一种温室作物需水量预测方法及装置制造方法及图纸

本发明专利技术提供一种温室作物需水量预测方法及装置，将采集的温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型，输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量，从而预测温室作物需水量；其中，温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。本发明专利技术预先利用有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练好温室作物需水量预测模型，然后将小气候环境参数和作物生理参数作为温室作物需水量预测模型的输入参数，输出预测的温室作物需水量，由此知道作物实际失去了多少水分，以达到精细灌溉的目的。

A method and device for predicting water demand of greenhouse crops

【技术实现步骤摘要】
一种温室作物需水量预测方法及装置
本专利技术涉及日光温室灌溉
，尤其涉及一种温室作物需水量预测方法及装置。
技术介绍
作物需水量是农业用水的重要组成部分，合理准确地预估作物需水量，是确定科学合理的作物灌溉制度、地区灌溉用水量以及实施精细灌溉的基础，因此，准确估计作物需水量，对于灌区进行灌溉与管理，能够有效提高水分利用率，节约水资源，对发展智慧农业有着十分重要的意义。目前，传统的作物需水量的预测方法是通过直接计算预测作物需水量，但是这样需要消耗大量人力物力，且效率较慢；目前一般采用基于参考作物需水量预测实际作物需水量，以能量平衡原理为基础的Penman-Monteith公式法，利用常规小气候参数数据便可以较为准确地计算出参考作物吸水量，即通过采用参考作物蒸发蒸腾量ET0与作物系数Kc的计算方法，该方法包含直接计算方式和间接计算方式，直接计算方式一般是根据实测资料，分析例如水面蒸发、气温、湿度、日照和辐射等主要影响因素与作物需水量之间存在的数量关系，归纳成经验公式，但是直接计算方式的实际操作过程复杂，难度比较大，而间接计算方式则多采用在特定环境条件下推导出来的经验公式，但是间接计算方式往往由于缺乏难以测得的资料，或者由于经验公式较为简单而导致计算结果过于粗略，从而有较强的局限性。因此，目前的作物需水量预测方法存在实际操作过程复杂或者有较强的局限性的问题。
技术实现思路
针对目前的作物需水量预测方法存在实际操作过程复杂或者有较强的局限性的问题，本专利技术实施例提供一种温室作物需水量预测方法及装置。第一方面，本专利技术实施例提供一种温室作物需水量预测方法，该方法包括：A1、采集温室小气候环境参数数据和作物生理参数数据；A2、将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型，输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量；其中，温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。优选地，温室小气候环境参数包括空气温度、空气相对湿度和光合有效辐射量，作物生理参数数据包括作物相对叶面积指数。优选地，温室作物需水量预测模型为LSTM时间循环神经网络；相应地，温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的，具体包括：S1、将带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据划分为训练集、验证集和测试集；S2、利用训练集训练LSTM时间循环神经网络后，利用验证集获取LSTM时间循环神经网络的验证集误差；S3、根据验证集误差和预设误差，获取温室作物需水量预测模型。优选地，步骤S3具体包括：S31、设置LSTM时间循环神经网络的迭代次数的初始值和阈值、以及层数的初始值和阈值，迭代次数和层数均为自然数；S32、若验证集误差小于预设误差，则获取当前LSTM时间循环神经网络的超参数，并将当前LSTM时间循环神经网络作为温室作物需水量预测模型；若验证集误差不小于预设误差，则使迭代次数由迭代次数的初始值起每增加1后重复一次步骤S2，直至迭代次数大于迭代次数的阈值时停止重复步骤S2，然后使层数由层数的初始值起每增加1后重复一次步骤S2，直至层数大于层数的阈值时停止重复步骤S2；获取所有层数对应的验证集误差中最小的验证集误差对应的LSTM时间循环神经网络的超参数，并将该LSTM时间循环神经网络作为温室作物需水量预测模型。优选地，步骤S3之后还包括：利用测试集对作物需水量预测模型进行精度验证。优选地，步骤S1之前还包括：将温室小气候环境参数数据和作物生理参数进行预处理，预处理依次包括转换处理和归一化操作。优选地，采集作物相对叶面积指数的具体步骤包括：由俯视方向采集作物垂直于地面的RGB图像，将RGB图像转换为HSV图像，并设定HSV图像绿色元素的提取范围，以获取绿色通道图像；对绿色通道图像进行先腐蚀、后膨胀的开环运算，并进行灰度化和二值化处理，以获取二值化图像；数组化并遍历二值化图像，以获取作物相对叶面积指数。第二方面，本专利技术实施例提供一种温室作物需水量预测装置，该装置包括：采集模块，用于采集温室小气候环境参数数据和作物生理参数数据；预测模块，用于将温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型，输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量；其中，温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。第三方面，本专利技术实施例提供一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的温室作物需水量预测方法。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的温室作物需水量预测方法。本专利技术实施例提供一种温室作物需水量预测方法及装置，将采集的温室小气候环境参数数据和作物生理参数数据输入至温室作物需水量预测模型，输出温室小气候环境参数数据和作物生理参数数据对应的温室作物需水量，从而预测温室作物需水量；其中，温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。本专利技术实施例预先利用有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练好温室作物需水量预测模型，然后将小气候环境参数和作物生理参数作为温室作物需水量预测模型的输入参数，输出温室作物需水量，从而完成温室作物需水量的预测，由此知道作物实际失去了多少水分，以达到精细灌溉的目的。附图说明为了更清楚地说明本专利技术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，下面描述中的附图是本专利技术的一些实施例，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为本专利技术实施例的温室作物需水量预测方法的流程示意图；图2为本专利技术实施例的温室作物需水量预测模型的建立示意图；图3为本专利技术实施例的温室作物需水量预测模型的另一建立示意图；图4为本专利技术实施例的温室作物需水量预测模型的建立流程示意图；图5为本专利技术实施例的温室作物需水量预测装置的结构示意图；图6为本专利技术实施例的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。长短期记忆人工神经本文档来自技高网...

【技术保护点】
1.一种温室作物需水量预测方法，其特征在于，包括：/n采集温室小气候环境参数数据和作物生理参数数据；/n将所述温室小气候环境参数数据和所述作物生理参数数据输入至温室作物需水量预测模型，输出所述温室小气候环境参数数据和所述作物生理参数数据对应的温室作物需水量；其中，所述温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。/n

【技术特征摘要】
1.一种温室作物需水量预测方法，其特征在于，包括：
采集温室小气候环境参数数据和作物生理参数数据；
将所述温室小气候环境参数数据和所述作物生理参数数据输入至温室作物需水量预测模型，输出所述温室小气候环境参数数据和所述作物生理参数数据对应的温室作物需水量；其中，所述温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的。


2.根据权利要求1所述的温室作物需水量预测方法，其特征在于，所述温室小气候环境参数包括空气温度、空气相对湿度和光合有效辐射量，所述作物生理参数数据包括作物相对叶面积指数。


3.根据权利要求1所述的温室作物需水量预测方法，其特征在于，所述温室作物需水量预测模型为LSTM时间循环神经网络；
相应地，所述温室作物需水量预测模型是根据带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据训练后得到的，具体包括：
S1、将所述带有温室作物需水量标签的温室小气候环境参数数据和作物生理参数数据划分为训练集、验证集和测试集；
S2、利用所述训练集训练所述LSTM时间循环神经网络后，利用所述验证集获取所述LSTM时间循环神经网络的验证集误差；
S3、根据所述验证集误差和预设误差，获取所述温室作物需水量预测模型。


4.根据权利要求3所述的温室作物需水量预测方法，其特征在于，步骤S3具体包括：
S31、设置所述LSTM时间循环神经网络的迭代次数的初始值和阈值、以及层数的初始值和阈值，所述迭代次数和所述层数均为自然数；
S32、若所述验证集误差小于所述预设误差，则获取当前所述LSTM时间循环神经网络的超参数，并将当前所述LSTM时间循环神经网络作为所述温室作物需水量预测模型；
若所述验证集误差不小于所述预设误差，则使所述迭代次数由所述迭代次数的初始值起每增加1后重复一次步骤S2，直至所述迭代次数大于所述迭代次数的阈值时停止重复步骤S2，然后使所述层数由所述层数的初始值起每增加1后重复一次步骤S2，直至所述层...

【专利技术属性】
技术研发人员：李莉，李文军，陈士旺，杨成飞，孟繁佳，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11