CN116484287A - 基于误差修正的土壤水分预测方法、系统、终端及介质 - Google Patents
基于误差修正的土壤水分预测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN116484287A CN116484287A CN202310740277.7A CN202310740277A CN116484287A CN 116484287 A CN116484287 A CN 116484287A CN 202310740277 A CN202310740277 A CN 202310740277A CN 116484287 A CN116484287 A CN 116484287A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- soil moisture
- data
- similarity
- error
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012937 correction Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 141
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 description 12
- 238000001556 precipitation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于误差修正的土壤水分预测方法、系统、终端及介质,涉及土壤水分预测技术领域,其技术方案要点是:获取目标土壤的历史监测数据;历史监测数据中筛选出相似度最大的两个监测数据段;建立等效方程;以多组相似指标的等效方程进行联合求解,得到各个环境参数之间的等效比系数;以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,匹配出与实时监测数据之间相似度最大的相似监测数据;提取位于相似监测数据下一个监测周期的数据作为进行土壤水分预测的预测数据。本发明可在有限的历史数据中更为精准的匹配得到相似的数据,实现土壤水分的精确预测。
Description
技术领域
本发明涉及土壤水分预测技术领域,更具体地说,它涉及基于误差修正的土壤水分预测方法、系统、终端及介质。
背景技术
土壤水分是指保存于土壤中的水分,对土壤水分的监测与预测对于农业灌溉以及地质研究来说极为重要。由于影响土壤水分状况的因素主要有降雨量的保留情况和蒸发情况,而降雨量的保留情况又受植被情况和土壤性质等因素影响,土壤水分的蒸发情况也受光照强度、环境温度、空气湿度、气压、空气流速等因素影响,导致对土壤水分的预测极为困难。
目前,土壤水分的预测方法主要有基于机器学习的土壤水分预测方法,依据历史数据进行机器学习训练,以构建进行土壤水分预测的神经网络模型。然而,由于影响土壤水分状况的环境参数较多,所以在需要保障土壤水分预测的准确度时,就需要获取大量的样本数据进行训练,而采用插值扩增方法虽然能够增加样本数据的量,但由于所增加的样本数据本身就是依赖已有数据进行确定的,所以其本身并不能对于土壤水分预测的准确度起到较大的促进作用。而若是获取大量真实的样本数据来训练构建土壤水分预测的神经网络模型,将会导致土壤水分预测的应用成本较高,难以大范围的推广应用。
因此,如何研究设计一种能够克服上述缺陷的基于误差修正的土壤水分预测方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足,本发明的目的是提供基于误差修正的土壤水分预测方法、系统、终端及介质,采用相似度匹配的方法进行土壤水分预测,并对相似度匹配过程中的误差指标进行抵消修正,以保证在有限的历史数据中更为精准的匹配得到相似的数据,并依据所匹配数据的后续变化实现土壤水分的精确预测。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了基于误差修正的土壤水分预测方法,包括以下步骤:
获取目标土壤的历史监测数据,历史监测数据包括土壤水分以及影响土壤水分变化的多种环境参数;
以土壤水分和单一的环境参数作为一组相似指标,从历史监测数据中筛选出相似度最大的两个监测数据段;
将两个监测数据段中所有环境参数的增量参数与减量参数进行等效处理,建立等效方程;
以多组相似指标的等效方程进行联合求解,得到各个环境参数之间进行转换的等效比系数;
以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,从历史监测数据中匹配出与当前时刻所对应的实时监测数据之间相似度最大的相似监测数据;
从历史监测数据中提取位于相似监测数据下一个监测周期的数据作为对当前时刻下一个监测周期进行土壤水分预测的预测数据。
进一步的,所述相似度的分析过程具体为:
计算两个数据中每一个相似指标之间的偏差值,并以所有相似指标的偏差值之和作为两个数据的总偏差值;
将总偏差值转换成相似度,总偏差值越大,则相似度越小;
其中,偏差值为两个数据中对于同一相似指标在所有时刻的标准误差;
或,偏差值为两个数据中对于同一相似指标在所有时刻的平均绝对误差。
进一步的,所述监测数据段的筛选过程具体为:
以位于当前时刻上一个监测周期的监测数据作为第一个监测数据段;
依据不同组的相似指标从历史监测数据中筛选出相似度最大的多个第二个监测数据段,第二个监测数据段与第一个监测数据段为不同时刻的监测数据;
第一个监测数据段与任意一个第二个监测数据段构成对应相似指标的两个监测数据段。
进一步的,所述增量参数与减量参数的确定过程具体为:
随机将两个监测数据段中的一个监测数据段作为参考项,另一个监测数据段作为对比项;
选取在对比项中的参数值相比于在参考项中对应的参数值增大的环境参数作为增量参数;
选取在对比项中的参数值相比于在参考项中对应的参数值减小的环境参数作为减量参数。
进一步的,所述等效方程的建立过程具体为:
计算单个增量参数在监测周期内的累积增量以及单个减量参数在监测周期内的累积减量;
以所有增量参数的累积增量之和等同于所有减量参数的累积减量之和建立等效方程。
进一步的,所述以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理的过程具体为:
选取两个数据在同一个时刻至少存在两个指标具有误差,且一个误差指标的误差为增量误差,另一个误差指标的误差为减量误差;
依据等效比系数对两个误差指标中的误差进行等效抵消处理,以使得两个误差指标的误差值同时减小。
进一步的,所述误差指标在单一时刻仅进行一次等效抵消处理,且等效比系数越小的两个误差指标优先进行等效抵消处理。
第二方面,提供了基于误差修正的土壤水分预测系统,包括:
数据采集模块,用于获取目标土壤的历史监测数据,历史监测数据包括土壤水分以及影响土壤水分变化的多种环境参数;
数据筛选模块,用于以土壤水分和单一的环境参数作为一组相似指标,从历史监测数据中筛选出相似度最大的两个监测数据段;
等效处理模块,用于将两个监测数据段中所有环境参数的增量参数与减量参数进行等效处理,建立等效方程;
系数求解模块,用于以多组相似指标的等效方程进行联合求解,得到各个环境参数之间进行转换的等效比系数;
误差修正模块,用于以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,从历史监测数据中匹配出与当前时刻所对应的实时监测数据之间相似度最大的相似监测数据;
数据预测模块,用于从历史监测数据中提取位于相似监测数据下一个监测周期的数据作为对当前时刻下一个监测周期进行土壤水分预测的预测数据。
第三方面,提供了一种计算机终端,包含存储器、处理器及存储在存储器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第一方面中任意一项所述的基于误差修正的土壤水分预测方法。
第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行可实现如第一方面中任意一项所述的基于误差修正的土壤水分预测方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明提供的基于误差修正的土壤水分预测方法,由于部分的环境参数组合在变化过程中对土壤水分的影响可以相互抵消,使得土壤水分在短时间内的变化趋势受此部分环境参数组合的变化影响较弱,所以本发明采用相似度匹配的方法进行土壤水分预测,并对相似度匹配过程中的误差指标进行抵消修正,以保证在有限的历史数据中更为精准的匹配得到相似的数据,并依据所匹配数据的后续变化实现土壤水分的精确预测;
2、本发明以位于当前时刻上一个监测周期的监测数据作为第一个监测数据段,这样通过联合求解得到的等效比系数更加符合当前场景,有效规避了因场景不同而引起的误差;
3、本发明在进行等效抵消处理时,对误差指标在单一时刻的等效抵消处理次数以及优先处理等级进行约束,保证了在相似度匹配过程中能够获得唯一的相似数据。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明实施例1中的流程图;
图2是本发明实施例2中的系统框图。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:基于误差修正的土壤水分预测方法,如图1所示,具体由以下步骤实现。
步骤一:获取目标土壤的历史监测数据,历史监测数据包括土壤水分以及影响土壤水分变化的多种环境参数。
其中,环境参数包括但不限于植被覆盖率、土壤类型、光照强度、环境温度、空气湿度、气压和空气流速。土壤水分可以采用单位体积中的水分含量进行表示。
此外,历史监测数据可以是连续的历史数据,也可以是间断的历史数据,但一般情况选取从某一时刻至当前时刻的连续历史数据。需要说明的是,间断的历史数据是指以固定的间隔时间进行连续采样所获取的数据。
步骤二:以土壤水分和单一的环境参数作为一组相似指标,从历史监测数据中筛选出相似度最大的两个监测数据段。
例如,当共选取四个环境参数时:降水量B、光照强度C、空气流速D和空气湿度E,土壤水分为A。则可以组成四组相似指标:(A,B)、(A,C)、(A,D)、(A,E),每一组相似指标均可以获得两个监测数据段。
需要说明的是,在组成相似指标时,也可以选取土壤水分和多个的环境参数,在此不受限制。
相似度的分析过程具体为:计算两个数据中每一个相似指标之间的偏差值,并以所有相似指标的偏差值之和作为两个数据的总偏差值;将总偏差值转换成相似度,总偏差值越大,则相似度越小;其中,偏差值可以为两个数据中对于同一相似指标在所有时刻的标准误差,也可以为两个数据中对于同一相似指标在所有时刻的平均绝对误差,标准误差和平均绝对误差均为已有的数据对比计算方法。
以标准误差为例,针对两个数据中的一个相似指标而言:第一个数据为,/>为第一个数据中第/>次采样的数据值,第二个数据为/>,为第二个数据中第/>次采样的数据值,/>表示数据的总采样点数。那么,两个数据的偏差值/>计算公式如下:
。
若采用平均绝对误差计算偏差值,则计算公式如下:
。
需要说明的是,在筛选监测数据段时,可以从历史监测数据中随机筛选出两个数据进行相似度匹配,最后选取相似度最大的两个数据作为监测数据段。
但是,为了使得在后续计算得到的等效比系数更加适用于当前时刻所对应的场景,监测数据段的筛选过程可以如下:以位于当前时刻上一个监测周期的监测数据作为第一个监测数据段;依据不同组的相似指标从历史监测数据中筛选出相似度最大的多个第二个监测数据段,在筛选第二个监测数据段时,需要将第一个监测数据段从历史监测数据中剔除;第一个监测数据段与任意一个第二个监测数据段构成对应相似指标的两个监测数据段。
步骤三:将两个监测数据段中所有环境参数的增量参数与减量参数进行等效处理,建立等效方程。
增量参数与减量参数的确定过程具体为:随机将两个监测数据段中的一个监测数据段作为参考项,另一个监测数据段作为对比项;选取在对比项中的参数值相比于在参考项中对应的参数值增大的环境参数作为增量参数;选取在对比项中的参数值相比于在参考项中对应的参数值减小的环境参数作为减量参数。
例如,降水量减少、空气湿度减小对于土壤水分来说是不利因素,而光照强度增强和空气流速增加对于土壤水分来说也是不利因素。
若以空气湿度和土壤水分作为一组相似指标,在筛选出两个监测数据段后,由于空气湿度本身就参与了相似度分析,说明两个监测数据段中的空气湿度变化不大,因此不对空气湿度这一个环境参数进行增量或减量分析。
假设对比项中的降水量相比于参考项减小,那么降水量就确定为减量参数;同时对比项中的光照强度和空气流速相比于参考项均增加,那么光照强度和空气流速均确定为增量参数。
等效方程的建立过程具体为:计算单个增量参数在监测周期内的累积增量以及单个减量参数在监测周期内的累积减量;以所有增量参数的累积增量之和等同于所有减量参数的累积减量之和建立等效方程。
其中,两个环境参数的等同结果越接近实际情况,那么对于误差指标的等效抵消处理效果越好。
需要说明的是,对于光照强度的累积增量可以采用两个监测数据段在监测周期内累积照度的差值进行表示,而对于空气流速的累积增量可以采用两个监测数据段在监测周期内累积风流通量的差值进行表示。
为此,可以得到降水量的累积减量等同于或等价于光照强度与空气流速的累积增量之和。
步骤四:以多组相似指标的等效方程进行联合求解,得到各个环境参数之间进行转换的等效比系数。
在针对不同相似指标所筛选出的两个监测数据段进行单独的等效处理后,可以得到与环境参数数量一致的多个等效方程,再对所有等效方程进行联合消元等处理后,可以得到两个环境参数之间的等效比系数。
步骤五:以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,从历史监测数据中匹配出与当前时刻所对应的实时监测数据之间相似度最大的相似监测数据。
以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理的过程具体为:选取两个数据在同一个时刻至少存在两个指标具有误差,且一个误差指标的误差为增量误差,另一个误差指标的误差为减量误差;依据等效比系数对两个误差指标中的误差进行等效抵消处理,以使得两个误差指标的误差值同时减小。
为了避免进行过度抵消处理而导致无法择优选择相似度最大的数据时,误差指标在单一时刻仅进行一次等效抵消处理,且等效比系数越小的两个误差指标优先进行等效抵消处理。
假设降水量与光照强度之间的等效比系数为b:c,降水量与空气流速的等效比系数为b:d,光照强度与空气湿度之间的等效比系数为c:e,空气流速与空气湿度之间的等效比系数为d:e。等效比系数为b:c表示降水量减少的量b等同于光照强度增加的量c。其他同理。
若两个数据在某一时刻存在降水量和光照强度两个误差指标,且降水量减少的量为2b,而光照强度增加的量为c,那么等效抵消处理后降水量减少的量为b,而光照强度增加的量0。可知两个误差指标的误差幅度均明显减少,所以在此时刻进行误差修正后的相似度更高,方便更为精准的匹配得到相似的数据。
步骤六:从历史监测数据中提取位于相似监测数据下一个监测周期的数据作为对当前时刻下一个监测周期进行土壤水分预测的预测数据。
本发明通过对比试验验证,在样本数据较少的情况下采用相似度匹配预测方法,通过误差修正后的土壤水分预测相比于没有修正的土壤水分预测的精确度更高,且样本数据越少的情况效果越明显,但整体效果仍对样本数据的数量有一定要求。
实施例2:基于误差修正的土壤水分预测系统,该系统用于实现实施例1中所记载的基于误差修正的土壤水分预测方法,如图2所示,包括数据采集模块、数据筛选模块、等效处理模块、系数求解模块、误差修正模块和数据预测模块。
其中,数据采集模块,用于获取目标土壤的历史监测数据,历史监测数据包括土壤水分以及影响土壤水分变化的多种环境参数;数据筛选模块,用于以土壤水分和单一的环境参数作为一组相似指标,从历史监测数据中筛选出相似度最大的两个监测数据段;等效处理模块,用于将两个监测数据段中所有环境参数的增量参数与减量参数进行等效处理,建立等效方程;系数求解模块,用于以多组相似指标的等效方程进行联合求解,得到各个环境参数之间进行转换的等效比系数;误差修正模块,用于以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,从历史监测数据中匹配出与当前时刻所对应的实时监测数据之间相似度最大的相似监测数据;数据预测模块,用于从历史监测数据中提取位于相似监测数据下一个监测周期的数据作为对当前时刻下一个监测周期进行土壤水分预测的预测数据。
工作原理:由于部分的环境参数组合在变化过程中对土壤水分的影响可以相互抵消,使得土壤水分在短时间内的变化趋势受此部分环境参数组合的变化影响较弱,所以本发明采用相似度匹配的方法进行土壤水分预测,并对相似度匹配过程中的误差指标进行抵消修正,以保证在有限的历史数据中更为精准的匹配得到相似的数据,并依据所匹配数据的后续变化实现土壤水分的精确预测。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于误差修正的土壤水分预测方法,其特征是,包括以下步骤:
获取目标土壤的历史监测数据,历史监测数据包括土壤水分以及影响土壤水分变化的多种环境参数;
以土壤水分和单一的环境参数作为一组相似指标,从历史监测数据中筛选出相似度最大的两个监测数据段;
将两个监测数据段中所有环境参数的增量参数与减量参数进行等效处理,建立等效方程;
以多组相似指标的等效方程进行联合求解,得到各个环境参数之间进行转换的等效比系数;
以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,从历史监测数据中匹配出与当前时刻所对应的实时监测数据之间相似度最大的相似监测数据;
从历史监测数据中提取位于相似监测数据下一个监测周期的数据作为对当前时刻下一个监测周期进行土壤水分预测的预测数据。
2.根据权利要求1所述的基于误差修正的土壤水分预测方法,其特征是,所述相似度的分析过程具体为:
计算两个数据中每一个相似指标之间的偏差值,并以所有相似指标的偏差值之和作为两个数据的总偏差值;
将总偏差值转换成相似度,总偏差值越大,则相似度越小;
其中,偏差值为两个数据中对于同一相似指标在所有时刻的标准误差;
或,偏差值为两个数据中对于同一相似指标在所有时刻的平均绝对误差。
3.根据权利要求1所述的基于误差修正的土壤水分预测方法,其特征是,所述监测数据段的筛选过程具体为:
以位于当前时刻上一个监测周期的监测数据作为第一个监测数据段;
依据不同组的相似指标从历史监测数据中筛选出相似度最大的多个第二个监测数据段,第二个监测数据段与第一个监测数据段为不同时刻的监测数据;
第一个监测数据段与任意一个第二个监测数据段构成对应相似指标的两个监测数据段。
4.根据权利要求1所述的基于误差修正的土壤水分预测方法,其特征是,所述增量参数与减量参数的确定过程具体为:
随机将两个监测数据段中的一个监测数据段作为参考项,另一个监测数据段作为对比项;
选取在对比项中的参数值相比于在参考项中对应的参数值增大的环境参数作为增量参数;
选取在对比项中的参数值相比于在参考项中对应的参数值减小的环境参数作为减量参数。
5.根据权利要求1所述的基于误差修正的土壤水分预测方法,其特征是,所述等效方程的建立过程具体为:
计算单个增量参数在监测周期内的累积增量以及单个减量参数在监测周期内的累积减量;
以所有增量参数的累积增量之和等同于所有减量参数的累积减量之和建立等效方程。
6.根据权利要求1所述的基于误差修正的土壤水分预测方法,其特征是,所述以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理的过程具体为:
选取两个数据在同一个时刻至少存在两个指标具有误差,且一个误差指标的误差为增量误差,另一个误差指标的误差为减量误差;
依据等效比系数对两个误差指标中的误差进行等效抵消处理,以使得两个误差指标的误差值同时减小。
7.根据权利要求1所述的基于误差修正的土壤水分预测方法,其特征是,所述误差指标在单一时刻仅进行一次等效抵消处理,且等效比系数越小的两个误差指标优先进行等效抵消处理。
8.基于误差修正的土壤水分预测系统,其特征是,包括:
数据采集模块,用于获取目标土壤的历史监测数据,历史监测数据包括土壤水分以及影响土壤水分变化的多种环境参数;
数据筛选模块,用于以土壤水分和单一的环境参数作为一组相似指标,从历史监测数据中筛选出相似度最大的两个监测数据段;
等效处理模块,用于将两个监测数据段中所有环境参数的增量参数与减量参数进行等效处理,建立等效方程;
系数求解模块,用于以多组相似指标的等效方程进行联合求解,得到各个环境参数之间进行转换的等效比系数;
误差修正模块,用于以土壤水分和所有的环境参数作为相似指标组合,并以等效比系数对相似度匹配过程中的误差指标进行等效抵消处理,从历史监测数据中匹配出与当前时刻所对应的实时监测数据之间相似度最大的相似监测数据;
数据预测模块,用于从历史监测数据中提取位于相似监测数据下一个监测周期的数据作为对当前时刻下一个监测周期进行土壤水分预测的预测数据。
9.一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的基于误差修正的土壤水分预测方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的基于误差修正的土壤水分预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740277.7A CN116484287B (zh) | 2023-06-21 | 2023-06-21 | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740277.7A CN116484287B (zh) | 2023-06-21 | 2023-06-21 | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484287A true CN116484287A (zh) | 2023-07-25 |
CN116484287B CN116484287B (zh) | 2023-09-01 |
Family
ID=87212268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310740277.7A Active CN116484287B (zh) | 2023-06-21 | 2023-06-21 | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484287B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040137A (zh) * | 2023-10-09 | 2023-11-10 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110093123A1 (en) * | 2003-04-25 | 2011-04-21 | George Alexanian | Irrigation water conservation with automated water budgeting and time of use technology |
US8793024B1 (en) * | 2009-02-27 | 2014-07-29 | Hunter Industries, Inc. | Irrigation system with multiple soil moisture based seasonal watering adjustment |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
US20190057461A1 (en) * | 2017-08-21 | 2019-02-21 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN112147190A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 基于数据同化和气象数据的土壤墒情站自动校核方法 |
CN113567652A (zh) * | 2021-07-27 | 2021-10-29 | 中国地质调查局水文地质环境地质调查中心 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
CN113578956A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学院地理科学与资源研究所 | 一种土壤治理植物的确定方法及装置 |
CN113588916A (zh) * | 2021-07-09 | 2021-11-02 | 河海大学 | 一种预测膨胀性土壤中水分累积吸附的方法 |
CN114118634A (zh) * | 2022-01-26 | 2022-03-01 | 深圳大学 | 一种土壤水分预测方法和装置 |
US20220061236A1 (en) * | 2020-08-25 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Accessing agriculture productivity and sustainability |
CN114169400A (zh) * | 2021-11-12 | 2022-03-11 | 深圳市绿恩环保技术有限公司 | 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 |
CN114740022A (zh) * | 2022-04-08 | 2022-07-12 | 广东工业大学 | 基于多源遥感技术的土壤水分检测方法、装置以及设备 |
CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
WO2023004202A1 (en) * | 2021-07-23 | 2023-01-26 | The Regents Of The University Of Colorado, A Body Corporate | Radiometer and radiometer-based soil moisture determination method |
-
2023
- 2023-06-21 CN CN202310740277.7A patent/CN116484287B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110093123A1 (en) * | 2003-04-25 | 2011-04-21 | George Alexanian | Irrigation water conservation with automated water budgeting and time of use technology |
US8793024B1 (en) * | 2009-02-27 | 2014-07-29 | Hunter Industries, Inc. | Irrigation system with multiple soil moisture based seasonal watering adjustment |
US20190057461A1 (en) * | 2017-08-21 | 2019-02-21 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
US20220061236A1 (en) * | 2020-08-25 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Accessing agriculture productivity and sustainability |
CN112147190A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 基于数据同化和气象数据的土壤墒情站自动校核方法 |
CN113588916A (zh) * | 2021-07-09 | 2021-11-02 | 河海大学 | 一种预测膨胀性土壤中水分累积吸附的方法 |
WO2023004202A1 (en) * | 2021-07-23 | 2023-01-26 | The Regents Of The University Of Colorado, A Body Corporate | Radiometer and radiometer-based soil moisture determination method |
CN113567652A (zh) * | 2021-07-27 | 2021-10-29 | 中国地质调查局水文地质环境地质调查中心 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
CN113578956A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学院地理科学与资源研究所 | 一种土壤治理植物的确定方法及装置 |
CN114169400A (zh) * | 2021-11-12 | 2022-03-11 | 深圳市绿恩环保技术有限公司 | 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 |
CN114118634A (zh) * | 2022-01-26 | 2022-03-01 | 深圳大学 | 一种土壤水分预测方法和装置 |
CN114740022A (zh) * | 2022-04-08 | 2022-07-12 | 广东工业大学 | 基于多源遥感技术的土壤水分检测方法、装置以及设备 |
CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
Non-Patent Citations (4)
Title |
---|
E. J. COOPERSMITH, B. S. MINSKER, AND M. SIVAPALAN: "Using similarity of soil texture and hydroclimate to enhance soil moisture estimation", 《HYDROLOGY AND EARTH SYSTEM SCIENCES》, vol. 18, no. 8, pages 1 - 13 * |
OLIVIU MATEI等: "A Data Mining System for Real Time Soil Moisture Prediction", 《PROCEDIA ENGINEERING》, vol. 181, pages 837 - 844, XP029994556, DOI: 10.1016/j.proeng.2017.02.475 * |
宋荣杰;李书琴;: "基于MODIS数据的土壤水分预测方法研究", 农机化研究, no. 03, pages 199 - 205 * |
王丽丽等: "基于水文气象多因子的夏玉米生育期土壤水分预测研究", 《节水灌溉》, pages 54 - 58 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040137A (zh) * | 2023-10-09 | 2023-11-10 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
CN117040137B (zh) * | 2023-10-09 | 2024-05-07 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116484287B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116484287B (zh) | 基于误差修正的土壤水分预测方法、系统、终端及介质 | |
CN115987295B (zh) | 基于物联网的农作物监控数据高效处理方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN110824586B (zh) | 基于改进决策树算法的降水预测方法 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN117332341B (zh) | 基于物联网的飞机轮挡数据智能管理方法及系统 | |
CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
CN111754045A (zh) | 一种基于果树生长的预测系统 | |
CN113375730A (zh) | 一种长短时记忆神经网络监测螃蟹生存水体环境系统 | |
CN111881864A (zh) | 一种智慧农业种植农作物生长全周期全动态监测管理系统 | |
CN113723757A (zh) | 决策生成模型训练方法、决策生成方法及装置 | |
CN114239756A (zh) | 一种虫害检测方法及系统 | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN108459314B (zh) | 一种三维固态面阵激光雷达非均匀校正方法 | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN111047083B (zh) | 一种步进式涡度协方差观测数据处理方法 | |
CN115952924B (zh) | 一种基于优化vmd与特征热力图的短期风电功率预测方法 | |
CN108802153B (zh) | 一种周期衰减的校准方法、电子设备和存储介质 | |
CN110765420A (zh) | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 | |
CN116452358A (zh) | 基于物联网的智慧农业管理系统 | |
CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
CN114723166A (zh) | 一种基于XGBoost模型的地表温度重建方法 | |
CN112084462A (zh) | 一种基于数字图像的作物氮素营养指标估算模型评价方法 | |
CN117990187B (zh) | 基于人工智能的地下水水位动态监测方法 |
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 |