进行处理，得出墒情实时数据和预报数据，以便对监测区域进行墒情实时预测；

S5、信息发布和查询平台(9)将墒情实时数据和预报数据及时发送至用户终端(10)，或者接受用户终端(10)的自主查询墒情实时数据和预报数据，及时指导和安排农业生产。

8.根据权利要求7所述的一种墒情实时监测和预测系统，其特征在于：所述的步骤S5中墒情实时预测的具体步骤为：

A、获取关于各个观测时点的各项影响因子的数据序列；

B、利用ARMA(p,q)模型进行预测期内各项影响因子值的预测，公式为yt＝φ1yt-1+φ2yt-2+……+φpyt-p+εt-θ1εt-1-θ2εt-2-……-θpεt-p，式中符号：p和q是模型的自回归阶数和移动平均阶数；φ和θ是不为零的待定系数；εt独立的误差项；yt是平稳、正态、零均值的时间序列，通过该步骤可以获取预测期内各个影响因子的预测值；

C、将ARMA模型所得的预测值数据带入fisher判别公式，获得预测期内墒情预测值，以便进行墒情判断和指导农业生产。

9.根据权利要求8所述的一种墒情实时监测和预测系统，其特征在于：所述的步骤C中，fisher判别法的具体步骤为：

A、划分墒情类别，同时确定各个类别的判别的标准；

B、确定墒情变化的影响因子，本系统选择的影响因子为：土壤含水量X、降水量Y、地表风速V、地表温度T、地温T1、地表空气湿度W；

C、利用公式和Cov(x,y)＝E[(x-EX)(y-EY)]，计算矩阵值矩阵和各影响因子与墒情类别间的协方差矩阵，其中i为各数据对应监测期的编号，j为墒情类别序号；

D、构造判别函数 $U\left(x\right)=X_t^{\′}{\mathrm{\Σ}}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_2)+{\left(\frac{{\mathrm{\μ}}_1+{\mathrm{\μ}}_2}{2}\right)}^{\′}{\mathrm{\Σ}}^{-1}({\mathrm{\μ}}_1-{\mathrm{\μ}}_2),$ 其中判别函数的系数向量为C＝Σ^-1(μ₁-μ₂)，判别函数的常数项为

E、将数据带入判别函数，由处理结果获得各个时期的墒情类别。