CN110896761B - 一种温室的灌溉决策方法及系统 - Google Patents

一种温室的灌溉决策方法及系统 Download PDF

Info

Publication number
CN110896761B
CN110896761B CN201910882852.0A CN201910882852A CN110896761B CN 110896761 B CN110896761 B CN 110896761B CN 201910882852 A CN201910882852 A CN 201910882852A CN 110896761 B CN110896761 B CN 110896761B
Authority
CN
China
Prior art keywords
greenhouse
outdoor
evapotranspiration
data
preset
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
Application number
CN201910882852.0A
Other languages
English (en)
Other versions
CN110896761A (zh
Inventor
张钟莉莉
于景鑫
张馨
薛绪掌
吴文彪
单飞飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201910882852.0A priority Critical patent/CN110896761B/zh
Publication of CN110896761A publication Critical patent/CN110896761A/zh
Application granted granted Critical
Publication of CN110896761B publication Critical patent/CN110896761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/14—Greenhouses
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/247—Watering arrangements
    • 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
    • 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—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种温室的灌溉决策方法及系统。所述方法包括根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；根据所述室内作物蒸散量，确定所述温室的灌溉决策，本发明实施例通过获取温室的室外气象数据得到室外作物蒸散量，再根据预设的温室蒸散量预测模型，得到室内作物蒸散量，并根据所述室内作物蒸散量，确定所述温室的灌溉决策，从而大大节省了灌溉决策的预测成本，同时避免了由于传感器故障导致的数据可靠性问题。

Description

一种温室的灌溉决策方法及系统
技术领域
本发明涉及农业技术领域，尤其涉及一种温室的灌溉决策方法及系统。
背景技术
由于温室作物生长环境的特殊性，切断了降雨的补给，作物生长所需的水分主要取决于灌溉水，因此温室作物的灌溉时机与灌溉水量直接影响作物的发育生长。灌溉决策作为温室作物种植生产的核心工作，早期的温室作物灌溉补水主要依靠人工经验判断，容易造成灌溉不足或过量的情况，不利于作物正常生长与果实品质形成，此外过量灌溉不仅造成水资源的浪费，随着水肥施入还容易诱发面源污染问题。
随着传感器与通信技术的发展，越来越多的温室生产管理通过在温室内安装环境监测设备获取诸如空气温、空气湿度、光辐射、土壤水分、等参数值，进行阈值判断进而为灌溉决策提供依据。这种方式相对于原始的经验判断，从环境和作物参数上提供了相对准确的作物需水量判断，为灌溉决策提供了定量化依据。在此后科学研究中，更多特异性传感器如红外成像仪、激光雷达等被用于温室环境监测与灌溉决策。
但是仅一台小型温室环境基础监测设备采购价格可达5-8万元，在实际生产中，针对以集群化温室为主的设施农业特点，在每个日光温室里都需安装一套传感器设备，造价投入过高，外加安装、维护、通讯等费用成本会更高。
发明内容
由于现有方法存在上述问题，本发明实施例提供一种温室的灌溉决策方法及系统。
第一方面，本发明实施例提供了一种温室的灌溉决策方法，包括：
根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；
根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；
根据所述室内作物蒸散量，确定所述温室的灌溉决策。
进一步地，所述根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；具体包括：
根据预设的区域划分方法和所述温室的地理位置信息，确定所述温室所在区域；
根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；
根据所述室外气象数据和所述室外作物蒸散量算法，计算得到所述室外作物蒸散量。
进一步地，所述根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；具体包括：
根据各气象站与所述温室所在区域的距离，获取由最接近的预设站点数的气象站发送的气象数据，并通过预设的空间插值算法，得到所述温室所在区域的等效气象数据，作为所述温室的室外气象数据。
进一步地，所述根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；具体包括：
根据所述室外作物蒸散量、室外气象数据和环境数据，通过基于深度神经回归网络前向传播算法来构建的预设的温室蒸散量预测模型，得到室内作物蒸散量。
进一步地，所述根据所述室内作物蒸散量，确定所述温室的灌溉决策；具体包括：
根据在预设周期内得到的所述室内作物蒸散量，通过预设的土壤水分亏缺算法，得到本周期的土壤水分亏缺量；
根据本周期的土壤水分亏缺量，确定本周期的所述温室的灌溉决策。
进一步地，所述温室的灌溉决策方法还包括：
获取所述温室的环境数据，所述环境数据包括所述温室的地理位置信息、温室工程信息和作物信息。
第二方面，本发明实施例提供了一种温室的灌溉决策系统，包括：
蒸散量计算模块，用于根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；
模型预测模块，用于根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；
决策制定模块，用于根据所述室内作物蒸散量，确定所述温室的灌溉决策。
进一步地，所述蒸散量计算模块具体包括：区域划分模块，第一计算模块和第二计算模块；其中，
所述区域划分模块，用于根据预设的区域划分方法和所述温室的地理位置信息，确定所述温室所在区域；
所述第一计算模块，用于根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；
所述第二计算模块，用于根据所述室外气象数据和所述室外作物蒸散量算法，计算得到所述室外作物蒸散量。
第三方面，本发明实施例还提供了一种电子设备，包括：
处理器、存储器、通信接口和通信总线；其中，
所述处理器、存储器、通信接口通过所述通信总线完成相互间的通信；
所述通信接口用于该电子设备的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的计算机程序指令，所述处理器调用所述程序指令能够执行如下方法：
根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；
根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；
根据所述室内作物蒸散量，确定所述温室的灌溉决策。
第四方面，本发明实施例还提供了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如下方法：
根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；
根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；
根据所述室内作物蒸散量，确定所述温室的灌溉决策。
本发明实施例提供的温室的灌溉决策方法及系统，通过获取温室的室外气象数据得到室外作物蒸散量，再根据预设的温室蒸散量预测模型，得到室内作物蒸散量，并根据所述室内作物蒸散量，确定所述温室的灌溉决策，从而大大节省了灌溉决策的预测成本，同时避免了由于传感器故障导致的数据可靠性问题。
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一简单地介绍，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的灌溉决策方法流程图；
图2为本发明实施例的另一温室的灌溉决策方法流程图；
图3为本发明实施例的又一温室的灌溉决策方法流程图；
图4为本发明实施例的还一温室的灌溉决策方法流程图；
图5为本发明实施例的再一温室的灌溉决策方法流程图；
图6为本发明实施例的温室的灌溉决策系统结构示意图；
图7示例了一种电子设备的实体结构示意图。
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。
图1为本发明实施例的温室的灌溉决策方法流程图，如图1所示，所述方法包括：
步骤S01、根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量。
云端服务器先设法获取温室的室外气象数据，具体的获取方法有很多，在本发明实施中所述云端服务器利用预先设定的计算机程序通过定期向互联网公开的气象数据API接口发送请求，例如每小时一次，在线获取实时气象数据及未来的预报气象数据并存入数据库中，从而可根据接收到的温室的地理位置信息直接从数据库中获取对应的室外气象参数。所述室外气象数据可包括：空气温度(T)、空气湿度(H)、降水(R)、日照(S)、大气压强(P)和风速(U)等。
为了保证气象数据准确性和数据格式的一致性以方便后续的计算，所述云端服务器将先对通过API接口获取的气象数据进行数据校验，将通过校验后的气象数据存入数据库，而对未通过校验的气象数据进行剔除，并记录下日志存档。所述气象数据的数据格式可以采用统一的json数据格式，并对通过API接口获取到的气象数据进行json数据格式解析校验，若解析成功则判定为校验通过，若解析失败则判定为校验失败，并对校验失败的气象数据再次发起请求，而若在重复预设重复阈值后，例如10次，所述气象数据均校验失败，则可以向管理员发出警告信息。
云端服务器预先设置有室外作物蒸散量算法，从而可以根据所述温室的室外气象数据得到所述温室的室外作物蒸散量。所述室外作物蒸散量算法可以根据实际的需要以及能够获取到的室外气象数据的种类来具体进行设定，本发明实施例仅给出了其中的一种举例说明，所述室外作物蒸散量算法的计算公式如下：
Figure BDA0002206401510000061
Figure BDA0002206401510000062
Figure BDA0002206401510000063
Figure BDA0002206401510000064
Figure BDA0002206401510000065
其中：ET0O为室外作物蒸散量，单位为mm/d；Δ为温度-饱和水汽压关系曲线在温度T处的切线斜率，单位为kPa/℃；Rn为净辐射，单位为MJ/(m2·d)；G为土壤热通量，单位为MJ/(m2·d)；T为地表预设高度处每日平均气温，单位为℃；Tmax/min为地表预设高度处每日最高/最低气温，单位为℃；es为地表预设高度处平均饱和蒸气压，单位为kPa；ea为地表预设高度处平均实际蒸气压，单位为kPa；RHmax/min为地表预设高度处每日最高/最低相对湿度，单位为％。
步骤S02、根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的。
云端服务器为了能够通过室外作物蒸散量得到所述温室的室内作物蒸散量，预先构建了温室蒸散量预测模型。所述该温室蒸散量预测模型的输入层的输入包括所述室外作物蒸散量、所述室外气象数据以及预先获取到的所述温室的环境数据，而所述温室蒸散量预测模型的输出层输出所述温室的室内作物蒸散量。具体地，可以先将所述室外作物蒸散量、所述室外气象数据和所述温室的环境数据整合为一条输入数据，并对所述输入数据的值进行归一化处理后作为所述温室蒸散量预测模型的输入，所述归一化的处理方法为：
Figure BDA0002206401510000071
其中，x*为归一化后的值，
Figure BDA0002206401510000072
为原始数据的均值，σ为原始数据的标准差。
当然，所述温室蒸散量预测模型需要由预先获取的训练输入数据和对应的经过标注的训练室内作物蒸散量进行预先的训练。
进一步地，在步骤S01前所述方法还包括：
获取所述温室的环境数据，所述环境数据包括所述温室的地理位置信息、温室工程信息和作物信息。
所述温室的环境数据为在所述温室初始建设后通过测量得到的与所述温室相关的相对稳定的基础参数，具体包括：所述温室的地理位置信息、温室工程信息和作物信息。
所述地理位置信息可以直接采用GPS坐标，选取温室室外附近，例如，不超过5米位置，通过智能终端GPS定位应用APP可获得精度不低于50米的地理位置信息，所获取的地理位置信息分别为经度X、纬度Y、高程E(m)。
所述温室工程信息为根据温室的建筑工程和设计得到的用于表征温室的空间特性、透光特性和保温特性等的各种基础参数。具体可包括温室地面面积GSG、温室透窗面积GSW、温室高度GH、透光系数F、热变系数ΔHT等。
所述透光系数可通过测量温室的透窗投影面积和温室内外日照强度，计算温室室内与室外日照强度的对比关系系数，反映温室内外日照差异情况，例如，具体可选中正午12时利用智能终端日照测量APP分别获取正上方室内日照强度Si12和室外日照强度So12，透光系数F计算公式为：
Figure BDA0002206401510000081
所述热变系数可通过记录不同时段的室内、外的温度，计算室内与室外温度变化速率的关系系数，反映室内、外的温度交换情况。例如，具体可测量温室中心预设高度无阳光直射处，分别于上午8时、中午12时、下午16时、晚间20时测定温室的室内温度Ti8，Ti12，Ti16，Ti20，同时记录上午8时、中午12时、下午16时、晚间20时温室的室外温度To8，To12，To16，To20，热变系数ΔHT计算公式为：
Figure BDA0002206401510000082
所述环境数据中的作物信息，则为所述温室当前种植的作物品种和数量等信息。
由于所述环境数据均为相对稳定的基础参数，因此，只需要在温室初始建设后一次性获取即可，只有在温室结构、材料变更或种植的作物变更等情况时才需要重新采集。
步骤S03、根据所述室内作物蒸散量，确定所述温室的灌溉决策。
所述云端服务器通过对得到的室内作物蒸散量进行汇总统计，可以给出所述温室的具体灌溉决策，所述灌溉决策可以包括灌溉的频率、注水量以及灌溉的方式等。从而根据所述灌溉决策向温室的灌溉系统发送相应地灌溉指令来执行具体的灌溉操作。
本发明实施例通过获取温室的室外气象数据得到室外作物蒸散量，再根据预设的温室蒸散量预测模型，得到室内作物蒸散量，并根据所述室内作物蒸散量，确定所述温室的灌溉决策，从而大大节省了灌溉决策的预测成本，同时避免了由于传感器故障导致的数据可靠性问题。
图2为本发明实施例的另一温室的灌溉决策方法流程图，如图2所示，所述步骤S01具体包括：
步骤S011、根据预设的区域划分方法和所述温室的地理位置信息，确定所述温室所在区域。
为了获取所述温室的室外气象数据，需要先确定所述温室所在区域。通过预设的区域划分方法将所涉及的地区进行划分。具体可以采用根据预设的经度差和纬度差进行梯形网格划分。例如，按照1:10000的比例尺构建经度差为3′45″，纬度差为2′30″的全国范围梯形网格划分，将全国约960万平方公里的陆地面积分成709633个等经纬度差的梯形网格并提取每个网格内的平均高程。然后根据温室的地理位置信息中的经纬度将其所在的网格确定为所述温室所在区域。
步骤S012、根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据。
然后从云端服务器的数据库中筛选出与所述温室所在区域对应的气象站，具体可以为温室所在区域内的气象站，或者与温室所在区域的距离在预设距离阈值范围内的气象站。
通过数据库中保存的筛选出的气象站发送的气象数据得到所述温室的室外气象数据。
步骤S013、根据所述室外气象数据和所述室外作物蒸散量算法，计算得到所述室外作物蒸散量。
由上述实施例可知，再进一步根据预设的室外作物蒸散量算法，可计算得到所述室外作物蒸散量。
本发明实施例通过预设的区域划分方法，得到所述温室所在区域，并根据与温室所在区域对应的气象站发送的气象数据更加精确得获取温室的室外气象数据，并根据室外作物蒸散量算法得到室外作物蒸散量，从而大大节省了运算成本。
图3为本发明实施例的又一温室的灌溉决策方法流程图，如图3所示，所述步骤S012具体包括：
步骤S0121、根据各气象站与所述温室所在区域的距离，获取由最接近的预设站点数的气象站发送的气象数据，并通过预设的空间插值算法，得到所述温室所在区域的等效气象数据，作为所述温室的室外气象数据。
在获取到所述温室所在区域后，根据数据库中各气象站的坐标分别计算与所述温室所在区域的距离，具体可以将所述温室所在区域中心点的坐标作为所述温室所在区域的坐标来进行计算。从中筛选出距离最近的预设站点数N的气象站，并从数据库中提取出筛选出的气象站采集的气象数据。
再根据预设的空间插值算法来计算所述温室所在区域的等效气象数据。所述预设站点数可以根据实际的需要来进行设定，但为了保证空间插值算法的可靠性，不宜过少，可选择大于等于8。
本发明实施例所采用的空间插值算法为基于地理信息系统(GeographicInformation System或Geo-Information system，GIS)的空间插值算法，其中，具体的所述温室所在区域的等效气象数据S(x,y)的计算公式如下：
Figure BDA0002206401510000101
其中：温室所在区域的坐标为(x,y)，j＝1,2,...,N为参与气象站标识，λj是预设系数，可通过求解线性方程组而获得，rj是所述温室所在区域与第j个气象站之间的距离。
T(x,y)＝a1+a2x+a3y
其中：ai为预设系数，可通过求解线性方程组而获得。
Figure BDA0002206401510000102
其中：r是气象站与温室所在区域之间的距离，τ2是权重参数，Ko是修正贝塞尔函数，c＝0.577215。
根据上述公式可以精确得获取所述温室所在区域的等效气象数据，并将其作为所述温室的室外气象数据。
本发明实施例通过预设的空间插值算法，能够精确得到所述温室所在区域的等效气象数据，并将其作为所述温室的室外气象数据，从而保证了根据室外气象数据得到的室外作物蒸散量，以及后续的灌溉决策的可靠性。
基于上述实施例，进一步地，所述步骤S02具体包括：
步骤S021、根据所述室外作物蒸散量、室外气象数据和环境数据，通过基于深度神经回归网络前向传播算法来构建的预设的温室蒸散量预测模型，得到室内作物蒸散量。
所述温室蒸散量预测模型的构建方法可以根据实际的需要来进行设定，本发明实施例仅以基于深度神经回归网络DNNR前向传播算法为例进行举例说明。该网络结构包含输入层，隐藏层和输出层，网络各层之间采用全连接神经网络形式，即第n层的任意一个神经元均与第n+1层的任意一个神经元相连接，前一层的输出值作为后一层的输入值，该网络的表达公式为：
Figure BDA0002206401510000111
其中：x为输入特征；W为模型各层间权重；c、b为层间节点偏移向量。
该网络的激活函数采用ReLU函数进行快速计算梯度下降且避免了模型训练时梯度消失问题，其函数公式为：
σ(x)＝max(0,x)
通过将室外作物蒸散量、室外气象数据和环境数据整合为输入数据输入到所述温室蒸散量预测模型，从而输出得到室内作物蒸散量。
本发明实施例通过采用基于深度神经回归网络前向传播算法来构建的预设的温室蒸散量预测模型，从而能够更加精确地得到室内作物蒸散量，保证了后续的灌溉决策的可靠性。
图4为本发明实施例的还一温室的灌溉决策方法流程图，如图4所示，所述步骤S03具体包括：
步骤S031、根据在预设周期内得到的所述室内作物蒸散量，通过预设的土壤水分亏缺算法，得到本周期的土壤水分亏缺量。
云端服务器预设有周期运行的土壤水分亏缺算法，通过所述土壤水分亏缺算法，根据本周期内得到的所述室内作物蒸散量，计算本周期内的土壤水分亏缺量。所述土壤水分缺算法得到的土壤水分亏缺量In的计算公式为：
Figure BDA0002206401510000121
其中，ET0nI为本周期内第n次得到的室内作物蒸散量，a为水分亏缺系数，其取值范围可以为0.7～1，η为灌溉水利用系数，若采用滴灌方式则通常取0.9～0.95。
若所述预设周期为一天一次，而所述室内作物蒸散量的计算周期为每小时一次，则所述土壤水分亏缺量将根据前24小时得到的室内作物蒸散量计算得到。
步骤S032、根据本周期的土壤水分亏缺量，确定本周期的所述温室的灌溉决策。
然后再根据得到的本周期的所述土壤水分亏缺量来制定所述温室的灌溉决策。例如，若所述灌溉频率与所述预设的周期相同，为一天一次，则可直接将得到的土壤水分亏缺量，作为所述温室的灌溉系统的注水量。
本发明实施例通过预设的土壤水分亏缺算法，周期性得计算所述土壤水分亏缺量，从而可以更加准确得制定灌溉决策。
图5为本发明实施例的再一温室的灌溉决策方法流程图，如图5所示，所述灌溉决策方法具体包括：
通过智能终端的应用APP和温度计等工具测量得到所述温室的环境数据，所述环境数据可包括GPS坐标、温室高度、温室地面面积、温室透窗面积、透光系数和热变系统等并上传给云端服务器。
而云端服务器利用互联网采集气象数据，并进行解析校验，若校验成功则进行数据存储，并且记录日志，所述气象数据包括空所温度、空气温度、降水、日照、大气压强、网速等。
根据预设的空间插值算法，根据数据和高程协变量，得到所述温室的室外气象数据，并进一步计算得到室外作物蒸散量ET0O。
对得到的室外气象数据、环境数据和室外作物蒸散量进行数据整合和归一化处理后，输入到预设的基于DNNR的预测模型中，输出得到室内作物蒸散量ET0I。
根据预设周期所对应时段的室内作物蒸散量计算得到土壤水分亏缺量，将所述土壤水分亏缺量进行数据存储，定时进行数据发布，并通过互联网向所述温室的灌溉系统执行灌溉控制。
图6为本发明实施例的温室的灌溉决策系统结构示意图，如图6所示，所述系统包括：蒸散量计算模块10、模型预测模块11和决策制定模块12，其中，
所述蒸散量计算模块10用于根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；所述模型预测模块11用于根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；所述决策制定模块12用于根据所述室内作物蒸散量，确定所述温室的灌溉决策。具体地：
所述蒸散量计算模块10先设法获取温室的室外气象数据，具体的获取方法有很多，在本发明实施中所述云端服务器利用预先设定的计算机程序通过定期向互联网公开的气象数据API接口发送请求，在线获取实时气象数据及未来的预报气象数据并存入数据库中，从而可根据接收到的温室的地理位置信息直接从数据库中获取对应的室外气象参数。
为了保证气象数据准确性和数据格式的一致性以方便后续的计算，所述蒸散量计算模块10将先对通过API接口获取的气象数据进行数据校验，将通过校验后的气象数据存入数据库，而对未通过校验的气象数据进行剔除，并记录下日志存档。同时，对未通过校验的气象数据再次发起请求，而若在重复预设重复阈值后，例如10次，所述气象数据均未通过校验，则可以向管理员发出警告信息。
蒸散量计算模块10预先设置有室外作物蒸散量算法，从而可以根据所述温室的室外气象数据得到所述温室的室外作物蒸散量。所述室外作物蒸散量算法可以根据实际的需要以及能够获取到的室外气象数据的种类来具体进行设定，本发明实施例仅给出了其中的一种举例说明，所述室外作物蒸散量算法的计算公式如下：
Figure BDA0002206401510000141
Figure BDA0002206401510000142
Figure BDA0002206401510000143
Figure BDA0002206401510000144
Figure BDA0002206401510000145
其中：ET0O为室外作物蒸散量，单位为mm/d；Δ为温度-饱和水汽压关系曲线在温度T处的切线斜率，单位为kPa/℃；Rn为净辐射，单位为MJ/(m2·d)；G为土壤热通量，单位为MJ/(m2·d)；T为地表预设高度处每日平均气温，单位为℃；Tmax/min为地表预设高度处每日最高/最低气温，单位为℃；es为地表预设高度处平均饱和蒸气压，单位为kPa；ea为地表预设高度处平均实际蒸气压，单位为kPa；RHmax/min为地表预设高度处每日最高/最低相对湿度，单位为％。
模型预测模块11预先构建了温室蒸散量预测模型。所述该温室蒸散量预测模型的输入层的输入包括由所述蒸散量计算模块10发送的室外作物蒸散量、所述室外气象数据以及预先获取到的所述温室的环境数据，而所述温室蒸散量预测模型的输出层输出所述温室的室内作物蒸散量。具体地，可以先将所述室外作物蒸散量、所述室外气象数据和所述温室的环境数据整合为一条输入数据，并对所述输入数据的值进行归一化处理后作为所述温室蒸散量预测模型的输入，所述归一化的处理方法为：
Figure BDA0002206401510000146
其中，x*为归一化后的值，
Figure BDA0002206401510000147
为原始数据的均值，σ为原始数据的标准差。
当然，所述温室蒸散量预测模型需要由预先获取的训练输入数据和对应的经过标注的训练室内作物蒸散量进行预先的训练。
进一步地，所述系统还包括信息采集模块13：
所述信息采集模块13用于获取所述温室的环境数据，所述环境数据包括所述温室的地理位置信息、温室工程信息和作物信息。
所述温室的环境数据为在所述温室初始建设后通过测量得到的与所述温室相关的相对稳定的基础参数，具体包括：所述温室的地理位置信息、温室工程信息和作物信息。
所述地理位置信息可以直接采用GPS坐标。
所述温室工程信息为根据温室的建筑工程和设计得到的用于表征温室的空间特性、透光特性和保温特性等的各种基础参数。具体可包括温室地面面积GSG、温室透窗面积GSW、温室高度GH、透光系数F、热变系数ΔHT等。
所述透光系数可通过测量温室的透窗投影面积和温室内外日照强度，计算温室室内与室外日照强度的对比关系系数，反映温室内外日照差异情况。
所述热变系数可通过记录不同时段的室内、外的温度，计算室内与室外温度变化速率的关系系数，反映室内、外的温度交换情况。
所述环境数据中的作物信息，则为所述温室当前种植的作物品种和数量等信息。
由于所述环境数据均为相对稳定的基础参数，因此，只需要在温室初始建设后由信息采集模块13一次性获取即可，只有在温室结构、材料变更或种植的作物变更等情况时才需要重新采集。
所述决策制定模块12通过对由模型预测模块11得到的室内作物蒸散量进行汇总统计，可以给出所述温室的具体灌溉决策，所述灌溉决策可以包括灌溉的频率、注水量以及灌溉的方式等。从而根据所述灌溉决策向温室的灌溉系统发送相应地灌溉指令来执行具体的灌溉操作。
本发明实施例提供的系统用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。
本发明实施例通过获取温室的室外气象数据得到室外作物蒸散量，再根据预设的温室蒸散量预测模型，得到室内作物蒸散量，并根据所述室内作物蒸散量，确定所述温室的灌溉决策，从而大大节省了灌溉决策的预测成本，同时避免了由于传感器故障导致的数据可靠性问题。
基于上述实施例，进一步地，所述蒸散量计算模块具体包括：区域划分模块，第一计算模块和第二计算模块；其中，
所述区域划分模块，用于根据预设的区域划分方法和所述温室的地理位置信息，确定所述温室所在区域；
所述第一计算模块，用于根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；
所述第二计算模块，用于根据所述室外气象数据和所述室外作物蒸散量算法，计算得到所述室外作物蒸散量。
为了获取所述温室的室外气象数据，需要先确定所述温室所在区域。所述区域划分模块通过预设的区域划分方法将所涉及的地区进行划分。具体可以采用根据预设的经度差和纬度差进行梯形网格划分。然后根据温室的地理位置信息中的经纬度将其所在的网格确定为所述温室所在区域，并发送给第一计算模块。
所述第一计算模块从数据库中筛选出与所述温室所在区域对应的气象站，具体可以为温室所在区域内的气象站，或者与温室所在区域的距离在预设距离阈值范围内的气象站。
通过数据库中保存的筛选出的气象站发送的气象数据，所述第一计算模块得到所述温室的室外气象数据，并发送给第二计算模块。
由上述实施例可知，所述第二计算模块再进一步根据预设的室外作物蒸散量算法，可计算得到所述室外作物蒸散量。
本发明实施例提供的系统用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。
本发明实施例通过预设的区域划分方法，得到所述温室所在区域，并根据与温室所在区域对应的气象站发送的气象数据更加精确得获取温室的室外气象数据，并根据室外作物蒸散量算法得到室外作物蒸散量，从而大大节省了运算成本。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)703、存储器(memory)702和通信总线704，其中，处理器701，通信接口703，存储器702通过通信总线704完成相互间的通信。处理器701可以调用存储器702中的逻辑指令，以执行上述方法。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
进一步地，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
本领域普通技术人员可以理解：此外，上述的存储器702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所述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 AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述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所述的方法。
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 (8)

1.一种温室的灌溉决策方法，其特征在于，包括：
根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量，并获取所述温室的环境数据，所述环境数据包括所述温室的地理位置信息、温室工程信息和作物信息；所述室外气象数据是根据接收到的温室的地理位置信息直接从数据库中对应获取的；所述数据库是气象数据是通过校验后得到的；
根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；
所述温室工程信息包括：温室地面面积GSG、温室透窗面积GSW、温室高度GH、透光系数F和热变系数ΔHT；所述透光系数为温室室内与室外日照强度的对比关系系数；所述热变系数为所述温室内与所述温室外温度变化速率的关系系数；
所述室外气象数据包括：空气温度、空气湿度、降水、日照、大气压强和风速；
根据所述室内作物蒸散量，确定所述温室的灌溉决策，具体包括：
根据在预设周期内得到的所述室内作物蒸散量，通过预设的土壤水分亏缺算法，得到本周期的土壤水分亏缺量；
根据本周期的土壤水分亏缺量，确定本周期的所述温室的灌溉决策；
所述土壤水分亏缺算法得到的土壤水分亏缺量In的计算公式为：
Figure FDA0003753066530000011
其中，ET0nI为本周期内第n次得到的室内作物蒸散量，a为水分亏缺系数，其取值范围为0.7～1，η为灌溉水利用系数，若采用滴灌方式，则η取0.9～0.95；
所述灌溉决策包括灌溉的频率、注水量以及灌溉方式。
2.根据权利要求1所述的温室的灌溉决策方法，其特征在于，所述根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量；具体包括：
根据预设的区域划分方法和所述温室的地理位置信息，确定所述温室所在区域；
根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；
根据所述室外气象数据和所述室外作物蒸散量算法，计算得到所述室外作物蒸散量。
3.根据权利要求2所述的温室的灌溉决策方法，其特征在于，所述根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；具体包括：
根据各气象站与所述温室所在区域的距离，获取由最接近的预设站点数的气象站发送的气象数据，并通过预设的空间插值算法，得到所述温室所在区域的等效气象数据，作为所述温室的室外气象数据。
4.根据权利要求3所述的温室的灌溉决策方法，其特征在于，所述根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；具体包括：
根据所述室外作物蒸散量、室外气象数据和环境数据，通过基于深度神经回归网络前向传播算法来构建的预设的温室蒸散量预测模型，得到室内作物蒸散量。
5.一种温室的灌溉决策系统，其特征在于，包括：
蒸散量计算模块，用于根据温室的室外气象数据和预设的室外作物蒸散量算法，得到室外作物蒸散量，并获取所述温室的环境数据，所述环境数据包括所述温室的地理位置信息、温室工程信息和作物信息；所述室外气象数据是根据接收到的温室的地理位置信息直接从数据库中对应获取的；所述数据库中的气象数据是通过校验后得到的；
模型预测模块，用于根据所述室外作物蒸散量、室外气象数据和预先获取的所述温室的环境数据，通过预设的温室蒸散量预测模型，得到室内作物蒸散量；其中，所述温室蒸散量预测模型为，预先以包括训练环境数据、训练室外作物蒸散量和训练室外气象数据的训练输入数据，以及对应的经过标注的训练室内作物蒸散量作为样本训练后得到的；
所述温室工程信息包括：温室地面面积GSG、温室透窗面积GSW、温室高度GH、透光系数F和热变系数ΔHT；所述透光系数为温室室内与室外日照强度的对比关系系数；所述热变系数为所述温室内与所述温室外温度变化速率的关系系数；
所述室外气象数据包括：空气温度、空气湿度、降水、日照、大气压强和风速；
决策制定模块，用于根据所述室内作物蒸散量，确定所述温室的灌溉决策，具体包括：
根据在预设周期内得到的所述室内作物蒸散量，通过预设的土壤水分亏缺算法，得到本周期的土壤水分亏缺量；
根据本周期的土壤水分亏缺量，确定本周期的所述温室的灌溉决策；
所述土壤水分亏缺算法得到的土壤水分亏缺量In的计算公式为：
Figure FDA0003753066530000031
其中，ET0nI为本周期内第n次得到的室内作物蒸散量，a为水分亏缺系数，其取值范围为0.7～1，η为灌溉水利用系数，若采用滴灌方式，则η取0.9～0.95。
6.根据权利要求5所述的温室的灌溉决策系统，其特征在于，所述蒸散量计算模块具体包括：区域划分模块，第一计算模块和第二计算模块；其中，
所述区域划分模块，用于根据预设的区域划分方法和所述温室的地理位置信息，确定所述温室所在区域；
所述第一计算模块，用于根据与所述温室所在区域对应的气象站发送的气象数据，得到所述温室的室外气象数据；
所述第二计算模块，用于根据所述室外气象数据和所述室外作物蒸散量算法，计算得到所述室外作物蒸散量。
7.一种电子设备，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4任一项所述温室的灌溉决策方法的步骤。
8.一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，该计算机程序被处理器执行时实现如权利要求1至4任一项所述温室的灌溉决策方法的步骤。
CN201910882852.0A 2019-09-18 2019-09-18 一种温室的灌溉决策方法及系统 Active CN110896761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882852.0A CN110896761B (zh) 2019-09-18 2019-09-18 一种温室的灌溉决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882852.0A CN110896761B (zh) 2019-09-18 2019-09-18 一种温室的灌溉决策方法及系统

Publications (2)

Publication Number Publication Date
CN110896761A CN110896761A (zh) 2020-03-24
CN110896761B true CN110896761B (zh) 2022-09-16

Family

ID=69815115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882852.0A Active CN110896761B (zh) 2019-09-18 2019-09-18 一种温室的灌溉决策方法及系统

Country Status (1)

Country Link
CN (1) CN110896761B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112540992B (zh) * 2020-12-16 2024-05-24 辛集市气象局 夏玉米水分亏缺指数数据综合显示系统
CN113111567A (zh) * 2021-02-26 2021-07-13 中国科学院空天信息创新研究院 蒸散发成分分离方法、成分分离装置、设备及介质
CN113133364B (zh) * 2021-05-18 2023-03-17 宁夏好家乡生态农业科技发展有限公司 一种温室大棚温湿度智能控制方法及系统
CN116380708B (zh) * 2023-02-22 2024-02-06 北京市农林科学院智能装备技术研究中心 灌溉量预测方法、装置、系统、设备及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5207502B2 (ja) * 2004-11-30 2013-06-12 独立行政法人農業・食品産業技術総合研究機構 細霧冷房装置における細霧噴霧の制御方法と制御装置
CN101419219B (zh) * 2008-12-09 2013-09-11 中国农业科学院农业资源与农业区划研究所 一种确定参考作物蒸散量的方法
CN103049664A (zh) * 2012-12-26 2013-04-17 中国航天科工集团第二研究院二O七所 一种基于地点类别划分的温度插值方法
CN206481697U (zh) * 2016-09-07 2017-09-12 昆明兴华农业开发有限公司 智能灌溉种植大棚
CN106383535A (zh) * 2016-10-28 2017-02-08 成都谭记胖哥农业服务有限公司 一种智能调节大棚蔬菜室内气候的温度控制系统
CN108617355B (zh) * 2018-03-29 2021-01-26 北京农业智能装备技术研究中心 一种集群温室灌溉决策方法及系统
CN108781926B (zh) * 2018-06-14 2021-10-22 江苏电子信息职业学院 基于神经网络预测的大棚灌溉系统及方法
CN109116827B (zh) * 2018-09-19 2020-01-03 中国农业大学 基于物联网的日光温室水肥一体化灌溉控制方法及装置
CN109452146B (zh) * 2018-11-21 2021-06-11 北京农业智能装备技术研究中心 冬小麦节水灌溉决策方法、控制装置及控制系统
CN109978234A (zh) * 2019-03-01 2019-07-05 北京农业信息技术研究中心 墒情预测、灌溉决策方法和装置

Also Published As

Publication number Publication date
CN110896761A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110896761B (zh) 一种温室的灌溉决策方法及系统
US11617313B2 (en) Controlling agricultural production areas
US11291172B2 (en) Methods and systems for irrigation guidance
AU2016244067B2 (en) Forecasting national crop yield during the growing season
Lorite et al. Using weather forecast data for irrigation scheduling under semi-arid conditions
CN109934515B (zh) 一种作物精量灌溉决策方法及系统
US11751521B2 (en) System for optimizing use of water in irrigation based on predictive calculation of soil water potential
Hart et al. Daily reference evapotranspiration for California using satellite imagery and weather station measurement interpolation
Paredes et al. Accuracy of daily estimation of grass reference evapotranspiration using ERA-Interim reanalysis products with assessment of alternative bias correction schemes
US7996192B2 (en) Method and apparatus for generating an environmental element prediction for a point of interest
US20120253529A1 (en) Controlling a Resource Demand System
CA2981473C (en) Forecasting national crop yield during the growing season
US11944048B2 (en) Decision-making method for variable rate irrigation management
CN112166352A (zh) 训练机器学习算法并预测特别是田地或子田地级别的天气数据变量的值
JP6906824B1 (ja) 情報処理装置、樹木の成長率予測システム、樹木の成長率予測方法及びプログラム
AU2017376837A1 (en) Detection of environmental conditions
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
AU2023203307A1 (en) Controlling Agricultural Production Areas
CN113791415A (zh) 一种基于深度学习的雷达定量降水估计方法
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
GB2603383A (en) A decision support system and method for agriculture
Ndulue et al. Performance evaluation of solar radiation equations for estimating reference evapotranspiration (ETo) in a humid tropical environment
Paraskevopoulos et al. Integrating soil water monitoring technology and weather based crop modelling to provide improved decision support for sugarcane irrigation management
CN111597692A (zh) 一种地表净辐射估算方法、系统、电子设备和存储介质
Hema et al. Cost-effective smart irrigation controller using automatic weather stations

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