CN116451886B - 一种高标准农田水平衡计算方法 - Google Patents
一种高标准农田水平衡计算方法 Download PDFInfo
- Publication number
- CN116451886B CN116451886B CN202310727859.1A CN202310727859A CN116451886B CN 116451886 B CN116451886 B CN 116451886B CN 202310727859 A CN202310727859 A CN 202310727859A CN 116451886 B CN116451886 B CN 116451886B
- Authority
- CN
- China
- Prior art keywords
- farmland
- water level
- crop
- target
- prediction model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 343
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000010521 absorption reaction Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000001704 evaporation Methods 0.000 claims abstract description 19
- 230000008020 evaporation Effects 0.000 claims abstract description 19
- 230000000739 chaotic effect Effects 0.000 claims abstract description 15
- 238000003973 irrigation Methods 0.000 claims abstract description 11
- 230000002262 irrigation Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 85
- 238000005457 optimization Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 23
- 238000002310 reflectometry Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000036571 hydration Effects 0.000 claims description 3
- 238000006703 hydration reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高标准农田水平衡计算方法,所述方法包括:基于目标农田区域卫星遥感数据计算得到农作物水吸收评估特征指标;利用农作物含水预测模型预测得到目标农田区域的农作物含水量;利用最优农田水位预测模型预测得到目标农田区域的农田水位;根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡。本发明基于大气指标、遥感数据预测得到农作物在一定时间范围后的蒸发量,实现农作物在一定时间范围后的含水量预测,并预测得到农田水位,根据农田水位以及农作物蒸发水量对农田进行动态灌溉处理,基于混沌映射以及二次插值方法对农田水位预测模型进行优化求解,进一步跳出局部最优解。
Description
技术领域
本发明涉及农田水平衡调整的技术领域,尤其涉及一种高标准农田水平衡计算方法。
背景技术
干旱缺水与水土流失并存是制约农业高质量发展的瓶颈。作为高标准农田,多样化农作物的种植必然引起区域蒸散耗水量增加和水资源紧缺。开展水资源消耗补给变化分析对于农业生产和生态恢复以及经济建设协同发展具有重要的意义。为了保证多样化农作物健康生长需要,保证高标准农田区域范围内的水平衡,但是由于不同农作物的适宜水层不同,需要对区域范围内水平衡进行动态调节。针对该问题,本发明提出一种高标准农田水平衡计算方法,指导区域范围内高标准农田水平衡。
发明内容
有鉴于此,本发明提供一种高标准农田水平衡计算方法,目的在于:1)基于目标农田对不同波段的反射率,构建表征农作物含水率的农作物水吸收评估特征指标,并基于农作物水吸收评估特征指标计算得到农作物的当前含水量,进而基于大气指标、遥感数据预测得到农作物在一定时间范围后的蒸发水量,实现农作物在一定时间范围后的含水量预测,根据农作物的含水量预测结果,利用农田水位预测模型预测得到农田水位,根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡,即当农作物蒸发水量过大时,进行短期内二次灌溉,当农田水位过低时,进行短期内一次灌溉处理;2)基于混沌映射以及二次插值方法对农田水位预测模型进行优化求解,利用混沌映射方法生成更大搜索空间的若干组初始参数向量,通过设置非线性递减的权重系数,在迭代初期设置较大的权重会使算法以较快的速度到达最优位置附近,随着迭代次数的增加,此时较小的权重使参数向量向最优位置附近区域移动,进而提高收敛速度,同时具有较好的局部开发能力,避免陷入局部最优,并对每次迭代得到的三个最优参数向量,进行二次插值算法生成新的参数向量,扩大了参数向量迭代求解的搜索范围,进一步提高跳出局部最优解的能力,进而得到的最优农田水位预测模型。
实现上述目的,本发明提供的一种高标准农田水平衡计算方法,包括以下步骤:
S1:采集目标农田区域卫星遥感数据,计算得到农作物水吸收评估特征指标;
S2:构建农作物含水预测模型,利用农作物含水预测模型预测得到目标农田区域的农作物含水量;
S3:构建农田水位预测模型,构建模型以农作物含水量预测结果为输入,以农田水位为输出;
S4:对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,利用最优农田水位预测模型预测得到目标农田区域的农田水位,其中混沌二次插值为模型优化的主要实施方法;
S5:根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集目标农田区域卫星遥感数据,包括:
利用遥感平台上的遥感器采集目标农田区域卫星遥感数据,其中遥感平台为人造卫星,遥感器为多光谱扫描仪,目标农田区域遥感数据的采集流程为:
分别选取红光波段、蓝光波段、近红外波段以及短波红外波段对应的滤波片,将所选取的滤波片依次放在遥感器中,其中所选取红光波段的波长为0.64,蓝光波段的波长为0.46/>,近红外波段的波长为0.85/>,短波红外波段的波长为1.61/>;
从目标农田区域发出的红外光辐射以及可见光辐射进入到遥感器中,并透过不同波段的滤波片得到目标农田区域中每个坐标点对不同波段的反射率,并将目标农田区中所有坐标点对不同波段的平均反射率作为目标农田区域遥感数据,其中目标农田区域对红光波段的平均反射率为,目标农田区域对蓝光波段的平均反射率为/>,目标农田区域对近红外波段的平均反射率为/>,目标农田区域对短波红外波段的平均反射率为/>。
可选地,所述S1步骤中计算得到农作物水吸收评估特征指标,包括:
根据目标农田区域遥感数据,计算得到农作物水吸收评估特征指标:
;
;
;
其中:
表示农作物水吸收评估特征指标,其中/>为校正了大部分与大气条件相关辐照度变化的特征指标,用以反映农作物长势,/>为校正了大气残留气溶胶以及减小了土壤背景影响的特征指标,用以反映农作物密度,/>为反映农作物水分含量的特征指标;
为土壤背景调节参数,将其设置为1;
表示红光修正参数,/>表示蓝光修正参数。在本发明实施例中,将/>设置为6,将/>设置为7。
可选地,所述S2步骤中构建农作物含水预测模型,包括:
构建农作物含水预测模型,其中农作物含水预测模型的构建流程为:
获取目标农田区域在N个不同时刻的农作物水吸收评估特征指标,并监测目标农田区域在N个不同时刻的农作物平均含水率,构成农作物含水预测模型的训练集:
;
其中:
表示第n个时刻的训练数据,/>表示第n个时刻的农作物水吸收评估特征指标,/>表示第n个时刻的农作物平均含水率;
基于训练数据确定农作物含水预测模型的预测参数,构建拟合方程:
;
将拟合方程转换为矩阵形式:
;
;
其中:
T表示转置;
;
计算得到预测参数:
;
基于预测参数构建农作物含水预测模型,所构建农作物含水预测模型以农作物水吸收评估特征指标以及大气指标为输入,以农作物含水量为输出,其中大气指标包括遥感数据、风速数据以及温度数据。
可选地,所述S2步骤中利用农作物含水预测模型预测得到目标农田区域的农作物含水量,包括:
利用农作物含水预测模型预测得到目标农田区域的农作物含水量:
;
;
;
;
;
;
;
;
;
其中:
表示以自然常数为底的指数函数;
表示目标农田区域经过时间范围/>的农作物含水量预测结果,/>表示目标农田区域中农作物的当前含水量,/>表示目标农田区域经过时间范围/>的蒸发水量;
表示单个农作物的最大含水量;
表示预测得到目标农田区域的农作物平均含水率;
表示单个农作物经过时间范围/>受到的太阳能辐射能量,/>表示时间范围内的日照时间,/>表示单个农作物在单位时间受到的太阳能辐射能量;
W表示目标农田区域的当前温度,表示所设置的最大温度,/>表示所设置的最小温度,/>表示所设置的平均湿度;在本发明实施例中,W可为时间范围/>内的温度序列;
P表示大气压,v表示目标农田区域的当前风速;在本发明实施例中,v可为时间范围内的风速序列;
表示温湿度表常数;
M表示目标农田区域的农作物数量;
表示预测时间范围,单位为小时。
可选地,所述S3步骤中构建农田水位预测模型,包括:
构建农田水位预测模型,所构建模型以农作物含水量预测结果为输入,以农田水位为输出;
所述农田水位预测模型包括输入层,映射层以及输出层,输入层用于接收农作物含水量预测结果,其中输入层所接收农作物含水量预测结果为目标农田区域中农作物的当前含水量、目标农田区域经过时间范围的蒸发水量以及目标农田区域经过时间范围/>的农作物含水量预测结果的拼接向量形式,映射层包括卷积层,用于对输入层的输入结果进行特征映射处理,输出层用于利用权重矩阵对特征映射结果进行加权计算处理,得到经过时间范围/>的农田水位预测结果,其中农田水位预测结果为农田水位级别。
可选地,所述S4步骤中对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,包括:
对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,其中优化求解流程为:
S41:采集U组农田区域的农作物当前含水量、经过一定时间范围的蒸发水量、农作物含水量预测结果以及农田区域经过一定时间范围的真实水位构成训练数据集data:
;
其中:
表示训练数据集data中的第u组训练数据,/>表示第u组农田区域的农作物当前含水量、经过一定时间范围的蒸发水量以及农作物含水量预测结果的拼接向量,/>表示第u组农田区域经过一定时间范围的真实水位级别;
S42:构建农田水位预测模型的优化目标函数:
;
其中:
表示农田水位预测模型的待优化参数向量,包括卷积层中卷积核的权重以及偏置量,输出层的权重矩阵;
表示将/>输入到基于/>的农田水位预测模型中,模型输出的农田水位预测结果;
S43:生成第一组参数向量的初始化结果,并基于混沌映射方法生成H组参数向量的初始化结果,其中第h+1组参数向量的初始化结果生成公式为:
;
其中:
为混沌参数,将其设置为2;
表示L1范数,/>表示调控参数;
S44:设置模型训练的当前迭代次数为d,d的初始值为0,最大迭代次数为D,则第h组参数向量的第d次迭代结果为,将生成以及迭代得到的参数向量输入到优化目标函数中,得到参数向量的适应度值,则/>的适应度值为/>,选取每次迭代后H组参数向量中适应度值最小的参数向量作为本次迭代的最佳参数向量,则第d次迭代后的最佳参数向量为/>;
S45:计算得到第d+1次迭代的迭代权重:
;
并计算得到第d次迭代的参数:
;
S46:对任意参数向量进行第d+1次迭代:
;
其中:
表示0-1之间的随机数,/>表示0-1之间的随机数;
表示第h组参数向量的第d+1次迭代结果;
S47:选取第d+1次迭代后适应度值最小的三个参数向量,其中/>的适应度值最小,基于二次插值方法生成新的参数向量/>:
;
其中:
表示将参数向量输入到优化目标函数中的优化目标函数值;
;
S48:计算当前第d+1次迭代后所有参数向量的适应度值,若,则令d=d+1,返回步骤S45,否则选取当前适应度值最小的参数向量作为优化求解结果,基于优化求解结果构建得到最优农田水位预测模型。
可选地,所述S4步骤中利用最优农田水位预测模型预测得到目标农田区域的农田水位,包括:
利用最优农田水位预测模型预测得到目标农田区域的农田水位,其中农田水位的预测流程为:
将步骤S2预测得到的目标农田区域中农作物的当前含水量、目标农田区域经过时间范围的蒸发水量以及目标农田区域经过时间范围/>的农作物含水量预测结果,作为最优农田水位预测模型的输入值/>;
对输入值V进行特征映射处理,得到特征映射结果:
;
其中:
表示卷积层计算,w表示卷积层中卷积核的权重,b表示卷积核的偏置量;
利用权重矩阵对特征映射结果进行加权计算处理:
;
其中:
表示输出层的权重矩阵;
表示目标农田区域经过时间范围/>的农田水位预测结果,即农田水位级别。
可选地,所述S5步骤中根据预测得到的农田水位,动态调整农田水平衡,包括:
根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡,其中农田水平衡动态调整流程为:
若,且/>,则表示经过时间范围/>后的农田水位级别低于平均水位级别,且单位时间内的农作物蒸发水量高于阈值/>,在经过时间范围/>时对农田进行两次灌溉处理,其中/>分别为预设的农田最低和最高水位级别;
若,且/>,则在经过时间范围/>时对农田进行一次灌溉处理;
若,且/>,则在经过时间范围/>时对农田进行一次灌溉处理。
在本发明实施例中,每次灌溉水量为使得农田水位提高一个水位级别的水量,相邻水位级别所需的灌溉水量相同。
为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及
处理器,执行所述存储器中存储的指令以实现上述所述的高标准农田水平衡计算方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的高标准农田水平衡计算方法。
相对于现有技术,本发明提出一种高标准农田水平衡计算方法,该技术具有以下优势:
首先,本方案提出一种农田水平衡方法,基于目标农田对不同波段的反射率,构建表征农作物含水率的农作物水吸收评估特征指标,利用农作物含水预测模型预测得到目标农田区域的农作物含水量:
;
;
;
;
;
;
;
;
;
其中:
表示以自然常数为底的指数函数;/>表示目标农田区域经过时间范围的农作物含水量预测结果,/>表示目标农田区域中农作物的当前含水量,/>表示目标农田区域经过时间范围/>的蒸发水量;
表示单个农作物的最大含水量;/>表示预测得到目标农田区域的农作物平均含水率;/>表示单个农作物经过时间范围/>受到的太阳能辐射能量,/>表示时间范围/>内的日照时间,/>表示单个农作物在单位时间受到的太阳能辐射能量;W表示目标农田区域的当前温度,/>表示所设置的最大温度,/>表示所设置的最小温度,/>表示所设置的平均湿度;P表示大气压,v表示目标农田区域的当前风速;/>表示温湿度表常数;
M表示目标农田区域的农作物数量;表示预测时间范围,单位为小时。本方案基于农作物水吸收评估特征指标计算得到农作物的当前含水量,进而基于大气指标、遥感数据预测得到农作物在一定时间范围后的蒸发水量,实现农作物在一定时间范围后的含水量预测,根据农作物的含水量预测结果,利用农田水位预测模型预测得到农田水位,根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡,即当农作物蒸发水量过大时,进行短期内二次灌溉,当农田水位过低时,进行短期内一次灌溉处理。
同时,本方案提出一种结合混沌映射和二次插值的模型训练优化方法,构建农田水位预测模型的优化目标函数:
;
其中:表示农田水位预测模型的待优化参数向量,包括卷积层中卷积核的权重以及偏置量,输出层的权重矩阵;/>表示将/>输入到基于/>的农田水位预测模型中,模型输出的农田水位预测结果;生成第一组参数向量的初始化结果/>,并基于混沌映射方法生成H组参数向量的初始化结果,其中第h+1组参数向量的初始化结果生成公式为:
;
其中:为混沌参数,将其设置为2;/>表示L1范数,/>表示调控参数;设置模型训练的当前迭代次数为d,d的初始值为0,最大迭代次数为D,则第h组参数向量的第d次迭代结果为/>,将生成以及迭代得到的参数向量输入到优化目标函数中,得到参数向量的适应度值,则/>的适应度值为/>,选取每次迭代后H组参数向量中适应度值最小的参数向量作为本次迭代的最佳参数向量,则第d次迭代后的最佳参数向量为/>;计算得到第d+1次迭代的迭代权重/>:
;
并计算得到第d次迭代的参数:
;
对任意参数向量进行第d+1次迭代:
;
其中:表示0-1之间的随机数,/>表示0-1之间的随机数;/>表示第h组参数向量的第d+1次迭代结果;选取第d+1次迭代后适应度值最小的三个参数向量/>,其中/>的适应度值最小,基于二次插值方法生成新的参数向量/>:
;
其中:表示将参数向量输入到优化目标函数中的优化目标函数值;
;
计算当前第d+1次迭代后所有参数向量的适应度值,若,则令d=d+1,否则选取当前适应度值最小的参数向量作为优化求解结果,基于优化求解结果构建得到最优农田水位预测模型。本方案基于混沌映射以及二次插值方法对农田水位预测模型进行优化求解,利用混沌映射方法生成更大搜索空间的若干组初始参数向量,通过设置非线性递减的权重系数,在迭代初期设置较大的权重会使算法以较快的速度到达最优位置附近,随着迭代次数的增加,此时较小的权重使参数向量向最优位置附近区域移动,进而提高收敛速度,同时具有较好的局部开发能力,避免陷入局部最优,并对每次迭代得到的三个最优参数向量,进行二次插值算法生成新的参数向量,扩大了参数向量迭代求解的搜索范围,进一步提高跳出局部最优解的能力,进而得到的最优农田水位预测模型。
附图说明
图1为本发明一实施例提供的一种高标准农田水平衡计算方法的流程示意图;
图2为本发明一实施例提供的实现高标准农田水平衡计算方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种高标准农田水平衡计算方法。所述高标准农田水平衡计算方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述高标准农田水平衡计算方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例
S1:采集目标农田区域卫星遥感数据,计算得到农作物水吸收评估特征指标。
所述S1步骤中采集目标农田区域卫星遥感数据,包括:
利用遥感平台上的遥感器采集目标农田区域卫星遥感数据,其中遥感平台为人造卫星,遥感器为多光谱扫描仪,目标农田区域遥感数据的采集流程为:
分别选取红光波段、蓝光波段、近红外波段以及短波红外波段对应的滤波片,将所选取的滤波片依次放在遥感器中,其中所选取红光波段的波长为0.64,蓝光波段的波长为0.46/>,近红外波段的波长为0.85/>,短波红外波段的波长为1.61/>;
从目标农田区域发出的红外光辐射以及可见光辐射进入到遥感器中,并透过不同波段的滤波片得到目标农田区域中每个坐标点对不同波段的反射率,并将目标农田区中所有坐标点对不同波段的平均反射率作为目标农田区域遥感数据,其中目标农田区域对红光波段的平均反射率为,目标农田区域对蓝光波段的平均反射率为/>,目标农田区域对近红外波段的平均反射率为/>,目标农田区域对短波红外波段的平均反射率为/>。
所述S1步骤中计算得到农作物水吸收评估特征指标,包括:
根据目标农田区域遥感数据,计算得到农作物水吸收评估特征指标:
;
;
;
其中:
表示农作物水吸收评估特征指标,其中/>为校正了大部分与大气条件相关辐照度变化的特征指标,用以反映农作物长势,/>为校正了大气残留气溶胶以及减小了土壤背景影响的特征指标,用以反映农作物密度,/>为反映农作物水分含量的特征指标;
为土壤背景调节参数,将其设置为1;
表示红光修正参数,/>表示蓝光修正参数。在本发明实施例中,将/>设置为6,将/>设置为7。
S2:构建农作物含水预测模型,利用农作物含水预测模型预测得到目标农田区域的农作物含水量。
所述S2步骤中构建农作物含水预测模型,包括:
构建农作物含水预测模型,其中农作物含水预测模型的构建流程为:
获取目标农田区域在N个不同时刻的农作物水吸收评估特征指标,并监测目标农田区域在N个不同时刻的农作物平均含水率,构成农作物含水预测模型的训练集:
;
其中:
表示第n个时刻的训练数据,/>表示第n个时刻的农作物水吸收评估特征指标,/>表示第n个时刻的农作物平均含水率;
基于训练数据确定农作物含水预测模型的预测参数,构建拟合方程:
;
将拟合方程转换为矩阵形式:
;
;
其中:
T表示转置;
;
计算得到预测参数:
;
基于预测参数构建农作物含水预测模型,所构建农作物含水预测模型以农作物水吸收评估特征指标以及大气指标为输入,以农作物含水量为输出,其中大气指标包括遥感数据、风速数据以及温度数据。
所述S2步骤中利用农作物含水预测模型预测得到目标农田区域的农作物含水量,包括:
利用农作物含水预测模型预测得到目标农田区域的农作物含水量:
;/>
;
;
;
;
;
;
;
;
其中:
表示以自然常数为底的指数函数;
表示目标农田区域经过时间范围/>的农作物含水量预测结果,/>表示目标农田区域中农作物的当前含水量,/>表示目标农田区域经过时间范围/>的蒸发水量;
表示单个农作物的最大含水量;
表示预测得到目标农田区域的农作物平均含水率;
表示单个农作物经过时间范围/>受到的太阳能辐射能量,/>表示时间范围内的日照时间,/>表示单个农作物在单位时间受到的太阳能辐射能量;
W表示目标农田区域的当前温度,表示所设置的最大温度,/>表示所设置的最小温度,/>表示所设置的平均湿度;在本发明实施例中,W可为时间范围/>内的温度序列;
P表示大气压,v表示目标农田区域的当前风速;在本发明实施例中,v可为时间范围内的风速序列;
表示温湿度表常数;
M表示目标农田区域的农作物数量;
表示预测时间范围,单位为小时。
S3:构建农田水位预测模型,构建模型以农作物含水量预测结果为输入,以农田水位为输出。
所述S3步骤中构建农田水位预测模型,包括:
构建农田水位预测模型,所构建模型以农作物含水量预测结果为输入,以农田水位为输出;
所述农田水位预测模型包括输入层,映射层以及输出层,输入层用于接收农作物含水量预测结果,其中输入层所接收农作物含水量预测结果为目标农田区域中农作物的当前含水量、目标农田区域经过时间范围的蒸发水量以及目标农田区域经过时间范围/>的农作物含水量预测结果的拼接向量形式,映射层包括卷积层,用于对输入层的输入结果进行特征映射处理,输出层用于利用权重矩阵对特征映射结果进行加权计算处理,得到经过时间范围/>的农田水位预测结果,其中农田水位预测结果为农田水位级别。
S4:对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,利用最优农田水位预测模型预测得到目标农田区域的农田水位。
所述S4步骤中对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,包括:
对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,其中优化求解流程为:
S41:采集U组农田区域的农作物当前含水量、经过一定时间范围的蒸发水量、农作物含水量预测结果以及农田区域经过一定时间范围的真实水位构成训练数据集data:
;
其中:
表示训练数据集data中的第u组训练数据,/>表示第u组农田区域的农作物当前含水量、经过一定时间范围的蒸发水量以及农作物含水量预测结果的拼接向量,/>表示第u组农田区域经过一定时间范围的真实水位级别;
S42:构建农田水位预测模型的优化目标函数:
;
其中:
表示农田水位预测模型的待优化参数向量,包括卷积层中卷积核的权重以及偏置量,输出层的权重矩阵;
表示将/>输入到基于/>的农田水位预测模型中,模型输出的农田水位预测结果;
S43:生成第一组参数向量的初始化结果,并基于混沌映射方法生成H组参数向量的初始化结果,其中第h+1组参数向量的初始化结果生成公式为:
;
其中:
为混沌参数,将其设置为2;/>
表示L1范数,/>表示调控参数;
S44:设置模型训练的当前迭代次数为d,d的初始值为0,最大迭代次数为D,则第h组参数向量的第d次迭代结果为,将生成以及迭代得到的参数向量输入到优化目标函数中,得到参数向量的适应度值,则/>的适应度值为/>,选取每次迭代后H组参数向量中适应度值最小的参数向量作为本次迭代的最佳参数向量,则第d次迭代后的最佳参数向量为/>;
S45:计算得到第d+1次迭代的迭代权重:
;
并计算得到第d次迭代的参数:
;
S46:对任意参数向量进行第d+1次迭代:
;
其中:
表示0-1之间的随机数,/>表示0-1之间的随机数;
表示第h组参数向量的第d+1次迭代结果;
S47:选取第d+1次迭代后适应度值最小的三个参数向量,其中/>的适应度值最小,基于二次插值方法生成新的参数向量/>:
;
其中:
表示将参数向量输入到优化目标函数中的优化目标函数值;
;
S48:计算当前第d+1次迭代后所有参数向量的适应度值,若,则令d=d+1,返回步骤S45,否则选取当前适应度值最小的参数向量作为优化求解结果,基于优化求解结果构建得到最优农田水位预测模型。
所述S4步骤中利用最优农田水位预测模型预测得到目标农田区域的农田水位,包括:
利用最优农田水位预测模型预测得到目标农田区域的农田水位,其中农田水位的预测流程为:
将步骤S2预测得到的目标农田区域中农作物的当前含水量、目标农田区域经过时间范围的蒸发水量以及目标农田区域经过时间范围/>的农作物含水量预测结果,作为最优农田水位预测模型的输入值/>;
对输入值V进行特征映射处理,得到特征映射结果:
;
其中:
表示卷积层计算,w表示卷积层中卷积核的权重,b表示卷积核的偏置量;
利用权重矩阵对特征映射结果进行加权计算处理:
;
其中:
表示输出层的权重矩阵;
表示目标农田区域经过时间范围/>的农田水位预测结果,即农田水位级别。
S5:根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡。
所述S5步骤中根据预测得到的农田水位,动态调整农田水平衡,包括:
根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡,其中农田水平衡动态调整流程为:
若,且/>,则表示经过时间范围/>后的农田水位级别低于平均水位级别,且单位时间内的农作物蒸发水量高于阈值/>,在经过时间范围/>时对农田进行两次灌溉处理,其中/>分别为预设的农田最低和最高水位级别;
若,且/>,则在经过时间范围/>时对农田进行一次灌溉处理;
若,且/>,则在经过时间范围/>时对农田进行一次灌溉处理。
实施例
如图2所示,是本发明一实施例提供的实现高标准农田水平衡计算方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现农田水平衡的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集目标农田区域卫星遥感数据,计算得到农作物水吸收评估特征指标;
构建农作物含水预测模型,利用农作物含水预测模型预测得到目标农田区域的农作物含水量;
对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,利用最优农田水位预测模型预测得到目标农田区域的农田水位;
根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述,在此不赘述。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种高标准农田水平衡计算方法,其特征在于,所述方法包括:
S1:采集目标农田区域卫星遥感数据,计算得到农作物水吸收评估特征指标;
所述采集目标农田区域卫星遥感数据,包括:
利用遥感平台上的遥感器采集目标农田区域卫星遥感数据,其中遥感平台为人造卫星,遥感器为多光谱扫描仪,目标农田区域遥感数据的采集流程为:
分别选取红光波段、蓝光波段、近红外波段以及短波红外波段对应的滤波片,将所选取的滤波片依次放在遥感器中,其中所选取红光波段的波长为0.64,蓝光波段的波长为0.46/>,近红外波段的波长为0.85/>,短波红外波段的波长为1.61/>,/>表示微米;
从目标农田区域发出的红外光辐射以及可见光辐射进入到遥感器中,并透过不同波段的滤波片得到目标农田区域中每个坐标点对不同波段的反射率,并将目标农田区中所有坐标点对不同波段的平均反射率作为目标农田区域遥感数据,其中目标农田区域对红光波段的平均反射率为,目标农田区域对蓝光波段的平均反射率为/>,目标农田区域对近红外波段的平均反射率为/>,目标农田区域对短波红外波段的平均反射率为/>;
所述计算得到农作物水吸收评估特征指标,包括:
根据目标农田区域遥感数据,计算得到农作物水吸收评估特征指标:
;
;
;
其中:
表示农作物水吸收评估特征指标,其中/>为校正了大部分与大气条件相关辐照度变化的特征指标,用以反映农作物长势,/>为校正了大气残留气溶胶以及减小了土壤背景影响的特征指标,用以反映农作物密度,/>为反映农作物水分含量的特征指标;
为土壤背景调节参数,将其设置为1;
表示红光修正参数,/>表示蓝光修正参数;
S2:构建农作物含水预测模型,利用农作物含水预测模型预测得到目标农田区域的农作物含水量;
所述构建农作物含水预测模型,包括:
构建农作物含水预测模型,其中农作物含水预测模型的构建流程为:
获取目标农田区域在N个不同时刻的农作物水吸收评估特征指标,并监测目标农田区域在N个不同时刻的农作物平均含水率,构成农作物含水预测模型的训练集:
;
其中:
表示第n个时刻的训练数据,/>表示第n个时刻的农作物水吸收评估特征指标,/>表示第n个时刻的农作物平均含水率;
基于训练数据确定农作物含水预测模型的预测参数,构建拟合方程:
;
将拟合方程转换为矩阵形式:
;
;
其中:
T表示转置;
;
计算得到预测参数:
;
基于预测参数构建农作物含水预测模型,所构建农作物含水预测模型以农作物水吸收评估特征指标以及大气指标为输入,以农作物含水量为输出,其中大气指标包括遥感数据、风速数据以及温度数据;
所述利用农作物含水预测模型预测得到目标农田区域的农作物含水量,包括:
利用农作物含水预测模型预测得到目标农田区域的农作物含水量:
;
;
;
;
;
;
;
;
;
其中:
表示以自然常数为底的指数函数;
表示目标农田区域经过时间范围/>的农作物含水量预测结果,/>表示目标农田区域中农作物的当前含水量,/>表示目标农田区域经过时间范围/>的蒸发水量;
表示单个农作物的最大含水量;
表示预测得到目标农田区域的农作物平均含水率;
表示单个农作物经过时间范围/>受到的太阳能辐射能量,/>表示时间范围/>内的日照时间,/>表示单个农作物在单位时间受到的太阳能辐射能量;
W表示目标农田区域的当前温度,表示所设置的最大温度,/>表示所设置的最小温度,/>表示所设置的平均湿度;
P表示大气压,v表示目标农田区域的当前风速;
表示温湿度表常数;
M表示目标农田区域的农作物数量;
表示预测时间范围,单位为小时;
S3:构建农田水位预测模型,构建模型以农作物含水量预测结果为输入,以农田水位为输出;
所述农田水位预测模型包括输入层,映射层以及输出层,输入层用于接收农作物含水量预测结果,其中输入层所接收农作物含水量预测结果为目标农田区域中农作物的当前含水量、目标农田区域经过时间范围的蒸发水量以及目标农田区域经过时间范围/>的农作物含水量预测结果的拼接向量形式,映射层包括卷积层,用于对输入层的输入结果进行特征映射处理,输出层用于利用权重矩阵对特征映射结果进行加权计算处理,得到经过时间范围/>的农田水位预测结果,其中农田水位预测结果为农田水位级别;
S4:对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,利用最优农田水位预测模型预测得到目标农田区域的农田水位;
所述对构建的农田水位预测模型进行优化求解得到最优农田水位预测模型,其中优化求解流程为:
S41:采集U组农田区域的农作物当前含水量、经过一定时间范围的蒸发水量、农作物含水量预测结果以及农田区域经过一定时间范围的真实水位构成训练数据集data:
;
其中:
表示训练数据集data中的第u组训练数据,/>表示第u组农田区域的农作物当前含水量、经过一定时间范围的蒸发水量以及农作物含水量预测结果的拼接向量,/>表示第u组农田区域经过一定时间范围的真实水位级别;
S42:构建农田水位预测模型的优化目标函数:
;
其中:
表示农田水位预测模型的待优化参数向量,包括卷积层中卷积核的权重以及偏置量,输出层的权重矩阵;
表示将/>输入到基于/>的农田水位预测模型中,模型输出的农田水位预测结果;
S43:生成第一组参数向量的初始化结果,并基于混沌映射方法生成H组参数向量的初始化结果,其中第h+1组参数向量的初始化结果生成公式为:
;
其中:
为混沌参数,将其设置为2;
表示L1范数,/>表示调控参数;
S44:设置模型训练的当前迭代次数为d,d的初始值为0,最大迭代次数为D,则第h组参数向量的第d次迭代结果为,将生成以及迭代得到的参数向量输入到优化目标函数中,得到参数向量的适应度值,则/>的适应度值为/>,选取每次迭代后H组参数向量中适应度值最小的参数向量作为本次迭代的最佳参数向量,则第d次迭代后的最佳参数向量为/>;
S45:计算得到第d+1次迭代的迭代权重:
;
并计算得到第d次迭代的参数:
;
S46:对任意参数向量进行第d+1次迭代:
;
其中:
表示0-1之间的随机数,/>表示0-1之间的随机数;
表示第h组参数向量的第d+1次迭代结果;
S47:选取第d+1次迭代后适应度值最小的三个参数向量,其中/>的适应度值最小,基于二次插值方法生成新的参数向量/>:
;
其中:
表示将参数向量输入到优化目标函数中的优化目标函数值;
;
S48:计算当前第d+1次迭代后所有参数向量的适应度值,若,则令d=d+1,返回步骤S45,否则选取当前适应度值最小的参数向量作为优化求解结果,基于优化求解结果构建得到最优农田水位预测模型;
所述利用最优农田水位预测模型预测得到目标农田区域的农田水位,其中农田水位的预测流程为:
将步骤S2预测得到的目标农田区域中农作物的当前含水量、目标农田区域经过时间范围的蒸发水量以及目标农田区域经过时间范围/>的农作物含水量预测结果,作为最优农田水位预测模型的输入值/>;
对输入值V进行特征映射处理,得到特征映射结果:
;
其中:
表示卷积层计算,w表示卷积层中卷积核的权重,b表示卷积核的偏置量;
利用权重矩阵对特征映射结果进行加权计算处理:
;
其中:
表示输出层的权重矩阵;
表示目标农田区域经过时间范围/>的农田水位预测结果,即农田水位级别;
S5:根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡。
2.如权利要求1所述的一种高标准农田水平衡计算方法,其特征在于,所述S5步骤中根据预测得到的农田水位,动态调整农田水平衡,包括:
根据预测得到的农田水位以及预设的农田最低和最高水位限制,动态调整农田水平衡,其中农田水平衡动态调整流程为:
若,且/>,则表示经过时间范围/>后的农田水位级别低于平均水位级别,且单位时间内的农作物蒸发水量高于阈值/>,在经过时间范围/>时对农田进行两次灌溉处理,其中/>分别为预设的农田最低和最高水位级别;
若,且/>,则在经过时间范围/>时对农田进行一次灌溉处理;
若,且/>,则在经过时间范围/>时对农田进行一次灌溉处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727859.1A CN116451886B (zh) | 2023-06-20 | 2023-06-20 | 一种高标准农田水平衡计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727859.1A CN116451886B (zh) | 2023-06-20 | 2023-06-20 | 一种高标准农田水平衡计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451886A CN116451886A (zh) | 2023-07-18 |
CN116451886B true CN116451886B (zh) | 2023-10-10 |
Family
ID=87122371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310727859.1A Active CN116451886B (zh) | 2023-06-20 | 2023-06-20 | 一种高标准农田水平衡计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451886B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799465A (zh) * | 2010-03-08 | 2010-08-11 | 天津工程师范学院 | 基于微环境信息的旱地农田水势软测量方法及软测量网络 |
CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
CN108876005A (zh) * | 2018-05-07 | 2018-11-23 | 中国农业科学院农田灌溉研究所 | 基于天气信息的冬小麦灌溉预报方法 |
CN109062272A (zh) * | 2018-09-05 | 2018-12-21 | 佛山铮荣科技有限公司 | 水稻灌溉智能测控系统 |
CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN115601650A (zh) * | 2022-11-21 | 2023-01-13 | 合肥青研信息科技有限责任公司(Cn) | 一种基于卫星遥感技术的水稻灌溉模式监测方法 |
CN115687850A (zh) * | 2022-11-01 | 2023-02-03 | 北京市农林科学院智能装备技术研究中心 | 一种农田的灌溉需水量计算方法及装置 |
CN116187171A (zh) * | 2023-01-09 | 2023-05-30 | 金陵科技学院 | 农田全自动多路智能灌溉设备及改进lstm灌溉方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9131642B2 (en) * | 2011-05-13 | 2015-09-15 | Hydrobio, Inc. | Method and system to control irrigation across large geographic areas using remote sensing, weather and field level data |
EP3668305A4 (en) * | 2017-08-14 | 2021-04-28 | Rubicon Research Pty Ltd | WATER DISTRIBUTION AND SOIL HUMIDITY DETERMINATION PROCESS AND SYSTEM |
-
2023
- 2023-06-20 CN CN202310727859.1A patent/CN116451886B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799465A (zh) * | 2010-03-08 | 2010-08-11 | 天津工程师范学院 | 基于微环境信息的旱地农田水势软测量方法及软测量网络 |
CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
CN108876005A (zh) * | 2018-05-07 | 2018-11-23 | 中国农业科学院农田灌溉研究所 | 基于天气信息的冬小麦灌溉预报方法 |
CN109062272A (zh) * | 2018-09-05 | 2018-12-21 | 佛山铮荣科技有限公司 | 水稻灌溉智能测控系统 |
CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN115687850A (zh) * | 2022-11-01 | 2023-02-03 | 北京市农林科学院智能装备技术研究中心 | 一种农田的灌溉需水量计算方法及装置 |
CN115601650A (zh) * | 2022-11-21 | 2023-01-13 | 合肥青研信息科技有限责任公司(Cn) | 一种基于卫星遥感技术的水稻灌溉模式监测方法 |
CN116187171A (zh) * | 2023-01-09 | 2023-05-30 | 金陵科技学院 | 农田全自动多路智能灌溉设备及改进lstm灌溉方法 |
Non-Patent Citations (5)
Title |
---|
作物水分智能管理研究进展;周彤;陈雯;秦培亮;刘涛;孙成明;;作物杂志(05);全文 * |
基于混合策略改进的鲸鱼优化算法研究;张希淼;《中国优秀硕士学位论文全文数据库 信息科技辑》(第12期);全文 * |
多源信息融合的收获期小麦含水率预测与在线检测技术研究;姬虹;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第6期);全文 * |
无人机遥感技术在精量灌溉中应用的研究进展;韩文霆;张立元;牛亚晓;史翔;;农业机械学报(02);全文 * |
河套灌区种植结构变化对农田系统水量平衡的影响;付雯琪;翟家齐;赵勇;何国华;张越;;灌溉排水学报(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451886A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
Huang et al. | Data-driven short-term solar irradiance forecasting based on information of neighboring sites | |
CN114331233B (zh) | 植被总初级生产力估算方法、装置、电子设备及存储介质 | |
Rajasomashekar et al. | Biogeography based optimization technique for best compromise solution of economic emission dispatch | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN103514457B (zh) | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 | |
CN109002358A (zh) | 基于深度强化学习的移动终端软件自适应优化调度方法 | |
CN113780097B (zh) | 基于知识图谱和深度学习的耕地提取方法 | |
CN111325381A (zh) | 一种多源异构农田大数据产量预测方法、系统与装置 | |
JP2017200360A (ja) | 太陽光発電量予測システム、太陽光発電量予測方法、プログラム | |
CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
CN107204615A (zh) | 一种实现功率预测的方法及系统 | |
CN109800929A (zh) | 一种电网负荷预测方法、装置和计算设备 | |
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 | |
Pachauri | Imperative role of optimization techniques to reconfigure solar photovoltaic array systems to diminish shading effects | |
CN116451886B (zh) | 一种高标准农田水平衡计算方法 | |
JP7451715B2 (ja) | 日射量補正方法、日射量補正装置、コンピュータプログラム、モデル、モデル生成方法及びモデル提供方法 | |
CN114494909A (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
JP6494258B2 (ja) | 予測システム、予測方法、および予測プログラム | |
CN113837430A (zh) | 基于云网边端一体化的综合能源负荷优化调度方法及系统 | |
CN110069877B (zh) | 一种总初级生产力确定方法、装置及电子设备 | |
CN116881624A (zh) | 复合型极端事件预报方法、装置、计算机设备和存储介质 | |
CN107729144A (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN107423263A (zh) | 一种枣缩果病预测方法及装置 | |
CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 |
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 |