CN114868640A - 基于物联网的智慧城市绿地灌溉用水分配方法和系统 - Google Patents

基于物联网的智慧城市绿地灌溉用水分配方法和系统 Download PDF

Info

Publication number
CN114868640A
CN114868640A CN202210813721.9A CN202210813721A CN114868640A CN 114868640 A CN114868640 A CN 114868640A CN 202210813721 A CN202210813721 A CN 202210813721A CN 114868640 A CN114868640 A CN 114868640A
Authority
CN
China
Prior art keywords
irrigation
historical
time period
information
growth
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
CN202210813721.9A
Other languages
English (en)
Other versions
CN114868640B (zh
Inventor
邵泽华
权亚强
周莙焱
刘彬
梁永增
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.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT Technology Co Ltd
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 Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202210813721.9A priority Critical patent/CN114868640B/zh
Priority to CN202211301784.2A priority patent/CN115623974A/zh
Publication of CN114868640A publication Critical patent/CN114868640A/zh
Priority to US17/818,981 priority patent/US11693380B1/en
Application granted granted Critical
Publication of CN114868640B publication Critical patent/CN114868640B/zh
Priority to US18/194,650 priority patent/US11966208B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/05—Agriculture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2625—Sprinkler, irrigation, watering
    • 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)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Agronomy & Crop Science (AREA)
  • Business, Economics & Management (AREA)
  • Environmental Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本说明书实施例提供一种基于物联网的智慧城市绿地灌溉用水分配方法和系统。前述方法由城市管理平台执行，该方法包括：从城市监控对象平台获取目标区域内的多块绿地在历史时间段的历史监控信息；基于多块绿地的历史监控信息，确定多块绿地在历史时间段内的历史生长信息；基于历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数；基于目标灌溉参数，生成对各块绿地进行灌溉的灌溉控制指令；通过传感网络平台将灌溉控制指令发送至灌溉对象平台，灌溉对象平台用于响应于灌溉控制指令对各块绿地进行灌溉。

Description

基于物联网的智慧城市绿地灌溉用水分配方法和系统
技术领域
本说明书涉及灌溉用水分配领域，特别涉及基于物联网的智慧城市绿地灌溉用水分配方法和系统。
背景技术
在城市建设中，绿地是改善城市生态和保护城市环境中不可或缺的一部分。科学养护绿地是保证绿地正常生长关键。然而，在养护绿地过程中常常出现大量灌溉用水被浪费的情况。
因此，需要一种基于物联网的智慧城市绿地灌溉用水分配方法和系统，对灌溉用水进行科学分配。从而能够保证绿地达到最佳生长状态的同时，节约灌溉水资源。
发明内容
本说明书一个或多个实施例提供一种基于物联网的智慧城市绿地灌溉用水分配方法。所述方法包括：通过传感网络平台从城市监控对象平台获取目标区域内的多块绿地在历史时间段的历史监控信息；基于多块绿地的历史监控信息，确定多块绿地在历史时间段内的历史生长信息；基于历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数；基于目标灌溉参数，生成对各块绿地进行灌溉的灌溉控制指令；通过传感网络平台将灌溉控制指令发送至灌溉对象平台，灌溉对象平台用于响应于灌溉控制指令对各块绿地进行灌溉。
本说明书一个或多个实施例提供一种基于物联网的智慧城市绿地灌溉用水分配系统。所述系统包括用户平台、服务平台、城市管理平台、传感网络平台、城市监控对象平台以及灌溉对象平台，所述城市管理平台被配置为执行以下操作：通过传感网络平台从城市监控对象平台获取目标区域内的多块绿地在历史时间段的历史监控信息；基于多块绿地的历史监控信息，确定多块绿地在历史时间段内的历史生长信息；基于历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数；基于目标灌溉参数，生成对各块绿地进行灌溉的灌溉控制指令；通过传感网络平台将灌溉控制指令发送至灌溉对象平台，灌溉对象平台用于响应于灌溉控制指令对各块绿地进行灌溉。
本说明书一个或多个实施例提供一种基于物联网的智慧城市绿地灌溉用水分配装置，所述装置包括至少一个处理器以及至少一个存储器所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以如上述实施例中任一项所述的基于物联网的智慧城市绿地灌溉用水分配方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行如上述实施例中任一项所述的基于物联网的智慧城市绿地灌溉用水分配方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于物联网的智慧城市绿地灌溉用水分配系统的应用场景示意图；
图2是根据本说明书一些实施例所示的基于物联网的智慧城市绿地灌溉用水分配系统的示意图；
图3是根据本说明书一些实施例所示的基于物联网的智慧城市绿地灌溉用水分配方法的示例性流程图；
图4是根据本说明书一些实施例所示的图像识别模型的示意图；
图5是根据本说明书一些实施例所示的确定目标灌溉参数的示例性流程图；
图6是根据本说明书一些实施例所示的生长状况预测模型的示意图；
图7是根据本说明书一些实施例所示的确定目标灌溉参数的示例性流程图；
图8是根据本说明书一些实施例所示的又一确定目标灌溉参数的示例性流程图；
图9是根据本说明书一些实施例所示的又一确定目标灌溉参数的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例。对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素。而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于物联网的智慧城市绿地灌溉用水分配系统的应用场景示意图。
在一些实施例中，基于物联网的智慧城市绿地灌溉用水分配系统的应用场景100可以包括处理设备110、网络120、存储设备130、终端140以及目标区域150。在一些实施例中，应用场景100中的组件可以经由网络120（例如无线连接、有线连接或其组合），以实现彼此连接和/或通信。例如，处理设备110可以通过网络120连接到存储设备130。
目标区域150是指需要进行灌溉用水分配的区域。目标区域150可以包括多块绿地。例如，绿地150-1、绿地150-2。绿地是指城市专门用以改善生态，保护环境，为居民提供游憩场地和美化景观的绿化用地。在一些实施例中，可以通过安装在绿地150-1和绿地150-2上的数据采集装置（如，图像采集装置、水量监控装置等），获取基于物联网的智慧城市绿地灌溉用水分配所需要的数据。例如，历史监控信息、历史灌溉参数等。
在一些实施例中，处理设备110可以直接连接存储设备130、终端140通过网络120交换信息和/或数据以访问信息和/或数据。例如，处理设备110可以通过网络120获取绿地的历史监控信息。处理设备110可以通过网络120获取存储设备130存储的历史监控信息、历史灌溉参数和历史环境信息等。处理设备110可以通过网络120获取存储设备130存储的历史监控信息、历史灌溉参数和历史环境信息等。处理设备110可以通过网络120发送灌溉控制指令到终端140。在一些实施例中，处理设备110可以处理与应用场景100有关的信息和/或数据，以执行本说明书中描述的一个或以上功能。例如，处理设备110可以基于绿地的历史监控信息，确定多块绿地在历史时间段内的历史生长信息。
应当注意的是，应用场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，基于物联网的智慧城市绿地灌溉用水分配系统的应用场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的基于物联网的智慧城市绿地灌溉用水分配系统的示意图。
基于物联网的智慧城市绿地灌溉用水分配系统200可以基于物联网系统实现。
物联网系统是一种包括但不限于用户平台、服务平台、管理平台、传感网络平台、城市监控对象平台以及对象平台等平台中部分或全部平台的信息处理系统。用户平台是指以用户为主导的平台，可以获取用户的需求以及将信息反馈给用户的平台。服务平台指可以为用户提供输入和输出服务的平台。管理平台可以实现统筹、协调各功能平台（如传感网络平台、对象平台）之间的联系和协作。管理平台汇聚着物联网运行体系的信息，可以为物联网运行体系提供感知管理和控制管理功能。传感网络平台可以实现连接管理平台和对象平台，起着感知信息传感通信和控制信息传感通信的功能。对象平台是对感知信息生成和控制信息进行执行的功能平台。
物联网系统中信息的处理可以分为感知信息的处理流程及控制信息的处理流程，控制信息可以是基于感知信息而生成的信息。其中，感知信息的处理是由对象平台获取感知信息，并通过传感网络平台传递至管理平台。控制信息则是由管理平台通过传感网络平台下发至对象平台，进而实现对相应对象的控制。
如图2所示，基于物联网的智慧城市绿地灌溉用水分配系统200可以包括用户平台210、服务平台220、城市管理平台230、传感网络平台240、城市监控对象平台250和灌溉对象平台260。
用户平台210可以被配置为与用户交互的终端设备。用户平台210可用于接收用户输入的信息，根据信息生成指令并发送至服务平台220，以及向用户展示服务平台220发送的信息。用户可以指基于物联网的智慧城市绿地灌溉用水分配系统的管理者或使用者。
服务平台220可以被配置为第一服务器。服务平台220可用于接收用户平台发送的指令并处理后发送至城市管理平台230，以及从城市管理平台230获取用户所需的信息并发送至用户平台210。
城市管理平台230可以被配置为第二服务器和存储器。城市管理平台230可用于接收服务平台220发送的指令并根据指令控制灌溉对象平台260运行，可以接收和存储城市监控对象平台250发送的信息，还可以存储城市绿地信息。其中，城市绿地信息可以包括城市中每块绿地的位置信息、面积信息、绿地中植被的种类信息和数量信息等。
传感网络平台240可以被配置为城市管理平台230与城市监控对象平台250和灌溉对象平台260交互的通信网络和网关。例如，城市管理平台230可以通过传感网络平台240从城市监控对象平台250获取目标区域内的多块绿地在历史时间段的历史监控信息。城市管理平台230还可以通过所述传感网络平台240将所述灌溉控制指令发送至灌溉对象平台260。
城市监控对象平台250可以配置有多种数据采集装置。数据采集装置可以包括但不限于摄像设备、温度传感器、光照传感器、风力传感器和降雨量统计装置等。城市监控对象平台250可采集的信息包括但不限于图像信息、温度信息、降水信息、风力信息、光照信息等。并可以将采集的信息传输至城市管理平台230。
灌溉对象平台260可以被配置为执行灌溉作业的智能灌溉设备。灌溉对象平台260可以接收城市管理平台230的控制指令并根据指令内容执行灌溉作业，并可以通过传感网络平台240向城市管理平台230发送灌溉作业相关信息。具体地，灌溉作业相关信息可以包括灌溉时间、灌溉水量等信息。
应当理解的是，上述各平台仅仅是本说明书中主要涉及到的相关平台的简单举例，并不代表本申请所有相关内容的展示，还存在一些平台及单元未在本示意图中进行展示。且以上平台及单元并非完全独立存在，还可能是存在相互交叉涉及。
应当理解，图2所示的系统及其平台可以利用各种方式来实现。例如，在一些实施例中，系统及其平台可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其平台不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于候选项显示、确定系统及其平台的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个平台进行任意组合，或者构成子系统与其他平台连接。在一些实施例中，图2中披露的用户平台、服务平台、城市管理平台、传感网络平台、城市监控对象平台和对象平台可以是一个系统中的不同平台，也可以是一个平台实现上述的两个或两个以上平台的功能。例如，各个平台可以共用一个存储模块，各个平台也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的基于物联网的智慧城市绿地灌溉用水分配方法的示例性流程图。如图3所示，流程300可以包括下述步骤：
步骤310，城市管理平台通过传感网络平台从城市监控对象平台获取目标区域内的多块绿地在历史时间段的历史监控信息。
目标区域可以指基于物联网的智慧城市绿地灌溉用水分配系统覆盖到的一定区域范围。例如，目标区域可以是整个城市。又例如，目标区域可以是城市内的一个行政区或片区等。
历史时间段可以指对绿地进行灌溉的时间点前的一段时间。历史时间段的时间长度可以预设。历史时间段中可以包括多个时间点，多个时间点间的时间间隔可以预先设定。
历史监控信息可以是历史时间段内多个时间点的绿地的监控信息。历史监控信息可以包括绿地在历史时间段内的图像信息、视频信息等。历史监控信息可以包括其他信息，例如绿地在历史时间段内的植被的种类信息、数量信息等。在一些实施例中，历史监控信息可以为基于时间构成的序列，该序列可以包括历史时间段内多个时间点的监控信息。历史监控信息可以通过多种方式获取。例如，历史时间段内的图像信息、视频信息等可以通过城市监控对象平台所配置的摄像设备对目标区域内的多块绿地进行拍摄获取；植被的种类信息、数量信息等可以从城市管理平台的存储器中获取。
步骤320，城市管理平台基于多块绿地的历史监控信息，确定多块绿地在历史时间段内的历史生长信息。
历史生长信息可以指绿地中的植被在历史时间段内的生长的信息。历史生长信息可以通过历史生长分值表征。历史生长分值可以为预设范围内的分值，分值越高，表示该绿地的生长状况越好。例如，历史生长分值可以为0~100的分值。在一些实施例中，历史生长信息可以为基于时间构成的序列，该序列可以包括历史时间段内多个时间点的环境信息。当历史生长信息通过历史生长分值表征时，历史生长信息可以为历史时间段内多个时间点的历史生长分值的序列。
在一些实施例中，可以对多块绿地的历史监控信息进行分析，确定多块绿地在历史时间段内的历史生长信息。
在一些实施例中，城市管理平台可以基于图像识别模型对历史监控信息进行处理，确定多块绿地在历史时间段内的历史生长分值。图像识别模型的相关描述见图4及其对应说明，此处不再赘述。
步骤330，城市管理平台基于历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数。
第一时间段可以指未来的一段固定长度的时间。第一时间段的长度可以预设。例如，第一时间段可以是未来一周。
目标灌溉参数可以指对各块绿地进行灌溉作业时的作业参数。目标灌溉参数可以包括灌溉水量、灌溉方式、灌溉时间中的一种或多种等。灌溉方式包括但不限于滴灌、喷灌等。
在一些实施例中，可以进行建模或采用各种数据分析算法，例如回归分析法、判别分析法等，对历史生长信息进行分析处理，得到各块绿地在未来的第一时间段的目标灌溉参数。
在一些实施例中，针对每一绿地，城市管理平台可以通过灌溉对象平台获取该绿地在历史时间段的历史灌溉参数以及通过城市监控对象平台获取该绿地在历史时间段的历史环境信息；基于历史生长信息、历史灌溉参数以及历史环境信息，通过生长状况预测模型确定该绿地在第一时间段内的第一生长信息；基于各块绿地对应的第一生长信息，确定各块绿地在第一时间段的目标灌溉参数。关于上述实施例的更多内容参见图5及其对应说明。
步骤340，城市管理平台基于目标灌溉参数，生成对各块绿地进行灌溉的灌溉控制指令。
灌溉控制指令可以指控制灌溉设备对绿地进行灌溉作业的指令。城市管理平台可以基于各块绿地的目标灌溉参数，生成对应的灌溉控制指令。
步骤350，城市管理平台通过传感网络平台将灌溉控制指令发送至灌溉对象平台，灌溉对象平台用于响应于灌溉控制指令对各块绿地进行灌溉。
图4是根据本说明书一些实施例所示的图像识别模型的示意图。
在一些实施例中，图像识别模型可以对某一绿地的历史监控信息进行处理，确定该绿地在历史时间段的历史生长信息。如图4所示，图像识别模型420可以包括依次连接的第一特征提取层420-1和评分确定层420-2。图像识别模型420的输入可以包括某一绿地在历史时间段的历史监控信息410，输出可以包括该绿地在历史时间段的历史生长分值430。
在一些实施例中，第一特征提取层可以对某一绿地在历史时间段的历史监控信息进行处理，确定该绿地在历史时间段的历史图像特征向量。当历史监控信息为图像信息时，可以对图像信息中的特征（例如，植被的颜色、高度等）进行提取，确定该绿地在历史时间段的历史图像特征向量。历史图像特征向量的每一维可以对应一种图像特征。第一特征提取层可以为卷积神经网络模型。如图4所示，第一特征提取层420-1的输入可以是某一绿地在历史时间段的历史监控信息410，输出可以是该绿地的历史图像特征向量421。
在一些实施例中，评分确定层可以对某一绿地在历史时间段的历史图像特征向量进行处理，确定该绿地在历史时间段的历史生长分值。评分确定层可以为深度神经网络模型。如图4所示，评分确定层420-2的输入可以是某一绿地的历史图像特征向量421，输出可以是该绿地在历史时间段的历史生长分值430。
在一些实施例中，图像识别模型可以通过对第一特征提取层和评分确定层进行联合训练确定。训练样本可以包括训练样本可以包括样本绿地的在样本时间段的样本监控信息，训练样本的标签可以是该样本时间段的生长信息。标签可以通过对样本绿地在该样本时间段内的样本监控信息人工标注获取。应当理解的是，样本绿地与待预测的绿地的植被种类应该相同或为同一大类，如，样本绿地与待预测绿地的植被种类均为黑麦草。将多个训练样本输入初始第一特征提取层，将初始第一特征提取层的输出输入至初始评分确定层。基于初始评分确定层的输出和标签构建损失函数。并基于损失函数迭代更新初始第一特征提取层以及初始评分确定层的参数，直至满足预设条件时，训练结束。第一特征提取层和评分确定层中的参数可以确定，获取训练好的图像识别模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值等。
本说明书的一些实施例可以通过图像识别模型来确定各块绿地在历史时间段的历史生长信息，降低了人工判断的成本，提升处理效率。本说明书的又一些实施例中可以通过图像识别模型的多层结构分别对不同的数据进行处理，进一步提高了图像识别模型计算结果的准确度。
图5是根据本说明书一些实施例所示的确定目标灌溉参数的示例性流程图。如图5所示，流程500可以包括下述步骤：
步骤510，针对每一绿地，城市管理平台通过灌溉对象平台获取该绿地在历史时间段的历史灌溉参数以及通过城市监控对象平台获取该绿地在历史时间段的历史环境信息。
历史灌溉参数是指绿地在历史时间段的灌溉参数。仅作为示例地，历史灌溉参数可以为上一个月某一绿地进行灌溉的灌溉参数。该历史灌溉参数包括：灌溉频率为3天/次，平均每次灌溉水量为9-10吨/亩。在一些实施例中，历史灌溉参数可以为基于时间构成的序列，该序列可以包括历史时间段内多个时间点的灌溉参数。
历史灌溉参数可以通过灌溉对象平台获取。例如，城市管理平台可以从灌溉对象平台的历史数据中获取历史灌溉参数。
历史环境信息是指绿地在历史时间段的环境信息。例如，历史环境信息可以包括绿地所在区域的历史时间段的降雨量、气温、湿度、光照强度、风力等。在一些实施例中，历史环境信息可以为基于时间构成的序列，该序列可以包括历史时间段内多个时间点的环境信息。
历史环境信息可以通过城市监控对象平台获取。例如，城市监控对象平台可以根据城市管理平台的需求从历史数据中获取历史环境信息。
步骤520，城市管理平台基于历史生长信息、历史灌溉参数以及历史环境信息，通过生长状况预测模型确定该绿地在第一时间段内的第一生长信息。
第一生长信息可以指绿地在未来的第一时间段的生长信息。与历史生长信息类似地，第一生长信息可以用第一生长分值表征。仅作为示例地，第一生长分值也可以为范围在0~100中的某一分值。
在一些实施例中，生长状况预测模型可以对某一绿地在某一时间段内的生长信息、灌溉参数以及环境信息进行处理，确定该时间段对应的下一时间段内的第一生长信息。
生长状况预测模型可以用于确定绿地在第一时间段内的第一生长信息。生长预测模型可以包括但不限于卷积神经网络、深度神经网络等一种或多种的组合。
针对每一绿地，生长状况预测模型可以对历史生长信息、历史灌溉参数以及历史环境信息进行处理，确定该绿地在第一时间段内的第一生长信息。生长状况预测模型可以包括但不限于卷积神经网络模型、深度神经网络模型等一种或多种的组合。生长状况预测模型的输入可以包括某一绿地的历史生长信息、历史灌溉参数以及历史环境信息。其中，历史生长信息、历史灌溉参数以及历史环境信息均可以为基于时间所构成的序列。生长状况预测模型的输出可以包括该绿地在第一时间段内的第一生长信息。
在一些实施例中，生长状况预测模型可以通过训练得到。可以基于多组带有标签的训练样本对初始生长状况预测模型进行训练。训练样本可以包括样本绿地的在第一样本时间段的样本生长信息、样本灌溉参数以及样本环境信息。标签可以是该样本绿地在第二样本时间段的生长信息，其中，第一样本时间段早于第二样本时间段。标签可以通过对样本绿地在第二样本时间段内的样本监控信息人工标注获取，也可以通过前述图像识别模型对样本监控信息进行处理获取。应当理解的是，样本绿地与待预测绿地的植被种类应该相同或为同一大类。将多个训练样本输入初始生长状况预测模型。基于初始生长状况预测模型的输出和标签构建损失函数，并基于损失函数迭代更新初始生长状况预测模型的参数。当训练的模型满足预设条件时，训练结束，获取训练好的生长状况预测模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值等。
在一些实施例中，生长状况预测模型还可以为自定义模型。如图6所示，生长状况预测模型650可以包括第二特征提取层650-1、第三特征提取层650-2、第四特征提取层650-3以及生长预测层650-4。
在一些实施例中，第二特征提取层可以对历史生长信息进行处理，确定该绿地在历史时间段的生长序列特征。第二特征提取层可以是深度神经网络模型。如图6所示，第二特征提取层650-1的输入可以为历史生长信息610，第二特征提取层650-1的输出可以为生长序列特征651。其中，生长序列特征可以指对历史生长信息进行特征提取后获得的序列特征。
在一些实施例中，第三特征提取层可以对历史灌溉参数进行处理，确定该绿地在历史时间段的灌溉序列特征。第三特征提取层可以是深度神经网络模型。如图6所示，第三特征提取层650-2的输入可以为历史灌溉参数620，第三特征提取层650-2的输出可以为灌溉序列特征652。其中，灌溉序列特征可以指对历史灌溉参数进行特征提取后获得的序列特征。
在一些实施例中，第四特征提取层可以对历史环境信息进行处理，确定该绿地在历史时间段的环境序列特征。第四特征提取层可以是深度神经网络模型。如图6所示，第四特征提取层650-3的输入可以为历史环境信息630，第四特征提取层650-3的输出可以为环境序列特征653。其中，环境序列特征可以指对历史环境信息进行特征提取后获得的序列特征。
在一些实施例中，生长预测层可以对生长序列特征、灌溉序列特、环境序列特征进行处理，确定绿地在第一时间段内的第一生长信息。生长预测层可以是长短期记忆网络模型。如图6所示，生长预测层650-4的输入可以包括生长序列特征651、灌溉序列特征652和环境序列特征653，生长预测层650-4的输出可以包括绿地在第一时间段内的第一生长信息660。
在一些实施例中，第二特征提取层、第三特征提取层、第四特征提取层以及生长预测层可以通过联合训练得到。训练样本包括样本绿地的在第三样本时间段的样本生长信息、样本灌溉参数以及样本环境信息。标签可以为该样本绿地的在第四样本时间段的生长信息，第三样本时间段早于第四样本时间段。其中，标签可以通过对样本绿地在第四样本时间段内的样本监控信息人工标注获取，也可以通过前述图像识别模型对样本监控信息进行处理获取。应当理解的是，样本绿地与待预测绿地的植被种类应该相同或为同一大类，如，样本绿地与待预测绿地的植被种类均为黑麦草。将训练样本中的样本生长信息输入初始第二特征提取层，将训练样本中的样本灌溉参数输入初始第三特征提取层，将训练样本中的样本环境信息输入初始第四特征提取层。然后将初始第二特征提取层、初始第三特征提取层、初始第四特征提取层的输出输入至初始生长预测层中，并基于初始生长预测层的输出和标签构建损失函数。基于损失函数迭代更新初始生长状况预测模型中各层的参数，直至满足预设条件，得到训练好的生长状况预测模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值。
如图6所示，生长状况预测模型650还可以包括第一特征提取层650-5。
在一些实施例中，第一特征提取层可以对历史监控信息进行处理，确定多块绿地的历史图像特征向量。如图6所示，第一特征提取层650-5的输入可以是历史监控信息640，第一特征提取层650-5的输出可以是历史图像特征向量654。
生长预测层650-4可以对生长序列特征651、灌溉序列特征652、环境序列特征653以及历史图像特征向量654进行处理，确定该绿地在第一时间段内的第一生长信息660。
在一些实施例中，第一特征提取层的参数可以通过对训练好的图像识别模型中的第一特征提取层进行迁移学习获取。关于图像识别模型的内容参见图4及其相关描述。
步骤530，城市管理平台基于各块绿地对应的第一生长信息，确定各块绿地在第一时间段的目标灌溉参数。
在一些实施例中，可以进行建模或采用各种数据分析算法，例如回归分析法、判别分析法等，对各块绿地对应的第一生长信息进行分析处理，确定各块绿地在第一时间段的目标灌溉参数。
在一些实施例中，城市管理平台可以获取目标区域在第一时间段内的预设灌溉总量。并基于预设灌溉总量以及各块绿地的第一生长信息，结合预设算法，确定各块所述绿地对应的所述目标灌溉参数。关于上述实施例的更多说明可以参见图7及其相关描述。
在一些实施例中，城市管理平台还可以获取目标区域在第一时间段内的预设灌溉总量；基于预设灌溉总量以及各块绿地对应的第一生长信息，确定多块绿地的多个候选灌溉方案，每一候选灌溉方案中包括一组对各块绿地进行灌溉的候选灌溉参数；确定各块绿地在未来的第二时间段内的目标环境信息；针对每一候选灌溉方案，基于该候选灌溉方案、目标环境信息以及第一生长信息，通过生长状况预测模型确定在第二时间段内基于该候选灌溉方案对多块绿地进行灌注后各块绿地的第二生长信息；基于各块绿地的第二生长信息，确定该候选灌溉方案对应的生长促进价值；基于各个候选灌溉方案对应的生长促进价值，确定多块绿地的目标灌溉方案，目标灌溉方案包括一组在第一时间段对各块绿地进行灌溉的目标灌溉参数。关于上述实施例的更多说明可以参见图9及其相关描述。
本说明书一些实施例可以基于绿地的历史数据通过模型能够准确预测绿地的生长情况。从而可以确定更加科学的目标灌溉参数，在保证绿地正常生长的情况下，节约了灌溉水资源与负责灌溉的人力资源。
图7是根据本说明书一些实施例所示的确定目标灌溉参数的示例性流程图。如图7所示，流程700可以包括下述步骤：
步骤710，城市管理平台获取目标区域在第一时间段内的预设灌溉总量。
预设灌溉总量是指目标区域在第一时间段内可用于灌溉作业的总水量。
预设灌溉总量可以从城市管理平台的数据库中获取得到。例如，城市管理平台的数据库中的预设灌溉总量可以根据已知情况进行定期（如，每天、每周等）更新。当有获取预设灌溉总量的数据请求时，则可以调取最新的预设灌溉总量以供后续处理。
步骤720，城市管理平台基于预设灌溉总量以及各块绿地的第一生长信息，结合预设算法，确定各块绿地对应的目标灌溉参数。
在一些实施例中，城市管理平台可以采用各种预设算法，对预设灌溉总量以及各块绿地的第一生长信息进行分析处理，确定各块绿地对应的目标灌溉参数。例如，预设算法可以包括回归分析法、判别分析法等。
在一些实施例中，城市管理平台可以基于预设灌溉总量以及各块绿地对应的第一生长信息，确定多块绿地的多个候选灌溉方案，每一候选灌溉方案中包括一组对各块绿地进行灌溉的候选灌溉参数；针对每一候选灌溉方案，通过预设算法，对该候选灌溉方案进行至少一轮迭代更新，确定该候选灌溉方案的在未来的第二时间段的生长促进价值；基于各个候选灌溉方案对应的生长促进价值，确定多块绿地的目标灌溉方案，目标灌溉方案包括一组在第一时间段对各块绿地进行灌溉的目标灌溉参数。关于上述实施例的更多内容参见图8及其相关描述。
本说明书一些实施例可以基于预设灌溉总量以及各块绿地的第一生长信息，从而对计划的预设灌溉用水总量进行更加科学的分配。
图8为根据本说明书的一些实施例所示的又一确定目标灌溉参数的示例性流程图。如图8所示，流程800可以包括以下步骤：
步骤810，城市管理平台基于预设灌溉总量以及各块绿地对应的第一生长信息，确定多块绿地的多个候选灌溉方案，每一候选灌溉方案中包括一组对各块绿地进行灌溉的候选灌溉参数。
候选灌溉方案可以指候选的用于对目标区域多块绿地进行灌溉的方案。候选灌溉方案中可以包含对每块绿地的候选灌溉参数。应当理解的是，每一候选灌溉方案中每块绿地的候选灌溉参数所用水量的总量应不超过预设灌溉总量。候选灌溉参数可以指候选灌溉方案中分配给目标区域内各个绿地的灌溉参数。例如，某一绿地的第一灌溉参数可以包括灌溉水量为2吨/亩。
在一些实施例中，城市管理平台可以基于预设灌溉总量以及各块绿地对应的第一生长信息进行分析处理，确定多个候选灌溉方案。例如，可以基于各块绿地的面积比例对预设灌溉总量进行分配，确定各块绿地的初始灌溉水量。基于各块绿地的第一生长信息对应的多个调整值对灌溉水量进行调整，确定各块绿地的灌溉水量。再基于各块绿地的灌溉水量以及各绿地的预设灌溉规则，确定各块绿地的多个候选灌溉参数。例如，某一绿地基于该绿地的面积初步确定该绿地在未来三天的初始灌溉水量为2吨。该绿地的第一生长信息为85分，根据预设对应关系，可以确定该第一生长信息对应的调整值为-0.10吨、-0.15吨以及-0.20吨。基于该绿地在未来三天的灌溉水量分别为1.90吨、1.85吨以及1.80吨，根据该绿地的灌溉规则对灌溉水量进行分配，可以确定该绿地的多个候选灌溉参数。在一些实施例中，可以对每块绿地的多个候选灌溉参数进行组合，确定多个候选灌溉方案。
再例如，城市管理平台还可以基于历史数据，确定各绿地与本次预设灌溉总量以及各块绿地对应的第一生长信息相似的时间段对应的历史灌溉方案，将前述历史灌溉方案作为候选灌溉方案。
步骤820，城市管理平台通过预设算法，对多个候选灌溉方案进行至少一轮迭代更新，直至满足预设条件，迭代更新后的多个候选灌溉方案收敛为目标灌溉方案，目标灌溉方案包括一组在第一时间段对各块绿地进行灌溉的目标灌溉参数。
在一些实施例中，城市管理平台可以通过预设算法，对每一候选灌溉方案进行至少一轮迭代更新；针对每一迭代更新后的候选灌溉方案，基于该迭代更新后的候选灌溉方案，确定该迭代更新后的候选灌溉方案对应的生长促进价值。其中，生长促进价值可以表征目标区域的所有绿地在未来的第二时间段的总的生长的信息。生长促进价值可以基于第二生长信息确定，表征为第二生长分值的总和。第二生长信息可以表示绿地在未来的第二时间段内的生长的信息。与历史生长信息类似地，第二生长信息也可以通过第二生长分值表示。例如，第二生长分值可以为0~100的分值。在一些实施例中，可以基于生长状况预测模型对迭代更新后的候选灌溉方案进行处理，确定该迭代更新后的候选灌溉方案对应的生长促进价值。关于确定该迭代更新后的候选灌溉方案对应的生长促进价值的更多内容可以参考图9及其相关描述。
针对于每一候选灌溉方案，在对该候选灌溉方案进行迭代更新的过程中，该候选灌溉方案中的候选灌溉参数可以对应的一个多维增量。其中，多维增量可以指每次迭代中候选灌溉方案包含的每块绿地的灌溉水量的调整幅度。
在第一轮迭代中，可以基于初始多维增量对初始候选灌溉方案进行更新，得到更新后的候选灌溉方案。将更新后的候选灌溉方案确定为待处理候选灌溉方案，并将初始多维增量确定为下一轮的待处理多维增量。初始多维增量可以是根据实际需求设定的系统默认值、经验值、人为预先设定值等或其任意组合。
在一些实施例中，初始候选灌溉方案可以通过初始化向量得到。初始化向量的示例性过程如下：对于若干块(假设数量为
Figure 850978DEST_PATH_IMAGE001
)绿地，可以设定初始候选灌溉方案的数量为
Figure 735758DEST_PATH_IMAGE002
，此时，每个初始候选灌溉方案的维度为
Figure 799529DEST_PATH_IMAGE001
（每个维度对应一块绿地的灌溉水量），第
Figure 529587DEST_PATH_IMAGE003
个初始候选灌溉方案对应的向量
Figure 228160DEST_PATH_IMAGE004
可以表示为：
Figure 283840DEST_PATH_IMAGE005
Figure 569328DEST_PATH_IMAGE006
个初始候选灌溉方案对应的向量
Figure 103078DEST_PATH_IMAGE007
可以表示为：
Figure 423201DEST_PATH_IMAGE008
其中，0为标识符（代表第0轮迭代，即还未开始迭代的初始值），
Figure 384203DEST_PATH_IMAGE003
为候选灌溉方案的编号，其中，
Figure 658452DEST_PATH_IMAGE009
。
在后续每一轮迭代中，对该轮的待处理多维增量进行更新，得到更新后的多维增量。基于更新后的多维增量对待处理候选灌溉方案进行更新，得到更新后的候选灌溉方案。将更新后得到的候选灌溉方案确定为下一轮的待处理候选灌溉方案，并将更新后的多维增量确定为下一轮的待处理多维增量。
在一些实施例中，更新待处理多维增量可以通过更新待处理增量元实现。其中，增量元是多维增量的每一维的元素，多维增量可以包含多个增量元。待处理候选灌溉方案中的每块绿地和每个增量元之间可以存在对应关系。增量元可以用于表征对应绿地的灌溉水量调整幅度。
在一些实施例中，可以基于上一轮当前损失，更新待处理增量元，更新后的增量元作为下一轮的待处理增量元。其中，上一轮当前损失可以基于上一轮得到的候选灌溉水量元素与历史最优候选灌溉参数的作用差异确定。
示例性地，在第
Figure 995893DEST_PATH_IMAGE010
轮迭代后，更新的增量元可以通过如下公式（1）计算得到：
Figure 436101DEST_PATH_IMAGE011
（1）
其中，
Figure 568005DEST_PATH_IMAGE003
表示候选灌溉方案的编号，其中，
Figure 828085DEST_PATH_IMAGE012
表示绿地的编号，其中，
Figure 467752DEST_PATH_IMAGE013
。
Figure 762467DEST_PATH_IMAGE014
表示迭代轮数，其中，
Figure 799693DEST_PATH_IMAGE015
。
Figure 812648DEST_PATH_IMAGE016
表示第
Figure 757471DEST_PATH_IMAGE003
个候选灌溉方案在第
Figure 641113DEST_PATH_IMAGE014
轮迭代后得到的待处理增量元。
Figure 616284DEST_PATH_IMAGE017
表示在第
Figure 850957DEST_PATH_IMAGE014
轮迭代后得到的第
Figure 68311DEST_PATH_IMAGE003
个候选灌溉方案。
Figure 72040DEST_PATH_IMAGE018
表示惯性权重常数。
Figure 716648DEST_PATH_IMAGE019
表示个体学习因子，
Figure 173037DEST_PATH_IMAGE020
表示群体学习因子。
Figure 692617DEST_PATH_IMAGE021
和
Figure 816431DEST_PATH_IMAGE022
为区间
Figure 631940DEST_PATH_IMAGE023
内的任意数值，用于增加搜索的随机性。
Figure 841205DEST_PATH_IMAGE024
为在第
Figure 134783DEST_PATH_IMAGE014
轮迭代后，第
Figure 113103DEST_PATH_IMAGE003
个候选灌溉方案，在历次迭代过程中的最优解在第
Figure 600979DEST_PATH_IMAGE025
块绿地的数值。此时的最优解可以指在第
Figure 297539DEST_PATH_IMAGE014
轮迭代后，某一候选灌溉方案的生长促进价值为其在历次迭代中对应的多个生长促进价值中的最大值时，该候选灌溉方案所对应的各个绿地的灌溉水量集合（即个体历史最优解）。
Figure 394808DEST_PATH_IMAGE026
为在第
Figure 227635DEST_PATH_IMAGE014
轮迭代后，所有
Figure 384947DEST_PATH_IMAGE002
个候选灌溉方案，在历次迭代过程中的最优解在第
Figure 568804DEST_PATH_IMAGE025
块绿地的数值。此时的最优解可以指在第
Figure 204184DEST_PATH_IMAGE014
轮迭代后，在前述多个具有历次迭代中最大生长促进价值的候选灌溉方案中，生长促进价值为最大的候选灌溉方案所对应的各个绿地的灌溉水量集合（即群体历史最优解）。
前述惯性权重常数
Figure 655632DEST_PATH_IMAGE018
、个体学习因子
Figure 249424DEST_PATH_IMAGE019
、群体学习因子
Figure 389419DEST_PATH_IMAGE020
以及随机常数
Figure 94069DEST_PATH_IMAGE021
和
Figure 901488DEST_PATH_IMAGE022
可以是根据实际需求设定的系统默认值、经验值、人为预先设定值等或其任意组合。
在一些实施例中，每轮迭代中的增量元的最大绝对值可以为
Figure 400603DEST_PATH_IMAGE027
，即表示每块绿地的灌溉水量的最大调整幅度。在第
Figure 794937DEST_PATH_IMAGE010
轮迭代中，每块绿地的灌溉水量调整幅度所构成多维增量
Figure 37700DEST_PATH_IMAGE028
可以表示为
Figure 965205DEST_PATH_IMAGE029
。
Figure 635220DEST_PATH_IMAGE002
个候选灌溉方案对应的多维增量的向量可以表示为
Figure 15386DEST_PATH_IMAGE030
。其中，向量中的任意一个增量元的值均可以为负值，但绝对值均不大于
Figure 796260DEST_PATH_IMAGE027
。
在一些实施例中，每个待处理候选灌溉方案可以基于更新后的多维增量中的增量元进行更新。示例性地，在第
Figure 76807DEST_PATH_IMAGE010
轮迭代后，更新后的候选灌溉方案可以通过如下公式（2）计算得到：
Figure 183303DEST_PATH_IMAGE031
（2）
例如，经过第一次迭代，更新后的第
Figure 785186DEST_PATH_IMAGE003
个候选灌溉方案可以通过如下公式（3）计算得到：
Figure 369751DEST_PATH_IMAGE032
（3）
Figure 6268DEST_PATH_IMAGE002
个更新后的候选灌溉方案对应的向量表达形式可以通过如下公式（4）计算得到：
Figure 18087DEST_PATH_IMAGE033
（4）
在一些实施例中，在每轮迭代更新候选灌溉方案中，所有绿地的总灌溉水量
Figure 608730DEST_PATH_IMAGE034
(即所有维度的向量值之和)可以存在约束条件：
Figure 262566DEST_PATH_IMAGE035
其中，
Figure 753590DEST_PATH_IMAGE036
可以为预设灌溉总量。
在一些实施例中，若某次迭代后，某候选灌溉方案中候选灌溉参数对应的总灌溉水量
Figure 936309DEST_PATH_IMAGE037
的值大于
Figure 778364DEST_PATH_IMAGE036
，可以将该候选灌溉方案中每块绿地的灌溉水量按比例
Figure 704731DEST_PATH_IMAGE038
缩小。例如，第四次迭代后，第9号候选灌溉方案
Figure 784683DEST_PATH_IMAGE039
所对应的总灌水量为：
Figure 191435DEST_PATH_IMAGE040
则将
Figure 989626DEST_PATH_IMAGE041
缩小为：
Figure 719685DEST_PATH_IMAGE042
在一些实施例中，可以不断对候选灌溉方案通过上述预设算法进行迭代更新，直至满足预设条件，迭代更新结束。其中，预设条件可以是达到预设值，或算法得到的生长促进价值与预设的理论最大生长促进价值的比值大于阈值。
在迭代更新结束后，迭代更新后的多个候选灌溉方案可以收敛为一个目标灌溉方案。目标灌溉方案包括一组在第一时间段对各块绿地进行灌溉的目标灌溉参数。此时，目标灌溉方案对应的生长促进价值应为历次迭代更新的多个候选灌溉方案对应的生长促进价值中的最大值。
本说明书的一些实施例可以通过迭代的方式对多个候选灌溉方案不断进行更新，不断优化候选灌溉方案。从而确定出具有最大生长促进价值的目标灌溉方案，在节约灌溉水的同时，进一步使绿地达到最佳生长状况。
图9是是根据本说明书一些实施例所示的又一确定目标灌溉参数的示例性流程图。如图9所示，流程900可以包括下述步骤：
步骤910，城市管理平台获取目标区域在第一时间段内的预设灌溉总量。
步骤920，城市管理平台基于预设灌溉总量以及各块绿地对应的第一生长信息，确定多块绿地的多个候选灌溉方案，每一候选灌溉方案中包括一组对各块绿地进行灌溉的候选灌溉参数。
步骤930，城市管理平台确定各块绿地在未来的第二时间段内的目标环境信息。
目标环境信息可以指在未来的第二时间段内的环境信息。与历史环境信息类似地，目标环境信息可以包括绿地所在区域的在第二时间段的降雨量、气温、湿度、光照强度、风力等。城市管理平台可以通过传感网络平台获取目标环境信息。
步骤940，针对每一候选灌溉方案，城市管理平台基于该候选灌溉方案、目标环境信息以及第一生长信息，通过生长状况预测模型确定在第二时间段内基于该候选灌溉方案对多块绿地进行灌注后各块绿地的第二生长信息。
针对每一候选灌溉方案，可以将某一绿地在该候选灌溉方案对应的灌溉参数、该绿地的目标环境信息以及该绿地的第一生长信息输入生长状况预测模型，生长状况预测模型的输出可以为该绿地的第二生长信息。
步骤950，城市管理平台基于各块绿地的第二生长信息，确定该候选灌溉方案对应的生长促进价值。
步骤960，城市管理平台基于各个候选灌溉方案对应的生长促进价值，确定多块绿地的目标灌溉方案。
城市管理平台可以将生长促进价值最大对应的候选灌溉方案，确定为目标灌溉方案。
本说明书的一些实施例中通过生长状况预测模型对多个候选灌溉方案进行比较，从更长远的未来的下一时间段考虑，从中多个候选灌溉方案确定出生长促进价值更大的候选灌溉方案确定为目标灌溉方案。在保证绿地正常生长的情况下，从而可以确定更加科学的目标灌溉参数，避免资源浪费。
应当注意的是，上述有关各个流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对各个流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (8)

1.一种基于物联网的智慧城市绿地灌溉用水分配方法，其特征在于，所述方法由城市管理平台执行，包括：
通过传感网络平台从城市监控对象平台获取目标区域内的多块绿地在历史时间段的历史监控信息；
基于所述多块绿地的所述历史监控信息，确定所述多块绿地在所述历史时间段内的历史生长信息；
基于所述历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数；
基于所述目标灌溉参数，生成对所述各块绿地进行灌溉的灌溉控制指令；
通过所述传感网络平台将所述灌溉控制指令发送至灌溉对象平台，所述灌溉对象平台用于响应于所述灌溉控制指令对所述各块绿地进行灌溉。
2.如权利要求1所述的方法，其特征在于，所述基于所述历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数包括：
针对每一所述绿地，通过灌溉对象平台获取该绿地在所述历史时间段的历史灌溉参数以及通过城市监控对象平台获取该绿地在所述历史时间段的历史环境信息；
基于所述历史生长信息、所述历史灌溉参数以及所述历史环境信息，通过生长状况预测模型确定该绿地在所述第一时间段内的第一生长信息；
基于各块所述绿地对应的所述第一生长信息，确定各块所述绿地在所述第一时间段的所述目标灌溉参数。
3.根据权利要求2所述的方法，其特征在于，所述基于各块所述绿地对应的所述第一生长信息，确定各块所述绿地在所述第一时间段的所述目标灌溉参数包括：
获取所述目标区域在所述第一时间段内的预设灌溉总量；
基于所述预设灌溉总量以及各块所述绿地的所述第一生长信息，结合预设算法，确定各块所述绿地对应的所述目标灌溉参数。
4.如权利要求2所述的方法，其特征在于，所述基于各块所述绿地对应的所述第一生长信息，确定各块所述绿地在所述第一时间段的所述目标灌溉参数包括：
获取所述目标区域在所述第一时间段内的预设灌溉总量；
基于所述预设灌溉总量以及各块所述绿地对应的所述第一生长信息，确定多块所述绿地的多个候选灌溉方案，每一所述候选灌溉方案中包括一组对各块所述绿地进行灌溉的候选灌溉参数；
确定所述各块绿地在未来的第二时间段内的目标环境信息；
针对每一所述候选灌溉方案，基于该候选灌溉方案、所述目标环境信息以及所述第一生长信息，通过所述生长状况预测模型确定在所述第二时间段内基于该候选灌溉方案对所述多块绿地进行灌注后所述各块绿地的第二生长信息；
基于所述各块绿地的第二生长信息，确定该候选灌溉方案对应的生长促进价值；
基于各个所述候选灌溉方案对应的所述生长促进价值，确定多块所述绿地的目标灌溉方案，所述目标灌溉方案包括一组在所述第一时间段对各块所述绿地进行灌溉的所述目标灌溉参数。
5.一种基于物联网的智慧城市绿地灌溉用水分配系统，所述系统包括用户平台、服务平台、城市管理平台、传感网络平台、城市监控对象平台以及灌溉对象平台，所述城市管理平台被配置为执行以下操作：
通过传感网络平台从城市监控对象平台获取目标区域内的多块绿地在历史时间段的历史监控信息；
基于所述多块绿地的所述历史监控信息，确定所述多块绿地在所述历史时间段内的历史生长信息；
基于所述历史生长信息，确定各块绿地在未来的第一时间段的目标灌溉参数；
基于所述目标灌溉参数，生成对所述各块绿地进行灌溉的灌溉控制指令；
通过传感网络平台将所述灌溉控制指令发送至灌溉对象平台，所述灌溉对象平台用于响应于所述灌溉控制指令对所述各块绿地进行灌溉。
6.根据权利要求5所述的系统，其特征在于，所述城市管理平台被配置为进一步执行以下操作：
针对每一所述绿地，通过灌溉对象平台获取该绿地在所述历史时间段的历史灌溉参数以及通过城市监控对象平台获取该绿地在所述历史时间段的历史环境信息；
基于所述历史生长信息、所述历史灌溉参数以及所述历史环境信息，通过生长状况预测模型确定该绿地在所述第一时间段内的第一生长信息；
基于各块所述绿地对应的所述第一生长信息，确定各块所述绿地在所述第一时间段的所述目标灌溉参数。
7.根据权利要求6所述的系统，其特征在于，所述城市管理平台被配置为进一步执行以下操作：
获取所述目标区域在所述第一时间段内的预设灌溉总量；
基于所述预设灌溉总量以及各块所述绿地的所述第一生长信息，结合预设算法，确定各块所述绿地对应的所述目标灌溉参数。
8.根据权利要求6所述的系统，其特征在于，所述城市管理平台被配置为进一步执行以下操作：
获取所述目标区域在所述第一时间段内的预设灌溉总量；
基于所述预设灌溉总量以及各块所述绿地对应的所述第一生长信息，确定多块所述绿地的多个候选灌溉方案，每一所述候选灌溉方案中包括一组对各块所述绿地进行灌溉的候选灌溉参数；
确定所述各块绿地在未来的第二时间段内的目标环境信息；
针对每一所述候选灌溉方案，基于该候选灌溉方案、所述目标环境信息以及所述第一生长信息，通过所述生长状况预测模型确定在所述第二时间段内基于该候选灌溉方案对所述多块绿地进行灌注后所述各块绿地的第二生长信息；
基于所述各块绿地的第二生长信息，确定该候选灌溉方案对应的生长促进价值；
基于各个所述候选灌溉方案对应的所述生长促进价值，确定多块所述绿地的目标灌溉方案，所述目标灌溉方案包括一组在所述第一时间段对各块所述绿地进行灌溉的所述目标灌溉参数。
CN202210813721.9A 2022-07-12 2022-07-12 基于物联网的智慧城市绿地灌溉用水分配方法和系统 Active CN114868640B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210813721.9A CN114868640B (zh) 2022-07-12 2022-07-12 基于物联网的智慧城市绿地灌溉用水分配方法和系统
CN202211301784.2A CN115623974A (zh) 2022-07-12 2022-07-12 一种基于物联网的智慧城市绿地管理方法和系统
US17/818,981 US11693380B1 (en) 2022-07-12 2022-08-11 Distribution methods and distribution systems for greenspace irrigation water of smart cities based on internet of things
US18/194,650 US11966208B2 (en) 2022-07-12 2023-04-02 Methods and systems for greenspace cultivation and management in smart cities based on Internet of Things

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210813721.9A CN114868640B (zh) 2022-07-12 2022-07-12 基于物联网的智慧城市绿地灌溉用水分配方法和系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211301784.2A Division CN115623974A (zh) 2022-07-12 2022-07-12 一种基于物联网的智慧城市绿地管理方法和系统

Publications (2)

Publication Number Publication Date
CN114868640A true CN114868640A (zh) 2022-08-09
CN114868640B CN114868640B (zh) 2022-11-11

Family

ID=82683427

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211301784.2A Pending CN115623974A (zh) 2022-07-12 2022-07-12 一种基于物联网的智慧城市绿地管理方法和系统
CN202210813721.9A Active CN114868640B (zh) 2022-07-12 2022-07-12 基于物联网的智慧城市绿地灌溉用水分配方法和系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211301784.2A Pending CN115623974A (zh) 2022-07-12 2022-07-12 一种基于物联网的智慧城市绿地管理方法和系统

Country Status (2)

Country Link
US (2) US11693380B1 (zh)
CN (2) CN115623974A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11862116B2 (en) * 2019-09-25 2024-01-02 Zhangyue Technology Co., Ltd Handwriting reading device, method for processing report point data, and computer storage medium
CN117814097B (zh) * 2024-03-06 2024-05-03 北京佳格天地科技有限公司 基于机器学习的高效农田灌溉方法以及系统

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170030877A1 (en) * 2015-07-30 2017-02-02 Ecoation Innovative Solutions Inc. Multi-sensor platform for crop health monitoring
CN106688827A (zh) * 2016-12-09 2017-05-24 中国科学院新疆生态与地理研究所 一种基于农业系统模型的灌溉决策系统及方法
CN107578116A (zh) * 2017-07-20 2018-01-12 东华大学 基于双目标免疫粒子群算法的灌溉水资源优化配置方法
CN107862686A (zh) * 2017-11-03 2018-03-30 黄国华 一种基于图像识别的植物培育系统及方法
US20180314949A1 (en) * 2017-04-26 2018-11-01 International Business Machines Corporation Cognitive based decision support system for agriculture
CN110839519A (zh) * 2019-12-02 2020-02-28 成都信息工程大学 一种基于深度学习的物联网智能的农业灌溉装置和方法
CN111369093A (zh) * 2018-12-26 2020-07-03 天云融创数据科技（北京）有限公司 基于机器学习的灌溉方法和装置
CN111639904A (zh) * 2020-05-09 2020-09-08 广州海睿信息科技有限公司 基于物联网的果蔬种植管理系统
CN112739198A (zh) * 2018-08-17 2021-04-30 霍陶有限公司 用于监视和调节植物生产率的系统和方法
AU2021102845A4 (en) * 2021-05-26 2021-07-15 Pandey, Sharad DR Transforming Agriculture Through MOR.
CN113229123A (zh) * 2021-06-02 2021-08-10 湖北工程学院 农作物智能灌溉方法、装置、设备及存储介质
US20210265066A1 (en) * 2020-02-21 2021-08-26 Advanced Agrilytics Holdings, Llc Environmental matching techniques
CN113469248A (zh) * 2021-06-30 2021-10-01 平安科技（深圳）有限公司 基于神经网络的农业培育控制方法、装置、系统及介质
CN113575388A (zh) * 2021-07-30 2021-11-02 沭阳翔玮生态农业开发有限公司 基于人工智能和大数据的农业智能灌溉系统
AU2021103170A4 (en) * 2021-06-07 2021-11-11 Pandey, Sharad P. DR OCTOPIDER: A doorstep solution for Farmers
CN113920288A (zh) * 2021-09-16 2022-01-11 北京云洋物联技术有限公司 一种基于物联网的温室黄瓜种植管理系统
AU2021103540A4 (en) * 2021-06-22 2022-03-31 Bhatia, Megha DR Self Sustained Hybrid Agriculture Management System using IoT
CN114488988A (zh) * 2022-04-14 2022-05-13 成都秦川物联网科技股份有限公司 用于生产线平衡率调控的工业物联网及控制方法
AU2021103425A4 (en) * 2021-06-17 2022-05-19 Ram Avtar An IOT Based Portable System for Automatic Irrigation and Fertilizer.
US20220183243A1 (en) * 2020-12-10 2022-06-16 Semiosbio Technologies Inc. Method for managing crop irrigation, and system using same

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105145286B (zh) 2015-09-17 2018-11-09 广东工业大学 一种建筑生态绿化屋面雨水收集及无动力智能灌溉系统
CN106978839B (zh) 2017-03-17 2019-04-12 四川大学 一种海绵城市雨水收集净化利用综合系统
CN207476524U (zh) 2017-12-02 2018-06-12 安徽星辰规划建筑设计有限公司 一种道路绿化带自动蓄水灌溉系统
US10874060B2 (en) * 2018-03-14 2020-12-29 Lindsay Corporation Systems and methods for irrigating according to a modified or reset crop growth model
CN108612172B (zh) 2018-03-30 2020-04-14 台州中知英健机械自动化有限公司 一种海绵城市雨水收集灌溉系统
CN110209077B (zh) * 2019-05-05 2021-07-20 武汉大学 基于互联网的远程灌排系统实时动态监测系统
US20230309464A1 (en) * 2022-03-31 2023-10-05 Panasonic Factory Solutions Asia Pacific Pte. Ltd. Method and apparatus for automated crop recipe optimization
CN114418040B (zh) * 2022-03-31 2022-07-08 山东鹤鹏技术有限公司 一种园林绿化养护监测及预警的方法与系统

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170030877A1 (en) * 2015-07-30 2017-02-02 Ecoation Innovative Solutions Inc. Multi-sensor platform for crop health monitoring
CN106688827A (zh) * 2016-12-09 2017-05-24 中国科学院新疆生态与地理研究所 一种基于农业系统模型的灌溉决策系统及方法
US20180314949A1 (en) * 2017-04-26 2018-11-01 International Business Machines Corporation Cognitive based decision support system for agriculture
CN107578116A (zh) * 2017-07-20 2018-01-12 东华大学 基于双目标免疫粒子群算法的灌溉水资源优化配置方法
CN107862686A (zh) * 2017-11-03 2018-03-30 黄国华 一种基于图像识别的植物培育系统及方法
CN112739198A (zh) * 2018-08-17 2021-04-30 霍陶有限公司 用于监视和调节植物生产率的系统和方法
CN111369093A (zh) * 2018-12-26 2020-07-03 天云融创数据科技（北京）有限公司 基于机器学习的灌溉方法和装置
CN110839519A (zh) * 2019-12-02 2020-02-28 成都信息工程大学 一种基于深度学习的物联网智能的农业灌溉装置和方法
US20210265066A1 (en) * 2020-02-21 2021-08-26 Advanced Agrilytics Holdings, Llc Environmental matching techniques
CN111639904A (zh) * 2020-05-09 2020-09-08 广州海睿信息科技有限公司 基于物联网的果蔬种植管理系统
US20220183243A1 (en) * 2020-12-10 2022-06-16 Semiosbio Technologies Inc. Method for managing crop irrigation, and system using same
AU2021102845A4 (en) * 2021-05-26 2021-07-15 Pandey, Sharad DR Transforming Agriculture Through MOR.
CN113229123A (zh) * 2021-06-02 2021-08-10 湖北工程学院 农作物智能灌溉方法、装置、设备及存储介质
AU2021103170A4 (en) * 2021-06-07 2021-11-11 Pandey, Sharad P. DR OCTOPIDER: A doorstep solution for Farmers
AU2021103425A4 (en) * 2021-06-17 2022-05-19 Ram Avtar An IOT Based Portable System for Automatic Irrigation and Fertilizer.
AU2021103540A4 (en) * 2021-06-22 2022-03-31 Bhatia, Megha DR Self Sustained Hybrid Agriculture Management System using IoT
CN113469248A (zh) * 2021-06-30 2021-10-01 平安科技（深圳）有限公司 基于神经网络的农业培育控制方法、装置、系统及介质
CN113575388A (zh) * 2021-07-30 2021-11-02 沭阳翔玮生态农业开发有限公司 基于人工智能和大数据的农业智能灌溉系统
CN113920288A (zh) * 2021-09-16 2022-01-11 北京云洋物联技术有限公司 一种基于物联网的温室黄瓜种植管理系统
CN114488988A (zh) * 2022-04-14 2022-05-13 成都秦川物联网科技股份有限公司 用于生产线平衡率调控的工业物联网及控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何文祥: "智能家居盆栽系统技术的研究与设计", 《现代计算机》 *
盖志远: "深层灌水条件下冬小麦灌水策略及其根系分布预测模型的研究", 《中国优秀硕士论文电子期刊网》 *

Also Published As

Publication number Publication date
US11693380B1 (en) 2023-07-04
US20230251617A1 (en) 2023-08-10
CN114868640B (zh) 2022-11-11
CN115623974A (zh) 2023-01-20
US11966208B2 (en) 2024-04-23

Similar Documents

Publication Publication Date Title
CN114868640B (zh) 基于物联网的智慧城市绿地灌溉用水分配方法和系统
US11516976B2 (en) Irrigation system control with predictive water balance capabilities
Navarro-Hellín et al. A decision support system for managing irrigation in agriculture
CN110019124B (zh) 一种集合天气预报修订方法及系统
Manogaran et al. Smart sensing based functional control for reducing uncertainties in agricultural farm data analysis
CN115630978B (zh) 一种基于人口就业分布的多交通设施选址方法
CN106499656B (zh) 一种风扇风速智能控制方法
CN110459051A (zh) 路段特征模型训练方法、装置、终端设备及存储介质
WO2021007363A1 (en) Irrigation control with deep reinforcement learning and smart scheduling
CN114442705B (zh) 一种基于物联网的智慧农业系统及控制方法
CN113471982B (zh) 云边协同与电网隐私保护的分布式电源就地电压控制方法
CN115529987B (zh) 作物设施的风口调控方法、装置、设备及存储介质
CN115530054A (zh) 灌溉控制方法、装置、电子设备及存储介质
CN114297907A (zh) 温室环境空间分布预测方法及装置
CN116307191B (zh) 一种基于人工智能算法的水资源配置方法、装置和设备
CN115270642A (zh) 基于数字孪生的植物工厂智能管理系统
CN115661547A (zh) 一种基于知识图谱的植物灌溉养护方法及系统
CN114879786A (zh) 一种获取食用菌决策方案的方法、系统、装置及介质
Vivekanandhan et al. Adaptive neuro fuzzy inference system to enhance the classification performance in smart irrigation system
CN114092776A (zh) 应用于智慧农业的多传感器数据融合方法
CN113342029A (zh) 基于无人机群的最大传感器数据采集路径规划方法及系统
CN109787247A (zh) 一种基于多参数规划的无功补偿规划方法
Zhou et al. Application and Research of Computer Intelligent Technology in Modern Agricultural Machinery Equipment
Ramya et al. Smart Watering System using Fuzzy Logic
Ahmed et al. An Improved GA-Based Recommendation System for Soil Fertilization

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