CN114092776A - 应用于智慧农业的多传感器数据融合方法 - Google Patents
应用于智慧农业的多传感器数据融合方法 Download PDFInfo
- Publication number
- CN114092776A CN114092776A CN202111398253.5A CN202111398253A CN114092776A CN 114092776 A CN114092776 A CN 114092776A CN 202111398253 A CN202111398253 A CN 202111398253A CN 114092776 A CN114092776 A CN 114092776A
- Authority
- CN
- China
- Prior art keywords
- data
- soil
- sensor
- value
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 239000002689 soil Substances 0.000 claims abstract description 83
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 15
- 230000002262 irrigation Effects 0.000 claims description 14
- 238000003973 irrigation Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 239000003337 fertilizer Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 22
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000012935 Averaging Methods 0.000 abstract 1
- 238000012271 agricultural production Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 239000012773 agricultural material Substances 0.000 description 2
- 238000009411 base construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及应用于智慧农业的多传感器数据融合方法,包括下述步骤采集j个传感器的数据,同一时相各传感器形成传感器同时数据组,记为Xt0=(X1,X2...Xj);将任一传感器测量的k个不同时相的数据按照采集时间顺序依次分成两组,记为P1=(x1,x3,x5,x7...xk1),P2=(x2,x4,x6,x8...xk2),算取P1、P2两组数据加权平均值E1、E2,算取P1、P2两组数据的方差,按照式1进行方差组合更新,按照式2更新融合得数据E,数据E为经过分批加权平均后的传感器数值Ej;III‑1.土壤水分差调整,根据式3获取土壤水分Ei。本发明采用数据挖掘技术对数据进行深层次的分析与挖掘,提高农业数据的利用率。能够对数据进行综合分析,提高了数据分析效果,也使得分析系统简化,增加了农业分析能力。
Description
技术领域
本发明属于农业技术领域,尤其涉及应用于智慧农业的多传感器数据融合方法。
背景技术
目前,我国大多数农业生产主要依靠人工经验尽心管理,缺乏系统的科学指导。设施栽培技术的发展,对于农业现代化进程具有深远的影响。设施栽培为推进农业结构调整发挥了重要作用,大棚种植已在农业生产中占有重要地位。要实现高水平的设施农业生产和优化设施生物环境控制,信息获取手段是最重要的关键技术之一。
作为现代信息技术三大基础(传感器技术、通信技术和计算机技术)的高度集成而形成的无线传感器网络是一种全新的信息获取和处理技术。网络由数量众多的低能源、低功耗的智能传感器节点所组成,能够协作地实时监测、感知和采集各种环境或监测对象的信息,并对其进行处理,获得详尽而准确的信息,通过无线传输网络传送到基站主机以及需要这些信息的工作人员,同时工作人员也可以将指令通过网络传送到目标节点使其执行特定任务。
智慧农业中,多传感器数据采集的使用给数据融合提出了新的挑战,实现多传感器数据融合方法有较好的应用价值。
发明内容
为了解决上述问题,本发明采用如下技术方案:
应用于智慧农业的多传感器数据融合方法,包括下述步骤
(I)数据采集:
采集j个传感器的数据,同一时相各传感器形成传感器同时数据组,记为Xt0=(X1,X2...Xj);
(II)传感器数据级融合:
将任一传感器测量的k个不同时相的数据按照采集时间顺序依次分成两组,记为P1=(x1,x3,x5,x7...xk1),P2=(x2,x4,x6,x8...xk2),
算取P1、P2两组数据加权平均值E1、E2,
算取P1、P2两组数据的方差σ1 2,σ2 2,
按照式1进行方差组合更新
按照式2更新融合得数据E,数据E为经过分批加权平均后的传感器数值Ej
(III)应用分析,至少包括下述之一:
III-1.土壤水分差调整,根据式3获取土壤水分Ei,
Tmax为日最高温度,Tmin为日最低温度,R为太阳辐射量。
一些方式中,所述应用分析步骤还包括:
III-2.土壤质量分析,感器获得融合后数值用Ej0=(E1,E2...Ej)表示,使用融合后的数据进行异类传感器数据融合,利用模糊综合评价进行:
确定评价因素集,U={U1,U2...Un},
对所监测区域的农作物生长环境质量,采用i级表示,包括i个状态,V={v1,v2...vi},根据土壤质量的物理指标,土壤质量的化学指标,建立评判因素集合U中每个因素对应V的具体标准。
一些方式中,取土壤温度、土壤湿度、土壤PH值、土壤EC值,确定评价因素集,U={U1,U2...U4}={土壤温度、土壤湿度、土壤PH值、土壤EC值};
对所监测区域的农作物生长环境质量,采用4级表示,包括4个状态,V={v1,v2...v4}={优,良,中,差}。
一些方式中,根据模糊数学理论对评判因素集合U中的每个评判因素ui,i∈[1,4],进行1次评判,确定评价对象对于各个评价因素等级的隶属度,实现评价因素U和评判等级V之间的模糊映射f:U→f(v)∈[0,1],则对于U中第i个元素的单因素评价隶属度的集合表示为Ri=(ri1,ri2,...ri4),则对于集合U中所有元素构成模糊评价矩阵,
确定因素权重值W=(w1,w2,w3,w4),用于表示U中每个因素的权重,采用专家打分利用频率统计法确定权重,
确定单因素评判矩阵R和因素权向量W,通过模糊变化将U上的模糊向量A变为V上的模糊向量B=W1*4.R4*4=(b1,b2,b3,b4),
通过最终评判结果A=max(b1,b2,b3,b4)所对应V值。
一些方式中,数据采集I步骤中,对任一采集的传感器数据进行阈值判断,传感器数据超出量程最大阈值或者低于最小阈值时,剔除异常值并用平均值代替,量程最大值、最小值为阈值最大阈值、最小阈值;在数据超出量程最大阈值或者低于最小阈值时,剔除异常值,计算过程中缺失值用平均值代替。
一些方式中,III-2中土壤水分差调整:
结合当前农作物生长阶段所需环境进行参数设置即按照不同作物的生长系数确定该作物的土壤水分饱和值Emax、土壤水分干旱值Emin、土壤水分最优值,断水点Ep和补水点Es,根据当前土壤水分测量值Ec与Ei按照公式4判断是否开启补水灌溉,从而实现水肥间断式灌溉,以达到降低灌水用量和成本的效果;
if[(Ec-Ei)<Es]=true:补水,if(Ec>Ep)=true:断水(式4)。
一些方式中,应用分析III还包括,
(III-1)多时相统计分析:
对于同一监控区域进行同时间不同传感器数据统计分析,根据传感器分布获得监控区域太阳辐射、温度、湿度、风速、CO2农田地块逐日气象数据,制作专题图可以清晰化阅读;通过同类传感器不同时间的空气温度、空气湿度、风速、CO2、太阳辐射、降雨量环境变化分析,为改善作物生长环境提供历史数据支持。
本发明的有益效果是:
采用数据挖掘技术对数据进行深层次的分析与挖掘,为用户提供方便的分类预测,为用户提供有利的农业决策,提高农业数据的利用率。能够对数据进行综合分析,提高了数据分析效果,也使得分析系统简化,增加了农业分析能力。
附图说明
图1为融合算法结构图;
图2融合算法流程图;
图3补水控制示意图;
图4土壤质量评价方法控制图。
具体实施方式
本部分第一方面介绍:
应用于智慧农业的多传感器数据融合方法,包括下述步骤
(I)数据采集:
采集j个传感器的数据,同一时相各传感器形成传感器同时数据组,记为Xt0=(X1,X2...Xj);
(II)传感器数据级融合:
将任一传感器测量的k个不同时相的数据按照采集时间顺序依次分成两组,记为P1=(x1,x3,x5,x7...xk1),P2=(x2,x4,x6,x8...xk2),
算取P1、P2两组数据加权平均值E1、E2,
算取P1、P2两组数据的方差σ1 2,σ2 2,
按照式1进行方差组合更新
按照式2更新融合得数据E,数据E为经过分批加权平均后的传感器数值Ej
(III)应用分析,至少包括下述之一:
III-1.土壤水分差调整,根据式3获取土壤水分Ei,
Tmax为日最高温度,Tmin为日最低温度,R为太阳辐射量。
一些方式中,所述应用分析步骤还包括:
III-2.土壤质量分析,感器获得融合后数值用Ej0=(E1,E2...Ej)表示,使用融合后的数据进行异类传感器数据融合,利用模糊综合评价进行:
确定评价因素集,U={U1,U2...Un},
对所监测区域的农作物生长环境质量,采用i级表示,包括i个状态,V={v1,v2...vi},根据土壤质量的物理指标,土壤质量的化学指标,建立评判因素集合U中每个因素对应V的具体标准。
一些方式中,取土壤温度、土壤湿度、土壤PH值、土壤EC值,确定评价因素集,U={U1,U2...U4}={土壤温度、土壤湿度、土壤PH值、土壤EC值};
对所监测区域的农作物生长环境质量,采用4级表示,包括4个状态,V={v1,v2...v4}={优,良,中,差}。
一些方式中,根据模糊数学理论对评判因素集合U中的每个评判因素ui,i∈[1,4],进行1次评判,确定评价对象对于各个评价因素等级的隶属度,实现评价因素U和评判等级V之间的模糊映射f:U→f(v)∈[0,1],则对于U中第i个元素的单因素评价隶属度的集合表示为Ri=(ri1,ri2,...ri4),则对于集合U中所有元素构成模糊评价矩阵,
确定因素权重值W=(w1,w2,w3,w4),用于表示U中每个因素的权重,采用专家打分利用频率统计法确定权重,
确定单因素评判矩阵R和因素权向量W,通过模糊变化将U上的模糊向量A变为V上的模糊向量B=W1*4.R4*4=(b1,b2,b3,b4),
通过最终评判结果A=max(b1,b2,b3,b4)所对应V值。
一些方式中,数据采集I步骤中,对任一采集的传感器数据进行阈值判断,传感器数据超出量程最大阈值或者低于最小阈值时,剔除异常值并用平均值代替,量程最大值、最小值为阈值最大阈值、最小阈值;在数据超出量程最大阈值或者低于最小阈值时,剔除异常值,计算过程中缺失值用平均值代替。
一些方式中,III-2中土壤水分差调整:
结合当前农作物生长阶段所需环境进行参数设置即按照不同作物的生长系数确定该作物的土壤水分饱和值Emax、土壤水分干旱值Emin、土壤水分最优值,断水点Ep和补水点Es,根据当前土壤水分测量值Ec与Ei按照公式4判断是否开启补水灌溉,从而实现水肥间断式灌溉,以达到降低灌水用量和成本的效果;
if[(Ec-Ei)<Es]=true:补水,if(Ec>Ep)=true:断水(式4)。
一些方式中,应用分析III还包括,
(III-1)多时相统计分析:
对于同一监控区域进行同时间不同传感器数据统计分析,根据传感器分布获得监控区域太阳辐射、温度、湿度、风速、CO2农田地块逐日气象数据,制作专题图可以清晰化阅读;通过同类传感器不同时间的空气温度、空气湿度、风速、CO2、太阳辐射、降雨量环境变化分析,为改善作物生长环境提供历史数据支持。
本部分第二方面结合具体示例进行说明:
本发明围绕农场管理、视频监控、农业生产环境监测、大气环境监测、专业系统指导/知识库建设、农产品防伪溯源、农业硬件智能控制、农资管理、农事管理等农事活动,采用先进的信息化、数字化、智能化技术,将所涉及的农产品种植生产、社会经济、综合管理与农业服务资源,进行全面整合和充分利用。本发明针对农业生产过程中土壤境监测、大气环境监测两大方面农情需求进行传感器监测系统设计与数据融合方法设计。利用物联网技术、传感器技术、4G技术、嵌入式技术、分布式数据融合技术、对实现该监测系统进行研究。
多传感器数据融合方法
本发明围绕农场管理、视频监控、农业生产环境监测、大气环境监测、专业系统指导/知识库建设、农产品防伪溯源、农业硬件智能控制、农资管理、农事管理等农事活动,采用先进的信息化、数字化、智能化技术,将所涉及的农产品种植生产、社会经济、综合管理与农业服务资源,进行全面整合和充分利用。本发明针对农业生产过程中土壤境监测、大气环境监测两大方面农情需求进行传感器监测系统设计与数据融合方法设计。利用物联网技术、传感器技术、4G技术、嵌入式技术、分布式数据融合技术、对实现该监测系统进行研究。
1.1传感器数据融合算法设计
本发明采用的传感器包括气象传感器和土壤环境传感器两大类,具体算法结构如图1所示,先对气象传感器和土壤传感器中的同类型传感器数据进行数据级融合,主要包括数据预处理、平均加权方法消除同类数据时间和空间上的冗余。再具体应用时候根据应用进行在特征级融合,采用模糊综合评判策略进行特征级融合。如图1中所示。
1.2多传感器数据级融合算法设计
一个监控区域需要配置n个土壤环境传感器和1个天气传感器组成监控系统,因此一个监控系统中天气传感器和土壤传感器数量不均等,并且传感器数据必须保持一致的时间才能说明当前监控区域的状态,因此本发明以监控区域时间段为研究对象,设计任意时刻开始,系统分别对天气传感器、土壤传感器进行在固定时段采集数据,例如8点15分0秒开始在10min内做10次平数据采集进行同类型传感器数据融合。具体建模方法如图2所示。
Step1:采集天气传感器包括风力、大气压强、光照强度、太阳辐射强度、降雨量、空气温湿度,CO2;土壤环境传感器包括土壤温度、土壤湿度、土壤PH值、土壤EC值。各取10组数据,各传感器按照X=(X1,X2...X11)表示数据;
Step2:对采集的传感器数据进行阈值判断,利用量程最大最小值作为阈值,例如温度传感器最大量程范围-40°到80°,因此在数据超出量程最大阈值或者低于最小阈值时,剔除异常值,计算过程中缺失值用平均值代替;
Step3:将单个传感器测量的10组传感器数据按照采集时间顺序分成两组P1=(x1,x3,x5,x7,x9)、P2=(x2,x4,x6,x8,x10);
Step4:按照公式3计算(P1、P2)两组数据加权平均值;E1,E2;
Step5:按照公式4计算(P1、P2)两组数据的方差σ1 2,σ2 2;
公式4
Step6:通过步骤5分别计算σ1 2、σ2 2方差值,按照公式5进行方差组合更新。
Step7:根据σ、E1,E2按照公式6更新融合数据E,此时E就是经过分批加权平均后的传感器数值。
1.3应用模型设计
1、多时相统计分析:对于同一监控区域进行同时间不同传感器数据统计分析,根据传感器分布获得监控区域太阳辐射、温度、湿度、风速、CO2等农田地块逐日气象数据,制作专题图可以清晰化阅读,为同种作物种植提供数据参考,也可为后期农作物种植做出相应决策支持。通过同类传感器不同时间的空气温度、空气湿度、风速、CO2、太阳辐射、降雨量等环境变化分析,为改善作物生长环境提供历史数据支持。通过该平台及时分析异常数据为农业作物生长提供最佳环境。
2、土壤水分差预测
在农作物生长过程中,如何预测农作物需水量以及获取土壤水分含量是实现农田自动化灌溉的关键点,因此本项目通过天气预报数据经过HS模型公式6对土壤水分差进行预测估算:
Tmax为日最高温度,Tmin为日最低温度,R为太阳辐射量。公式7
通过天气预测空气温湿度、太阳辐射强度、降雨量等变量数据,进行预测植物下个周期所需水分Ei,结合当前农作物生长阶段所需环境进行参数设置即按照不同作物的生长系数确定该作物的土壤水分饱和值Emax、干旱值Emin和最优值,断水点Ep和补水点Es,根据当前土壤水分测量值Ec与Ei按照公式8判断是否开启补水灌溉,从而实现水肥间断式灌溉,以达到降低灌水用量和成本的效果,控制方法如图3所示。
if[(Ec-Ei)<Es]=true:补水if(Ec>Ep)=true:断水公式8
3、土壤质量评价方法
经过第一级融合算法,各传感器获得融合后数值用X=(X1,X2...Xn)表示,使用融合后的数据进行异类传感器数据融合,利用模糊综合评价进行。具体建模方法如图4中所示:
Step1:获取Tj时段风力、大气压强、光照强度、太阳辐射强度、降雨量、空气温湿度、土壤温度、土壤湿度、土壤PH值、土壤EC值10组融合数据。确定评判因素集,U={U1,U2...U4}={土壤温度、土壤湿度、土壤PH值、土壤EC值},监控选择这4种因素能够全面覆盖对当前区域农作物生长环境的评价。
Step2:对所监测区域的农作物生长环境质量,采用4级表示,包括优良中差4个状态,因此V={v1,v2,v4,v4}={优,良,中,差},根据土壤质量的物理指标,土壤质量的化学指标,建立评判因素集合U中每个因素对应V的具体标准。
Step3:根据模糊数学理论对评判因素集合U中的每个评判因素ui,i∈[1,4],进行1次评判,确定评价对象对于各个评价因素等级的隶属度,实现评价因素U和评判等级V之间的模糊映射f:U→f(v)∈[0,1],则对于U中第i个元素的单因素评价隶属度的集合表示为Ri=(ri1,ri2,...ri4),则对于集合U中所有元素构成模糊评价矩阵。
Step4:确定因素权重值W=(w1,w2,w3,w4),用于表示U中每个因素的权重,采用专家打分利用频率统计法确定权重。
Step5:确定单因素评判矩阵R和因素权向量W之后,通过模糊变化将U上的模糊向量A变为V上的模糊向量B=W1*4.R4*4=(b1,b2,b3,b4)。通过最终评判结果A=max(b1,b2,b3,b4)所对应V值。该方法可以实现当前监控区域土壤环境质量等级评价。
2.4数据集成与分析
基于环境监测、病虫害治理、肥水一体化灌溉、专家远程指导、农农作物溯源、智能控制、大数据分析等具体需求,将多源、海量、高维的健康档案数据进行集成,对从园区所采集的农业信息数据进行标签化、结构化、构建索引最终存储,实现农产品信息标准化,以便于后续处理与分析。采用数据挖掘技术对数据进行深层次的分析与挖掘,为用户提供方便的分类预测,为用户提供有利的农业决策,提高农业数据的利用率。
本领域的技术人员可以明确,在不脱离本发明的总体精神以及构思的情形下,可以做出对于以上实施例的各种变型。其均落入本发明的保护范围之内。本发明的保护方案以本发明所附的权利要求书为准。
Claims (7)
1.应用于智慧农业的多传感器数据融合方法,其特征在于,包括下述步骤
(I)数据采集:
采集j个传感器的数据,同一时相各传感器形成传感器同时数据组,记为Xt0=(X1,X2...Xj);
(II)传感器数据级融合:
将任一传感器测量的k个不同时相的数据按照采集时间顺序依次分成两组,记为P1=(x1,x3,x5,x7...xk1),P2=(x2,x4,x6,x8...xk2),
算取P1、P2两组数据加权平均值E1、E2,
算取P1、P2两组数据的方差σ1 2,σ2 2,
按照式1进行方差组合更新
按照式2更新融合得数据E,数据E为经过分批加权平均后的传感器数值Ej
(III)应用分析,至少包括下述之一:
III-1.土壤水分差调整,根据式3获取土壤水分Ei,
Tmax为日最高温度,Tmin为日最低温度,R为太阳辐射量。
2.根据权利要求1所述的应用于智慧农业的多传感器数据融合方法,其特征在于,应用分析III步骤还包括:
III-2.土壤质量分析,感器获得融合后数值用Ej0=(E1,E2...Ej)表示,使用融合后的数据进行异类传感器数据融合,利用模糊综合评价进行:
确定评价因素集,U={U1,U2...Un},
对所监测区域的农作物生长环境质量,采用i级表示,包括i个状态,V={v1,v2...vi},根据土壤质量的物理指标,土壤质量的化学指标,建立评判因素集合U中每个因素对应V的具体标准。
3.根据权利要求2所述的应用于智慧农业的多传感器数据融合方法,其特征在于,
取土壤温度、土壤湿度、土壤PH值、土壤EC值,确定评价因素集,U={U1,U2...U4}={土壤温度、土壤湿度、土壤PH值、土壤EC值};
对所监测区域的农作物生长环境质量,采用4级表示,包括4个状态,V={v1,v2...v4}={优,良,中,差}。
4.根据权利要求3所述的应用于智慧农业的多传感器数据融合方法,其特征在于,
根据模糊数学理论对评判因素集合U中的每个评判因素ui,i∈[1,4],进行1次评判,确定评价对象对于各个评价因素等级的隶属度,实现评价因素U和评判等级V之间的模糊映射f:U→f(v)∈[0,1],则对于U中第i个元素的单因素评价隶属度的集合表示为Ri=(ri1,ri2,...ri4),则对于集合U中所有元素构成模糊评价矩阵,
确定因素权重值W=(w1,w2,w3,w4),用于表示U中每个因素的权重,采用专家打分利用频率统计法确定权重,
确定单因素评判矩阵R和因素权向量W,通过模糊变化将U上的模糊向量A变为V上的模糊向量B=W1*4.R4*4=(b1,b2,b3,b4),
通过最终评判结果A=max(b1,b2,b3,b4)所对应V值。
5.根据权利要求1所述的应用于智慧农业的多传感器数据融合方法,其特征在于,数据采集I步骤中,对任一采集的传感器数据进行阈值判断,传感器数据超出量程最大阈值或者低于最小阈值时,剔除异常值并用平均值代替,量程最大值、最小值为阈值最大阈值、最小阈值;在数据超出量程最大阈值或者低于最小阈值时,剔除异常值,计算过程中缺失值用平均值代替。
6.根据权利要求1所述的应用于智慧农业的多传感器数据融合方法,其特征在于,III-2中土壤水分差调整:
结合当前农作物生长阶段所需环境进行参数设置即按照不同作物的生长系数确定该作物的土壤水分饱和值Emax、土壤水分干旱值Emin、土壤水分最优值,断水点Ep和补水点Es,根据当前土壤水分测量值Ec与Ei按照公式4判断是否开启补水灌溉,从而实现水肥间断式灌溉,以达到降低灌水用量和成本的效果;
if[(Ec-Ei)<Es]=true:补水,if(Ec>Ep)=true:断水(式4)。
7.根据权利要求2所述的应用于智慧农业的多传感器数据融合方法,其特征在于,应用分析III还包括,
(III-1)多时相统计分析:
对于同一监控区域进行同时间不同传感器数据统计分析,根据传感器分布获得监控区域太阳辐射、温度、湿度、风速、CO2农田地块逐日气象数据,制作专题图可以清晰化阅读;通过同类传感器不同时间的空气温度、空气湿度、风速、CO2、太阳辐射、降雨量环境变化分析,为改善作物生长环境提供历史数据支持。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398253.5A CN114092776A (zh) | 2021-11-19 | 2021-11-19 | 应用于智慧农业的多传感器数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398253.5A CN114092776A (zh) | 2021-11-19 | 2021-11-19 | 应用于智慧农业的多传感器数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092776A true CN114092776A (zh) | 2022-02-25 |
Family
ID=80303676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111398253.5A Withdrawn CN114092776A (zh) | 2021-11-19 | 2021-11-19 | 应用于智慧农业的多传感器数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092776A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995560A (zh) * | 2022-06-17 | 2022-09-02 | 国网福建省电力有限公司 | 基于数据融合算法的gis防尘棚环境智能监控系统 |
CN116308293A (zh) * | 2023-03-27 | 2023-06-23 | 上海华维可控农业科技集团股份有限公司 | 一种基于数字化平台的农业设备智能管理系统及方法 |
-
2021
- 2021-11-19 CN CN202111398253.5A patent/CN114092776A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995560A (zh) * | 2022-06-17 | 2022-09-02 | 国网福建省电力有限公司 | 基于数据融合算法的gis防尘棚环境智能监控系统 |
CN114995560B (zh) * | 2022-06-17 | 2023-08-01 | 国网福建省电力有限公司 | 基于数据融合算法的gis防尘棚环境智能监控系统 |
CN116308293A (zh) * | 2023-03-27 | 2023-06-23 | 上海华维可控农业科技集团股份有限公司 | 一种基于数字化平台的农业设备智能管理系统及方法 |
CN116308293B (zh) * | 2023-03-27 | 2023-12-15 | 上海华维可控农业科技集团股份有限公司 | 一种基于数字化平台的农业设备智能管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112602563B (zh) | 一种节水灌溉系统及精准灌溉方法 | |
CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
CN105494033B (zh) | 一种基于作物需求的智能节水灌溉方法 | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
CN108781926A (zh) | 基于神经网络预测的大棚灌溉系统及方法 | |
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 | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
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 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
Pierre et al. | Smart Crops Irrigation System with Low Energy Consumption | |
CN110751322B (zh) | 一种基于大数据分析预测的荔枝控梢促花管理方法 | |
CN114386662A (zh) | 一种基于大数据的农业信息采集系统及采集方法 | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network | |
George Princess et al. | Smart energy conservation in irrigation management for greenhouse agriculture | |
Li | Research on precision planting management system based on agricultural big data | |
US20230270060A1 (en) | System and method for managing irrigation of a field plot for a growing season | |
CN116195495B (zh) | 一种基于物联网技术进行节水灌溉的方法和系统 | |
Tomar et al. | Implementation of Artificial Intelligence Technology for Better Irrigation System | |
Chen et al. | Review of research on irrigation decision control | |
Ge et al. | Research on ACPS Architecture of Precision Prataculture: A Case of Water Precision Regulation for Alfalfa | |
Ammouri et al. | Self-Organizing Maps Applied to Soil Conservation in Mediterranean Olive Groves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220225 |