CN117158302B - 智能农业精准灌溉方法及系统 - Google Patents
智能农业精准灌溉方法及系统 Download PDFInfo
- Publication number
- CN117158302B CN117158302B CN202311318432.2A CN202311318432A CN117158302B CN 117158302 B CN117158302 B CN 117158302B CN 202311318432 A CN202311318432 A CN 202311318432A CN 117158302 B CN117158302 B CN 117158302B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- water
- net
- layer
- data
- 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
- 238000003973 irrigation Methods 0.000 title claims abstract description 154
- 230000002262 irrigation Effects 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 71
- 239000002689 soil Substances 0.000 claims abstract description 47
- 230000008020 evaporation Effects 0.000 claims abstract description 17
- 238000001704 evaporation Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000003621 irrigation water Substances 0.000 claims abstract description 10
- 238000002386 leaching Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims description 24
- 230000005855 radiation Effects 0.000 claims description 21
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000003673 groundwater Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- 208000005156 Dehydration Diseases 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000015784 hyperosmotic salinity response Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 238000012384 transportation and delivery Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000003204 osmotic effect Effects 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 241001178520 Stomatepia mongo Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了智能农业精准灌溉方法及系统，第一步是获取目标地区的气象参数和土壤参数并据此计算农业灌区作物的日蒸散量ETc和农业灌区净灌溉需求量NIR，第二步是建立净灌溉需求量预测模型并预测灌溉时刻农作物净灌溉需求预测量NIR'，第三步是计算灌溉渠输送水的过程中流动水蒸发损失量ET和渠床渗漏损失QT，第四步是确定农业灌区灌溉的放水量W。本发明考虑到大气中co2浓度对蒸散量的影响，采用改进的彭曼公式计算作物的参考日蒸散量；考虑到灌溉水盐度对作物吸水量的影响，通过淋溶需求调整水平衡公式；考虑到灌溉渠输送水的过程中流动水蒸发损失量和渗透损失量。通过综合考虑上述各种因素，使得本发明的智能农业精准灌溉系统具有灌溉系统可视和灌溉精度高的优点。
Description
技术领域
本发明属于农业灌溉领域，具体涉及一种智能农业精准灌溉方法及系统。
背景技术
世界人口的快速增长对粮食和淡水的需求正在增加，但受全球变暖的影响，可用于灌溉的淡水资源正不断减少，这对粮食安全造成严重威胁。为了提高农业灌溉用水效率，避免灌溉不足或过度灌溉带来的负面经济和环境影响，农业灌溉应考虑根据农业灌区环境变化和作物用水需求进行精准灌溉。农业灌溉模型即是利用环境数据确定灌溉需求量的过程，现有技术中的农业灌溉模型存在考虑的环境数据参数少、估计的灌溉需求量准确度低的不足。
发明内容
本发明的目的在于提供一种智能农业精准灌溉方法以解决现有技术中的农业灌溉模型考虑的环境参数少、估计的需求量准确度低的技术问题。本发明的目的还在于提供一种使用以上方法的智能农业精准灌溉系统。
为实现上述目的，本发明提供如下技术方案：
智能农业精准灌溉方法，包括以下步骤，
第一步：获取目标地区的环境数据并据此计算农业灌区作物的日蒸散量ETc和农业灌区净灌溉需求量NIR，计算日蒸散量ETc的公式如下：
式中，ET0-参考日蒸散量；Δ-斜率蒸汽压曲线；Rn-作物表面的净辐射；G-土壤热通量密度；γ-湿度常数；es-饱和蒸汽压；ea-实际蒸汽压；T-日平均气温；u2-2m高度风速；rs-大气层的表面阻力；ra-空气动力学阻力；Rns-净短波辐射量；Rn1-净长波辐射量；e(Tmax)-每日最高温度时的饱和水汽压；e(Tmin)-每日最低温度时的饱和水汽压；RHmean-平均相对湿度；n-实际日照时数；N-理论日照时数；Ra-大气层顶部所接受的辐射量；Ws-日照时数角；Gsc-太阳系数；dr-日地相对距离倒数；ψ-地理纬度；δ-日倾角；Tmax,k-每日最高绝对理论温度；Tmin,k-每日最低绝对理论温度；Tmax-每日最高温度；Tmin-每日最低温度；g-没有co2影响的参考作物的参考气孔导度；p-特定植被类型气孔导度的百分比下降；[co2]-大气中二氧化碳浓度；330-基准大气co2浓度；h-参考作物的高度(0.12m)；Ks-水分胁迫系数；Kcb-基础作物系数；Ke-土壤蒸发系数；
第二步：建立净灌溉需求量预测模型并预测灌溉时刻农作物净灌溉需求预测量NIR'；
第三步：计算灌溉渠输送水的过程中流动水蒸发损失量ET和渠床渗漏损失QT；
第四步：根据公式W＝NIR'+ET+QT确定农业灌区灌溉的放水量W。
进一步地，在所述第二步中，先根据每日土壤-水分-作物-大气(SWCA)平衡模型计算农业灌区净灌溉需求量NIR，再以历史收集的环境数据作为输入数据，以净灌溉需求量NIR为输出数据，对建立的净灌溉需求量预测模型进行训练，最后再将实时采集的环境数据输入训练好的模型中即可预测灌溉时刻农作物净灌溉需求预测量NIR'。
进一步地，在所述第二步中，计算净灌溉需求量NIR的公式如下：
式中，LR-淋溶需求；GW-地下水贡献水位；Δθv-土壤湿度传感器测定的土壤含水量的变化；S-灌溉区域的面积；ECiw-灌溉水的电导率；-作物耐盐阈值；P-最近10天内的降雨总量。
进一步地，在所述第二步中，训练模型之前先对历史收集的环境数据进行归一化处理以获得训练样本集中对应的输入数据；预测灌溉时刻农作物净灌溉需求预测量之前，先对实时采集的环境数据进行归一化处理以获得预测样本集中对应的输入数据。
进一步地，在所述第二步中，使用长短期记忆网络方法建立所述净灌溉需求量预测模型。
进一步地，在所述第三步中，计算流动水蒸发损失量ET的公式为：
计算渠床渗漏损失QT的公式为：
式中，E-灌溉渠流水表面蒸发速率；ET-灌溉期间灌区所有水渠(主渠、支渠、侧渠、田间渠)的蒸发总量；A-渠道中流动水拖动的较低表面空气层(SAL-W)的体积系数；B-在SAL-W之上的上表面空气层(SAL)的体积系数；Uw-水流速度；Ua-风速；ew-流水温度下的饱和水蒸气压；k-无量纲物理常数(＝0.4)；R-气体常数；T-绝对温度；δ1-SAL层的厚度；-流动水表面的粗糙程度；za-测量空气温度的高度(本实施例中其值为2m)；/>-高度δ处的水渠水面宽度；/>-高度δ处的水渠长度；t-灌溉时间；γ-地下水顶托修正系数；β-采取防渗措施后渠床渗漏损失水量的折减系数；σ-每km渠道输水损失系数；L-渠道长度；Qn-渠道净流量；A1-渠床土壤透水系数；m-渠床土壤透水指数；Δt-10min。
进一步地，在所述第一步中，所获取的环境数据包括温度、湿度、降水量、气压、风速、太阳辐射、日照时数、大气中co2浓度、土壤湿度。
本发明的智能农业精准灌溉系统包括五层架构，第一层为设备和通信层，包括土壤传感器、气象站、执行器和通信部件；第二层为数据采集、安全和管理层，用于接收通信部件发送的数据、对数据协议进行转换并建立信息模型；第三层为数据管理层，用于管理数据、存储数据、存储建立的信息模型；第四层为水灌溉和分配模型层，用于处理数据并预测农业灌区灌溉的放水量W；第五层为水应用服务层，用于呈现数据。
进一步地，在所述第五层中，一并呈现实时采集的环境数据和预测的农业灌区灌溉的放水量W，所述实时采集的环境数据直接由第三层获取；所述水应用服务层使用开源的多平台Grafana工具。
进一步地，建立的信息模型包括虚拟实体、虚拟物理实体和数字实体，所述虚拟实体表示与物联网平台直接通信的物理元素，包括土壤探测器、气象站和灌溉系统；所述虚拟物理实体表示与物联网平台间接通信的物理元素，包括农业灌区的土壤和农作物；所述数字实体表示数字元素，包括日蒸散量和灌溉放水量。
与现有技术相比，本发明具备以下有益效果：
本发明采集的环境数据包括温度、湿度、降水量、气压、风速、太阳辐射、日照时数、土壤湿度、和大气中co2浓度，综合考虑上述环境数据对蒸散量的影响，用改进的彭曼公式计算作物的参考日蒸散量，使得计算结果更精确。在计算净灌溉需求量的过程中，考虑到灌溉水盐度对作物吸水量的影响，并通过淋溶需求调整土壤-水分-作物-大气(SWCA)平衡模型计算农业灌区净灌溉需求量；还考虑到灌溉渠输送水的过程中流动水蒸发损失量和渗透损失量。通过综合考虑上述各种因素，使得本发明的灌溉精度高，避免灌溉不足或过度灌溉带来的负面经济和环境影响。
该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现，本发明结构科学合理，使用安全方便，为人们提供了很大的帮助。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
图1为本发明的智能农业精准灌溉系统的结构图；
图2是本发明的智能农业精准灌溉系统的信息模型结构图；
图3是本发明的智能农业精准灌溉系统的平台架构图。
具体实施方式
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，显然，所描述的实施例仅仅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。
本发明的智能农业精准灌溉方法的实施例：
智能农业精准灌溉方法，包括以下步骤，
步骤1：获取目标地区的环境数据，环境数据包括气象参数和土壤参数，气象参数由气象站获取，包括温度(最高温度、最低温度、日平均气温)、平均相对湿度、降水量(近10天内的降雨总量)、气压、风速、太阳辐射、日照时数、大气中co2浓度，土壤参数利用土壤传感器收集，包括：土壤湿度。
步骤2：基于步骤1中获取的历史数据，利用改进的彭曼公式计算计算农业灌区作物的参考日蒸散量ET0，再以修正系数修正参考日蒸散量ET0以计算农业灌区作物的日蒸散量ETc。
步骤2中，计算参考日蒸散量ET0的公式见公式(1)至公式(12)。
式中：Δ-斜率蒸汽压曲线；m-作物表面的净辐射；G-土壤热通量密度；γ-湿度常数；es-饱和蒸汽压；ea-实际蒸汽压；T-日平均气温；u2-2m高度风速；rs-大气层的表面阻力；ra-空气动力学阻力。
Rn＝Rns-Rn1 (3)
式中：Rns-净短波辐射量；Rn1-净长波辐射量。
式中：e(Tmax)-每日最高温度时的饱和水汽压；e(Tmin)-每日最低温度时的饱和水汽压。
ea＝RHmean×es (5)
式中：RHmean-平均相对湿度。
式中：n-实际日照时数；N-理论日照时数；Ra-大气层顶部所接受的辐射量。
式中：Ws-日照时数角；Gsc-太阳系数；dr-日地相对距离倒数；ψ-地理纬度；δ-日倾角。
式中：Tmax,k-每日最高绝对理论温度；Tmin,k-每日最低绝对理论温度。
式中，g-没有CO2影响的参考作物的参考气孔导度；p-特定植被类型气孔导度的百分比下降；[co2]-大气中co2浓度；330-基准大气co2浓度；h-参考作物的高度(其值为0.12m)，Tmax-每日最高温度；Tmin-每日最低温度。
步骤2中，计算农业灌区作物的日蒸散量ETc的公式为：
ETc＝(KsKcb+Ke)ET0 (13)
式中，Ks-水分胁迫系数；Kcb-基础作物系数；Ke-土壤蒸发系数。Ks、Kcb、Ke的取值可参考联合国粮食组织FAO-56文件制定的标准。
步骤3：根据每日土壤-水分-作物-大气(SWCA)平衡模型计算农业灌区净灌溉需求量NIR。
计算农业灌区净灌溉需求量NIR时，先计算有效降雨量Pe，再通过淋溶需求调整水平衡公式计算净灌溉需求量NIR。
式中，P-最近10天内的降雨总量；LR-淋溶需求；GW-地下水贡献水位；Δθv-土壤湿度传感器测定的土壤含水量的变化；S-灌溉区域的面积，ECiw-灌溉水的电导率；-作物耐盐阈值。
步骤4：利用长短期记忆网络方法(LSTM)建立净灌溉需求量预测模型，根据实时采集的温度、湿度、降水量、气压、风速、太阳辐射、日照时数、大气中co2浓度、土壤湿度、淋溶需求的数据预测灌溉时刻农作物净灌溉需求量NIR'。
该步骤中，先对数据进行归一化处理以消除量纲带来的影响，再以历史收集的温度、湿度、降水量、气压、风速、太阳辐射、日照时数、大气中co2浓度、土壤湿度、淋溶需求作为输入数据，以净灌溉需求量NIR为输出数据，对建立的净灌溉需求量预测模型进行训练。将实时采集的温度、湿度、降水量、气压、风速、太阳辐射、日照时数、大气中co2浓度、土壤湿度、淋溶需求的数据输入训练好的模型中即可预测灌溉时刻农作物净灌溉需求量NIR'。
该步骤中，具体的归一化处理方式可以选用零-均值归一化方式，也可以选用最小-最大归一化方式。
步骤5：计算灌溉渠输送水的过程中流动水蒸发损失量和渠床渗漏损失。
该步骤中，计算灌溉渠输送水的过程中流动水蒸发损失量时根据双层表面空气层(DSAL)模型，具体见公式(17)至公式(20)。计算渠床渗漏损失的公式见公式(21)和公式(22)。
式中，E-灌溉渠流水表面蒸发速率(每10min)；ET-灌溉期间灌区所有水渠(主渠、支渠、侧渠、田间渠)的蒸发总量；A-渠道中流动水拖动的较低表面空气层(SAL-W)的体积系数；B-在SAL-W之上的上表面空气层(SAL)的体积系数；Uw-水流速度；Ua-风速；ew-流水温度下的饱和水蒸气压；k-无量纲物理常数(＝0.4)；R-气体常数；T-绝对温度；δ1-SAL层的厚度；-流动水表面的粗糙程度；za-测量空气温度的高度(本实施例中其值为2m)；/>-高度δ1处的水渠水面宽度；/>-高度δ1处的水渠长度；t-灌溉时间；Δt为取值间隔，本实施例中该间隔值为10min。
QT＝∑tγβσLQnΔt (21)
式中，γ-地下水顶托修正系数；β-采取防渗措施后渠床渗漏损失水量的折减系数；σ-每km渠道输水损失系数；L-渠道长度；Qn-渠道净流量；A1-渠床土壤透水系数；m-渠床土壤透水指数。
步骤6：根据公式(23)确定农业灌区灌溉的放水量W。
W＝NIR'+ET+QT (23)
本发明的智能农业精准灌溉系统的实施例：
本发明的智能农业精准灌溉系统包括物理环境和物联网虚拟平台两部分。物理环境包括土壤传感器、气象站和灌溉系统三个物理对象。土壤传感器用于检测土壤湿度，气象站用于获取温度、湿度、降水量、气压、风速、太阳辐射、日照时数、co2浓度，灌溉系统的执行元件包括受控开启以精准供水的泵和阀门。物联网虚拟平台存储、管理和处理物理对象通过网关收集的数据，以计算当日农业灌区灌溉的用水量，并将灌溉用水量发送回灌溉系统执行。
数据可视化的实现包括可视化系统信息模型构建和可视化平台架构构建两个方面。
可视化系统信息模型构建的具体方法为：在物联网平台上通过定义OrionContext Broker和物联网代理内部的实体构建农业灌区的信息模型。在该信息模型中，虚拟实体(VE)是表示与物联网平台直接通信的物理元素的实体，如土壤探测器、气象站和灌溉系统等；虚拟物理实体(VPE)是一种表示与物联网平台间接通信的物理元素的实体，如农业灌区的土壤和农作物；数字实体(DE)是一种表示数字元素的实体，该数字元素可用于表示来自外部服务、计算和其他必要信息的数据，如日蒸散量和灌溉用水量。农业灌区精准灌溉场景下定义的实体以及它们之间的关系如图2所示。
可视化平台架构有五层，具体如图3所示。
第一层：设备和通信层。该层具有与环境交互以监视或控制环境的传感器和执行器，每个设备都可以通过网关直接或间接将数据发送到物联网平台。在该层中，土壤传感器用于监测土壤湿度；气象站用于收集温度、降水量、气压、风速、太阳辐射、日照时数、大气中co2浓度的数据。
第二层：数据采集、安全和管理层。该层具有将不同协议转换为物联网平台使用的NGSI协议的组件。在该层中，IoT Agent Json是一个将JSON协议与物联网平台内部使用的NGSI协议进行桥接的代理；IoT Agent OPC UA是将JSON协议与物联网平台内部使用的NGSI协议进行桥接的代理；天气处理程序将收集的气象信息发送到物联网平台来模拟物理天气站。
第三层：数据管理层。该层负责管理结构化或非结构化的数据，并以正确的格式存储此数据。在该层中，Orion Context Broker通过其API允许管理上下文信息的整个过程，包括更新、查询、记录和订阅；MongoDB是一个非关系型数据库，将数据存储为文件，主要用于存储在Orion Context Broker和IoT代理中使用的实体结构，以及存储每个实体属性的最后一个值；数据库是一个关系数据库，用于存储从其他组件收集的时间序列数据；Cygnus是一个连接器，负责将数据源持久化到某些第三方数据库中，从而创建这些数据的历史视图。
第四层：水灌溉和分配模型层。该层负责处理数据以预测灌溉用水量，该层使用机器学习算法来处理数据。在本发明中，使用的机器学习算法是长短期记忆网络(LSTM)方法。
第五层：水应用服务层。该层负责将数据呈现给农户或其他相关人员。在该层中，Grafana是一个开源的多平台Web应用程序，允许通过表格、图形和警报对数据进行分析和可视化，用于显示从其他组件收集的数据。
本发明的智能农业精准灌溉系统的运行过程如下：
步骤1：土壤传感器实时向IoT Agent JSON发送数据，物联网代理将JSON协议中的数据转换为NGSI协议，并将消息转发到Orion Context Broker；天气处理程序收集来自气象站的气候数据，并发送到Orion Context Broker；
步骤2:IoT Agent OPC UA创建代表灌溉系统的信息模型，并将此信息模型保存到MongoDB数据库中；IoT Agent Json将从土壤传感器收到的最新数据保存在MongoDB数据库中；Orion Context Broker将从IoT Agent Json和天气处理程序接收到的最新数据保存在MongoDB数据库中；
步骤3：Cygnus从Orion Context Broker订阅的实体中接收数据并将数据以历史形式保存在数据库中，这些实体主要代表土壤传感器、气象站和灌溉系统；
步骤4：从数据库收集有关土壤和天气信息的数据，利用机器学习算法预测作物蒸散量，并进一步计算灌区放水量的预测值；
步骤5：Grafana从数据库获取历史数据，将其与灌溉用水量的预测结果一并呈现在个性化的仪表板中。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.智能农业精准灌溉方法，其特征在于，包括以下步骤，
第一步：获取目标地区的环境数据并据此计算农业灌区作物的日蒸散量ETc和农业灌区净灌溉需求量NIR，所获取的环境数据包括温度、湿度、降水量、气压、风速、太阳辐射、日照时数、大气中co2浓度、土壤湿度，计算日蒸散量ETc的公式如下：
式中，ET0-参考日蒸散量；Δ-斜率蒸汽压曲线；Rn-作物表面的净辐射；G-土壤热通量密度；γ-湿度常数；es-饱和蒸汽压；ea-实际蒸汽压；T-日平均气温；u2-2m高度风速；rs-大气层的表面阻力；ra-空气动力学阻力；Rns-净短波辐射量；Rn1-净长波辐射量；e(Tmax)-每日最高温度时的饱和水汽压；e(Tmin)-每日最低温度时的饱和水汽压；RHmean-平均相对湿度；n-实际日照时数；N-理论日照时数；Ra-大气层顶部所接受的辐射量；Ws-日照时数角；Gsc-太阳系数；dr-日地相对距离倒数；ψ-地理纬度；δ-日倾角；Tmax,k-每日最高绝对理论温度；Tmin,k-每日最低绝对理论温度；Tmax-每日最高温度；Tmin-每日最低温度；g-没有co2影响的参考作物的参考气孔导度；p-特定植被类型气孔导度的百分比下降；[co2]-大气中二氧化碳浓度；330-基准大气co2浓度；h-参考作物的高度，取0.12m；Ks-水分胁迫系数；Kcb-基础作物系数；Ke-土壤蒸发系数；
第二步：建立净灌溉需求量预测模型并预测灌溉时刻农作物净灌溉需求预测量NIR'；
第三步：计算灌溉渠输送水的过程中流动水蒸发损失量ET和渠床渗漏损失QT；
第四步，根据公式W＝NIR'+ET+QT确定农业灌区灌溉的放水量W；
具体地，先根据每日土壤-水分-作物-大气平衡模型计算农业灌区净灌溉需求量NIR，再以历史收集的环境数据作为输入数据，以净灌溉需求量NIR为输出数据，对建立的净灌溉需求量预测模型进行训练，最后再将实时采集的环境数据输入训练好的模型中即可预测灌溉时刻农作物净灌溉需求预测量NIR'；
计算净灌溉需求量NIR的公式如下：
式中，LR-淋溶需求；GW-地下水贡献水位；Δθv-土壤湿度传感器测定的土壤含水量的变化；S-灌溉区域的面积；ECiw-灌溉水的电导率；-作物耐盐阈值；P-最近10天内的降雨总量；
在所述第三步中，计算流动水蒸发损失量ET的公式为：
计算渠床渗漏损失QT的公式为：
式中，E-灌溉渠流水表面蒸发速率；ET-灌溉期间灌区所有水渠的蒸发总量；A-渠道中流动水拖动的较低表面空气层SAL-W的体积系数；B-在SAL-W之上的上表面空气层SAL的体积系数；Uw-水流速度；Ua-风速；ew-流水温度下的饱和水蒸汽压；ea-实际蒸汽压；k-无量纲物理常数，＝0.4；R-气体常数；T-绝对温度；δ1-SAL层的厚度；-流动水表面的粗糙程度；za-测量空气温度的高度，取2m；/>-高度δ处的水渠水面宽度；/>-高度δ处的水渠长度；t-灌溉时间；γ-地下水顶托修正系数；β-采取防渗措施后渠床渗漏损失水量的折减系数；σ-每km渠道输水损失系数；L-渠道长度；Qn-渠道净流量；A1-渠床土壤透水系数；m-渠床土壤透水指数；Δt-10min。
2.根据权利要求1所述的智能农业精准灌溉方法，其特征在于，在所述第二步中，训练模型之前先对历史收集的环境数据进行归一化处理以获得训练样本集中对应的输入数据；预测灌溉时刻农作物净灌溉需求预测量之前，先对实时采集的环境数据进行归一化处理以获得预测样本集中对应的输入数据。
3.根据权利要求1所述的智能农业精准灌溉方法，其特征在于，在所述第二步中，使用长短期记忆网络方法建立所述净灌溉需求量预测模型。
4.使用权利要求1至权利要求3中任一项智能农业精准灌溉方法的智能农业精准灌溉系统，其特征在于：包括五层架构，第一层为设备和通信层，包括土壤传感器、气象站、执行器和通信部件；第二层为数据采集、安全和管理层，用于接收通信部件发送的数据、对数据协议进行转换并建立信息模型；第三层为数据管理层，用于管理数据、存储数据、存储建立的信息模型；第四层为水灌溉和分配模型层，用于处理数据并预测农业灌区灌溉的放水量W；第五层为水应用服务层，用于呈现数据。
5.根据权利要求4所述的智能农业精准灌溉系统，其特征在于：在所述第五层中，一并呈现实时采集的环境数据和预测的农业灌区灌溉的放水量W，所述实时采集的环境数据直接由第三层获取；所述水应用服务层使用开源的多平台Grafana工具。
6.根据权利要求4所述的智能农业精准灌溉系统，其特征在于：建立的信息模型包括虚拟实体、虚拟物理实体和数字实体，所述虚拟实体表示与物联网平台直接通信的物理元素，包括土壤探测器、气象站和灌溉系统；所述虚拟物理实体表示与物联网平台间接通信的物理元素，包括农业灌区的土壤和农作物；所述数字实体表示数字元素，包括日蒸散量和灌溉放水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318432.2A CN117158302B (zh) | 2023-10-12 | 2023-10-12 | 智能农业精准灌溉方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318432.2A CN117158302B (zh) | 2023-10-12 | 2023-10-12 | 智能农业精准灌溉方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117158302A CN117158302A (zh) | 2023-12-05 |
| CN117158302B true CN117158302B (zh) | 2024-05-03 |
Family
ID=88936107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318432.2A Active CN117158302B (zh) | 2023-10-12 | 2023-10-12 | 智能农业精准灌溉方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117158302B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598190B (zh) * | 2024-01-22 | 2024-04-16 | 河北省水资源研究与水利技术试验推广中心 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104904569A (zh) * | 2015-05-25 | 2015-09-16 | 华南农业大学 | 一种基于动态含水量估计的智能灌溉调控系统及方法 |
| CN108446997A (zh) * | 2018-03-28 | 2018-08-24 | 江苏大学 | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 |
| CN109819882A (zh) * | 2019-01-17 | 2019-05-31 | 固安京蓝云科技有限公司 | 确定灌溉制度的方法及装置 |
| CN111280019A (zh) * | 2020-02-06 | 2020-06-16 | 山东农业大学 | 一种土壤水分数字化预测与灌溉预警方法 |
| EA202090498A1 (ru) * | 2018-05-08 | 2020-07-06 | Рубикон Ресёрч Пти Лтд | Способ и система распределения воды и определения влажности почвы |
| CN113554522A (zh) * | 2021-06-11 | 2021-10-26 | 安徽商贸职业技术学院 | 基于动态神经网络的葡萄园精准滴灌控制系统 |
| CN114202167A (zh) * | 2021-11-18 | 2022-03-18 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 基于水循环模拟的多水源灌区灌溉用水量计量统计方法 |
| CN114698535A (zh) * | 2022-04-06 | 2022-07-05 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
-
2023
- 2023-10-12 CN CN202311318432.2A patent/CN117158302B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104904569A (zh) * | 2015-05-25 | 2015-09-16 | 华南农业大学 | 一种基于动态含水量估计的智能灌溉调控系统及方法 |
| CN108446997A (zh) * | 2018-03-28 | 2018-08-24 | 江苏大学 | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 |
| EA202090498A1 (ru) * | 2018-05-08 | 2020-07-06 | Рубикон Ресёрч Пти Лтд | Способ и система распределения воды и определения влажности почвы |
| CN109819882A (zh) * | 2019-01-17 | 2019-05-31 | 固安京蓝云科技有限公司 | 确定灌溉制度的方法及装置 |
| CN111280019A (zh) * | 2020-02-06 | 2020-06-16 | 山东农业大学 | 一种土壤水分数字化预测与灌溉预警方法 |
| CN113554522A (zh) * | 2021-06-11 | 2021-10-26 | 安徽商贸职业技术学院 | 基于动态神经网络的葡萄园精准滴灌控制系统 |
| CN114202167A (zh) * | 2021-11-18 | 2022-03-18 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 基于水循环模拟的多水源灌区灌溉用水量计量统计方法 |
| CN114698535A (zh) * | 2022-04-06 | 2022-07-05 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 农田"五水"相互转化的动力学模式及其应用;康绍忠，蔡焕杰，刘晓明，张书函，马清林;西北农林科技大学学报(自然科学版);19950430(第02期);第1-9页 * |
| 基于专家决策模型的智能节水灌溉系统的研究;李真真;;农业与技术;20200730(第14期);第59-62页 * |
| 浅谈农田渠道设计中输水损失量计算方法;李俊杰;;广东水利水电;20090625(第06期);第25-26页 * |
| 灌溉渠系配水及优化编组模型研究;赵建明;郭萍;刘勇云;;灌溉排水学报;20140815(第S1期);第68-71页 * |
| 灌溉渠道设计在实际中的应用;林伟青;;中国水运(下半月);20111015(第10期);第163-164页 * |
| 热带湿润地区作物水分损失总量的研究进展;李莉;水土保持科技情报;20040820(第04期);第5-7页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117158302A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446997B (zh) | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 | |
| CN117158302B (zh) | 智能农业精准灌溉方法及系统 | |
| US8712592B2 (en) | Controlling a resource demand system | |
| US20160150744A1 (en) | System and method for applying a pesticide to a crop | |
| CN110214506A (zh) | 水肥管控方法及系统 | |
| CN106054844B (zh) | 一种农业智能远程管理系统 | |
| Karatas et al. | Using satellite remote sensing to assess irrigation performance in Water User Associations in the Lower Gediz Basin, Turkey | |
| CN112602563A (zh) | 一种节水灌溉系统及精准灌溉方法 | |
| Kranz et al. | A review of mechanical move sprinkler irrigation control and automation technologies | |
| US11944048B2 (en) | Decision-making method for variable rate irrigation management | |
| CN111461909A (zh) | 一种农田蒸散量短期预测方法 | |
| KR101820093B1 (ko) | 자동관개시스템 | |
| CN105684838A (zh) | 一种根据环境参数对植物进行轮流灌溉的系统和方法 | |
| CN111742825A (zh) | 农田精准灌溉控制模型的构建与应用 | |
| Pronger et al. | Low spatial and inter-annual variability of evaporation from a year-round intensively grazed temperate pasture system | |
| CN112699621A (zh) | 一种考虑下垫面条件变化的潜在蒸散发估算方法 | |
| Liu et al. | A field-validated surrogate crop model for predicting root-zone moisture and salt content in regions with shallow groundwater | |
| Chandrappa et al. | Spatiotemporal modeling to predict soil moisture for sustainable smart irrigation | |
| Ya et al. | Using smart technologies in irrigation management | |
| Hafian et al. | IoT-based smart irrigation management system using real-time data. | |
| US11805740B2 (en) | Systems and methods for monitoring and controlling crop irrigation schedules | |
| Plaščak et al. | An overview of precision irrigation systems used in agriculture | |
| Yu et al. | Information acquisition and expert decision system in litchi orchard based on internet of things | |
| Anderson et al. | Incorporating field wind data to improve crop evapotranspiration parameterization in heterogeneous regions | |
| CN110432046A (zh) | 一种温室内的智能灌溉系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Junjie Inventor after: Chen Shenglan Inventor after: Ma Peng Inventor after: Liu Bin Inventor after: Wang Renquan Inventor after: Wang Jialin Inventor after: Ren Lingqin Inventor before: Li Junjie Inventor before: Chen Shenglan Inventor before: Ma Peng Inventor before: Liu Bin Inventor before: Wang Renquan Inventor before: Wang Jialin Inventor before: Ren Lingzhi |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240410 Address after: No. 100, Kexue Avenue, high tech Development Zone, Zhengzhou City, Henan Province Applicant after: Zhengzhou University Country or region after: China Applicant after: Henan Luhun Reservoir Operation Center Applicant after: Construction Administration Bureau of phase II project of Zhaokou Yellow River Diversion Irrigation Area in Henan Province Applicant after: Henan Rural Water Supply Station Address before: No. 100, Kexue Avenue, high tech Development Zone, Zhengzhou City, Henan Province Applicant before: Zhengzhou University Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |