CN116050679B - 灌溉决策方法、装置和电子设备 - Google Patents
灌溉决策方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116050679B CN116050679B CN202310343356.4A CN202310343356A CN116050679B CN 116050679 B CN116050679 B CN 116050679B CN 202310343356 A CN202310343356 A CN 202310343356A CN 116050679 B CN116050679 B CN 116050679B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- planting
- planting block
- block
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002262 irrigation Effects 0.000 title claims abstract description 185
- 238000003973 irrigation Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002689 soil Substances 0.000 claims abstract description 224
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 183
- 230000000149 penetrating effect Effects 0.000 claims abstract description 49
- 239000003621 irrigation water Substances 0.000 claims description 87
- 230000008020 evaporation Effects 0.000 claims description 17
- 238000001704 evaporation Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000007637 random forest analysis Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007740 vapor deposition Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 241000237858 Gastropoda Species 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及灌溉技术领域，提供一种灌溉决策方法、装置和电子设备。灌溉决策方法包括：获取目标种植区中每个种植区块的多光谱图像和探地雷达数据；基于每个种植区块的多光谱图像提取每个种植区块的植被指数；将每个种植区块的植被指数和探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果；基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量；基于每个种植区块的剩余土壤可用水量进行灌溉决策。本发明用以解决现有技术中灌溉决策方法存在耗时耗力，很难给出非常全面的判断的缺陷。
Description
技术领域
本发明涉及灌溉技术领域，尤其涉及一种灌溉决策方法、装置和电子设备。
背景技术
对于规模化种植基地，通常分为很多个轮灌组对不同的种植区域进行轮灌，从而提高灌溉管理效率。其中同一个轮灌组中阀门开启关闭时间是统一的。
但是在实际灌溉管理的过程中，由于土壤理化性质有较强的空间异质性。例如土壤的田间持水量、凋萎系数等灌溉参数受到土壤中壤粒、砂砾、粘粒、有机质等影响，在时间和空间上都会产生显著的差异。随着灌溉时间的推移，供作物消耗的土壤水分也差异明显，表现为即使相同时间灌溉的作物会有部分提前表现出现水分胁迫导致的叶片卷曲、生长停滞甚至凋萎的现象。实际上需要针对率先表现出干旱的种植区域进行单独补水。
传统方法经常需要人为地去观测和发现作物的生长情况，根据不同种植区域的作物的生长情况调整轮灌组的划分。但是依赖人工经验判断进行灌溉会存在一定的偏差，缺乏统一的标准。尤其在规模化种植农场中，田间巡查的过程耗时耗力，很难给出非常全面的判断。
发明内容
本发明提供一种灌溉决策方法、装置和电子设备，用以解决现有技术中灌溉决策方法存在耗时耗力，很难给出非常全面的判断的缺陷。
本发明提供一种灌溉决策方法，包括：
获取目标种植区中每个种植区块的多光谱图像和探地雷达数据；
基于所述每个种植区块的多光谱图像提取所述每个种植区块的植被指数；
将所述每个种植区块的植被指数和所述每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到所述土壤可用水量预测模型输出的所述每个种植区块的土壤可用水量预测结果；
基于所述每个种植区块的土壤可用水量预测结果，以及所述目标种植区的未来预设时间段的气象数据，确定所述每个种植区块在所述未来预设时间段的剩余土壤可用水量；
基于所述每个种植区块的剩余土壤可用水量，确定所述每个种植区块的灌溉决策结果；
其中，所述土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及所述样本种植区块的土壤可用水量样本训练得到的。
本发明还提供一种灌溉决策装置，包括：
数据获取模块，用于获取目标种植区中每个种植区块采集的多光谱图像和探地雷达数据；
数据提取模块，用于基于所述每个种植区块的多光谱图像提取所述每个种植区块的植被指数；
土壤可用水量预测模块，用于将所述每个种植区块的植被指数和所述每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到所述土壤可用水量预测模型输出的所述每个种植区块的土壤可用水量预测结果；
剩余土壤可用水量确定模块，用于基于所述每个种植区块的土壤可用水量预测结果，以及所述目标种植区的未来预设时间段的气象数据，确定所述每个种植区块在所述未来预设时间段的剩余土壤可用水量；
灌溉决策模块，用于基于所述每个种植区块的剩余土壤可用水量，确定所述每个种植区块的灌溉决策结果；
其中，所述土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及所述样本种植区块的土壤可用水量样本训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述灌溉决策方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述灌溉决策方法。
本发明提供的灌溉决策方法、装置和电子设备，通过土壤可用水量预测模型基于目标种植区中每个种植区块的多光谱图像和探地雷达数据进行预测，得到每个种植区块的土壤可用水量预测结果。以及通过每个种植区块的土壤可用水量预测结果和目标种植区的气象数据，确定用于灌溉决策的每个种植区块的未来预设时间段的剩余土壤可用水量。由于本发明的每个种植区块的多光谱图像和探地雷达数据可通过无人机等设备全面地采集，无需人为地去观测和发现作物的生长状况，帮助用户节省巡田时间，更加宏观全面的了解目标种植区每一处的墒情情况，解决了现有技术中灌溉决策方法存在耗时耗力，很难给出非常全面的判断的问题，本发明提高灌溉决策的效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的灌溉决策方法的流程示意图之一；
图2是本发明提供的灌溉决策方法的流程示意图之二；
图3是本发明提供的灌溉决策方法的流程示意图之三；
图4是本发明中20个种植区块的灌溉时长的示意图；
图5是本发明中20个种植区块的灌溉水量块所排列围合的最小面积的示意图；
图6是本发明提供的灌溉决策装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
请参照图1，本发明提供的一种灌溉决策方法，包括：
步骤100、获取目标种植区中每个种植区块的多光谱图像和探地雷达数据。
电子设备获取目标种植区中每个种植区块的多光谱图像和探地雷达数据。其中目标种植区中每个种植区块可以是对需要灌溉的目标种植区进行划分得到的多个种植区块中的每个种植区块。例如将目标种植区均匀划分成4个种植区块。每个种植区块可以是4个种植区块中的任一种植区块。具体的，通过飞行器（如无人机）搭载的多光谱相机对目标种植区进行拍摄得到目标种植区的原始多光谱图像，对原始多光谱图像根据不同的种植区块进行划分，得到每个种植区块的多光谱图像。同理的，每个种植区块的探地雷达数据也可通过飞行器（如无人机）搭载的探地雷达（英文全称Ground Penetrating Radar，简称GPR）对目标种植区的每个种植区块进行采集得到。
需要说明的是，探地雷达数据可使用探地雷达软件ReflexW进行拼图处理，去掉高频噪声，将电磁波速度转换为相对介电常数进行预处理。
步骤200、基于每个种植区块的多光谱图像提取每个种植区块的植被指数。
电子设备基于每个种植区块的多光谱图像进行图像拼接，提取光谱反射率，从而提取每个种植区块的植被指数。需要说明的是，植被指数包括绿色归一化植被指数、归一化红边指数、绿色叶绿素指数、差值植被指数、优化调节植被指数、过绿指数、过红指数、绿度指数、垂直干旱指数、归一化红蓝差值指数、增强植被指数中的至少一种。
步骤300、将每个种植区块的植被指数和每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果。
电子设备将每个种植区块的植被指数和探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果。
其中，土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及样本种植区块的土壤可用水量样本训练得到的。其中样本种植区块的多光谱图像样本、探地雷达数据样本可通过飞行器（如无人机）搭载的多光谱相机、探地雷达通过不同的时间对样本种植区块进行采集而获取。
具体的，请参照图2，本发明实施例可基于样本种植区块作物的历史灌溉间隔，得到飞行器搭载的多光谱相机、探地雷达对样本种植区块进行数据采集的飞行频率，进而形成无人机的飞行计划。通过利用历史气象数据，对不同物候期下正常生长状态的蒸散量、降雨量、有效根系深度（目标灌溉深度）进行计算，模拟每天的蒸散量、土壤水分剩余量，达到胁迫后假设灌溉到田间持水量；循环模拟，得到每次的灌溉量，近而得到两次灌溉之间的时间间隔，即历史灌溉间隔。
例如通过以下步骤计算历史灌溉间隔：
步骤1、将历史气象数据中每日的蒸散量和降雨量代入公式（1）和公式（2），当土壤达到胁迫前可用含水量Wa≤0的时候，取得间隔天数n，并开始浇水，默认浇水到田间持水量，则样本种植区块灌溉后的土壤可用水量的计算方法如公式（3）所示。
其中，公式（1）中Wa表示样本种植区块的土壤达到胁迫前可用含水量，单位m³；W0表示样本种植区块的初始土壤体积含水量，单位m³；ET表示样本种植区块每天的田间蒸散量，单位m³；K表示样本种植区块每天的降雨量，单位m³；i和n表示天数。
W0=（0.6*FC-S）*Z*P*666.7；公式（2）
其中，公式（2）中W0表示样本种植区块的初始土壤体积含水量；FC表示样本种植区块的田间持水量，单位为%；Z为样本种植区块作物的不同物候期的根系深度，单位m；S为土壤达到胁迫时的体积含水量，默认取50%的田间持水量；P表示样本种植区块的土壤湿润比。其中，默认取0.6倍的田间持水量为初始土壤体积含水量，达到胁迫时开始浇水。
I=(FC-S)*Z*P*666.7-Wa；公式（3）
公式（3）中的I表示样本种植区块灌溉后的土壤可用水量，单位m³。公式（3）中的参数FC、S、Z、P以及Wa的参数定义与公式（1）和公式（2）中相应的参数相同，在此不赘述。
步骤2、此时将计算的公式（1）中的W0替换为I，重复执行步骤1，就能得到多个历史灌溉间隔。
因此飞行器的飞行频率可按照历史灌溉间隔的1/4，1/2，3/4时间处（时间向下取整，去掉重复时间）确定，并在飞行时避开阴雨天气。另外，无人机机载多光谱相机、探地雷达的航拍高度可设置为100米，飞行速度8米/秒，覆盖度80%，飞行时间为上午8点-10点。综上无人机的飞行频率、航拍高度、飞行速度、覆盖度以及飞行时间构成了无人机的飞行计划。
样本种植区块的土壤可用水量样本可通过在样本种植区块安装的墒情仪确定。例如通过墒情仪采集到根系对应的墒情仪层数、墒情仪层间距、当前土壤湿度、胁迫系数和土壤湿润比。基于公式（4）和上述各个参数计算样本种植区块的土壤可用水量样本。
其中，n表示根系对应的墒情仪层数、Z表示墒情仪层间距、Wt表示当前土壤湿度、Ws表示胁迫系数、P表示土壤湿润比、i表示墒情仪在样本种植区块的第i层、AWC表示土壤可用水量样本。从而通过墒情仪确定样本种植区块的土壤可用水量样本。
通过样本种植区块的多光谱图像样本、探地雷达数据样本作为输入数据，样本种植区块的土壤可用水量样本作为输出数据训练土壤可用水量预测模型。土壤可用水量预测模型可使用各种能实现分类或回归作用的模型。例如土壤可用水量预测模型可选择随机森林模型，决策树模型等。
以土壤可用水量预测模型是随机森林模型为例，通过将采集的样本种植区块的多光谱图像样本、探地雷达数据样本输入随机森林模型，得到随机森林模型的预测值。基于墒情仪采集的实际的样本种植区块的土壤可用水量样本和预测值的差异，对随机森林模型的随机森林个体树的参数进行调整，得到训练好的随机森林模型。通过训练好的随机森林模型对输入的每个种植区块的植被指数和探地雷达数据进行预测或反演，得到每个种植区块的土壤可用水量预测结果。
步骤400、基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量。
具体的，电子设备基于目标种植区的未来预设时间段的气象数据确定每个种植区块的作物实际蒸散发量。通过每个种植区块的土壤可用水量预测结果，以及未来预设时间段的每个种植区块的作物实际蒸散发量确定每个种植区块在未来预设时间段的剩余土壤可用水量。剩余土壤可用水量可理解为土壤达到胁迫条件前的土壤可用含水量。其中，未来预设时间段的气象数据可以是未来一天，两天，三天或三天以上的气象数据。
例如未来预设时间段的气象数据是未来三天的气象数据时，通过未来三天的气象数据确定未来三天每个种植区块的作物实际蒸散发量。通过将每个种植区块的土壤可用水量预测结果，减去未来三天的每个种植区块的作物实际蒸散发量，得到每个种植区块经过未来三天后的剩余土壤可用水量。
步骤500、基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果。
电子设备基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果。在一个实施例中，电子设备通过每个种植区块的剩余土壤可用水量可获知每个种植区块在未来的缺水程度。当发现未来3日内，种植区块中出现剩余土壤可用水量≤0时，电子设备发出预警提醒。在另一个实施例中，基于每个种植区块的剩余土壤可用水量可获知每个种植区块的的缺水情况，从而根据每个种植区块的的缺水情况计算灌溉日期和灌溉时长。本发明实施例通过土壤可用水量预测模型和未来预设时间段的气象数据，帮助用户及时全面的了解土壤当前及未来的可用水变化，有效指导灌溉决策，提高灌溉水的利用效率。
本发明实施例通过土壤可用水量预测模型基于目标种植区中每个种植区块的多光谱图像和探地雷达数据进行预测，得到每个种植区块的土壤可用水量预测结果。以及通过每个种植区块的土壤可用水量预测结果和目标种植区的气象数据，确定用于灌溉决策的每个种植区块的未来预设时间段的剩余土壤可用水量。由于本发明的每个种植区块的多光谱图像和探地雷达数据可通过无人机等设备全面地采集，无需人为地去观测和发现作物的生长状况，帮助用户节省巡田时间，更加宏观全面的了解目标种植区每一处的墒情情况，解决了现有技术中灌溉决策方法存在耗时耗力，很难给出非常全面的判断的问题，本发明提高灌溉决策的效率。
在本发明实施例的其他方面，请参照图3，步骤500、基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果，具体包括：
步骤510、基于每个种植区块的剩余土壤可用水量确定每个种植区块的灌溉时长。
具体的，每个种植区块具有目标土壤可用水量，电子设备基于每个种植区块的剩余土壤可用水量和每个种植区块的目标土壤可用水量确定目标灌溉量，再基于目标灌溉量确定每个种植区块的灌溉时长。
具体的，步骤510、基于每个种植区块的剩余土壤可用水量确定每个种植区块的灌溉时长包括：
步骤511、基于每个种植区块的剩余土壤可用水量和目标种植区的作物的目标土壤可用水量，确定每个种植区块的目标灌溉量。
步骤512、基于每个种植区块的目标灌溉量和每个种植区块的灌溉水流速，确定每个种植区块的灌溉时长。
例如，电子设备将每个种植区块从剩余土壤可用水量灌溉到田间持水量所用的灌溉量作为目标灌溉量。再基于每个种植区块的目标灌溉量和每个种植区块的灌溉水流速，确定每个种植区块的灌溉时长。具体的，通过每个种植区块的目标灌溉量除以每个种植区块的灌溉水流速可得到每个种植区块的灌溉时长。例如，经过计算后，本发明实施例存在20个种植区块的灌溉时长从大到小排列如图4所示。图4表示20个种植区块的灌溉时长示意图。图4中a=15表示种植区块a的灌溉时长为15分钟。其余图4中的c=14，n=14，f=13，b=12，l=11，d=10，g=10，m=10，e=9，k=8，p=8，q=8，h=8，j=8，r=7，i=6，o=6，s=4，t=3的含义可参照a=15类推，在此不赘述。
步骤520、基于每个种植区块的灌溉时长，构建每个种植区块的灌溉水量块；任一灌溉水量块表征种植区块需要的灌溉水量。
电子设备基于每个种植区块的灌溉时长，构建每个种植区块的灌溉水量块。具体的，本发明实施例将每个种植区块的灌溉水量块表征为每个种植区块需要的灌溉水量的矩形块。其中，每个种植区块的灌溉水量块的宽度相同。每个种植区块的灌溉水量块的宽度表示每个种植区块的灌溉水流速（或称阀门流速）。每个种植区块的灌溉水量块的长度表示每个种植区块的灌溉时长。
步骤530、确定每个种植区块的灌溉水量块排列所围合成的最小面积，以及确定最小面积对应的所有灌溉水量块的排列方式。
电子设备确定每个种植区块的灌溉水量块排列所围合成的最小面积，以及确定最小面积对应的所有灌溉水量块的排列方式。其中，最小面积用于表征所有种植区块的总灌溉水量最少和总灌溉时长最少。进一步地，最小面积表示所有灌溉水量块在不重复、不堆叠的情况下紧密排列，以每行中最宽的地方为宽，以每列中最长的部分为长。最小面积对应的所有灌溉水量块的排列方式，表征每个种植区块在灌溉时的灌溉顺序。通过求解所有灌溉水量块所排列围合的矩形面积最小，以此来动态确定所有种植区块的灌溉顺序和灌溉时长，或者确定所有种植区块开启/关闭的阀门的时间以及顺序。
步骤540、基于最小面积确定所有灌溉水量块的总灌溉时长，并基于排列方式确定所有灌溉水量块的灌溉顺序；
当所有种植区块的灌溉水量块排列所围合成形成最小面积时，此时基于最小面积的长度可确定所有灌溉水量块的总灌溉时长，最小面积对应的所有灌溉水量块的总灌溉时长最短，并且基于所有灌溉水量块的排列方式确定所有灌溉水量块的灌溉顺序。
步骤550、基于总灌溉时长和灌溉顺序，确定每个种植区块的灌溉决策结果。
请参照图5，图5表示20个种植区块的灌溉水量块所排列围合的最小面积。基于图5可知，20个种植区块的灌溉水量块的总灌溉时长为3+11+10+8=32，或者4+14+8+6=32。即20个种植区块的灌溉水量块的总灌溉时长为32分钟。所有灌溉水量块的灌溉顺序参见图5可以获知。例如图5中种植区块q，种植区块h，种植区块j，种植区块r，种植区块i和种植区块o的6个种植区块同时开始灌溉。从而基于总灌溉时长和灌溉顺序，确定每个种植区块的灌溉决策结果。
传统意义上，每个轮灌组中的阀门都是同时开启和关闭，不能兼顾同一个轮灌组中有土壤质地的情况。出现需要补水的灌溉小区，需要单独将阀门跟其他阀门进行重新组合进行补水。但是凭借人工经验进行阀门分组可能导致轮灌时间加长，以及灌溉水利用率低。而本发明在系统稳定范围内，通过确定每个种植区块的灌溉水量块排列所围合成的最小面积，以及确定最小面积对应的所有灌溉水量块的排列方式。从而基于最小面积和所有灌溉水量块的排列方式，确定所有种植区块的总灌溉水量最少和总灌溉时长最少。使得在保持系统压力稳定的情况下，尽可能保障不造成过量灌溉和使得总灌溉时间最小，通过动态编排阀门组合及开启的先后顺序，实现各种植区块的变量作业，进一步减少轮灌时间和提升灌溉水利用率，以及提升作业效率。
在本发明实施例的其他方面，最小面积是基于状态转移函数确定的，状态转移函数是基于第一面积和第二面积之中的最小值构建的；第一面积是基于当前阶段所有灌溉水量块排列围合成的面积确定的，第二面积是基于上一阶段所有灌溉水量块排列围合成的面积与当前阶段相比上一阶段增加的灌溉水量块的面积之和确定的。
具体的，本发明通过状态转移函数对控制各个种植区块灌溉的阀门进行动态规划。设每个种植区块的灌溉水量块的宽度统一为C（即各个种植区块的阀门流速相同）、每次需要同时开X个阀门，即同时控制多个种植区块进行灌溉。本发明对状态定义、初始化以及状态转移如下。
状态定义：设dp[i][j]表示前i个灌溉水量块放到前j列中所得到的最小面积。
初始化：当只有一个灌溉水量块时，可以将其宽度作为矩形的宽度，长度作为矩形的长度，即dp[i][1]=card_length[i]*C，其中card_length[i]表示第i个灌溉水量块的长度。
状态转移：在考虑状态dp[i][j]时，需要遍历dp[i-1][k]，其中k为0到j-1中的任意整数，表示第i-1个灌溉水量块放置到第k列时所得到的面积。然后，计算第i个灌溉水量块放置到第j列时所得到的面积，并与dp[i][j]进行比较，取较小值。即计算基于第一面积和第二面积之中的最小值。
本发明实施例的状态转移方程如公式（5）所示：
dp[i][j]=min(dp[i][j],dp[i-1][k]+(j-k)*C*card_length[i])；公式（5）
公式（5）的结果：最终的结果为dp[N][X]，表示前N个灌溉水量块放置到前X列中所得到的最小面积。从而本发明实施例通过构建状态转移函数确定所有种植区块的灌溉水量块排列围合成的最小面积，从而所有种植区块的总灌溉水量最少和总灌溉时长最少。通过动态编排阀门组合及开启的先后顺序，实现各种植区块的变量作业，进一步减少轮灌时间和提升灌溉水利用率，以及提升作业效率。
在本发明实施例的其他方面，气象数据包括参考作物蒸散发量和作物系数；步骤400、基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量，包括：
步骤410、基于参考作物蒸散发量和作物系数，确定目标种植区的未来预设时间段的作物实际蒸散发量。
具体的，气象数据可以包括未来3天以目标种植区为中心的方圆1公里插值气象数据。气象数据具体包括未来3天的参考作物蒸散发和作物系数。电子设备基于未来3天的参考作物蒸散发量和作物系数，确定目标种植区的未来3天的的作物实际蒸散发量。
具体的，根据蒸散公式ETC=KC*ET0，基于参考作物蒸散发量（ET0）和作物系数（KC）可计算能得到作物实际蒸散发量（ETc）。
步骤420、基于每个种植区块的土壤可用水量预测结果，以及作物实际蒸散发量，确定每个种植区块在未来预设时间段的剩余土壤可用水量。
具体的，电子设备基于每个种植区块的土壤可用水量预测结果减去作物实际蒸散发量，可确定每个种植区块在未来预设时间段的剩余土壤可用水量。
例如，未来预设时间段的气象数据是未来三天的气象数据时，通过未来三天的气象数据确定未来三天每个种植区块的作物实际蒸散发量。通过每个种植区块的土壤可用水量预测结果，减去未来三天的每个种植区块的作物实际蒸散发量，得到每个种植区块经过未来三天后的剩余土壤可用水量。
本发明实施例通过结合每个种植区块未来预设时间段的参考作物蒸散发量和作物系数，能够计算出未来预设时间段每个种植区块的剩余土壤可用水量，便于基于剩余土壤可用水量和未来预设时间段的缺水情况，对缺水的种植区块发出预警，例如能提前3天告知用户缺水的具体地块，提供对种植区块的监测效率。
在本发明实施例的其他方面，土壤可用水量样本是基于多个墒情仪采集的；多个墒情仪的安装位置是基于每个样本种植区块的作物的历史遥感图像确定的。
具体的，在同一个农场地块下，滴灌、施肥等管理条件、气象条件相同，作物长势不同的主要原因主要是土壤条件存在较大的空间差异。为了让墒情仪监测的土壤墒情更具有代表性，以及减少墒情仪的投入量，可以调取每个样本种植区块所对应的历史遥感影像，从而分析作物长势差异，对相邻的长势相同的种植区块安装并公用墒情仪，进而更好地指导墒情仪的安装布置，减少墒情仪的投入量，提高土壤墒情监测的代表性。
在本发明实施例的其他方面，多个墒情仪的安装位置是基于以下步骤确定的：
步骤101、基于每个样本种植区块的历史遥感图像，提取每个样本种植区块的作物的历史长势数据。
具体的，电子设备基于每个样本种植区块的历史遥感图像，提取每个样本种植区块的作物的历史长势数据。历史长势数据可以是各种反应作物长势的植被指数。例如历史长势数据可以是增强植被指数或归一化植被指数等。本发明实施例可提取每个样本种植区块的作物的增强植被指数(英文全称Enhanced Vegetation Index，简称EVI)作为历史长势数据。
步骤102、基于预设映射关系确定每个历史长势数据对应的每个样本种植区块的分类级别。
为了区分不同增强植被指数的差异，本发明实施例构建预设映射关系。其中预设映射关系包括不同的历史长势数据对应的分类级别。具体的，可对增强植被指数设置3个分类级别（如高、中、低），在其他实施例中也可以设置5个分类级别（如高、较高、中、较低、低）等。每个分类级别对应着一个增强植被指数的阈值范围，根据增强植被指数所属的增强植被指数的阈值范围确定增强植被指数的分类级别。
步骤103、基于分类级别，确定多个墒情仪的安装位置。
具体的，在目标种植区中相邻两个样本种植区块的分类级别相同的情况下，此时说明相邻两个样本种植区块的作物长势相同，可共同使用一个或多个墒情仪进行监测。即相邻两个样本种植区块安装并共用一个或多个墒情仪。通过设置作物长势相同的相邻两个样本种植区块安装并共用墒情仪，从而减少墒情仪的投入量，提高土壤墒情监测的代表性。
需要说明的是，在目标种植区中相邻两个样本种植区块的分类级别不相同的情况下，则相邻两个样本种植区块中的各个样本种植区块根据需要设置各自的墒情仪进行土壤墒情监测。
下面对本发明提供的灌溉决策装置进行描述，下文描述的灌溉决策装置与上文描述的灌溉决策方法可相互对应参照。
请参照图6，一种灌溉决策装置，包括：
数据获取模块601，用于获取目标种植区中每个种植区块采集的多光谱图像和探地雷达数据；
数据提取模块602，用于基于每个种植区块的多光谱图像提取每个种植区块的植被指数；
土壤可用水量预测模块603，用于将每个种植区块的植被指数和每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果；
剩余土壤可用水量确定模块604，用于基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量；
灌溉决策模块605，用于基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果；
其中，土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及样本种植区块的土壤可用水量样本训练得到的。
通过土壤可用水量预测模型基于目标种植区中每个种植区块的多光谱图像和探地雷达数据进行预测，得到每个种植区块的土壤可用水量预测结果。以及通过每个种植区块的土壤可用水量预测结果和目标种植区的气象数据，确定用于灌溉决策的每个种植区块的未来预设时间段的剩余土壤可用水量。由于本发明的每个种植区块的多光谱图像和探地雷达数据可通过无人机等设备全面地采集，无需人为地去观测和发现作物的生长状况，帮助用户节省巡田时间，更加宏观全面的了解目标种植区每一处的墒情情况，解决了现有技术中灌溉决策方法存在耗时耗力，很难给出非常全面的判断的问题，本发明提高灌溉决策的效率。
在一个实施例中，灌溉决策模块605包括：
灌溉时长确定模块，用于基于每个种植区块的剩余土壤可用水量确定每个种植区块的灌溉时长；
灌溉水量块构建模块，用于基于每个种植区块的灌溉时长，构建每个种植区块的灌溉水量块；任一灌溉水量块表征种植区块需要的灌溉水量；
最小面积和排列方式确定模块，用于确定每个种植区块的灌溉水量块排列所围合成的最小面积，以及确定最小面积对应的所有灌溉水量块的排列方式；
总灌溉时长和灌溉顺序确定模块，用于基于最小面积确定所有灌溉水量块的总灌溉时长，并基于排列方式确定所有灌溉水量块的灌溉顺序；
灌溉决策结果确定模块，用于基于总灌溉时长和灌溉顺序，确定每个种植区块的灌溉决策结果；
其中，最小面积用于表征所有种植区块的总灌溉水量最少和总灌溉时长最少。
在一个实施例中，最小面积是基于状态转移函数确定的，状态转移函数是基于第一面积和第二面积之中的最小值构建的；
第一面积是基于当前阶段所有灌溉水量块排列围合成的面积确定的，第二面积是基于上一阶段所有灌溉水量块排列围合成的面积与当前阶段相比上一阶段增加的灌溉水量块的面积之和确定的。
在一个实施例中，灌溉时长确定模块包括：
目标灌溉量确定模块，用于基于每个种植区块的剩余土壤可用水量和目标种植区的作物的目标土壤可用水量，确定每个种植区块的目标灌溉量；
最终灌溉时长确定模块，用于基于每个种植区块的目标灌溉量和每个种植区块的灌溉水流速，确定每个种植区块的灌溉时长。
在一个实施例中，气象数据包括参考作物蒸散发量和作物系数；剩余土壤可用水量确定模块604包括：
作物实际蒸散发量确定模块，用于基于参考作物蒸散发量和作物系数，确定目标种植区的未来预设时间段的作物实际蒸散发量；
最终剩余土壤可用水量确定模块，用于基于每个种植区块的土壤可用水量预测结果，以及作物实际蒸散发量，确定每个种植区块在未来预设时间段的剩余土壤可用水量。
在一个实施例中，土壤可用水量样本是基于多个墒情仪采集的；多个墒情仪的安装位置是基于每个样本种植区块的作物的历史遥感图像确定的。
在一个实施例中，多个墒情仪的安装位置是基于以下模块确定的：
历史长势数据提取模块，用于基于每个样本种植区块的历史遥感图像，提取每个样本种植区块的作物的历史长势数据；
分类级别确定模块，用于基于预设映射关系确定每个历史长势数据对应的每个样本种植区块的分类级别；
安装位置确定模块，用于基于分类级别，确定多个墒情仪的安装位置；
其中，在目标种植区中相邻两个样本种植区块的分类级别相同的情况下，相邻两个样本种植区块安装并共用墒情仪；预设映射关系包括不同的历史长势数据对应的分类级别。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行灌溉决策方法，该方法包括：获取目标种植区中每个种植区块的多光谱图像和探地雷达数据；基于每个种植区块的多光谱图像提取每个种植区块的植被指数；将每个种植区块的植被指数和每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果；基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量；基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果；其中，土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及样本种植区块的土壤可用水量样本训练得到的。
此外，上述的存储器730中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的灌溉决策方法，该方法包括：获取目标种植区中每个种植区块的多光谱图像和探地雷达数据；基于每个种植区块的多光谱图像提取每个种植区块的植被指数；将每个种植区块的植被指数和每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果；基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量；基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果；其中，土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及样本种植区块的土壤可用水量样本训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的灌溉决策方法，该方法包括：获取目标种植区中每个种植区块的多光谱图像和探地雷达数据；基于每个种植区块的多光谱图像提取每个种植区块的植被指数；将每个种植区块的植被指数和每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到土壤可用水量预测模型输出的每个种植区块的土壤可用水量预测结果；基于每个种植区块的土壤可用水量预测结果，以及目标种植区的未来预设时间段的气象数据，确定每个种植区块在未来预设时间段的剩余土壤可用水量；基于每个种植区块的剩余土壤可用水量，确定每个种植区块的灌溉决策结果；其中，土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及样本种植区块的土壤可用水量样本训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种灌溉决策方法，其特征在于，包括：
获取目标种植区中每个种植区块的多光谱图像和探地雷达数据；
基于所述每个种植区块的多光谱图像提取所述每个种植区块的植被指数；
将所述每个种植区块的植被指数和所述每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到所述土壤可用水量预测模型输出的所述每个种植区块的土壤可用水量预测结果；
基于所述每个种植区块的土壤可用水量预测结果，以及所述目标种植区的未来预设时间段的气象数据，确定所述每个种植区块在所述未来预设时间段的剩余土壤可用水量；
基于所述每个种植区块的剩余土壤可用水量，确定所述每个种植区块的灌溉决策结果；
其中，所述土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及所述样本种植区块的土壤可用水量样本训练得到的；
所述基于所述每个种植区块的剩余土壤可用水量，确定所述每个种植区块的灌溉决策结果，包括：
基于所述每个种植区块的剩余土壤可用水量确定所述每个种植区块的灌溉时长；
基于所述每个种植区块的灌溉时长，构建所述每个种植区块的灌溉水量块；任一所述灌溉水量块表征种植区块需要的灌溉水量；
确定所述每个种植区块的灌溉水量块排列所围合成的最小面积，以及确定所述最小面积对应的所有所述灌溉水量块的排列方式；
基于所述最小面积确定所有所述灌溉水量块的总灌溉时长，并基于所述排列方式确定所有所述灌溉水量块的灌溉顺序；
基于所述总灌溉时长和所述灌溉顺序，确定所述每个种植区块的灌溉决策结果；
其中，所述最小面积用于表征所有所述种植区块的总灌溉水量最少和总灌溉时长最少。
2.根据权利要求1所述的灌溉决策方法，其特征在于，所述最小面积是基于状态转移函数确定的，所述状态转移函数是基于第一面积和第二面积之中的最小值构建的；
所述第一面积是基于当前阶段所有所述灌溉水量块排列围合成的面积确定的，所述第二面积是基于上一阶段所有所述灌溉水量块排列围合成的面积与所述当前阶段相比所述上一阶段增加的所述灌溉水量块的面积之和确定的。
3.根据权利要求1所述的灌溉决策方法，其特征在于，所述基于所述每个种植区块的剩余土壤可用水量确定所述每个种植区块的灌溉时长，包括：
基于所述每个种植区块的剩余土壤可用水量和所述目标种植区的作物的目标土壤可用水量，确定所述每个种植区块的目标灌溉量；
基于所述每个种植区块的目标灌溉量和所述每个种植区块的灌溉水流速，确定所述每个种植区块的灌溉时长。
4.根据权利要求1所述的灌溉决策方法，其特征在于，所述气象数据包括参考作物蒸散发量和作物系数；所述基于所述每个种植区块的土壤可用水量预测结果，以及所述目标种植区的未来预设时间段的气象数据，确定所述每个种植区块在所述未来预设时间段的剩余土壤可用水量，包括：
基于所述参考作物蒸散发量和所述作物系数，确定所述目标种植区的未来预设时间段的作物实际蒸散发量；
基于所述每个种植区块的土壤可用水量预测结果，以及所述作物实际蒸散发量，确定所述每个种植区块在所述未来预设时间段的剩余土壤可用水量。
5.根据权利要求1所述的灌溉决策方法，其特征在于，所述土壤可用水量样本是基于多个墒情仪采集的；所述多个墒情仪的安装位置是基于每个样本种植区块的作物的历史遥感图像确定的。
6.根据权利要求5所述的灌溉决策方法，其特征在于，所述多个墒情仪的安装位置是基于以下步骤确定的：
基于所述每个样本种植区块的历史遥感图像，提取所述每个样本种植区块的作物的历史长势数据；
基于预设映射关系确定每个所述历史长势数据对应的所述每个样本种植区块的分类级别；
基于所述分类级别，确定所述多个墒情仪的安装位置；
其中，在所述目标种植区中相邻两个样本种植区块的分类级别相同的情况下，所述相邻两个样本种植区块安装并共用墒情仪；所述预设映射关系包括不同的所述历史长势数据对应的分类级别。
7.一种灌溉决策装置，其特征在于，包括：
数据获取模块，用于获取目标种植区中每个种植区块采集的多光谱图像和探地雷达数据；
数据提取模块，用于基于所述每个种植区块的多光谱图像提取所述每个种植区块的植被指数；
土壤可用水量预测模块，用于将所述每个种植区块的植被指数和所述每个种植区块的探地雷达数据输入至土壤可用水量预测模型，得到所述土壤可用水量预测模型输出的所述每个种植区块的土壤可用水量预测结果；
剩余土壤可用水量确定模块，用于基于所述每个种植区块的土壤可用水量预测结果，以及所述目标种植区的未来预设时间段的气象数据，确定所述每个种植区块在所述未来预设时间段的剩余土壤可用水量；
灌溉决策模块，用于基于所述每个种植区块的剩余土壤可用水量，确定所述每个种植区块的灌溉决策结果；
其中，所述土壤可用水量预测模型是基于样本种植区块的多光谱图像样本、探地雷达数据样本，以及所述样本种植区块的土壤可用水量样本训练得到的；
所述灌溉决策模块包括：
灌溉时长确定模块，用于基于所述每个种植区块的剩余土壤可用水量确定所述每个种植区块的灌溉时长；
灌溉水量块构建模块，用于基于所述每个种植区块的灌溉时长，构建所述每个种植区块的灌溉水量块；任一所述灌溉水量块表征种植区块需要的灌溉水量；
最小面积和排列方式确定模块，用于确定所述每个种植区块的灌溉水量块排列所围合成的最小面积，以及确定所述最小面积对应的所有所述灌溉水量块的排列方式；
总灌溉时长和灌溉顺序确定模块，用于基于所述最小面积确定所有所述灌溉水量块的总灌溉时长，并基于所述排列方式确定所有所述灌溉水量块的灌溉顺序；
灌溉决策结果确定模块，用于基于所述总灌溉时长和所述灌溉顺序，确定所述每个种植区块的灌溉决策结果；
其中，所述最小面积用于表征所有所述种植区块的总灌溉水量最少和总灌溉时长最少。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至6任一项所述的灌溉决策方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的灌溉决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310343356.4A CN116050679B (zh) | 2023-04-03 | 2023-04-03 | 灌溉决策方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310343356.4A CN116050679B (zh) | 2023-04-03 | 2023-04-03 | 灌溉决策方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116050679A CN116050679A (zh) | 2023-05-02 |
| CN116050679B true CN116050679B (zh) | 2023-06-20 |
Family
ID=86131716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310343356.4A Active CN116050679B (zh) | 2023-04-03 | 2023-04-03 | 灌溉决策方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050679B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114450B (zh) * | 2023-10-19 | 2024-02-02 | 江西农业大学 | 一种灌溉用水决策方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196862B (zh) * | 2013-02-25 | 2015-01-21 | 北京师范大学 | 基于ASAR和Hyperion数据反演植被覆盖下土壤水分的方法及系统 |
| CN109978234A (zh) * | 2019-03-01 | 2019-07-05 | 北京农业信息技术研究中心 | 墒情预测、灌溉决策方法和装置 |
| CN114190264B (zh) * | 2021-11-18 | 2022-11-08 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN114429592A (zh) * | 2021-12-30 | 2022-05-03 | 山东浪潮工业互联网产业股份有限公司 | 一种基于人工智能的自动灌溉方法及设备 |
| CN114680029B (zh) * | 2022-02-17 | 2023-05-16 | 广东省科学院广州地理研究所 | 基于土壤与作物根系的灌溉方法、装置、设备及存储介质 |
| CN115443889A (zh) * | 2022-08-24 | 2022-12-09 | 中国农业大学 | 作物精准灌溉方法及装置 |
-
2023
- 2023-04-03 CN CN202310343356.4A patent/CN116050679B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116050679A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11291172B2 (en) | Methods and systems for irrigation guidance | |
| Yu et al. | Improvement of sugarcane yield estimation by assimilating UAV-derived plant height observations | |
| CN109492619B (zh) | 集遥感、模型、算法为一体的变量施农药方法及系统 | |
| Ballesteros et al. | Characterization of Vitis vinifera L. canopy using unmanned aerial vehicle-based remote sensing and photogrammetry techniques | |
| CN116050679B (zh) | 灌溉决策方法、装置和电子设备 | |
| CN109978234A (zh) | 墒情预测、灌溉决策方法和装置 | |
| CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
| CN114782838A (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
| CN112836623A (zh) | 设施番茄农事决策辅助方法及装置 | |
| CN114882359B (zh) | 基于植被指数时序谱特征的大豆种植区提取方法和系统 | |
| CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
| CN116227758A (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| CN114299393A (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN111310639B (zh) | 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法 | |
| CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
| Singla et al. | Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction. | |
| CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
| CN113963263B (zh) | 多年生植被生长属性的确定方法、装置以及存储介质 | |
| CN111160151A (zh) | 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 | |
| CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
| Grego et al. | Technologies developed in precision agriculture. | |
| CN116757867B (zh) | 一种基于多源数据融合的数字乡村构建方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |