CN110648020A - 一种温室作物需水量预测方法及装置 - Google Patents
一种温室作物需水量预测方法及装置 Download PDFInfo
- Publication number
- CN110648020A CN110648020A CN201910866031.8A CN201910866031A CN110648020A CN 110648020 A CN110648020 A CN 110648020A CN 201910866031 A CN201910866031 A CN 201910866031A CN 110648020 A CN110648020 A CN 110648020A
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- water demand
- crop
- parameter data
- crop water
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 abstract description 8
- 230000002262 irrigation Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000010200 validation analysis Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种温室作物需水量预测方法及装置,将采集的温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量,从而预测温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。本发明预先利用有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练好温室作物需水量预测模型,然后将小气候环境参数和作物生理参数作为温室作物需水量预测模型的输入参数,输出预测的温室作物需水量,由此知道作物实际失去了多少水分,以达到精细灌溉的目的。
Description
技术领域
本发明涉及日光温室灌溉技术领域,尤其涉及一种温室作物需水量预测方法及装置。
背景技术
作物需水量是农业用水的重要组成部分,合理准确地预估作物需水量,是确定科学合理的作物灌溉制度、地区灌溉用水量以及实施精细灌溉的基础,因此,准确估计作物需水量,对于灌区进行灌溉与管理,能够有效提高水分利用率,节约水资源,对发展智慧农业有着十分重要的意义。
目前,传统的作物需水量的预测方法是通过直接计算预测作物需水量,但是这样需要消耗大量人力物力,且效率较慢;目前一般采用基于参考作物需水量预测实际作物需水量,以能量平衡原理为基础的Penman-Monteith公式法,利用常规小气候参数数据便可以较为准确地计算出参考作物吸水量,即通过采用参考作物蒸发蒸腾量ET0与作物系数Kc的计算方法,该方法包含直接计算方式和间接计算方式,直接计算方式一般是根据实测资料,分析例如水面蒸发、气温、湿度、日照和辐射等主要影响因素与作物需水量之间存在的数量关系,归纳成经验公式,但是直接计算方式的实际操作过程复杂,难度比较大,而间接计算方式则多采用在特定环境条件下推导出来的经验公式,但是间接计算方式往往由于缺乏难以测得的资料,或者由于经验公式较为简单而导致计算结果过于粗略,从而有较强的局限性。
因此,目前的作物需水量预测方法存在实际操作过程复杂或者有较强的局限性的问题。
发明内容
针对目前的作物需水量预测方法存在实际操作过程复杂或者有较强的局限性的问题,本发明实施例提供一种温室作物需水量预测方法及装置。
第一方面,本发明实施例提供一种温室作物需水量预测方法,该方法包括:A1、采集温室小气候环境参数数据和作物生理参数数据;A2、将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
优选地,温室小气候环境参数包括空气温度、空气相对湿度和光合有效辐射量,作物生理参数数据包括作物相对叶面积指数。
优选地,温室作物需水量预测模型为LSTM时间循环神经网络;相应地,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的,具体包括:S1、将带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据划分为训练集、验证集和测试集;S2、利用训练集训练LSTM时间循环神经网络后,利用验证集获取LSTM时间循环神经网络的验证集误差;S3、根据验证集误差和预设误差,获取温室作物需水量预测模型。
优选地,步骤S3具体包括:S31、设置LSTM时间循环神经网络的迭代次数的初始值和阈值、以及层数的初始值和阈值,迭代次数和层数均为自然数;S32、若验证集误差小于预设误差,则获取当前LSTM时间循环神经网络的超参数,并将当前LSTM时间循环神经网络作为温室作物需水量预测模型;若验证集误差不小于预设误差,则使迭代次数由迭代次数的初始值起每增加1后重复一次步骤S2,直至迭代次数大于迭代次数的阈值时停止重复步骤S2,然后使层数由层数的初始值起每增加1后重复一次步骤S2,直至层数大于层数的阈值时停止重复步骤S2;获取所有层数对应的验证集误差中最小的验证集误差对应的LSTM时间循环神经网络的超参数,并将该LSTM时间循环神经网络作为温室作物需水量预测模型。
优选地,步骤S3之后还包括:利用测试集对作物需水量预测模型进行精度验证。
优选地,步骤S1之前还包括:将温室小气候环境参数数据和作物生理参数进行预处理,预处理依次包括转换处理和归一化操作。
优选地,采集作物相对叶面积指数的具体步骤包括:由俯视方向采集作物垂直于地面的RGB图像,将RGB图像转换为HSV图像,并设定HSV图像绿色元素的提取范围,以获取绿色通道图像;对绿色通道图像进行先腐蚀、后膨胀的开环运算,并进行灰度化和二值化处理,以获取二值化图像;数组化并遍历二值化图像,以获取作物相对叶面积指数。
第二方面,本发明实施例提供一种温室作物需水量预测装置,该装置包括:采集模块,用于采集温室小气候环境参数数据和作物生理参数数据;预测模块,用于将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
第三方面,本发明实施例提供一种电子设备,该电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的温室作物需水量预测方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的温室作物需水量预测方法。
本发明实施例提供一种温室作物需水量预测方法及装置,将采集的温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量,从而预测温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。本发明实施例预先利用有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练好温室作物需水量预测模型,然后将小气候环境参数和作物生理参数作为温室作物需水量预测模型的输入参数,输出温室作物需水量,从而完成温室作物需水量的预测,由此知道作物实际失去了多少水分,以达到精细灌溉的目的。
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为本发明实施例的温室作物需水量预测方法的流程示意图;
图2为本发明实施例的温室作物需水量预测模型的建立示意图;
图3为本发明实施例的温室作物需水量预测模型的另一建立示意图;
图4为本发明实施例的温室作物需水量预测模型的建立流程示意图;
图5为本发明实施例的温室作物需水量预测装置的结构示意图;
图6为本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
长短期记忆人工神经网络LSTM是一种时间循环神经网络,其实为了解决一般的循环神经网络RNN存在长期依赖问题而专门设计出来的。LSTM是一种含有LSTM区块或其他的一种类神经网络,LSTM区块可能被描述成智能网络单元,因为它可以记忆不定时间长度的数值。
图1为本发明实施例的温室作物需水量预测方法的流程示意图,如图1所示,本发明实施例提供一种温室作物需水量预测方法,该方法包括:
A1、采集温室小气候环境参数数据和作物生理参数数据。
具体地,在实际应用中,需先根据应用所需,利用相关测量仪器采集作物生理参数数据,以及作物生长所处环境的温室小气候环境参数数据。
A2、将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
具体地,预先利用温室小气候环境参数数据和作物生理参数数据以及温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量,即带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据,训练好温室作物需水量预测模型。然后,将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量,以对温室作物需水量进行预测。
本发明实施例提供的温室作物需水量预测方法,预先利用有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练好温室作物需水量预测模型,然后将小气候环境参数和作物生理参数作为温室作物需水量预测模型的输入参数,输出温室作物需水量,从而完成温室作物需水量的预测,由此知道作物实际失去了多少水分,以达到精细灌溉的目的。
基于上述实施例,温室小气候环境参数包括空气温度、空气相对湿度和光合有效辐射量,作物生理参数数据包括作物相对叶面积指数。
具体地,利用温湿度传感器获取作物所处环境的空气湿度和空气相对湿度,并利用太阳辐射传感器获取作物接收的光合有效辐射量。需要说明的是,可通过Arduino平台集成用于测量的传感器,其中,温湿度传感器与Arduino平台通过ADC通讯,太阳辐射传感器与Arduino平台通过串口通讯。
需要说明的是,采集作物相对叶面积指数的具体步骤包括:
步骤1、获取作物垂直地面的俯视RGB图像。
本实施例中,使用树莓派搭载官方摄像头获取作物RGB图像。具体的,将摄像头置于作物正上方,从而在垂直于地面方向获取作物原始图像。根据作物的长势,摄像头的拍摄高度可以调节,但是需要保证拍摄角度垂直于地面。另外,拍摄背景需要保证无其它非必要因素的干扰,例如杂草等。
步骤2、转换RGB图像为HSV图像。
HSV图像是把H(色相),S(饱和度),V(亮度)当做色值来定位颜色的空间。HSV图像空间能够非常直观的表达色彩的明暗、色调、以及鲜艳程度,方便进行颜色之间的对比和提取。当然,也可以将RGB图像转变为HSL、HIS等空间图像进行处理。进行RGB-HSV图像转换的工具有很多,例如Matlab工具,或OpenCv图像库等,本实施例中使用OpenCv进行图像处理。
步骤3、设定HSV图像绿色元素的提取范围,并获取绿色通道图像。
为了提取HSV图像中的绿色通道,对应垂直方向叶片大小,设定对应绿色的H通道上、下限(HU、HL),S通道上、下限(SU、SL)和V通道上、下限(VU、VL),从而完成HSV图像的绿色元素提取,屏蔽掉图像中其他非必要元素。
步骤4、对绿色通道图像进行先腐蚀,后膨胀的开环运算。
由于温室非密封空间,环境变化较明显。因此,获取的图像一般存在很大的噪声干扰,为了消除这些干扰,本实施例中使用了先腐蚀、再膨胀的开环运算方法。当然,也可以使用中值滤波、高斯滤波等方法。
步骤5、图像灰度化和二值化,获取作物二值化图像。
对于绿色通道图像,为了计算绿色所占总背景的比例大小,需要将图像进行灰度化和二值化操作,从而得到的二值化图像中仅有黑、白两种颜色,不存在干扰,方便计算。
步骤6、数组化二值化图像,并遍历图像计算相对叶面积指数。
对于二值化后的图像,只需要使用编程语言,如python,将图像数组化,再通过遍历计算白色部分所占总体图像像素的比值,从而得到相对叶面积指数。
本发明实施例实时在线更新作物相对叶面积指数,相对叶面积指数作为作物垂直投影面积所占背景总面积的比值,能够客观反映作物的长势变化,同时在预测和实际应用中,具有同一性,差异性较小,相对叶面积指数作为作物生理参数数据进一步提高了作物需水量的预测精度,通过图像处理的方式获取作物相对叶面积指数,操作方便,布设简单。
基于上述实施例,图2为本发明实施例的温室作物需水量预测模型的建立示意图,如图2所示,温室作物需水量预测模型为LSTM时间循环神经网络;相应地,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的,具体包括:S1、将带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据按照预设比例(例如6:2:2)划分为训练集、验证集和测试集;S2、利用训练集训练LSTM时间循环神经网络后,利用验证集获取LSTM时间循环神经网络的验证集误差;S3、根据验证集误差和预设误差,获取温室作物需水量预测模型。
需要说明的是,步骤S1之前,还包括:将温室小气候环境参数数据和作物生理参数进行预处理,预处理依次包括转换处理和归一化操作。
应当知道的是,归一化处理为分别将温室小气候环境参数数据和作物生理参数进行线性变换,从而映射到【0,1】区间,线性变换函数为:
其中,Xmax为样本数据的最大值,Xmin为样本数据的最小值,x为被归一化的值,x'为归一化后的值。
基于上述实施例,图3为本发明实施例的温室作物需水量预测模型的另一建立示意图,如图3所示,步骤S3具体包括:S31、设置LSTM时间循环神经网络的迭代次数的初始值和阈值、以及层数的初始值和阈值,迭代次数和层数均为自然数;S32、若验证集误差小于预设误差,则获取当前LSTM时间循环神经网络的超参数,并将当前LSTM时间循环神经网络作为温室作物需水量预测模型;若验证集误差不小于预设误差,则使迭代次数由迭代次数的初始值起每增加1后重复一次步骤S2,直至迭代次数大于迭代次数的阈值时停止重复步骤S2,然后使层数由层数的初始值起每增加1后重复一次步骤S2,直至层数大于层数的阈值时停止重复步骤S2;获取所有层数对应的验证集误差中最小的验证集误差对应的LSTM时间循环神经网络的超参数,并将该LSTM时间循环神经网络作为温室作物需水量预测模型。
具体地,若利用验证集获取的经训练集训练的LSTM时间循环神经网络的验证集误差小于预设误差,则将当前LSTM时间循环神经网络作为最优网络并作为温室作物需水量预测模型,同时更新并存储当前LSTM时间循环神经网络的超参数。
若利用验证集获取的经训练集训练的LSTM时间循环神经网络的验证集误差不小于预设误差,则先使迭代次数由迭代次数的初始值起每增加1后重复一次训练和获取验证集误差的过程,直至迭代次数达到其阈值后,再使层数由层数的初始值起每增加1后重复一次训练和获取验证集误差,直至层数达到其阈值后停止重复训练和获取验证集误差的过程,然后获取所有层数对应的验证集误差中最小的验证集误差对应的LSTM时间循环神经网络作为最优网络,将该LSTM时间循环神经网络作为温室作物需水量模型,并更新并存储该LSTM时间循环神经网络的超参数。
本发明实施例基于LSTM时间循环神经网络,在迭代和循环过程中为获取温室作物需水量模型设置了两个截止出口,即在先将迭代次数由其初始值增加到其阈值,然后将层数由其初始值增加到其阈值的过程中多次重复训练和获取验证集误差,若验证集误差小于预设误差,则将当前LSTM时间循环神经网络作为最优网络并作为温室作物需水量预测模型,此为第一个截止出口;若验证集误差不小于预设误差,则不断重复上述迭代和循环过程直至结束,最后将有层数对应的验证集误差中最小的验证集误差对应的LSTM时间循环神经网络作为温室作物需水量预测模型,此为第二个截止出口。需要说明的是,两个截止出口哪个先达到,就从哪个截止出口停止迭代和循环过程,从而获得最终的温室作物需水量预测模型。本发明实施例采用LSTM时间循环神经网络对温室作物需水量进行预测,减少了部分环境参数,使作物需水量的预测更加关注作物生理需求,从而对需水量的预测更加科学有效。所述方法通用性强,易于操作,具有很好的工程应用价值。
图4为本发明实施例的温室作物需水量预测模型的建立流程示意图,如图4所示,下面详细解释步骤S3中温室作物需水量预测模型的获取过程:
步骤3-1,进行外循环初始化,设定层数L=1,最大层数设置为Lmax,执行步骤3-2;
步骤3-2,进行内循环初始化,设定迭代次数I=1,最大迭代次数设置为Imax,执行步骤3-3;
步骤3-3,利用训练集数据进行LSTM时间循环神经网络的训练,将验证集数据输入训练好的LSTM时间循环神经网络,计算验证集误差并执行步骤3-4;
步骤3-4,比较验证集误差与预设误差的大小:若验证集误差小于预设误差,则将当前LSTM时间循环神经网络作为当前最优网络,更新并且存储最优网络的超参数,读取所对应的的LSTM时间循环神经网络的超参数,执行步骤3-7;若验证集误差大于或等于预设误差,则迭代次数I^=I+1,执行步骤3-5;
步骤3-5,比较迭代次数I^与最大迭代次数Imax的大小:若I^小于或者等于Imax,则执行步骤3-3;若I^大于Imax,则层数L^=L+1,执行步骤3-6;
步骤3-6,比较层数L^与最大设定层数Lmax的大小:若L^大于Lmax,则选取不同层数时验证集误差最小的最优网络,并读取所对应的LSTM循环神经网络的超参数,执行步骤3-7;若L^小于或等于Lmax,则执行步骤3-2;
步骤3-7,依据读取的神经网络参数确定最终的作物需水量预测模型。
基于上述实施例,步骤S3之后,还包括:利用测试集对作物需水量预测模型进行精度验证。
图5为本发明实施例的温室作物需水量预测装置的结构示意图,如图5所示,本发明实施例提供一种温室作物需水量预测装置,该装置包括采集模块501和预测模块502,其中:
采集模块501,用于采集温室小气候环境参数数据和作物生理参数数据。
具体地,在实际应用中,需先根据应用所需,根据采集模块501利用相关测量仪器采集作物生理参数数据,以及作物生长所处环境的温室小气候环境参数数据。
预测模块502,用于将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
具体地,预测模块502预先利用温室小气候环境参数数据和作物生理参数数据以及温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量,即带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据,训练好温室作物需水量预测模型。然后,将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量,以对温室作物需水量进行预测。
本发明实施例提供的温室作物需水量预测装置,预先利用有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练好温室作物需水量预测模型,然后将小气候环境参数和作物生理参数作为温室作物需水量预测模型的输入参数,输出温室作物需水量,从而完成温室作物需水量的预测,由此知道作物实际失去了多少水分,以达到精细灌溉的目的。
图6为本发明实施例的电子设备的结构示意图,如图6所示,本发明实施例提供了一种电子设备,该电子设备包括:处理器(processor)601、通信接口(CommunicationsInterface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603上并可在处理器601上运行的计算机程序,以执行上述各实施例提供的温室作物需水量预测方法,例如包括:A1、采集温室小气候环境参数数据和作物生理参数数据;A2、将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的温室作物需水量预测方法,例如包括:A1、采集温室小气候环境参数数据和作物生理参数数据;A2、将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型,输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量;其中,温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种温室作物需水量预测方法,其特征在于,包括:
采集温室小气候环境参数数据和作物生理参数数据;
将所述温室小气候环境参数数据和所述作物生理参数数据输入至温室作物需水量预测模型,输出所述温室小气候环境参数数据和所述作物生理参数数据对应的温室作物需水量;其中,所述温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
2.根据权利要求1所述的温室作物需水量预测方法,其特征在于,所述温室小气候环境参数包括空气温度、空气相对湿度和光合有效辐射量,所述作物生理参数数据包括作物相对叶面积指数。
3.根据权利要求1所述的温室作物需水量预测方法,其特征在于,所述温室作物需水量预测模型为LSTM时间循环神经网络;
相应地,所述温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的,具体包括:
S1、将所述带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据划分为训练集、验证集和测试集;
S2、利用所述训练集训练所述LSTM时间循环神经网络后,利用所述验证集获取所述LSTM时间循环神经网络的验证集误差;
S3、根据所述验证集误差和预设误差,获取所述温室作物需水量预测模型。
4.根据权利要求3所述的温室作物需水量预测方法,其特征在于,步骤S3具体包括:
S31、设置所述LSTM时间循环神经网络的迭代次数的初始值和阈值、以及层数的初始值和阈值,所述迭代次数和所述层数均为自然数;
S32、若所述验证集误差小于所述预设误差,则获取当前所述LSTM时间循环神经网络的超参数,并将当前所述LSTM时间循环神经网络作为所述温室作物需水量预测模型;
若所述验证集误差不小于所述预设误差,则使所述迭代次数由所述迭代次数的初始值起每增加1后重复一次步骤S2,直至所述迭代次数大于所述迭代次数的阈值时停止重复步骤S2,然后使所述层数由所述层数的初始值起每增加1后重复一次步骤S2,直至所述层数大于所述层数的阈值时停止重复步骤S2;获取所有层数对应的所述验证集误差中最小的验证集误差对应的所述LSTM时间循环神经网络的超参数,并将该LSTM时间循环神经网络作为所述温室作物需水量预测模型。
5.根据权利要求4所述的温室作物需水量预测方法,其特征在于,步骤S3之后还包括:
利用所述测试集对所述作物需水量预测模型进行精度验证。
6.根据权利要求3所述的温室作物需水量预测方法,其特征在于,步骤S1之前还包括:
将所述温室小气候环境参数数据和作物生理参数进行预处理,所述预处理依次包括转换处理和归一化操作。
7.根据权利要求2所述的温室作物需水量预测方法,其特征在于,采集作物相对叶面积指数的具体步骤包括:
由俯视方向采集作物垂直于地面的RGB图像,将所述RGB图像转换为HSV图像,并设定所述HSV图像绿色元素的提取范围,以获取绿色通道图像;
对所述绿色通道图像进行先腐蚀、后膨胀的开环运算,并进行灰度化和二值化处理,以获取二值化图像;
数组化并遍历所述二值化图像,以获取所述作物相对叶面积指数。
8.一种温室作物需水量预测装置,其特征在于,包括:
采集模块,用于采集温室小气候环境参数数据和作物生理参数数据;
预测模块,用于将所述温室小气候环境参数数据和所述作物生理参数数据输入至温室作物需水量预测模型,输出所述温室小气候环境参数数据和所述作物生理参数数据对应的温室作物需水量;其中,所述温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。
9.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述温室作物需水量预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述温室作物需水量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866031.8A CN110648020A (zh) | 2019-09-12 | 2019-09-12 | 一种温室作物需水量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866031.8A CN110648020A (zh) | 2019-09-12 | 2019-09-12 | 一种温室作物需水量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110648020A true CN110648020A (zh) | 2020-01-03 |
Family
ID=69010550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910866031.8A Pending CN110648020A (zh) | 2019-09-12 | 2019-09-12 | 一种温室作物需水量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648020A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109526701A (zh) * | 2019-01-23 | 2019-03-29 | 中国联合网络通信集团有限公司 | 滴灌控制方法及装置 |
CN113040034A (zh) * | 2021-03-26 | 2021-06-29 | 西京学院 | 一种节水灌溉控制系统及控制方法 |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN115686110A (zh) * | 2023-01-07 | 2023-02-03 | 广州市农业科学研究院 | 温室大棚智能控制方法、系统、监控装置、设备及介质 |
CN116306794A (zh) * | 2023-03-09 | 2023-06-23 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002322B1 (en) * | 2017-04-06 | 2018-06-19 | The Boston Consulting Group, Inc. | Systems and methods for predicting transactions |
CN109086912A (zh) * | 2018-07-11 | 2018-12-25 | 东北大学 | 一种基于lstm的智能家电用户行为预测方法和装置 |
CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
CN109657730A (zh) * | 2018-12-27 | 2019-04-19 | 中国农业大学 | 预测温室作物蒸腾量的方法及系统 |
-
2019
- 2019-09-12 CN CN201910866031.8A patent/CN110648020A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002322B1 (en) * | 2017-04-06 | 2018-06-19 | The Boston Consulting Group, Inc. | Systems and methods for predicting transactions |
CN109086912A (zh) * | 2018-07-11 | 2018-12-25 | 东北大学 | 一种基于lstm的智能家电用户行为预测方法和装置 |
CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
CN109657730A (zh) * | 2018-12-27 | 2019-04-19 | 中国农业大学 | 预测温室作物蒸腾量的方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109526701A (zh) * | 2019-01-23 | 2019-03-29 | 中国联合网络通信集团有限公司 | 滴灌控制方法及装置 |
CN113040034A (zh) * | 2021-03-26 | 2021-06-29 | 西京学院 | 一种节水灌溉控制系统及控制方法 |
CN113040034B (zh) * | 2021-03-26 | 2023-10-24 | 西京学院 | 一种节水灌溉控制系统及控制方法 |
CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
CN115686110A (zh) * | 2023-01-07 | 2023-02-03 | 广州市农业科学研究院 | 温室大棚智能控制方法、系统、监控装置、设备及介质 |
CN116306794A (zh) * | 2023-03-09 | 2023-06-23 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
CN116306794B (zh) * | 2023-03-09 | 2023-10-31 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
CN104850836A (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
Gleason et al. | Forest biomass estimation from airborne LiDAR data using machine learning approaches | |
CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN104142142A (zh) | 全球植被覆盖度估算方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN113673490B (zh) | 一种物候期自适应的作物生理参数遥感估测方法及系统 | |
CN102175626A (zh) | 一种基于光谱图像分析的黄瓜叶片含氮量预测方法 | |
CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN113326925B (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN105371762A (zh) | 一种基于图像分析的果树树冠体积测量方法 | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
CN104616283A (zh) | 一种基于低秩表示算法的害虫检测方法 | |
CN116703638A (zh) | 大棚蔬菜种植管理系统及其方法 | |
CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
CN109712110B (zh) | 一种基于机器视觉的作物实时耗水量监测方法和装置 | |
US20220358641A1 (en) | Information processing device and index value calculation method | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time |
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 |