CN115530054A - 灌溉控制方法、装置、电子设备及存储介质 - Google Patents
灌溉控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115530054A CN115530054A CN202211246236.4A CN202211246236A CN115530054A CN 115530054 A CN115530054 A CN 115530054A CN 202211246236 A CN202211246236 A CN 202211246236A CN 115530054 A CN115530054 A CN 115530054A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- data
- water demand
- crop
- soil
- 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.)
- Pending
Links
- 230000002262 irrigation Effects 0.000 title claims abstract description 187
- 238000003973 irrigation Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 135
- 239000002689 soil Substances 0.000 claims abstract description 109
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000003066 decision tree Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 239000003621 irrigation water Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 239000000575 pesticide Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000004720 fertilization Effects 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- A01G25/16—Control of watering
-
- 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
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- 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
- 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
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Environmental Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Soil Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种灌溉控制方法、装置、电子设备及存储介质。该方法包括：将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值；将需水量预测值和土壤湿度预测值纳入水平衡管理；确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案。本申请综合多种因素进行农作物需水量预测，提高预测结果精确度，另外，对土壤湿度变化值进行模拟，有助于提供合理的灌溉方案，保证灌溉效率的同时节约水能源，实现循环发展。
Description
技术领域
本申请涉及智慧灌溉技术领域，尤其涉及一种灌溉控制方法、装置、电子设备及存储介质。
背景技术
传统灌溉系统大多数凭借个人经验控制的方式判断具体灌溉量，为了提高灌溉效率节约水资源，现有技术提供了智能灌溉系统利用简单的计算机方法进行是否需要灌溉的判断。虽然现有的数据采集技术可以保证采集到丰富的场地环境数据，但是受限于简单的计算机方法判断的数据分析能力，现有技术只能基于土壤湿度或作物图像等单个因素判断是否需要进行灌溉，并且采用的是根据间接的指标判断植物是否需要灌溉，最终得出灌溉决策方案精确度较低。
发明内容
本申请实施例提供了一种灌溉控制方法、装置、电子设备及存储介质，以解决现有方案灌溉决策方案精确度较低的问题。
第一方面，本申请实施例提供了一种灌溉控制方法，包括：
将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；
根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；
将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；
获取作物蒸散量、实时土壤温度和实时土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
在一种可能的实现方式中，所述基于决策树算法来确定灌溉方案，包括：
将所述土壤湿度预测值内的阈值与所述实时土壤湿度进行比较；
基于比较结果确定灌溉时间、灌溉需水量和灌溉频率中的一项或多项，并生成灌溉方案。
在一种可能的实现方式中，所述未来设定时间段为2天～5天。
在一种可能的实现方式中，所述土壤数据包括地面温度；所述农作物数据包括：作物系数和日期时间；所述天气数据包括：风速、空气湿度、大气压、降雨量和太阳辐射数据。
在一种可能的实现方式中，在将数据输入农作物需水量预测模型之前，还包括：
获取历史灌溉集合数据；
对所述历史灌溉集合数据进行归一化处理；
确定时间步长，并基于所述时间步长构建初始神经网络模型；
将归一化处理后历史灌溉集合数据随机划分为测试集和训练集；
根据所述测试集和训练集确定模型损失函数；
对所述模型损失函数进行训练预测；
将训练预测结果与所述测试集和所述训练集进行拟合得出优化后的模型，并将优化后的模型作为农作物需水量预测模型。
在一种可能的实现方式中，该方法还包括：
根据设定间隔周期及所述设定间隔周期内的历史灌溉集合数据构建农作物需水量预测模型，以实现农作物需水量预测模型的动态优化。
在一种可能的实现方式中，所述初始神经网络模型为长短期记忆神经网络算法预测模型、深度卷积网络算法预测模型、递归神经网络算法预测模型或前馈神经网络算法预测模型。
在一种可能的实现方式中，该方法还包括：按照设定读取周期通过ZigBee协调器模块接收多个ZigBee路由节点上传的数据；其中，ZigBee路由节点与环境温度传感器、环境湿度传感器、光照传感器、土壤墒情传感器、全球定位系统GPS、气象站连接。
第二方面，本申请实施例提供了一种灌溉控制装置，包括：
预测模块，用于将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；
模拟模块，用于根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；
管理模块，用于将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；
决策模块，用于确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本申请实施例提供一种灌溉控制方法、装置、电子设备及存储介质，首先，通过将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值。其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型，灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据。本申请基于神经网络模型并综合多种因素建立农作物需水量预测模型，综合考虑了土壤数据、农作物数据和天气数据与农作物需水量内在关联，基于农作物需水量预测模型提高农作物需水量预测的准确性、科学性和便捷性。其次，根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值，考虑到了土壤状态、天气情况和植物本身需水周期相互影响，根据需水量预测值模拟未来设定时间段内土壤湿度预测值，有助于提供合理的灌溉方案。将需水量预测值和土壤湿度预测值纳入水平衡管理，确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案。其中，灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。基于需水量预测值和土壤湿度预测值进行水平衡管理，保证灌溉合理性和效率的同时节约水能源，实现循环发展。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的灌溉控制系统的系统架构图；
图2是本申请一实施例提供的灌溉控制方法的实现流程图；
图3是本申请一实施例提供的农作物需水量预测模型构建流程图；
图4是本申请一实施例提供的传感器数据传输系统结构示意图；
图5是本申请一实施例提供的传感器数据读取的流程示意图；
图6是本申请一实施例提供的灌溉控制装置的结构示意图；
图7是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
除非另有说明，术语“多个”表示两个或两个以上。本申请实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
农作物健康生长和产量很大程度取决于土壤的质量和特性。现有技术中，灌溉系统大多数凭借个人经验控制的方式判断具体灌溉量，或只从某个方面的参数对灌溉系统进行控制，灌溉方式较为粗糙。一方面，忽略了农作物长势和环境条件实现对水、肥、药的需求模拟，另外一方面，确定灌溉方案过程中收集数据不全面，未考虑土壤状态、天气情况和植物本身需水周期相互影响，导致无法按照环境信息制定最佳灌溉策略。达不到精准灌溉和节水的效果，且对人依赖程度高，不能用来大规模的农业生产。
另外，水是生物的基本需求，农业是世界上最大的淡水消费主体，消耗量约占70%。精准农业现在在当今世界越来越重要，特别是在降雨稀少的半干旱地区，智能灌溉系统可以有效提高水资源利用率，避免电力和水的浪费，同时提高生产率。
本申请则旨在提升农业智能化发展，提供一种基于数字孪生技术的智能灌溉控制系统与数据同步方法，将智能控制技术、传感器技术和数字孪生技术相结合，通过田间土壤传感器不断测量和记录耕地的动态状况，如水分、温度、风速、雨量、光照等，这些数据可以转移到数字孪生系统中，经过来自土壤结构和模拟信息技术的处理，为水肥药一体化控制管理系统提供持续反馈和实时响应，以有效解决提高灌溉、施肥和施药的精准度。
本申请实施例重点以提高灌溉的精准度进行说明，在具体实施过程中，还能够在本申请提供的方案上进行调整，对施肥和施药进行控制，以提升施肥和施药的精准度。
图1是本申请一实施例提供的灌溉控制系统的系统架构图。如图1所示，该灌溉控制系统基于数字孪生技术构建，由控制系统、虚拟平台、数字孪生系统和平台服务四个关键要素组成。
其中，平台服务通过物联网和无线通信技术连接真实物理对象传感器，实现传感器和检测数据的实时传输与监控。
数字孪生系统将无线传感器节点收集的物理实体元信息采集、传输、同步、增强之后得到我们灌溉控制业务中可以使用的通用数据。
虚拟平台基于数字孪生系统处理后的数据更新虚拟系统中对应的状态，通过这些数据可以仿真分析得到数字世界中的虚拟模型，实现了灌溉控制对象模型和数据在虚拟系统中表示。
平台服务基于数字孪生系统处理过测数据执行智能灌溉数字孪生模型模拟和制定最佳灌溉计划，优化种植、灌溉、施肥、施药等流程，并预测灌溉控制对象中未发现的问题。进而实现从灌溉控制对象收集数据，并将经过虚拟的灌溉孪生模型分析和处理的经验数据，从虚拟系统反馈传输到物理世界，完成了物理对象和虚拟系统之间的联系。
控制系统基于平台服务制定的灌溉计划，控制物理世界中的物理实体灌溉系统执行灌溉操作，无需人工操作，节省人工成本并提高灌溉控制精确度。
以上系统主要架构主要为脱离物理世界的数字孪生软件模型架构，介绍完软件模型主要架构后，再介绍一下支持该软件模型工作的物理对象。
其中，物理对象包括智能灌溉设备、传感器和农作物。物理对象是灌溉控制系统的关键组成部分，脱离物理世界的数字孪生的系统边界是基于真实物理对象确定的。
而在数字孪生系统中，物理对象是一个复杂而动态的环境，主要由两部分组成，一部分是作物的长势、施肥、喷药、灌溉；另外一部分是通过测量技术和传感器来收集、接收的数据，比如温湿度、土壤含水量等。
具体的，传感器单元的设计作为精准灌溉的基础设备主要负责数据采集，使用温度传感器、湿度传感器、光照传感器、土壤墒情传感器、GPS、气象站等采集特定时间、深度和地理空间位置的复杂土壤变化的信息，定期测量和记录耕地的动态状况，如水分、温度、风速、雨量、光照等数据，以为灌溉控制系统提供持续反馈和实时响应。
结合图1及上述介绍，本申请旨在在图1所示系统架构基础上，使用LSTM神经网络预测算法，在数字孪生系统中为农作物种植建立需水量和土壤成分的预测数字孪生模型，以能够根据作物长势和环境条件实现对水、肥、药的需求模拟。进一步的，在平台服务侧基于决策树算法确定灌溉时间、所需水量和灌溉频率，以制定最佳灌溉方案。
然后，控制系统侧通过自动控制基于平台服务的确定的灌溉方案完成精准灌溉，实现精准的水肥一体化，以预定的配比均匀、适量的按时输送到作物根部土壤，减少化肥和杀虫剂的潜在使用量，从而实现节水、改善土壤结构，保护环境和人类健康。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图2是本申请一实施例提供的灌溉控制方法的实现流程图，如图2所示，该方法包括如下步骤：
S201，将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值。其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据。
本申请实施例中，方法执行主体如图1所示的平台服务侧。平台服务侧与基础设备传感器单元等进行通信连接，并集中管理数据，因此，由平台服务侧执行本方案能够简化数据传输过程，提高数据获取效率和灌溉方案确定效率。
S202，根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值。
其中，由于土壤湿度受环境影响会发生变化，因此，未来设定时间段内土壤湿度预测值为连续且动态变化的值。
如图1所示，本申请在基于数字孪生技术构建的控制系统中实施，而数字孪生虚拟系统能够实现动态模拟外部环境条件对农作物生长的影响，因此，在对需水量进行预测之后，基于数字孪生虚拟系统模拟未来设定时间段内土壤湿度预测值，能够便于相关人员提前掌握基于需水量预测值执行灌溉控制后土壤湿度的变化趋势，从而能够根据模拟数据调整灌溉方案，提高灌溉合理性。
S203，将需水量预测值和土壤湿度预测值纳入水平衡管理。
其中，主要考虑了农作物在不同生命发育阶段的蒸发量和需水量不同，因此，为保证农作物的健康生长，整个生命周期内需要保持农作物所处环境的水平衡。
S204，获取作物蒸散量、实时土壤温度和实时土壤湿度，基于决策树算法来确定灌溉方案。其中，灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
在具体实现方式中，农作物蒸发量ET 0由公式（1）计算，
式中：Δ为温度饱和曲线在T处的斜率；γ为温度常数；u 2为高度为2m区域的风速；R n 为净辐射量的数值；G为土壤的热通量；T为某天中的平均气温；e a 为饱和水汽压；e s 为实际水汽压。
具体的，各参数单位如下：Δ的单位为kPa/℃；γ的单位为kPa/℃；u 2的单位为m/s；R n 的单位为MJ/(m2·d)；G的单位为MJ/(m2·d)；T的单位为℃；e a 的单位为kPa；e s 的单位为kPa。
根据农作物的理论蒸发量ET 0，进一步精确求解作物在其当前生命发育阶段的用水量ET c，具体计算如下公式（2）：
在上式（2）中，ET c为当前生命发育阶段的用水量；农作物系数k c 的取值与作物的种类、生长环境以及种植天数变化有关，具体取值为从0到1.5。
根据水平衡管理方程计算间隔d天后灌溉用水需求量IWD，水平衡管理方程如下公式（3）：
在上式（3）中，IWD为灌溉用水需求量；ET c , i 为第i个生命发育阶段的用水量；E irr 为放置在田间灌溉系统的效率；P i 为降雨量。即间隔d天后灌溉用水需求量IWD可通过农作物蒸发量、需水量和降雨量，结合分析土壤排水后的场容量获得。
其中，基于决策树算法提高土壤湿度突变拐点的识别效率，建立以决策树为分类索引的灌溉策略更新触发机制，提高了灌溉策略对应灌溉时效性及灌溉精确度。
在本实现方式中，首先，通过将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值。其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型，灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据。本申请基于神经网络模型并综合多种因素建立农作物需水量预测模型，综合考虑了土壤数据、农作物数据和天气数据与农作物需水量内在关联，基于农作物需水量预测模型提高农作物需水量预测的准确性、科学性和便捷性。其次，根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值，考虑到了土壤状态、天气情况和植物本身需水周期相互影响，根据需水量预测值模拟未来设定时间段内土壤湿度预测值，有助于提供合理的灌溉方案。将需水量预测值和土壤湿度预测值纳入水平衡管理，确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案。其中，灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。基于需水量预测值和土壤湿度预测值进行水平衡管理，保证灌溉合理性和效率的同时节约水能源，实现循环发展。
在一种可能的实现方式中，步骤S204中，基于决策树算法来确定灌溉方案，包括：
将土壤湿度预测值内的阈值与实时土壤湿度进行比较；
基于比较结果确定灌溉时间、灌溉需水量和灌溉频率中的一项或多项，并生成灌溉方案。
在该实现方式中，将土壤湿度预测值内的阈值与实时土壤湿度进行比较，提高土壤湿度突变拐点的识别效率，利于建立以决策树为分类索引的灌溉策略更新触发机制，进而能够结合土壤湿度突变拐点及突变值确定灌溉时间、灌溉需水量和灌溉频率中的一项或多项，提高了灌溉策略对应灌溉时效性及灌溉精确度。
在一种可能的实现方式中，未来设定时间段为2天～5天。可选的，未来设定时间段为2天、3天、4天或5天。
在该实现方式中，未来设定时间段不宜过长。由于在确定灌溉方案过长中考虑到天气因素，而天气因素存在不确定性，因此，未来设定时间段设定为2天～5天，可以提高广告
在一种可能的实现方式中，步骤S201中，土壤数据包括地面温度；农作物数据包括：作物系数和日期时间；天气数据包括：风速、空气湿度、大气压、降雨量和太阳辐射数据。
在一种可能的实现方式中，在步骤S201将数据输入农作物需水量预测模型之前，还包括：
获取历史灌溉集合数据；
对历史灌溉集合数据进行归一化处理；
确定时间步长，并基于时间步长构建初始神经网络模型；
将归一化处理后历史灌溉集合数据随机划分为测试集和训练集；
根据测试集和训练集确定模型损失函数；
对模型损失函数进行训练预测；
将训练预测结果与测试集和训练集进行拟合得出优化后的模型，并将优化后的模型作为农作物需水量预测模型。
在一种可能的实现方式中，该方法还包括：
根据设定间隔周期及设定间隔周期内的历史灌溉集合数据构建农作物需水量预测模型，以实现农作物需水量预测模型的动态优化。
在一种可能的实现方式中，初始神经网络模型为长短期记忆神经网络算法预测模型、深度卷积网络算法预测模型、递归神经网络算法预测模型或前馈神经网络算法预测模型。优选地，本申请实施例中初始神经网络模型为长短期记忆神经网络算法预测模型。
在本实现方式中，通过在归一化预处理后的数据集上，构建基于长短期记忆神经网络算法的农作物需水量预测模型，以达到较好的拟合农作物需水量，充分挖掘出历史灌溉集合数据中的潜在信息。其中，历史灌溉集合数据包括土壤数据、农作物数据和天气数据，准确的完成了考虑土壤数据、农作物数据和天气数据多种因素的农作物需水量预测。
图3是本申请一实施例提供的农作物需水量预测模型构建流程图，如图3所示，不仅公开了基于历史灌溉集合数据构建农作物需水量预测模型，还包括对农作物需水量预测模型的动态优化过程，实现物理实体灌溉控制系统的不断优化，最终形成一个处于不断学习的智能灌溉动态经验库。
在一种可能的实现方式中，该方法还包括：按照设定读取周期通过ZigBee协调器模块接收多个ZigBee路由节点上传的数据。其中，ZigBee路由节点与环境温度传感器、环境湿度传感器、光照传感器、土壤墒情传感器、全球定位系统GPS、气象站连接。
其中，设定读取周期不宜过长或过短，避免读取周期过长，数据关联性降低，从而降低灌溉方案的精确度，另外，避免读取周期过短，产生数据冗余，影响系统运行速率。
图4是本申请一实施例提供的传感器数据传输系统结构示意图，如图4所示，环境温度传感器、环境湿度传感器、光照传感器、土壤墒情传感器、全球定位系统GPS、气象站分别通过对应的ZigBee路由节点将数据传输至ZigBee协调器模块，并经由ZigBee协调器模块通过数据上传网关将数据输入智能灌溉数字孪生系统。
在该实施例中，ZigBee通信模块为全双工设备，这样可以实现组成网状拓扑结构的网络，当其中一条路由出现问题时，传感器采集的各项数据信息可以自动的沿着其他的路由路径进行传输，最终传送至ZigBee协调器模块，保证数据能够准确高效的传输。
图5是本申请一实施例提供的传感器数据读取的流程示意图，如图5所示，包括以下步骤：
数据读取系统初始化；
控制端发送指令；
解析采样频率和周期；
传感器单元定时执行采样任务；
传感器模拟信号A/D转换；
根据通信协议打包传感器采样数据；
通过485总线Modbus协议主动传输至Zigbee路由节点；
采样结束后，数据读取系统休眠。
在该实施例中，数据读取系统对应图1中平台服务侧，控制端为装载图所示灌溉控制系统的终端，或者与该终端通信连接的移动终端。具体的采样频率和周期可以由用户基于控制端设定，以提高数据采样与实际灌溉系统的适配度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图6是本申请一实施例提供的灌溉控制装置的结构示意图，如图6所示，为了便于说明，仅示出了与本申请实施例相关的部分，如图6所示，该装置包括：预测模块601、模拟模块602、管理模块603和决策模块604。
预测模块601，用于将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值。其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据。
模拟模块602，用于根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值。
管理模块603，用于将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理。
决策模块604，用于确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
在本实现方式中，首先，通过将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值。其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型，灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据。本申请基于神经网络模型并综合多种因素建立农作物需水量预测模型，综合考虑了土壤数据、农作物数据和天气数据与农作物需水量内在关联，基于农作物需水量预测模型提高农作物需水量预测的准确性、科学性和便捷性。其次，根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值，考虑到了土壤状态、天气情况和植物本身需水周期相互影响，根据需水量预测值模拟未来设定时间段内土壤湿度预测值，有助于提供合理的灌溉方案。将需水量预测值和土壤湿度预测值纳入水平衡管理，确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案。其中，灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。基于需水量预测值和土壤湿度预测值进行水平衡管理，保证灌溉合理性和效率的同时节约水能源，实现循环发展。
图7是本申请一实施例提供的电子设备的结构示意图。如图7所示，该实施例的电子设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个灌溉控制方法实施例中的步骤，例如图2所示的步骤S201至步骤S204。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至604的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述电子设备7中的执行过程。例如，所述计算机程序72可以被分割成图6所示的模块601至604。
所述电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器71也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器71还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本申请中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个灌溉控制方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种灌溉控制方法，其特征在于，包括：
将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；
根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；
将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；
获取作物蒸散量、实时土壤温度和实时土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
2.根据权利要求1所述的灌溉控制方法，其特征在于，所述基于决策树算法来确定灌溉方案，包括：
将所述土壤湿度预测值内的阈值与所述实时土壤湿度进行比较；
基于比较结果确定灌溉时间、灌溉需水量和灌溉频率中的一项或多项，并生成灌溉方案。
3.根据权利要求1所述的灌溉控制方法，其特征在于，所述未来设定时间段为2天～5天。
4.根据权利要求1所述的灌溉控制方法，其特征在于，所述土壤数据包括地面温度；所述农作物数据包括：作物系数和日期时间；所述天气数据包括：风速、空气湿度、大气压、降雨量和太阳辐射数据。
5.根据权利要求1所述的灌溉控制方法，其特征在于，在将数据输入农作物需水量预测模型之前，还包括：
获取历史灌溉集合数据；
对所述历史灌溉集合数据进行归一化处理；
确定时间步长，并基于所述时间步长构建初始神经网络模型；
将归一化处理后历史灌溉集合数据随机划分为测试集和训练集；
根据所述测试集和训练集确定模型损失函数；
对所述模型损失函数进行训练预测；
将训练预测结果与所述测试集和所述训练集进行拟合得出优化后的模型，并将优化后的模型作为农作物需水量预测模型。
6.根据权利要求5所述的灌溉控制方法，其特征在于，还包括：
根据设定间隔周期及所述设定间隔周期内的历史灌溉集合数据构建农作物需水量预测模型，以实现农作物需水量预测模型的动态优化。
7.根据权利要求5所述的灌溉控制方法，其特征在于，所述初始神经网络模型为长短期记忆神经网络算法预测模型、深度卷积网络算法预测模型、递归神经网络算法预测模型或前馈神经网络算法预测模型。
8.一种灌溉控制装置，其特征在于，包括：
预测模块，用于将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；
模拟模块，用于根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；
管理模块，用于将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；
决策模块，用于确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211246236.4A CN115530054A (zh) | 2022-10-12 | 2022-10-12 | 灌溉控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211246236.4A CN115530054A (zh) | 2022-10-12 | 2022-10-12 | 灌溉控制方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115530054A true CN115530054A (zh) | 2022-12-30 |
Family
ID=84732891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211246236.4A Pending CN115530054A (zh) | 2022-10-12 | 2022-10-12 | 灌溉控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115530054A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797785A (zh) * | 2023-02-09 | 2023-03-14 | 中关村睿宸卫星创新应用研究院 | 基于微波遥感的农田灌溉频率确定方法及装置 |
| CN115952931A (zh) * | 2023-03-14 | 2023-04-11 | 华智生物技术有限公司 | 一种水稻智能施肥方法、系统、设备及介质 |
| CN116090914A (zh) * | 2023-02-01 | 2023-05-09 | 中国水利水电科学研究院 | 微咸水用于农业灌溉的矿化度安全阈值识别方法及系统 |
| CN116415488A (zh) * | 2023-03-08 | 2023-07-11 | 中国长江三峡集团有限公司 | 一种土壤湿度预测方法、装置、电子设备及存储介质 |
| CN117598190A (zh) * | 2024-01-22 | 2024-02-27 | 河北省水资源研究与水利技术试验推广中心 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
| CN117933946A (zh) * | 2024-03-20 | 2024-04-26 | 华兴国创(北京)科技有限公司 | 一种基于大数据的乡村业务管理方法 |
| CN118077558A (zh) * | 2024-03-18 | 2024-05-28 | 江苏鸿利智能科技股份有限公司 | 基于自动灌溉管理的云计算服务系统 |
| CN118131834A (zh) * | 2024-03-12 | 2024-06-04 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
| CN118428703A (zh) * | 2024-07-05 | 2024-08-02 | 浪潮智慧科技有限公司 | 一种针对灌溉区域的灌溉需求预测方法、设备及介质 |
| CN118627855A (zh) * | 2024-08-09 | 2024-09-10 | 济南市水利工程服务中心 | 一种基于大数据的水利数据智能分析系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580657A (zh) * | 2019-10-12 | 2019-12-17 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
| CN112136667A (zh) * | 2020-11-26 | 2020-12-29 | 江苏久智环境科技服务有限公司 | 一种基于边缘机器学习的智能喷灌方法及系统 |
| CN113554522A (zh) * | 2021-06-11 | 2021-10-26 | 安徽商贸职业技术学院 | 基于动态神经网络的葡萄园精准滴灌控制系统 |
| CN113557890A (zh) * | 2021-06-01 | 2021-10-29 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
| CN114676634A (zh) * | 2022-03-28 | 2022-06-28 | 广东广宇科技发展有限公司 | 一种基于nsga-iii优化lstm神经网络的水位预测方法及系统 |
| CN114698535A (zh) * | 2022-04-06 | 2022-07-05 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
-
2022
- 2022-10-12 CN CN202211246236.4A patent/CN115530054A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580657A (zh) * | 2019-10-12 | 2019-12-17 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
| CN112136667A (zh) * | 2020-11-26 | 2020-12-29 | 江苏久智环境科技服务有限公司 | 一种基于边缘机器学习的智能喷灌方法及系统 |
| CN113557890A (zh) * | 2021-06-01 | 2021-10-29 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
| CN113554522A (zh) * | 2021-06-11 | 2021-10-26 | 安徽商贸职业技术学院 | 基于动态神经网络的葡萄园精准滴灌控制系统 |
| CN114676634A (zh) * | 2022-03-28 | 2022-06-28 | 广东广宇科技发展有限公司 | 一种基于nsga-iii优化lstm神经网络的水位预测方法及系统 |
| CN114698535A (zh) * | 2022-04-06 | 2022-07-05 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090914A (zh) * | 2023-02-01 | 2023-05-09 | 中国水利水电科学研究院 | 微咸水用于农业灌溉的矿化度安全阈值识别方法及系统 |
| CN116090914B (zh) * | 2023-02-01 | 2023-09-05 | 中国水利水电科学研究院 | 微咸水用于农业灌溉的矿化度安全阈值识别方法及系统 |
| CN115797785A (zh) * | 2023-02-09 | 2023-03-14 | 中关村睿宸卫星创新应用研究院 | 基于微波遥感的农田灌溉频率确定方法及装置 |
| CN116415488A (zh) * | 2023-03-08 | 2023-07-11 | 中国长江三峡集团有限公司 | 一种土壤湿度预测方法、装置、电子设备及存储介质 |
| CN115952931A (zh) * | 2023-03-14 | 2023-04-11 | 华智生物技术有限公司 | 一种水稻智能施肥方法、系统、设备及介质 |
| CN117598190B (zh) * | 2024-01-22 | 2024-04-16 | 河北省水资源研究与水利技术试验推广中心 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
| CN117598190A (zh) * | 2024-01-22 | 2024-02-27 | 河北省水资源研究与水利技术试验推广中心 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
| CN118131834A (zh) * | 2024-03-12 | 2024-06-04 | 水利部牧区水利科学研究所 | 一种沙地微储水保湿装置及方法 |
| CN118077558A (zh) * | 2024-03-18 | 2024-05-28 | 江苏鸿利智能科技股份有限公司 | 基于自动灌溉管理的云计算服务系统 |
| CN117933946A (zh) * | 2024-03-20 | 2024-04-26 | 华兴国创(北京)科技有限公司 | 一种基于大数据的乡村业务管理方法 |
| CN118428703A (zh) * | 2024-07-05 | 2024-08-02 | 浪潮智慧科技有限公司 | 一种针对灌溉区域的灌溉需求预测方法、设备及介质 |
| CN118428703B (zh) * | 2024-07-05 | 2024-10-08 | 浪潮智慧科技有限公司 | 一种针对灌溉区域的灌溉需求预测方法、设备及介质 |
| CN118627855A (zh) * | 2024-08-09 | 2024-09-10 | 济南市水利工程服务中心 | 一种基于大数据的水利数据智能分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
| CN105830870B (zh) | 一种远程无线农田监控系统和方法 | |
| Mohamed et al. | Smart farming for improving agricultural management | |
| US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
| CN104460582B (zh) | 一种基于模糊控制的物联网智能灌溉施肥控制方法及系统 | |
| CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
| CN107945042A (zh) | 一种作物生长灌溉决策控制系统 | |
| CN108829165A (zh) | 一种智能农业物联网系统 | |
| Liu et al. | Precision regulation model of water and fertilizer for alfalfa based on agriculture cyber-physical system | |
| Li et al. | Research on IOT technology applied to intelligent agriculture | |
| Manikandan et al. | Deep learning based IoT module for smart farming in different environmental conditions | |
| CN115104515B (zh) | 一种基于降雨利用最大化的灌溉决策云计算方法、云计算平台和灌溉终端 | |
| Jia | [Retracted] Intelligent Garden Planning and Design Based on Agricultural Internet of Things | |
| 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 | |
| CN115685799A (zh) | 一种生态灌区信息化的数字孪生远程控制方法及平台 | |
| CN117634738B (zh) | 基于人工智能的物联网农业环保一体化平台 | |
| CN117236650B (zh) | 一种水肥一体化智慧泵房控制方法 | |
| Lyu et al. | Design of irrigation control system for vineyard based on lora wireless communication and dynamic neural network | |
| Kamath et al. | IoT based smart agriculture | |
| Voutos et al. | An IoT-based insular monitoring architecture for smart viticulture | |
| Bobade et al. | Design of Smart Irrigation System Based on MLA | |
| Premkumar et al. | Functional framework for edge-based agricultural system | |
| Singh | Sustainable and Smart Agriculture: A Holistic Approach | |
| Suciu et al. | IoT agro-meteorology for viticulture disease warning | |
| Mezouari et al. | Towards smart farming through machine learning-based automatic irrigation planning |
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 |