CN111369093B - 基于机器学习的灌溉方法和装置 - Google Patents
基于机器学习的灌溉方法和装置 Download PDFInfo
- Publication number
- CN111369093B CN111369093B CN201811601813.0A CN201811601813A CN111369093B CN 111369093 B CN111369093 B CN 111369093B CN 201811601813 A CN201811601813 A CN 201811601813A CN 111369093 B CN111369093 B CN 111369093B
- Authority
- CN
- China
- Prior art keywords
- data
- irrigation
- scheme
- plant growth
- prediction model
- 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
- 230000002262 irrigation Effects 0.000 title claims abstract description 374
- 238000003973 irrigation Methods 0.000 title claims abstract description 370
- 238000010801 machine learning Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000000694 effects Effects 0.000 claims abstract description 106
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 94
- 230000008635 plant growth Effects 0.000 claims abstract description 90
- 230000007613 environmental effect Effects 0.000 claims abstract description 70
- 239000002689 soil Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000001556 precipitation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 17
- 241000196324 Embryophyta Species 0.000 description 93
- 230000012010 growth Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 239000002699 waste material Substances 0.000 description 8
- JLIDBLDQVAYHNE-YKALOCIXSA-N (+)-Abscisic acid Chemical compound OC(=O)/C=C(/C)\C=C\[C@@]1(O)C(C)=CC(=O)CC1(C)C JLIDBLDQVAYHNE-YKALOCIXSA-N 0.000 description 6
- 229930002875 chlorophyll Natural products 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 6
- 239000000523 sample Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000000243 photosynthetic effect Effects 0.000 description 3
- 230000027756 respiratory electron transport chain Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- FCRACOPGPMPSHN-UHFFFAOYSA-N desoxyabscisic acid Natural products OC(=O)C=C(C)C=CC1C(C)=CC(=O)CC1(C)C FCRACOPGPMPSHN-UHFFFAOYSA-N 0.000 description 2
- 229940113601 irrigation solution Drugs 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000002751 Sideroxylon obovatum Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- A01G25/00—Watering gardens, fields, sports grounds or the like
-
- 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
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
-
- 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
-
- 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
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Public Health (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能灌溉技术领域,提供了基于机器学习的灌溉方法和装置,包括:读取环境数据,所述环境数据包括天气、土壤湿度和植物生长状况数据;对所述环境数据进行特征工程处理,得到预测变量数据;发送所述预测变量数据到灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成;获取所述灌溉效果预测模型输出的目标变量值,利用所述目标变量值生成灌溉方案;根据所述灌溉方案向指定编号的出水阀发送控制信号。本发明基于植物生长状况和环境因素建模控制灌溉时机,可解决人工决策或基于单个环境因素决策无法确保在最佳时机进行灌溉的问题,可确保作物产量并节约劳动力和水资源。
Description
技术领域
本发明涉及智能灌溉技术领域,特别涉及一种基于机器学习的灌溉方法和装置。
背景技术
随着劳动力成本逐渐提高和淡水资源的日益短缺,智能灌溉技术成为农业、林业和园林园艺等行业的迫切需求。智能灌溉技术利用智能设备进行农田、花园、园林地块、温室大棚等场地的灌溉,不仅可以降低灌溉的工作量,还可大量节约水资源,从整体上降低灌溉成本。CN201610889186.X《一种灌区田间节水智能化灌溉系统》公开了一种智能灌溉系统,利用土壤湿度作为控制是否进行灌溉的信号,当土壤湿度低于阈值时,开始灌溉;当土壤湿度高于阈值时,停止灌溉。CN104351020B《基于图像采集的农田自动灌溉系统》公开了一种自动灌溉系统,采集农田图像,利用采集到图像判断作物干旱程度,进而自动判断是否进行灌溉。
对植物进行灌溉的最终目的是确保农作物的产量、农产品品质或园艺作物的优良的生长状态(例如叶片颜色、花朵大小、花期长短等),但现有的智能灌溉系统利用人工方法或简单的计算机方法进行是否需要灌溉的判断。现有的数据采集技术可以保证采集到丰富的场地环境数据,但是受限于人工判断或简单的计算机方法判断的数据分析能力,现有技术只能基于土壤湿度或作物图像等单个因素判断是否需要进行灌溉,并且采用的是根据间接的指标判断植物是否需要灌溉,而实际上什么时候需要灌溉受天气、土壤、小范围植物生长情况等等多种因素的影响。现有技术判断灌溉时机、灌溉量的方式脱离了灌溉的最终目标,难以保证在最佳时机进行灌溉,可能会错失最佳灌溉的时机,导致农作物产量降低或园艺作物质量降低;而现实中存在多种植物混种的农田、园林、花园或温室大棚等复杂场地类型,这些场景下采集到的数据将更加复杂,智能灌溉决策亦更加复杂,利用现有技术,单因素机械的决定灌溉时机难以保证灌溉的效果,而由人工决策则带来繁重的工作且很难保证复杂场地内每一种植物都获得最优的灌溉。
发明内容
本发明的实施例提供一种基于机器学习的灌溉方法和装置,利用植物所在的环境因素预测植物是否需要进行灌溉,以便在最佳灌溉时机开始对植物进行灌溉。
为达到上述目的,本发明实施例采用了如下技术方案:
第一方面,公开了一种基于机器学习的灌溉方法,包括:
读取环境数据,所述环境数据包括:天气数据、土壤湿度数据和植物生长状况数据;
对所述环境数据进行特征工程处理,得到预测变量数据;
发送所述预测变量数据到灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成;
获取所述灌溉效果预测模型输出的目标变量值,利用所述目标变量值生成灌溉方案;
根据所述灌溉方案向指定编号的出水阀发送控制信号。
结合第一方面,在第一种可能的实现方式中,所述标签采用人工方法或者机器学习方法生成,包括:
读取所述历史数据,所述历史数据包括:植物生长状况数据、灌溉方案数据、天气数据和土壤湿度数据;
选择时刻t,获得时刻t之后时长T小时内的灌溉方案数据;
获得时刻t+T小时,t+2T小时,…,t+12T小时的累计降水量数据和植物生长状况数据,并按照时序排列为一个序列,形成一条灌溉效果评估数据;
利用农业专家经验或者农业专家定义规则,评估每一条所述灌溉效果评估数据对应植物生长状况,并根据t~t+T小时的灌溉数据,判定灌溉活动是否促进植物生长,或者,利用聚类算法将所述灌溉效果评估数据划分为至少二簇,并由农业专家判定每一簇对应的灌溉促进了植物生长或未促进植物生长;
若灌溉促进植物生长,则给一条数据打标签1,否则打标签0;
结合第一方面,在第二种可能的实现方式中,所述对所述环境数据进行特征工程处理,包括:
生成至少一条灌溉方案数据,所述灌溉方案数据包括出水阀编号、浇水量和浇水时刻;
生成至少一条预测变量数据,所述预测变量数据包括所述环境数据和所述灌溉方案数据;
结合第一方面,在第三种可能的实现方式中,所述利用所述目标变量值生成灌溉方案,包括:
选择满足预设条件的所述目标变量,并获取对应的预测变量;
选择所述预测变量中的灌溉方案数据,组成可选灌溉方案集;
若所述可选灌溉方案集不为空,则利用预设策略选择一个灌溉方案,所述灌溉方案包括至少一个出水阀编号、浇水量和浇水时刻。
结合第一方面,在第四种可能的实现方式中,所述发送所述预测变量数据到灌溉效果预测模型,包括:
获取目标地块内植物的图像;
利用图像识别模型,获取图像对应植物的种类;
根据所述植物的种类,发送所述预测变量数据到对应的灌溉效果预测模型。
第二方面,公开了一种基于机器学习的灌溉装置,包括:
数据获取模块,用于读取环境数据,所述环境数据包括:天气数据、土壤湿度数据和植物生长状况数据;
特征工程模块,用于对所述环境数据进行特征工程处理,得到预测变量数据;
数据发送模块,用于发送所述预测变量数据到灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成;
方案生成模块,用于获取所述灌溉效果预测模型输出的目标变量值,利用所述目标变量值生成灌溉方案;
控制模块,用于根据所述灌溉方案向指定编号的出水阀发送控制信号。
结合第一方面,在第一种可能的实现方式中,所述装置还包括标签生成模块,用于:
读取所述历史数据,所述历史数据包括:植物生长状况数据、灌溉方案数据、天气数据和土壤湿度数据;
选择时刻t,获得时刻t之后时长T小时内的灌溉方案数据;
获得时刻t+T小时,t+2T小时,…,t+12T小时的累计降水量数据和植物生长状况数据,并按照时序排列为一个序列,形成一条灌溉效果评估数据;
利用农业专家经验或者农业专家定义规则,评估每一条所述灌溉效果评估数据对应植物生长状况,并根据t~t+T小时的灌溉数据,判定灌溉活动是否促进植物生长,或者,利用聚类算法将所述灌溉效果评估数据划分为两簇,并由农业专家判定每一簇对应的灌溉促进了植物生长或未促进植物生长;
若灌溉促进植物生长,则给一条数据打标签1,否则打标签0;
结合第一方面,在第二种可能的实现方式中,所述装置的特征工程模块,用于:
生成至少一条灌溉方案数据,所述灌溉方案数据包括出水阀编号、浇水量和浇水时刻;
生成至少一条预测变量数据,所述预测变量数据包括所述环境数据和所述灌溉方案数据;
结合第一方面,在第三种可能的实现方式中,所述装置的方案生成模块,还用于:
选择满足预设条件的所述目标变量,并获取对应的预测变量;
选择所述预测变量中的灌溉方案数据,组成可选灌溉方案集;
若所述可选灌溉方案集不为空,则利用预设策略选择一个灌溉方案,所述灌溉方案包括至少一个出水阀编号、浇水量和浇水时刻。
结合第一方面,在第四种可能的实现方式中,所述装置还包括模型选择模块,用于:
获取目标地块内植物的图像;
利用图像识别模型,获取图像对应植物的种类;
根据所述植物的种类,发送所述预测变量数据到对应的灌溉效果预测模型。
上述技术方案提供的基于机器学习的灌溉方法和装置,利用植物生长状况及环境因素作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,同时大大减少水资源的浪费。
附图说明
图1为本发明提供的一种基于机器学习的灌溉方法流程图;
图2为本发明提供的另一种基于机器学习的灌溉方法流程图;
图3为本发明提供的另一种基于机器学习的灌溉方法流程图;
图4为本发明提供的另一种基于机器学习的灌溉方法流程图;
图5为本发明提供的一种基于机器学习的灌溉装置组成框图;
图6为本发明提供的另一种基于机器学习的灌溉装置组成框图;
图7为本发明提供的另一种基于机器学习的灌溉装置组成框图;
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。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。
实施例一
本发明实施例提供了一种基于机器学习的灌溉方法,如图1所示,所述方法包括以下步骤:
101、读取环境数据。所述环境数据包括:天气数据、土壤湿度数据和植物生长状况数据。所述天气数据从中国气象数据网获取,为要浇灌地块所在地的中国地面气象站逐小时观测资料(气温TEM、气压PRS、相对湿度RHU、水汽压WRHU、风力WIN、风向WIND、降水量PRE);所述土壤湿度数据通过部署在要浇灌地块中的探针采集获得;所述植物生长状况数据包括以下数据的至少一种:光合电子传递速率ETR、叶片温度PlantC、叶绿素含量、脱落酸含量ABA等,所述植物生长状况数据通过部署在地块中且与植物相连的探针等采集获得。
102、对环境数据进行特征工程处理,得到预测变量数据。所述预测变量数据由经特征工程处理的环境数据组成,所述特征工程处理,包括:
对所有的环境数据进行缺失值插补,插补方式可采用均值、中位数或众数插补;
对所有环境数据进行异常值检测并进行剔除异常值;
对连续性变量进行分箱、二值化、归一化等离散化操作;
对离散型变量,转化为序数变量并进行one-hot编码。
经过上述特征工程处理,采集到的环境数据被转化为可用于预测的预测变量数据形式。
优选的,所述特征工程处理,还包括:
生成至少一条灌溉方案数据,所述灌溉方案数据包括出水阀编号、浇水量和浇水时刻;
生成至少一条预测变量数据,所述预测变量数据包括所述经过处理的环境数据和所述灌溉方案数据;
经过上述特征工程处理,采集到的环境数据和生成的灌溉方案数据,被转化为可用于预测的预测变量形式。一条环境数据可以和多条不同的灌溉方案数据形成多条预测变量数据。
103、发送预测变量数据到灌溉效果预测模型。所述灌溉效果预测模型利用有标签的历史数据,采用机器学习方法训练获得,所述历史数据包括环境数据、灌溉方案数据和标签。所述标签采用人工方法或机器学习方法生成。所述灌溉效果预测模型,能够根据环境数据,预测出当前植物需要灌溉,或者需要停止灌溉;
104、获得灌溉效果预测模型输出的目标变量,生成灌溉方案。所述灌溉效果预测模型输出的目标变量值,反应了当前植物是否需要灌溉。例如,所述灌溉效果预测模型输出的目标变量值可以是“1”或“0”,其中1表示需要灌溉,0表示不需要灌溉;可根据目标变量值以及当前出水阀状态,生成灌溉方案:若目标变量值为1且当前出水阀关闭,则生成的灌溉方案中应向该出水阀发送打开信号;若目标变量值为0且当前出水阀状态为打开,则生成的灌溉方案中应向该出水阀发送关闭信号;如目标变量值为1且当前出水阀状态为打开,或者目标变量值为0且当前出水阀状态为关闭,则生成的灌溉方案中不向该出水阀发送信号。
优选的,选择满足预设条件的所述目标变量,并获取对应的预测变量;选择所述预测变量中的灌溉方案数据,组成可选灌溉方案集;若所述可选灌溉方案集不为空,则利用预设策略选择一个灌溉方案,所述灌溉方案包括至少一个出水阀编号、浇水量和浇水时刻。步骤102生成的预测变量,可能存在多个预测变量具有相同的环境变量和不同的灌溉方案,如下表所示:
表1灌溉方案表
天气数据1 | 土壤湿度1 | 植物生长状况1 | 9号阀门 | 60分钟 | 17:00 |
天气数据1 | 土壤湿度1 | 植物生长状况1 | 9号阀门 | 45分钟 | 19:00 |
天气数据1 | 土壤湿度1 | 植物生长状况1 | 9号阀门 | 30分钟 | 17:30 |
天气数据1 | 土壤湿度1 | 植物生长状况1 | 9号阀门 | 20分钟 | 21:00 |
… | … | … | … | … | … |
此时预测的目标变量,是灌溉方案是否有助于植物生长,目标变量为1表示促进植物生长,目标变量为0表示不促进植物生长。所以获得的目标变量值,可能是针对同一环境数据下的不同灌溉方案效果的预测。所以,可首先筛选所有目标变量值为1即预测为促进植物生长的条目,并将其对应的预测变量中的灌溉方案--包括出水阀编号、浇水量(按照浇灌分钟数计算)和浇水时刻—提取出来,组成一个可选的灌溉方案集合。若该集合不为空,表示当前环境数据条件下,有多种灌溉方案可选,可基于预设的策略,例如满足需求的最少浇水量,从集合中选择一个灌溉方案;或者此次浇水保证未来更长时间无需浇水,从集合中选择单次浇水量最大的灌溉方案。
105、根据灌溉方案,向指定出水阀发送控制信号。可根据出水阀编号,根据灌溉方案向其发送打开或关闭的信号,或者,向指定出水阀发送在时刻t开始浇水20分钟的信号。
本发明实施例提供的基于机器学习的灌溉方法,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,同时大大减少水资源的浪费。
实施例二
本发明实施例提供了一种基于机器学习的灌溉方法,所述方法包括如下步骤:
一、对历史灌溉数据进行处理,将其处理为用于训练灌溉效果预测模型的形式。所述历史灌溉数据,包括对某种植物进行灌溉时,采集的环境数据和灌溉方案数据,利用历史数据可训练某种植物对应的灌溉效果预测模型。所述环境数据,如步骤101所述,此处不再赘述。所述灌溉方案数据,包括出水阀编号、浇水量和浇水时刻等。所述处理包括对历史数据打标签,如图2所示,具体包括如下步骤:
201、读取原始数据。所述原始数据包括未经处理的所述环境数据和灌溉方案数据。所述历史数据包括:植物生长状况数据、灌溉方案数据、天气数据和土壤湿度数据;
202、选择时刻t,查询时刻t之后时长T小时内的灌溉方案数据;时刻t可随机选择或按照固定的间隔选择,如选择每天、每周或每月灌溉计划开始的时间。选定一个观察时刻之后,可获得t~t+T小时内的灌溉方案,例如,可选择T=1,考察时刻t之后一小时内的灌溉方案数据,或者选择T=2,考察时刻t之后2小时内的灌溉方案数据;
203、获得时刻t+T小时,t+2T小时,…,t+12T小时的累计降水量数据和植物生长状况数据。对历史数据进行采样:对历史数据中的天气数据进行抽样和计算,获取t~t+T小时,t+2T小时,…,t+12T小时的累计降水量数据,该数据表征的自然降水量可能会对灌溉方案达成的效果造成影响;对历史数据中的植物生长状况进行抽样,获取t~t+T小时,t+2T小时,…,t+12T小时的植物生长状况数据,如被灌溉地块内作物的光合电子传递速率ETR、叶片温度PlantC和植物叶片的叶绿素含量等。有研究文献表明,当植物处于缺水状态时,进行适当的浇灌,会促进植物的生长,这种促进作用可通过ETR、PlantC或叶绿素含量等植物的指标捕捉到。故而采集灌溉行为发生后T小时到12T小时的植物生长状况数据,可以利用这些数据评估灌溉活动的作用,是促进了植物的生长,没有起到任何作用,还是抑制了植物的生长。
204、将所述t~t+T小时内的灌溉方案数据,t~t+T小时、t+2T小时,…,t+12T小时的累计降雨量数据和植物生长状况数据按照时间顺序排成一行,形成灌溉效果评估数据,如下表所示:
表2灌溉效果评估数据
对已经部署好数据采集设备(土壤湿度探针,植物生理指标测定设备等你)的地块进行长期跟踪,经过1~2个植物生长季的积累,可形成非常丰富的,针对某种特定植物的灌溉效果评估数据集,如针对玉米、小麦、小叶黄杨、波斯菊、柑橘、水蜜桃等等各种农作物或园艺植物的灌溉效果评估数据集;
205、利用农业专家经验或者农业专家定义规则,评估每一条所述灌溉效果评估数据对应植物生长状况,并根据t~t+T小时的灌溉数据,判定灌溉活动是否促进植物生长,或者,利用聚类算法将所述灌溉效果评估数据划分为至少二簇,并由农业专家判定每一簇对应的灌溉促进了植物生长或未促进植物生长。可以利用农业专家根据其经验,判断每一条灌溉效果评估数据中的灌溉活动是否促进了植物的生长,农业专家主要根据植物生长状况和降雨量两个指标进行判断,例如,若t~t+T小时内有灌溉活动发生,t+T~t+12T小时无降水,t+T小时~t+12T小时内反应植物生长状况的指标ETR或PlantC或叶绿素含量反映了植物生长状况变好,则认为灌溉活动促进了植物生长;如ETR、PlantC或叶绿素含量等指标反应植物生长状况不变甚至变差,则判定灌溉活动未促进植物生长。还可以将农业专家的经验编写成规则,利用规则引擎工具,如决策树、决策流、决策表等,自动处理灌溉效果评估数据,判断灌溉是否促进了植物的生长。例如,规则可以是:
·灌溉时长大于10分钟,降水量小于10毫米,植物生长状况指标变化在12小时内变化大于10%;
·灌溉时长大于20分钟,降水为0;植物生长状况指标6小时内变化大于20%;
·……
另一方面,还可利用机器学习方法,例如利用聚类算法,将灌溉效果评估数据划分为2簇,然后由农业专家判定每一簇中的数据记录对应了促进植物生长或未促进植物生长;还可以利用半监督学习算法,例如生成式方法、半监督SVM、约束种子K均值算法等,首先由农业专家利用其经验,分析历史数据,找出灌溉行为促进了植物生长的数据记录,形成少量带标签样本,进而利用少量带标签(labeled)样本和大量无标签(unlabeled)样本和上述半监督学习算法进行学习,给无标签样本添加标签。或者由农业专家利用其经验,分析历史数据,找出灌溉行为促进了植物生长的数据记录,并采集对应的植物生长状况数据,组成一个向量,进而计算步骤204中获得的各条数据与农业专家找到的标准向量的距离,当距离大于某个阈值(例如,设定标准向量模的一半作为阈值)时,判定为未促进植物生长;否则判定为促进植物生长。利用上述人工或机器学习算法,可判定每一条灌溉效果评估数据对应的灌溉行为是否促进了植物生长。
206a若步骤205中判定灌溉促进了植物生长,则给时刻t对应的环境数据和灌溉方案数据打标签“1”;
206b若步骤205中判定灌溉未促进了植物生长,则给时刻t对应的环境数据和灌溉方案数据打标签“0”;最后,获得了带标签的历史数据,可用于训练机器学习模型,该模型可预测给定环境数据条件下灌溉是否有助于植物生长。
上述步骤201~206中所述的历史数据处理方法和打标签方法,也可以用于步骤103中所述的灌溉效果评估模型的获得,使用步骤201~206所述方法处理历史数据,并利用分类机器学习算法可训练获得步骤103中所述的灌溉效果评估模型。
二、利用步骤一获得的带标签的历史数据,训练机器学习模型,该模型可用于根据环境数据和灌溉方案数据,预测当前条件下是否应该进行灌溉;所述带标签的历史数据,还可用于训练更复杂的模型,例如,利用上述带标签大的环境数据和灌溉方案数据,预测当前环境条件下,灌溉方案中的浇水量与灌溉是否能够促进植物生成的模型。可利用分类算法,如Logistic回归、朴素贝叶斯、随机森林、梯度提升、深度学习等,学习获得分类模型。三、利用步骤二中的灌溉效果评估模型,接收经过特征工程处理的预测变量,包括经过特征工程处理的环境数据和灌溉方案数据。对环境数据和灌溉方案数据进行的处理如102所述,在此不再赘述。
四、模型根据接收到的预测变量,给出目标变量值。对应于不同的预测变量值,可获得目标变量之“1”或“0”。
五、根据目标变量值生成灌溉方案,并向指定编号的出水阀发送控制信号。所述灌溉效果预测模型输出的目标变量值,反应了当前植物是否需要灌溉。例如,所述灌溉效果预测模型输出的目标变量值可以是“1”或“0”,其中1表示需要灌溉,0表示不需要灌溉;可根据目标变量值以及当前出水阀状态,生成灌溉方案:若目标变量值为1且当前出水阀关闭,则生成的灌溉方案中应向该出水阀发送打开信号;若目标变量值为0且当前出水阀状态为打开,则生成的灌溉方案中应向该出水阀发送关闭信号;如目标变量值为1且当前出水阀状态为打开,或者目标变量值为0且当前出水阀状态为关闭,则生成的灌溉方案中不向该出水阀发送信号。
本发明实施例提供的基于机器学习的灌溉方法,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,大大降低水资源的浪费。
实施例三
本发明实施例提供了一种基于机器学习的灌溉方法,具体步骤包括:
一、读取环境数据。所述环境数据如实施例一101所述,此处不再赘述;
二、对环境数据进行特征工程处理,得到预测变量数据。对环境数据进行处理进而获得预测变量数据的过程如实施例一102所述,此处不再赘述;
三、发送预测变量数据到灌溉效果预测模型。所述灌溉效果预测模型利用有标签的历史数据,采用机器学习方法训练获得,所述历史数据包括环境数据、灌溉方案数据和标签。所述标签采用人工方法或机器学习方法生成。所述灌溉效果预测模型,能够根据环境数据,预测出当前植物需要灌溉,或者需要停止灌溉;
四、获得灌溉效果预测模型输出的目标变量,生成灌溉方案。根据灌溉效果预测模型输出的目标变量生成个灌溉方案的流程如图3所示,具体包括:301、选择满足预设条件的目标变量值,获取对应的预测变量。本发明方案由计算机系统执行,步骤三中向模型发送的预测变量,可以是计算机自动生成的灌溉方案数据与某地块中某种植物对应的当前环境数据组成的,一组相同的环境数据可以和多个不同的灌溉方案,组成多条预测变量数据记录。向模型发送预测变量时,缓存预测变量数据记录,并接收和缓存与每一个预测变量数据记录对应的目标变量值。选择满足预设条件的目标变量值,例如,目标变量值“1”表示灌溉促进了植物生长,则选择所有目标变量值为1的预测变量数据记录;
302、选择所述预测变量中的灌溉方案数据,组成可选灌溉方案集。初始化一个空集合。选择所有满足预设条件的目标变量对应的预测变量数据记录,例如,从每一条目标变量为1的预测变量数据记录中,取出灌溉方案数据,包括出水阀编号、浇水量和浇水时刻,其中浇水量以阀门打开时长衡量。将灌溉方案数据加入到可选灌溉方案集合中;
303、判断可选灌溉方案集合是否为空,如集合不为空,则执行步骤304a,否则执行304b;
304a、根据预设策略选择一个灌溉方案。例如,预设策略可以是耗水量最少,此时从可选灌溉方案集中选择灌溉量最少(需要打开的出水阀最少,浇水时间最短)的方案;预设策略还可以是最优灌溉效果即不考虑此次灌溉的耗水量,则可以选择打开的出水阀最多、灌溉时长最长的方案。
304b、如可选结合为空,则模型无法给出当前环境数据下的灌溉方案,可向操作人员提示异常。
本发明实施例提供的基于机器学习的灌溉方法,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,大大降低水资源的浪费。
实施例四
本发明实施例提供了一种基于图像识别和机器学习的灌溉方法,具体步骤包括:
一、自动确定灌溉效果预测模型。该步骤的流程如图4所示,包括:
401、获取植物图像。可利用固定于地块正上方的摄像头获取植物图像,也可利用无人机航拍方式获得植物图像;也可获得人工拍摄的植物图像;
402、利用图像识别模型识别图像中植物的种类。图像识别模型是利用机器学习算法训练获得的。
403、根据模型给出的植物种类,从可用灌溉效果预测模型库中,选择正确的灌溉效果预测模型。训练灌溉效果预测模型时,针对不同种类的植物,
分别采集环境数据和灌溉方案数据,并训练模型。还可以根据模型给出植物的植物种类的相似或相近,从可用灌溉效果预测模型库选择模型,例如,
可用灌溉模型库中包括玉米和小麦的灌溉效果预测模型,图像识别模型给出的植物种类是大麦、燕麦,则根据科属种相近关系,应选择小麦灌溉效果预测模型。
二、读取环境数据,所述环境数据如实施例一101所述,此处不再赘述;
三、对环境数据进行特征工程处理,得到预测变量数据。对所述环境数据进行的特征工程处理如实施例一102所述,此处不再赘述。
四、发送预测变量数据到步骤一选出的灌溉效果预测模型。
五、获得灌溉效果预测模型输出的目标变量,生成灌溉方案。根据目标变量生成灌溉方法的具体方法如实施例一104所述,此处不再赘述。
六、根据灌溉方案,向指定出水阀发送控制信号。可根据出水阀编号,根据灌溉方案向其发送打开或关闭的信号,或者,向指定出水阀发送在时刻t开始浇水20分钟的信号。
本发明实施例提供的基于机器学习的灌溉方法,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,同时大大减少水资源的浪费。
实施例五
本发明提供了一种基于机器学习的灌溉装置,其组成如图5所示。具体包括:
501、数据获取模块,用于读取环境数据,所述环境数据包括:天气数据、土壤湿度数据和植物生长状况数据;所述天气数据从中国气象数据网获取,为要浇灌地块所在地的中国地面气象站逐小时观测资料(气温TEM、气压PRS、相对湿度RHU、水汽压WRHU、风力WIN、风向WIND、降水量PRE);所述土壤湿度数据通过部署在要浇灌地块中的探针采集获得;所述植物生长状况数据包括以下数据的至少一种:光合电子传递速率ETR、叶片温度PlantC、叶绿素含量、脱落酸含量ABA等,所述植物生长状况数据通过部署在地块中且去植物相连的探针等采集获得。
502、特征工程模块,用于对所述环境数据进行特征工程处理,得到预测变量数据;所述特征工程模块对环境数据进行的特征工程处理,包括:
对所有的环境数据进行缺失值插补,插补方式可采用均值、中位数或众数插补;
对所有环境数据进行异常值检测并进行剔除异常值;
对连续性变量进行分箱、二值化、归一化等离散化操作;
对离散型变量,转化为序数变量并进行one-hot编码。
经过上述特征工程处理,采集到的环境数据被转化为可用于预测的预测变量数据形式。
优选的,所述特征工程处理,还包括:
生成至少一条灌溉方案数据,所述灌溉方案数据包括出水阀编号、浇水量和浇水时刻;
生成至少一条预测变量数据,所述预测变量数据包括所述经过处理的环境数据和所述灌溉方案数据;
经过上述特征工程处理,采集到的环境数据和生成的灌溉方案数据,被转化为可用于预测的预测变量形式。一条环境数据可以和多条不同的灌溉方案数据形成多条预测变量数据。
503、数据发送模块,用于发送所述预测变量数据到灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成;所述灌溉效果预测模型,能够根据环境数据,预测出当前植物需要灌溉,或者需要停止灌溉;
504、方案生成模块,用于获取所述灌溉效果预测模型输出的目标变量值,利用所述目标变量值生成灌溉方案;所述灌溉效果预测模型输出的目标变量值,反应了当前植物是否需要灌溉。例如,所述灌溉效果预测模型输出的目标变量值可以是“1”或“0”,其中1表示需要灌溉,0表示不需要灌溉;可根据目标变量值以及当前出水阀状态,生成灌溉方案:若目标变量值为1且当前出水阀关闭,则生成的灌溉方案中应向该出水阀发送打开信号;若目标变量值为0且当前出水阀状态为打开,则生成的灌溉方案中应向该出水阀发送关闭信号;如目标变量值为1且当前出水阀状态为打开,或者目标变量值为0且当前出水阀状态为关闭,则生成的灌溉方案中不向该出水阀发送信号。
优选的,选择满足预设条件的所述目标变量,并获取对应的预测变量;选择所述预测变量中的灌溉方案数据,组成可选灌溉方案集;若所述可选灌溉方案集不为空,则利用预设策略选择一个灌溉方案,所述灌溉方案包括至少一个出水阀编号、浇水量和浇水时刻。
505、控制模块,用于根据所述灌溉方案向指定编号的出水阀发送控制信号。
可根据出水阀编号,根据灌溉方案向其发送打开或关闭的信号,或者,向指定出水阀发送在时刻t开始浇水20分钟的信号。
本发明实施例提供的基于机器学习的灌溉装置,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,同时大大减少水资源的浪费。
实施例六
本发明提供了一种基于机器学习的灌溉装置,其组成如图6所示。具体包括:
601、数据获取模块,用于读取环境数据,所述环境数据具体定义及采集方法如实施例五501所述,此处不再赘述;
602、特征工程模块,用于对所述环境数据进行特征工程处理,得到预测变量数据;所述特征工程模块对环境数据进行的特征工程处理如实施例五502所述,此处不再赘述;
603、模型选择模块,用于:获取目标地块内植物的图像,模型选择模块可利用固定于地块正上方的摄像头获取植物图像,也可利用无人机航拍方式获得植物图像;也可获得人工拍摄的植物图像;模型选择模块利用图像识别模型,获取图像对应植物的种类,图像识别模型是利用机器学习算法训练获得的;模型选择模块可根据所述植物的种类,从可用灌溉效果预测模型库中,选择正确的灌溉效果预测模型,所述灌溉效果预测模型的选择过程,如实施例四403所述,此处不再赘述。
604、数据发送模块,用于发送所述预测变量数据到603中选中的灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成;所述灌溉效果预测模型,能够根据环境数据,预测出当前植物需要灌溉,或者需要停止灌溉;
605、方案生成模块,用于获取所述灌溉效果预测模型输出的目标变量值,利用所述目标变量值生成灌溉方案。所述方案生成的过程如实施例五504所述,此处不再赘述。
606、控制模块,用于根据所述灌溉方案向指定编号的出水阀发送控制信号。
可根据出水阀编号,根据灌溉方案向其发送打开或关闭的信号,或者,向指定出水阀发送在时刻t开始浇水20分钟的信号。
本发明实施例提供的基于机器学习的灌溉装置,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,同时大大减少水资源的浪费。
实施例七
本发明提供了一种基于机器学习的灌溉装置,其组成如图7所示。具体包括:
701、标签生成模块。该模块用于获取某地块或某种植物的历史灌溉数据和环境数据,然后利用人工方法或机器学习方法,给环境数据打标签。具体过程如实施例二201~206所述,此处不再赘述;
标签生成模块,还用于利用带标签的环境数据,训练用于预测在给定环境数据条件下是否需要灌溉的机器学习模型。该模型可用于根据环境数据和灌溉方案数据,预测当前条件下是否应该进行灌溉;所述带标签的历史数据,还可用于训练更复杂的模型,例如,利用上述带标签的环境数据和灌溉方案数据,预测当前环境条件下,灌溉方案中的浇水量与灌溉是否能够促进植物生成的模型。可利用分类算法,如Logistic回归、朴素贝叶斯、随机森林、梯度提升、深度学习等,学习获得分类模型。
702、数据获取模块,用于读取环境数据,所述环境数据具体定义及采集方法如实施例五501所述,此处不再赘述;
703、特征工程模块,用于对所述环境数据进行特征工程处理,得到预测变量数据;所述特征工程模块对环境数据进行的特征工程处理如实施例五502所述,此处不再赘述;
704、数据发送模块,用于发送所述预测变量数据到701中训练得到的灌溉效果预测模型,或已经配置好的灌溉效果预测模型;所述灌溉效果预测模型,能够根据环境数据,预测出当前植物需要灌溉,或者需要停止灌溉
705、方案生成模块,用于获取所述灌溉效果预测模型输出的目标变量值,利用所述目标变量值生成灌溉方案。所述方案生成的过程如实施例五504所述,此处不再赘述。
706、控制模块,用于根据所述灌溉方案向指定编号的出水阀发送控制信号。可根据出水阀编号,根据灌溉方案向其发送打开或关闭的信号,或者,向指定出水阀发送在时刻t开始浇水20分钟的信号。
本发明实施例提供的基于机器学习的灌溉装置,利用植物生长状况作为评估植物是否需要灌溉的依据,利用机器学习方法取代人工判断是否需要灌溉,可大大改善确定灌溉时机的科学性和准确性,确保农作物增产,确保园林植物保持良好的生长状态,大大减少因人为判断失误造成的对植物的伤害,同时大大减少水资源的浪费。
应当理解的是,上述针对实施实例的描述较为具体,并不能因此而认为是对本发明专利保护范围的限制,本发明的专利保护范围应以所附权利要求为准。
Claims (8)
1.一种基于机器学习的灌溉方法,其特征在于,所述方法包括:
读取环境数据,所述环境数据包括:天气数据、土壤湿度数据和植物生长状况数据;
对所述环境数据进行特征工程处理,得到包括灌溉方案数据的预测变量数据;
发送所述预测变量数据到灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成,所述标签用于记录灌溉是否促进植物生长;
获取所述灌溉效果预测模型输出的目标变量值,选择表示灌溉促进了植物生长的目标变量值,并确定选择的目标变量值对应的预测变量数据,目标变量值对应的预测变量数据是使所述灌溉效果预测模型输出目标变量值所发送的预测变量数据;
选择所述对应的预测变量数据中的灌溉方案数据,组成可选灌溉方案集;
若所述可选灌溉方案集不为空,则利用预设策略从所述可选灌溉方案集中选择一个灌溉方案,所述灌溉方案包括至少一个出水阀编号、浇水量和浇水时刻,所述预设策略包括选择耗水量最少的灌溉方案的策略;
根据所述灌溉方案向指定编号的出水阀发送控制信号。
2.如权利要求1所述的方法,其特征在于,所述标签采用人工方法或者机器学习方法生成,包括:
读取所述历史数据,所述历史数据包括:植物生长状况数据、灌溉方案数据、天气数据和土壤湿度数据;
选择时刻t,获得时刻t之后时长T小时内的灌溉方案数据;
获得时刻t+T小时,t+2T小时,…,t+12T小时的累计降水量数据和植物生长状况数据,并按照时序排列为一个序列,形成一条灌溉效果评估数据;
利用农业专家经验或者农业专家定义规则,评估每一条所述灌溉效果评估数据对应植物生长状况,并根据t~t+T小时的灌溉数据,判定灌溉活动是否促进植物生长,或者,利用聚类算法将所述灌溉效果评估数据划分为至少二簇,并由农业专家判定每一簇对应的灌溉促进了植物生长或未促进植物生长;
若灌溉促进植物生长,则给一条数据打标签1,否则打标签0。
3.如权利要求1所述的方法,其特征在于,所述对所述环境数据进行特征工程处理,包括:
生成至少一条灌溉方案数据,所述灌溉方案数据包括出水阀编号、浇水量和浇水时刻;
生成至少一条预测变量数据,所述预测变量数据包括所述环境数据和所述灌溉方案数据。
4.如权利要求1所述方法,其特征在于,所述发送所述预测变量数据到灌溉效果预测模型,包括:
获取目标地块内植物的图像;
利用图像识别模型,获取图像对应植物的种类;
根据所述植物的种类,发送所述预测变量数据到对应的灌溉效果预测模型。
5.一种基于机器学习的灌溉装置,其特征在于,包括:
数据获取模块,用于读取环境数据,所述环境数据包括:天气数据、土壤湿度数据和植物生长状况数据;
特征工程模块,用于对所述环境数据进行特征工程处理,得到灌溉方案数据和预测变量数据;
数据发送模块,用于发送所述灌溉方案数据和所述预测变量数据到灌溉效果预测模型,所述灌溉效果预测模型基于有标签的历史数据训练获得,所述标签采用人工方法或机器学习方法生成,所述标签用于记录灌溉是否促进植物生长;
方案生成模块,用于获取所述灌溉效果预测模型输出的目标变量值,选择表示灌溉促进了植物生长的目标变量值,并确定选择的目标变量值对应的预测变量,目标变量值对应的预测变量是使所述灌溉效果预测模型输出目标变量值所输入的预测变量;选择所述对应的预测变量中的灌溉方案数据,组成可选灌溉方案集;若所述可选灌溉方案集不为空,则利用预设策略从所述可选灌溉方案集中选择一个灌溉方案,所述灌溉方案包括至少一个出水阀编号、浇水量和浇水时刻,所述预设策略包括选择耗水量最少的灌溉方案的策略;
控制模块,用于根据所述灌溉方案向指定编号的出水阀发送控制信号。
6.如权利要求5所述的装置,其特征在于,所述装置还包括标签生成模块,用于:
读取所述历史数据,所述历史数据包括:植物生长状况数据、灌溉方案数据、天气数据和土壤湿度数据;
选择时刻t,获得时刻t之后时长T小时内的灌溉方案数据;
获得时刻t+T小时,t+2T小时,…,t+12T小时的累计降水量数据和植物生长状况数据,并按照时序排列为一个序列,形成一条灌溉效果评估数据;
利用农业专家经验或者农业专家定义规则,评估每一条所述灌溉效果评估数据对应植物生长状况,并根据t~t+T小时的灌溉数据,判定灌溉活动是否促进植物生长,或者,利用聚类算法将所述灌溉效果评估数据划分为两簇,并由农业专家判定每一簇对应的灌溉促进了植物生长或未促进植物生长;
若灌溉促进植物生长,则给一条数据打标签1,否则打标签0。
7.如权利要求5所述的装置,其特征在于,所述特征工程模块,用于:
生成至少一条灌溉方案数据,所述灌溉方案数据包括出水阀编号、浇水量和浇水时刻;
生成至少一条预测变量数据,所述预测变量数据包括所述环境数据和所述灌溉方案数据。
8.如权利要求5所述装置,其特征在于,所述装置还包括模型选择模块,用于:
获取目标地块内植物的图像;
利用图像识别模型,获取图像对应植物的种类;
根据所述植物的种类,发送所述预测变量数据到对应的灌溉效果预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601813.0A CN111369093B (zh) | 2018-12-26 | 2018-12-26 | 基于机器学习的灌溉方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601813.0A CN111369093B (zh) | 2018-12-26 | 2018-12-26 | 基于机器学习的灌溉方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369093A CN111369093A (zh) | 2020-07-03 |
CN111369093B true CN111369093B (zh) | 2023-09-29 |
Family
ID=71212199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811601813.0A Active CN111369093B (zh) | 2018-12-26 | 2018-12-26 | 基于机器学习的灌溉方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369093B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862194B (zh) * | 2020-08-04 | 2022-06-03 | 江苏云脑数据科技有限公司 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
CN112400676B (zh) * | 2020-10-26 | 2023-02-28 | 安徽工程大学 | 一种基于大数据的智能灌溉系统 |
CN112470893A (zh) * | 2020-11-24 | 2021-03-12 | 珠海格力电器股份有限公司 | 浇水方法、装置、浇水机器人及存储介质 |
CN112136667B (zh) * | 2020-11-26 | 2021-02-12 | 江苏久智环境科技服务有限公司 | 一种基于边缘机器学习的智能喷灌方法及系统 |
CN112734244B (zh) * | 2021-01-14 | 2021-09-14 | 中国科学院地理科学与资源研究所 | 一种基于饱和水汽压差的干旱指数计算方法 |
CN113095442B (zh) * | 2021-06-04 | 2021-09-10 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN114580944B (zh) * | 2022-03-14 | 2022-12-13 | 深圳市汉品景观工程有限公司 | 一种具有智能喷灌控制功能的园林设计方法及系统 |
CN114878788A (zh) * | 2022-06-14 | 2022-08-09 | 古田县恒春农业开发有限公司 | 一种花卉种植智能湿度检测装置 |
CN115623974A (zh) | 2022-07-12 | 2023-01-20 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市绿地管理方法和系统 |
CN115226612B (zh) * | 2022-07-15 | 2023-04-07 | 深圳市粤港科技有限公司 | 一种水资源配置管理用智能分配系统 |
CN115661547B (zh) * | 2022-11-10 | 2023-12-15 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
CN117333321B (zh) * | 2023-09-27 | 2024-07-09 | 中山大学 | 基于机器学习的农业灌溉用水量估算方法、系统及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521699A (zh) * | 2014-11-18 | 2015-04-22 | 华北水利水电大学 | 田间智能灌溉在线控制管理方法 |
CN106688827A (zh) * | 2016-12-09 | 2017-05-24 | 中国科学院新疆生态与地理研究所 | 一种基于农业系统模型的灌溉决策系统及方法 |
CN106707767A (zh) * | 2017-03-13 | 2017-05-24 | 山东农业大学 | 基于多源信息融合的大田水肥一体化智能管控系统及方法 |
CN107122855A (zh) * | 2017-04-25 | 2017-09-01 | 无锡中科智能农业发展有限责任公司 | 一种基于机器学习的农田作物蒸散量预测系统 |
CN107466816A (zh) * | 2017-07-24 | 2017-12-15 | 东华大学 | 一种基于动态多层极限学习机的灌溉方法 |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
WO2018076517A1 (zh) * | 2016-10-28 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 灌溉装置的控制方法和控制装置 |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10349584B2 (en) * | 2014-11-24 | 2019-07-16 | Prospera Technologies, Ltd. | System and method for plant monitoring |
US9880537B2 (en) * | 2015-08-05 | 2018-01-30 | Clearag, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
-
2018
- 2018-12-26 CN CN201811601813.0A patent/CN111369093B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521699A (zh) * | 2014-11-18 | 2015-04-22 | 华北水利水电大学 | 田间智能灌溉在线控制管理方法 |
WO2018076517A1 (zh) * | 2016-10-28 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 灌溉装置的控制方法和控制装置 |
CN106688827A (zh) * | 2016-12-09 | 2017-05-24 | 中国科学院新疆生态与地理研究所 | 一种基于农业系统模型的灌溉决策系统及方法 |
CN106707767A (zh) * | 2017-03-13 | 2017-05-24 | 山东农业大学 | 基于多源信息融合的大田水肥一体化智能管控系统及方法 |
CN107122855A (zh) * | 2017-04-25 | 2017-09-01 | 无锡中科智能农业发展有限责任公司 | 一种基于机器学习的农田作物蒸散量预测系统 |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN107466816A (zh) * | 2017-07-24 | 2017-12-15 | 东华大学 | 一种基于动态多层极限学习机的灌溉方法 |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
Non-Patent Citations (3)
Title |
---|
GIS技术及其在灌溉管理中的应用;李亚卿等;《节水灌溉》;20010405(第02期);全文 * |
中国农业科学院科技文献信息中心.《农业信息技术与信息管理》.中国农业出版社,2003,(第第1版版),65-67. * |
张兴旺.《节水灌溉技术》.甘肃文化出版社,2015,(第第1版版),212. * |
Also Published As
Publication number | Publication date |
---|---|
CN111369093A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369093B (zh) | 基于机器学习的灌溉方法和装置 | |
CN108781926B (zh) | 基于神经网络预测的大棚灌溉系统及方法 | |
Alejandrino et al. | Visual classification of lettuce growth stage based on morphological attributes using unsupervised machine learning models | |
US11935242B2 (en) | Crop yield estimation | |
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN117893346A (zh) | 一种基于物联网的ai智慧农业采收管理系统及其应用 | |
CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
CN116757707B (zh) | 一种农作物果实生长溯源方法及系统 | |
CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
AlKameli et al. | Automatic learning in agriculture: a survey | |
Khatraty et al. | Smart Digital-Twin hub Concept for Rice yield prediction and monitoring from multivariate time series data | |
Prabhakaran et al. | Advancement of data mining methods for improvement of agricultural methods and productivity | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
CA3127938A1 (en) | Holding tank monitoring system based on wireless sensor network and monitoring method | |
Fondaj et al. | Proposal of Prediction Model for Smart Agriculture Based on IoT Sensor Data | |
Bobade et al. | Design of Smart Irrigation System Based on MLA | |
Shihara et al. | Machine Learning and Smart IoT-based Model Prediction for Crop Recommendation in Precise Farming | |
Raja et al. | Crop recommendation using machine learning | |
Fernández et al. | Sceptic about digital agriculture? Watch this! | |
Kafkas | Topics covered in this book include but are not limited to | |
Johari et al. | Technology Application in Smart Farming Agriculture: A Survey | |
Miglani et al. | Boon for Agriculture | |
Thakur et al. | Unsupervised/Supervised Algorithms for Multimedia Data in Smart Agriculture |
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 |