灌溉控制方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种灌溉控制方法、装置、电子设备及存储介质。该方法包括：将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值；将需水量预测值和土壤湿度预测值纳入水平衡管理；确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案。本申请综合多种因素进行农作物需水量预测，提高预测结果精确度，另外，对土壤湿度变化值进行模拟，有助于提供合理的灌溉方案，保证灌溉效率的同时节约水能源，实现循环发展。现循环发展。现循环发展。

【技术实现步骤摘要】
灌溉控制方法、装置、电子设备及存储介质


[0001]本申请涉及智慧灌溉
，尤其涉及一种灌溉控制方法、装置、电子设备及存储介质。

技术介绍

[0002]传统灌溉系统大多数凭借个人经验控制的方式判断具体灌溉量，为了提高灌溉效率节约水资源，现有技术提供了智能灌溉系统利用简单的计算机方法进行是否需要灌溉的判断。虽然现有的数据采集技术可以保证采集到丰富的场地环境数据，但是受限于简单的计算机方法判断的数据分析能力，现有技术只能基于土壤湿度或作物图像等单个因素判断是否需要进行灌溉，并且采用的是根据间接的指标判断植物是否需要灌溉，最终得出灌溉决策方案精确度较低。

技术实现思路

[0003]本申请实施例提供了一种灌溉控制方法、装置、电子设备及存储介质，以解决现有方案灌溉决策方案精确度较低的问题。
[0004]第一方面，本申请实施例提供了一种灌溉控制方法，包括：将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；获取作物蒸散量、实时土壤温度和实时土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
[0005]在一种可能的实现方式中，所述基于决策树算法来确定灌溉方案，包括：将所述土壤湿度预测值内的阈值与所述实时土壤湿度进行比较；基于比较结果确定灌溉时间、灌溉需水量和灌溉频率中的一项或多项，并生成灌溉方案。
[0006]在一种可能的实现方式中，所述未来设定时间段为2天～5天。
[0007]在一种可能的实现方式中，所述土壤数据包括地面温度；所述农作物数据包括：作物系数和日期时间；所述天气数据包括：风速、空气湿度、大气压、降雨量和太阳辐射数据。
[0008]在一种可能的实现方式中，在将数据输入农作物需水量预测模型之前，还包括：获取历史灌溉集合数据；对所述历史灌溉集合数据进行归一化处理；确定时间步长，并基于所述时间步长构建初始神经网络模型；将归一化处理后历史灌溉集合数据随机划分为测试集和训练集；根据所述测试集和训练集确定模型损失函数；
对所述模型损失函数进行训练预测；将训练预测结果与所述测试集和所述训练集进行拟合得出优化后的模型，并将优化后的模型作为农作物需水量预测模型。
[0009]在一种可能的实现方式中，该方法还包括：根据设定间隔周期及所述设定间隔周期内的历史灌溉集合数据构建农作物需水量预测模型，以实现农作物需水量预测模型的动态优化。
[0010]在一种可能的实现方式中，所述初始神经网络模型为长短期记忆神经网络算法预测模型、深度卷积网络算法预测模型、递归神经网络算法预测模型或前馈神经网络算法预测模型。
[0011]在一种可能的实现方式中，该方法还包括：按照设定读取周期通过ZigBee协调器模块接收多个ZigBee路由节点上传的数据；其中，ZigBee路由节点与环境温度传感器、环境湿度传感器、光照传感器、土壤墒情传感器、全球定位系统GPS、气象站连接。
[0012]第二方面，本申请实施例提供了一种灌溉控制装置，包括：预测模块，用于将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；模拟模块，用于根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；管理模块，用于将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；决策模块，用于确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。
[0013]第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0014]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0015]本申请实施例提供一种灌溉控制方法、装置、电子设备及存储介质，首先，通过将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值。其中，农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型，灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据。本申请基于神经网络模型并综合多种因素建立农作物需水量预测模型，综合考虑了土壤数据、农作物数据和天气数据与农作物需水量内在关联，基于农作物需水量预测模型提高农作物需水量预测的准确性、科学性和便捷性。其次，根据需水量预测值模拟确定未来设定时间段内土壤湿度预测值，考虑到了土壤状态、天气情况和植物本身需水周期相互影响，根据需水量预测值模拟未来设定时间段内土壤湿度预测值，有助于提供合理的灌溉方案。将需水量预测值和土壤湿度预测值纳入水平衡管理，确定作物蒸散量、土壤温度和土壤湿度，基于决策树算法来确定灌溉方案。其中，灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。基于需水量预测值和土壤湿度预测值进行水平衡管理，保证灌溉合理性和效率的同时节约水能源，实现循环发展。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本申请一实施例提供的灌溉控制系统的系统架构图；图2是本申请一实施例提供的灌溉控制方法的实现流程图；图3是本申请一实施例提供的农作物需水量预测模型构建流程图；图4是本申请一实施例提供的传感器数据传输系统结构示意图；图5是本申请一实施例提供的传感器数据读取的流程示意图；图6是本申请一实施例提供的灌溉控制装置的结构示意图；图7是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
[0018]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0019]本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种灌溉控制方法，其特征在于，包括：将灌溉集合数据输入农作物需水量预测模型，得到需水量预测值；其中，所述农作物需水量预测模型为基于土壤数据、农作物数据和天气数据构建的神经网络模型；所述灌溉集合数据包括实时获取的土壤数据、农作物数据和天气数据；根据所述需水量预测值模拟确定未来设定时间段内土壤湿度预测值；将所述需水量预测值和所述土壤湿度预测值纳入水平衡管理；获取作物蒸散量、实时土壤温度和实时土壤湿度，基于决策树算法来确定灌溉方案；其中，所述灌溉方案包括灌溉时间、灌溉需水量和灌溉频率中的一项或多项。2.根据权利要求1所述的灌溉控制方法，其特征在于，所述基于决策树算法来确定灌溉方案，包括：将所述土壤湿度预测值内的阈值与所述实时土壤湿度进行比较；基于比较结果确定灌溉时间、灌溉需水量和灌溉频率中的一项或多项，并生成灌溉方案。3.根据权利要求1所述的灌溉控制方法，其特征在于，所述未来设定时间段为2天～5天。4.根据权利要求1所述的灌溉控制方法，其特征在于，所述土壤数据包括地面温度；所述农作物数据包括：作物系数和日期时间；所述天气数据包括：风速、空气湿度、大气压、降雨量和太阳辐射数据。5.根据权利要求1所述的灌溉控制方法，其特征在于，在将数据输入农作物需水量预测模型之前，还包括：获取历史灌溉集合数据；对所述历史灌溉集合数据进行归一化处理；确定时间步长，并基于所述时间步长构建初始神经网络模型；将归一化处理后历史灌溉集合数据随机划分为测试集和训练集；根据所述测试集和训练集确定模型损失函数；对所述模型损失函数进行训练预测；将训练预测结果与所述测试集和...

【专利技术属性】
技术研发人员：唐松，王志强，董佳，王立锋，王冬艳，杨毅，
申请(专利权)人：河北省科学院应用数学研究所，
类型：发明
国别省市：