基于人工智能算法的智能灌溉决策方法及系统与流程

本发明涉及现代农业，具体涉及基于人工智能算法的智能灌溉决策方法及系统。

背景技术：

1、传统的农业灌溉系统通常依赖预设的灌溉时间和水量，缺乏根据实际环境变化和作物需求进行调整的能力，导致水资源浪费和作物生长不均衡等问题。随着人工智能技术的发展，将ai算法应用于农业灌溉决策，可以实现精准灌溉，提高农业生产效率和作物品质，为此，提出一种基于人工智能算法的智能灌溉决策方法及系统，以实现科学高效的灌溉管理。

技术实现思路

1、本发明所要解决的技术问题是提供基于人工智能算法的智能灌溉决策方法及系统，以克服上述现有技术中的不足。

2、本发明解决上述技术问题的技术方案如下：基于人工智能算法的智能灌溉决策方法，包括以下步骤：

3、step1、获取作物生长数据，至少包含：土壤湿度、环境温度、光照强度、风速、空气湿度和作物生长状态；

4、step2、对特征向量进行归一化处理；

5、step3、选定重要特征数据，并将其输入机器学习模型内对模型进行训练，以预测作物即时水分需求；

6、step4、将机器学习模型的预测结果以及所选定的特征数据输入深度神经网络模型内，以进行进一步优化和预测；

7、step5、引入气象预报数据作为额外输入，以制定最优灌溉策略，并确定灌溉时间、频率和水量；

8、step6、依据最优灌溉策略执行灌溉操作。

9、在上述技术方案的基础上，本发明还可以做如下改进。

10、进一步，step1中所形成的特征向量为：

11、

12、其中，xsoil为土壤湿度，xtemp为环境温度，xlight为光照强度，xwind为风速，xhumidity为空气湿度，xcrop为作物生长状态。

13、进一步，step2中归一化处理的公式为：

14、

15、其中，μ和σ分别为均值和标准差。

16、进一步，step3中所采用的机器学习模型为随机森林模型。

17、进一步，step3具体为：

18、step31、根据相关性分析选择特征数据输入机器学习模型：

19、

20、step32、训练机器学习模型：

21、

22、其中为目标变量(作物水分需求)，即随机森林模型的预测值，frf为训练好的随机森林模型，xselected,norm是归一化后选定的特征数据，ti表示第i棵决策树，n为决策树的总数；

23、step33、依据所训练好的模型预测作物即时水分需求：

24、

25、其中为当前预测的作物水分需求，xselected,norm,current为当前时刻归一化后所选定的特征数据。

26、更进一步，step33中对于每一个新的输入样本xselected,norm,current，每棵决策树ti均会给出一个预测值，最终的预测值为所有决策树预测值的平均。

27、进一步，step4具体为：

28、step41、构建和训练模型

29、构建深度神经网络模型，输入层为归一化后所选定的特征数据和机器学习模型的预测结果，输出层为作物水分需求预测值：

30、

31、其中，为深度神经网络的预测值，fdnn为训练好的深度神经网络模型；

32、step42、模型优化

33、采用梯度下降法优化损失函数，以最小化预测值和实际值之间的误差：

34、

35、其中，n为样本数，和yi分别为预测值和实际值。

36、8、根据权利要求7所述基于人工智能算法的智能灌溉决策方法，其特征在于，step5具体为：

37、step51、结合气象预报

38、引入气象预报数据作为额外输入：

39、xaug＝[xselected,norm,xweather]

40、其中，xweather为未来预报数据，至少包：含气温、降雨量；

41、step52、优化灌溉策略

42、给定目标是最小化灌溉预测误差和成本，优化目标函数表示为：

43、

44、其中，为第i个时间段的预测水分需求，watersupple(ti,fi,wi)为第i个时间段的实际供水量，依赖于灌溉时间ti、灌溉频率fi和水量wi，λ为一个超参数，用以平衡灌溉精度和成本，cost(t,f,w)为灌溉总成本函数；

45、预测误差平方和：

46、

47、灌溉成本：

48、λ·cost(t,f,w)

49、watersupple(ti,fi,wi)定义为：

50、watersupple(ti,fi,wi)＝fi·wi·ti

51、cost(t,f,w)定义为：

52、

53、其中，αt、αf、αw分别为灌溉时间、频率和水量的成本系数；

54、在优化过程中，所定义的约束条件为：

55、每天灌溉时间ti不能超过某个最大值tmax：

56、0≤ti≤tmax

57、每天灌溉频率fi不能超过某个最大值fmax：

58、0≤fi≤fmax

59、每次灌水量wi不能超过某个最大值wmax：

60、0≤wi≤wmax

61、然后使用线性规划优化模型，根据预测的水分需求，求解出最优的灌溉时间、频率和水量,确认优化后的灌溉时间、频率和水量是否符合实际操作要求和约束条件，若不符合，则需要调整优化模型或参数，重新进行优化，若符合，则进下一步；

62、step53、最终决策

63、根据优化结果，生成最终的灌溉策略方案，包括具体的灌溉时间、频率和水量：

64、irrigationstrategy＝{t,f,w}。

65、基于上述技术方案，本发明还提供一种基于人工智能算法的智能灌溉决策系统，运行上述基于人工智能算法的智能灌溉决策方法，包括：

66、传感器单元，用以检测作物生长数据，包含：土壤湿度、环境温度、光照强度、风速、空气湿度和作物生长状态；

67、数据预处理单元，用以获取传感器单元所检测的作物生长数据，并将其形成特征向量，再进行归一化处理；

68、人工智能算法模块，用以选定归一化处理后的重要特征数据，并借助其训练机器学习模型，以预测作物即时水分需求，再将机器学习模型的预测结果以及所选定的特征数据输入深度神经网络模型内，以进行进一步优化和预测；

69、综合决策单元，以气象预报数据作为额外输入，制定最优灌溉策略，并确定灌溉时间、频率和水量；

70、通信单元，用以将传感器单元所获取的作物生长数据以及综合决策单元所制定的最优灌溉策略传输至远程服务器；

71、远程服务器，用以将所获取的最优灌溉策略发送至执行单元；

72、执行单元，其根据最优灌溉策略执行灌溉操作。

73、进一步，基于人工智能算法的智能灌溉决策系统还包括：

74、用户终端，其经通信单元与远程服务器建立通信，并显示传感器单元所检测作物生长数据、所预测的作物即时水分需求以及生成的最优灌溉策略，并允许用户手动调整系统参数。

75、进一步，传感器单元包含：土壤湿度传感器、环境温度传感器、光照强度传感器、风速传感器、空气湿度传感器以及作物生长传感器；

76、通信单元采用nb-i ot无线通信模块；

77、执行单元包括：电磁阀和泵。

78、本发明的有益效果是：可以优化农业用水，实现精准灌溉，以避免存在水资源浪费和作物生长不均衡等问题，从而提高农业生产效率和作物品质，适用于需要高效水资源管理的农田、温室大棚和果园。