一种基于天气预测的智慧农业灌溉管理系统

专利主权项内容

1.一种基于天气预测的智慧农业灌溉管理系统，其特征在于，所述系统包括：数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量；将采集到的实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点输入气象预测模型中进行模拟和预测作物区域的降水量；气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；决策模块：数据决策分析采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充；对气象数据特征提取时，先将样本数据归一化，设置样本每个维度的均值为0，方差为1，计算方法如下：
，其中，为第i个样本，/>为所有样本每个特征维度下的平均值，/>为所有样本每个特征维度下的标准差，/>为训练样本数量；计算协方差矩阵，并对其进行特征值分解；取前k个特征值对应的特征向量：u, u, …, u; 12k得到降维后的数据：，其中k为降维后的维度大小；使用循环神经网络对上下文进行编码，将同一个输入序列分别接入向前和向后的两个LSTM中，然后将两个网络的隐含层链接在一起，共同接入到输出层进行预测；给定一个输入序列 x = (x, ..., x ) 和目标序列y = (y, ..., y)，通过以下等式对当前时间输出的概率进行建模，在训练期间，对于每个学习元素，循环神经网络为每个神经元确定一组权重和偏置：1T1K
，
，
，其中、/>、/>、/>、/>、和/>表示权重矩阵，h 表示由可调门控制的内部隐藏状态，/>、/>和/>表示偏置向量，/>是隐藏层函数，/>为t时刻的输出，/>为向前LSTM中t时刻的隐藏状态，/>为向后LSTM中t时刻的隐藏状态，迭代优化得到使总体成本函数最小化的权重和偏置参数，监督机制的损失函数为：
，其中，为主损失函数，/>为辅助损失函数，/>为训练组，/>是主网络的权重，是权重辅助分类器，/>是最终损失中的对应比率，/>为辅助分类器的个数，/>为权重系数。 马 克 数 据 网