CN112270124B - 一种实时灌溉方法及系统 - Google Patents
一种实时灌溉方法及系统 Download PDFInfo
- Publication number
- CN112270124B CN112270124B CN202011145200.8A CN202011145200A CN112270124B CN 112270124 B CN112270124 B CN 112270124B CN 202011145200 A CN202011145200 A CN 202011145200A CN 112270124 B CN112270124 B CN 112270124B
- Authority
- CN
- China
- Prior art keywords
- value
- decision
- algorithm
- irrigation
- crop
- 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
- 238000003973 irrigation Methods 0.000 title claims abstract description 156
- 230000002262 irrigation Effects 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 168
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012795 verification Methods 0.000 claims abstract description 30
- 239000002689 soil Substances 0.000 claims description 85
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 10
- 208000005156 Dehydration Diseases 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 239000003102 growth factor Substances 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000001966 tensiometry Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- HPNSNYBUADCFDR-UHFFFAOYSA-N chromafenozide Chemical compound CC1=CC(C)=CC(C(=O)N(NC(=O)C=2C(=C3CCCOC3=CC=2)C)C(C)(C)C)=C1 HPNSNYBUADCFDR-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种实时灌溉方法及系统。系统包括训练数据库、验证数据库、实时决策数据库、人工智能算法库、决策因子库和实时灌溉决策方法库。选取决策因子；以历史某几年作物生育期的每日生长因素对人工智能算法进行训练和验证，获取最优算法；获取当前作物生育期内该作物前一日决策因子的值和当日影响因素的值，利用最优算法计算当日决策因子的值；根据当日决策因子的值与设定阈值的比较结果判断是否需要灌溉并给出灌溉建议。利用本发明中提出的实时灌溉方法及系统可在不同地点针对不同作物准确快速地计算出最优灌溉量，灵活满足灌溉所需。
Description
技术领域
本发明涉及控制系统技术领域，特别是涉及一种实时灌溉方法及系统。
背景技术
灌溉决策是指根据作物需水规律，结合田间气象、土壤、作物情况给出的灌溉与否及灌溉量的决定过程。实时灌溉决策对于指导作物实时灌溉实践具有重要作用。
现有的灌溉决策方法主要包括四类：1)通过蒸散量和水量平衡估算土壤水分状态，与定义的土壤含水量下限比较触发灌溉；2)测量土壤含水量，与设定的土壤含水量下限比较触发灌溉；3)通过测量与作物水分直接或间接相关的作物参数，与设定的该作物参数下限比较触发灌溉，或将该作物参数转换为土壤含水量后与设定的土壤含水量下限比较触发灌溉；4)通过农业系统模型模拟作物生长过程和土壤水分运移，当土壤水分亏缺到一定程度或产生作物水分胁迫时触发灌溉。
上述方法中的1)和4)没有田间反馈量，视为开环控制。尽管开环控制的成本较低，但方法1)中易产生累计误差，导致作物生育期后期的决策结果不准确；方法4)中通过农业系统模型模拟田间的整体情况，尽管可以对田间尺度和作物生育期进行较准确预测，但需要专门的计算机及相关设备来运行农业系统模型，并将农业系统模型的模拟结果转化为特定的控制信号。
方法2)和3)采用的是田间测量值，可视为闭环控制。闭环控制往往因考虑田间变异性而需要增加监测成本，且田间变异性参数往往不能保证准确测量，例如当前土壤水分传感器的精度较低。
发明内容
为了解决上述问题，本发明提供了一种实时灌溉方法及系统，可简单、快速准确地实现作物灌溉量的实时计算，并给出合理的作物灌溉建议。
为实现上述目的，本发明提供了如下方案：
一种实时灌溉方法，包括以下步骤：
选取决策因素：土壤含水量、冠层温度和作物水分胁迫中的一种为决策因子；
以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法；所述前一日决策因子的值和当日影响因素的值与当日决策因子的值具有关联关系；
获取该作物当前作物生育期内的前一日决策因子的值和当日影响因素的值，利用最优算法计算当日决策因子的值；
判断当日决策因子的值是否超过设定阈值：
若否，则不建议灌溉；
若是，则建议灌溉，并根据当日决策因子的值计算出所需灌溉量。
所述以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法，具体过程包括：
以该作物某几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出数据，对人工智能算法进行训练，得到人工智能算法的训练模型；
以该作物不同的几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，通过人工智能算法的训练模型计算得到预测的当日决策因子的值，作为预测值；
将不同的几个作物生育期的当日决策因子的值作为目标值，与预测值比较验证；具体验证方式如下：
其中，R2表示预测值与目标值的决定系数，i表示预测值的数量，yi表示第i个预测值，表示i个预测值的平均值，/>表示第i个目标值，/>表示i个目标值的平均值，nRMSE表示相对均方根误差；
在决定系数R2不低于0.9，且相对均方根误差nRMSE不超过10％的验证结果中，选取最大的决定系数R2对应的人工智能算法作为最优算法。
所述影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、种植天数和根系深度。
所述人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法和所述人工智能算法的集成。
所述决策因子为土壤含水量；
所述最优算法为多层感知器神经网络算法；
所述阈值为土壤含水量阈值θsh：
θsh＝θfc-MAD×(θfc-θwp)；
其中，θfc表示田持土壤含水量，θwp表示凋萎点土壤含水量，单位均为cm3·cm-3，表示每立方厘米土壤中含有多少立方厘米水分；MAD表示土壤水分允许亏缺比例，无量纲；
所述θfc、θwp和MAD的值由用户设定；
所述根据当日决策因子的值计算出所需灌溉量具体为：
设定灌溉量IR的计算公式：
IR＝k×(θfc-θa)×RD；
其中，k表示倍率常数，通常取1，θa表示计算的当日决策因子的值，即土壤含水量的值，RD表示根系深度或计划灌溉深度，单位为cm；
计算出的IR的值即为所需灌溉量。
本发明中还介绍了一种实时灌溉系统，系统包括：
决策因子库，包含某作物在作物生育期内的决策因素：土壤含水量、冠层温度和作物水分胁迫，用于选取一种为决策因子；
人工智能算法库，包含人工智能算法；
训练数据库，包含该作物历史某几年作物生育期的每日影响因素的值和每日决策因素的值，用于训练人工智能算法；
验证数据库，包含该作物不同几年的作物生育期的每日影响因素的值和每日决策因素的值，用于验证人工智能算法，并选取最优算法；
实时决策数据库，包含该作物在当前作物生育期内的当日影响因素的值，用于基于选取的决策因子和最优算法计算出当日决策因子的值，将所述当日决策因子的值与设定阈值比较，判断是否需要灌溉并给出灌溉建议；
实时灌溉决策方法库，包含用户设定的用于计算所需灌溉量的计算公式，用于根据当日决策因子的值计算出所需灌溉量；
所述决策因子库、训练数据库和验证数据库均与所述人工智能算法库的输入端连接；所述人工智能算法库的输出端与所述实时决策数据库的输入端连接；所述实时决策数据库的输出端与所述实时灌溉决策方法库的输入端连接；所述实时灌溉决策方法库的输出端输出所需灌溉量的值。
还包括数据接口，与所述实时决策数据库的输入端连接，用于将作物在当前作物生育期内的当日影响因素的值送入所述实时决策数据库中。
还包括人机交互界面，与所述实时灌溉系统连接，便于用户对所述实时灌溉系统的可视化操作。
所述影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、种植天数和根系深度。
所述人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法和所述人工智能算法的集成。
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：
利用本发明中提出的实时灌溉方法及系统，预先选定与作物灌溉量有关的决策因子，通过训练数据库和验证数据库中预存的历史某几个作物发育期的作物数据对多种人工智能算法进行训练和验证，以能够获得最佳决策因子结果的算法作为最优算法，用于作物当日决策因子的计算。
以作物前一日决策因子的值和当日影响因素的值作为输入数据，利用选出的最优算法，计算出当日决策因子对应的数值，并基于当日决策因子与作物灌溉量的关系简单、快速准确地实现作物所需灌溉量的计算，并给出合理的作物灌溉建议。
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性的前提下，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中实时灌溉方法的流程图；
图2为本发明实施例3中实时灌溉系统的结构示意图。
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。
能否实时准确地对处在作物生育期内的作物进行灌溉，是作物能否正常生长的关键。
为了实现对作物的灌溉，现有的四类灌溉方法通常为：1)测算实际的蒸发量，基于水量平衡估算出当前土壤的水分状态，根据当前土壤的水分状态与设定的土壤含水量下限的比较结果，判断当前作物是否需要灌溉；2)测量当前的土壤含水量，根据当前土壤的含水量与设定的土壤含水量下限的比较结果，判断当前作物是否需要灌溉；3)测量与作物水分直接或间接相关的作物参数，根据测量的作物参数与设定的作物参数下限的比较结果，判断当前作物是否需要灌溉；或者将作物参数转换为土壤含水量，根据转换得到的当前土壤含水量与设定的土壤含水量下限的比较结果，判断当前作物是否需要灌溉；4)通过农业系统模型模拟作物的生长过程和生长过程中的土壤水分运移，当模拟的土壤水分亏缺到一定程度或者模拟时产生作物水分胁迫时，确定需要对作物进行灌溉。
现有的上述四类作物灌溉方法中：
第1)类的灌溉预测成本较低，但在灌溉预测前，需要测量实际的蒸发量，蒸发量的测量需要特定的设备，且在不同环境中，存在不同程度的测量误差，需要通过增加成本以提高特定设备的测量精度，进而提高不同环境中作物的灌溉预测精度。
第2)类方法在灌溉预测前，需要测量实际的土壤含水量。现有测量土壤含水量的方法一般分为四种：称重法、张力计法、光学测量法和时域反射法。其中，相比其他三种方法，称重法是唯一一种直接测量土壤含水量的方法，且在测量精度上最高，但称重法的操作步骤繁琐不便。张力计法的直接测量对象是土壤基质势，且在测量精度上低于称重法。光学测量法是基于光的反射、透射、偏振受土壤含水量影响，先求出土壤的介电常数，再进一步推导出土壤含水量，该方法中不需要与土壤直接接触，但不同环境的土壤存在变异性，误差起伏不定，光学测量法很难保证不同环境中土壤含水量的预测精度。时域反射法也是通过测量土壤的介电常数来计算得到土壤含水量，该方法测量速度快、简单方便、但测量精度要低于称重法。基于上述，现有直接测量实际的土壤含水量，进而计算出所需灌溉量的方法，或多或少都存在一定缺陷，不能同时保证高精度、简单方便、效率高、适应性强这些优势。
与第2)类方法类似，第3)类方法也需要测量当前的土壤含水量或者与土壤含水量相关的作物参数，利用上述的四种方法很难同时保证高精度、简单方便、高效率以及较强的环境适应性，进而现有通过第3)类方法很难准确高效地实现作物灌溉量的判断。
至于第4)类方法，是将特定的农业系统模型作为作物生育期内灌溉量预测的核心。农业系统模型包括输入数据和输出数据，其中的输入数据包括气象数据、土壤数据、作物数据和田间管理数据。气象数据包括净辐射量、温度、湿度、风速、降雨量等；土壤数据包括分层的土壤物理属性和化学属性、氮磷钾含量、有机质含量等；作物数据包括作物生长模型DSSAT中的作物模型参数；田间管理数据包括耕作、灌溉、施肥、施药等数据。农业系统模型的输出数据包括土壤含水量、作物生育期、叶面积指数等130多项数据。在通过第4)类方法对作物生育期内所需灌溉量预测时，需要将当前测量得到的众多数据输入到农业系统模型中，模拟得到最符合实际情况的输出数据，进而实现土壤含水量等参数的预测。但结合上述可看出，利用农业系统模型判断作物是否需要灌溉，尽管预测精度较高，但整体操作复杂且成本较高，需要专业人员操作相关设备来运行农业系统模型。
通过上述可看出，现有在作物生育期内判断作物是否需要灌溉的方法，很难同时保证高精度、高效率、简单方便、较强的环境适应性以及相对较低的成本。
为了解决现有存在的上述问题，本发明中提供了一种实时灌溉方法和一种实时灌溉系统。原理是：在决策因素中选取一种为决策因子，以某作物在历史某几个作物生育期内前一日决策因子的值和当日影响因素的值作为输入数据，以当日决策因子的值为输出数据对多种人工智能算法进行训练和验证，选出输出数据精度最高的人工智能算法作为最优算法，基于该作物前一日决策因子的值和当日影响因素的值，通过最优算法实时计算预测的当日决策因子的值，与设定阈值比较，判断作物是否需要灌溉，若需要灌溉，再根据预测的当日决策因子的值计算出所需灌溉量的值。通过上述过程，即准确快速实现了作物是否需要灌溉的判断，并准确计算出了作物所需灌溉量的值。
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：
本发明提供了一种实时灌溉方法，包括以下步骤：
用户事先在决策因素土壤含水量、冠层温度和作物水分胁迫中选取一种为决策因子。
之后选择需要预测灌溉量的作物类型，并将该作物对应的历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值作为输入数据，以当日决策因子的值作为输出数据对多种人工智能算法进行训练和验证。这里的人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法和所述人工智能算法的集成。所述决策因素和所述影响因素均会影响作物生长。
具体地，先将选定的作物在历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值作为输入数据，当日决策因子的值作为输出数据，分别对多种人工智能算法进行训练，得到多种人工智能算法的训练模型，在每种人工智能算法的训练模型中构建出输入数据与输出数据之间的关联关系。之后将与前述不同的其他几个作物生育期内的前一日决策因子的值和当日影响因素的值作为输入数据，通过多种人工智能算法的训练模型分别得到输入数据对应的输出数据。将每种人工智能算法的训练模型得到的输出数据与实际的当日决策因子的值比较，将准确度最高的比较结果对应的人工智能算法作为最优算法。
用户获取作物在当前作物生育期内的前一日决策因子的值和当日影响因素的值作为输入数据，利用最优算法，基于输入数据计算出预测的当日决策因子的值。将预测的当日决策因子的值与设定阈值比较，若预测的当日决策因子的值在设定阈值范围内，则不建议对作物进行灌溉；若预测的当日决策因子的值不在设定阈值范围内，则建议对作物进行灌溉，并根据预测的当日决策因子的值计算出作物所需灌溉量的值。用户可直接基于计算出的所需灌溉量的值对作物进行准确灌溉。
下面通过更为具体的实施例2对实时灌溉方法的过程做详细的解释说明。
实施例2：
用户事先选取需要计算所需灌溉量的作物类型，然后以决策因素：土壤含水量、冠层温度和作物水分胁迫中的一种为计算作物所需灌溉量的决策因子。实施例2中选取的是土壤含水量。
后续将以土壤含水量作为多种人工智能算法的输出数据。选出最准确的输出数据对应的人工智能算法作为用于作物所需灌溉量计算的最优算法。具体步骤如下：
先获取选取的作物类型在历史某几年作物生育期内每日的影响因素的值。其中，该作物的影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、根系深度和种植天数。
多种人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法和所述人工智能算法的集合。
在对多种人工智能算法进行训练时，先将该作物的前一日决策因子的值和当日影响因素的值作为多种人工智能算法的输入数据，将该作物的当日决策因子的值作为多种人工智能算法的输出数据，构建具有输入数据和输出数据关联关系的多种人工智能算法的训练模型。待多种人工智能算法的训练模型构建好后，将该作物另外几年在作物生育期内的前一日决策因子的值和当日影响因素的值作为输入数据输入到多种人工智能算法的训练模型中，基于多种人工智能算法的训练模型构建的输入数据和输出数据间的关联关系计算出输出数据，即当日决策因子对应的值。
通过多种人工智能算法的训练模型计算得到的当日决策因子对应的值为预测值，该作物历史中另外几年在作物生育期内的当日决策因子的值为目标值。将多种人工智能算法的训练模型计算得到的预测值分别与目标值比较，将与目标值最接近的预测值对应的人工智能算法作为最优算法，用于之后对当前作物所需灌溉量的计算中。
在选取最优算法时，本发明实施例2中设定了下述条件：
其中，y表示预测值，yt表示目标值，表示多个预测值的平均值，/>表示多个目标值的平均值，R2表示预测值与目标值的决定系数，nRMSE表示预测值与目标值的相对均方根误差。将通过多种人工智能算法的训练模型计算得到的预测值和作物在历史另外几年对应的目标值分别代入到上述两个公式中，分别对多种人工智能算法的R2和nRMSE的值进行计算。
为了保证计算精度，将决定系数R2不低于0.9，且相对均方根误差nRMSE不超过10％的预测值与目标值对应的数据组作为有效数据组。当超过一种人工智能算法的决定系数R2和相对均方根误差nRMSE满足上述条件时，取决定系数R2最大的数据组对应的人工智能算法类型作为最优算法。
基于上述，实施例2中选取的最优算法为多层感知器神经网络算法。
多层感知器神经网络算法的表达式如下：
其中，xi表示第i个神经元的输入数据；wij、bj、vj和c表示多层感知器神经网络算法中的模型参数，可在对多层感知器神经网络算法训练时得到；gj表示第j个神经元的输入数据，uj表示第j个神经元的输出数据；y表示多层感知器神经网络算法的输出数据，在实施例2中表示土壤含水量的值；n1表示神经元的数量，前述说到，输入数据为前一日决策因子的值和当日影响因素的值；其中，所述影响因素包括该作物的净辐射量、温度、湿度、风速、降雨量、灌溉量、根系深度和种植天数。在进行作物所需灌溉量预测时，需要在根系深度和种植天数中选取一种，在净辐射量、温度、湿度和风速中选取一种或多种，降雨量和灌溉量必须都选取，将上述选取的影响因素合并后，加上一种决策因子作为所述输入数据；n2表示隐节点数；f1表示激活函数；e表示自然数。
在对多层感知器神经网络算法进行训练时，先选取历史中作物对应的几个作物生育期内的前一日决策因子的值和当日影响因素的值作为多层感知器神经网络算法的输入数据，即选取多个xi值，并确定神经元的数量；并将当日决策因子的值作为多层感知器神经网络算法的输出数据，即选取多个xi值分别对应的多个y值。基于前述的多层感知器神经网络算法的表达式构建出输入数据对应的多组计算公式，将多组计算公式合并计算，即可求得wij、bj、vj和c这四个模型参数。之后将计算出的模型参数代入到前述的多层感知器神经网络算法表达式(1)(2)(3)中，即得到了多层感知器神经网络算法的训练模型。
之后选取作物对应的与前述不同的几个历史作物生育期内的前一日决策因子的值和当日影响因素的值作为多层感知器神经网络算法的训练模型的输入数据，通过构建好的训练模型计算出每个历史作物生育期对应的当日决策因子的值，实施例2中为计算出每个历史作物生育期对应的每日土壤含水量的值，即为前述通过多层感知器神经网络算法得到的输出数据y的值。
在通过多层感知器神经网络算法计算出实施例2中预测的当日作物土壤含水量的值后，需要将作物当日土壤含水量的预测值与设定的土壤含水量阈值比较，判断是否需要灌溉作物。
设定的土壤含水量阈值计算公式为：
θsh＝θfc-MAD×(θfc-θwp)
其中，θfc表示作物的田持土壤含水量，θwp表示作物的凋萎点土壤含水量，两者的单位均为cm3·cm-3，表示每立方厘米土壤中含有多少立方厘米的水；MAD表示土壤水分允许亏缺比例，为无量纲常数；θsh表示设定的土壤含水量阈值。
实施例2中在设定土壤含水量阈值时，用户分别获取当日田持土壤含水量和当日凋萎点土壤含水量，其中的当日田持土壤含水量为0.26cm3·cm-3，当日凋萎点土壤含水量为0.12cm3·cm-3，并设定MAD的值为0.6。通过上式计算得到设定的土壤含水量阈值为0.176cm3·cm-3。
将计算得到的当日土壤含水量的预测值与设定的土壤含水量阈值0.176cm3·cm-3比较，若当日土壤含水量的预测值小于该土壤含水量阈值，则建议对作物进行灌溉；反之则不建议对作物进行灌溉，并通过下式计算出作物所需的灌溉量：
IR＝k×(θfc-y)×RD
其中，k表示倍率常数，通常取1，y表示实施例2中计算出的作物当日土壤含水量的值，RD表示根系深度或计划灌溉深度，单位为cm。通过上式计算出的IR的值即为所需灌溉量。
至此，实施例2中通过上述步骤即完成了对作物是否需要灌溉的预测，以及对所需灌溉量的计算。
为进一步提高实施例2中所需灌溉量的计算精度，本发明中考虑到了作物所处环境对作物所需灌溉量的影响：通过天气预报等途径获知未来几天有降雨时，上述作物所需灌溉量的计算公式中的倍率常数k取值小于1，若未来几天没有降雨，则k取值为1；当考虑到作物的土壤压盐需求时，则k取值大于1。通过上述可充分考虑作物所处的不同环境对作物生长的影响，进而精确计算出不同环境时作物所需灌溉量的具体数值。
除了实施例1和实施例2中介绍的实时灌溉方法，本发明还包括实施例3中的实时灌溉系统。实时灌溉系统基于实时灌溉方法为用户提供灌溉建议，并计算出作物所需灌溉量的具体数值。
实施例3：
实时灌溉系统具体包括决策因子库、训练数据库、验证数据库、人工智能算法库、实时决策数据库和实时灌溉决策方法库。
其中，决策因子库中包含某作物在作物生育期内的决策因素：土壤含水量、冠层温度和作物水分胁迫；在计算作物所需灌溉量时，用户需要在决策因子库的所述决策因素中选取一种作为决策因子。
训练数据库中包含作物历史某几年作物生育期的每日影响因素和每日决策因素，通过训练数据库中的上述数据分别对多种人工智能算法进行训练，得到多种人工智能算法的训练模型。
验证数据库中包含该作物不同几年的作物生育期的每日影响因素和每日决策因素，以验证数据库中该作物不同几年的作物生育期内的前一日决策因子和当日影响因素的值作为输入数据，分别通过多种人工智能算法的训练模型计算出输出数据，将输出数据定义为当日决策因子的预测值。将每种人工智能算法计算得到的预测值分别与该作物历史某几年作物生育期的对应日期的决策因子的值(目标值)比较，通过设定的决定系数R2和预测值与目标值的相对均方根误差nRMSE对计算得到的预测值进行验证，在多种人工智能算法中选取一种为最优算法。
人工智能算法库中包含多种人工智能算法，具体包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法和所述人工智能算法的集成；以作物对应的历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值作为多种人工智能算法的输入数据，以当日决策因子的值作为多种人工智能算法的输出数据，当日决策因子的值与前一日决策因子和当日影响因素的值具有关联关系，通过输入数据和输出数据对多种人工智能算法分别进行训练和验证，并在多种人工智能算法中选出最优算法用于计算决策因子的值。
实时决策数据库中包含作物在当前作物生育期内的当日影响因素的值。以所述前一日决策因子的值和当日影响因素的值作为最优算法的输入数据，利用最优算法计算得到作物当日决策因子的预测值。将该预测值与设定阈值比较，判断是否需要灌溉并给出灌溉建议：当预测值在设定阈值范围内时，不建议灌溉，反之则建议灌溉。
实时灌溉决策方法库中包含用户设定的用于计算所需灌溉量的计算公式，实时灌溉系统可基于计算所需灌溉量的计算公式和作物当日决策因子的预测值，计算出作物所需灌溉量的值。
在上述具体结构的基础上，实时灌溉系统还包括数据接口和人机交互界面。其中，人机交互界面与实时灌溉系统中的上述结构均相连接，在通过实时灌溉系统计算作物所需灌溉量时，用户可直接通过人机交互界面在决策因子库中选取决策因子，在人工智能算法库中选取最优算法，通过数据接口向实时决策数据库中输入与作物有关的输入数据，或者通过人机交互界面在实时灌溉决策方法库中自行设计用于计算作物所需灌溉量的计算公式。基于上述，通过人机交互界面，可有效提高实时灌溉系统的操作效率和便捷性，并有效提高作物所需灌溉量的计算效率。
利用实施例3中介绍的依托于实时灌溉方法的实时灌溉系统，可有效且同时解决背景技术中提到的作物所需灌溉量计算效率不高、精度不高、成本高、操作不便、环境适应性差等问题，为作物在发育期内的快速正常生长提供帮助。
另外，为进一步提高实时灌溉系统对作物所需灌溉量的计算效率和计算精度，本发明中将实时决策数据库的输出端与训练数据库和验证数据库的输入端分别连接，即在通过输入数据和最优算法计算出当日输出数据后，会将所述输入数据和得到的当日输出数据返回到训练数据库和验证数据库中，丰富训练数据库和验证数据库内的数据量。随着数据量的增加，通过训练数据库和验证数据库对多种人工智能算法的训练和验证精度便会进一步提高。因此，本发明实施例3中通过设计实时决策数据库与训练数据库和验证数据库的数据互联，加之考虑作物所处环境对作物生长的影响，可进一步提高作物所需灌溉量的计算精度，满足日常及各种环境在作物灌溉量的计算精度所需。
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 (5)
1.一种实时灌溉方法，其特征在于，包括以下步骤：
选取决策因素：土壤含水量、冠层温度和作物水分胁迫中的一种为决策因子；
以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法；所述前一日决策因子的值和当日影响因素的值与当日决策因子的值具有关联关系；
所述影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、种植天数和根系深度；
获取该作物当前作物生育期内的前一日决策因子的值和当日影响因素的值，利用最优算法计算当日决策因子的值；
判断当日决策因子的值是否超过设定阈值：
若否，则不建议灌溉；
若是，则建议灌溉，并根据当日决策因子的值计算出所需灌溉量；
其中，所述以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法，具体过程包括：
以该作物某几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出数据，对人工智能算法进行训练，得到人工智能算法的训练模型；
以该作物不同的几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，通过人工智能算法的训练模型计算得到预测的当日决策因子的值，作为预测值；
将不同的几个作物生育期的当日决策因子的值作为目标值，与预测值比较验证；具体验证方式如下：
其中，R2表示预测值与目标值的决定系数，i表示预测值的数量，yi表示第i个预测值，表示i个预测值的平均值，/>表示第i个目标值，/>表示i个目标值的平均值，nRMSE表示相对均方根误差；在决定系数R2不低于0.9，且相对均方根误差nRMSE不超过10％的验证结果中，选取最大的决定系数R2对应的人工智能算法作为最优算法；
实时决策数据库的输出端与训练数据库和验证数据库的输入端分别连接，即在通过输入数据和最优算法计算出当日输出数据后，将所述输入数据和得到的当日输出数据返回到训练数据库和验证数据库中；
所述人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法以及上述算法的集成算法；
实时决策数据库，包含该作物在当前作物生育期内的当日影响因素的值，用于基于选取的决策因子和最优算法计算出当日决策因子的值，将所述当日决策因子的值与设定阈值比较，判断是否需要灌溉并给出灌溉建议。
2.根据权利要求1所述的实时灌溉方法，其特征在于，
所述决策因子为土壤含水量；
所述最优算法为多层感知器神经网络算法；
所述阈值为土壤含水量阈值θsh：θsh＝θfc-MAD×(θfc-θwp)；
其中，θfc表示田持土壤含水量，θwp表示凋萎点土壤含水量，单位均为cm3·cm-3，表示每立方厘米土壤中含有多少立方厘米水分；MAD表示土壤水分允许亏缺比例，无量纲；
所述θfc、θwp和MAD的值由用户设定；
所述根据当日决策因子的值计算出所需灌溉量具体为：
设定灌溉量IR的计算公式：IR＝k×(θfc-θa)×RD；
其中，k表示倍率常数，通常取1，θa表示计算的当日决策因子的值，即土壤含水量的值，RD表示根系深度或计划灌溉深度，单位为cm；计算出的IR的值即为所需灌溉量。
3.一种实时灌溉系统，其特征在于，包括：
决策因子库，包含某作物在作物生育期内的决策因素：土壤含水量、冠层温度和作物水分胁迫，用于选取一种为决策因子；
人工智能算法库，包含人工智能算法；
训练数据库，包含该作物历史某几年作物生育期的每日影响因素的值和每日决策因素的值，用于训练人工智能算法；
所述影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、种植天数和根系深度；
验证数据库，包含该作物不同几年的作物生育期的每日影响因素的值和每日决策因素的值，用于验证人工智能算法，并选取最优算法；
所述影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、种植天数和根系深度；
实时决策数据库，包含该作物在当前作物生育期内的当日影响因素的值，用于基于选取的决策因子和最优算法计算出当日决策因子的值，将所述当日决策因子的值与设定阈值比较，判断是否需要灌溉并给出灌溉建议；
实时灌溉决策方法库，包含用户设定的用于计算所需灌溉量的计算公式，用于根据当日决策因子的值计算出所需灌溉量；
所述决策因子库、训练数据库和验证数据库均与所述人工智能算法库的输入端连接；
所述人工智能算法库的输出端与所述实时决策数据库的输入端连接；所述实时决策数据库的输出端与所述实时灌溉决策方法库的输入端连接；所述实时灌溉决策方法库的输出端输出所需灌溉量的值；
其中，实时决策数据库的输出端与训练数据库和验证数据库的输入端分别连接，即在通过输入数据和最优算法计算出当日输出数据后，会将所述输入数据和得到的当日输出数据返回到训练数据库和验证数据库中；
其中，以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法，具体过程包括：
以该作物某几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出数据，对人工智能算法进行训练，得到人工智能算法的训练模型；
以该作物不同的几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，通过人工智能算法的训练模型计算得到预测的当日决策因子的值，作为预测值；
将不同的几个作物生育期的当日决策因子的值作为目标值，与预测值比较验证；具体验证方式如下：
其中，R2表示预测值与目标值的决定系数，i表示预测值的数量，yi表示第i个预测值，表示i个预测值的平均值，/>表示第i个目标值，/>表示i个目标值的平均值，nRMSE表示相对均方根误差；在决定系数R2不低于0.9，且相对均方根误差nRMSE不超过10％的验证结果中，选取最大的决定系数R2对应的人工智能算法作为最优算法；
实时决策数据库的输出端与训练数据库和验证数据库的输入端分别连接，即在通过输入数据和最优算法计算出当日输出数据后，将所述输入数据和得到的当日输出数据返回到训练数据库和验证数据库中；
所述人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法以及上述算法的集成算法。
4.根据权利要求3所述的实时灌溉系统，其特征在于，还包括数据接口，与所述实时决策数据库的输入端连接，用于将作物在当前作物生育期内的当日影响因素的值送入所述实时决策数据库中。
5.根据权利要求3所述的实时灌溉系统，其特征在于，还包括人机交互界面，与所述的实时灌溉系统连接，便于用户对所述实时灌溉系统的可视化操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011145200.8A CN112270124B (zh) | 2020-10-23 | 2020-10-23 | 一种实时灌溉方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011145200.8A CN112270124B (zh) | 2020-10-23 | 2020-10-23 | 一种实时灌溉方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112270124A CN112270124A (zh) | 2021-01-26 |
| CN112270124B true CN112270124B (zh) | 2023-12-01 |
Family
ID=74342603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011145200.8A Active CN112270124B (zh) | 2020-10-23 | 2020-10-23 | 一种实时灌溉方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270124B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114303903A (zh) * | 2021-11-04 | 2022-04-12 | 绿城建设管理集团有限公司 | 一种乔木根部土壤湿度控制系统及方法 |
| CN114451257B (zh) * | 2021-12-23 | 2023-04-07 | 珠海格力电器股份有限公司 | 基于神经网络的灌溉方法、装置、存储介质及电子设备 |
| CN114091629B (zh) * | 2022-01-21 | 2022-07-15 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理系统及其方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102726273A (zh) * | 2012-06-15 | 2012-10-17 | 中农先飞（北京）农业工程技术有限公司 | 一种作物根区土壤水分监测与智能灌溉决策方法 |
| CN102819673A (zh) * | 2012-07-26 | 2012-12-12 | 中国农业科学院农田灌溉研究所 | 一种多源灌溉信息融合方法及装置 |
| CN103493715A (zh) * | 2013-09-30 | 2014-01-08 | 中国农业大学 | 基于作物根区土壤水分与根系分布的灌溉控制方法与系统 |
| 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 |
| EP3179319A1 (en) * | 2015-12-10 | 2017-06-14 | Sysman Progetti & Servizi S.r.l. | Method for irrigation planning and system for its implementation |
| 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 |
| CN108446997A (zh) * | 2018-03-28 | 2018-08-24 | 江苏大学 | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 |
| WO2019118460A1 (en) * | 2017-12-11 | 2019-06-20 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| CN109934515A (zh) * | 2019-04-18 | 2019-06-25 | 中国水利水电科学研究院 | 一种作物精量灌溉决策方法及系统 |
| CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
| CN110999766A (zh) * | 2019-12-09 | 2020-04-14 | 怀化学院 | 灌溉决策方法、装置、计算机设备和存储介质 |
-
2020
- 2020-10-23 CN CN202011145200.8A patent/CN112270124B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102726273A (zh) * | 2012-06-15 | 2012-10-17 | 中农先飞（北京）农业工程技术有限公司 | 一种作物根区土壤水分监测与智能灌溉决策方法 |
| CN102819673A (zh) * | 2012-07-26 | 2012-12-12 | 中国农业科学院农田灌溉研究所 | 一种多源灌溉信息融合方法及装置 |
| CN103493715A (zh) * | 2013-09-30 | 2014-01-08 | 中国农业大学 | 基于作物根区土壤水分与根系分布的灌溉控制方法与系统 |
| EP3179319A1 (en) * | 2015-12-10 | 2017-06-14 | Sysman Progetti & Servizi S.r.l. | Method for irrigation planning and system for its implementation |
| 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 |
| 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 |
| WO2019118460A1 (en) * | 2017-12-11 | 2019-06-20 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| CN108446997A (zh) * | 2018-03-28 | 2018-08-24 | 江苏大学 | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 |
| CN109934515A (zh) * | 2019-04-18 | 2019-06-25 | 中国水利水电科学研究院 | 一种作物精量灌溉决策方法及系统 |
| CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
| CN110999766A (zh) * | 2019-12-09 | 2020-04-14 | 怀化学院 | 灌溉决策方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Decision support system for irrigation scheduling based on Raspberry-Pi embedded with neural network;Zhe Gu等;《ASABE 2020 Annual International Virtual Meeting》;20200715;第1-5页 * |
| 土壤墒情预测模型对比;牛宏飞等;《牛宏飞等》;20180816;第23卷(第8期);第142-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112270124A (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270124B (zh) | 一种实时灌溉方法及系统 | |
| Tsang et al. | Applying artificial intelligence modeling to optimize green roof irrigation | |
| Taki et al. | Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse | |
| Sudheer et al. | Estimating actual evapotranspiration from limited climatic data using neural computing technique | |
| CN110084367A (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
| Hongkang et al. | Recurrent neural network model for prediction of microclimate in solar greenhouse | |
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
| Tabari et al. | Utility of coactive neuro-fuzzy inference system for pan evaporation modeling in comparison with multilayer perceptron | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN113554522A (zh) | 基于动态神经网络的葡萄园精准滴灌控制系统 | |
| Jiménez et al. | Evaluation of two recurrent neural network methods for prediction of irrigation rate and timing | |
| Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
| CN111474094A (zh) | 一种粉尘浓度智能化检测系统 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| Goodarzi et al. | Performance evaluation of linear and nonlinear models for the estimation of reference evapotranspiration | |
| CN111967665A (zh) | 一种基于神经网络的灌溉决策方法及系统 | |
| 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 | |
| Gifari et al. | Implementation of Monitoring and Prediction of Humidity, Temperature, and Light Using Artificial Neural Networks for Green House Orchids in Lembang | |
| CN114841461A (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
| Kumar et al. | Temperature forecasting using artificial neutral networks (ANN) | |
| Xie et al. | Irrigation prediction model with BP neural network improved by genetic algorithm in orchards | |
| Naidu et al. | Evaluation of Reference Evapotranspiration Estimation Methods and Development of crop Coefficient Models | |
| Kang et al. | Fuel Moisture Content Forecasting Using Long Short-Term Memory (LSTM) Model | |
| Mohammadigolafshani et al. | Utilization of new computational intelligence methods to estimate daily evapotranspiration of wheat using gamma pre-processing. |
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 |