CN115661547A - 一种基于知识图谱的植物灌溉养护方法及系统 - Google Patents
一种基于知识图谱的植物灌溉养护方法及系统 Download PDFInfo
- Publication number
- CN115661547A CN115661547A CN202211407624.6A CN202211407624A CN115661547A CN 115661547 A CN115661547 A CN 115661547A CN 202211407624 A CN202211407624 A CN 202211407624A CN 115661547 A CN115661547 A CN 115661547A
- Authority
- CN
- China
- Prior art keywords
- plant
- calculating
- layer
- data
- influence factors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 47
- 230000002262 irrigation Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012423 maintenance Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 241000196324 Embryophyta Species 0.000 claims description 180
- 230000008635 plant growth Effects 0.000 claims description 59
- 230000009466 transformation Effects 0.000 claims description 43
- 230000012010 growth Effects 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 25
- 239000003621 irrigation water Substances 0.000 claims description 22
- 239000002689 soil Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及园林灌溉技术领域，公开了一种基于知识图谱的植物灌溉养护方法，本发明接入知识图谱，通过图数据关系计算得到植物的生长习性和环境喜好，并在数据库记录种植植物的生长信息，再结合少量的环境传感器设备感知环境温湿度信息，另外除了从互联网开放接口获取天气信息外，还增加了计算机视觉分类模型，通过摄像头实时拍摄现场环境，经过模型计算得到天气分类，从而更准确地判断当日天气提高整体模型的决策精度。本发明还公开了一种基于知识图谱的植物灌溉养护系统。最后，综合以上信息，本发明提出一个用于计算单日单位面积预测植物需水量的深度学习模型，结合专家经验和历史数据训练得到模型，后续实际应用场景中只需要采集环境指标并输入模型即可得到较为精确到植物需水量。
Description
技术领域
本发明涉及园林灌溉技术领域，具体地说，是一种基于知识图谱的植物灌溉养护方法及系统。
背景技术
园林灌溉是补充园林植物生长所需的土壤水分，以改善其生长条件的技术措施。利用人工的方法或机械的方法以不同的灌水形式，补充园林绿地的土壤水分，满足植物的水分需求。
现有技术中解决植物灌溉的方法主要分为以下五类：
①简单的直接通过定时开关控制水用电磁阀的开闭状态对植物进行灌溉。
②通过电路板做控制端，利用WIFI模块进行无线连接，通过MQTT等通讯协议或物联网通讯服务平台与远程设备连接，控制灌溉养护设备系统的开关。
③通过电路板做控制端，空气温湿度传感器、土壤湿度传感器、二氧化碳浓度等传感器设备用来收集环境的温度、湿度、土壤湿度和二氧化碳浓度等环境因素作为判断参数，根据环境参数的变化结合函数计算自动决策执行浇灌工作。
④通过互联网获取降雨量和气温等环境数据，预测未来一段时间内的降水量和气温，再根据土壤传感器数据辅助判断灌溉时间和灌溉量，如专利申请号202011466209.9。
⑤用人工智能的方法，用相机拍摄植物图像，根据农作物的RGB图像获取农作物的颜色分布特征图和纹理特征影像图得到农作物生长状态分布图，结合湿度传感器计算和控制灌溉用水量，如专利申请号202110873969.X。
可以看出，现有技术都依赖传感器进行工作喷灌，在面积较大场地应用时，单个传感器的数据覆盖面积有限，需要在现场布设多个传感器设备，增加了设备成本，同时中控板与二氧化碳传感器、土壤传感器之间使用有线连接也大大增加了线路布设的工程量，延长工程周期，增加工程成本。另外，现实场地往往具有多种类型的植物，现有技术方案并没有考虑到不同类型的植物生长周期不同，对水量的需求也不同，容易造成植物生长不佳和水资源浪费的问题。
因此，基于上述问题，本发明提供了一种解决方法及系统，基于知识图谱的植物习性、养护等数据信息，结合物理环境传感器技术和人工智能机器视觉技术，判断植物成长状态和植物种植环境因素，并根据环境因素自动计算植物需水量，自动浇灌系统根据植物需水量控制浇灌喷头的通水时间，从而实现精准控制水量的目的。
发明内容
本发明的目的在于提供一种基于知识图谱的植物灌溉养护方法及系统，基于知识图谱的植物习性、养护等数据信息，结合物理环境传感器技术和人工智能机器视觉技术，判断植物成长状态和植物种植环境因素，并根据环境因素自动计算植物需水量，自动浇灌系统根据植物需水量控制浇灌喷头的通水时间，从而实现精准控制水量的目的。
本发明通过下述技术方案实现：一种基于知识图谱的植物灌溉养护方法，包括以下步骤：
步骤S1，建立知识图谱并在知识图谱内存储节点信息和关系信息，将植物品种输入进知识图谱中，结合环境传感器设备和互联网基于位置的服务接口LBS提供的数据计算植物生长属性得分值、植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子和随机环境因素影响因子，并将计算的数据处理为数据集；
所述节点信息包括植物品种名信息、植物生长形态信息和植物生长环境要求信息，通过知识图谱中的图数据关系计算得到植物的生长形态和生长环境喜好信息；
所述关系信息包括植物对水分的喜欢关系、耐受关系、不耐受关系；
步骤S2，预先采集N条植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子数据，计算在四个影响因子下的植物需水量，将四个影响因子和植物需水量组成数据集，并对数据集进行处理，按比例划分为训练集和验证集；
步骤S3，构建用于计算单日单位面积下预测植物需水量θ的深度神经网络模型，所述深度神经网络模型包括依次连接的第一线性变换层、第一卷积层、最大池化层、九个结构相同的残差模块、通道注意力模块、第一长短期记忆网络、第二长短期记忆网络和第三长短期记忆网络、第四线性变换层和第五线性变换层；
所述残差模块包括依次连接的卷积层CA、批归一化层A、卷积层CB和批归一化层B，所述卷积层A和批归一化层B跳跃连接；
所述通道注意力模块包括自适应池化层、第二线性变换层和第三线性变换层，所述第三线性变换层和自适应池化层跳跃连接；
步骤S4，使用训练集和验证集训练深度神经网络模型，将学习率和迭代次数预设完整，使用Adam优化器进行参数的迭代训练优化，直到迭代次数等于最大迭代次数，中止训练，生成训练好的深度神经网络模型；
步骤S5，采集现场环境指标并计算植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子数据共四个影响因子并输入进训练好的深度神经网络模型中计算预测植物需水量
根据植物生长属性得分值、预测植物需水量
随机环境因素影响因子计算植物单日单位面积应灌溉水量，根据植物单日单位面积应灌溉水量对植物进行灌溉养护。
为了更好地实现本发明，进一步地，所述步骤S1中计算植物生长属性得分值的方法包括：
根据知识图谱获取植物生活型信息，根据植物生活型信息、植物的生长形态和生长环境喜好信息和土壤信息计算植物生长属性得分值；
获取影响植物需水量∝的相关信息，根据植物需水量∝的相关信息、节点之间的关系、植物的生长形态和生长环境喜好信息计算植物生长属性得分值；
所述土壤信息在土壤透水性强弱的设定区间范围内进行取值；
所述计算植物生长属性得分值γ1的公式表示为：
其中，γ1为植物i的生长属性得分值，i为待输入计算的植物，n为单位面积植物i的植株总数，ρi为植物i的对水分喜好的关系信息，σi为植物i的查询结果，Si为植物i的生活型信息，Δ为土壤信息。
为了更好地实现本发明，进一步地，所述步骤S1中计算植物种植区位影响因子的方法包括：
根据月份和纬度的差异，计算出植物种植区位影响因子；
所述植物种植区位影响因子γ2的公式表示为：
其中代表月份，取值范围为1到12，l代表植物种植位置所在的纬度，取值范围为0到90。
为了更好地实现本发明，进一步地，所述步骤S1中计算植物生长天数影响因子的方法包括：
根据植物生长天数计算植物生长天数影响因子γ3，并表示为：
其中，D表示植株生长天数。
为了更好地实现本发明，进一步地，所述步骤S1中计算降雨影响因子、温度影响因子和随机环境因素影响因子的方法包括：
每日固定时间请求服务器从互联网基于位置的服务接口获取当日小时级别天气预报的所需信息，所述所需信息包括气温信息、降水信息和天气类型预报信息；
从当日气温预报中提取早上8点到20点的温度Ci并求出平均值
其中i代表8-20点的时间段中的每个整点；
使用PP-LCNet V2架构训练天气图片分类的深度学习模型，如果当天天气类型中包含有阴天或下雨，即控制摄像头每隔一段固定时间拍摄1张植物种植场地的现状图片传输到天气分类模型，深度学习模型判别是否下雨；
如果模型判别结果状态为下雨，从温湿度传感器获取即时的温湿度数据，将即时的温度和相对湿度数据与最近一条上传服务器的数据做差后取绝对值比较，如果温度变化值大于等于2摄氏度或者相对湿度变化值大于等于5％，即判定下雨状态条件成立，定义降雨量为ω，请求基于位置的服务接口获取两小时内5分钟级别的降雨量，将5分钟级别的降雨数据进行归一化处理后求和得到降雨量ω，归一化的最大值和最小值参数分别为0和16，降雨量ω的取值范围是(0，24]；
如果0＜ω≤12，则降雨影响因子λ表示为
如果深度学习模型判别结果状态为不下雨，即降雨量总和ω＝0时，则根据公式用气温平均值
计算温度影响因子μ，气温平均值
表示为：
Ci是当日8-20点的预测温度。
温度影响因子μ表示为
根据环境因素变化加入随机环境因素影响因子δ，随机环境因素影响因子δ的取值范围为[-2，2]，随机环境因素对植物灌溉量的临时增加需求之间成正比。
为了更好地实现本发明，进一步地，所述步骤S1中将计算的数据处理为数据集的方法包括：
在一段时间内每10分钟采集、计算、上报一次植物生长天数影响因子、降雨量、降雨影响因子、温度影响因子；
当数据量累计到预设的数量阈值后，将数据按小时划分并求出每小时各个因子的均值，为每组因子计算出单日单位面积的植物需水量∝，并组成若干个新数组
其中植物种植区位影响因子γ2、植物生长天数影响因子γ3、降雨影响因子λ和温度影响因子μ为自变量，植物需水量∝为因变量；
每24个数组
再合并为一个24维的批，若干个24维的数据组成数据集。
为了更好地实现本发明，进一步地，所述步骤S2包括：
首先求出数据集中所有数据的最大值M和最小值N，并对所有数据进行归一化操作，然后将归一化操作后所有的数据按7∶3的比例划分为训练集和验证集。
为了更好地实现本发明，进一步地，所述步骤S4包括：
步骤S41，将训练集输入进第一线性变换层，对训练集的数据进行维度扩充和线性变换层拉平，经过第一卷积层进行卷积运算后获取特征图X0；
步骤S42，将特征图X0经过ReLU激活函数计算后输入最大池化层输出X1；
步骤S43，将特征图X1输入到残差模块后，先经过卷积层A和批归一化层A的处理，再经过ReLU激活函数之后再经过卷积层CB和批归一化层B进行处理，最后将输出的特征图X2与输入残差模块的特征图X1相加然后经过ReLU激活函数计算，并重复循环九次残差模块的计算，输出特征图X3；
步骤S44，将特征图X3输入进通道注意力模块后，先经过自适应池化层沿着特征图X3的空间维度进行压缩，将每个二维的特征通道压缩为一个数值表示特征，然后经过两个线性变换层和sigmoid激活函数获取通道注意力权重，然后将通道注意力权重与输入特征图X3相乘，得到新特征图X4；
步骤S45，使用dropout丢弃手段随机将一些神经元输出设置为0的神经元后，将特征图X4输入进第一长短期记忆网络、第二长短期记忆网络和第三长短期记忆网络进行时序建模，通过第四线性变换层对特征图X4进行降维，再使用ReLU激活函数计算，最后通过第五线性变换层作为全连接层，将特征图X4降为1维后输出结果，输出的结果为深度神经网络模型的预测植物需水量；
使用dropout丢弃手段随机将一些神经元输出设置为0的神经元是指将一大堆神经元里面的部分神经元随机设置成0之后再输入长短期记忆网络，为的就是丢弃一些学到的东西让他多学习几遍防止过拟合。
步骤S46，将学习率设置为0.005，将迭代次数设置为100轮，使用Adam优化器进行参数的迭代训练优化，直到迭代次数等于最大迭代次数，中止训练；
步骤S47，使用验证集验证训练好的深度神经网络模型。
为了更好地实现本发明，进一步地，所述步骤S5包括：
步骤S51，将预设时间内的植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子的数据按小时划分并求出每小时各个因子的均值，每个小时的均值组成影响因子数组S，并表示为S＝{γ2，γ3，λ，μ}，以模型运行时的时间为基准，提取前24小时的影响因子数组组合成新的数组S′＝{S1，S2，S3，......，S24}；
步骤S52，将数组输入训练好的深度神经网络模型后运算得到模型输出的预测植物需水量θ，并表示为单日单位面积应灌溉水量Φ的计算公式为：
步骤S53，获取到单日单位面积应灌溉水量Φ后，乘以灌溉的面积a，得到单日应灌溉水量
单位为毫米；
步骤S54，得到单日应灌溉水量
后，结合管道直径d和水流速度v计算得到通电时长T；
步骤S55，通过通电时长控制电磁阀，即可实现精准水量灌溉。
为了更好的实现本发明，进一步的，本发明还提供了一种基于知识图谱的植物灌溉养护系统，包括数据处理模块、采集单元、模型搭建单元、训练单元和检测单元，其中：
数据处理模块，用于建立知识图谱并在知识图谱内存储节点信息和关系信息，将植物品种输入进知识图谱中，结合环境传感器设备和互联网基于位置的服务接口LBS提供的数据计算植物生长属性得分值、植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子和随机环境因素影响因子，并将计算的数据处理为数据集，对数据集进行处理，并按比例划分为训练集和验证集；
模型搭建单元，用于构建用于计算单日单位面积下预测植物需水量的深度神经网络模型，所述深度神经网络模型包括依次连接的第一线性变换层、第一卷积层、最大池化层、九个结构相同的残差模块、通道注意力模块、第一长短期记忆网络、第二长短期记忆网络和第三长短期记忆网络、第四线性变换层和第五线性变换层；
所述残差模块包括依次连接的卷积层CA、批归一化层A、卷积层CB和批归一化层B，所述卷积层A和批归一化层B跳跃连接；
所述残差模块包括依次连接的卷积层CA、批归一化层A、卷积层CB和批归一化层B，所述卷积层A和批归一化层B跳跃连接；
所述通道注意力模块包括自适应池化层、第二线性变换层和第三线性变换层，所述第三线性变换层和自适应池化层跳跃连接；
训练单元，用于使用训练集和验证集训练深度神经网络模型，将学习率和迭代次数预设完整，使用Adam优化器进行参数的迭代训练优化，直到迭代次数等于最大迭代次数，中止训练，生成训练好的深度神经网络模型；
检测单元，用于采集现场环境指标并输入进训练好的深度神经网络模型中计算植物需水量，根据植物生长属性得分值、植物需水量、随机环境因素影响因子计算植物单日单位面积应灌溉水量，根据植物单日单位面积应灌溉水量对植物进行灌溉养护。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明结合知识图谱，能够根据种植植物的位置、品种、生长阶段、天气等影响因子计算出单日精准的灌溉水量，有利于为植物生长提供合适的湿度条件，避免灌溉水量不足或者过度灌溉，一定程度上也有利于水资源节约；
(2)本发明接入知识图谱，通过图数据关系计算得到植物的生长习性和环境喜好，并在数据库记录种植植物的生长信息，再结合少量的环境传感器设备感知环境温湿度信息，另外除了从互联网开放接口获取天气信息外，还增加了计算机视觉分类模型，通过摄像头实时拍摄现场环境，经过模型计算得到天气分类，从而更准确地判断当日天气提高整体模型的决策精度。最后，综合以上信息，本发明提出一个用于计算单日单位面积植物需水量的深度学习模型，结合专家经验和历史数据训练得到模型，后续实际应用场景中只需要采集环境指标并输入模型即可得到较为精确到植物需水量。
附图说明
本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的深度神经网络模型的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本实施例的一种基于知识图谱的植物灌溉养护方法，接入知识图谱，通过图数据关系计算得到植物的生长习性和环境喜好，并在数据库记录种植植物的生长信息，再结合少量的环境传感器设备感知环境温湿度信息，另外除了从互联网开放接口获取天气信息外，还增加了计算机视觉分类模型，通过摄像头实时拍摄现场环境，经过模型计算得到天气分类，从而更准确地判断当日天气提高整体模型的决策精度。最后，综合以上信息，本发明提出一个用于计算单日单位面积预测植物需水量θ的深度学习模型，结合专家经验和历史数据训练得到模型，后续实际应用场景中只需要采集环境指标并输入模型即可得到较为精确的预测植物需水量θ。
知识图谱是一个图数据库，存储包含若干节点和关系，节点包括植物品种名、植物生长形态以及光照、水分、温度、生长土壤等植物生长环境要求信息，关系包括喜欢、耐受、不耐受以及各种土壤信息，其中植物对水分的喜欢、耐受、不耐受三种关系的值ρ喜欢，ρ耐受，ρ不耐受分别是1.2，0.5和-1。输入植物品种查询知识图谱，通过节点之间的关系计算获取植物的生长形态和生长环境喜好信息，查询结果分为两种状态，如果关系存在，则σ＝1，否则σ＝0。
植物生活型也是影响植物需水量的重要因素，考虑植物生活型的不同本方法将植物按生活型分为乔木、灌木和地被，三种生活型对应的值S乔木、S灌木、S地被分别为2，1.2和1.0。
Δ为土壤信息，土壤信息按照土壤的透水性强弱分为[-2，2]区间内不同的值Δ，土壤透水性越强，Δ值越大，反之越小。最后，综合以上指标，根据以下公式计算出植物生长属性得分值γ1。通过专门测试工具可以测试到土壤信息，透水性区间也根据测试得到。
实施例2：
本实施例在实施例1的基础上做进一步优化，考虑我国南北不同纬度环境和气候的差异性，因此根据月份和纬度的差异，计算出植物种植区位影响因子γ2，公式如下所示：
其中M代表月份，取值范围为1到12，l代表植物种植位置所在的纬度，取值范围为0到90。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1或2的基础上做进一步优化，植物在不同的生长阶段对水的需求量也不一样，一般而言，随着植物体的生长时间越长，需水量就越大，但由于需水量不会随着植物的生长而无限增长，因此本发明设计了一个合理的增长曲线函数计算植株生长天数D对需水量的影响因子γ3。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
实施例4：
本实施例在上述实施例1-3任一项的基础上做进一步优化，考虑温度、降水天气条件对植物的灌溉水量的影响，因此在以上算法的基础上增加降雨影响因子λ和温度影响因子μ。
每日固定时间请求服务器从互联网公开接口获取当日小时级别天气预报，主要信息包括气温、降水和天气类型预报，从当日气温预报中提取早上8点到20点的温度Ci并求出平均值
其中i代表8-20点的时间段中的每个整点。此外，利用PP-LCNetV2(PaddlePaddleLightweight CPU Convolutional Neural Network)架构训练天气图片分类的深度学习模型，如果当天天气类型中包含有阴天或下雨，即控制摄像头每隔一段固定时间拍摄1张植物种植场地的现状图片传输到天气分类模型，天气分类模型判别是否下雨。
如果模型判别结果状态为下雨，从温湿度传感器获取即时的温湿度数据。将即时的温度和湿度数据与最近一条上传服务器的数据做差后取绝对值比较，如果温度变化值大于等于2摄氏度或者湿度变化值大于等于5％，即判定下雨状态条件成立，定义降雨量为ω，请求服务器获取获取两小时内5分钟级别的降雨量，将5分钟级别的降雨数据进行归一化处理后求和得到ω，归一化的最大值和最小值参数分别为0和16，ω的取值范围是(0，24]。如果0＜ω≤12，则降雨影响因子λ
如果模型判别结果状态为不下雨，即降雨量总和ω＝0时，则根据公式用气温平均值
计算温度影响因子μ，如下所示：
最后，考虑其他不确定随机环境因素的影响，如植物生长环境遭遇极端天气，需要根据环境因素变化加入随机因子δ，δ的取值范围为[-2，2]，随机环境因素对灌溉量临时增加需求越大时，δ取值越大，反之越小。。
本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。
实施例5：
本实施例在上述实施例1-4任一项基础上做进一步优化，。
本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。
实施例6：
本实施例在上述实施例1-5任一项基础上做进一步优化，通过接入的植物知识图谱、确认的植物位置、记录的植物生长记录和天气信息等分别计算得出植物生长属性得分值γ1、植物种植区位影响因子γ2、植物生长天数影响因子γ3、降雨影响因子λ、温度影响因子μ和随机环境因素影响因子δ。首先在一段时间内每10分钟采集、计算、上报一次植物生长天数影响因子γ3、降雨量ω、降雨影响因子λ、温度影响因子μ，因为降水量对植物需水量影响较大，为避免降雨影响因子不能反映保证模型最终的预测效果，将降雨量和降雨影响因子作为同等要素看待并输入模型。数据量累计到一定数量后，将数据按小时划分并求出每小时各个因子的均值，根据专家经验为每组因子估算出植物需水量∝，并组成若干个新数组
其中γ2，γ3，λ，μ为自变量，∝为因变量。然后每24个数组
再合并为一个24维的batch(批)。
本发明提出了一个用于计算单日单位面积预测植物需水量的深度神经网络模型结构，其主要结构如图1所示。
预先采集5000条植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子数据，由专家根据经验计算在四个影响因子下的植物需水量，组成数据集，并对数据集进行处理，并按比例划分为训练集和验证集。
在深度神经网络模型中：
①将植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子数据、(专家经验下)植物需水量作为数据集进行处理后输入进深度神经网络模型，生成预测植物需水。
②根据植物生长属性得分值、预测植物需水量、随机环境因素计算出植物单日单位面积应灌溉水量。
图中L1、L2、L3、L4、L5为线性变换层，C1、CA、CB为2D卷积层，M1为最大池化层，A1为自适应池化层，B1、B2为批归一化层，LSTM1、LSTM2、LSTM3为长短期记忆网络。
深度神经网络模型包括依次连接的第一线性变换层L1、第一卷积层C1、最大池化层M1、九个结构相同的残差模块Residual Block、通道注意力模块SE Block、第一长短期记忆网络LSTM1、第二长短期记忆网络LSTM2和第三长短期记忆网络LSTM3、第四线性变换层L4和第五线性变换层L5；
残差模块包括依次连接的卷积层CA、批归一化层B1、卷积层CB和批归一化层B，卷积层A和批归一化层B跳跃连接。
通道注意力模块包括自适应池化层A1、第二线性变换层L2和第三线性变换层L3，第三线性变换层L3和自适应池化层跳跃连接A1。
首先求出所有数据的最大值M和最小值N，并对所有数据进行归一化操作，保证数据的分布一致性。然后所有的batch按7：3的比例划分为训练数据集和验证集。将训练集中每32个batch划分为一组，此时每个batch向量表示的维度大小为[32，1，4]，为了方便输入卷积层，首先对数据进行维度的扩充并经过线性变换层拉平为[32，1，1，1]维度大小的向量。然后经过一个滤波器为64的2D卷积层进行卷积运算后获得向量维度为[32，64，1，1]的特征图，经过ReLU激活函数后输入最大池化层。
为了防止梯度消失、梯度爆炸或网络退化，本发明借鉴残差的思想，加入了9个残差模块(Residual Block)，其结构是两个卷积层和两个批归一化层，把上一层最大池化层输出的特征图输入到残差块的卷积层，然后对新的特征图进行批归一化处理，经过ReLU激活函数之后再进行卷积和批归一化处理，最后将输出的特征图与输入残差块的原始特征图相加然后经过ReLU激活函数，如此顺序重复循环9次。
为了进一步提升模型的特征提取能力，本发明在残差块后加入了一个通道注意力模块(SE Block)，该模块由一个自适应池化层和两个线性变换层组成。上一层残差模块的输出特征图首先经过自适应池化层沿着特征图的空间维度进行压缩，将每个二维的特征通道压缩为一个数值表示特征，然后经过两个线性变换层和sigmoid激活函数获取通道注意力权重，然后将通道注意力权重与输入特征图相乘，得到新特征图。
在输入下一层网络之前使用dropout丢弃手段随机将一些神经元输出设置为0以阻止神经元节点间的相关性来减少过拟合。
然后连接三个LSTM长短期记忆网络进行时序建模，通过一个线性变换层对特征图进行降维，经过ReLU激活函数后，最后通过一个线性变换层作为全连接层，将特征图降为1维，即为模型的预测植物需水量。
本实施例的其他部分与上述实施例1-5任一项相同，故不再赘述。
实施例7：
本实施例在上述实施例1-6任一项基础上做进一步优化，将预测植物需水量与专家经验值进行均方误差运算，计算出预测值和真实值的差距，并使用Adam优化器进行参数的迭代训练优化。
本发明中设置的训练初始参数：学习率0.005，迭代次数为100轮。
模型迭代完成后输出静态图模型用于推理，推理数据预处理与训练数据预处理数据步骤相似，将10分钟级别的植物种植区位影响因子γ2、生长天数影响因子γ3、降雨影响因子λ、温度影响因子μ数据按小时划分并求出每小时各个因子的均值，每个小时的均值组成影响因子数组S＝{γ2，γ3，λ，μ}，以模型运行时的时间为基准，提取前24小时的影响因子数组组合成新的数组S′＝{S1，S2，S3，......，S24}。将数组输入模型后运算得到模型输出的预测植物需水量θ。
考虑降水量过大时不需要再灌溉补充水分的情况，因此在本发明特别规定，以模型运行时间为基准，往前24小时任一条记录的降雨量ω＞12时，单日单位面积应灌溉水量Φ＝0。
综上所述，最终单日单位面积应灌溉水量Φ的计算公式为：
得到单日单位面积应灌溉水量Φ后，乘以灌溉的面积d，得到单日应灌溉水量
单位为毫米(mm)。
本实施例的其他部分与上述实施例1-6任一项相同，故不再赘述。
实施例8：
本实施例在上述实施例1-7任一项基础上做进一步优化，得到单日应灌溉水量
后，结合管道直径d(单位：米)和水流速度v计算得到通电时长T，并表示为：
通过通电时长控制电磁阀，即可实现精准水量灌溉。
本实施例的其他部分与上述实施例1-7任一项相同，故不再赘述。
实施例9：
本实施例在上述实施例1-8任一项基础上做进一步优化，此外，本发明还提供了一种和方法相配的植物灌溉养护系统，包括数据处理模块、采集单元、模型搭建单元、训练单元和检测单元。在此不多做赘述。
本实施例的其他部分与上述实施例1-8任一项相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱的植物灌溉养护方法，其特征在于，包括以下步骤：
步骤S1，建立知识图谱并在知识图谱内存储节点信息和关系信息，将植物品种输入进知识图谱中，结合环境传感器设备和互联网基于位置的天气服务接口LBS提供的数据计算植物生长属性得分值、植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子和随机环境因素影响因子；
所述节点信息包括植物品种名信息、植物生长形态信息和植物生长环境要求信息，通过知识图谱中的图数据关系计算得到植物的生长形态和生长环境喜好信息；
所述关系信息包括植物对水分的喜欢关系、耐受关系、不耐受关系；
步骤S2，预先采集N条植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子数据，计算在四个影响因子下的植物需水量∝，将四个影响因子和植物需水量∝组成数据集，并对数据集进行处理，按比例划分为训练集和验证集；
步骤S3，构建用于计算单日单位面积下预测植物需水量θ的深度神经网络模型，所述深度神经网络模型包括依次连接的第一线性变换层、第一卷积层、最大池化层、九个结构相同的残差模块、通道注意力模块、第一长短期记忆网络、第二长短期记忆网络和第三长短期记忆网络、第四线性变换层和第五线性变换层；
所述残差模块包括依次连接的卷积层CA、批归一化层B1、卷积层CB和批归一化层B2,所述卷积层A和批归一化层B2跳跃连接；
所述通道注意力模块包括自适应池化层、第二线性变换层和第三线性变换层，所述第三线性变换层和自适应池化层跳跃连接；
步骤S4，使用训练集和验证集训练深度神经网络模型，将学习率和迭代次数预设完整，使用Adam优化器进行参数的迭代训练优化，直到迭代次数等于最大迭代次数，中止训练，生成训练好的深度神经网络模型；
步骤S5，采集现场环境指标并计算植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子数据共四个影响因子并输入进训练好的深度神经网络模型中计算预测植物需水量θ，根据植物生长属性得分值、预测植物需水量θ、随机环境因素影响因子计算植物单日单位面积应灌溉水量，根据植物单日单位面积应灌溉水量对植物进行灌溉养护。
2.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S1中计算植物生长属性得分值的方法包括：
根据知识图谱获取植物生活型信息，根据植物生活型信息、植物的生长形态和生长环境喜好信息和土壤信息计算植物生长属性得分值；
获取影响植物需水量∝的相关信息，根据植物需水量∝的相关信息、节点之间的关系、植物的生长形态和生长环境喜好信息计算植物生长属性得分值；
所述土壤信息在土壤透水性强弱的设定区间范围内进行取值；
所述计算植物生长属性得分值γ1的公式表示为：
其中，γ1为植物i的生长属性得分值，i为待输入计算的植物，n为单位面积植物i的植株总数，ρi为植物i的对水分喜好的关系信息，σi为植物i的查询结果，Si为植物i的生活型信息，Δ为土壤信息。
3.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S1中计算植物种植区位影响因子的方法包括：
根据月份和纬度的差异，计算出植物种植区位影响因子；
所述植物种植区位影响因子γ2的公式表示为：
其中M代表月份，取值范围为1到12，l代表植物种植位置所在的纬度，取值范围为0到90。
4.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S1中计算植物生长天数影响因子的方法包括：
根据植物生长天数计算植物生长天数影响因子γ3，并表示为：
其中，D表示植株生长天数。
5.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S1中计算降雨影响因子、温度影响因子和随机环境因素影响因子的方法包括：
每日固定时间请求服务器从互联网基于位置的服务接口获取当日小时级别天气预报的所需信息，所述所需信息包括气温信息、降水信息和天气类型预报信息；
从当日气温预报中提取早上8点到20点的温度Ci并求出平均值
其中i代表8-20点的时间段中的每个整点；
使用PP-LCNet V2架构训练天气图片分类的深度学习模型，如果当天天气类型中包含有阴天或下雨，即控制摄像头每隔一段固定时间拍摄1张植物种植场地的现状图片传输到天气分类模型，深度学习模型判别是否下雨；
如果模型判别结果状态为下雨，从温湿度传感器获取即时的温湿度数据，将即时的温度和相对湿度数据与最近一条上传服务器的数据做差后取绝对值比较，如果温度变化值大于等于2摄氏度或者相对湿度变化值大于等于5％，即判定下雨状态条件成立，定义降雨量为ω，请求基于位置的服务接口获取两小时内5分钟级别的降雨量，将5分钟级别的降雨数据进行归一化处理后求和得到降雨量ω，归一化的最大值和最小值参数分别为0和16，降雨量ω的取值范围是(0,24]；
如果0＜ω≤12，则降雨影响因子λ表示为
如果深度学习模型判别结果状态为不下雨，即降雨量总和ω＝0时，则根据公式用气温平均值
计算温度影响因子μ，气温平均值
表示为：
Ci是当日8-20点的预测温度。
温度影响因子μ表示为
根据环境因素变化加入随机环境因素影响因子δ，随机环境因素影响因子δ的取值范围为[-2,2]，随机环境因素对植物灌溉量的临时增加需求之间成正比。
6.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S1中将计算的数据处理为数据集的方法包括：
在一段时间内每10分钟采集、计算、上报一次植物生长天数影响因子、降雨量、降雨影响因子、温度影响因子；
当数据量累计到预设的数量阈值后，将数据按小时划分并求出每小时各个因子的均值，为每组因子计算出单日单位面积的植物需水量∝，并组成若干个新数组
其中植物种植区位影响因子γ2、植物生长天数影响因子γ3、降雨影响因子λ和温度影响因子μ为自变量，植物需水量∝为因变量；
每24个数组
再合并为一个24维的批，若干个24维的数据组成数据集。
7.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S2包括：
首先求出数据集中所有数据的最大值M和最小值N，并对所有数据进行归一化操作，然后将归一化操作后所有的数据按7:3的比例划分为训练集和验证集。
8.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S4包括：
步骤S41，将训练集输入进第一线性变换层，对训练集的数据进行维度扩充和线性变换层拉平，经过第一卷积层进行卷积运算后获取特征图X0；
步骤S42，将特征图X0经过ReLU激活函数计算后输入最大池化层输出X1；
步骤S43，将特征图X1输入到残差模块后，先经过卷积层A和批归一化层A的处理，再经过ReLU激活函数之后再经过卷积层CB和批归一化层B进行处理，最后将输出的特征图X2与输入残差模块的特征图X1相加然后经过ReLU激活函数计算，并重复循环九次残差模块的计算，输出特征图X3；
步骤S44，将特征图X3输入进通道注意力模块后，先经过自适应池化层沿着特征图X3的空间维度进行压缩，将每个二维的特征通道压缩为一个数值表示特征，然后经过两个线性变换层和sigmoid激活函数获取通道注意力权重，然后将通道注意力权重与输入特征图X3相乘，得到新特征图X4；
步骤S45，使用dropout丢弃手段随机将一些神经元输出设置为0的神经元后，将特征图X4输入进第一长短期记忆网络、第二长短期记忆网络和第三长短期记忆网络进行时序建模，通过第四线性变换层对特征图X4进行降维，再使用ReLU激活函数计算，最后通过第五线性变换层作为全连接层，将特征图X4降为1维后输出结果，输出的结果为深度神经网络模型的预测植物需水量θ；
步骤S46，将学习率设置为0.005，将迭代次数设置为100轮，使用Adam优化器进行参数的迭代训练优化，直到迭代次数等于最大迭代次数，中止训练；
步骤S47，使用验证集验证训练好的深度神经网络模型。
9.根据权利要求1所述的一种基于知识图谱的植物灌溉养护方法，其特征在于，所述步骤S5包括：
步骤S51，将预设时间内的植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子的数据按小时划分并求出每小时各个因子的均值，每个小时的均值组成影响因子数组S，并表示为S＝{γ2，γ3，λ，μ}，以模型运行时的时间为基准，提取前24小时的影响因子数组组合成新的数组S‘＝{S1，S2，S3，.......，S24}；
步骤S52，将数组输入训练好的深度神经网络模型后运算得到模型输出的预测植物需水量θ，并表示为单日单位面积应灌溉水量Φ的计算公式为：
步骤S53，获取到单日单位面积应灌溉水量Φ后，乘以灌溉的面积
得到单日应灌溉水量
单位为毫米；
步骤S54，得到单日应灌溉水量
后，结合管道直径d和水流速度v计算得到通电时长T；
步骤S55，通过通电时长控制电磁阀，即可实现精准水量灌溉。
10.一种基于知识图谱的植物灌溉养护系统，其特征在于，包括数据处理模块、采集单元、模型搭建单元、训练单元和检测单元，其中：
数据处理模块，用于建立知识图谱并在知识图谱内存储节点信息和关系信息，将植物品种输入进知识图谱中，结合环境传感器设备和互联网基于位置的服务接口LBS提供的数据计算植物生长属性得分值、植物种植区位影响因子、植物生长天数影响因子、降雨影响因子、温度影响因子和随机环境因素影响因子，并将计算的数据处理为数据集，对数据集进行处理，并按比例划分为训练集和验证集；
模型搭建单元，用于构建用于计算单日单位面积下预测植物需水量的深度神经网络模型，所述深度神经网络模型包括依次连接的第一线性变换层、第一卷积层、最大池化层、九个结构相同的残差模块、通道注意力模块、第一长短期记忆网络、第二长短期记忆网络和第三长短期记忆网络、第四线性变换层和第五线性变换层；
所述残差模块包括依次连接的卷积层CA、批归一化层A、卷积层CB和批归一化层B,所述卷积层A和批归一化层B跳跃连接；
所述通道注意力模块包括自适应池化层、第二线性变换层和第三线性变换层，所述第三线性变换层和自适应池化层跳跃连接；
训练单元，用于使用训练集和验证集训练深度神经网络模型，将学习率和迭代次数预设完整，使用Adam优化器进行参数的迭代训练优化，直到迭代次数等于最大迭代次数，中止训练，生成训练好的深度神经网络模型；
检测单元，用于采集现场环境指标并输入进训练好的深度神经网络模型中计算预测植物需水量，根据植物生长属性得分值、植物需水量、随机环境因素影响因子计算植物单日单位面积应灌溉水量，根据植物单日单位面积应灌溉水量对植物进行灌溉养护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211407624.6A CN115661547B (zh) | 2022-11-10 | 2022-11-10 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211407624.6A CN115661547B (zh) | 2022-11-10 | 2022-11-10 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115661547A true CN115661547A (zh) | 2023-01-31 |
| CN115661547B CN115661547B (zh) | 2023-12-15 |
Family
ID=85021020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211407624.6A Active CN115661547B (zh) | 2022-11-10 | 2022-11-10 | 一种基于知识图谱的植物灌溉养护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661547B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306794A (zh) * | 2023-03-09 | 2023-06-23 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
| CN117636056A (zh) * | 2023-12-13 | 2024-03-01 | 中南大学 | 基于大数据的农业信息监控方法及系统 |
| CN117882635A (zh) * | 2024-03-14 | 2024-04-16 | 吉林省圣鑫建筑材料有限公司 | 一种用于城市绿化灌溉的自动化控制方法及其系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009031734A1 (de) * | 2009-07-04 | 2011-01-13 | Heino Brose | Bewässerungsverfahren und Bewässerungsvorrichtung zur Bewässerung von Flächen mit Hilfe von vergangenen, aktuellen und wahrscheinlichkeitsberechneten zukünftigen Bewässerungsparametern |
| CN107465712A (zh) * | 2016-08-09 | 2017-12-12 | 唐轩韬 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
| US20190230875A1 (en) * | 2015-08-05 | 2019-08-01 | Clearag, Inc. | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| 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 |
| CN113361377A (zh) * | 2021-06-02 | 2021-09-07 | 华南农业大学 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
| CN114881495A (zh) * | 2022-05-18 | 2022-08-09 | 五邑大学 | 基于物联网的植物分布构建方法及系统 |
-
2022
- 2022-11-10 CN CN202211407624.6A patent/CN115661547B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009031734A1 (de) * | 2009-07-04 | 2011-01-13 | Heino Brose | Bewässerungsverfahren und Bewässerungsvorrichtung zur Bewässerung von Flächen mit Hilfe von vergangenen, aktuellen und wahrscheinlichkeitsberechneten zukünftigen Bewässerungsparametern |
| US20190230875A1 (en) * | 2015-08-05 | 2019-08-01 | Clearag, Inc. | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| CN107465712A (zh) * | 2016-08-09 | 2017-12-12 | 唐轩韬 | 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法 |
| 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 |
| CN113361377A (zh) * | 2021-06-02 | 2021-09-07 | 华南农业大学 | 一种植物生长管控模型构建方法、电子设备、存储介质 |
| CN114881495A (zh) * | 2022-05-18 | 2022-08-09 | 五邑大学 | 基于物联网的植物分布构建方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306794A (zh) * | 2023-03-09 | 2023-06-23 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
| CN116306794B (zh) * | 2023-03-09 | 2023-10-31 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
| CN117636056A (zh) * | 2023-12-13 | 2024-03-01 | 中南大学 | 基于大数据的农业信息监控方法及系统 |
| CN117882635A (zh) * | 2024-03-14 | 2024-04-16 | 吉林省圣鑫建筑材料有限公司 | 一种用于城市绿化灌溉的自动化控制方法及其系统 |
| CN117882635B (zh) * | 2024-03-14 | 2024-06-11 | 吉林省圣鑫建筑材料有限公司 | 一种用于城市绿化灌溉的自动化控制方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115661547B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及系统 | |
| US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
| CN105825230B (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
| CN106444378B (zh) | 基于物联网大数据分析的植物培育方法及系统 | |
| CN114626512A (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN106650212A (zh) | 基于数据分析的植物智能培育方法及系统 | |
| CN113158750A (zh) | 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 | |
| CN117063820A (zh) | 基于大数据的智慧园林监控平台及其方法 | |
| CN108633697A (zh) | 一种基于植物日常数据分析与云技术的智能植物养培方法 | |
| CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
| KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
| CN114365614A (zh) | 基于物联网的水肥精准调控方法、智能装备及系统 | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| CN113723757B (zh) | 决策生成模型训练方法、决策生成方法及装置 | |
| CN114868640A (zh) | 基于物联网的智慧城市绿地灌溉用水分配方法和系统 | |
| CN115796040A (zh) | 一种基于小样本的设施温室温度预测方法 | |
| CN115633622A (zh) | 一种果园智能灌溉系统及其方法 | |
| Rahman et al. | Optimizing Resource Allocation in Agriculture through IoT and AI | |
| CN116800840A (zh) | 基于特征差异检测的农业图像传输方法、系统及介质 | |
| Sharma et al. | Crop yield prediction using hybrid deep learning algorithm for smart agriculture | |
| Lephondo et al. | The Outcomes of Smart Irrigation System using Machine Learning to minimize water usage within the Agriculture Sector | |
| Aswathy et al. | Multiparameter Optimization Technique Based on Enhanced Neuro Genetic Model (ENGM) for Precision Agriculture | |
| Jimenez Lopez et al. | Forecasting irrigation scheduling based on deep learning models using IoT |
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 |