CN117296538A - 基于植被土壤成分检测的绿植维护方法、装置与系统 - Google Patents
基于植被土壤成分检测的绿植维护方法、装置与系统 Download PDFInfo
- Publication number
- CN117296538A CN117296538A CN202311505975.5A CN202311505975A CN117296538A CN 117296538 A CN117296538 A CN 117296538A CN 202311505975 A CN202311505975 A CN 202311505975A CN 117296538 A CN117296538 A CN 117296538A
- Authority
- CN
- China
- Prior art keywords
- soil
- area
- multidimensional
- data
- green
- 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 272
- 241001464837 Viridiplantae Species 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012423 maintenance Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000002262 irrigation Effects 0.000 claims abstract description 77
- 238000003973 irrigation Methods 0.000 claims abstract description 77
- 230000008859 change Effects 0.000 claims abstract description 61
- 230000004720 fertilization Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000012010 growth Effects 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 235000015097 nutrients Nutrition 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 40
- 238000012706 support-vector machine Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 239000010410 layer Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 239000002344 surface layer Substances 0.000 claims description 11
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 9
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 239000011574 phosphorus Substances 0.000 claims description 9
- 239000011591 potassium Substances 0.000 claims description 9
- 229910052700 potassium Inorganic materials 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000005416 organic matter Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 230000008635 plant growth Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 description 13
- 238000007637 random forest analysis Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于植被土壤成分检测的绿植维护方法、装置与系统,通过获取绿植所在区域的传感器网络所监测的多维土壤成分数据,将多维土壤成分数据传输至集成云平台,通过集成云平台预测土壤成分的变化趋势,确定灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分,获取绿植所在区域植被的生长状况,并传输植被的生长状况至集成云平台,以优化训练机器学习算法,再次预测绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略,从而精准全面获取绿植的土壤数据,灵活性分析区域土壤成分的变化趋势,智能决策灌溉和养分补给的时机和用量。
Description
技术领域
本申请属于物联网信息应用技术领域,尤其涉及一种基于植被土壤成分检测的绿植维护方法、装置与系统。
背景技术
随着物联网技术的发展,智能化绿植维护技术逐渐投入到实践中使用。目前,智能化绿植维护技术主要包括能源系统、传感器检测系统、数据处理系统以及灌溉系统。能源系统有的使用市电,有的使用太阳能充电板,市电的使用存在能源节约问题,使用太阳能充电板的使用则在多云或雨天可能无法提供足够的能源。传感器检测系统则存在分布合理性以及数据精准度的问题,难以得到精度高和较全面的数据,而数据处理系统则存在数据模型的生成和分析的灵活性问题,难以适应快速变化的环境条件。在灌溉系统方面,需要人来查看分析结果并派发任务,无法完全自动化,如何智能决定灌溉和养分补给的时机和量仍然是一个有待解决的技术问题。
综上所述,现有智能化绿植维护技术存在传感数据精准性和全面性不足,数据模型的生成和分析的灵活性不足,灌溉和养分补给的时机和用量不能智能决策等技术问题。
申请内容
针对上述现有技术存在的不足,本申请提供一种基于植被土壤成分检测的绿植维护方法、装置及系统,精准全面获取绿植的土壤数据,灵活性分析区域土壤成分的变化趋势,智能决策灌溉和养分补给的时机和用量。
第一方面,本申请提供一种基于植被土壤成分检测的绿植维护方法,包括:
获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据;
将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略;
根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分;
获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略;所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供。
第二方面,本申请提供一种基于植被土壤成分检测的绿植维护装置,包括:
多维土壤成分监测数据获取模块,用于获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据;
趋势预测和策略确定模块,用于将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略;
自动调控模块,用于根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分;
绿植生长跟踪优化模块,用于获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略;所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供。
第三方面,本申请提供一种基于植被土壤成分检测的绿植维护系统,包括:本地控制系统、集成云平台、灌溉系统以及施肥设备,所述本地控制系统与所述集成云平台通信连接,并与所述灌溉系统、所述施肥设备通信连接;所述本地控制系统运行上述任一项所述的基于植被土壤成分检测的绿植维护方法。
本申请与现有技术相比,其有益效果如下:
本申请提供一种基于植被土壤成分检测的绿植维护方法、装置与系统,通过获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据,将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分,获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略,所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供,从而精准全面获取绿植的土壤数据,灵活性分析区域土壤成分的变化趋势,智能决策灌溉和养分补给的时机和用量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分,本领域技术人员应该理解的是,这些附图未必是按比例绘制的,在附图中:
图1是本申请基于植被土壤成分检测的绿植维护方法的一种流程示意图;
图2是本申请基于植被土壤成分检测的绿植维护装置的一种架构示意图;
图3是本申请基于植被土壤成分检测的绿植维护系统的一种架构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
实施例一
参见图1-图3,本实施例提供一种基于植被土壤成分检测的绿植维护方法,包括步骤S101、步骤S102步骤S103以及步骤S104。其中,步骤S101、步骤S102步骤S103以及步骤S104可以在本地控制系统中运行,通过获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据,将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分,获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略,所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供,从而精准全面获取绿植的土壤数据,灵活性分析区域土壤成分的变化趋势,智能决策灌溉和养分补给的时机和用量。
具体地,基于植被土壤成分检测的绿植维护方法,包括:
步骤S101、获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据。
步骤S102、将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略;
步骤S103、根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分;
步骤S104、获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略;所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供。
需要说明的是,本实施例中,通过监测土壤成分和植被生长状况,可以准确地确定植物所需的水分和养分,从而有效地提高灌溉和施肥的效率和效果。另外,利用传感器网络和集成云平台实现对植物生长环境的实时监控,并通过自动调控灌溉和施肥设备来应对环境变化,保持最佳生长条件。另外,通过收集植被生长数据,不断优化训练机器学习算法,使系统能够更准确地预测土壤成分变化趋势,实现更智能的维护策略。
需要说明的是,本实施例中,集成云平台负责接收来自传感器网络的多维土壤成分数据,集中处理和存储这些数据。平台内置或集成高级的机器学习算法,用于分析土壤数据,预测土壤成分的变化趋势,并据此制定灌溉和施肥策略。基于数据分析的结果,集成云平台提供决策支持,自动或辅助人工调整灌溉系统和施肥设备的设置。集成云平台能够接收和处理植被生长状况的反馈信息,用于优化和调整机器学习算法,实现更精准的预测和更有效的维护策略。
在一些优选实施例中,所述传感器网络根据所述近远水区域、所述不同的绿植类型区域以及所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据,可以包括:在所述绿植所在区域的远水区域,分布土壤湿度计,以监测所述远水区域不同地点土壤湿度数据;所述远水区域是指所述绿植所在区域中远离水源的区域;在所述绿植所在区域的不同土壤深度区域,分布表层插入深度传感器、次表层插入深度传感器和深层插入深度传感器,以监测所述绿植所在区域的不同土壤深度区域的分层土壤成分;所述分层土壤成分包括电导率、pH值、氮、磷、钾以及有机质含量。
需要说明的是,本实施例中,在远离水源的区域布置土壤湿度计,同时根据不同的土壤深度(表层、次表层、深层)布置相应的深度传感器,从而全面监测土壤的多维成分。其中,通过在不同深度布置传感器,可以监测土壤的电导率、pH值、氮、磷、钾和有机质含量等土壤成分,这些数据对于理解土壤养分和水分状态至关重要。
在一些改进实施例中,表层传感器(例如插入土壤表面0-30cm的传感器),用于监测有机质含量、氮、磷以及钾。次表层传感器(例如插入土壤中30—60cm的传感器,用于监测土壤的pH值。深层传感器(例如,插入土壤中60cm以下的传感器),用于土壤的水分含量和电导率。
需要说明的是,表层土壤一般富含有机质,且大部分根系活动主要集中在此区域,这些养分对植物的即时生长至关重要。次表层土壤可能出现盐碱化等问题,pH值的监测有助于评估这一层土壤的化学性质。深层土壤的水分状况对于植物的长期健康至关重要,特别是对于深根植物。电导率可以间接反映水分状况。
在一些改进实施例中,表层传感器包括表层主监测传感器和表层辅助监测传感器,表层主监测传感器用于监测表层土壤的有机质含量、氮、磷以及钾,表层辅助监测传感器用于监测表层土壤的pH值和电导率;次表层传感器包括次表层主监测传感器和次表层辅助监测传感器,次表层主监测传感器用于监测次表层土壤的电导率和pH值,次表层辅助监测传感器用于监测次表层土壤的氮、磷以及钾;深层传感器包括深层主监测传感器和深层辅助监测传感器,深层主监测传感器用于监测深层土壤的水分含量和电导率,深层辅助监测传感器用于监测深层土壤的有机质含量;其中,辅助监测的传感器的监测频率和时长低于主监测的传感器的监测频率和时长。
需要说明的是,本实施例中,每层传感器都有其重点监测内容和次要监测内容,从而确保重要指标的重点监测,同时避免同一指标在不同深度的重复监测。另外,各层传感器收集的数据相互补充,提供完整的土壤状况画面。例如,表层和次表层的氮、磷、钾含量数据可以相互验证,提供更全面的养分分布信息。
在一些优选实施例中,将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,可以包括:将所述多维土壤成分数据进行预处理后,传输预处理后的所述多维土壤成分数据至集成云平台;通过所述集成云平台集成的支持向量机算法模型对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略。进一步,将所述多维土壤成分数据进行预处理后,传输预处理后的所述多维土壤成分数据至集成云平台,包括:对所述多维土壤成分数据进行清洗数据,识别出缺失值和异常值,并对所述缺失值进行数据插补,对所述异常值进行排除,得到清洗后的所述多维土壤成分数据;对清洗后的所述多维土壤成分数据进行规范化处理,确保不同的清洗后的所述多维土壤成分数据具有相同的尺度。进一步,对所述多维土壤成分数据进行清洗数据,识别出缺失值和异常值,并对所述缺失值进行数据插补,对所述异常值进行排除,得到清洗后的所述多维土壤成分数据,包括:给所述多维土壤成分数据中每个土壤成分创建一个对应的缺失值指示符变量,检查所述缺失值指示符变量的值,识别出所述多维土壤成分数据中存在缺失值的数据点,并利用热平台插补方法对存在缺失值的数据点进行数据插补;基于离群值范围的标准差,识别出所述多维土壤成分数据中存在异常值的数据点,将识别为异常值的数据点从所述多维土壤成分数据中排除。进一步,对清洗后的所述多维土壤成分数据进行规范化处理,确保不同的清洗后的所述多维土壤成分数据具有相同的尺度,包括:通过Z-score规范化,对清洗后的所述多维土壤成分数据进行规范化处理,确保不同的清洗后的所述多维土壤成分数据具有相同的尺度。
需要说明的是,本实施例中,将所述多维土壤成分数据进行预处理后,再传输至集成云平台,可以去除或修正数据中的错误、缺失值和异常值,从而提高数据的准确性和可靠性。具体的预处理手段可以包括清洗数据和数据规范化处理等。其中,清洗数据可以减少噪声的干扰,确保后续分析和决策基于更干净、更准确的数据。规范化处理确保不同来源和不同类型的数据在相同的尺度上,便于进行比较和统计分析。数据通过在本地进行预处理,减少需要上传到云平台的数据量,降低网络传输负担和云端处理负担。预处理后的数据更适合高效的机器学习算法处理,能够提高算法的运行效率和预测准确性。
需要说明的是,多维土壤成分数据可以是包括水分、电导率、pH值、氮、磷、钾和有机质含量等多个维度的土壤数据。支持向量机(SVM)是一种在数据科学中常用的监督学习算法,用于分类和回归分析。Z-score规范化是指一种标准化处理方法,其通过减去平均值并除以标准差来调整数据的尺度。
在一些优选实施例中,通过所述集成云平台集成的支持向量机算法模型对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,可以包括:确定支持向量机算法模型的核函数和参数,并将所述多维土壤成分数据划分为训练集和测试集;使用训练集数据训练所述支持向量机算法模型,并通过交叉验证方法优化所述支持向量机算法模型的参数;使用测试集数据评估模型的预测性能,计算准确率、召回率、精确率性能指标,并分析预测错误的数据点,以得到优化后的所述支持向量机算法模型;将所述支持向量机算法模型部署到所述集成云平台,对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略。
需要说明的是,本实施例中,通过核函数的选择和参数设置,可以提高SVM模型的预测能力。将数据分为训练集和测试集,训练集用于构建模型,测试集用于评估模型性能。使用交叉验证方法优化SVM模型参数,可以提高模型的泛化能力和预测准确度。使用准确率、召回率和精确率等性能指标评估模型的预测性能,确保模型在实际应用中的有效性。将优化后的SVM模型部署到集成云平台,实时分析土壤成分数据,预测变化趋势,并据此确定灌溉和施肥策略。
在一些优选实施例中,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,包括:在预测到所述绿植所在区域土壤的水分处于异常下降或上升趋势时,根据土壤水分的异常下降或上升趋势,确定灌溉策略;在预测到所述绿植所在区域土壤的所述分层土壤成分处于缺失或过量趋势时,根据所述分层土壤成分的缺失或过量趋势,确定施肥策略。
需要说明的是,本实施例中,通过监测土壤水分的异常变化趋势,实时调整灌溉策略,确保植物得到适宜的水分供应。根据土壤中不同层次的养分(氮、磷、钾等)的缺失或过量趋势,制定精准地施肥策略。精准地灌溉和施肥不仅提高植物产量和质量,还有助于节水和减少化肥使用。
在一些改进实施例中,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,可以包括:
在集成云平台集成SVM模型、随机森林模型和神经网络模型,并以相同的所述多维土壤成分数据为训练集训练所述SVM模型、所述随机森林模型和所述神经网络模型;
对所述SVM模型、所述随机森林模型和所述神经网络模型进行参数调优。例如,SVM模型的C和gamma参数,随机森林模型的树的数量和深度,神经网络模型的层数和神经元数量;
以相同的所述多维土壤成分数据为测试集评估所述SVM模型、所述随机森林模型和所述神经网络模型的性能,并计算和记录所述SVM模型、所述随机森林模型和所述神经网络模型的选定关键性能指标。例如,准确率(Accuracy)、召回率(Recall)、精确率(Precision)和F1分数(F1 Score);
对比所述SVM模型、所述随机森林模型和所述神经网络模型的性能指标,选择综合性能最优的模型,用于对所述多维土壤成分数据进行分析和预测。
需要说明的是,本实施例中,通过在集成云平台集成SVM模型、随机森林模型和神经网络模型,并以相同的所述多维土壤成分数据为训练集训练所述SVM模型、所述随机森林模型和所述神经网络模型,对所述SVM模型、所述随机森林模型和所述神经网络模型进行参数调优,以相同的所述多维土壤成分数据为测试集评估所述SVM模型、所述随机森林模型和所述神经网络模型的性能,并计算和记录所述SVM模型、所述随机森林模型和所述神经网络模型的选定关键性能指标,对比所述SVM模型、所述随机森林模型和所述神经网络模型的性能指标,选择综合性能最优的模型,用于对所述多维土壤成分数据进行分析和预测,从而充分利用集成云平台集成多种机器学习算法的优势,本地集中预处理后的数据可以用在集成云平台进行多种机器学习算法的筛选,最终选择综合性能最优的模型,用于对所述多维土壤成分数据进行分析和预测,从而提升数据处理的准确性,提升预测分析的准确性。
实施例二
参见图1-图3,本实施例提供一种基于植被土壤成分检测的绿植维护装置,包括:
多维土壤成分监测数据获取模块,用于获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据;
趋势预测和策略确定模块,用于将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略;
自动调控模块,用于根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分;
绿植生长跟踪优化模块,用于获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略;所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供。
需要说明的是,本实施例中,通过获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据,将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分,获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略,所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供,从而精准全面获取绿植的土壤数据,灵活性分析区域土壤成分的变化趋势,智能决策灌溉和养分补给的时机和用量。
实施例三
参见图1-图3,本实施例提供一种基于植被土壤成分检测的绿植维护系统,包括:本地控制系统、集成云平台、灌溉系统以及施肥设备,所述本地控制系统与所述集成云平台通信连接,并与所述灌溉系统、所述施肥设备通信连接;所述本地控制系统运行上述任一实施例所述的基于植被土壤成分检测的绿植维护方法。
需要说明的是,本实施例中,通过获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据,将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分,获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略,所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供,从而精准全面获取绿植的土壤数据,灵活性分析区域土壤成分的变化趋势,智能决策灌溉和养分补给的时机和用量。
需要指出的是,以上实施例仅为本发明较佳的具体实施方式,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于植被土壤成分检测的绿植维护方法,其特征在于,包括:
获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据;
将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略;
根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分;
获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略;所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供。
2.如权利要求1所述的基于植被土壤成分检测的绿植维护方法,其特征在于,所述传感器网络根据所述近远水区域、所述不同的绿植类型区域以及所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据,包括:
在所述绿植所在区域的远水区域,分布土壤湿度计,以监测所述远水区域不同地点土壤湿度数据;所述远水区域是指所述绿植所在区域中远离水源的区域;
在所述绿植所在区域的不同土壤深度区域,分布表层插入深度传感器、次表层插入深度传感器和深层插入深度传感器,以监测所述绿植所在区域的不同土壤深度区域的分层土壤成分;所述分层土壤成分包括电导率、pH值、氮、磷、钾以及有机质含量。
3.如权利要求2所述的基于植被土壤成分检测的绿植维护方法,其特征在于,将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,包括:
将所述多维土壤成分数据进行预处理后,传输预处理后的所述多维土壤成分数据至集成云平台;
通过所述集成云平台集成的支持向量机算法模型对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略。
4.如权利要求3所述的基于植被土壤成分检测的绿植维护方法,其特征在于,将所述多维土壤成分数据进行预处理后,传输预处理后的所述多维土壤成分数据至集成云平台,包括:
对所述多维土壤成分数据进行清洗数据,识别出缺失值和异常值,并对所述缺失值进行数据插补,对所述异常值进行排除,得到清洗后的所述多维土壤成分数据;
对清洗后的所述多维土壤成分数据进行规范化处理,确保不同的清洗后的所述多维土壤成分数据具有相同的尺度。
5.如权利要求4所述的基于植被土壤成分检测的绿植维护方法,其特征在于,对所述多维土壤成分数据进行清洗数据,识别出缺失值和异常值,并对所述缺失值进行数据插补,对所述异常值进行排除,得到清洗后的所述多维土壤成分数据,包括:
给所述多维土壤成分数据中每个土壤成分创建一个对应的缺失值指示符变量,检查所述缺失值指示符变量的值,识别出所述多维土壤成分数据中存在缺失值的数据点,并利用热平台插补方法对存在缺失值的数据点进行数据插补;
基于离群值范围的标准差,识别出所述多维土壤成分数据中存在异常值的数据点,将识别为异常值的数据点从所述多维土壤成分数据中排除。
6.如权利要求4所述的基于植被土壤成分检测的绿植维护方法,其特征在于,对清洗后的所述多维土壤成分数据进行规范化处理,确保不同的清洗后的所述多维土壤成分数据具有相同的尺度,包括:
通过Z-score规范化,对清洗后的所述多维土壤成分数据进行规范化处理,确保不同的清洗后的所述多维土壤成分数据具有相同的尺度。
7.如权利要求1所述的基于植被土壤成分检测的绿植维护方法,其特征在于,通过所述集成云平台集成的支持向量机算法模型对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,包括:
确定支持向量机算法模型的核函数和参数,并将所述多维土壤成分数据划分为训练集和测试集;
使用训练集数据训练所述支持向量机算法模型,并通过交叉验证方法优化所述支持向量机算法模型的参数;
使用测试集数据评估模型的预测性能,计算准确率、召回率、精确率性能指标,并分析预测错误的数据点,以得到优化后的所述支持向量机算法模型;
将所述支持向量机算法模型部署到所述集成云平台,对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略。
8.如权利要求3所述的基于植被土壤成分检测的绿植维护方法,其特征在于,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略,包括:
在预测到所述绿植所在区域土壤的水分处于异常下降或上升趋势时,根据土壤水分的异常下降或上升趋势,确定灌溉策略;
在预测到所述绿植所在区域土壤的所述分层土壤成分处于缺失或过量趋势时,根据所述分层土壤成分的缺失或过量趋势,确定施肥策略。
9.一种基于植被土壤成分检测的绿植维护装置,其特征在于,包括:
多维土壤成分监测数据获取模块,用于获取绿植所在区域的传感器网络所监测的多维土壤成分数据,所述绿植所在区域包括近远水区域和不同的土壤深度区域,所述传感器网络根据所述近远水区域和所述不同的土壤深度区域进行传感器分布,以监测得到所述多维土壤成分数据;
趋势预测和策略确定模块,用于将所述多维土壤成分数据传输至集成云平台,通过所述集成云平台集成的机器学习算法对所述多维土壤成分数据进行分析,预测所述绿植所在区域土壤成分的变化趋势,并根据所述绿植所在区域土壤成分的变化趋势确定灌溉和施肥策略;
自动调控模块,用于根据所述灌溉和施肥策略,自动调控灌溉系统和施肥设备,以确保绿植获得适宜的水分和养分;
绿植生长跟踪优化模块,用于获取绿植所在区域植被的生长状况,并传输所述植被的生长状况至所述集成云平台,以优化训练所述机器学习算法,再次预测所述绿植所在区域土壤成分的变化趋势,确定灌溉和施肥策略;所述植被的生长状况通过分布在所述绿植所在区域的摄像系统监测提供。
10.一种基于植被土壤成分检测的绿植维护系统,其特征在于,包括:本地控制系统、集成云平台、灌溉系统以及施肥设备,所述本地控制系统与所述集成云平台通信连接,并与所述灌溉系统、所述施肥设备通信连接;所述本地控制系统运行如权利要求1-8任一项所述的基于植被土壤成分检测的绿植维护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311505975.5A CN117296538B (zh) | 2023-11-13 | 2023-11-13 | 基于植被土壤成分检测的绿植维护方法、装置与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311505975.5A CN117296538B (zh) | 2023-11-13 | 2023-11-13 | 基于植被土壤成分检测的绿植维护方法、装置与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117296538A true CN117296538A (zh) | 2023-12-29 |
CN117296538B CN117296538B (zh) | 2024-06-21 |
Family
ID=89262274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311505975.5A Active CN117296538B (zh) | 2023-11-13 | 2023-11-13 | 基于植被土壤成分检测的绿植维护方法、装置与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117296538B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117918229A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市心花路放文化发展有限公司 | 景观绿植维护智能灌溉监控系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111771693A (zh) * | 2020-07-10 | 2020-10-16 | 广州大学 | 一种土壤墒情的人工智能控制方法及系统 |
CN112450056A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于机器学习算法的水肥药一体化智能灌溉系统 |
CN113841595A (zh) * | 2021-11-09 | 2021-12-28 | 湘潭大学 | 基于土壤湿度和深度结合的节能型智能精准灌溉系统 |
CN113906989A (zh) * | 2021-09-18 | 2022-01-11 | 中铁第一勘察设计院集团有限公司 | 一种地铁车辆基地绿化景观智能灌溉系统 |
CN114158336A (zh) * | 2021-11-23 | 2022-03-11 | 南京南瑞信息通信科技有限公司 | 水肥一体优化控制系统及方法 |
CN117016358A (zh) * | 2023-09-13 | 2023-11-10 | 张家口三生智慧农业科技有限公司 | 一种基于土壤墒情监测的智能化灌溉施肥决策系统 |
-
2023
- 2023-11-13 CN CN202311505975.5A patent/CN117296538B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112450056A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于机器学习算法的水肥药一体化智能灌溉系统 |
CN111771693A (zh) * | 2020-07-10 | 2020-10-16 | 广州大学 | 一种土壤墒情的人工智能控制方法及系统 |
CN113906989A (zh) * | 2021-09-18 | 2022-01-11 | 中铁第一勘察设计院集团有限公司 | 一种地铁车辆基地绿化景观智能灌溉系统 |
CN113841595A (zh) * | 2021-11-09 | 2021-12-28 | 湘潭大学 | 基于土壤湿度和深度结合的节能型智能精准灌溉系统 |
CN114158336A (zh) * | 2021-11-23 | 2022-03-11 | 南京南瑞信息通信科技有限公司 | 水肥一体优化控制系统及方法 |
CN117016358A (zh) * | 2023-09-13 | 2023-11-10 | 张家口三生智慧农业科技有限公司 | 一种基于土壤墒情监测的智能化灌溉施肥决策系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117918229A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市心花路放文化发展有限公司 | 景观绿植维护智能灌溉监控系统及方法 |
CN117918229B (zh) * | 2024-03-21 | 2024-05-24 | 深圳市心花路放文化发展有限公司 | 景观绿植维护智能灌溉监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117296538B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112602563B (zh) | 一种节水灌溉系统及精准灌溉方法 | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
CN117296538B (zh) | 基于植被土壤成分检测的绿植维护方法、装置与系统 | |
Martí et al. | An artificial neural network approach to the estimation of stem water potential from frequency domain reflectometry soil moisture measurements and meteorological data | |
CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN111557158A (zh) | 智能灌溉控制方法及系统 | |
CN111459033A (zh) | 水、肥精量灌溉的灰色预测模糊pid控制方法及设备 | |
CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
CN117694070A (zh) | 养分要素反演评估与智能变量精准施肥决策系统 | |
CN117455062A (zh) | 一种基于多源异构农业数据的农作物产量预测算法 | |
CN117893346A (zh) | 一种基于物联网的ai智慧农业采收管理系统及其应用 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN116578047A (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
CN114626010A (zh) | 一种基于CatBoost的灌溉量计算方法及系统 | |
CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
Liu et al. | A review of irrigation monitoring based on Internet of Things, remote sensing and artificial intelligence | |
CN111262950A (zh) | 一种基于物联网的植物数据采集系统 | |
Dolaptsis et al. | A hybrid LSTM approach for irrigation scheduling in maize crop | |
CN117575174B (zh) | 智能农业监测与管理系统 | |
LU505298B1 (en) | A method, system, device, and storage medium for monitoring the growth conditions of tea plant |
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 |