CN112931150A - 一种基于柑橘冠层光谱响应的灌溉系统和方法 - Google Patents

一种基于柑橘冠层光谱响应的灌溉系统和方法 Download PDF

Info

Publication number
CN112931150A
CN112931150A CN202110152035.7A CN202110152035A CN112931150A CN 112931150 A CN112931150 A CN 112931150A CN 202110152035 A CN202110152035 A CN 202110152035A CN 112931150 A CN112931150 A CN 112931150A
Authority
CN
China
Prior art keywords
citrus
irrigation
water stress
canopy
calculating
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.)
Granted
Application number
CN202110152035.7A
Other languages
English (en)
Other versions
CN112931150B (zh
Inventor
王卫星
周平
杨明欣
高鹏
陈文彬
丁郑
廖飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Original Assignee
South China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110152035.7A priority Critical patent/CN112931150B/zh
Publication of CN112931150A publication Critical patent/CN112931150A/zh
Application granted granted Critical
Publication of CN112931150B publication Critical patent/CN112931150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Abstract

本发明公开了一种基于柑橘冠层光谱响应的灌溉系统和方法，首先获取柑橘园冠层光谱图像和柑橘的生长环境信息，通过GPRS技术传输至云服务器，云服务器对光谱数据进行处理后输入到预先训练好的水分胁迫指数预测模型中，得到整个柑橘园的水分胁迫状况图。上位机获取到整个园区的水分胁迫状况，将需要进行灌溉的区域提取出来，再通过模糊控制器计算出各个区域的灌溉量，然后通过无线传感器网络发送给各个灌溉控制节点，对整个园区进行灌溉，实现了对柑橘园水分的监测和灌溉，水资源得到了充分的利用。

Description

一种基于柑橘冠层光谱响应的灌溉系统和方法
技术领域
本发明涉及农业灌溉管控技术领域，更具体的说是涉及一种基于柑橘冠层光谱响应的灌溉系统和方法。
背景技术
随着水资源逐渐短缺，再加上灌溉用水的铺张浪费，农业因旱成灾的情况越来越严重，农业灌溉用水资源日趋紧张。水分亏缺是导致柑橘严重减产减质的主要因素之一，采用传统的人工监测会导致发现作物缺水时，作物已处于严重胁迫状况，且不能作出合适的灌溉决策，造成水资源的大量浪费；而有些能精确测量作物水分状况的方法因操作不方便，不能对作物进行远程灌溉，目前部分地区采用的无线传感器网络监测作物水分状况只适合于小块农田。
因此，如何实现远程柑橘水分监测，并指导柑橘灌溉，提高灌溉用水效率，减少水资源浪费是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于柑橘冠层光谱响应的灌溉系统和方法，采用基于无人机遥感获取的柑橘园遥感图像，来反演作物的水分胁迫状况，并与联网获取到的天气情况共同对是否需要灌溉进行决策，指导柑橘的灌溉，减少不必要的水资源浪费，提高灌溉用水效率。
为了实现上述目的，本发明采用如下技术方案：
一种基于柑橘冠层光谱响应的灌溉方法，包括：
步骤1：获取柑橘园的光谱图像，以及柑橘的生长环境信息和未来降雨量；
步骤2：对所述光谱图像进行预处理，将预处理后的数据输入预先构建的水分胁迫预测模型中，获得柑橘树的水分胁迫指数，并输出柑橘园的水分胁迫状况图；
步骤3：根据预设的水分胁迫阈值对所述水分胁迫状况图中对应的所述水分胁迫指数进行筛选，提取出需要进行灌溉的区域，计算需要灌溉区域的柑橘蒸散量并结合所述未来降雨量，通过模糊控制器计算出所需灌溉量；
步骤4：根据所述所需灌溉量生成灌溉指令传输至相应的控制节点，对柑橘园进行灌溉操作。
优选的，利用无人机搭载多光谱相机采集柑橘园中柑橘冠层的光谱图像；在所述柑橘园附近安装智能型户外气象站，利用传感器测量获得生长环境信息，所述生长环境信息包括：空气温湿度、风速、降雨量、土壤热通量和太阳净辐射等。
优选的，无人机采集的所述光谱图像和气象站采集的所述生长环境信息传输至云服务器，在所述云服务器对所述光谱图像进行预处理；所述云服务器将所述水分胁迫状况图和所述生长环境信息发送至柑橘园灌溉控制中心的上位机，并在上位机获取未来降雨量。
优选的，所述光谱图像获取方法包括，通过软件设置好每个镜头的曝光率、无人机飞行路线、飞行高度、飞行速度和拍摄间隔，选择少云或无云天气且一般选择中午时间按照上述设置进行自动拍摄采集。
优选的，所述光谱图像的预处理包括图像拼接及校正，以及对异常光谱数据和图像中土壤背景等无意义区域的环境数据的剔除。
优选的，基于烟花算法的BP神经网络训练构建水分胁迫预测模型；
所述水分胁迫预测模型的建立步骤包括：
步骤21：在柑橘园中挑选若干典型区域，在少云或无云的中午，获取其冠层光谱图像，同时在地面测量柑橘树的冠层温度、空气温度和空气湿度，计算出各区域的水分胁迫指数；
利用冠气温差上下限的经验公式获得柑橘冠气温差上下限，根据所述冠气温差上下限建立柑橘的水分胁迫指数公式，水分胁迫指数公式如下所示：
Figure BDA0002931874540000031
式中，Tc和Ta分别表示冠层温度和空气温度，(Tc-Ta)l和(Tc-Ta)u分别代表冠气温差下限和冠气温差上限，
冠气温差下限经验公式表示为：
(Tc-Ta)l＝A*VPD+B
Figure BDA0002931874540000032
A和B的值由对柑橘进行充分灌溉或降雨后的一组冠层温度、空气温度和空气湿度估算获得，上述经验公式的Tc和Ta为对柑橘充分灌溉后或降雨后的冠层温度和空气温度，RH为空气湿度，多测几组这样的数据，就可以拟合出A和B的值。
冠气温差上限经验公式可由下式计算：
(Tc-Ta)u＝A*VPG+B
VPG＝VPD(Ta)-VPD(Ta+A)
将地面测量柑橘树的冠层温度、空气温度和空气湿度，代入所述冠气温差下限经验公式和所述冠气温差上限经验公式获得柑橘冠气温差上下限，根据所述柑橘冠气温差上下限获得所述水分胁迫指数公式，由所述水分胁迫指数公式计算柑橘的水分胁迫指数；
步骤22：将所述冠层光谱图像和所对应的水分胁迫指数划分为训练集和测试集；首先利用因子分析法，将所述冠层光谱图像进行降维，输入到基于烟花算法的BP神经网络，输出对应的水分胁迫指数，训练网络；
步骤221：对所述冠层光谱图像进行因子分析，每张图像由多个波段通道的反射率组成，各波段的反射率存在一定的相关性，根据各波段反射率之间存在的一定的相关关系，找出隐藏在其背后的一组共同因子，提高预测模型的准确性；
多光谱相机所拍摄的所述冠层光谱图像具有p个通道，因此进行因子分析的指标变量有p个，共有n张所述冠层光谱图像，按下式对所测量到的各波段反射率进行标准化：
Figure BDA0002931874540000033
其中
Figure BDA0002931874540000041
分别为第j个指标变量的样本均值和样本标准差；
再按照下式计算进行标准化后各波段反射率的相关系数：
Figure BDA0002931874540000042
Figure BDA0002931874540000043
和
Figure BDA0002931874540000044
分别表示标准化后的每张所述冠层光谱图像的各波段反射率；rij为第i个指标与第j个指标之间的相关系数；由相关系数rij组成相关系数矩阵R；
步骤222：根据所述相关系数矩阵R，计算出相关系数矩阵的特征值及对应的特征向量，并将特征值按大小进行排列，得到初等载荷矩阵：
Figure BDA0002931874540000045
其中λ和u分别为特征值和对应的特征向量；
步骤223：根据所述初等载荷矩阵A，计算各个所述特征值的贡献率，并对所述初等载荷矩阵A选择m个主因子，获得因子载荷矩阵；对提取的所述因子载荷矩阵进行旋转，得到矩阵
Figure BDA0002931874540000046
其中所述因子载荷矩阵
Figure BDA0002931874540000047
为所述初等载荷矩阵A的前m列，T为正交矩阵，构造因子模型，每个指标标量对应一个特征值和特征向量，将前述的p个特征用m个因子进行表示，达到降维效果：
Figure BDA0002931874540000048
式中，
Figure BDA0002931874540000049
为各波段反射率进行标准化后的特征，bij为矩阵B的第i行j列的系数，F1,...,Fm表示m个公共因子；
步骤224：采用回归方法计算每个公共因子的得分函数，因子得分函数公式如下所示：
Figure BDA00029318745400000410
记
Figure BDA00029318745400000411
则有
Figure BDA00029318745400000412
根据上式计算出每张光谱图像的m个公共因子的值；
步骤225：将m个公共因子的值输入到神经网络，针对传统的BP神经网络在训练过程中会陷入局部最优值中，引入烟花算法，从而避免陷入局部最优值，找到全局最优值；
首先初始化部分烟花算法中的烟花，每个烟花个体表示待求神经网络的权值和阈值；再计算种群中每个个体的适应度值f(xi)，所述适应度值为将每个个体带入神经网络求得的输出与实际输出之间的误差平方和：
Figure BDA0002931874540000051
其中，n为个体个数，tk为期望输出值，yk为神经网络预测值；
并根据下式计算每个烟花爆炸产生的烟花个数Si和爆炸半径Ai：
Figure BDA0002931874540000052
Figure BDA0002931874540000053
式中，ymax是当前种群中适应度值最差个体的适应度值；ymin则相反，为适应度值最优个体的适应度值；c和d为设定常数，分别用来限制火花产生的总数以及表示最大的爆炸半径，ε为设定的用来避免分母为零的常数；
每个个体包括若干个维度，对每个个体随机选取z个维度组成集合Z，其中，个体选取规则为z＝rand(1,d×rand(0,Ri))，且rand(0,Ri)为爆炸半径Ai内产生的随机数，将集合Z内元素作为烟花，通过下式对烟花进行爆炸变异操作：
h＝Ai×rand(1,-1)
exij＝xij+h
cxik＝xik×e
式中，Ai为第i个烟花的爆炸半径；h为位置偏移量；xik为种群中第i烟花的第k维；exik为第i个烟花经过爆炸后产生的爆炸火花；cxik为xik经过高斯变异后的高斯变异火花；e表示变异算子，并且e服从rad～N(1,1)的高斯分布；
从烟花、爆炸火花及高斯变异火花种群中选择N个烟花个体形成下一代候选烟花种群，其中，适应度值最小的个体直接成为下一代个体，其余的N-1个个体进行轮盘赌的方式进行选择；
步骤226：重复所述步骤225，直至达到设定的终止条件，得到最优个体，作为神经网络的初始权值和阈值，构建水分胁迫预测模型。终止条件为是设定的最大迭代次数或最小适应度值小于所设阈值。
优选的，所述步骤3中所述所需灌溉量的计算方法为采用两输入的模糊控制器，一个输入为柑橘的蒸散量，另一个输入为未来降雨量。
优选的，所述蒸散量的计算公式如下：
Figure BDA0002931874540000061
其中，ET0为参考作物需水量，△为饱和水汽压差对温度的斜率，Rn为太阳净辐射，G为土壤热通量，γ为干湿表常数，T为2m高处日平均气温，u2为2m高处的风速，es为平均饱和水汽压，ea为平均实际水汽压，KC为柑橘作物系数，ETC为所述蒸散量。
一种基于柑橘冠层光谱响应的灌溉系统，包括设置在柑橘园的气象站、搭载多光谱相机的无人机、云服务器、位于柑橘园灌溉控制中心的上位机和柑橘园内进行控制和灌溉的控制节点；
气象站，用于获取柑橘树的生长信息数据；
所述搭载多光谱相机的无人机，用于获取整片柑橘园的多光谱图像；
所述云服务器，用于保存所述气象站传输的所述生长信息数据和所述无人机传输的所述光谱图像；并能对所述光谱图像进行预处理，预处理后结果输入到预训练好的水分胁迫指数预测模型中，得到整片园区的水分胁迫状况图；
所述上位机，用于从云服务器获取水分胁迫状况图，提取出需要进行灌溉的区域，并获取未来的降雨情况，计算出各个区域的所需灌溉量；根据所述所需灌溉量生成控制指令，通过无线传感器网络发送给各个所述控制节点，对园区进行灌溉。控制指令即为灌溉量，控制指令会统一发送，但只有相应的需要灌溉区域的控制节点的控制器会接收相应的灌溉量。
优选的，所述上位机加载有上位机软件，所述上位机软件由python语言编写。
优选的，所述气象站和所述无人机通过GPRS技术连接通讯所述云服务器，所述云服务器和所述上位机通过互联网通讯；所述无线传感器网络采用的通信协议为ZigBee，具有低耗电、低成本、支持大量节点等优点。
优选的，柑橘园的所述水分胁迫状况图即为柑橘园的水分胁迫指数分布图。
经由上述的技术方案可知，与现有技术相比，充分利用了精准农业中所需要的现代先进技术，包括物联网、神经网络等技术，将柑橘的水分监测和决策有效地结合起来并应用到实际中，不仅解决了监测柑橘水分状况不精确、水资源利用率低下以及需要人工决策的问题，还能将目前柑橘的水分胁迫状况以图形的方式展示给种植者，且种植者不需要有专业的知识就能操作系统，节省了大量的人力、财力和时间。通过绘制柑橘园水分胁迫状况图能够消除柑橘水分情况的时间变异性和空间变异性，以及不需要大量布置土壤传感器，利用柑橘园水分胁迫状况图制定灌溉策略，既能保证柑橘树的正常生长，又能使水资源得到充分利用。开放的数据监测网站提供给有权限的使用者进行远程观察，能更好的了解柑橘树的长势，为进一步管理提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于柑橘冠层光谱响应的灌溉方法流程图；
图2附图为本发明提供的基于柑橘冠层光谱响应的灌溉系统结构示意图。
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。
如图1所示的基于柑橘冠层光谱响应的灌溉方法，包括如下步骤：
S1，用无人机搭载多光谱相机获取作物的多光谱图像，在柑橘园附近安装气象站，柑橘生长环境信息通过智能型户外气象站测量获得，并与多光谱图像一起传输至云服务器；气象站通过柑橘林中设置的传感器对生长环境进行测量，生长环境信息包括：传感器所获取到的空气温湿度、风速、相对气压、太阳净辐射等信息；在上位机联网获得未来降雨量；
S2，在服务器中，将获取到的多光谱图像进行拼接、校正及异常数据剔除等处理，再输入至已训练好的水分胁迫指数预测模型中，获得柑橘园的水分胁迫指数，并输出柑橘园的水分胁迫状况图；在本实施例中，水分胁迫指数预测模型的训练方法包括：首先建立柑橘的水分胁迫指数模型，然后再利用光谱图像建立水分胁迫预测模型；
建立水分胁迫指数模型的过程为：在无云或少云的中午获取柑橘园的冠层多光谱图像，同时在柑橘园中选取典型区域，在每天中午采集柑橘冠层温度、空气温度和空气湿度，柑橘冠层温度具体测量过程为，随机挑选位于柑橘树冠层的五片叶子，每片叶子测量三次，求所有测量数据的平均值作为柑橘冠层温度；在对柑橘树进行充分灌溉或有降雨发生后，对柑橘冠层温度、空气温度和空气湿度进行加测，利用加测的数据建立冠气温差上限和冠气温差温差下限的公式，即获得柑橘的水分胁迫指数模型；
建立水分胁迫预测模型的过程为：将获取到的光谱图像经过预处理，根据样本光谱曲线到所有样本的平均光谱曲线的距离剔除异常数据，筛选感兴趣区域的光谱数据，计算该区域的光谱反射率，同时采集该区域的空气温度、空气湿度和柑橘冠层温度，根据水分胁迫指数模型计算出该区域的柑橘水分胁迫指数，将光谱反射率作为输入，水分胁迫指数作为输出，采用因子分析方法对光谱反射率进行降维，再采用基于烟花算法的BP神经网络训练模型获得水分胁迫指数预测模型；
在本实施例中，对光谱数据输入至BP神经网络之前，因各个波段的反射率之间可能存在一定的相关性，且不同波段反射率对建模效果的影响差异显著，还需使用因子分析法进行输入量的减少，消除输入之间的相关性。为解决传统的BP神经网络预测模型的泛化能力差且预测精度不高的问题；将烟花算法引入网络中，利用烟花爆炸算子同时爆炸扩散的机理，对神经网络的权重和阈值的寻优进行了优化，将模型计算出的值与实测值之间的偏差作为每个烟花个体的适应度值，经过不断迭代，能找到适应度最高的个体，即为神经网络最终的权重和阈值；云服务器根据水分胁迫指数预测模型的输出，绘制整个柑橘园的水分胁迫状况图，并将其保存；水分胁迫指数预测模型输出的是水分胁迫指数，范围为0-1，将水分胁迫指数图经过处理变为伪彩色图像，获得水分胁迫状况图；
S3，在地面上柑橘园灌溉控制中心的上位机从云服务器端获取柑橘园的水分胁迫状况图，以及当前柑橘的生长环境信息；根据预设的水分胁迫阈值，筛选出需要进行灌溉的区域，同时计算出该区域柑橘树的蒸散量并获取柑橘园所在地区未来三小时的降雨情况，输入到预设的模糊控制器中，模糊控制器根据模糊控制规则库，算出各个区域所需要的灌溉量；
S4，上位机通过协调器节点，将灌溉量发送给每个控制节点，对柑橘园需要进行灌溉的区域进行灌溉操作。
为了进一步优化上述技术方案，上位机根据所需灌溉量生成灌溉指令通过无线传感器网络传输至控制节点，控制控制节点的电磁阀开闭，对柑橘园进行灌溉。
如图2所示，一种基于柑橘冠层光谱响应的灌溉系统，包括：设置在柑橘园的气象站、搭载多光谱相机的无人机、云服务器、位于柑橘园灌溉控制中心的上位机和进行控制和灌溉的控制节点；柑橘园气象站，用于获取柑橘树的生长环境信息；搭载多光谱相机的无人机，用于获取整片柑橘园的多光谱图像；云服务器，用于保存气象站传输的生长环境信息和无人机传输的多光谱图像；并能对多光谱图像进行处理，输入到预训练好的水分胁迫指数预测模型中，得到整片园区的水分胁迫状况图；上位机，用于从云服务器获取水分胁迫状况图，提取出需要进行灌溉的区域，并获取未来的降雨情况，计算出各个区域的灌溉量；通过无线传感器网络发送给各个控制节点，对园区进行灌溉。
在本实施例中，柑橘品种主要是生长在华南地区的砂糖桔。
其中，云服务器为阿里云平台租借的服务器，主要用于对柑橘园气象数据和多光谱相机拍摄的图像进行保存、传输。并将水分胁迫状况预测模型放入云服务器中。
本发明通过无人机获取柑橘园的多光谱图像，并根据事先采集的样本建立柑橘水分胁迫指数预测模型，将云服务器作为系统服务器进行柑橘园水分胁迫状况图的绘制以及传输多光谱图像、生长环境信息等，通过上位机获取整个柑橘园的水分胁迫状况图，对胁迫程度高的地区进行灌溉量计算，再通过无线传输网络发送灌溉指令给需要进行灌溉操作的节点，能实现对柑橘园水分胁迫状况的监测，以及精确灌溉，充分利用水资源。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，包括以下步骤：
步骤1：获取柑橘园的光谱图像，以及柑橘的生长环境信息和未来降雨量；
步骤2：对所述光谱图像进行预处理，将预处理后的数据输入预先构建的水分胁迫预测模型中，计算出柑橘树的水分胁迫指数，并输出水分胁迫状况图；
步骤3：根据预设的水分胁迫阈值对所述水分胁迫状况图中对应的所述水分胁迫指数进行筛选，提取出需要进行灌溉的区域，计算需要灌溉区域的柑橘蒸散量并结合所述未来降雨量，通过模糊控制器计算出所需灌溉量；
步骤4：根据所述所需灌溉量生成灌溉指令传输至相应的控制节点，对柑橘园进行灌溉操作。
2.根据权利要求1所述的一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，采集柑橘园中柑橘冠层的光谱图像；所述生长环境信息包括：空气温湿度、风速、降雨量、土壤热通量和太阳净辐射。
3.根据权利要求2所述的一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，基于烟花算法的BP神经网络训练构建所述水分胁迫预测模型；
所述水分胁迫预测模型的建立步骤包括：
步骤21：在柑橘园中挑选若干典型区域，在少云或无云的中午，获取其冠层光谱图像，同时在地面测量柑橘树的冠层温度、空气温度和空气湿度，计算出各区域的水分胁迫指数；
步骤22：将所述冠层光谱图像和所对应的水分胁迫指数划分为训练集和测试集；首先利用因子分析法，将所述冠层光谱图像进行降维，输入到基于烟花算法的BP神经网络，输出为对应的所述水分胁迫指数，从而训练网络获得所述水分胁迫预测模型。
4.根据权利要求3所述的一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，所述步骤21中计算所述水分胁迫指数的过程如下：
利用冠气温差上下限的经验公式获得柑橘冠气温差上下限，根据所述冠气温差上下限建立柑橘的水分胁迫指数公式，所述水分胁迫指数公式如下所示：
Figure FDA0002931874530000021
式中，Tc和Ta分别表示冠层温度和空气温度，(Tc-Ta)l和(Tc-Ta)u分别代表冠气温差下限和冠气温差上限，
冠气温差下限经验公式表示为：
(Tc-Ta)l＝A*VPD+B
Figure FDA0002931874530000022
A和B的值由将柑橘进行充分灌溉或降雨后的若干组冠层温度Tc、空气温度Ta和空气湿度RH代入所述冠气温差下限经验公式进行拟合估算获得；
冠气温差上限经验公式由下式计算：
(Tc-Ta)u＝A*VPG+B
VPG＝VPD(Ta)-VPD(Ta+A)
将地面测量柑橘树的冠层温度、空气温度和空气湿度，代入所述冠气温差下限经验公式和所述冠气温差上限经验公式获得柑橘冠气温差上下限，根据所述柑橘冠气温差上下限获得所述水分胁迫指数公式，由所述水分胁迫指数公式计算柑橘的水分胁迫指数。
5.根据权利要求4所述的一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，所述步骤22的具体实现过程如下：
步骤221：对所述冠层光谱图像进行因子分析，获得各所述冠层光谱图像之间存在相关关系的一组共同因子；
所述冠层光谱图像具有p个通道，因此进行因子分析的指标变量有p个，共有n张所述冠层光谱图像，按下式对所测量到的各波段反射率进行标准化：
Figure FDA0002931874530000023
其中
Figure FDA0002931874530000024
分别为第j个指标变量的样本均值和样本标准差；
再按照下式计算进行标准化后各波段反射率的相关系数：
Figure FDA0002931874530000025
Figure FDA0002931874530000026
和
Figure FDA0002931874530000027
分别表示标准化后的每张所述冠层光谱图像的各波段反射率；rij为第i个指标与第j个指标之间的相关系数；由相关系数rij组成相关系数矩阵R；
步骤222：根据所述相关系数矩阵R，计算出相关系数矩阵的特征值及对应的特征向量，并将特征值按大小进行排列，得到初等载荷矩阵：
Figure FDA0002931874530000031
其中λ和u分别为特征值和对应的特征向量；
步骤223：根据所述初等载荷矩阵A，计算各个所述特征值的贡献率，并对所述初等载荷矩阵A选择m个主因子，获得因子载荷矩阵；对提取的所述因子载荷矩阵进行旋转，得到矩阵
Figure FDA0002931874530000032
其中所述因子载荷矩阵
Figure FDA0002931874530000033
为所述初等载荷矩阵A的前m列，T为正交矩阵，构造因子模型：
Figure FDA0002931874530000034
式中，
Figure FDA0002931874530000035
为各波段反射率进行标准化后的特征，bij为矩阵B的第i行j列的系数，F1,...,Fm表示m个公共因子；
步骤224：采用回归方法计算每个公共因子的得分函数，因子得分函数公式如下所示：
Figure FDA0002931874530000036
记
Figure FDA0002931874530000037
则有
Figure FDA0002931874530000038
计算出每张光谱图像的m个公共因子的值；
步骤225：将m个公共因子的值输入到神经网络，初始化部分烟花算法中的烟花，每个烟花个体表示待求神经网络的权值和阈值；再计算种群中每个个体的适应度值f(xi)，所述适应度值为将每个个体带入神经网络求得的输出与实际输出之间的误差平方和：
Figure FDA0002931874530000039
其中，n为个体个数，tk为期望输出值，yk为神经网络预测值；
并根据下式计算每个烟花爆炸产生的烟花个数Si和爆炸半径Ai：
Figure FDA00029318745300000310
Figure FDA0002931874530000041
式中，ymax是当前种群中适应度值最差个体的适应度值；ymin则相反，为适应度值最优个体的适应度值；c和d为设定常数，分别用来限制火花产生的总数以及表示最大的爆炸半径，ε为设定的用来避免分母为零的常数；
对每个个体随机选取z个维度组成集合Z，其中，个体选取规则为z＝rand(1，d×rand(0，Ri))，且rand(0，Ri)为爆炸半径Ai内产生的随机数，将集合Z内元素作为烟花，通过下式对烟花进行爆炸变异操作：
h＝Ai×rand(1，-1)
exij＝xij+h
cxik＝xik×e
式中，Ai为第i个烟花的爆炸半径；h为位置偏移量；xik为种群中第i烟花的第k维；exik为第i个烟花经过爆炸后产生的爆炸火花；cxik为xik经过高斯变异后的高斯变异火花；e表示变异算子，并且e服从e～N(1，1)的高斯分布；
从烟花、爆炸火花及高斯变异火花种群中选择N个烟花个体形成下一代候选烟花种群，其中，适应度值最小的个体直接成为下一代个体，其余的N-1个个体进行轮盘赌的方式进行选择；
步骤226：重复所述步骤225，直到到达设定的终止条件，得到最优个体，作为神经网络的初始权值和阈值，构建水分胁迫预测模型。
6.根据权利要求1所述的一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，所述步骤3中所述所需灌溉量的计算方法为采用两输入的模糊控制器，一个输入为所述蒸散量，另一个输入为所述未来降雨量。
7.根据权利要求6所述的一种基于柑橘冠层光谱响应的灌溉方法，其特征在于，所述蒸散量的计算公式如下：
Figure FDA0002931874530000042
其中，ET0为参考作物需水量，Δ为饱和水汽压差对温度的斜率，Rn为太阳净辐射，G为土壤热通量，γ为干湿表常数，T为2m高处日平均气温，u2为2m高处的风速，es为平均饱和水汽压，ea为平均实际水汽压，KC为柑橘作物系数，ETC为所述蒸散量。
8.一种根据权利要求1-7所述的基于柑橘冠层光谱响应的灌溉方法的灌溉系统，其特征在于，包括设置在柑橘园的气象站、搭载多光谱相机的无人机、云服务器、位于柑橘园灌溉控制中心的上位机和柑橘园内进行控制和灌溉的控制节点；
所述气象站，用于获取柑橘树的生长环境信息；
所述无人机，用于获取所述柑橘园的光谱图像；
所述云服务器，用于保存所述气象站传输的所述生长环境信息和所述无人机传输的所述光谱图像；并能对所述光谱图像进行预处理，预处理后的数据输入到预训练好的水分胁迫指数预测模型中，得到整片园区的水分胁迫状况图；
所述上位机，用于从所述云服务器获取所述水分胁迫状况图，提取出需要进行灌溉的区域，并获取未来的降雨情况，计算出各个区域的所需灌溉量；根据所述所需灌溉量生成控制指令，通过无线传感器网络发送给各个所述控制节点，对园区进行灌溉。
9.根据权利要求8所述的一种基于柑橘冠层光谱响应的灌溉系统，其特征在于，所述气象站和所述无人机通过GPRS技术连接通讯所述云服务器，所述云服务器和所述上位机通过互联网通讯；所述无线传感器网络采用的通信协议为ZigBee。
CN202110152035.7A 2021-02-03 2021-02-03 一种基于柑橘冠层光谱响应的灌溉系统和方法 Active CN112931150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110152035.7A CN112931150B (zh) 2021-02-03 2021-02-03 一种基于柑橘冠层光谱响应的灌溉系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110152035.7A CN112931150B (zh) 2021-02-03 2021-02-03 一种基于柑橘冠层光谱响应的灌溉系统和方法

Publications (2)

Publication Number Publication Date
CN112931150A true CN112931150A (zh) 2021-06-11
CN112931150B CN112931150B (zh) 2022-06-03

Family

ID=76243533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110152035.7A Active CN112931150B (zh) 2021-02-03 2021-02-03 一种基于柑橘冠层光谱响应的灌溉系统和方法

Country Status (1)

Country Link
CN (1) CN112931150B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113966714A (zh) * 2021-10-27 2022-01-25 山东润浩水利科技有限公司 一种大田自动灌溉用施肥装置及施肥方法
WO2022094698A1 (en) * 2020-11-05 2022-05-12 Farmers Edge Inc. Advanced crop manager for crops stress mitigation
CN114525735A (zh) * 2022-02-21 2022-05-24 北京好运达智创科技有限公司 用于盖梁混凝土的自动喷淋养护装置及方法
CN115349340A (zh) * 2022-09-19 2022-11-18 沈阳农业大学 基于人工智能的高粱施肥控制方法及系统
CN116310848A (zh) * 2023-05-19 2023-06-23 沈阳诺德尔自动化科技有限公司 一种智能阀门的调节控制方法及系统
CN116990490A (zh) * 2023-09-26 2023-11-03 中国标准化研究院 一种基于物联网的土壤水分动态监测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278503A (zh) * 2013-04-25 2013-09-04 浙江大学 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统
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
US20180330247A1 (en) * 2017-05-12 2018-11-15 Harris Lee Cohen Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that integrates a satellite date model and an orchard data model
CN109874477A (zh) * 2019-01-17 2019-06-14 北京农业智能装备技术研究中心 一种农业园区施肥机托管方法及系统
WO2019145895A1 (en) * 2018-01-24 2019-08-01 The State Of Israel, Ministry Of Agriculture & Rural Development Agricultural Research Organization Method and system for estimating crop coefficient and evapotranspiration of crops based on remote sensing
CN211960395U (zh) * 2020-01-10 2020-11-20 中国农业科学院作物科学研究所 一种现代化农业精准灌溉系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278503A (zh) * 2013-04-25 2013-09-04 浙江大学 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统
US20180330247A1 (en) * 2017-05-12 2018-11-15 Harris Lee Cohen Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that integrates a satellite date model and an orchard data model
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
WO2019145895A1 (en) * 2018-01-24 2019-08-01 The State Of Israel, Ministry Of Agriculture & Rural Development Agricultural Research Organization Method and system for estimating crop coefficient and evapotranspiration of crops based on remote sensing
CN109874477A (zh) * 2019-01-17 2019-06-14 北京农业智能装备技术研究中心 一种农业园区施肥机托管方法及系统
CN211960395U (zh) * 2020-01-10 2020-11-20 中国农业科学院作物科学研究所 一种现代化农业精准灌溉系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨伟志等: "基于物联网和人工智能的柑橘灌溉专家系统", 《节水灌溉》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022094698A1 (en) * 2020-11-05 2022-05-12 Farmers Edge Inc. Advanced crop manager for crops stress mitigation
CN113966714A (zh) * 2021-10-27 2022-01-25 山东润浩水利科技有限公司 一种大田自动灌溉用施肥装置及施肥方法
CN113966714B (zh) * 2021-10-27 2022-12-06 山东润浩水利科技有限公司 一种大田自动灌溉用施肥装置及施肥方法
CN114525735A (zh) * 2022-02-21 2022-05-24 北京好运达智创科技有限公司 用于盖梁混凝土的自动喷淋养护装置及方法
CN115349340A (zh) * 2022-09-19 2022-11-18 沈阳农业大学 基于人工智能的高粱施肥控制方法及系统
CN116310848A (zh) * 2023-05-19 2023-06-23 沈阳诺德尔自动化科技有限公司 一种智能阀门的调节控制方法及系统
CN116310848B (zh) * 2023-05-19 2023-07-18 沈阳诺德尔自动化科技有限公司 一种智能阀门的调节控制方法及系统
CN116990490A (zh) * 2023-09-26 2023-11-03 中国标准化研究院 一种基于物联网的土壤水分动态监测系统及方法
CN116990490B (zh) * 2023-09-26 2023-12-26 中国标准化研究院 一种基于物联网的土壤水分动态监测系统及方法

Also Published As

Publication number Publication date
CN112931150B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN112931150B (zh) 一种基于柑橘冠层光谱响应的灌溉系统和方法
Pôças et al. Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches
CN111008733B (zh) 一种作物生长管控方法和系统
Ballesteros et al. Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques
CN110222475A (zh) 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法
CN110956381A (zh) 一种远程农业信息智能分析系统及农业环境调控方法
CN106372592A (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
Leblon et al. The use of remotely sensed data in estimation of PAR use efficiency and biomass production of flooded rice
CN114821321A (zh) 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
Yang et al. A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN113063739A (zh) 一种基于机载高光谱传感器的水稻冠层氮含量监测方法
CN112819227A (zh) 一种县级尺度冬小麦单产预测方法及系统
CN115577866A (zh) 物候期预测方法、装置、电子设备和存储介质
CN115439402A (zh) 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置
CN114973024A (zh) 一种机采棉脱叶效果综合评价指标监测与评价方法及系统
CN116227758B (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及系统
Liang et al. CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans
CN114511777A (zh) 一种基于图像识别方法的桃树花期监测评估方法
KR20230061034A (ko) 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템
CN110751322A (zh) 一种基于大数据分析预测的荔枝控梢促花管理方法
Atanasov Automated remote sensing system for crops monitoring and irrigation management, based on leaf color change and piecewise linear regression models for soil moisture content predicting
CN113963263B (zh) 多年生植被生长属性的确定方法、装置以及存储介质
CN115271991B (zh) 一种农作物净初级生产力的估算方法及装置

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