CN114118634B - 一种土壤水分预测方法和装置 - Google Patents

一种土壤水分预测方法和装置 Download PDF

Info

Publication number
CN114118634B
CN114118634B CN202210093943.8A CN202210093943A CN114118634B CN 114118634 B CN114118634 B CN 114118634B CN 202210093943 A CN202210093943 A CN 202210093943A CN 114118634 B CN114118634 B CN 114118634B
Authority
CN
China
Prior art keywords
moisture
sample
soil
historical
data
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
Application number
CN202210093943.8A
Other languages
English (en)
Other versions
CN114118634A (zh
Inventor
何莉
石铁柱
唐乾坤
张德津
王敬哲
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210093943.8A priority Critical patent/CN114118634B/zh
Publication of CN114118634A publication Critical patent/CN114118634A/zh
Application granted granted Critical
Publication of CN114118634B publication Critical patent/CN114118634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Immunology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)

Abstract

本发明涉及农业技术领域，具体是涉及一种土壤水分预测方法和装置。获取土壤的历史水分(历史水分即过去的各个时序所对应的土壤水分），以及土壤所处地理的环境历史数据；依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分，实际预测水分即土壤在未来时刻所对应的水分。本发明在预测土壤未来时刻的水分时，不仅考虑了土壤过去的时序水分，还考虑了土壤所处的环境数据，以此提高了土壤水分预测的准确性。

Description

一种土壤水分预测方法和装置
技术领域
本发明涉及农业技术领域，具体是涉及一种土壤水分预测方法和装置。
背景技术
水分是地球上最重要的自然资源之一，是支持农作物生长的关键要素。精准监测农田土壤水分，对于田间水分管理、合理灌溉、把控农作物生长状态有重要意义。
现有技术多关注水分实时监测硬件设备的开发。例如，集成温湿度传感器和物联网技术，进行土壤水分数据的采集和实时传输。或基于多光谱和高光谱遥感影像，采用统计和数据挖掘算法，实现土壤水分的空间监测。这些技术和方法通常能对土壤水分进行现时监测，难以实现土壤水分的未来时序预测。而土壤水分预报对于进行灌溉统筹，合理安排水资源具有重要意义。
影响土壤水分的因素有很多，现有的土壤水分预测方法只考虑土壤水分信息而忽视了其它因素，从而降低了土壤水分预测的准确性。
综上所述，现有的土壤水分预测方法准确性较差。
因此，现有技术还有待改进和提高。
发明内容
为解决上述技术问题，本发明提供了一种土壤水分预测方法和装置，解决了现有的土壤水分预测方法准确性较差的问题。
为实现上述目的，本发明采用了以下技术方案：
第一方面，本发明提供一种土壤水分预测方法，其中，包括：
获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据；
依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分。
在一种实现方式中，土壤的历史水分、土壤所处地理的环境历史数据分别通过物联网传感器获取，获取土壤的历史水分、土壤所处地理的环境历史数据，之后包括：
统一所述历史水分所对应的时间尺度和所述环境历史数据所对应的时间尺度，得到统一时间尺度之后的所述历史水分和所述环境历史数据，统一时间尺度之后的所述历史水分和所述环境历史数据所对应的时间点为同一个时间点；
对统一时间尺度之后的所述历史水分和所述环境历史数据分别进行归一化处理，得到归一化之后的所述历史水分和归一化之后的所述环境历史数据。
在一种实现方式中，所述依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分，包括：
依据所述环境历史数据，得到所述环境历史数据中的气象历史数据和太阳历史辐照度；
依据所述历史水分、所述气象历史数据和所述太阳历史辐照度，得到土壤的实际预测水分。
在一种实现方式中，所述依据所述历史水分、所述气象历史数据和所述太阳历史辐照度，得到土壤的实际预测水分，包括：
获取第一样本水分、与所述第一样本水分所对应的气象样本数据和太阳样本辐照度；
将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到神经网络模型中，得到所述神经网络模型输出的样本预测水分；
获取与所述样本预测水分所对应的第二样本水分，所述第二样本水分所对应的时刻位于所述第一样本水分所对应的时刻之后；
依据所述样本预测水分和所述第二样本水分，训练所述神经网络模型，得到训练之后的所述神经网络模型；
所述历史水分、所述气象历史数据和所述太阳历史辐照度输入到训练之后的所述神经网络模型，得到土壤的实际预测水分。
在一种实现方式中，所述依据所述样本预测水分和所述第二样本水分，训练所述神经网络模型，得到训练之后的所述神经网络模型，包括：
获取所述第一样本水分所对应的时间节点，所述时间节点在所述第一样本水分所对应的时间中最接近所述第二样本水分所对应的时间；
获取所述神经网络模型所对应的输出时间步长，所述输出时间步长为所述样本预测水分所对应的时刻与所述时间节点之间的时间差；
调整所述输出时间步长，得到调整所述输出时间步长之后的所述神经网络模型；
将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入调整所述输出时间步长之后所述神经网络模型，得到调整所述输出时间步长之后的所述神经网络模型输出的预测水分，记为调整所述输出时间步长所对应的预测水分；
获取与所述输出时间步长所对应的第三样本水分；
依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型。
在一种实现方式中，所述依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型，之后还包括：
获取测试样本水分、气象测试样本数据、太阳测试样本辐照度、水分观测值；
将所述测试样本水分、所述气象测试样本数据、所述太阳测试样本辐照度输入到训练之后的所述神经网络模型，得到所述神经网络模型输出的水分预测值；
依据所述水分预测值和所述水分观测值，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型。
在一种实现方式中，所述依据所述水分预测值和所述水分观测值，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型，包括：
依据所述水分预测值和所述水分观测值，得到由所述水分预测值和所述水分观测值所构成的决定系数、平均绝对误差、均方根误差；
依据所述决定系数、所述平均绝对误差、所述均方根误差，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型。
第二方面，本发明实施例还提供一种土壤水分预测装置，其中，所述装置包括如下组成部分：
数据采集模块，用于获取土壤的历史水分、土壤所处地理的环境历史数据；
预测模块，用于依据所述历史水分和所述环境历史数据，得到土壤的实
际预测水分。
第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的土壤水分预测程序，所述处理器执行所述土壤水分预测程序时，实现上述所述的土壤水分预测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有土壤水分预测程序，所述土壤水分预测程序被处理器执行时，实现上述所述的土壤水分预测方法的步骤。
有益效果：不仅土壤的水分会影响土壤未来水分含量，土壤所处的环境也会影响土壤水分的流失，本发明综合考虑了环境信息和土壤过去的水分信息，去预测土壤未来的水分含量，通过本发明的预测方法，能够提高预测到的土壤水分含量的准确度，从而便于农业作业。
附图说明
图1为本发明的整体流程图；
图2为实施例中的循环神经网络结构图；
图3为实施例中的长短期记忆神经网络结构图；
图4为本发明实施例中的预测方法流程图；
图5为实施例中的土壤水分时序数据图；
图6为本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。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。
经研究发现，水分是地球上最重要的自然资源之一，是支持农作物生长的关键要素。精准监测农田土壤水分，对于田间水分管理、合理灌溉、把控农作物生长状态有重要意义。现有技术多关注水分实时监测硬件设备的开发。例如，集成温湿度传感器和物联网技术，进行土壤水分数据的采集和实时传输。或基于多光谱和高光谱遥感影像，采用统计和数据挖掘算法，实现土壤水分的空间监测。这些技术和方法通常能对土壤水分进行现时监测，难以实现土壤水分的未来时序预测。而土壤水分预报对于进行灌溉统筹，合理安排水资源具有重要意义。影响土壤水分的因素有很多，现有的土壤水分预测方法只考虑土壤水分信息而忽视了其它因素，从而导致降低了土壤水分预测的准确性。
为解决上述技术问题，本发明提供了一种土壤水分预测方法和装置，解决了现有的土壤水分预测方法准确性较差的问题。具体实施时，通过土壤的水分和土壤所处地理的环境数据，综合预测土壤水分，能够提高预测的准确性。
举例说明，比如需要预测A地未来八月份的土壤水分含量，就可以先去统计A地八月份之前的土壤水分含量以及环境数据。比如可以统计A地四五六七月份的土壤水分含量和环境数据，用四五六七月份的数据去预测A地八月份的土壤水分含量。
示例性方法
本实施例的一种土壤水分预测方法可应用于终端设备中，所述终端设备可为具有计算功能的终端产品，比如电脑等。在本实施例中，如图1中所示，所述土壤水分预测方法具体包括如下步骤：
S100，获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据。
本实施例是通过地面传感器基站实时采集土壤的水分和土壤的环境数据，并对采集的数据进行保存，形成了历史水分和环境历史数据。步骤S100通过物联网传感器获取水分和环境数据。
本实施例中的历史水分即历史时序水分，比如现在的时间是中午十二点，需要预测下午一点的土壤水分，就可以采集上午六点、七点、八点、九点、十点、十一点、十二点的土壤水分（七个数据构成了历史时序水分）以及环境数据，用这些数据就可以去预测下午一点的土壤水分。
本实施例是通过地面传感器基站获取时序的水分和环境数据的，地面传感器基站包括气象传感器、土壤水分传感器、太阳辐照度传感器。地面传感器基站将采集到的数据通过Lora物联网网关传输到地面节点站，节点站将信息通过5G传输回服务器，信息采集频率为每小时采集1次。
环境数据包括气象数据、太阳辐照度，其中气象数据又包括气压、气温、相对湿度、水汽压、1h 降水量、风速、地面温度、5-15cm地温（距离土壤表面5-15cm处的温度）。
气压、气温、相对湿度、水汽压、1h 降水量、风速、地面温度、5-15cm地温通过气象传感器采集；土壤水分通过土壤水分传感器采集；太阳历史辐照度通过太阳辐照度传感器采集。
步骤S100之后包括如下的步骤S101和S102：
S101，统一所述历史水分所对应的时间尺度和所述环境历史数据所对应的时间尺度，得到统一时间尺度之后的所述历史水分和所述环境历史数据，统一时间尺度之后的所述历史水分和所述环境历史数据所对应的时间点为同一个时间点。
由于采集到的数据是通过多个传感器的数据回传，不同传感器因为数据传输延迟等原因，会导致回传数据的时间标签存在一定时间的错位。因此，首先将数据按照时间标签进行时间尺度的统一，将不同传感器数据在一定时间误差内进行同步，保证不同数据在同一时间下获取。
举例说明：气象传感器采集到上午十点十五的气温数据S1（环境数据），然后经过一分钟传输到服务器进行保存，那么服务器在保存时会减去一分钟的传输时间，而依然将气温数据S1保存为上午十点十五所对应的数据而不是上午十点十六所对应的数据。土壤水分传感器采集到上午十点十五的土壤水分S2，然后经过半分钟传输到服务器进行保存，同样服务器在保存时会在接收到数据所对应的时间上减去半分钟，依然将数据S3保存为上午十点十五所对应的数据，从而使得数据S1和S2对应同一时间，以便于后续进行水分预测。
S102，对统一时间尺度之后的所述历史时序水分和所述环境历史数据分别进行归一化处理，得到归一化之后的所述历史水分和归一化之后的所述环境历史数据。
本实施例中采用如下公式进行归一化处理：
Figure 956211DEST_PATH_IMAGE001
式中，
Figure 224381DEST_PATH_IMAGE002
为归一化后的数值（气压、气温、相对湿度、水汽压、1h 降水量、风速、地面温度、5-15cm地温、土壤水分、太阳辐照度归一化的数值），
Figure 403559DEST_PATH_IMAGE003
为实际采集到的数据，
Figure 364561DEST_PATH_IMAGE004
为上述每种数据中的最小值，
Figure 340608DEST_PATH_IMAGE005
为上述每种数据中的最大值。
本实施例之所以要对采集的数据进行归一化处理，是为了消除不同数据之间的量纲差异，便于后续的计算。
本实施例用同一时间尺度下的气压、气温、相对湿度、水汽压、1h 降水量、风速、地面温度、5-15cm地温、土壤水分、太阳辐照度构建如表1所示的特征向量，即一个特征向量中所包含的气压、气温、相对湿度、水汽压、1h 降水量、风速、地面温度、5-15cm地温、土壤水分、太阳辐照度对应同一个时间。
表1
Figure 287835DEST_PATH_IMAGE006
S200，依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分。
由步骤S100可知，本实施例中的环境历史数据包括气象历史数据和太阳辐照度，步骤S200是通过气象数据和太阳辐照度以及土壤的水分去预测土壤的水分。步骤S200三大部分：对神经网络模型进行训练，对训练之后的神经网络模型进行测试，依据测试测试之后的神经网络模型预测土壤水分，下面分别介绍这三部分：
对神经网络模型进行训练包括如下的步骤201、202、203、204、205、206、207、208、209：
201，获取第一样本水分、与所述第一样本水分所对应的气象样本数据和太阳样本辐照度。
本实施例中的第一样本水分、气象样本数据、太阳样本辐照度对应同一个时间点。
202，将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到神经网络模型中，得到所述神经网络模型输出的样本预测水分。
203，获取与所述样本预测水分所对应的第二样本水分，所述第二样本水分所对应的时刻位于所述第一样本水分所对应的时刻之后。
举例说明，第一样本水分、气象样本数据、太阳样本辐照度对应第一时刻，将第一时刻的第一样本水分、气象样本数据、太阳样本辐照度输入到神经网络模型中，神经网络模型就会输出第二时刻的土壤水分（样本预测水分），将输出的第二时刻的土壤水分与采集到的第二时刻所对应的第二样本水分进行比较。
204，获取所述第一样本水分所对应的时间节点，所述时间节点在所述第一样本水分所对应的时间中最接近所述第二样本水分所对应的时间。
举例说明，第一样本水分包括上午七时的土壤水分、上午八时的土壤水分、上午十二时的土壤水分，第二样本水分为下午十四时的土壤水分。时间节点就是上午十二时。
205，获取所述神经网络模型所对应的输出时间步长，所述输出时间步长为所述样本预测水分所对应的时刻与所述时间节点之间的时间差。
本实施例中的输出时间步长可以是6h或12h或24h或48h。
206，调整所述输出时间步长，得到调整所述输出时间步长之后的所述神经网络模型。
207，将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到调整所述输出时间步长之后的所述神经网络模型中，得到调整所述输出时间步长之后的所述神经网络模型输出的预测水分，记为调整所述输出时间步长所对应的预测水分。
208，获取与所述输出时间步长所对应的第三样本水分。
举例说明，将上午七时的土壤水分以及上午七时所对应的气象数据、太阳辐照度输入到神经网络模型，模型就会输出下午十三时的土壤水分（对应的输出时间步长为6h），当将输出时间步长调整为12h时，模型就会输出下午十九时的土壤水分。
209，依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型。
本实施例之所以设置不同的输出时间步长，一方面可以比较不同的输出时间步长所对应的模型预测准确性，另一方面使用由第一样本水分、气象样本数据、太阳样本辐照度所构成的同一个样本向量可以得到不同的土壤水分预测值，这样能够增加数据量，从而方便对模型的训练。
本实施例训练模型迭代次数为500次，具体是采用如下的方式进行迭代训练的：
本实施例的神经网络模型为长短期记忆神经网络模型，长短期记忆神经网络模型的输入数据为9×256×256矩阵数据组的三维数据，其中，9个数据组是包括气象因素和土壤水分在内的9个输入数据，9个输入数据中，气温、气压、1小时降水量以及土壤水分是需要重点考虑的数据。每一次迭代从训练数据集中随机抽取256个样本数据，前256h至前1h的观测值。输出为256×4矩阵数据，对应256条数据的后6、12、24、48 h的土壤水分。为防止训练过程中的过拟合，在网络结构的全连接层加dropout层，防止模型过拟合。
本实施例之所以选择长短期记忆神经网络模型是因为长短期记忆神经网络模型具有如下优势：
长短期记忆神经网络的基础是循环神经网络。循环神经网络模拟人脑中神经细胞连接的环路，通过设计迭代函数来存储信息的一类神经网络。传统神经网络的输入和输出是相互独立的，但在一些情况中，输出不仅与当前输入有关联，还受之前输入的影响。比如土壤水分不仅受到当时的气象环境影响，也受到上一段时间内的气象环境影响。循环神经网络采用记忆单元，使得先前输入的信息保留在神经网络中。图2为循环神经网络结构图，图2中
Figure 665727DEST_PATH_IMAGE007
是时间t时的输入，U、V、W为权重矩阵。
Figure 797631DEST_PATH_IMAGE008
是时间t时的输出，由当前输入和之间所有的“记忆”共同计算得到。
Figure 260973DEST_PATH_IMAGE009
为时间t时的“记忆”，由于计算过程有信息丢失，
Figure 261159DEST_PATH_IMAGE009
只能存储很短时间内的“记忆”。
如图3所示的长短期记忆神经网络是在循环神经网络结构的基础上通过加入门限操作，去除或者增加信息到“记忆”中，使得神经网络有能力存储很长时间前的“记忆”。图3中，
Figure 493557DEST_PATH_IMAGE007
为t时刻输入向量，sigmoid为sigmoid函数，
Figure 61942DEST_PATH_IMAGE010
、
Figure 747001DEST_PATH_IMAGE011
、
Figure 301610DEST_PATH_IMAGE012
、
Figure 654094DEST_PATH_IMAGE013
为门控机制，
Figure 331063DEST_PATH_IMAGE009
为单元间激活向量，
Figure 565736DEST_PATH_IMAGE008
为存储信息的隐状态向量，tanh为激活函数。
首先进行“记忆”的取舍计算，得到忘记参数
Figure 986353DEST_PATH_IMAGE010
；其次，控制部分输入信息进入记忆，得到更新参数
Figure 193343DEST_PATH_IMAGE011
和新的候选信息
Figure 228164DEST_PATH_IMAGE012
；最后更新记忆并选择输出信息，依次得到t时刻的记忆
Figure 153395DEST_PATH_IMAGE009
、输出参数
Figure 112123DEST_PATH_IMAGE013
和t时刻的输出
Figure 970358DEST_PATH_IMAGE008
。
模型的训练需要提前设定参数，如神经网络隐藏层层数、每层的神经元节点数、激活函数、迭代次数、梯度优化方式等。在本技术方案中，模型激活函数选定为“linear”，梯度优化方式为“adam”。
通过步骤S201至步骤S209完成对模型的训练，对完成训练之后的模型进行测试，测试包括如下步骤S2010、S2011、S2012、S2013：
S2010，获取测试样本水分、气象测试样本数据、太阳测试样本辐照度、水分观测值。
S2011，将所述测试样本水分、所述气象测试样本数据、所述太阳测试样本辐照度输入到训练之后的所述神经网络模型，得到所述神经网络模型输出的水分预测值。
S2012，依据所述水分预测值和所述水分观测值，得到由所述水分预测值和所述水分观测值所构成的决定系数、平均绝对误差、均方根误差。
S2013，依据所述决定系数、所述平均绝对误差、所述均方根误差，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型。
本实施例中决定系数
Figure 254709DEST_PATH_IMAGE014
越接近1，表明模型预测的准确性越高；平均绝对误差MAE和均方根误差RMSE越小，表明模型预测的准确性越高。
Figure 401656DEST_PATH_IMAGE015
式中，
Figure 101759DEST_PATH_IMAGE016
为土壤水分的预测值(%)，
Figure 283342DEST_PATH_IMAGE017
为其观测值(%)，
Figure 207435DEST_PATH_IMAGE018
为土壤水分观测值的平均值(%)，n为样本数量。
本发明的步骤S100和步骤S200对应如图4所示的步骤，首先通过物联网传感器采集时序气象数据、太阳辐照度、时序土壤水分，然后对采集的数据进行处理。通过构建长短期记忆深度学习模型，通过采集的数据对长短期记忆深度学习模型进行训练（调整模型的参数），得到训练之后的模型，用训练之后的模型去预测土壤水分。即使是完成训练之后，开始用训练之后的模型去预测土壤水分，也会根据实时采集到的数据自适应调节土壤水分预测框架（长短期记忆深度学习模型）。
以图5上的数据说明本发明预测方法的准确性：
图5为野外设置的地面传感器获取的长时序实时数据（土壤水分时序数据），将采集到的数据上传到后台数据库，基于后台服务器进行数据处理。数据清洗，剔除异常数据。再经过数据预处理，构建长短期记忆深度学习模型，预测后续时间段的土壤水分数据。竖线左侧的为训练数据集，竖线右侧的为验证数据集（测试集）。迭代训练下，每一轮迭代训练的时间为410s，迭代15轮后，R2为最大值为0.982，此后增加迭代次数R2的值不再增加。不同时间步长下，长短期记忆神经网络模型的预测精度见表2。随着预测时间步长的增加，长短期记忆神经网络模型的预测精度逐渐降低。但相对于自回归整合滑动平均模型，长短期记忆神经网络模型对土壤水分的预测均取得了更好的精度。另外，相对于其他机器学习算法，比如自适应遗传神经网络算法、支持向量机、误差反向传播神经网络，本发明的模型精度R2分别提高了14%，18%，20%。
表2
Figure 903996DEST_PATH_IMAGE019
综上，不仅土壤的水分会影响土壤未来水分含量，土壤所处的环境也会影响土壤水分的流失，本发明综合考虑了环境信息和土壤过去的水分信息，去预测土壤未来的水分含量，通过本发明的预测方法，能够提高预测到的土壤水分含量的准确度，从而便于农业作业。
另外，本发明采用包括气象（气压、气温、相对湿度、水汽压、1小时降水量、风速、地面温度、5-15cm地温等）、太阳辐照度在内的数据，结合土壤湿度数据构建时序预测模型，以提高模型预测精度。本发明基于物联网水分传感器获取的时序监测数据，采用长短期记忆深度学习模型实现了土壤水分的时序预测。本发明结合物联网时序数据，采用长短期记忆深度学习模型实现土壤水分的时序预测，并提高了精度。
示例性装置
本实施例还提供一种土壤水分预测装置，所述装置包括如下组成部分：
数据采集模块，用于获取土壤的历史水分、土壤所处地理的环境历史数据；
预测模块，用于依据所述历史水分和所述环境历史数据，得到土壤的实
际预测水分。
基于上述实施例，本发明还提供了一种终端设备，其原理框图可以如图6所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种土壤水分预测方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该终端设备的温度传感器是预先在终端设备内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的土壤水分预测程序，处理器执行土壤水分预测程序时，实现如下操作指令：
获取土壤的时序水分、土壤所处地理的环境时序数据；
依据所述水分和所述环境数据，得到土壤的未来时刻的预测水分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上，本发明公开了一种土壤水分预测方法和装置，所述方法包括：获取土壤的水分、土壤所处地理的环境数据；依据所述水分和所述环境数据，得到土壤的实际预测水分。通过本发明的预测方法，能够提高预测到的土壤水分含量的准确度，从而便于农业作业。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种土壤水分预测方法，其特征在于，包括：
获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据，所述历史水分为历史时序水分；
土壤的历史水分、土壤所处地理的环境历史数据分别通过物联网传感器获取，具体的，是通过地面传感器基站获取时序的水分和环境数据的，地面传感器基站包括气象传感器、土壤水分传感器、太阳辐照度传感器；地面传感器基站将采集到的数据通过Lora物联网网关传输到地面节点站，节点站将信息通过5G传输回服务器；
所述获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据，之后包括：
统一所述历史水分所对应的时间尺度和所述环境历史数据所对应的时间尺度，得到统一时间尺度之后的所述历史水分和所述环境历史数据，统一时间尺度之后的所述历史水分和所述环境历史数据所对应的时间点为同一个时间点；
对统一时间尺度之后的所述历史水分和所述环境历史数据分别进行归一化处理，得到归一化之后的所述历史水分和归一化之后的所述环境历史数据；
依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分；
所述依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分，包括：
依据所述环境历史数据，得到所述环境历史数据中的气象历史数据和太阳历史辐照度；
获取第一样本水分、与所述第一样本水分所对应的气象样本数据和太阳样本辐照度；
将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到神经网络模型中，得到所述神经网络模型输出的样本预测水分；
获取与所述样本预测水分所对应的第二样本水分，所述第二样本水分所对应的时刻位于所述第一样本水分所对应的时刻之后；
获取所述第一样本水分所对应的时间节点，所述时间节点在所述第一样本水分所对应的时间中最接近所述第二样本水分所对应的时间；
获取所述神经网络模型所对应的输出时间步长，所述输出时间步长为所述样本预测水分所对应的时刻与所述时间节点之间的时间差；
调整所述输出时间步长，得到调整所述输出时间步长之后的所述神经网络模型；
将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到调整所述输出时间步长之后的所述神经网络模型，得到调整所述输出时间步长之后的所述神经网络模型输出的预测水分，记为调整所述输出时间步长所对应的预测水分；
获取与所述输出时间步长所对应的第三样本水分；
依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型；
将所述历史水分、所述气象历史数据和所述太阳历史辐照度输入到训练之后的所述神经网络模型，得到土壤的实际预测水分；
所述方法还包括：
完成训练之后，根据实时采集到的实现气象数据、太阳辐照度、时序土壤水分自适应调节长短期记忆深度学习模型；
所述依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型，之后还包括：
获取测试样本水分、气象测试样本数据、太阳测试样本辐照度、水分观测值；
将所述测试样本水分、所述气象测试样本数据、所述太阳测试样本辐照度输入到训练之后的所述神经网络模型，得到所述神经网络模型输出的水分预测值；
依据所述水分预测值和所述水分观测值，得到由所述水分预测值和所述水分观测值所构成的决定系数、平均绝对误差、均方根误差；
依据所述决定系数R2、所述平均绝对误差MAE、所述均方根误差RMSE，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型，
Figure FDF0000017918380000031
Figure FDF0000017918380000032
Figure FDF0000017918380000033
式中，
Figure FDF0000017918380000034
为土壤水分的预测值(％)，yi为其观测值(％)，
Figure FDF0000017918380000035
为土壤水分观测值的平均值(％)，n为样本数量；
所述方法还包括：模型的训练提前设定参数，设定参数包括神经网络隐藏层层数、每层的神经元节点数、激活函数、梯度优化方式，激活函数为linear，梯度优化方式为adam。
2.一种土壤水分预测装置，其特征在于，所述装置包括如下组成部分：
数据采集模块，用于获取土壤的历史水分、土壤所处地理的环境历史数据，所述历史水分为历史时序水分；
土壤的历史水分、土壤所处地理的环境历史数据分别通过物联网传感器获取，具体的，是通过地面传感器基站获取时序的水分和环境数据的，地面传感器基站包括气象传感器、土壤水分传感器、太阳辐照度传感器；地面传感器基站将采集到的数据通过Lora物联网网关传输到地面节点站，节点站将信息通过5G传输回服务器；
获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据，之后包括：
统一所述历史水分所对应的时间尺度和所述环境历史数据所对应的时间尺度，得到统一时间尺度之后的所述历史水分和所述环境历史数据，统一时间尺度之后的所述历史水分和所述环境历史数据所对应的时间点为同一个时间点；
对统一时间尺度之后的所述历史水分和所述环境历史数据分别进行归一化处理，得到归一化之后的所述历史水分和归一化之后的所述环境历史数据；
预测模块，用于依据所述历史水分和所述环境历史数据，得到土壤的实
际预测水分；
所述依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分，包括：
依据所述环境历史数据，得到所述环境历史数据中的气象历史数据和太阳历史辐照度；
获取第一样本水分、与所述第一样本水分所对应的气象样本数据和太阳样本辐照度；
将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到神经网络模型中，得到所述神经网络模型输出的样本预测水分；
获取与所述样本预测水分所对应的第二样本水分，所述第二样本水分所对应的时刻位于所述第一样本水分所对应的时刻之后；
获取所述第一样本水分所对应的时间节点，所述时间节点在所述第一样本水分所对应的时间中最接近所述第二样本水分所对应的时间；
获取所述神经网络模型所对应的输出时间步长，所述输出时间步长为所述样本预测水分所对应的时刻与所述时间节点之间的时间差；
调整所述输出时间步长，得到调整所述输出时间步长之后的所述神经网络模型；
将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到调整所述输出时间步长之后的所述神经网络模型，得到调整所述输出时间步长之后的所述神经网络模型输出的预测水分，记为调整所述输出时间步长所对应的预测水分；
获取与所述输出时间步长所对应的第三样本水分；
依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型；
将所述历史水分、所述气象历史数据和所述太阳历史辐照度输入到训练之后的所述神经网络模型，得到土壤的实际预测水分；
所述装置 还包括：
完成训练之后，根据实时采集到的实现气象数据、太阳辐照度、时序土壤水分自适应调节长短期记忆深度学习模型；
所述依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型，之后还包括：
获取测试样本水分、气象测试样本数据、太阳测试样本辐照度、水分观测值；
将所述测试样本水分、所述气象测试样本数据、所述太阳测试样本辐照度输入到训练之后的所述神经网络模型，得到所述神经网络模型输出的水分预测值；
依据所述水分预测值和所述水分观测值，得到由所述水分预测值和所述水分观测值所构成的决定系数、平均绝对误差、均方根误差；
依据所述决定系数R2、所述平均绝对误差MAE、所述均方根误差RMSE，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型，
Figure FDF0000017918380000051
Figure FDF0000017918380000052
Figure FDF0000017918380000053
式中，
Figure FDF0000017918380000054
为土壤水分的预测值(％)，yi为其观测值(％)，
Figure FDF0000017918380000055
为土壤水分观测值的平均值(％)，n为样本数量；
所述装置 还包括：模型的训练提前设定参数，设定参数包括神经网络隐藏层层数、每层的神经元节点数、激活函数、梯度优化方式，激活函数为linear，梯度优化方式为adam。
3.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的土壤水分预测程序，所述处理器执行所述土壤水分预测程序时，实现如权利要求1所述的土壤水分预测方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有土壤水分预测程序，所述土壤水分预测程序被处理器执行时，实现如权利要求1所述的土壤水分预测方法的步骤。
CN202210093943.8A 2022-01-26 2022-01-26 一种土壤水分预测方法和装置 Active CN114118634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210093943.8A CN114118634B (zh) 2022-01-26 2022-01-26 一种土壤水分预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210093943.8A CN114118634B (zh) 2022-01-26 2022-01-26 一种土壤水分预测方法和装置

Publications (2)

Publication Number Publication Date
CN114118634A CN114118634A (zh) 2022-03-01
CN114118634B true CN114118634B (zh) 2022-08-30

Family

ID=80361593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210093943.8A Active CN114118634B (zh) 2022-01-26 2022-01-26 一种土壤水分预测方法和装置

Country Status (1)

Country Link
CN (1) CN114118634B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023168519A1 (en) * 2022-03-07 2023-09-14 Roshan Water Solutions Incorporated Cloud-based apparatus, system, and method for sample-testing
CN116484287B (zh) * 2023-06-21 2023-09-01 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) 基于误差修正的土壤水分预测方法、系统、终端及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191193A (zh) * 2020-01-17 2020-05-22 南京工业大学 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016183182A1 (en) * 2015-05-14 2016-11-17 Board Of Trustees Of Michigan State University Methods and systems for crop land evaluation and crop growth management
CN111163629B (zh) * 2017-08-14 2022-08-19 鲁比康研究有限公司 用于水分配和土壤水分确定的方法和系统
CN111561972A (zh) * 2020-06-18 2020-08-21 华南农业大学 一种基于时间序列的土壤含水量预测系统及方法
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191193A (zh) * 2020-01-17 2020-05-22 南京工业大学 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

Also Published As

Publication number Publication date
CN114118634A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN114118634B (zh) 一种土壤水分预测方法和装置
Sudheer et al. Estimating actual evapotranspiration from limited climatic data using neural computing technique
Landeras et al. New alternatives for reference evapotranspiration estimation in West Africa using limited weather data and ancillary data supply strategies.
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
Ghorbani et al. Relative importance of parameters affecting wind speed prediction using artificial neural networks
WO2019118460A1 (en) Irrigation system control with predictive water balance capabilities
Aghajanloo et al. Artificial neural network–genetic algorithm for estimation of crop evapotranspiration in a semi-arid region of Iran
CN111815027A (zh) 一种光伏场站发电功率预测方法及系统
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN110456026B (zh) 一种土壤墒情监测方法及装置
Delussu et al. Experiments and comparison of digital twinning of photovoltaic panels by machine learning models and a cyber-physical model in modelica
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
CN114065653A (zh) 电力负荷预测模型的构建方法与电力负荷预测方法
WO2022076855A1 (en) Anonymous training of a learning model
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN112884238A (zh) 光伏发电功率预测方法及装置
CN115982534A (zh) 一种江河水文监测数据的处理方法
CN113591957B (zh) 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN110046756B (zh) 基于小波去噪与Catboost的短时天气预报方法
CN112560633A (zh) 基于深度学习的植物关键物候期时间点预测方法及系统
CN109447843B (zh) 一种光伏出力预测方法及装置
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
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
CN116484904A (zh) 一种基于人工智能深度学习的监管数据处理实现方法
CN115409291A (zh) 一种风速修正的风电功率预测方法及系统

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