CN117421686B - 一种水肥一体化灌溉用量数据收集方法 - Google Patents
一种水肥一体化灌溉用量数据收集方法 Download PDFInfo
- Publication number
- CN117421686B CN117421686B CN202311733915.9A CN202311733915A CN117421686B CN 117421686 B CN117421686 B CN 117421686B CN 202311733915 A CN202311733915 A CN 202311733915A CN 117421686 B CN117421686 B CN 117421686B
- Authority
- CN
- China
- Prior art keywords
- time domain
- data
- domain interval
- fluctuation
- interval
- 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 79
- 230000002262 irrigation Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 239000003337 fertilizer Substances 0.000 title claims abstract description 33
- 238000013480 data collection Methods 0.000 title claims abstract description 13
- 230000014759 maintenance of location Effects 0.000 claims abstract description 60
- 230000000737 periodic effect Effects 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003608 fece Anatomy 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种水肥一体化灌溉用量数据收集方法,包括:采集灌溉时序数据,获取灌溉时序数据中的若干时域区间;获取第二特征值,根据第二特征值得到第一波动保留程度;根据相邻时域区间所有数据的差值得到第二波动保留程度;根据第一波动保留程度和第二波动保留程度得到数据波动保留程度评估因子;根据数据波动保留程度评估因子得到所有波动程度高的时域区间,并获取周期相似性评估因子;根据周期相似性评估因子得到周期相似性高和低的时域区间;获取每个时域区间新的采集频率,根据每个时域区间新的采集频率得到灌溉存储序列,对灌溉存储序列进行存储并管理。本发明用数据处理方法,提高了数据采集的精确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种水肥一体化灌溉用量数据收集方法。
背景技术
水肥一体化灌溉是一种综合管理和优化农田水肥供应的方法,旨在提高农作物生产效益、减少资源浪费和环境污染。它将水的供应,肥料的施用与农田管理相结合;使水和肥料能够更加精准的满足农作物的需求。其可以根据作物的生长阶段和需水量,以及土壤的水分状况,科学确定灌溉水量和灌溉频率;避免了过度灌溉造成的土壤湿度过高或水分流失,减少水资源的浪费;因此其不仅可以满足较为精准的供水和施肥,同时可以带来显著的节水效果。由此该方式下对于农田的灌溉是一种科学高效的农业生产管理方式,通过合理供水,精确施肥等措施,实现了水资源和肥料的高效利用,从而提高了农作物的产量,质量和资源的利用效率。目前在灌溉的过程中通常采用流量计监测或传感器监测来实现灌溉用量数据的准确监测和采集。通过监测流动的水量来记录收集灌溉用量;提高精准的灌溉用量数据。
而由于传感器获取得到的实时灌溉用量数据体量庞大,因此需要在收集该类数据时采用数据压缩方式进行处理;而对于此类时序数据,在采集时序曲线中各时间戳对应的灌溉用量时可以选择调整采集频率实现数据的压缩以及体量的减小;其可以在提高数据质量和精度的同时减少数据存储和收集的成本,避免数据的冗余和浪费。
发明内容
本发明提供一种水肥一体化灌溉用量数据收集方法,以解决现有的问题。
本发明的一种水肥一体化灌溉用量数据收集方法采用如下技术方案:
本发明一个实施例提供了一种水肥一体化灌溉用量数据收集方法,该方法包括以下步骤:
采集水肥灌溉用量时序数据并归一化处理得到灌溉时序数据,用预设阈值A对灌溉时序数据进行等间隔划分得到灌溉时序数据中的若干时域区间;
根据每个时域区间内的数据信息得到每个时域区间内的若干个特征值类别,根据每个时域区间内的若干个特征值类别得到每个时域区间内的数据第一波动保留程度;根据每个时域区间所有数据的差值与相邻两个时域区间内所有数据的均值的差异得到每个时域区间内的数据第二波动保留程度;根据每个时域区间内的数据第一波动保留程度和每个时域区间内的数据第二波动保留程度得到每个时域区间内数据波动保留程度评估因子;
根据每个时域区间内数据波动保留程度评估因子得到所有波动程度高的时域区间;获取所有波动程度高的时域区间的参考时刻,根据所有波动程度高的时域区间的参考时刻得到所有波动程度高的时域区间中每个时域区间的周期相似性评估因子;
根据所有波动程度高的时域区间中每个时域区间的周期相似性评估因子得到周期相似性高的时域区间和周期相似性低的时域区间;
根据每个时域区间的波动程度、周期相似性高的时域区间和周期相似性低的时域区间得到每个时域区间新的采集频率,根据每个时域区间新的采集频率得到灌溉存储序列,对灌溉存储序列进行存储管理。
进一步地,所述根据每个时域区间内的数据信息得到每个时域区间内的若干个特征值类别,包括的具体步骤如下:
计算每个时域区间中相邻数据点之间的差值的绝对值,记为第一特征值,获得每个时域区间中所有第一特征值,在所有第一特征值中,将第一特征值相同的归为一类,得到每个时域区间中若干个特征值类别。
进一步地,所述每个时域区间内的数据第一波动保留程度的具体获取步骤如下:
每个时域区间内的数据第一波动保留程度的公式为:
式中,表示第k个时域区间内第i个特征值类别包含的元素数量与第k个时域区间内所有特征值类别包含的元素数量的比值;n表示第k个时域区间内所有特征值类别的个数;/>为sigmoid函数;/>表示第k个时域区间内的数据第一波动保留程度。
进一步地,所述每个时域区间内的数据第二波动保留程度的具体获取步骤如下:
每个时域区间内的数据第二波动保留程度的公式为:
式中,表示第k+1个时域区间内所有数据的均值,/>表示第k个时域区间内所有数据的均值,/>表示第k-1个时域区间内所有数据的均值,/>表示第k个时域区间内所有数据的均值与第k+1个时域区间内所有数据的均值之间的差值的绝对值,/>表示第k个时域区间内所有数据的均值与第k-1个时域区间内所有数据的均值之间的差值的绝对值,/>表示线性归一化函数,/>表示第k个时域区间内的数据第二波动保留程度。
进一步地,所述每个时域区间内数据波动保留程度评估因子的具体获取步骤如下:
每个时域区间内数据波动保留程度评估因子的公式为:
式中,表示第k个时域区间内的数据第一波动保留程度,/>表示第k个时域区间内的数据第二波动保留程度,B和C表示预设权重,/>表示第k个时域区间内数据波动保留程度评估因子。
进一步地,所述根据每个时域区间内数据波动保留程度评估因子得到所有波动程度高的时域区间,包括的具体步骤如下:
将数据波动保留程度评估因子大于等于预设阈值时所对应的所有时域区间记为所有波动程度高的时域区间。
进一步地,所述获取所有波动程度高的时域区间的参考时刻,包括的具体步骤如下:
按时间顺序对波动程度高的时域区间进行排序得到序列E,然后获取序列E中每个元素在灌溉时序数据中对应时域区间的中间时刻,记为时域区间的参考时刻。
进一步地,所述根据所有波动程度高的时域区间的参考时刻得到所有波动程度高的时域区间中每个时域区间的周期相似性评估因子,包括的具体步骤如下:
周期相似性评估因子的公式为:
式中,表示序列S中第u+1个数据,/>表示序列S中第u个数据,/>表示序列S中第u-1个数据,/>表示以自然常数为底的指数函数,/>表示序列E中第u个时域区间的周期相似性评估因子;
其中序列S的获取过程为:将序列E中每个元素对应的时域区间的参考时刻按照序列E的顺序排列得到一组序列,记为序列S。
进一步地,所述根据所有波动程度高的时域区间中每个时域区间的周期相似性评估因子得到周期相似性高的时域区间和周期相似性低的时域区间,包括的具体步骤如下:
将周期相似性评估因子大于等于预设阈值时所对应的时域区间划分为周期相似性高的时域区间,将周期相似性评估因子小于预设阈值/>时所对应的时域区间划分为周期相似性低的时域区间。
进一步地,所述根据每个时域区间的波动程度、周期相似性高的时域区间和周期相似性低的时域区间得到每个时域区间新的采集频率,根据每个时域区间新的采集频率得到灌溉存储序列,包括的具体步骤如下:
所述时域区间的采样间隔记为A;
将波动程度高且周期相似性低的时域区间的最佳采集间隔等于;将于波动程度高且周期相似性高的时域区间的采集频率不需要改变;对于波动程度低的时域区间,将单个的波动程度低的时域区间不进行处理,而对于连续且波动程度低的时域区间的最佳采集间隔等于/>;其中m为预设阈值;
通过对各个时域区间的最佳采集频率采集数据,得到一组新的序列,记为灌溉存储序列。
本发明的技术方案的有益效果是:而对于该场景下的灌溉时序数据而言,采集频率的调整存在过采集和欠采集的情况;其中过采集会导致数据的冗余和资源的浪费;而欠采集会导致数据信息的丢失和误差的增加;使得灌溉用量中的异常数据丢失,进而导致收集得到的灌溉用量数据准确性降低。因此针对上述问题,本方案提出了一种水肥一体化灌溉用量数据收集方法,根据时序数据在空间中的波动特征自适应获取采集频率,实现减小数据体量提高收集效率的同时保证数据的精度,提高最终收集的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种水肥一体化灌溉用量数据收集方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种水肥一体化灌溉用量数据收集方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种水肥一体化灌溉用量数据收集方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种水肥一体化灌溉用量数据收集方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集水肥灌溉用量数据并进行预处理操作。
需要说明的是,在水肥一体化中对于灌溉用量指标的时序监测非常重要,其是影响水肥利用效率的关键因素之一,通过对灌溉用量数据的监测,可以判断灌溉系统是否正常运行,并对异常情况及时预警和进行及时调整灌溉量的处理,以提高水肥的利用率。因此首先使用流量计监测传感器采集各时间戳的灌溉用量数据信息。
具体地,使用基质水分传感器采集历史一周内以半个小时为间隔的水肥灌溉用量数据,根据时间顺序得到一组水肥灌溉用量时序数据;对得到的水肥灌溉用量时序数据进行线性归一化,得到灌溉时序数据。
至此,得到灌溉时序数据。
步骤S002:对灌溉时序数据划分时域区间,获取不同时域区间的数据,根据不同时域区间的数据得到不同时域区间内数据波动保留程度评估因子,根据不同时域区间内数据波动保留程度评估因子得到所有异常数据点。
需要说明的是,在正常的水肥一体化灌溉技术方法下,灌溉量在每一时刻的值都存在一定差异,这是由于灌溉用量是根据实际的土壤湿度,植物需水量以及气象条件等等因素进行的实时调整,以保证土壤湿度,植物营养和湿度等指标达到最佳状态,提高农业生产效益和可持续性;但该类差异变化特点相对较为平缓且相近。在收集时可以对该类数据波动使用较为相同的采集频率保留其正常波动特征;而对于监测时出现的异常波动:如传感器误差或设备操作出错等引发的异常;其会在时序空间中的一段时间范围内表现出较大幅值且频繁的波动,并且该类波动具有特殊性,并不在时序空间中具有周期相似性;对于此类异常,在收集数据时需要对其实现完整性保留处理;即此处的采集频率需要相对高;根据该特征区分,该步骤需要首先获取时序数据的波动异常特征判定模型,并自适应获取采样频率。其中,采样频率就是用不同的时间间隔去进行采样。
进一步需要说明的是,对于各采集频率区间内的数据值展开内部波动差值以及整体灌溉用量数值异常的计算;由此评估当前采集频率下各时域区间的波动异常程度;对于波动幅值较大且波动差异较杂乱的时域区间,认定其波动特征保留程度高;再根据其在时序空间内的周期相似性进行判断,获取最终时序空间内的数据波动异常特征判定模型。
具体地,预设一个间隔阈值A,其中本实施例以A=5小时为例进行叙述,本实施例不进行具体限定,其中A可根据具体实施情况而定。根据预设阈值A对灌溉时序数据进行划分时域区间,划分到最后一个区间不管数据个数满不满间隔阈值A的长度,都作为一个时域区间去进行分析。
计算每个时域区间中相邻数据点之间的差值的绝对值,记为第一特征值,获得每个时域区间中所有第一特征值,在所有第一特征值中,将第一特征值相同的归为一类,得到每个时域区间中若干个特征值类别。获取每个时域区间内每个特征值类别包含的元素数量与所有特征值类别包含的元素数量的比值,即为每个特征值类别概率,根据每个特征值类别概率得到每个时域区间内的数据第一波动保留程度。具体公式如下:
式中,表示第k个时域区间内第i个特征值类别包含的元素数量与第k个时域区间内所有特征值类别包含的元素数量的比值;n表示第k个时域区间内所有特征值类别的个数;/>为sigmoid函数,用于数据的归一化;/>表示第k个时域区间内的数据第一波动保留程度。
其中,当越大,表示当前时域区间内数据波动差异较杂乱无序,且第一波动保留程度高;反之若计算结果越低则表示当前区间内的数据波动特征越集中和规律,且第一波动保留程度低。
然后计算每个时域区间内所有数据的均值,记为,表示第k个时域区间内所有数据的均值,根据相邻时域区间的所有数据的均值的差异获取每个时域区间内的数据第二波动保留程度。具体公式如下:
式中,表示第k+1个时域区间内所有数据的均值,/>表示第k个时域区间内所有数据的均值,/>表示第k-1个时域区间内所有数据的均值,/>表示第k个时域区间内所有数据的均值与第k+1个时域区间内所有数据的均值之间的差值的绝对值,/>表示第k个时域区间内所有数据的均值与第k-1个时域区间内所有数据的均值之间的差值的绝对值,/>表示线性归一化函数,/>表示第k个时域区间内的数据第二波动保留程度。其中,第一时域区间和最后一个时域区间在计算第二波动保留程度只通过相邻的一个时域区间去计算。
其中,当越大,说明第k个时域区间内数据点的第二波动保留程度高,且波动幅值较大,第k个时域区间内可能存在一些异常数据。
预设权重B和C,其中本实施例以为例进行叙述,本实施例不进行具体限定,其中B和C可根据具体实施情况而定。根据每个时域区间内的数据第一波动保留程度和第二波动保留程度得到各时域区间内数据波动保留程度评估因子。
式中,表示第k个时域区间内的数据第一波动保留程度,/>表示第k个时域区间内的数据第二波动保留程度,B和C表示预设权重,/>表示第k个时域区间内数据波动保留程度评估因子。
预设判定阈值D,其中本实施例以为例进行叙述,本实施例不进行具体限定,其中D可根据具体实施情况而定。当/>时,则认为第k个时域区间内的所有数据点波动较为异常,认为第k个时域区间为波动程度高的时域区间,当/>时,则认为第k个时域区间内的所有数据点波动低,没有异常情况。
至此,得到所有波动程度高的时域区间。
步骤S003:根据不同时域区间的波动情况得到周期相似性评估因子,根据周期相似性评估因子得到最佳采集频率。
需要说明的是,在对灌溉时序数据进行采集时,可能由于白天与夜晚的原因,白天的由于温度高,导致水肥一体化灌溉中的水分会蒸发一部分,导致检测的灌溉时序数据可能出现异常数据点,而夜晚温度低,不会对水肥一体化灌溉中的水分进行蒸发,所以根据白天和夜晚的相互交替,就会出现异常数据点出现周期性的变化,如果周期性的变化不规律;也可能由于设备的问题导致出现的异常数据点,但设备导致的异常数据点不规律,因此需要针对周期相似性进行去判断,所以本步骤根据得到的波动程度高的时序区间的变化情况获取灌溉时序数据的周期性变化。
具体地,获取波动程度高的时域区间,并按时间顺序对波动程度高的时域区间进行排序得到序列E,其中序列E中的元素为时域区间,然后获取序列E中每个元素在灌溉时序数据中对应时域区间的中间时刻,记为时域区间的参考时刻;将序列E中每个元素对应的时域区间的参考时刻按照序列E的顺序排列得到一组序列,记为序列S,其中,序列S中的元素为时刻;对波动程度高的时域区间进行分析得到周期相似性评估因子。
式中,表示序列S中第u+1个数据,/>表示序列S中第u个数据,/>表示序列S中第u-1个数据,/>表示以自然常数为底的指数函数,/>表示序列E中第u个时域区间的周期相似性评估因子。
预设一个阈值Q,其中本实施例以Q=0.8为例进行叙述,本实施例不进行具体限定,其中Q可根据具体实施情况而定。当周期相似性评估因子大于等于预设阈值时,则说明当前时域区间以及与其它比较的两个时域区间的周期相似性高;反之则低。由此根据周期相似性评估因子所得结果对波动程度高的时域区间进行分类;将周期相似性评估因子大于等于预设阈值/>时所对应的时域区间划分为周期相似性高的时域区间,将周期相似性评估因子小于预设阈值/>时所对应的时域区间划分为周期相似性低的时域区间。
根据上述步骤获取到三种类型的时域区间,分别为波动程度高且周期相似性低的时域区间,波动程度高且周期相似性高的时域区间,波动程度低的时域区间。预设阈值m,其中本实施例以m=2为例进行叙述,本实施例不进行具体限定,其中m可根据具体实施情况而定。对于波动程度高且周期相似性低的时域区间,里面的含有的变动信息较多,间隔太大会损失一部分数据信息,所以需要增大采集频率,即减小采样的间隔,将采样间隔缩减为原来预设间隔A的m倍。对于波动程度高且周期相似性高的时域区间,里面的周期性较强,该有的信息能够检测出,所以不需要改变采集频率。对于波动程度高的时域区间,由于波动低,即时域区间内的信息几乎不变,不需要花很多的的存储空间去存储这一部分数据,因此需要降低采集频率,即增大采样的间隔,因此,对于单个的波动程度低的时域区间不进行处理,而对于连续且波动程度低的时域区间进行扩大,且扩大为原来预设间隔A的m倍,其中,连续的个数至少为m个。
至此,得到各个时域区间的最佳采集频率。
步骤S004:根据最佳采集频率进行对水肥一体化灌溉用量数据的采集。
通过对各个时域区间进行最佳采集频率采集数据,获取的有用信息较多,这样既实现减小数据体量提高收集效率的同时保证数据的精度,也提高最终收集的准确性。对灌溉时序数据中的各个时域进行具体数据信息进行获取,得到一组新的序列,记为灌溉存储序列,对灌溉存储序列进行存储管理。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种水肥一体化灌溉用量数据收集方法,其特征在于,该方法包括以下步骤:
采集水肥灌溉用量时序数据并归一化处理得到灌溉时序数据,用预设阈值A对灌溉时序数据进行等间隔划分得到灌溉时序数据中的若干时域区间;
根据每个时域区间内的数据信息得到每个时域区间内的若干个特征值类别,根据每个时域区间内的若干个特征值类别得到每个时域区间内的数据第一波动保留程度;根据每个时域区间所有数据的差值与相邻两个时域区间内所有数据的均值的差异得到每个时域区间内的数据第二波动保留程度;根据每个时域区间内的数据第一波动保留程度和每个时域区间内的数据第二波动保留程度得到每个时域区间内数据波动保留程度评估因子;
根据每个时域区间内数据波动保留程度评估因子得到所有波动程度高的时域区间;获取所有波动程度高的时域区间的参考时刻,根据所有波动程度高的时域区间的参考时刻得到所有波动程度高的时域区间中每个时域区间的周期相似性评估因子;
根据所有波动程度高的时域区间中每个时域区间的周期相似性评估因子得到周期相似性高的时域区间和周期相似性低的时域区间;
根据每个时域区间的波动程度、周期相似性高的时域区间和周期相似性低的时域区间得到每个时域区间新的采集频率,根据每个时域区间新的采集频率得到灌溉存储序列,对灌溉存储序列进行存储管理;
所述每个时域区间内的数据第一波动保留程度的具体获取步骤如下:
每个时域区间内的数据第一波动保留程度的公式为:
式中,表示第k个时域区间内第i个特征值类别包含的元素数量与第k个时域区间内所有特征值类别包含的元素数量的比值;n表示第k个时域区间内所有特征值类别的个数;/>为sigmoid函数;/>表示第k个时域区间内的数据第一波动保留程度;
所述每个时域区间内的数据第二波动保留程度的具体获取步骤如下:
每个时域区间内的数据第二波动保留程度的公式为:
式中,表示第k+1个时域区间内所有数据的均值,/>表示第k个时域区间内所有数据的均值,/>表示第k-1个时域区间内所有数据的均值,/>表示第k个时域区间内所有数据的均值与第k+1个时域区间内所有数据的均值之间的差值的绝对值,/>表示第k个时域区间内所有数据的均值与第k-1个时域区间内所有数据的均值之间的差值的绝对值,/>表示线性归一化函数,/>表示第k个时域区间内的数据第二波动保留程度;
所述每个时域区间内数据波动保留程度评估因子的具体获取步骤如下:
每个时域区间内数据波动保留程度评估因子的公式为:
式中,表示第k个时域区间内的数据第一波动保留程度,/>表示第k个时域区间内的数据第二波动保留程度,B和C表示预设权重,/>表示第k个时域区间内数据波动保留程度评估因子;
所述根据每个时域区间内数据波动保留程度评估因子得到所有波动程度高的时域区间,包括的具体步骤如下:
将数据波动保留程度评估因子大于等于预设阈值时所对应的所有时域区间记为所有波动程度高的时域区间;
所述根据所有波动程度高的时域区间的参考时刻得到所有波动程度高的时域区间中每个时域区间的周期相似性评估因子,包括的具体步骤如下:
周期相似性评估因子的公式为:
式中,表示序列S中第u+1个数据,/>表示序列S中第u个数据,/>表示序列S中第u-1个数据,/>表示以自然常数为底的指数函数,/>表示序列E中第u个时域区间的周期相似性评估因子;
其中序列S的获取过程为:将序列E中每个元素对应的时域区间的参考时刻按照序列E的顺序排列得到一组序列,记为序列S。
2.根据权利要求1所述一种水肥一体化灌溉用量数据收集方法,其特征在于,所述根据每个时域区间内的数据信息得到每个时域区间内的若干个特征值类别,包括的具体步骤如下:
计算每个时域区间中相邻数据点之间的差值的绝对值,记为第一特征值,获得每个时域区间中所有第一特征值,在所有第一特征值中,将第一特征值相同的归为一类,得到每个时域区间中若干个特征值类别。
3.根据权利要求1所述一种水肥一体化灌溉用量数据收集方法,其特征在于,所述获取所有波动程度高的时域区间的参考时刻,包括的具体步骤如下:
按时间顺序对波动程度高的时域区间进行排序得到序列E,然后获取序列E中每个元素在灌溉时序数据中对应时域区间的中间时刻,记为时域区间的参考时刻。
4.根据权利要求1所述一种水肥一体化灌溉用量数据收集方法,其特征在于,所述根据所有波动程度高的时域区间中每个时域区间的周期相似性评估因子得到周期相似性高的时域区间和周期相似性低的时域区间,包括的具体步骤如下:
将周期相似性评估因子大于等于预设阈值时所对应的时域区间划分为周期相似性高的时域区间,将周期相似性评估因子小于预设阈值/>时所对应的时域区间划分为周期相似性低的时域区间。
5.根据权利要求1所述一种水肥一体化灌溉用量数据收集方法,其特征在于,所述根据每个时域区间的波动程度、周期相似性高的时域区间和周期相似性低的时域区间得到每个时域区间新的采集频率,根据每个时域区间新的采集频率得到灌溉存储序列,包括的具体步骤如下:
所述时域区间的采样间隔记为A;
将波动程度高且周期相似性低的时域区间的最佳采集间隔等于;将于波动程度高且周期相似性高的时域区间的采集频率不需要改变;对于波动程度低的时域区间,将单个的波动程度低的时域区间不进行处理,而对于连续且波动程度低的时域区间的最佳采集间隔等于/>;其中m为预设阈值;
通过对各个时域区间的最佳采集频率采集数据,得到一组新的序列,记为灌溉存储序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733915.9A CN117421686B (zh) | 2023-12-18 | 2023-12-18 | 一种水肥一体化灌溉用量数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733915.9A CN117421686B (zh) | 2023-12-18 | 2023-12-18 | 一种水肥一体化灌溉用量数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421686A CN117421686A (zh) | 2024-01-19 |
CN117421686B true CN117421686B (zh) | 2024-03-05 |
Family
ID=89526976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311733915.9A Active CN117421686B (zh) | 2023-12-18 | 2023-12-18 | 一种水肥一体化灌溉用量数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421686B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118077562B (zh) * | 2024-04-23 | 2024-07-19 | 陕西炬烽建筑劳务有限公司 | 一种园林智能浇灌调控系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764975A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
CN115670418A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市研强物联技术有限公司 | 一种基于智能手表用户信息的数据存储方法 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116226484A (zh) * | 2023-05-05 | 2023-06-06 | 北京视酷科技有限公司 | 一种超滤水处理装置监测数据管理系统 |
CN116592951A (zh) * | 2023-07-17 | 2023-08-15 | 陕西西特电缆有限公司 | 一种电缆数据智能采集方法及系统 |
CN116700630A (zh) * | 2023-08-03 | 2023-09-05 | 山东三方化工集团有限公司 | 基于物联网的有机无机复混肥料生产数据优化存储方法 |
CN116755641A (zh) * | 2023-08-22 | 2023-09-15 | 山东凌远机电科技有限公司 | 一种配电箱运行数据优化采集存储方法 |
CN116881635A (zh) * | 2023-09-08 | 2023-10-13 | 北京日光旭升精细化工技术研究所 | 一种用于纺织品洗涤剂设备数据管理系统 |
CN116933044A (zh) * | 2023-09-15 | 2023-10-24 | 深圳高新区信息网有限公司 | 一种供电数据智能处理方法及系统 |
CN117082153A (zh) * | 2023-10-13 | 2023-11-17 | 深圳龙电华鑫控股集团股份有限公司 | 一种载波通信数据采集及数据优化方法 |
CN117198550A (zh) * | 2023-11-07 | 2023-12-08 | 北京青颜博识健康管理有限公司 | 基于大数据的胶原蛋白肽抗衰老评估系统 |
CN117241306A (zh) * | 2023-11-10 | 2023-12-15 | 深圳市银尔达电子有限公司 | 一种4g网络异常流量数据实时监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900009735A1 (it) * | 2019-06-21 | 2020-12-21 | Soonapse S R L | Sistema per l’ottimizzazione dell’uso dell’acqua nell’irrigazione sulla base del calcolo predittivo del potenziale idrico del terreno |
CN113837666B (zh) * | 2021-11-23 | 2022-02-11 | 长江水利委员会长江科学院 | 一种基于改进作物水分指数的农业干旱评估方法 |
-
2023
- 2023-12-18 CN CN202311733915.9A patent/CN117421686B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764975A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
CN115670418A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市研强物联技术有限公司 | 一种基于智能手表用户信息的数据存储方法 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116226484A (zh) * | 2023-05-05 | 2023-06-06 | 北京视酷科技有限公司 | 一种超滤水处理装置监测数据管理系统 |
CN116592951A (zh) * | 2023-07-17 | 2023-08-15 | 陕西西特电缆有限公司 | 一种电缆数据智能采集方法及系统 |
CN116700630A (zh) * | 2023-08-03 | 2023-09-05 | 山东三方化工集团有限公司 | 基于物联网的有机无机复混肥料生产数据优化存储方法 |
CN116755641A (zh) * | 2023-08-22 | 2023-09-15 | 山东凌远机电科技有限公司 | 一种配电箱运行数据优化采集存储方法 |
CN116881635A (zh) * | 2023-09-08 | 2023-10-13 | 北京日光旭升精细化工技术研究所 | 一种用于纺织品洗涤剂设备数据管理系统 |
CN116933044A (zh) * | 2023-09-15 | 2023-10-24 | 深圳高新区信息网有限公司 | 一种供电数据智能处理方法及系统 |
CN117082153A (zh) * | 2023-10-13 | 2023-11-17 | 深圳龙电华鑫控股集团股份有限公司 | 一种载波通信数据采集及数据优化方法 |
CN117198550A (zh) * | 2023-11-07 | 2023-12-08 | 北京青颜博识健康管理有限公司 | 基于大数据的胶原蛋白肽抗衰老评估系统 |
CN117241306A (zh) * | 2023-11-10 | 2023-12-15 | 深圳市银尔达电子有限公司 | 一种4g网络异常流量数据实时监测方法 |
Non-Patent Citations (2)
Title |
---|
An Adaptive and Autonomous Sensor Sampling Frequency Control Scheme for Energy-Efficient Data Acquisitionin Wireless Sensor Networks;Supriyo Chatterjea et al.;《DCOSS2008》;20081231;60-78 * |
中小跨梁桥健康监测数据合理采集频率与评估方法研究;唐清翠;《万方学位论文》;20230914;1-113 * |
Also Published As
Publication number | Publication date |
---|---|
CN117421686A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117421686B (zh) | 一种水肥一体化灌溉用量数据收集方法 | |
CN108876209A (zh) | 一种考虑相对产量的红壤稻田土壤肥力评价方法 | |
CN113361742B (zh) | 一种基于水文模拟的区域综合干旱识别方法 | |
CN105403245A (zh) | 日光温室无线传感器多数据融合方法 | |
CN116304962B (zh) | 一种用于水表计量数据的智能异常监测方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
US12112105B1 (en) | Soil-climate intelligent type determining method for rice target yield and nitrogen fertilizer amount | |
CN103472009A (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及系统 | |
CN114971295B (zh) | 改善通江湖泊候鸟栖息地生境的水库调度方法及系统 | |
CN117333321B (zh) | 基于机器学习的农业灌溉用水量估算方法、系统及介质 | |
CN117807549B (zh) | 一种农田土壤肥力评价方法及系统 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN114357737B (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN116894514A (zh) | 一种基于土壤质量指标的作物产量预测方法及系统 | |
CN118297315A (zh) | 一种用于园林绿化植物浇灌的智慧管理方法及系统 | |
CN112931167B (zh) | 植物灌溉决策系统和方法 | |
CN117455127A (zh) | 一种基于智慧园林的植物碳汇动态数据监测系统 | |
CN113034302A (zh) | 一种农田尺度作物水分利用效率遥感评价方法 | |
CN117010717A (zh) | 一种基于全局不确定性分析的作物精准灌溉用水决策方法 | |
CN116595709A (zh) | 一种烟草适宜移栽期的预测方法及系统 | |
CN101908104A (zh) | 一种计算历史时期湖泊水位的技术 | |
Abdallah et al. | A Machine Learning Approach for a Robust Irrigation Prediction via Regression and Feature Selection | |
CN118467483B (zh) | 一种基于大数据分析的信息化农业数据存储方法 | |
CN116735538B (zh) | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
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 |