CN111103333B - 一种土壤含水量传感器的标定方法及装置 - Google Patents
一种土壤含水量传感器的标定方法及装置 Download PDFInfo
- Publication number
- CN111103333B CN111103333B CN201911348898.0A CN201911348898A CN111103333B CN 111103333 B CN111103333 B CN 111103333B CN 201911348898 A CN201911348898 A CN 201911348898A CN 111103333 B CN111103333 B CN 111103333B
- Authority
- CN
- China
- Prior art keywords
- soil
- water content
- correction
- content sensor
- data
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 693
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012937 correction Methods 0.000 claims abstract description 265
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 18
- 238000012795 verification Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明实施例提供一种土壤含水量传感器的标定方法及装置。所述方法包括获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率，本发明实施例通过对土壤含水量传感器的默认设备信息的分析，得到对应的土壤要素修正策略，并对上传的土壤墒情数据执行对应的土壤要素修正策略，从而提高了土壤墒情数据的准确性。
Description
技术领域
本发明涉及数据采集技术领域，尤其涉及一种土壤含水量传感器的标定方法及装置。
背景技术
土壤是由固体、液体和气体组成的多空介质，土壤中的水分含量直接决定土壤的介电常数，目前土壤水分传感器工作原理主要以介电法为主，根据土壤水分传感器测量的土壤介电常数值与土壤体积含水率之间的对应关系建立标定模型。土壤含水量传感器出厂前生产厂商会进行工厂标定来建立所述标定模型。但是现实应用中，由于土壤含水量传感器所安装环境复杂，土壤质地、容重、有机质、土壤温度等因素都会影响土壤水分传感器准确性，仅土壤温度对土壤水分传感器影响的程度可超过10％，因此，在建立标定模型时需要加入对于温度修正和土壤要素修正。
根据土壤质地分级标准，通过区分粘粒、粉砂、砂粒的比例将土壤质地分为壤质砂土、砂质壤土等11大类，每类土壤质地中包含土壤容重和有机质含量的不同，土壤要素种类较多。同时土壤温度对传感器的影响是实时变化的，田间温度变化环境难以在实验室模拟，无法通过设定一个固定补偿值来准确标定土壤水分测量值。因此，在工厂标定过程中对于土壤要素修正往往只针对2-3种土壤要素难以反映真实应用场景，而对于温度修正可能被忽视，因此土壤含水量传感器在实际应用中准确性问题凸显。另外，现有土壤含水量传感器在出厂时，设备内部虽然会根据建立的标定模型设定默认初始化标定参数，该标定参数由土壤水分传感器设备生产厂商提供，如需修改标定参数则需要人工手动操作设备更改参数，对人员电子设备操作熟练性要求很高。而如果对土壤水分传感器进行现场标定，需要通过灌溉、搭建大棚等手段实现不同的土壤湿度区间设定，对于农户操作要求很高，现实应用中往往没有进行现场标定的操作。
由于无法确保实际应用中已被安置的土壤含水量传感器的标定模型的准确性，大量土壤含水量传感器处于被错误标定的状态，从而造成采集到的包含土壤体积含水率的土壤墒情数据不准确。
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土壤含水量传感器的标定方法及装置。
第一方面，本发明实施例提供了一种土壤含水量传感器的标定方法，包括：
获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；
根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；
接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；
执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
进一步地，所述根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略，具体包括：
若所述土壤要素修正标识表征所述土壤含水量传感器未采取土壤要素修正，则得到的土壤要素修正策略为：根据与所述地理信息对应的实际土壤要素，采用预设的土壤要素补偿模型，进行土壤要素修正；
若所述土壤要素修正标识表征所述土壤含水量传感器已采取了默认的土壤要素修正，但所述默认的土壤要素修正对应的默认土壤要素与所述实际土壤要素不相符，则得到的土壤要素修正策略为：采用预设的土壤要素转换模型进行土壤要素修正；其中，所述土壤要素转换模型与所述默认土壤要素和实际土壤要素相对应。
进一步地，所述获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息，具体包括：
获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识、地理信息和温度修正标识；其中，所述温度修正标识用于表征所述土壤含水量传感器是否采取了温度修正；相应地，所述土壤含水量传感器的标定方法，还包括：
根据所述温度修正标识，得到所述土壤含水量传感器对应的温度修正策略；相应地，所述执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率，具体包括：
执行所述土壤要素修正策略和温度修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
进一步地，所述根据所述温度修正标识，得到所述土壤含水量传感器对应的温度修正策略，具体包括：
若所述温度修正标识表征所述土壤含水量传感器未采取温度修正，则得到的所述温度修正策略为：采用预设的温度补偿模型进行温度修正。
进一步地，所述土壤含水量传感器的标定方法还包括：
根据土壤墒情数据的历史数据和对应的气象数据，通过预设的墒情数据预测模型，得到土壤墒情数据的预测数据；
将所述预测数据与包括所述修正体积含水率的修正后的土壤墒情数据进行比较，并记录比较结果。
进一步地，所述土壤含水量传感器的标定方法还包括：
根据所述土壤含水量传感器的地理信息，从预存的土壤要素数据库中获取与所述地理信息对应的实际土壤要素；其中，所述土壤要素数据库包括利用GIS技术构建的各地土壤要素栅格数据。
进一步地，所述土壤要素补偿模型、土壤要素转换模型、温度补偿模型和墒情数据预测模型采用深度学习神经网络来分别构建。
第二方面，本发明实施例提供了一种土壤含水量传感器的标定装置，包括：
设备注册模块，用于获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；
策略制定模块，用于根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；
数据接收模块，用于接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；
数据修正模块，用于执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
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：
获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；
根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；
接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；
执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
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：
获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；
根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；
接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；
执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
本发明实施例提供的土壤含水量传感器的标定方法及装置，通过对土壤含水量传感器的默认设备信息的分析，得到对应的土壤要素修正策略，并对上传的土壤墒情数据执行对应的土壤要素修正策略，从而提高了土壤墒情数据的准确性。
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为本发明实施例的土壤含水量传感器的标定方法流程图；
图2为本发明实施例的另一土壤含水量传感器的标定方法流程图；
图3为本发明实施例的又一土壤含水量传感器的标定方法流程图；
图4为本发明实施例的再一土壤含水量传感器的标定方法流程图；
图5为本发明实施例的土壤含水量传感器的标定装置结构示意图；
图6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为本发明实施例的土壤含水量传感器的标定方法流程图，如图1所示，所述方法包括：
步骤S00、获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正。
本发明实施例通过预设的云端服务器收集各地安装于田间的土壤含水量传感器采集的土壤墒情数据。并且要求每个土壤含水量传感器在向云端服务器上传土壤墒情数据前，先在所述云端服务器执行预设的注册过程。所述注册过程中需要每个土壤含水量传感器向所述云端服务器发送其预设的默认设备信息，所述默认设备信息至少包括：土壤要素修正标识和地理信息。所述土壤要素修正标识用于表征该土壤含水量传感器采用的标定模型中是否采用了土壤要素修正，例如，若所述土壤要素修正标识为1，则表明已采用了土壤要素修正，若所述土壤要素修正标识为0，则表明未采用了土壤要素修正。所述地理信息为该土壤含水量传感器所在的经纬度、高程等信息。
步骤S01、根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略。
云端服务器通过对所述默认设备信息包含的土壤要素修正标识和地理信息的解析，来判断该土壤含水量传感器当前设置的定标模型是否满足预设的要求，并根据判断结果来制定对该土壤含水量传感器上传的土壤墒情数据的土壤要素修正策略。
步骤S02、接收土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率。
成功注册后的土壤含水量传感器可通过预设的通讯网络，例如3G/4G网络等，与云端服务器的接口相连，并采用预设的通讯协议、通讯方式，例如，TCP/IP协议，将采集到的土壤墒情数据接照预设的数据格式发送给云端服务器。
所述土壤墒情数据至少包括：温湿度参数、时间参数和空间参数。所述温湿度参数包括预设土壤层级的土壤体积含水率和土壤温度，所述预设土壤层级可以根据实际的需要进行设置，例如，0～20cm、20～40cm、40～60cm和60～80cm等。时间参数包括采集时间，例如，年、月、日、时、分、秒等。空间参数包括所述土壤含水量传感器所在的地理信息，例如，经纬度、高程等。
云端服务器在接收到所述土壤墒情数据时，将先根据预设的数据格式对其进行数据格式校验，在判定符合要求后，进行记录保存。
步骤S03、执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
所述云端服务器提取出与所述土壤含水量传感器对应的土壤要素修正策略，并通过执行所述土壤要素修正策略，对所述土壤墒情数据中包含的土壤体积含水率进行修正，从而得到了修正体积含水率。
所述云端服务器可将所述修正体积含水率进行记录保存，具体可将修正体积含水率替换对应的土壤墒情数据中土壤体积含水率，将修正后的土壤墒情数据进行记录保存。从而，在数据库中保存了接收到的土壤墒情数据和修正后的土壤墒情数据。
所述土壤要素修正策略可根据实际的需要进行设置，例如，是否需要添加相应的修正算法，或者采用指定的修正模型。
本发明实施例通过对土壤含水量传感器的默认设备信息的分析，得到对应的土壤要素修正策略，并对上传的土壤墒情数据执行对应的土壤要素修正策略，从而提高了土壤墒情数据的准确性。
基于上述实施例，进一步地，所述步骤S01具体包括：
步骤S011、若所述土壤要素修正标识表征所述土壤含水量传感器未采取土壤要素修正，则得到的土壤要素修正策略为：根据与所述地理信息对应的实际土壤要素，采用预设的土壤要素补偿模型，进行土壤要素修正。
云端服务器根据土壤含水量传感器的默认设备信息得到的土壤要素修正策略，可以根据所述云端服务器预设的要求进行设置，本发明实施例中仅给出了其中的一种举例说明。
若所述默认设备信息中的土壤要素修正标识显示该土壤含水量传感器的标定模型中未采取土壤要素修正，或者未从所述默认设备信息中解析出所述土壤要素修正标识，则云端服务器将该土壤含水量传感器的土壤要素修正策略设置为：采用预设的土壤要素补偿模型Fsoil进行土壤要素修正。
所述土壤要素补偿模型用于对没有采取过土壤要素修正的土壤体积含水率进行修正，其输入为与土壤含水量传感器对应的实际土壤要素和接收到的土壤墒情数据中包含的土壤体积含水率SOsm，输出为修正体积含水率Pst，或者输出为土壤要素补偿差值Δsv，再计算得到修正体积含水率Pst＝SOsm+Δsv。所述实际土壤要素根据所述土壤含水量传感器的地理信息来获取。当然，在实际的应用过程中还可以包含在所述土壤含水量传感器上传的默认设备信息中，或者包含在所述土壤墒情数据中。
步骤S012、若所述土壤要素修正标识表征所述土壤含水量传感器已采取了默认的土壤要素修正，但所述默认的土壤要素修正对应的默认土壤要素与所述实际土壤要素不相符，则得到的土壤要素修正策略为：采用预设的土壤要素转换模型进行土壤要素修正；其中，所述土壤要素转换模型与所述默认土壤要素和实际土壤要素相对应。
而若所述默认设备信息中的土壤要素修正标识显示该土壤含水量传感器的标定模型已经采取了默认的土壤要素修正。由于在进行土壤要素修正时所采用的土壤要素的不同，会导致不同的修正结果，因此，需要进一步地分析标定模块采取的默认的土壤要素修正所采用的默认土壤要素，是否符合实际土壤要素，具体地：
通过将默认土壤要素和土壤含水量传感器对应的实际土壤要素进行比对。所述土壤要素包括：土壤质地，容重和有机质含量等。所述默认土壤要素与实际土壤要素的比对过程在本发明实施例中采取了土壤质地等同原则：在两者所包含的土壤质地相同时，判定为两者相符；而在所包含的土壤质地不相同时，则判定为两者不相符。
若所述云端服务器判定默认土壤要素与实际土壤要素相符，则对应的土壤要素修正策略设置为：不需要在云端服务器执行土壤要素修正。
而若所述云端服务器判定默认土壤要素不符合实际土壤要素，则对应的土壤要素修正策略设置为：在云端服务器采用预设的土壤要素转换模型Fs-o对土壤体积含水率进行修正。
所述土壤要素转换模型用于转换两种不同的土壤要素所对应的土壤体积含水率。所述云端服务器可预先为任意两种不同的土壤要素对构建对应的土壤要素转换模型。从而在确定默认土壤要素和实际土壤要素不相符时，根据所述默认土壤要素和实际土壤要素可得到唯一对应的土壤要素转换模型。所述土壤要素转换模型的输入为与默认土壤要素对应的土壤体积含水率SOsm，输出为与实际土壤要素对应的土壤体积含水率，即修正体积含水率Pst。
当然，所述云端服务器也可以预先仅构建一个唯一的土壤要素转换模型，并在使用该唯一的土壤要素转换模型时分别要求输入转换前的默认土壤要素和转换后的实际土壤要素。为了简便起见，在下面的实施例中均以预先构建了多个土壤要素转换模型为例进行举例说明。
图2为本发明实施例的另一土壤含水量传感器的标定方法流程图，如图2所示，所述步骤S00具体包括：
步骤S001、获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识、地理信息和温度修正标识；其中，所述温度修正标识用于表征所述土壤含水量传感器是否采取了温度修正。
在每个土壤含水量传感器向所述云端服务器发送的默认设备信息至少包括：所述土壤要素修正标识、地理信息，以及温度修正标识。所述温度修正标识用于表征该土壤含水量传感器采用的标定模型中是否采用了温度修正。
相应地，所述土壤含水量传感器的标定方法，还包括：
步骤S010、根据所述温度修正标识，得到所述土壤含水量传感器对应的温度修正策略。
云端服务器通过对所述默认设备信息包含的温度修正策略的解析，来判断该土壤含水量传感器当前设置的定标模型是否满足预设的对于温度修正的要求，并根据判断结果来制定对该土壤含水量传感器上传的土壤墒情数据的温度修正策略，所述温度修正策略可根据实际的需要进行设置。
相应地，所述步骤S03具体包括：
步骤S031、执行所述土壤要素修正策略和温度修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
所述云端服务器在接收到所述土壤含水量传感器上传的土壤墒情数据，对其分别执行预先设置的土壤要素修正策略和温度修正策略，以此，对所述土壤体积含水率进行修正，从而得到修正体积含水率。
本发明实施例通过土壤含水量传感器的默认设备信息的分析，得到对应的土壤要素修正策略和温度修正策略，并对上传的土壤墒情数据执行对应的土壤要素修正策略和温度修正策略，从而提高了土壤墒情数据的准确性。
基于上述实施例，进一步地，所述步骤S010具体包括：
步骤S013、若所述温度修正标识表征所述土壤含水量传感器未采取温度修正，则所述温度修正策略为：采用预设的温度补偿模型进行温度修正。
若所述云端服务器通过对默认设备信息的解析得到温度修正标识显示该土壤含水量传感器未采取温度修正，或者未解析到温度修正标识，则云端服务器将该土壤含水量传感器的温度修正策略设置为：采用预设的温度补偿模型Ftem进行温度修正。
所温度补偿模型的输入为土壤体积含水率STsm和与所述土壤体积含水率对应的土壤温度，得到的输出为温度补偿差值Δst，并计算得到修正体积含水率Ptc＝STsm+Δst。
而若得到温度修正标识显示该土壤含水量传感器已采取温度修正，则云端服务器将该土壤含水量传感器的温度修正策略设置为：无需进行温度修正。
综上可知，云端服务器通过对所述默认设备信息的解析，将对应的土壤含水量传感器分为六种，分别为：
1.未设置土壤要素修正，未设置温度修正；
2.设置了不符合实际土壤要素的土壤要素修正，未设置温度修正；
3.设置了符合实际土壤要素的土壤要素修正，未设置温度修正；
4.未设置土壤要素修正，设置了温度修正；
5.设置了不符合实际土壤要素的土壤要素修正，设置了温度修正；
6.设置了符合实际土壤要素的土壤要素修正，设置了温度修正。
从而，对上述六种土壤含水量传感器分别设置对应的土壤要素修正策略和温度修正策略，分别为：
1.采用土壤要素补偿模型进行土壤要素修正，采用温度补偿模型进行温度修正；
2.采用土壤要素转换模型进行土壤要素修正，采用温度补偿模型进行温度修正；
3.不进行土壤要素修正，采用温度补偿模型进行温度修正；
4.采用土壤要素补偿模型进行土壤要素修正，不进行温度修正；
5.采用土壤要素转换模型进行土壤要素修正，不进行温度修正；
6.不进行土壤要素修正，不进行温度修正。
对于土壤要素修正和温度修正的执行顺序，可根据实际的需要来进行设定，在此不作限定。若以先执行土壤要素修正，再执行温度修正为例，先执行完所述土壤要素修正后输出得到的修正体积含水率，将作为输入来执行温度修正，而将温度修正后输出得到的修正体积含水率作为最后的修正结果，对根据修正结果得到的修正后的土壤墒情数据进行记录保存。反之矣然。
而若土壤含水量传感器对应的土壤要素修正策略和温度修正策略为：不进行土壤要素修正，不进行温度修正。则云端服务器在接收到土壤墒情数据时，将其中的土壤体积含水率作为修正体积含水率，以确定修正后的土壤墒情数据进行记录保存。
本发明实施例通过云端服务器对土壤含水量传感器的默认设备信息的分析，对土壤含水量传感器进行分类，并分别设定了对应的所述土壤要素修正策略和温度修正策略，从而能够广泛适用于各种土壤含水量传感器，得到更加精确的修正体积含水率。
图3为本发明实施例的又一土壤含水量传感器的标定方法流程图，如图3所示，所述步骤S03后，所述方法还包括：
步骤S04、根据历史土壤墒情数据和对应的气象数据，通过预设的墒情数据预测模型，得到预测土壤墒情数据。
云端服务器的数据库中记录了所有接收到土壤墒情数据和修正后的土壤墒情数据，同时还可以根据需要分别记录与各土壤墒情数据对应的气象数据。
为了进一步得对修正后的土壤墒情数据进行验证，所述云端服务器预先构建了墒情数据预测模型，用于根据数据库中记录的土壤墒情数据和对应的气象数据的历史数据来得到土壤墒情数据当前的预测数据。所述墒情数据预测模型可以根据实际的需要来进行构建，所述墒情数据预测模型的输入为预设数量的历史数据，例如，输入为数据库保存的前7次得到的修正后的土壤墒情数据以及对应的气象数据，输出为当前的预测数据。
步骤S05、将所述预测土壤墒情数据与包括所述修正体积含水率的修正后的土壤墒情数据进行比较，并记录比较结果。
所述云端服务器再将墒情数据预测模型得到的预测数据与修正后的土壤墒情数据进行比较，并将比较结果记录到数据库中。从而，所述数据库中对于土壤含水量传感器每次上传的土壤墒情数据将会记录：上传的土壤墒情数据、修正后的土壤墒情数据、以及与预测数据比较后的比较结果。
本发明实施例通过预设的墒情数据预测模型，得到土壤墒情数据的预测数据并与修正后的土壤墒情数据进行比较后，记录比较结果，从而可以进一步得检验修正后的墒情数据的准确性，以便于后续对修正策略的调整。
基于上述实施例，进一步地，所述土壤含水量传感器的标定方法还包括：
根据所述土壤含水量传感器的地理信息，从预存的土壤要素数据库中获取与所述地理信息对应的实际土壤要素；其中，所述土壤要素数据库包括利用GIS技术构建的各地土壤要素栅格数据。
由上述实施例可知，获取与土壤含水量传感器对应的实际土壤要素的方式有很多，本发明实施例中仅给出了其中的一种举例说明。
云端服务器预先根据地理信息系统(Geographic Information System或Geo－Information system，GIS)技术构建土壤要素数据库，所述土壤要素数据库中包括各地的土壤要素栅格数据，包括：经纬度、土壤质地、容重、有机质含量等。根据预设的栅格分辨率，例如，250m等，将预设区域，例如全国范围内，划分为不同的栅格区域，并根据实际的观测，为各个栅格区域设置了对应的土壤要素，从而构建全国范围内的土壤要素数据库。此时，在接收到土壤含水量传感器的地理信息时，就可以根据地理信息的经纬度，确定所述土壤含水量传感器所在的栅格区域，进而从土壤要素数据库提取出对应的土壤要素，作为所述土壤含水量传感器的实际土壤要素。
本发明实施例通过土壤含水量传感器的地理信息，从预设的土壤要素数据库获取其对应的实际土壤要素，来验证其上传的默认土壤要素是否准确，进而能够确定其对应的土壤要素修正策略，从而得到更加准确的土壤墒情数据。
基于上述实施例，进一步地，所述土壤要素补偿模型、土壤要素转换模型、温度补偿模型和墒情数据预测模型采用深度学习神经网络来分别构建。
对于上述实施例所述的土壤要素补偿模型、土壤要素转换模型、温度补偿模型和墒情数据预测模型的构建方法有很多，可以是根据现有的算法构建的简单数据计算模型，也可以是需要通过前期大量训练的神经网络。
在本发明实施例中以深度置信网络(Deep Belief Networks，DBN)为例来构建土壤要素补偿模型、土壤要素转换模型和温度补偿模型。
所述深度置信网络的基础单元组成为双层网络单元结构，包含可见单元v＝{0，1}d和隐藏单元h＝{0，1}L，各单元相结合协同运算的数学表达为：
其中，θ＝{bi，aj，wij}，wij为可见单元i与隐藏单元j之间的权重，bi和aj分别为可见层与隐藏层的偏置值。在基础单元中，隐藏单元是条件独立的，在给定可见单元数据向量时，可以从后验分布中得到无偏样本。各基础单元顺序叠加来构建DBN网络，网络末尾增加Logistic回归层作为回归预测器。
对于墒情数据预测模型本发明实施例中采用了用于提取高维特征的卷积神经网络CNN和用于处理时间序列数据的循环神经网络RNN，通过集成学习将所获取的高维特征向量融合建模的方式来构建。
所述墒情数据预测模型的输入为所述历史数据中最近的预设数量，例如7条，修正后的土壤墒情数据和对应的气象数据组成的数据集。具体地：
采用卷积神经网络CNN来处理网格矩阵数据，将近7条历史数据组成的二维一通道灰度矩阵作为模型输入。卷积神经网络利用本地连接来提取图像上下文的2-D空间特征，由一组交替卷积池化操作所组成，通过权重分担机制来降低网络参数。池化层压缩由卷积层创建的特征映射大小获得更多的一般和抽象的特征。最后，通过将特征图进一步转换为特征向量进行输出。卷积神经网络包含卷积层、池化层和全连接层三个网络结构层。
卷积层通过卷积核用以生成多维特征图。具体而言，设X为输入立方体，其大小为m×n×d，其中m×n表示X的空间尺寸，d是通道数，Xi是X的第i个特征图。假设存在k个滤波，在该卷积层和第j个滤波器处可以由权重wj和偏置bj定义。卷积层的第j个输出可表示如下：
式中*是卷积算子，f(·)是激活函数。
池化层用来缩减多次卷积操作后的冗余信息。具体而言，对于p×p窗口大小池化核定义为S，则平均池化的数学表达为：
式中F是S中元素的个数，而xij是对应位置(i，j)的激活值。
全连接层通过将特征图变形为n维特征图来获取深度和抽象特征，将池化层输出的特征图进行扁平化操作后输入全连接层，其数学表达为：
式中X′、Y′、W和b分别表示全连接层的输入、输出、权重和偏置。
采用循环神经网络RNN来处理时间序列数据，记录的修正后的土壤墒情数据和对应的气象数据可以认为是固定间隔的一系列时序数据，通过RNN识别序列数据模式以及动态时序特征，其特点为在通过递归隐藏状态使得每一步都与之前的步骤产生关系，利用所获取的特征来为后续集成学习提供输入。
设x＝x1，x2…xn是时间序列数据，其中xi是第i个时间步骤的数据。在时间序列t处的RNN的递归隐藏状态h<t>可被更新，其更新规则数学表达式为：
h<t>＝f1(wx<t>+uh<t-1>+bh)，
式中w和u分别表示当前步骤的输入和前一步递归隐藏单元的激活系数矩阵，bh表示相应的偏置向量。
h<t>将用于在时间步骤t中预测y<t>，其数学表达式为：
y<t>＝f2(ph<t>+by)，
式中f2是一个非线性函数，p是当前步中递归隐含单元激活后的系数矩阵，by是相应的偏置向量。
本方案所构建的墒情数据预测模型是通过融合CNN所提取的高维特征信息和RNN所提取的时间序列数据特征信息进而实现土壤墒情数据的预测。所采用的集成学习融合策略为叠加模式，将构建好的CNN与RNN网络通过Flatten层压平后拼接输入至全连接神经网络进行学习，在全连接层的输出即为土壤墒情数据的预设数据。
根据深度学习神经网络构建的模型，可通过补充增量数据对各模型进行微调fine-tune训练来实现对于模型的更新，利用不断更新的增量数据定期重新训练模型，增强模型的时效性、准确度和迁移泛化性能。
本方案模型训练中终止模型训练的方法为：当验证集错误loss在连续s(s>15)个训练周期内出现增长的时候，终止模型训练。
模型训练时样本数据集根据预设的比例，例如8：2，分为训练集和验证集，更新后的模型采用以下指标进行衡量：
式中，
为预测值，yi为真实值，
为平均值。
当模型训练结果验证集满足MAE，MSE，RMSE均小于预设第一阈值，例如，0.5，且R2大于预设第二阈值，例如，0.90时，模型生效。
模型部署为将重新训练更新好的模型根据实际情况分别部署至云端服务器，部署成功后进行自动测试并记录
本发明实施例通过深度学习神经网络来构建土壤要素补偿模型、土壤要素转换模型、温度补偿模型和墒情数据预测模型，从而使得通过各模型得到的结果更加准确。
图4为本发明实施例的再一土壤含水量传感器的标定方法流程图，如图4所示，土壤含水量传感器将采集到的土壤墒情数据通过3G/4G网络发送给云端服务器的数据接收模块。所述土壤墒情数据至少包括预设土壤层级的土壤体积含水率以及土壤温度，所述预设土壤层级包括0～20cm、20～40cm、40～60cm和60～80cm。
数据接收模块，将接收到的土壤墒情数据作为原始数据根据预设的传输协议进行解析并进行数据格式的校验，若校验通过则存入数据库中，若未通过，则将校验结果记录到日志。然后，通过反馈设备将结果反馈给土壤含水量传感器。
土壤要素修正模块从数据库中提取出经过数据格式校验的土壤墒情数据中作为原始土壤墒情数据。再根据通过GIS获取到的与所述土壤含水量传感器对应的实际土壤要素，以及预先获知的所述土壤含水量传感器的标定模型是否采取了土壤要素修正，对所述原始土壤墒情数据分别采取对应的土壤要素修正，具体地：若所述土壤含水量传感器的标定模块未采取土壤要素修正，则根据实际土壤要素，通过预设的土壤要素补偿模型Fsoil进行土壤要素修正，得到土壤要素修正后土壤墒情数据；若所述土壤含水量传感器的标定模型采取了土壤要素修正，但默认土壤要素与实际土壤要素不相符，则通过预设的土壤要素转换模型Fs-o进行土壤要素修正，得到土壤要素修正后土壤墒情数据；若所述土壤含水量传感器的标定模型采取了土壤要素修正，且默认土壤要素与实际土壤要素相符，则直接将原始的土壤墒情数据作为土壤要素修正后土壤墒情数据。同时，将土壤要素修正模块采取的上述土壤要素修正记录到日志中。
然后，将经过土壤要素修正模块得到的土壤要素修正后土壤墒情数据发送给温度修正模块。所述温度修正模块根据所述土壤含水量传感器的标定模型是否采取了温度修正，对土壤要素修正后土壤墒情数据采取对应的温度修正，具体地：若所述土壤含水量传感器的标定模型未采取温度修正，则通过预设的温度补偿模型Ftem进行温度修正，得到温度修正后土壤墒情数据；若所述土壤含水量传感器的标定模型已采取温度修正，则直接将土壤要素修正后土壤墒情数据作为温度修正后土壤墒情数据。同时，将温度修正模块采取的上述温度修正记录到日志中。
然后，温度修正模块得到的温度修正后土壤墒情数据作为最终的修正后土壤墒情数据发送给数据校验模块。将修正后土壤墒情数据和对应的气象数据进行归一化处理后输入预设的数据质量校验模型中进行质量校验。所述归一化处理方法可以采用均值归一化。所述数据质量校验模型可以基于卷积神经网络CNN和基于门控循环单元的循环神经网络GRU来构建，所述GRU网络在长短期记忆神经网络LSTM基础上进行改进可以解决循环神经网络RNN中的长依赖问题。所述数据质量校验模型将所述修正后的土壤墒情数据与得到的预测数据进行比较，根据比较结果显示正常或者异常，进行相应的数据存储，并记录到日志中。
所述云端服务器还包括模型更新模块，在所述云端服务器运行过程中，所述模型更新模块用于对上述各个模型进行更新，包括：土壤要素补偿模型、土壤要素转换模型、温度补偿模型和数据质量校验模型。模型更新模块会将运行过程中产生的各种数据作为新增数据加入到各个模型的训练集中，同时，还通过人工标定的方式，对其中部分的错误数据进行标定后作为标定数据加入到训练集中。定期对各个模型进行微调fine-tune训练，在通过模型精度评价后将更新后的模型部署到相应的位置，或者进行存档备份，并记录日志。
图5为本发明实施例的土壤含水量传感器的标定装置结构示意图，如图5所示，所述土壤含水量传感器的标定装置包括：设备注册模块10、策略制定模块11、数据接收模块12和数据修正模块13；其中，
所述设备注册模块10用于获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；所述策略制定模块11用于根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；所述数据接收模块12用于接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；所述数据修正模块13用于执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。具体为：
每个土壤含水量传感器在向数据接收模块12上传土壤墒情数据前，先在所述设备注册模块10执行预设的注册过程。所述注册过程中需要每个土壤含水量传感器向所述设备注册模块10发送其预设的默认设备信息，所述默认设备信息至少包括：土壤要素修正标识和地理信息。所述土壤要素修正标识用于表征该土壤含水量传感器采用的标定模型中是否采用了土壤要素修正。所述地理信息为该土壤含水量传感器所在的经纬度、高程等信息。
策略制定模块11通过对设备注册模块10接收到的默认设备信息包含的土壤要素修正标识和地理信息的解析，来判断该土壤含水量传感器当前设置的定标模型是否满足预设的要求，并根据判断结果来制定对该土壤含水量传感器上传的土壤墒情数据的土壤要素修正策略。
成功注册后的土壤含水量传感器可通过预设的通讯网络，例如3G/4G网络等，与数据接收模块12的接口相连，并采用预设的通讯协议、通讯方式，例如，TCP/IP协议，将采集到的土壤墒情数据接照预设的数据格式发送给数据接收模块12。
所述土壤墒情数据至少包括：温湿度参数、时间参数和空间参数。所述温湿度参数包括预设土壤层级的土壤体积含水率和土壤温度，所述预设土壤层级可以根据实际的需要进行设置，例如，0～20cm、20～40cm、40～60cm和60～80cm等。时间参数包括采集时间，例如，年、月、日、时、分、秒等。空间参数包括所述土壤含水量传感器所在的地理信息，例如，经纬度、高程等。
数据接收模块12在接收到所述土壤墒情数据时，将先根据预设的数据格式对其进行数据格式校验，在判定符合要求后，进行记录保存。
所述数据修正模块13提取出与所述土壤含水量传感器对应的土壤要素修正策略，并通过执行所述土壤要素修正策略，对所述土壤墒情数据中包含的土壤体积含水率进行修正，从而得到了修正体积含水率。
所述数据修正模块13可将所述修正体积含水率进行记录保存，具体可将修正体积含水率替换对应的土壤墒情数据中土壤体积含水率，将修正后的土壤墒情数据进行记录保存。从而，在数据库中保存了接收到的土壤墒情数据和修正后的土壤墒情数据。
所述土壤要素修正策略可根据实际的需要进行设置，例如，是否需要添加相应的修正算法，或者采用指定的修正模型。
本发明实施例提供的装置用于执行上述方法，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。
本发明实施例通过对土壤含水量传感器的默认设备信息的分析，得到对应的土壤要素修正策略，并对上传的土壤墒情数据执行对应的土壤要素修正策略，从而提高了土壤墒情数据的准确性。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)603、存储器(memory)602和通信总线604，其中，处理器601，通信接口603，存储器602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602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602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 (9)
1.一种土壤含水量传感器的标定方法，其特征在于，包括：
获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；
根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略；
接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；
执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率；
所述根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略，具体包括：
若所述土壤要素修正标识表征所述土壤含水量传感器未采取土壤要素修正，则得到的土壤要素修正策略为：根据与所述地理信息对应的实际土壤要素，采用预设的土壤要素补偿模型，进行土壤要素修正；
若所述土壤要素修正标识表征所述土壤含水量传感器已采取了默认的土壤要素修正，但所述默认的土壤要素修正对应的默认土壤要素与所述实际土壤要素不相符，则得到的土壤要素修正策略为：采用预设的土壤要素转换模型进行土壤要素修正；其中，所述土壤要素转换模型与所述默认土壤要素和实际土壤要素相对应。
2.根据权利要求1所述的土壤含水量传感器的标定方法，其特征在于，所述获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息，具体包括：
获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识、地理信息和温度修正标识；其中，所述温度修正标识用于表征所述土壤含水量传感器是否采取了温度修正；相应地，所述土壤含水量传感器的标定方法，还包括：
根据所述温度修正标识，得到所述土壤含水量传感器对应的温度修正策略；相应地，所述执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率，具体包括：
执行所述土壤要素修正策略和温度修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
3.根据权利要求2所述的土壤含水量传感器的标定方法，其特征在于，所述根据所述温度修正标识，得到所述土壤含水量传感器对应的温度修正策略，具体包括：
若所述温度修正标识表征所述土壤含水量传感器未采取温度修正，则得到的所述温度修正策略为：采用预设的温度补偿模型进行温度修正。
4.根据权利要求2所述的土壤含水量传感器的标定方法，其特征在于，所述土壤含水量传感器的标定方法还包括：
根据土壤墒情数据的历史数据和对应的气象数据，通过预设的墒情数据预测模型，得到土壤墒情数据的预测数据；
将所述预测数据与包括所述修正体积含水率的修正后的土壤墒情数据进行比较，并记录比较结果。
5.根据权利要求4所述的土壤含水量传感器的标定方法，其特征在于，所述土壤含水量传感器的标定方法还包括：
根据所述土壤含水量传感器的地理信息，从预存的土壤要素数据库中获取与所述地理信息对应的实际土壤要素；其中，所述土壤要素数据库包括利用地理信息系统GIS技术构建的各地土壤要素栅格数据。
6.根据权利要求5所述的土壤含水量传感器的标定方法，其特征在于，所述土壤要素补偿模型、土壤要素转换模型、温度补偿模型和墒情数据预测模型采用深度学习神经网络来分别构建。
7.一种土壤含水量传感器的标定装置，其特征在于，包括：
设备注册模块，用于获取土壤含水量传感器预设的默认设备信息，所述默认设备信息包括土壤要素修正标识和地理信息；其中，所述土壤要素修正标识用于表征所述土壤含水量传感器是否采取了土壤要素修正；
策略制定模块，用于根据所述土壤要素修正标识和地理信息，得到所述土壤含水量传感器对应的土壤要素修正策略，具体包括：
若所述土壤要素修正标识表征所述土壤含水量传感器未采取土壤要素修正，则得到的土壤要素修正策略为：根据与所述地理信息对应的实际土壤要素，采用预设的土壤要素补偿模型，进行土壤要素修正；
若所述土壤要素修正标识表征所述土壤含水量传感器已采取了默认的土壤要素修正，但所述默认的土壤要素修正对应的默认土壤要素与所述实际土壤要素不相符，则得到的土壤要素修正策略为：采用预设的土壤要素转换模型进行土壤要素修正；其中，所述土壤要素转换模型与所述默认土壤要素和实际土壤要素相对应；
数据接收模块，用于接收所述土壤含水量传感器上传的土壤墒情数据；其中，所述土壤墒情数据包括预设土壤层级的土壤体积含水率；
数据修正模块，用于执行所述土壤要素修正策略，对所述土壤体积含水率进行修正，以得到修正体积含水率。
8.一种电子设备，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6任一项所述的土壤含水量传感器的标定方法的步骤。
9.一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6任一项所述的土壤含水量传感器的标定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348898.0A CN111103333B (zh) | 2019-12-24 | 2019-12-24 | 一种土壤含水量传感器的标定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348898.0A CN111103333B (zh) | 2019-12-24 | 2019-12-24 | 一种土壤含水量传感器的标定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111103333A CN111103333A (zh) | 2020-05-05 |
| CN111103333B true CN111103333B (zh) | 2022-05-03 |
Family
ID=70424009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911348898.0A Active CN111103333B (zh) | 2019-12-24 | 2019-12-24 | 一种土壤含水量传感器的标定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111103333B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202453349U (zh) * | 2012-01-19 | 2012-09-26 | 高祥照 | 基于gps技术移动式土壤墒情检测系统 |
| CN204330665U (zh) * | 2015-01-07 | 2015-05-13 | 西北农林科技大学 | 一种智能土壤水分测量装置 |
| CN204945077U (zh) * | 2015-09-08 | 2016-01-06 | 中兴长天信息技术(北京)有限公司 | 一种土壤墒情快速测试系统 |
| CN105243435A (zh) * | 2015-09-15 | 2016-01-13 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
| CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
| CN106248522A (zh) * | 2016-07-19 | 2016-12-21 | 西安思坦环境科技有限公司 | 一种关于土壤墒情传感器的实验室校准方法 |
| AU2018317494A1 (en) * | 2017-08-14 | 2019-10-31 | Rubicon Research Pty Ltd | Method and system for water distribution and soil moisture determination |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9585307B2 (en) * | 2007-07-03 | 2017-03-07 | Kyle H. Holland | Optical real-time soil sensor and auto-calibration methods |
-
2019
- 2019-12-24 CN CN201911348898.0A patent/CN111103333B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202453349U (zh) * | 2012-01-19 | 2012-09-26 | 高祥照 | 基于gps技术移动式土壤墒情检测系统 |
| CN204330665U (zh) * | 2015-01-07 | 2015-05-13 | 西北农林科技大学 | 一种智能土壤水分测量装置 |
| CN204945077U (zh) * | 2015-09-08 | 2016-01-06 | 中兴长天信息技术(北京)有限公司 | 一种土壤墒情快速测试系统 |
| CN105243435A (zh) * | 2015-09-15 | 2016-01-13 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
| CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
| CN106248522A (zh) * | 2016-07-19 | 2016-12-21 | 西安思坦环境科技有限公司 | 一种关于土壤墒情传感器的实验室校准方法 |
| AU2018317494A1 (en) * | 2017-08-14 | 2019-10-31 | Rubicon Research Pty Ltd | Method and system for water distribution and soil moisture determination |
Non-Patent Citations (2)
| Title |
|---|
| Field use and calibration of a TDR-based probe for monitoring water content in a high-clay landslide soil in Austria;R. Stangl 等;《Geoderma》;20090210;第150卷;第23-31页 * |
| 自动土壤水分采集仪标定技术;徐凯 等;《东北水利水电》;20171231(第1期);第59-61页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111103333A (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
| JP7217754B2 (ja) | センサーの較正 | |
| CN110456026B (zh) | 一种土壤墒情监测方法及装置 | |
| CN110687619B (zh) | 一种用于农田气象站的气象数据校验方法及系统 | |
| CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
| CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
| CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
| CN113657028B (zh) | 一种基于多源信息的气溶胶光学厚度在线预测方法 | |
| CN114881323A (zh) | 基于深度神经网络的基坑降水区地下水位预测与更新方法 | |
| CN114118634B (zh) | 一种土壤水分预测方法和装置 | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| CN118211103B (zh) | 一种海洋温盐深传感器的数据校正方法 | |
| CN112613658A (zh) | 逐日降雨量预测方法、装置、电子设备及存储介质 | |
| CN115980755A (zh) | 一种基于ConvLSTM的风暴临近外推方法和装置 | |
| CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
| CN117592005A (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
| CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
| CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN111103333B (zh) | 一种土壤含水量传感器的标定方法及装置 | |
| CN114169502A (zh) | 一种基于神经网络的降水预测方法、装置和计算机设备 | |
| CN113642249A (zh) | 陀螺仪零偏误差补偿方法 | |
| CN115796394B (zh) | 数值天气预报订正方法、装置、电子设备及存储介质 | |
| CN109242141A (zh) | 一种商品库存数量的预测方法及装置 | |
| CN110111377B (zh) | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 | |
| CN107656905A (zh) | 一种利用误差传递的空气质量数据实时校准方法 |
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 |