CN113994868A - 一种基于植物生长周期的自动灌溉方法及系统 - Google Patents
一种基于植物生长周期的自动灌溉方法及系统 Download PDFInfo
- Publication number
- CN113994868A CN113994868A CN202111137064.2A CN202111137064A CN113994868A CN 113994868 A CN113994868 A CN 113994868A CN 202111137064 A CN202111137064 A CN 202111137064A CN 113994868 A CN113994868 A CN 113994868A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- training
- strategy
- irrigation strategy
- planting
- 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
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 155
- 230000002262 irrigation Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008635 plant growth Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims description 75
- 230000008020 evaporation Effects 0.000 claims description 30
- 238000001704 evaporation Methods 0.000 claims description 30
- 238000013136 deep learning model Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 6
- 208000035240 Disease Resistance Diseases 0.000 claims description 5
- 239000003337 fertilizer Substances 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明提供了一种基于植物生长周期的自动灌溉方法及系统。其中,所述方法包括:S1,确定第一灌溉策略,所述第一灌溉策略与植物生长周期对应;S2,基于所述植物属性及种植环境确定第二灌溉策略;S3,利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略;S4,执行所述第三灌溉策略。本发明的灌溉策略更符合当地实际情况、种植场景的实际情况。
Description
技术领域
本发明涉及智慧农业技术领域,具体而言,涉及一种基于植物生长周期的自动灌溉方法及系统。
背景技术
近年来,智慧农业技术在我国农业领域得到广泛应用,自动灌溉系统是智慧农业的重要组成部分。现有的自动灌溉系统,一般是通过在田间布置湿度传感器,实时监测农田土壤参数,并通过无线网络传输至控制器,控制器通过湿度传感器采集的湿度数据来确定当前土壤的水情,再基于一定的判定策略来确定是否开启自动灌溉设备进行灌溉作业。现有技术中的上述自动灌溉系统仅考虑到了土壤的水情,但是不同的作物以及不同的生长阶段对水的需求是完全不同的,显然,上述自动灌溉系统适应性较差,难以满足不同作物的生长供水需求。
可见,如何提高自动灌溉系统的灌溉有效性,是目前亟需解决的技术问题。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供了一种基于植物生长周期的自动灌溉方法、系统、电子设备及存储介质,以提高自动灌溉系统的灌溉有效性。
本发明的第一方面提供了一种基于植物生长周期的自动灌溉方法,包括:
S1,确定第一灌溉策略,所述第一灌溉策略与植物生长周期对应;
S2,基于所述植物属性及种植环境确定第二灌溉策略;
S3,利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略;
S4,执行所述第三灌溉策略。
可选地,所述确定第一灌溉策略,包括:
获取第一区域内的同类植物的灌溉大数据,其中,所述灌溉大数据包括灌溉策略、产量;
将所述灌溉大数据分为训练大数据组和测试大数据组,利用所述训练大数据组输入深度学习模型以对其进行训练;将所述测试大数据组输入经过训练的所述深度学习模型,输出第一灌溉策略。
可选地,所述利用所述训练大数据组输入深度学习模型以对其进行训练,包括:
设定初始训练次数为N、训练目标为产量值M最大、产量值M的上下限值;
训练过程中,获取所述深度学习模型的实时模型参数,对所述模型参数进行记录以形成模型参数训练集;
当训练次数达到N的设定百分比时,若所述产量值M接近上限值,则结束训练;若所述产量值M超出上限值,则暂停训练,并从所述模型参数训练集中提取出低于但最接近所述上限值的产量值M对应的模型参数,将所述模型参数赋值于深度学习模型,利用所述训练大数据组中剩余的数据继续进行训练,直至所述产量值M接近上限值时,结束训练。
可选地,前述两个结束训练的条件存在区别:后者与所述上限值的接近程度大于前者。
可选地,所述第一区域通过如下方式确定:
获取植物属性和种植面积;
基于所述植物属性确定该植物的种植难度值,所述种植难度值基于原产地匹配度、抗病害能力、水肥敏感度、温度敏感度、光照敏感度、人工依赖度确定;
所述第一区域与所述种植难度值和所述种植面积均成正比。
可选地,步骤S2中,所述基于所述植物属性及种植环境确定第二灌溉策略,包括:
基于所述植物属性获取第一水分蒸发数据,基于所述种植环境确定第二水分蒸发数据,其中,所述种植环境为实时数据;
基于所述第一水分蒸发数据和所述第二水分蒸发数据确定第三水分蒸发数据;
利用所述第三水分蒸发数据确定第二灌溉策略。
可选地,所述第二灌溉策略包括灌溉提前/延后时间数据、灌溉量增加/减少数据;
则步骤S3中,所述利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略,包括:
按照所述第二灌溉策略将所述第一灌溉策略中对应的子灌溉策略进行修正,进而得出第三灌溉策略。
本发明的第二方面提供了一种基于植物生长周期的自动灌溉系统,所述系统包括处理模块、存储模块、通信模块、灌溉设备,所述处理模块分别与所述存储模块、所述通信模块连接,所述通信模块与所述灌溉设备连接;其中,
所述存储模块上存储有计算机程序,以及灌溉大数据;
所述通信模块,用于实现处理模块与所述灌溉设备的通信;
所述处理模块用于调用所述计算机程序以实现如上任一项所述的方法。
本发明的第三方面提供了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的第四方面提供了一种电子设备,该电子设备包括处理器和存储器,所述存储器上存储有计算机程序,该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的有益效果在于:
本发明在确定灌溉策略时,先以产量为导向确定了基准的第一灌溉策略,同时还考虑了种植场景下的实时数据,即植物属性和种植环境,进而确定出用于修正的第二灌溉策略,最终获得了可以获得更佳的产量的第三灌溉策略。相对于现有技术中完全依靠经验或固定灌溉策略的方案来说,本发明的灌溉策略更符合当地实际情况、种植场景的实际情况。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例公开的一种基于植物生长周期的自动灌溉方法的流程示意图;
图2是本发明实施例公开的一种基于植物生长周期的自动灌溉系统的结构示意图;
图3是本发明实施例公开一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于植物生长周期的自动灌溉方法的流程示意图。如图1所示,本发明实施例的一种基于植物生长周期的自动灌溉方法,包括:
S1,确定第一灌溉策略,所述第一灌溉策略与植物生长周期对应;
S2,基于所述植物属性及种植环境确定第二灌溉策略;
S3,利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略;
S4,执行所述第三灌溉策略。
在本发明实施例中,首先确定作为灌溉基准的第一灌溉策略,其中,第一灌溉策略是跟特定植物的生长周期对应的,其反映的是不同生长周期对应的灌溉时间、灌溉量;然后,再考虑植物属性和种植环境(大棚或露天种植),其中,不同的植物具有迥异的水需求及消耗数据,而不同的种植环境则会显著影响水的消耗量(例如蒸发量),进而确定出第二灌溉策略;接着,利用第二灌溉策略就可以对基准的第一灌溉策略进行局部修正,最终获得更为合理的第三灌溉策略。本发明在确定灌溉策略时,在考虑了反映经验值或统计值的标准灌溉策略的基础上,还进一步考虑了基于实际种植场景下的实时数据,进而获得的灌溉策略更为符合真实情况,属于动态的灌溉策略,有助于获得更好的作物产量。
可选地,所述确定第一灌溉策略,包括:
获取第一区域内的同类植物的灌溉大数据,其中,所述灌溉大数据包括灌溉策略、产量;
将所述灌溉大数据分为训练大数据组和测试大数据组,利用所述训练大数据组输入深度学习模型以对其进行训练;将所述测试大数据组输入经过训练的所述深度学习模型,输出第一灌溉策略。
在本发明实施例中,本发明在制定灌溉策略时是以产量佳为导向的,即利用区域内其它种植场的灌溉大数据来分析得出什么样的灌溉策略可以使得该植物的产量最优。为实现该目标,本发明设计了一种深度学习模型,利用区域内的同类植物的灌溉大数据来训练该深度学习模型,于是,训练好的深度学习模型就可以建立灌溉策略与产量之间的对应关系,进而输出能够获得尽量高的产量的灌溉策略。
其中,所述深度学习模型可以基于前向神经网络(Feedforward NeuralNetworks,FNN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)、递归神经网络(Recursive Neural Network)等算法进行构建,具体构建方式属于成熟的现有技术,本发明在此不再赘述。
可选地,所述利用所述训练大数据组输入深度学习模型以对其进行训练,包括:
设定初始训练次数为N、训练目标为产量值M最大、产量值M的上下限值;
训练过程中,获取所述深度学习模型的实时模型参数,对所述模型参数进行记录以形成模型参数训练集;
当训练次数达到N的设定百分比时,若所述产量值M接近上限值,则结束训练;若所述产量值M超出上限值,则暂停训练,并从所述模型参数训练集中提取出低于但最接近所述上限值的产量值M对应的模型参数,将所述模型参数赋值于深度学习模型,利用所述训练大数据组中剩余的数据继续进行训练,直至所述产量值M接近上限值时,结束训练。
在本发明实施例中,现有技术中对深度学习模型的训练次数都是固定的,即达到预设的训练次数为止,但是,这样的训练方式一是需要确定合理的训练数据量,训练数据量一旦确定的过多,则会耗费过多的时间,但是合理训练数据量的确定是十分困难的;再者,最优训练结果往往不是在最后才获得的,所以,全数据的训练可能无法得到最优结果。针对于此,本发明设置了特别的训练方式,即在训练次数在满足最小训练次数的情况下是可变的。本发明以训练过程中产量值M是否接近但不超过上限值(作物的产量超出理论产量是不可能的)作为结束训练的结果,其中,如果产量值M在满足最小训练次数时就已经超过了上限值,则上溯至低于但最接近所述上限值的产量值M对应的模型参数处,利用此时剩余的训练数据进行接续训练,显然,接续训练中的训练数据也发生了变化,具体是减少的。
其中,模型参数为深度学习模型中需要优化的各参数,以卷积神经网络模型为例,模型参数包括卷积层:卷积核的权值以及各通道的偏置量;全连接层:权值和偏置量,其中权值的梯度是上一层的输出和当前层误差转置的积,而各通道的偏置量则也是对应通道的误差;BN层:scale和shift参数,也可以看作是权值和偏置量;激活层:激活层一般没有参数,但如果激活函数是PReLU则需要学习一个x<0时的权值,方法也是上一层负的输出与对应的当前层误差的积之和。当然,不同算法对应的需要优化的模型参数也是不同,本发明在此不再赘述。
可选地,前述两个结束训练的条件存在区别:后者与所述上限值的接近程度大于前者。
在本发明实施例中,对于训练过程中产量值M超过上限值的情况中,说明其训练过程中较为激进,导致产量值M“太好”,所以,本发明在前述中通过调整训练数据来减少了剩余训练的最大次数。同时,本发明还将该情况下的训练结束条件设置的更为严格,相对于在达到最小训练次数之后才接近上限值的情况,本情况要求要更为接近上限值才可以结束训练,否则就要继续上溯,重复前述过程。当然,如果在训练数据都用尽时仍然无法满足要求,则从多个结果中选择最优的作为最终结果(同样得益于本发明前述对模型参数训练集的记录)。
可选地,所述第一区域通过如下方式确定:
获取植物属性和种植面积;
基于所述植物属性确定该植物的种植难度值,所述种植难度值基于原产地匹配度、抗病害能力、水肥敏感度、温度敏感度、光照敏感度、人工依赖度确定;
所述第一区域与所述种植难度值和所述种植面积均成正比。
在本发明实施例中,本发明中第一区域并非是固定的,而是基于多种因素而动态变化的。具体而言,如果植物的种植难度大,则需要获得更多的灌溉大数据来进行分析,包括对数据的筛选、对深度学习模型的训练等各方面;同时,种植面积越大,则种植难度也就越大,灌溉的控制精度也就越差,相应地,灌溉策略与产量之间的关系也就越难准确获得,此时同样需要获取更大区域内的更多的灌溉大数据进行分析。
其中,种植难度值主要与植物的原产地匹配度、抗病害能力、水肥敏感度、温度敏感度、光照敏感度、人工依赖度,抗病害能力越弱、水肥敏感度越高、温度敏感度越高、光照敏感度越高、人工依赖度越高,则种植难度值越高,反之,则种植难度值越低。其中,原产地匹配度指的是植物的种植地与原产地的关系,如果植物为当地品种,则原产地匹配度为高,如果植物为亚热带品种而本地为高海拔/高纬度地区,则原产地匹配度为低,因为种植难度明显更大。当然,为了提高准确度,还可以增加其它影响种植难度值的因素,本发明不在赘述。
可选地,步骤S2中,所述基于所述植物属性及种植环境确定第二灌溉策略,包括:
基于所述植物属性获取第一水分蒸发数据,基于所述种植环境确定第二水分蒸发数据,其中,所述种植环境为实时数据;
基于所述第一水分蒸发数据和所述第二水分蒸发数据确定第三水分蒸发数据;
利用所述第三水分蒸发数据确定第二灌溉策略。
在本发明实施例中,植物种植场景下的水分耗损主要体现在植物的呼吸蒸发作用和水分的自然蒸发。针对于此,本发明基于植物的属性来确定第一水分蒸发数据,并且基于种植场景的不同而确定第二水分蒸发数据,将二者数据进行整合就可以得到第三水分蒸发数据,整合方式可以采用多种数学方式,例如累加求和、加权求和等。而在确定出水分的蒸发数据之后,就可以确定第二灌溉策略,例如,当某个时段的蒸发数据明显高出标准值时,则第二灌溉策略可以为将灌溉时间提前/增加灌溉量。
其中,种植场景包括室内种植和露天种植,于是,不同种植场景对应的水分蒸发数据也是明显不同的,当然,某些种植场景中存在室内场景和露天场景的切换,例如,对于室内种植场景来说,在某些时段需要打开顶棚进行换气,于是就形成了混合种植场景,此时需要通过实时检测来对第二水分蒸发数据进行更新。
可选地,所述第二灌溉策略包括灌溉提前/延后时间数据、灌溉量增加/减少数据;
则步骤S3中,所述利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略,包括:
按照所述第二灌溉策略将所述第一灌溉策略中对应的子灌溉策略进行修正,进而得出第三灌溉策略。
在本发明实施例中,基于前述获得的第二灌溉策略,就可以对基准的第一灌溉策略的局部进行修正,进而可以基于种植现场的实时数据来调整灌溉策略,进而获得更为理想的产量。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于植物生长周期的自动灌溉系统的结构示意图。如图2所示,本发明实施例的一种基于植物生长周期的自动灌溉系统(100),所述系统包括处理模块(101)、存储模块(102)、通信模块(103)、灌溉设备(104),所述处理模块(101)分别与所述存储模块(102)、所述通信模块(103)连接,所述通信模块(103)与所述灌溉设备连接;其中,
所述存储模块(102)上存储有计算机程序,以及灌溉大数据;
所述通信模块(103),用于实现处理模块(101)与所述灌溉设备(104)的通信;
所述处理模块(101)用于调用所述计算机程序以实现如实施例一任一项所述的方法。
该实施例中的一种基于植物生长周期的自动灌溉系统的具体功能参照上述实施例一,由于本实施例中的系统采用了上述实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
实施例三
请参阅图3,图3是本发明实施例公开的一种电子设备,所述设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如实施例一所述的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于植物生长周期的自动灌溉方法,其特征在于,包括:
S1,确定第一灌溉策略,所述第一灌溉策略与植物生长周期对应;
S2,基于所述植物属性及种植环境确定第二灌溉策略;
S3,利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略;
S4,执行所述第三灌溉策略。
2.根据权利要求1所述的方法,其特征在于:所述确定第一灌溉策略,包括:
获取第一区域内的同类植物的灌溉大数据,其中,所述灌溉大数据包括灌溉策略、产量;
将所述灌溉大数据分为训练大数据组和测试大数据组,利用所述训练大数据组输入深度学习模型以对其进行训练;将所述测试大数据组输入经过训练的所述深度学习模型,输出第一灌溉策略。
3.根据权利要求2所述的方法,其特征在于:所述利用所述训练大数据组输入深度学习模型以对其进行训练,包括:
设定初始训练次数为N、训练目标为产量值M最大、产量值M的上下限值;
训练过程中,获取所述深度学习模型的实时模型参数,对所述模型参数进行记录以形成模型参数训练集;
当训练次数达到N的设定百分比时,若所述产量值M接近上限值,则结束训练;若所述产量值M超出上限值,则暂停训练,并从所述模型参数训练集中提取出低于但最接近所述上限值的产量值M对应的模型参数,将所述模型参数赋值于深度学习模型,利用所述训练大数据组中剩余的数据继续进行训练,直至所述产量值M接近上限值时,结束训练。
4.根据权利要求3所述的方法,其特征在于:前述两个结束训练的条件存在区别:后者与所述上限值的接近程度大于前者。
5.根据权利要求4所述的方法,其特征在于:所述第一区域通过如下方式确定:
获取植物属性和种植面积;
基于所述植物属性确定该植物的种植难度值,所述种植难度值基于原产地匹配度、抗病害能力、水肥敏感度、温度敏感度、光照敏感度、人工依赖度确定;
所述第一区域与所述种植难度值和所述种植面积均成正比。
6.根据权利要求1-5任一项所述的方法,其特征在于:步骤S2中,所述基于所述植物属性及种植环境确定第二灌溉策略,包括:
基于所述植物属性获取第一水分蒸发数据,基于所述种植环境确定第二水分蒸发数据,其中,所述种植环境为实时数据;
基于所述第一水分蒸发数据和所述第二水分蒸发数据确定第三水分蒸发数据;
利用所述第三水分蒸发数据确定第二灌溉策略。
7.根据权利要求6所述的方法,其特征在于:所述第二灌溉策略包括灌溉提前/延后时间数据、灌溉量增加/减少数据;
则步骤S3中,所述利用所述第二灌溉策略对所述第一灌溉策略进行修正,以得到第三灌溉策略,包括:
按照所述第二灌溉策略将所述第一灌溉策略中对应的子灌溉策略进行修正,进而得出第三灌溉策略。
8.一种基于植物生长周期的自动灌溉系统,所述系统包括处理模块、存储模块、通信模块、灌溉设备,所述处理模块分别与所述存储模块、所述通信模块连接,所述通信模块与所述灌溉设备连接;其中,
所述存储模块上存储有计算机程序,以及灌溉大数据;
所述通信模块,用于实现处理模块与所述灌溉设备的通信;
其特征在于:所述处理模块用于调用所述计算机程序以实现如权利要求1-7任一项所述的方法。
9.一种存储介质,该存储介质上存储有计算机程序,其特征在于:该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
10.一种电子设备,该电子设备包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于:该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137064.2A CN113994868B (zh) | 2021-09-27 | 2021-09-27 | 一种基于植物生长周期的自动灌溉方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137064.2A CN113994868B (zh) | 2021-09-27 | 2021-09-27 | 一种基于植物生长周期的自动灌溉方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113994868A true CN113994868A (zh) | 2022-02-01 |
CN113994868B CN113994868B (zh) | 2023-07-28 |
Family
ID=79921785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137064.2A Active CN113994868B (zh) | 2021-09-27 | 2021-09-27 | 一种基于植物生长周期的自动灌溉方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113994868B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637353A (zh) * | 2022-03-24 | 2022-06-17 | 四川省水利科学研究院 | 基于多环境因素分析的农业灌溉控制方法、系统及终端 |
CN115482467A (zh) * | 2022-09-29 | 2022-12-16 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉系统 |
CN117787003A (zh) * | 2023-12-29 | 2024-03-29 | 北京江河惠远科技有限公司 | 一种用于输电线路生态圈搭建的植被恢复方案生成方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106962A1 (en) * | 2015-11-17 | 2017-06-29 | Universite Laval | System and method for real-time water management |
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 |
RU2016133563A (ru) * | 2016-08-15 | 2018-02-20 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Способ дифференцированного управления орошением посевов и устройство для его осуществления |
CN107896949A (zh) * | 2017-11-20 | 2018-04-13 | 深圳春沐源控股有限公司 | 一种水肥灌溉自动控制方法及系统 |
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 |
WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
CN111685014A (zh) * | 2020-06-29 | 2020-09-22 | 深圳信息职业技术学院 | 基于多源信息融合的作物节水灌溉决策方法及测控系统 |
WO2021007363A1 (en) * | 2019-07-09 | 2021-01-14 | The Texas A&M University System | Irrigation control with deep reinforcement learning and smart scheduling |
CN112352523A (zh) * | 2020-09-09 | 2021-02-12 | 安徽农业大学 | 一种基于智能决策的茶园水肥灌溉控制方法和系统 |
-
2021
- 2021-09-27 CN CN202111137064.2A patent/CN113994868B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106962A1 (en) * | 2015-11-17 | 2017-06-29 | Universite Laval | System and method for real-time water management |
RU2016133563A (ru) * | 2016-08-15 | 2018-02-20 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Способ дифференцированного управления орошением посевов и устройство для его осуществления |
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 |
CN107896949A (zh) * | 2017-11-20 | 2018-04-13 | 深圳春沐源控股有限公司 | 一种水肥灌溉自动控制方法及系统 |
WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
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 |
WO2021007363A1 (en) * | 2019-07-09 | 2021-01-14 | The Texas A&M University System | Irrigation control with deep reinforcement learning and smart scheduling |
CN111685014A (zh) * | 2020-06-29 | 2020-09-22 | 深圳信息职业技术学院 | 基于多源信息融合的作物节水灌溉决策方法及测控系统 |
CN112352523A (zh) * | 2020-09-09 | 2021-02-12 | 安徽农业大学 | 一种基于智能决策的茶园水肥灌溉控制方法和系统 |
Non-Patent Citations (7)
Title |
---|
刘晓英等: "春小麦优化灌溉决策模型", 《南水北调与水利科技》 * |
刘晓英等: "春小麦优化灌溉决策模型", 《南水北调与水利科技》, no. 04, 31 December 1995 (1995-12-31), pages 8 - 10 * |
张兵等: "基于模糊决策理论的冬小麦精量灌溉智能系统的研究", 《中国农村水利水电》 * |
张兵等: "基于模糊决策理论的冬小麦精量灌溉智能系统的研究", 《中国农村水利水电》, no. 05, 25 May 2006 (2006-05-25), pages 17 - 20 * |
张阳阳;温宗周;李璐;董勋凯;王真;: "基于STM32的智能灌溉控制器设计", 南方农机, no. 20, pages 119 * |
杨世凤等: "基于变量灌溉数学模型的决策支持系统研究", 《农业工程学报》 * |
杨世凤等: "基于变量灌溉数学模型的决策支持系统研究", 《农业工程学报》, no. 11, 30 September 2006 (2006-09-30), pages 29 - 32 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637353A (zh) * | 2022-03-24 | 2022-06-17 | 四川省水利科学研究院 | 基于多环境因素分析的农业灌溉控制方法、系统及终端 |
CN114637353B (zh) * | 2022-03-24 | 2022-11-15 | 四川省水利科学研究院 | 基于多环境因素分析的农业灌溉控制方法、系统及终端 |
CN115482467A (zh) * | 2022-09-29 | 2022-12-16 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉系统 |
CN115482467B (zh) * | 2022-09-29 | 2023-09-05 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉系统 |
CN117787003A (zh) * | 2023-12-29 | 2024-03-29 | 北京江河惠远科技有限公司 | 一种用于输电线路生态圈搭建的植被恢复方案生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113994868B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113994868B (zh) | 一种基于植物生长周期的自动灌溉方法及系统 | |
Buwalda | A mathematical model of carbon acquisition and utilisation by kiwifruit vines | |
WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
CN105494033B (zh) | 一种基于作物需求的智能节水灌溉方法 | |
CN107844089A (zh) | 一种种植预警的方法、系统及种植管理系统 | |
US20220248616A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
CN109874477A (zh) | 一种农业园区施肥机托管方法及系统 | |
CN111008733A (zh) | 一种作物生长管控方法和系统 | |
CN108919768A (zh) | 一种农业管理系统及方法 | |
CN108983849A (zh) | 一种利用复合极限学习机神经网络控制温室环境方法 | |
CN109906833A (zh) | 一种基于大数据的温室智能管理系统 | |
CN109964611A (zh) | 一种大田作物精准施肥方法及系统 | |
CN108600307A (zh) | 一种农业物联异构型网络互联互通方法 | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
CN108181814A (zh) | 植物生长环境监控方法及装置、计算机存储介质 | |
CN116562813A (zh) | 一种基于农业物联网的智慧农业综合管理系统 | |
WO2016155551A1 (zh) | 一种农业物联网远程规则自定义系统及方法 | |
CN207039650U (zh) | 基于iot技术的远程多端种植系统 | |
CN112099557A (zh) | 一种基于互联网的家居植物栽植方法及系统 | |
CN116484287B (zh) | 基于误差修正的土壤水分预测方法、系统、终端及介质 | |
CN116523149A (zh) | 微小害虫防治适期预测方法、装置、电子设备和存储介质 | |
CN116755485A (zh) | 一种温室调控方法、装置、系统、设备和存储介质 | |
CN109725620A (zh) | 一种基于即插即用设备的大棚控制系统 | |
JPWO2019017408A1 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN114821253A (zh) | 一种喷滴灌水肥一体化系统的适用性调控方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |