CN111967665A - 一种基于神经网络的灌溉决策方法及系统 - Google Patents
一种基于神经网络的灌溉决策方法及系统 Download PDFInfo
- Publication number
- CN111967665A CN111967665A CN202010824859.XA CN202010824859A CN111967665A CN 111967665 A CN111967665 A CN 111967665A CN 202010824859 A CN202010824859 A CN 202010824859A CN 111967665 A CN111967665 A CN 111967665A
- Authority
- CN
- China
- Prior art keywords
- day
- water content
- neural network
- soil water
- 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.)
- Withdrawn
Links
- 230000002262 irrigation Effects 0.000 title claims abstract description 123
- 238000003973 irrigation Methods 0.000 title claims abstract description 123
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000002689 soil Substances 0.000 claims abstract description 178
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 175
- 238000003062 neural network model Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012935 Averaging Methods 0.000 claims description 12
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 9
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 9
- 240000007651 Rubus glaucus Species 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001704 evaporation Methods 0.000 description 5
- 230000008020 evaporation Effects 0.000 description 5
- 244000235659 Rubus idaeus Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biochemistry (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明公开了一种基于神经网络的灌溉决策方法及系统,该方法包括:获取历史样本数据集,历史样本数据集包括多个第一数据对和第二数据对;以第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以当日土壤含水量为输出,训练第一神经网络模型;以第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以当日土壤含水量为输出,训练第二神经网络模型;采用第一神经网络模型以及第二神经网络模型分别预测无灌溉且降雨量小于设定阈值的日土壤含水量以及有灌溉或降雨量大于设定阈值的日土壤含水量;在预测得到的土壤含水量小于预设值时,触发灌溉系统进行灌溉。本发明具有预测精度高、成本低的优势。
Description
技术领域
本发明涉及农业灌溉领域,特别是涉及一种基于神经网络的灌溉决策方法及系统。
背景技术
目前的灌溉决策方法主要包括:1)基于蒸散量和水量平衡,即通过水量平衡原理计算田间的蒸发蒸腾量来估算土壤水分,并与土壤含水量下限比较触发灌溉,通过灌溉将根系土壤含水量补充到田持;2)基于土壤含水量测量的方法,这类方法通过传感器直接测量土壤含水量,并与预先设定的阈值比较触发灌溉,灌水量一般为固定值或当传感器的测量值不再低于设定下限阈值,这类方法通常需要在田间布置多个测量点;3)基于作物水分状态的方法,即通过测量作物的水分状态进行决策,例如测量作物冠层温度,根据冠层温度超过设定阈值的时间与设定时间阈值进行比较来触发灌溉。上述方法各有优缺点,如方法1)的精度不高,容易导致不恰当的灌溉,如灌溉水较多超出田间持水量而被浪费,或估计的土壤含水量偏高导致实际含水量偏低而损害作物产量或质量;方法2)和3)通常需要大量的监测传感器,且传感器精度对决策的影响也很大,建设成本也较高。
发明内容
本发明的目的是提供一种基于神经网络的灌溉决策方法及系统,具有精度高和成本低的特点。
为实现上述目的,本发明提供了如下方案:
一种基于神经网络的灌溉决策方法,包括:
获取历史样本数据集,所述历史样本数据集包括多个第一数据对和多个第二数据对,所述第一数据对包括:根系深度、当日无灌溉且降雨量小于设定阈值时的当日土壤含水量、当日气象数据以及前一日土壤含水量,所述第二数据对包括:根系深度、当日有灌溉或降雨量大于所述设定阈值时的当日土壤含水量、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量;
以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第一神经网络模型;
以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第二神经网络模型;
获取待预测日的气象数据以及预测降雨量;
根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量;
判断预测得到的土壤含水量是否小于预设值,如果是,则触发灌溉系统进行灌溉。
可选的,在确定预测得到的土壤含水量小于预设值后,基于田持土壤含水量,确定灌溉量。
可选的,将土壤在竖直方向上划分为多层,所述土壤含水量为土壤各层的含水量。
可选的,所述气象数据包括空气温湿度、净辐射、风速中的一种或多种。
可选的,
所述以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,具体包括:以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,分别对初始权值不同的多个神经网络进行训练,得到多个第一神经网络模型;
所述以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,具体包括:以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对初始权值不同的多个神经网络进行训练,得到多个第二神经网络模型;
所述根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量,具体包括:
当预测降雨量小于所述设定阈值或预测无降雨时,采用各所述第一神经网络模型分别预测所述待预测日的土壤含水量,得到多个第一预测结果;求取多个所述第一预测结果的平均值;
当预测降雨量大于所述设定阈值或有灌溉时,采用各所述第二神经网络模型分别预测所述待预测日的土壤含水量,得到多个第二预测结果;求取多个所述第二预测结果的平均值。
可选的,所述设定阈值为0.5mm。
本发明还提供了一种基于神经网络的灌溉决策系统,包括:
历史样本数据集获取模块,用于获取历史样本数据集,所述历史样本数据集包括多个第一数据对和多个第二数据对,所述第一数据对包括:根系深度、当日无灌溉且降雨量小于设定阈值时的当日土壤含水量、当日气象数据以及前一日土壤含水量,所述第二数据对包括:根系深度、当日有灌溉或降雨量大于所述设定阈值时的当日土壤含水量、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量;
第一神经网络模型训练模块,用于以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第一神经网络模型;
第二神经网络模型训练模块,用于以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第二神经网络模型;
气象数据获取模块,用于获取待预测日的气象数据以及预测降雨量;
预测模块,用于根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量;
灌溉触发模块,用于判断预测得到的土壤含水量是否小于预设值,如果是,则触发灌溉系统进行灌溉。
可选的,所述系统还包括:
灌溉量计算模块,用于基于田持土壤含水量,确定灌溉量。
可选的,
所述第一神经网络模型训练模块,具体用于以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,分别对初始权值不同的多个神经网络进行训练,得到多个第一神经网络模型;
所述第二神经网络模型训练模块,具体用于以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对初始权值不同的多个神经网络进行训练,得到多个第二神经网络模型;
所述预测模块,具体包括:
第一预测单元,用于当预测降雨量小于所述设定阈值或预测无降雨时,采用各所述第一神经网络模型分别预测所述待预测日的土壤含水量,得到多个第一预测结果;求取多个所述第一预测结果的平均值;
第二预测单元,用于当预测降雨量大于所述设定阈值或有灌溉时,采用各所述第二神经网络模型分别预测所述待预测日的土壤含水量,得到多个第二预测结果;求取多个所述第二预测结果的平均值。
可选的,所述第一神经网络模型训练模块、所述第二神经网络模型训练模块、所述预测模块和所述灌溉触发模块运行于电脑或树莓派上;电脑或树莓派与气象数据获取模块和灌溉系统通过通讯模块获取数据和命令。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的灌溉决策方法及系统基于神经网络模型,采用气象数据以及土壤初始含水量便可实现对土壤含水量的逐日预测,相较于现有技术中基于蒸散量和水量平衡的土壤含水量估算,本发明的预测精度更高。而且,本发明无需设置监测传感器,降低了成本。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于神经网络的灌溉决策方法流程图;
图2为本发明实施例1中神经网络模型的结构图;
图3为本发明实施例2提供的基于神经网络的灌溉决策系统的一结构图;
图4为本发明实施例2提供的基于神经网络的灌溉决策系统的又一结构图。
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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1,本实施例提供的基于神经网络的灌溉决策方法包括以下步骤:
步骤101:获取历史样本数据集,所述历史样本数据集包括多个第一数据对和多个第二数据对,所述第一数据对包括:根系深度、当日无灌溉且降雨量小于设定阈值的当日土壤含水量、当日气象数据以及前一日土壤含水量,所述第二数据对包括:根系深度、当日有灌溉或降雨量大于所述设定阈值的当日土壤含水量、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量;其中,用于训练的数据对个数不低于100个,设定阈值可以为0.5mm,气象数据、降雨量可以从农田附近的气象站获取。本发明对时间的划分可以是从前一天18点到第二天18点为一日,比如6月6日18点到6月7日18点记为6月7日的当日。
步骤102:以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第一神经网络模型。
步骤103:以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第二神经网络模型。
步骤104:获取待预测日的气象数据以及预测降雨量。
步骤105:根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量。
步骤106:判断预测得到的土壤含水量是否小于预设值,如果是,则触发灌溉系统进行灌溉。
本实施例以日为单位,首先采用神经网络学习不同气象数据与土壤含水量的关系,再根据实时的气象数据和初始土壤含水量,连续预测土壤含水量变化,并与设定的阈值进行比较触发灌溉,参考田间持水量确定当前的灌水量。灌溉系统接收灌溉信号和灌水量数据后进行精确灌溉控制。
在本实施例中,历史样本数库中的数据可以由率定的农业系统模型产生,由率定的农业系统模型模拟不同灌溉方案下往年种植季的土壤含水量,以日为单位,建立气象数据-土壤含水量数据库。农业系统模型可以采用RZWQM2模型;气象数据包括但不限于:空气温湿度、净辐射、风速;神经网络模型采用多层感知器,至少包括一个输入层,一个隐层和一个输出层,采用笔记本电脑或树莓派(如RaspberryPi4B)运行神经网络,通过通讯接口(485或无线Lora)与灌溉系统的控制模块建立数据连接;灌溉系统的控制模块采用单片机(如STM32)为主控芯片。
由于水分蒸发和水分补给是两个相反的过程,当降雨量很低时,蒸发强度往往大于水分补给量,总体上土壤含水量是下降的,因此,将没有灌溉且降雨量小于设定阈值的数据作为一组。
本实施例将有灌溉或降雨大于设定阈值的日数据与没有灌溉且降水量小于设定阈值的日数据分开统计,并分开进行神经网络模型的训练。比如,6月7日有灌溉或降雨量大于设定阈值,那么以根系深度、6月7日的灌溉量或降雨量、6月7日的气象数据以及6月6日的土壤含水量作为输入,以6月7日的土壤含水量作为输出训练第二神经网络模型。又比如,6月6日无灌溉且降雨量小于设定阈值,那么将根系深度、6月6日的气象数据以及6月5日的土壤含水量作为输入,以6月6日的土壤含水量作为输出训练第一神经网络模型。当第一神经网络模型以及第二神经网络模型训练完成后,便可以进行预测,具体的预测过程可以如下:首先,测定土壤的初始含水量,具体的可以采用土壤含水量传感器或取土钻分层取土后采用烘干法进行测量,在得到土壤的初始含水量之后,便可以利用第一神经网络模型以及第二神经网络模型进行土壤含水量的预测了,比如,第一天测得了土壤初始含水量,第二天获取当天的气象数据,如果第二天没有灌溉且降雨量小于设定阈值,则将土壤初始含水量以及第二天的气象数据输入第一神经网络模型,如果第二天有灌溉或降雨量大于设定阈值,则将土壤初始含水量、第二天的气象数据、第二天的灌溉量、第二天的降雨量输入第二神经网络模型,得到第二天的土壤含水量,以此类推,便可以逐日预测每天的土壤含水量,比如,在第四天预测得到的土壤含水量低于预设值了,那么就触发灌溉,在灌溉完成后,再对第四天灌溉完成后的土壤含水量采用第二神经网络模型进行预测,得到第四天灌溉后的土壤含水量,以此作为第五天土壤含水量预测时参考的前一日土壤含水量。当然,为保障预测的精度,也可以在某一天对土壤含水量进行一次实测,以该实测结果继续进行后续的土壤含水量预测,以对预测方法进行一次校准。在预测得到土壤含水量低于预设值时,触发灌溉,灌水量的确定可以参考田间持水量,优选地,为防止灌后降雨造成水分流失,可以将灌水量减去未来几天(比如4天)预测的降雨量,且灌水量不低于1cm:
IRd=(θfc-θa)·Dr-Pd+4
其中,IRd为第d天灌溉时的灌水量,最低值为1cm,θfc为田持土壤含水量,θa为第d天的土壤含水量,Dr为第d天根系深度,Pd+4为第d+1天至第d+4天预测的降雨量之和。
作为本实施例的一个优选的实施方式,将土壤在竖直方向上划分为多层,土壤含水量为土壤各层的含水量,在对神经网络模型进行训练时,输入的是各层土壤的含水量,输出为某一层土壤的含水量,如图2所示,即采用所有层前一天的值作为输入,输出为当天某一层的含水量,然后对每一层都构建这样一个模型。
作为本实施例的一个优选的实施方式,为了避免神经网络模型的初始权值对模型的训练带来的误差,可以随机生成50~100组初始权值,步骤102以第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以第一数据对中的当日土壤含水量为输出,分别对初始权值不同的多个神经网络进行训练,得到多个第一神经网络模型。步骤103以第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以第二数据对中的当日土壤含水量为输出,对初始权值不同的多个神经网络进行训练,得到多个第二神经网络模型。步骤105在预测降雨量小于所述设定阈值或预测无降雨时,采用各所述第一神经网络模型分别预测所述待预测日的土壤含水量,得到多个第一预测结果;求取多个所述第一预测结果的平均值;在预测降雨量大于所述设定阈值或有灌溉时,采用各所述第二神经网络模型分别预测所述待预测日的土壤含水量,得到多个第二预测结果;求取多个所述第二预测结果的平均值。比如,要预测6月7日的土壤含水量,那么需要采用每个第一神经网络模型或每个第二神经网络模型分别对6月7日的土壤含水量进行预测,取各预测结果的均值作为6月7日的土壤含水量。
实施例2
参见图3,本实施例提供的基于神经网络的灌溉决策系统包括:
历史样本数据集获取模块301,用于获取历史样本数据集,所述历史样本数据集包括多个第一数据对和多个第二数据对,所述第一数据对包括:根系深度、当日无灌溉且降雨量小于设定阈值时的当日土壤含水量、当日气象数据以及前一日土壤含水量,所述第二数据对包括:根系深度、当日有灌溉或降雨量大于所述设定阈值时的当日土壤含水量、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量;
第一神经网络模型训练模块302,用于以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第一神经网络模型;
第二神经网络模型训练模块303,用于以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第二神经网络模型;
气象数据获取模块304,用于获取待预测日的气象数据以及预测降雨量;
预测模块305,用于根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量;
灌溉触发模块306,用于判断预测得到的土壤含水量是否小于预设值,如果是,则触发灌溉系统进行灌溉。
其中,作为本实施例的一个优选的实施方式,第一神经网络模型训练模块302以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,分别对初始权值不同的多个神经网络进行训练,得到多个第一神经网络模型。第二神经网络模型训练模块303以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对初始权值不同的多个神经网络进行训练,得到多个第二神经网络模型。预测模块305在预测降雨量小于所述设定阈值或预测无降雨时,采用各所述第一神经网络模型分别预测所述待预测日的土壤含水量,得到多个第一预测结果;求取多个所述第一预测结果的平均值;在预测降雨量大于所述设定阈值或有灌溉时,采用各所述第二神经网络模型分别预测所述待预测日的土壤含水量,得到多个第二预测结果;求取多个所述第二预测结果的平均值。
在本实施例中,第一神经网络模型训练模块302和第二神经网络模型训练模块303运行于电脑或树莓派上,电脑或树莓派从互联网获取气象数据,并采用第一神经网络模型和第二神经网络模型对每日的土壤含水量进行预测,根据预测结果,确定灌水量并触发灌溉。
本实施例中,在树莓派RaspberryPi4B中内嵌训练好的神经网络模型(50~100个随机初始权值),通过田间采集气象数据上传到网络,通过无线路由器下载气象数据到树莓派中,运行神经网络模型预测当天及未来土壤含水量并给出决策结果;决策结果通过串口连接的无线通讯Lora模块传输至田间的灌溉控制模块实现精确灌溉,如图4所示。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于神经网络的灌溉决策方法,其特征在于,包括:
获取历史样本数据集,所述历史样本数据集包括多个第一数据对和多个第二数据对,所述第一数据对包括:根系深度、当日无灌溉且降雨量小于设定阈值时的当日土壤含水量、当日气象数据以及前一日土壤含水量,所述第二数据对包括:根系深度、当日有灌溉或降雨量大于所述设定阈值时的当日土壤含水量、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量;
以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第一神经网络模型;
以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第二神经网络模型;
获取待预测日的气象数据以及预测降雨量;
根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量;
判断预测得到的土壤含水量是否小于预设值,如果是,则触发灌溉系统进行灌溉。
2.根据权利要求1所述的基于神经网络的灌溉决策方法,其特征在于,在确定预测得到的土壤含水量小于预设值后,基于田持土壤含水量,确定灌溉量。
3.根据权利要求1所述的基于神经网络的灌溉决策方法,其特征在于,将土壤在竖直方向上划分为多层,所述土壤含水量为土壤各层的含水量。
4.根据权利要求1所述的基于神经网络的灌溉决策方法,其特征在于,所述气象数据包括空气温湿度、净辐射、风速中的一种或多种。
5.根据权利要求1所述的基于神经网络的灌溉决策方法,其特征在于,
所述以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,具体包括:以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,分别对初始权值不同的多个神经网络进行训练,得到多个第一神经网络模型;
所述以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,具体包括:以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对初始权值不同的多个神经网络进行训练,得到多个第二神经网络模型;
所述根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量,具体包括:
当预测降雨量小于所述设定阈值或预测无降雨时,采用各所述第一神经网络模型分别预测所述待预测日的土壤含水量,得到多个第一预测结果;求取多个所述第一预测结果的平均值;
当预测降雨量大于所述设定阈值或有灌溉时,采用各所述第二神经网络模型分别预测所述待预测日的土壤含水量,得到多个第二预测结果;求取多个所述第二预测结果的平均值。
6.根据权利要求1所述的基于神经网络的灌溉决策方法,其特征在于,所述设定阈值为0.5mm。
7.一种基于神经网络的灌溉决策系统,其特征在于,包括:
历史样本数据集获取模块,用于获取历史样本数据集,所述历史样本数据集包括多个第一数据对和多个第二数据对,所述第一数据对包括:根系深度、当日无灌溉且降雨量小于设定阈值时的当日土壤含水量、当日气象数据以及前一日土壤含水量,所述第二数据对包括:根系深度、当日有灌溉或降雨量大于所述设定阈值时的当日土壤含水量、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量;
第一神经网络模型训练模块,用于以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第一神经网络模型;
第二神经网络模型训练模块,用于以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对神经网络进行训练,得到第二神经网络模型;
气象数据获取模块,用于获取待预测日的气象数据以及预测降雨量;
预测模块,用于根据所述待预测日的气象数据以及预测降雨量,采用所述第一神经网络模型或所述第二神经网络模型预测所述待预测日的土壤含水量;
灌溉触发模块,用于判断预测得到的土壤含水量是否小于预设值,如果是,则触发灌溉系统进行灌溉。
8.根据权利要求7所述的基于神经网络的灌溉决策系统,其特征在于,所述系统还包括:
灌溉量计算模块,用于基于田持土壤含水量,确定灌溉量。
9.根据权利要求7所述的基于神经网络的灌溉决策系统,其特征在于,
所述第一神经网络模型训练模块,具体用于以所述第一数据对中的根系深度、当日气象数据以及前一日土壤含水量为输入,以所述第一数据对中的当日土壤含水量为输出,分别对初始权值不同的多个神经网络进行训练,得到多个第一神经网络模型;
所述第二神经网络模型训练模块,具体用于以所述第二数据对中的根系深度、当日气象数据、当日灌溉量和降雨量以及前一日土壤含水量为输入,以所述第二数据对中的当日土壤含水量为输出,对初始权值不同的多个神经网络进行训练,得到多个第二神经网络模型;
所述预测模块,具体包括:
第一预测单元,用于当预测降雨量小于所述设定阈值或预测无降雨时,采用各所述第一神经网络模型分别预测所述待预测日的土壤含水量,得到多个第一预测结果;求取多个所述第一预测结果的平均值;
第二预测单元,用于当预测降雨量大于所述设定阈值或有灌溉时,采用各所述第二神经网络模型分别预测所述待预测日的土壤含水量,得到多个第二预测结果;求取多个所述第二预测结果的平均值。
10.根据权利要求7所述的基于神经网络的灌溉决策系统,其特征在于,所述第一神经网络模型训练模块、所述第二神经网络模型训练模块、所述预测模块和所述灌溉触发模块运行于电脑或树莓派上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010824859.XA CN111967665A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络的灌溉决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010824859.XA CN111967665A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络的灌溉决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111967665A true CN111967665A (zh) | 2020-11-20 |
Family
ID=73388080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010824859.XA Withdrawn CN111967665A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络的灌溉决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967665A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112493100A (zh) * | 2020-12-03 | 2021-03-16 | 塔里木大学 | 基于土壤水势的棉花水分监测滴灌控制方法及系统 |
CN114020080A (zh) * | 2021-11-04 | 2022-02-08 | 河海大学 | 一种基于微纳米加气的稻田自动灌排系统及方法 |
CN117114374A (zh) * | 2023-10-25 | 2023-11-24 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
-
2020
- 2020-08-17 CN CN202010824859.XA patent/CN111967665A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112493100A (zh) * | 2020-12-03 | 2021-03-16 | 塔里木大学 | 基于土壤水势的棉花水分监测滴灌控制方法及系统 |
CN114020080A (zh) * | 2021-11-04 | 2022-02-08 | 河海大学 | 一种基于微纳米加气的稻田自动灌排系统及方法 |
CN117114374A (zh) * | 2023-10-25 | 2023-11-24 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
CN117114374B (zh) * | 2023-10-25 | 2024-02-06 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967665A (zh) | 一种基于神经网络的灌溉决策方法及系统 | |
US10455781B2 (en) | Method for controlling surface irrigation based on surface water depth information | |
US20180368339A1 (en) | Solid state soil moisture sensor | |
WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
CN111159149B (zh) | 一种基于三维卷积神经网络的河流流量预测方法 | |
CN111561972A (zh) | 一种基于时间序列的土壤含水量预测系统及方法 | |
CN112270124B (zh) | 一种实时灌溉方法及系统 | |
CN110896761B (zh) | 一种温室的灌溉决策方法及系统 | |
CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 | |
CN110999766A (zh) | 灌溉决策方法、装置、计算机设备和存储介质 | |
CN117114374B (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
Pal et al. | Single probe imitation of multi-depth capacitive soil moisture sensor using bidirectional recurrent neural network | |
CN107368687B (zh) | 一种气象单产模型的优选方法及装置 | |
CN117591794B (zh) | 基于时间序列的鸟类迁徙轨迹预测方法 | |
CN109618288A (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
CN113642249A (zh) | 陀螺仪零偏误差补偿方法 | |
CN112950062A (zh) | 基于动态系统响应曲线和lstm的山洪预报实时校正方法 | |
US20220394943A1 (en) | Systems and methods for monitoring and controlling crop irrigation schedules | |
CN110705811B (zh) | 基于水位埋深值预测产量的方法和装置 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
Raoof et al. | Reference Evapotranspiration estimation using locally adjusted coefficient of Angstrom's radiation model in an arid-cold region. | |
CN113723757A (zh) | 决策生成模型训练方法、决策生成方法及装置 | |
CN112715322A (zh) | 一种农业灌溉用水获取方法和装置 | |
CN117494902B (zh) | 一种基于土壤水分相关性分析的土壤墒情预测方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201120 |
|
WW01 | Invention patent application withdrawn after publication |