CN108038087B - 水肥灌溉决策方法、装置和系统、计算机可读存储介质 - Google Patents
水肥灌溉决策方法、装置和系统、计算机可读存储介质 Download PDFInfo
- Publication number
- CN108038087B CN108038087B CN201711467949.2A CN201711467949A CN108038087B CN 108038087 B CN108038087 B CN 108038087B CN 201711467949 A CN201711467949 A CN 201711467949A CN 108038087 B CN108038087 B CN 108038087B
- Authority
- CN
- China
- Prior art keywords
- water
- point
- sample data
- measured
- fertilizer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开一种水肥灌溉决策方法、装置和系统、计算机可读存储介质。该水肥灌溉决策方法包括:构建空间插值模型;从数据库获取样本数据,并对样本数据进行正态分布服从性检验;获取符合正态分布的样本数据与待测算点的连接权重;根据样本数据和连接权重获取待测算点空间插值结果;将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。本发明可以利用构建空间插值模型计算出一定区域内土壤水肥实际需求状态,据此进行全域差异化灌溉和管控,由此可以节省水肥灌溉成本,降低人工成本并减少灌溉紊乱造成的经济损失。
Description
技术领域
本发明涉及物联网领域,特别涉及一种水肥灌溉决策方法、装置和系统、计算机可读存储介质。
背景技术
随着人工、原材料成本的逐渐上涨和智能化传感设备在农业企业生产领域的不断渗透,物联网技术与决策支持方法在精细和高档种植领域中越发受到重视。
目前,传统温室种植中水肥的供给灌溉一直遵循种植者经验和机器的自动定时灌溉,水肥投放量的控制实质由人为决定并实际操作。图7为相关技术中的水肥灌溉控制示意图。其中,通过定时投料及手动投料以满足精细种植中的水肥需求,在出现实际偏差时,由人工进行巡检纠偏。
普遍情况下,企业水肥灌溉在实际情况中通常偏离作物真实需求量。由于水肥在精细种植领域为成本重要组成项,投放量过多造成水肥浪费;过少又不能满足作物正常生长需求,极端情况下造成作物枯萎或死亡,特别是高档种植领域内产生极高的生产损失。企业为了控制水肥供给的精度增加多次人工巡检和投放操作又产生了大量额外的人工成本。
部分规模高档种植企业通过投入大规模的物联网传感控制系统进行实时采样和水肥供给来解决运营人工问题,但土壤水肥监测的传感系统本身成本高昂,过于低端传感器数据偏差太大,通过对全部生产领域内布置传感设施又会造成极高的设备成本和运营管理成本。
发明内容
鉴于以上技术问题,本发明提供了一种水肥灌溉决策方法、装置和系统、计算机可读存储介质,可以进行全域差异化灌溉和管控,节省了水肥灌溉成本。
根据本发明的一个方面,提供一种水肥灌溉决策方法,包括:
构建空间插值模型;
从数据库获取样本数据,并对样本数据进行正态分布服从性检验;
获取符合正态分布的样本数据与待测算点的连接权重;
根据样本数据和连接权重获取待测算点空间插值结果;
将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
在本发明的一些实施例中,所述根据样本数据和连接权重获取待测算点空间插值结果包括:
将样本数据和连接权重输入所述空间插值模型,获取待测算点空间插值结果。
在本发明的一些实施例中,所述空间插值模型为:通过待测算点附近多个空间不连续节点的差值计算获得待测算点空间插值结果的模型。
在本发明的一些实施例中,所述通过待测算点附近多个空间不连续节点的差值计算获得待测算点空间插值结果包括:
根据公式
获取待测算点空间插值结果,其中,Z*(x)为待测算点x的空间插值结果,xi为待测算点x临域内的实测点,1≤i≤n,n为实测点的个数,xi的样本值为Z(xi),λi为x临域内第i个样本节点与待测算点的连接权重。
在本发明的一些实施例中,所述对样本数据进行正态分布服从性检验包括:
根据设定显著水平从数据库查询获得相应的原假设与备择假设临界值;
获取经验累积概率与目标分布累积概率之差的上界值;
判断所述上界值是否大于所述临界值;
若所述上界值不大于所述临界值,则执行获取符合正态分布的样本数据与待测算点的连接权重的步骤;
若所述上界值不大于所述临界值,则执行从数据库获取样本数据的步骤。
在本发明的一些实施例中,所述将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差包括:
将专家知识库阈值与待测算点空间插值结果的差值组作为水肥灌溉的经验偏差。
在本发明的一些实施例中,所述获取符合正态分布的样本数据与待测算点的连接权重包括:
建立样本数据与待测算数据基于拉格朗日最优化解的方程组;
将所述方程组的解作为所述连接权重。
在本发明的一些实施例中,所述方程组为:
其中,c(x,y)为变异函数,μ为拉格朗日系数,xi、xj为待测算点x临域内的实测点,1≤i≤n、1≤j≤n,n为实测点的个数,λi、λj为x临域内第i个(第j个)样本节点与待测算点的连接权重。
根据本发明的另一方面,提供一种水肥灌溉决策装置,包括:
模型构建模块,用于构建空间插值模型;
样本数据获取模块,用于从数据库获取样本数据,并对样本数据进行正态分布服从性检验;
连接权重获取模块,用于获取符合正态分布的样本数据与待测算点的连接权重;
差值结果获取模块,用于根据样本数据和连接权重获取待测算点空间插值结果;
决策模块,用于将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
在本发明的一些实施例中,所述水肥灌溉决策装置用于执行实现如上述任一实施例所述的水肥灌溉决策方法的操作。
根据本发明的另一方面,提供一种水肥灌溉决策装置,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述水肥灌溉决策装置执行实现如上述任一实施例所述的水肥灌溉决策方法的操作。
根据本发明的另一方面,提供一种水肥灌溉决策系统,包括土壤传感器以及如上述任一实施例所述的水肥灌溉决策装置。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的水肥灌溉决策方法。
本发明可以利用构建空间插值模型计算出一定区域内土壤水肥实际需求状态,据此进行全域差异化灌溉和管控,由此可以节省水肥灌溉成本,降低人工成本并减少灌溉紊乱造成的经济损失。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明水肥灌溉决策系统一些实施例的示意图。
图2为本发明水肥灌溉决策方法一些实施例的示意图。
图3为本发明水肥灌溉决策方法另一些实施例的示意图。
图4为本发明水肥灌溉决策方法又一些实施例的示意图。
图5为本发明水肥灌溉决策装置一些实施例的示意图。
图6为本发明水肥灌溉决策装置另一些实施例的示意图。
图7为相关技术中的水肥灌溉控制示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明水肥灌溉决策系统一些实施例的示意图。如图1所示,所述水肥灌溉决策系统可以包括土壤传感器1、数据库2和水肥灌溉决策装置3。
土壤传感器1,部署在温室区域内,用于采集土壤水肥传感数据,并存储在数据库2中。
水肥灌溉决策装置3,用于构建空间插值模型;从数据库2获取样本数据,并对样本数据进行正态分布服从性检验;获取符合正态分布的样本数据与待测算点的连接权重;根据样本数据和连接权重获取待测算点空间插值结果;并将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
在本发明的一些实施例中,所述空间插值模型为Kriging(克里金)插值模型,又称空间自协方差最佳插值模型。
在本发明的一些实施例中,所述数据库2可以设置在水肥灌溉决策装置3中。
基于本发明上述实施例提供的水肥灌溉决策系统,是一种基于Kriging空间插值模型的农业水肥灌溉决策系统,可以通过构建Kriging空间插值模型,从数据库读取待预测数据和样本数据,并对样本数据是否服从正态分布进行检验,将符合正态分布的样本数据和待测算数据进行权重计算,以确定Kriging算法中样本的连接权重参数,将样本数据和连接权重参数输入空间插值模型,以便模型根据各样本的连接权重参数对样本数据进行计算,从而得到待测算点决策值,比较该决策值与专家知识阈值偏差进而实现指导土壤精细化水肥灌溉执行的目的。
本发明上述实施例可以通过利用少量有限且有效的土壤传感器组网建设得到全域土壤水肥需求状态,对于高档精细种植领域意义重大。
图2为本发明水肥灌溉决策方法一些实施例的示意图。优选的,本实施例可由本发明水肥灌溉决策装置或水肥灌溉决策系统执行。如图2所示,该方法可以包括步骤21至步骤25。
在步骤21中,构建空间插值模型。
在本发明的一些实施例中,所述空间插值模型为Kriging(克里金)插值模型,又称空间自协方差最佳插值模型。
在步骤22中,从数据库获取样本数据,并对样本数据进行正态分布服从性检验,其中样本数据为温室区域内已部署的土壤水肥传感数据。
在本发明的一些实施例中,所述正态分布服从性检验为Kolmogorov正态分布服从性检验。
在步骤23中,获取符合正态分布的样本数据与待测算点的连接权重,以确定样本数据对待测算点的贡献度。
在步骤24中,根据样本数据和连接权重获取待测算点空间插值结果(即,待测算点决策值)。
在本发明的一些实施例中,步骤24可以包括:将样本数据和连接权重输入步骤21确定的空间插值模型,以获取待测算点空间插值结果。
在步骤25中,将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
基于本发明上述实施例提供的水肥灌溉决策方法,是一种基于Kriging空间插值模型的农业水肥灌溉决策方法,可以通过构建Kriging空间插值模型,从数据库读取待预测数据和样本数据,并对样本数据是否服从正态分布进行检验,将符合正态分布的样本数据和待测算数据进行权重计算,以确定Kriging算法中样本的连接权重参数,将样本数据和连接权重参数输入空间插值模型,以便模型根据各样本的连接权重参数对样本数据进行计算,从而得到待测算点决策值,比较该决策值与专家知识阈值偏差进而实现指导土壤精细化水肥灌溉执行的目的。
本发明上述实施例可以通过利用少量有限且有效的土壤传感器组网建设得到全域土壤水肥需求状态,对于高档精细种植领域意义重大。
图3为本发明水肥灌溉决策方法另一些实施例的示意图。优选的,本实施例可由本发明水肥灌溉决策装置或水肥灌溉决策系统执行。如图3所示,该方法可以包括步骤31至步骤36。
在步骤31中,构建空间插值模型。
在本发明的一些实施例中,所述空间插值模型为Kriging(克里金)插值模型,又称空间自协方差最佳插值模型。
在本发明的一些实施例中,所述空间插值模型为:通过待测算点附近多个空间不连续节点的差值计算获得待测算点(x)空间插值结果的模型。
在本发明的一些实施例中,所述通过待测算点附近多个空间不连续节点的差值计算获得待测算点空间插值结果可以包括:基于Kriging算法空间插值模型基于二阶平稳性假设,由待测算点(x)附近n个空间不连续节点通过插值计算获得待测算点(x)的空间插值结果Z*(x)。
在本发明的一些具体实施例中,所述通过待测算点附近多个空间不连续节点的差值计算获得待测算点空间插值结果可以包括:根据公式(1)获取待测算点空间插值结果Z*(x)。
公式(1)中,Z*(x)为待测算点x的空间插值结果,xi为待测算点x临域内的实测点,1≤i≤n,n为实测点的个数,xi的样本值为Z(xi),λi为x临域内第i个样本节点与待测算点(x)的连接权重。
在步骤32中,从数据库获取样本数据,进行基于Kolmogorov的正态分布假设,设定显著水平为α,原假设H0和备择假设Hα临界值ε可以从数据库相应查得。
在步骤33中,获取经验累积概率与目标分布累积概率之差的上界值Dn,具体可以根据公式(2)获取所述上界值Dn。
公式(2)中,Fn(x)为经验累积概率函数,F0(x)为目标分布的累积概率函数。
在步骤34中,将计算得到Dn值与查数据库所得临界值ε进行比较。当Dn≤ε的情况下,接受原假设H0,此时样本数据符合正态分布,进入空间插值计算,执行步骤35;当不符合原假设H0的情况下,选择备择假设Hα,重新执行步骤32,获取样本数据。
在步骤35中,对样本数据进行连接权重计算,以计算出样本数据对待测算点(x)的贡献度λiZ(xi)。步骤35具体可以包括:建立样本数据与待测算数据基于拉格朗日最优化解的方程组;通过解该方程组解得权重向量λi。
在本发明的一些实施例中,所述方程组可以如公式(3)所示:
公式(3)中,c(x,y)为变异函数,μ为拉格朗日系数,xi、xj为待测算点x临域内的实测点,1≤i≤n、1≤j≤n,n为实测点的个数,λi、λj为x临域内第i个(第j个)样本节点与待测算点(x)的连接权重。
在本发明的另一些实施例中,所述方程组可以为向量方程组,其中所述向量方程组如公式(4)所示:
公式(4)中,cij为c(xi,xj),其中xi、xj为待测算点x临域内的实测点。
在步骤36中,对待测算点进行空间插值计算。根据样本数据和连接权重λi获取待测算点空间插值结果。即,对待测算点(x)进行空间插值计算,将得到的权重向量λi和样本数据求积求和,得到空间插值下待测算点(x)的空间插值结果,进而可以由数据库获取的专家知识库阈值相比较。
在本发明的一些实施例中,步骤36可以包括:将样本数据和连接权重λi输入步骤31确定的如公式(1)所示的空间插值模型,以获取待测算点空间插值结果Z*(x)。
在步骤37中,将待测算点空间插值结果与专家知识库阈值进行比较,得到土壤区块适宜水肥量。将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
在本发明的一些实施例中,步骤37可以包括:将专家知识库阈值E*与待测算点空间插值结果Z*(x)的差值组作为水肥灌溉的经验偏差e,即,根据公式(5)确定水肥灌溉的经验偏差e。
e=ΔZ(x)=E*-Z*(x) (5)
公式(5)中,e为经过与专家知识库阈值比较后所得水肥灌溉偏差,进入水肥灌溉闭环控制系统,作为输入偏差量。E*为从数据库读取的专家知识库水肥灌溉经验值。
本发明上述实施例可以通过构建基于Kriging算法的空间插值模型,从数据库读取待预测数据和样本数据,并对样本数据是否服从正态分布进行检验,将符合正态分布的样本数据和待测算数据进行权重计算,以确定Kriging算法中样本的连接权重参数,将样本数据和连接权重参数输入空间插值模型,以便模型根据各样本的连接权重参数对样本数据进行计算,从而得到待测算点决策值,比较该决策值与专家知识阈值偏差进而实现指导土壤精细化水肥灌溉执行的目的。
本发明上述实施例可以利用构建基于Kriging算法的空间插值模型计算出一定区域内土壤水肥实际需求状态,据此进行全域差异化灌溉和管控,由此可以节省水肥灌溉成本,降低人工成本并减少灌溉紊乱造成的经济损失。
图4为本发明水肥灌溉决策方法又一些实施例的示意图。优选的,本实施例可由本发明水肥灌溉决策装置或水肥灌溉决策系统执行。如图4所示,该方法可以包括步骤51至步骤56。
在步骤51中,获取样本实测。
在步骤52中,进行正态分布检验。
在步骤53中,通过以基于Kriging空间插值算法为基础,结合温室区域内有限的土壤水肥传感系统获取的数据,构建一个基于Kriging空间插值算法的控制模型,计算得到待测算点的空间差值结果。
在步骤54中,将所述待测算点的空间差值结果,即为待测算点的水肥灌溉量。
在步骤55中,获取专家知识库阈值。
在步骤56中,通过比较所述空间差值结果以及数据库中专家知识库阈值,得到实际偏差,进而得到温室全域里网格化的水肥灌溉最佳供给量;之后进行自动供给和实时监测,达到降低水肥成本,减少浪费,节省人工并提升精细种植高档经济作物品质的目的。
图5为本发明水肥灌溉决策装置一些实施例的示意图。如图5所示,图1实施例的水肥灌溉决策装置3可以包括模型构建模块301、样本数据获取模块302、连接权重获取模块303、差值结果获取模块304、决策模块305。
模型构建模块301,用于构建空间插值模型。
样本数据获取模块302,用于从数据库获取样本数据,并对样本数据进行正态分布服从性检验。
连接权重获取模块303,用于获取符合正态分布的样本数据与待测算点的连接权重。
差值结果获取模块304,用于根据样本数据和连接权重获取待测算点空间插值结果。
决策模块305,用于将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
在本发明的一些实施例中,所述水肥灌溉决策装置用于执行实现如上述任一实施例(例如图2-图4任一实施例)所述的水肥灌溉决策方法的操作。
基于本发明上述实施例提供的水肥灌溉决策装置,是一种基于Kriging空间插值模型的农业水肥灌溉决策装置,可以通过构建Kriging空间插值模型,从数据库读取待预测数据和样本数据,并对样本数据是否服从正态分布进行检验,将符合正态分布的样本数据和待测算数据进行权重计算,以确定Kriging算法中样本的连接权重参数,将样本数据和连接权重参数输入空间插值模型,以便模型根据各样本的连接权重参数对样本数据进行计算,从而得到待测算点决策值,比较该决策值与专家知识阈值偏差进而实现指导土壤精细化水肥灌溉执行的目的。
本发明上述实施例可以通过利用少量有限且有效的土壤传感器组网建设得到全域土壤水肥需求状态,对于高档精细种植领域意义重大。
图6为本发明水肥灌溉决策装置另一些实施例的示意图。如图6所示,图1实施例的水肥灌溉决策装置3可以包括存储器311和处理器312。
存储器311,用于存储指令。
处理器312,用于执行所述指令,使得所述水肥灌溉决策装置执行实现如上述任一实施例(例如图2-图4任一实施例)所述的水肥灌溉决策方法的操作。
本发明上述实施例可以通过构建基于Kriging算法的空间插值模型,从数据库读取待预测数据和样本数据,并对样本数据是否服从正态分布进行检验,将符合正态分布的样本数据和待测算数据进行权重计算,以确定Kriging算法中样本的连接权重参数,将样本数据和连接权重参数输入空间插值模型,以便模型根据各样本的连接权重参数对样本数据进行计算,从而得到待测算点决策值,比较该决策值与专家知识阈值偏差进而实现指导土壤精细化水肥灌溉执行的目的。
本发明上述实施例可以利用构建基于Kriging算法的空间插值模型计算出一定区域内土壤水肥实际需求状态,据此进行全域差异化灌溉和管控,由此可以节省水肥灌溉成本,降低人工成本并减少灌溉紊乱造成的经济损失。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例(例如图2-图4任一实施例)所述的水肥灌溉决策方法。
本发明上述实施例可以通过构建基于Kriging算法的空间插值模型,从数据库读取待预测数据和样本数据,并对样本数据是否服从正态分布进行检验,将符合正态分布的样本数据和待测算数据进行权重计算,以确定Kriging算法中样本的连接权重参数,将样本数据和连接权重参数输入空间插值模型,以便模型根据各样本的连接权重参数对样本数据进行计算,从而得到待测算点决策值,比较该决策值与专家知识阈值偏差进而实现指导土壤精细化水肥灌溉执行的目的。
本发明上述实施例可以利用构建基于Kriging算法的空间插值模型计算出一定区域内土壤水肥实际需求状态,据此进行全域差异化灌溉和管控,由此可以节省水肥灌溉成本,降低人工成本并减少灌溉紊乱造成的经济损失。
在上面所描述的水肥灌溉决策装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本发明。为了避免遮蔽本发明的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (13)
1.一种水肥灌溉决策方法,其特征在于,包括:
构建空间插值模型;
从数据库获取样本数据,并对样本数据进行正态分布服从性检验;
获取符合正态分布的样本数据与待测算点的连接权重;
根据样本数据和连接权重获取待测算点空间插值结果;
将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
2.根据权利要求1所述的水肥灌溉决策方法,其特征在于,所述根据样本数据和连接权重获取待测算点空间插值结果包括:
将样本数据和连接权重输入所述空间插值模型,获取待测算点空间插值结果。
3.根据权利要求1或2所述的水肥灌溉决策方法,其特征在于,
所述空间插值模型为:通过待测算点附近多个空间不连续节点的差值计算获得待测算点空间插值结果的模型。
5.根据权利要求1或2所述的水肥灌溉决策方法,其特征在于,所述对样本数据进行正态分布服从性检验包括:
根据设定显著水平从数据库查询获得相应的原假设与备择假设临界值;
获取经验累积概率与目标分布累积概率之差的上界值;
判断所述上界值是否大于所述临界值;
若所述上界值不大于所述临界值,则执行获取符合正态分布的样本数据与待测算点的连接权重的步骤;
若所述上界值不大于所述临界值,则执行从数据库获取样本数据的步骤。
6.根据权利要求1或2所述的水肥灌溉决策方法,其特征在于,所述将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差包括:
将专家知识库阈值与待测算点空间插值结果的差值组作为水肥灌溉的经验偏差。
7.根据权利要求1或2所述的水肥灌溉决策方法,其特征在于,所述获取符合正态分布的样本数据与待测算点的连接权重包括:
建立样本数据与待测算数据基于拉格朗日最优化解的方程组;
将所述方程组的解作为所述连接权重。
9.一种水肥灌溉决策装置,其特征在于,包括:
模型构建模块,用于构建空间插值模型;
样本数据获取模块,用于从数据库获取样本数据,并对样本数据进行正态分布服从性检验;
连接权重获取模块,用于获取符合正态分布的样本数据与待测算点的连接权重;
差值结果获取模块,用于根据样本数据和连接权重获取待测算点空间插值结果;
决策模块,用于将待测算点空间插值结果与专家知识库阈值进行比较,得到水肥灌溉的经验偏差,将所述经验偏差作为执行机构输入指导水肥灌溉系统。
10.根据权利要求9所述的水肥灌溉决策装置,其特征在于,所述水肥灌溉决策装置用于执行实现如权利要求1-8中任一项所述的水肥灌溉决策方法的操作。
11.一种水肥灌溉决策装置,其特征在于,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述水肥灌溉决策装置执行实现如权利要求1-8中任一项所述的水肥灌溉决策方法的操作。
12.一种水肥灌溉决策系统,其特征在于,包括土壤传感器以及如权利要求9-11中任一项所述的水肥灌溉决策装置。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-8中任一项所述的水肥灌溉决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711467949.2A CN108038087B (zh) | 2017-12-29 | 2017-12-29 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711467949.2A CN108038087B (zh) | 2017-12-29 | 2017-12-29 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038087A CN108038087A (zh) | 2018-05-15 |
CN108038087B true CN108038087B (zh) | 2021-02-02 |
Family
ID=62097932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711467949.2A Active CN108038087B (zh) | 2017-12-29 | 2017-12-29 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038087B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109258045B (zh) * | 2018-08-30 | 2020-04-10 | 北京农业智能装备技术研究中心 | 一种潮汐式育苗水肥灌溉管控系统及方法 |
CN111557158A (zh) * | 2020-05-29 | 2020-08-21 | 珠江水利委员会珠江水利科学研究院 | 智能灌溉控制方法及系统 |
CN112352523B (zh) * | 2020-09-09 | 2022-10-04 | 安徽农业大学 | 一种基于智能决策的茶园水肥灌溉控制方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101612A (zh) * | 2007-07-19 | 2008-01-09 | 中国水利水电科学研究院 | 一种模拟田面微地形空间分布状况的方法 |
CN102037888A (zh) * | 2010-10-28 | 2011-05-04 | 重庆市科学技术研究院 | 分布式网络自动灌溉控制系统及其灌溉控制方法 |
CN103020425A (zh) * | 2012-11-22 | 2013-04-03 | 北京师范大学 | 一种基于源控理念的华北平原区非点源污染控制技术 |
CN103839184A (zh) * | 2014-02-21 | 2014-06-04 | 三峡大学 | 一种农作物群体长势多空间尺度自适应监测方法及装置 |
CN103942251A (zh) * | 2014-03-13 | 2014-07-23 | 南京信息工程大学 | 基于多种质控方法的高空气象资料入库方法和入库系统 |
CN104361523A (zh) * | 2014-11-06 | 2015-02-18 | 浙江大学 | 一种基于gis的分布式稻田氮素径流流失负荷估算方法 |
CN106153366A (zh) * | 2016-07-25 | 2016-11-23 | 中国农业大学 | 一种检测复合式吸肥器吸肥性能的装置 |
CN107306765A (zh) * | 2017-07-04 | 2017-11-03 | 河南省农业科学院农业经济与信息研究所 | 一种水肥一体化灌溉系统及灌溉方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060116792A1 (en) * | 2004-12-01 | 2006-06-01 | Addink John W | Irrigation controller |
-
2017
- 2017-12-29 CN CN201711467949.2A patent/CN108038087B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101612A (zh) * | 2007-07-19 | 2008-01-09 | 中国水利水电科学研究院 | 一种模拟田面微地形空间分布状况的方法 |
CN102037888A (zh) * | 2010-10-28 | 2011-05-04 | 重庆市科学技术研究院 | 分布式网络自动灌溉控制系统及其灌溉控制方法 |
CN103020425A (zh) * | 2012-11-22 | 2013-04-03 | 北京师范大学 | 一种基于源控理念的华北平原区非点源污染控制技术 |
CN103839184A (zh) * | 2014-02-21 | 2014-06-04 | 三峡大学 | 一种农作物群体长势多空间尺度自适应监测方法及装置 |
CN103942251A (zh) * | 2014-03-13 | 2014-07-23 | 南京信息工程大学 | 基于多种质控方法的高空气象资料入库方法和入库系统 |
CN104361523A (zh) * | 2014-11-06 | 2015-02-18 | 浙江大学 | 一种基于gis的分布式稻田氮素径流流失负荷估算方法 |
CN106153366A (zh) * | 2016-07-25 | 2016-11-23 | 中国农业大学 | 一种检测复合式吸肥器吸肥性能的装置 |
CN107306765A (zh) * | 2017-07-04 | 2017-11-03 | 河南省农业科学院农业经济与信息研究所 | 一种水肥一体化灌溉系统及灌溉方法 |
Non-Patent Citations (4)
Title |
---|
Effects of different cultivation on annual branch cold resistance of Xinjiang Huizao jujube (Zizyphus jujuba Mill.).;Pan Yan 等;《Web of Science》;20121231;第49卷(第4期);653-661 * |
保护地土壤次生盐渍化的时空变异特征及对策;王贵政;《中国园艺文摘》;20101207;29-31 * |
大型喷灌机变量灌溉技术研究进展;赵伟霞 等;《农业工程学报》;20160819;1-7 * |
水肥一体化精准控制系统的设计与开发;尤兰婷;《中国优秀硕士学位论文全文数据库》;20150815;D044-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN108038087A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karandish et al. | A comparison of numerical and machine-learning modeling of soil water content with limited input data | |
CN108038087B (zh) | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
Whelan et al. | The “null hypothesis” of precision agriculture management | |
CN106406236A (zh) | 具有加工时间测量功能和在机测量功能的加工装置 | |
Smith et al. | Estimating irrigation duration for high performance furrow irrigation on cracking clay soils | |
CN108960530A (zh) | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN109115992A (zh) | 一种农田土壤健康评价系统 | |
McCarthy et al. | Development and simulation of sensor-based irrigation control strategies for cotton using the VARIwise simulation framework | |
Dhaliwal et al. | Predicting and interpreting cotton yield and its determinants under long-term conservation management practices using machine learning | |
CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
Kumar et al. | IoT Enabled Crop Detection System using Soil Analysis | |
Wang et al. | Optimal estimation of irrigation schedule–An example of quantifying human interferences to hydrologic processes | |
Hossain et al. | IoT based smart soil fertilizer monitoring and ml based crop recommendation system | |
Lin et al. | Predictive quality-aware control for scheduling of potato starch production | |
CN110705811B (zh) | 基于水位埋深值预测产量的方法和装置 | |
Wickramasinghe et al. | Smart crop and fertilizer prediction system | |
Shulika et al. | Control over grape yield in the North-Eastern region of Ukraine using mathematical modeling | |
Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
Maksimović et al. | Multi-attribute analysis of orchard according to the integrated production concept | |
CN108197741A (zh) | 植物产量的预测方法及装置 | |
CN113298280A (zh) | 农业育种大数据的深度挖掘与智能决策算法 | |
Shao et al. | Optimal decision-making in the water, land and food nexus using artificial intelligence and extreme machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |