CN112352523B - 一种基于智能决策的茶园水肥灌溉控制方法和系统 - Google Patents
一种基于智能决策的茶园水肥灌溉控制方法和系统 Download PDFInfo
- Publication number
- CN112352523B CN112352523B CN202010941855.XA CN202010941855A CN112352523B CN 112352523 B CN112352523 B CN 112352523B CN 202010941855 A CN202010941855 A CN 202010941855A CN 112352523 B CN112352523 B CN 112352523B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- decision
- tea garden
- fertilization
- 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
- 238000003973 irrigation Methods 0.000 title claims abstract description 127
- 230000002262 irrigation Effects 0.000 title claims abstract description 127
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 239000003337 fertilizer Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241001122767 Theaceae Species 0.000 claims abstract description 84
- 230000004720 fertilization Effects 0.000 claims abstract description 72
- 239000002689 soil Substances 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 3
- 210000003608 fece Anatomy 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 239000010871 livestock manure Substances 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims 2
- 238000007418 data mining Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 15
- 240000003553 Leptospermum scoparium Species 0.000 description 15
- 235000015459 Lycium barbarum Nutrition 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- 239000003621 irrigation water Substances 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/04—Distributing under pressure; Distributing mud; Adaptation of watering systems for fertilising-liquids
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Soil Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于智能决策的茶园水肥灌溉控制方法和系统，该方法包括：构建茶园灌溉及施肥的决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；采集茶园的多种属性数据，将其输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉。与传统方法相比，使用数据挖掘算法对茶园水肥灌溉进行决策，避免了人为凭经验进行灌溉的弊端。由于输入了多种影响灌溉及施肥的属性，使得决策能够更加准确。
Description
技术领域
本发明涉及基于智能决策的茶园水肥灌溉控制方法和系统，用于农业水肥灌溉的精准控制。
背景技术
我国是世界上缺水较为严重的国家之一，人均水资源量远低于世界的平均水准，因此有效利用水资源显得格外重要。
茶是我国重要的经济作物，传统的茶园灌溉和施肥主要依靠经验判断，通常会造成灌溉过剩。灌溉过剩会导致土壤中含氧量降低，根系呼吸减弱，引起作物缺氧死亡，同时也浪费水资源。肥料的过多施用会污染环境、浪费资源，而施肥不足将造成茶树生长缓慢、产量下降。
因此，建立茶园水肥决策模型，实施智能化的水肥决策，可以有效解决灌溉过剩以及施肥不足的问题。
中国科技论文“基于辽阳灌区灌溉用水预测研究”(《黑龙江水利科技》2018，46(08)期，8-11页)，在结合辽阳灌区社会经济发展现状以及灌溉用水变化趋势、详细分析灰色动态模型基本理论的基础上，提出了灰色动态预测模型。
以2006-2016年辽阳灌区实测灌溉用水数据对灰色模型的适用性进行了对比分析。研究表明：在辽阳灌区灌溉用水预测方面灰色动态模型表现出良好的适用性与准确性，该模型预测结果能够客观、真实的反映灌溉用水实际状况，可为辽阳地区灌溉用水预测以及农业发展规划提供参考。
中国科技论文“基于综合气象信息的小麦智能灌溉系统设计”(《国外电子测量技术》2019，38(04)期，93-97页)，设计了一种基于综合气象信息的小麦智能灌溉系统，开发了灌溉预测模块。通过网络爬虫技术获取气象预报信息，建立了灌溉预测模型。该模型综合考虑未来天气因素的影响，结合小麦需水规律预测灌溉需求，并通过模糊控制算法实现灌溉系统的模糊控制。
中国专利文献CN 110197304A披露了一种作物灌溉面积预测方法及装置，其提供的作物灌溉面积预测方法及装置，能在仅可以确定参数的范围而不能确定具体值的情况下，获得各子区域内采用每一灌溉水源以每一灌溉方式灌溉每一种作物的灌溉面积区间的预测结果。
上述这些方法均实现了依据过去一段时间的灌溉情况来预测下一时刻的灌溉变化曲线。论文《基于辽阳灌区灌溉用水预测研究》中采用灰色动态预测模型，由于灰色动态预测模型具有快速衰减和递增的属性，因此不太适合做长期预测。
文献《基于综合气象信息的小麦智能灌溉系统设计》通过网络爬虫技术结合小麦需水规律预测灌溉未能考虑到其它灌溉因素对灌溉的影响。专利文献《作物灌溉面积预测方法及装置》采用分区域预测灌溉方法，但并未考虑其它灌溉因素对灌溉的影响。
发明内容
本发明的目的在于提供一种茶园水肥智能决策方法和决策系统，其所建立的模型具有较强的泛化能力和较高的决策精度。
为此，本发明提供了一种茶园水肥职能决策方法，包括：构建茶园灌溉及施肥的决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；采集茶园的多种属性数据，将其输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉。
本发明还提供了一种茶园水肥职能决策系统，包括：茶园灌溉及施肥的决策模型，存储有茶园灌溉及施肥的决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；采集模块，用于采集茶园的多种属性数据，其中，多种属性数据输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及控制系统，用于根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉。
本发明利用数据挖掘算法，采用一种ID3算法结合CART算法(classification andregression tree,分类与回归树)作为该茶园水肥决策分类的方法，茶树种植的专家知识系统作为该决策分类的依据，建立的水肥决策模型具备智能化和精准化的特点，并通过水肥一体化控制设备，将决策模型应用于茶园的水肥一体灌溉。
与传统方法相比，使用数据挖掘算法对茶园水肥灌溉进行决策，避免了人为凭经验进行灌溉的弊端。由于输入了多种影响灌溉及施肥的属性，使得决策能够更加准确。随着时间的推移，模型所运用的数据挖掘算法能够不断进行学习，茶园的水肥灌溉效率和准确率会不断得到提升。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明的基于智能决策的茶园水肥灌溉控制系统的总体架构图；
图2是采集模块的架构图；
图3是控制系统的架构图；
图4为本发明的茶园灌溉及施肥的决策模型的构建流程图；
图5为根据本发明的茶园灌溉及施肥的决策模型，其中未做参数调优；
图6示出了图5所示决策模型中各特征的重要度；
图7为根据本发明的设置random_state参数后的茶园灌溉及施肥的决策模型，其中将图7整幅图拆分为三个部分，即图7a、图7b和图7c；
图8示出了图7所示决策模型中各特征的重要度；
图9为根据本发明的剪枝后的茶园灌溉及施肥的决策模型，其中做了参数调优，其中将图9整幅图拆分为三个部分，即图9a、图9b和图9c；
图10为根据本发明的茶园灌溉及施肥的决策模型；
图11为灌溉及施肥量的流程图；
图12为训练决策模型用的一部分样本集。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
本发明根据茶园土壤理化数据、气象数据以及茶树不同生长时期的长势信息，结合茶树种植专家知识库建立茶园水肥决策模型，实施茶园水肥的智能化决策，达到节约水肥资源、提高作物产量和品质的目的。
本发明的实现方式如下：
1、采集茶园的各类信息。如图2所示，使用预先布置的各类传感器以及监控摄像头等仪器采集茶园信息，将采集到的各类信息定义为以下不同的属性：生长周期、天气、土壤湿度(20)、土壤湿度(40)、土壤湿度(60)、土壤电导率、光照、降雨量、风速、空气温度、空气湿度、大气压、pH值等。
2、数据预处理。结合茶树的生长习性等特点，忽略相关的属性，如将大气压等对施肥与灌溉影响较低的属性忽略。
对于残缺值较多而无法修正的数据，例如pH值等属性进行删除。由于采集到的各属性数据类型不统一，需要进行规范化处理，即将每个属性的数值通过数字化规则划分为数字变量。
数字化处理方式具体如下：
(1)决策模型待输入数据经过数据预处理后决定保留十一种属性，即生长周期、天气、土壤湿度(20)、土壤湿度(40)、土壤湿度(60)、土壤电导率、光照、降雨量、风速、空气温度、空气湿度，将每种非数字变量数据通过数字化规则划分为数字变量。
(2)茶树生长周期属性中将每月的上旬、中旬、下旬分别数字化成1、2、3。即9月上旬为9.1，9月下旬为9.3，11月中旬为11.2等依次类推。
(3)天气中的晴、雾、多云、阴天、小雨、中雨、中雪、雨夹雪、小雪、阵雨、大雪、大雨分别按顺序数字化成0、1、2、3、4、5、.......、10、11。
(4)对其中异常数据Hn。通过如下公式(11)计算：
其中，Hn表示待检测的“异常数据”，
为余下数据的平均值，S(m)为对应的检验系数。F'为测量值的标准差。
计算如公式(12)，F'计算如公式(13)。
其中，
且在(13)式中不含
若Hn满足上述公式，则认为其为异常数据。由于采集数据的连贯性，决定对异常数据采取异常值前后均值填充法，对该类异常数据进行修复，修复公式如(14)式：
其中，Xm为异常数据，n为异常值Xm前后数据的个数。
采用该方式修复的原因在于，采集的数据是前后时间间距相差不大的数据，这类具有连贯性的数据不适合采用整体均值法去修复。
以9月份的光照数据为例，一般异常数据出现是在最小的几个数据和最大的几个数据之间出现的，9月份的光照数据假如有1，2，12，13，15，16，17，17，19，100。这些，那么异常的数据肯定是在1，2或者100这3个在这组数据中最小的，或者最大的数据中里面的。
此时对于1这个数据对应与上面公式的H(n)，
为＝23.4。fi＝2-23.4/12-23.4/......./100-23.4。然后求出来F'。
这个S(m)是通过T0(n,α)值表推出来的，由取的这组数据的个数来确定的比如，上述9月份假设的数据有10条，在这10条数据中，S(m)这个检验系数就是2.41。如果上述9月份用来检验的数据有30条，那么S(m)就是3.10。
(5)决策值为0、1、2、3，分别代表：灌溉and施肥；灌溉and不施肥；施肥and不灌溉；不灌溉and不施肥。
3、模型层次结构的划分。将原始数据处理后的数据结合茶树种植专家知识构建样本集，按7：3的比例随机拆分样本集，形成训练样本集和测试样本集。采用上述计算样本集复杂度公式对训练样本集进行复杂度划分。依据训练样本集复杂度划分样本集，从而得到决策模型层次结构的划分。
4、构建决策模型。对于决策模型，计算各种属性分类出的数据对灌溉及施肥的复杂度值大小，以复杂度值大小为原则确定决策模型的层次和节点分支，递归构建模型。
计算数据的复杂度值的公式为：
C1＝{(x,y)∈C|F(x)＝α}，C2＝C-C1-------------------(17)
式中，C为样本集合，F为C上某一可能值α，C1和C2为样本集合C根据F分割形成的两个子样本集合。
式中，k表示在C属性下数据的种类，P为该类的概率。
其中复杂度值H(C)表示集合C的不确定性，复杂度值Hs(C)表示经F＝α分割后集合C的复杂度。复杂度值越大，样本集合的不确定性也就越大。
本发明的决策模型以数据复杂度值为判断分层的方式。采用该种结构，优点在于：一是能够生成可以理解的规则；二是可以减少计算量；三是可以处理连续字段和分类字段；四是决策模型可以清晰的显示重要字段。
5、网络测试(调参和优化)与模型调整。将预处理后的测试集数据输入到已构建的决策模型，优化参数，逐步提高决策精度。训练得出的模型输出是未来某一时刻的灌溉及施肥的需求。
模型调整操作是由于数据集样本数较多，会导致生成一棵非常臃肿的模型，通过合并输出节点从而使得模型变得简洁。通过调节参数修改终止条件以及构建函数来进行模型调整，其操作分为两步：第一步判断当前节点是否为输出节点，确定当前输出节点能否合并；第二步遍历整个模型，比较输出节点合并后与合并前的误差，如合并后能够降低误差，则将输出节点进行合并，通过以上合并输出节点的操作来达到模型调整的目的。
6、计算灌溉及施肥量。茶园的灌溉及施肥依据茶树的种植专家知识得到，茶树每年对氮的吸收主要集中在4-6月、7-8月和9-11月，前两期占总吸收氮的55％，在依据灌溉及施肥得到是否施肥的决策后，将每年每亩地茶树需氮量乘不同月份对需氮量的比例得到每月需氮量，然后除30得到当月每天需氮量。
当判断需要施肥时，依据已有的茶树种植专家知识判断施肥量，对于磷肥和钾肥一样依据此类知识判断理论施肥量。对于灌溉同样可以依据不同生长阶段和不同月份茶树对水分需求不同，按需求比例计算理论灌溉量。
7、实施茶园的灌溉及施肥。通过前面得到灌溉及施肥量后，系统通过得到的信息控制茶园水肥一体灌溉系统的各电磁阀。通常茶树的施肥受其长势和气候影响，一般在固定季节进行施肥，水分的灌溉受多种外界因素影响，较为频繁。
因此，运用本发明所建立的模型时，若茶园需要施肥，则将肥料混在水中，通过水肥一体的方式灌溉进入土壤中。水肥混合时，通过比例阀得到一定浓度的水肥混合液实施灌溉。
在控制系统施水施肥的过程中，其土壤湿度，电导率等一些信息会发生变化，并反馈给系统，防止系统漫无目的的施水施肥。优选地，根据决策模型计算获得重要度最大的属性数据，并以重要度最大的属性数据的阈值作为终止条件，停止对茶园进行水肥一体灌溉。
以下通过茶园采集的部分数据为例，说明决策模型的构建过程。
经预处理后保留的276条数据按70％和30％划分训练集和测试集，即训练集样本为193条，测试集样本为83条。
本实验中，由于每次是随机选取样本中的70％作为建模的数据集，因此其每次建立的模型并不一致。下图5为未作任何参数调优，直接调用上述的熵值CART算法所跑出来的模型。
此时通过计算各分类节点的复杂度值(熵)后得到，在该结果下以土壤湿度(20)<＝18.5时为根节点，当前点的复杂度值(熵)为0.579，随后再计算下一层节点的复杂度值(熵)得到，以根节点为左分支的节点应为生长周期<＝12.25，此时复杂度值为0.291。以根节点为右分支的节点应为土壤电导率<＝11.5，此时复杂度值为0.192。再下层节点依次划分而得初步的决策模型。
此时，各特征的重要度如图6所示，各类属性在决策模型中土壤湿度(20)的重要度值最大。
由于没有做任何参数优化，没有限制任何参数，这将导致每次跑出的模型可能不一样。因此，为了保障模型的稳定性，给模型设置了随机种子参数(random_state)，决策树的生成是非常“随机”的，且维度越高，随机性越大。
给random_state参数赋值任意整数，都可以使模型在同一个训练集和测试集下稳定。确定了random_state参数，无论运行多少次“建模”，模型都不会改变；但是不同数据赋值给random_state的话，模型会有不同结果。
本实验中使用的random_state为40。所以这也就是为什么未做参数调优的模型其根节点是土壤湿度(20)的，而最终模型的根节点是土壤湿度(60)。因为在这里设置了一步random_state参数。图7就是设置了random_state参数后，将模型稳定下来后的模型。
此时通过计算各分类节点的复杂度值(熵)后得到，在该结果下以土壤湿度(60)<＝22.834时为根节点，当前点的复杂度值(熵)为0.579，随后再计算下一层节点的复杂度值(熵)得到，以根节点为左分支的节点应为土壤湿度(60)<＝22.123，此时复杂度值为0.222。以根节点为右分支的节点应为土壤电导率<＝10.853，此时复杂度值为0.403。再下层节点依次划分而得初步的决策模型。
此时，各特征的重要度值如图8所示，各类属性在决策模型中土壤湿度(60)的重要度值最大。
图9为在图8的基础上剪枝操作后的样子。
此时通过计算各分类节点的复杂度值(熵)后得到，在该结果下以土壤湿度(60)<＝22.834时为根节点，当前点的复杂度值(熵)为0.579，随后再计算下一层节点的复杂度值(熵)得到，以根节点为左分支的节点应为土壤湿度(60)<＝22.123，此时复杂度值为0.222。以根节点为右分支的节点应为土壤湿度(20)<＝21.3，此时复杂度值为0.403。再下层节点依次划分而得初步的决策模型。
此时的特征重要度值如图10所示。在本发明中重要度表示每种属性对灌溉和施肥的贡献性大小。在这里可以看出土壤湿度(60)这个特征的重要度是比较高的，表示其重要程度较为重要，在模型中，特征越重要就代表其在模型中其决策的作用也越大。
本实验中数据过多，不能一一的将熵值去计算并将熵值列出来，因此，选择特征重要度这个最终显示特征的重要程度的这个参数去代替需要列出来的熵值，特征重要度是依靠特征的熵值或Gini系数去计算而得的。
通过测试集验证得到模型决策的准确率≥89％。
本发明所采用的方法利用、整合了历史数据之间的关系，结合茶树种植专家知识，采用数据挖掘算法对茶园水肥进行智能化决策，避免了人为凭经验进行灌溉的弊端。输入多种影响属性，使得水肥的决策能够更加准确。该方法易于理解和解释，容易提取出规则，可以很好的扩展到大型数据库中。对于提高灌溉决策的准确性、增强模型的泛化能力具有良好的效果。
本发明采用一种ID3算法结合CART算法：决策树常用的三种算法分别是ID3、C4.5以及CART算法。传统ID3、C4.5主要使用熵作为决策树节点划分的标准，即对样本中的数据计算其熵值，选取熵值小的数据作为分割节点，随后递归的建立模型。而CART算法则使用Gini系数作为节点划分标准。但ID3、C4.5算法中不会限制树的分支个数，所以生成的树的分支会很多，而CART算法中会多出来限制树的分支一步，会使树的分支限制在二分，即CART算法生成的总是二叉树。
由于本实验中数据属性较多，若使用传统ID3或C4.5，本实验将建立一个多分支且臃肿的模型，不利于可视化。所以本实验尝试使用ID3中熵作为分割节点的标准并结合CART算法中的二分递归分割技术构建熵值CART算法并利用熵值CART算法进行建模。
本发明还提供了一种基于智能决策的茶园水肥灌溉控制系统，如图1所示，包括：茶园灌溉及施肥的决策模型，存储有茶园灌溉及施肥的决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；采集模块，用于采集茶园的多种属性数据，其中，多种属性数据输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及控制系统，用于根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉。
茶园灌溉及施肥的决策模型可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接。
本茶园灌溉及施肥的决策模型为软件，可存储在计算机可读存储介质中，包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于智能决策的茶园水肥灌溉控制方法，其特征在于，包括：
构建茶园灌溉及施肥的决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；
采集茶园的多种属性数据，将其输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及
根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉，
其中，茶园灌溉及施肥的决策模型的构建方法如下：
结合与茶园灌溉、施肥需求相关的多种属性数据和决策信息共同构建样本集，其中，每个属性数据通过数字化规则划分为数字变量，并且对样本集中的异常数据进行修正；
将样本集划分为训练样本集与测试样本集，并为模型设置随机种子参数；
计算各种属性数据对灌溉及施肥的复杂度值大小，以复杂度值大小为原则确定决策模型的层次和节点分支，递归构建模型；
将预处理后的测试样本集数据输入到已构建的决策模型，优化模型参数，然后对模型的输出节点进行合并，得到调优模型。
2.根据权利要求1所述的基于智能决策的茶园水肥灌溉控制方法，其特征在于，所述多种属性数据为十一种属性数据：茶园生长周期、天气、地下20厘米处土壤湿度、地下40厘米处土壤湿度、地下60厘米处土壤湿度、土壤电导率、光照、降雨量、风速、空气温度、空气湿度。
3.根据权利要求1所述的基于智能决策的茶园水肥灌溉控制方法，其特征在于，按照70%和30%的比例划分训练样本集与测试样本集。
4.根据权利要求1所述的基于智能决策的茶园水肥灌溉控制方法，其特征在于，对样本集中的异常数据采取异常值前后均值填充法进行修正。
5.根据权利要求1所述的基于智能决策的茶园水肥灌溉控制方法，其特征在于，所述灌溉和/或施肥的决策需求为数字变量。
6.根据权利要求1所述的基于智能决策的茶园水肥灌溉控制方法，其特征在于，根据决策模型计算获得重要度最大的属性数据，并以重要度最大的属性数据的阈值作为终止条件，停止对茶园进行水肥一体灌溉。
7.一种基于智能决策的茶园水肥灌溉控制系统，其特征在于，包括：
茶园灌溉及施肥决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；
采集模块，用于采集茶园的多种属性数据，其中，多种属性数据输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及
控制系统，用于根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉，
其中，茶园灌溉及施肥的决策模型的构建方法如下：
结合与茶园灌溉、施肥需求相关的多种属性数据和决策信息共同构建样本集，其中，每个属性数据通过数字化规则划分为数字变量，并且对样本集中的异常数据进行修正；
将样本集划分为训练样本集与测试样本集，并为模型设置随机种子参数；
计算各种属性数据对灌溉及施肥的复杂度值大小，以复杂度值大小为原则确定决策模型的层次和节点分支，递归构建模型；
将预处理后的测试样本集数据输入到已构建的决策模型，优化模型参数，然后对模型的输出节点进行合并，得到调优模型。
8.根据权利要求7所述的基于智能决策的茶园水肥灌溉控制系统，其特征在于，所述茶园灌溉及施肥决策模型还用于根据决策模型计算获得重要度最大的属性数据，所述控制系统还用于以所述重要度最大的属性数据的阈值作为终止条件，停止对茶园进行水肥一体灌溉。
9.根据权利要求7所述的基于智能决策的茶园水肥灌溉控制系统，其特征在于，所述多种属性数据为十一种属性数据：茶园生长周期、天气、地下20厘米处土壤湿度、地下40厘米处土壤湿度、地下60厘米处土壤湿度、土壤电导率、光照、降雨量、风速、空气温度、空气湿度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010941855.XA CN112352523B (zh) | 2020-09-09 | 2020-09-09 | 一种基于智能决策的茶园水肥灌溉控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010941855.XA CN112352523B (zh) | 2020-09-09 | 2020-09-09 | 一种基于智能决策的茶园水肥灌溉控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112352523A CN112352523A (zh) | 2021-02-12 |
| CN112352523B true CN112352523B (zh) | 2022-10-04 |
Family
ID=74516567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010941855.XA Active CN112352523B (zh) | 2020-09-09 | 2020-09-09 | 一种基于智能决策的茶园水肥灌溉控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112352523B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113994868B (zh) * | 2021-09-27 | 2023-07-28 | 上海易航海芯农业科技有限公司 | 一种基于植物生长周期的自动灌溉方法及系统 |
| CN114287220B (zh) * | 2021-12-14 | 2022-12-27 | 中天水土治理科技(山东)股份有限公司 | 一种基于水肥一体化的智能灌溉系统及方法 |
| CN114793852A (zh) * | 2022-04-01 | 2022-07-29 | 江苏叁拾叁信息技术有限公司 | 一种智能施肥给水方法及其系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105892287A (zh) * | 2016-05-09 | 2016-08-24 | 河海大学常州校区 | 基于模糊判决的农作物灌溉策略及决策系统 |
| CN108038087A (zh) * | 2017-12-29 | 2018-05-15 | 浙江省公众信息产业有限公司 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
| WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100568127C (zh) * | 2007-12-12 | 2009-12-09 | 中国水利水电科学研究院 | 地下滴灌水、肥、药一体化自动控制方法 |
| CN104460582B (zh) * | 2014-09-29 | 2017-09-22 | 贵州省水利科学研究院 | 一种基于模糊控制的物联网智能灌溉施肥控制方法及系统 |
| CN105850328A (zh) * | 2015-01-22 | 2016-08-17 | 中国农业机械化科学研究院 | 一种水肥一体化远程精准施用的方法及系统 |
| CN106489687A (zh) * | 2016-10-28 | 2017-03-15 | 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 |
| WO2018085452A1 (en) * | 2016-11-07 | 2018-05-11 | FarmX Inc. | Systems and Methods for Soil Modeling and Automatic Irrigation Control |
| CN107087539A (zh) * | 2017-05-27 | 2017-08-25 | 苟瀚文 | 一种基于物联网的果蔬智能灌溉系统 |
| CN110708948B (zh) * | 2017-06-01 | 2022-12-02 | 瓦尔蒙特工业股份有限公司 | 使用机器学习工作流进行灌溉管理的系统与方法 |
| CN108958329B (zh) * | 2018-04-26 | 2020-11-17 | 中国农业大学 | 一种滴灌水肥一体化智能决策方法 |
| CN110192516A (zh) * | 2019-06-06 | 2019-09-03 | 湖南大学 | 一种灌溉方法、系统及装置 |
| CN111557159B (zh) * | 2020-05-20 | 2021-08-24 | 安徽农业大学 | 一种带有农作物养分需求分析功能的水肥一体机控制系统及其控制方法 |
-
2020
- 2020-09-09 CN CN202010941855.XA patent/CN112352523B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105892287A (zh) * | 2016-05-09 | 2016-08-24 | 河海大学常州校区 | 基于模糊判决的农作物灌溉策略及决策系统 |
| CN108038087A (zh) * | 2017-12-29 | 2018-05-15 | 浙江省公众信息产业有限公司 | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 |
| WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112352523A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112352523B (zh) | 一种基于智能决策的茶园水肥灌溉控制方法和系统 | |
| CN112602563B (zh) | 一种节水灌溉系统及精准灌溉方法 | |
| Araujo et al. | Impacts of drought on grape yields in Western Cape, South Africa | |
| Waongo et al. | A crop model and fuzzy rule based approach for optimizing maize planting dates in Burkina Faso, West Africa | |
| Reddy et al. | Survey on weather prediction using big data analystics | |
| CN111307643A (zh) | 一种基于机器学习算法的土壤水分预测方法 | |
| CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
| CN117787658B (zh) | 一种基于灌区的河水流量异常条件下水资源调度系统 | |
| CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
| CN109582755A (zh) | 一种基于网格的精准农业数据库实现方法 | |
| CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
| CN117291444B (zh) | 一种数字乡村业务管理方法及系统 | |
| CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
| CN113128871A (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
| CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
| CN114330931A (zh) | 一种基于气象条件的桂平荔枝产量大小年年型等级区域预测模型的构建方法 | |
| CN118297315A (zh) | 一种用于园林绿化植物浇灌的智慧管理方法及系统 | |
| CN111460744A (zh) | 一种内陆河上游地区的土地利用规划方法及规划系统 | |
| CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
| Zhai et al. | Decision-making technology based on knowledge engineering and experiment on the intelligent water-fertilizer irrigation system | |
| CN115856259B (zh) | 基于区域差异特征的水源涵养功能遥感评估方法和系统 | |
| Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
| CN116957141A (zh) | 一种基于Transformer模型的智能灌溉预测方法及系统 | |
| CN115392016A (zh) | 一种基于遥感数据同化的青贮玉米生长发育预测方法 | |
| Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network |
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 |