本發(fā)明涉及農(nóng)業(yè)灌溉管理，尤其涉及一種灌區(qū)農(nóng)業(yè)灌溉用水量估算方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)農(nóng)業(yè)灌溉管理方式主要依賴于歷史經(jīng)驗和人工測量，缺乏精確的水量監(jiān)測和動態(tài)調(diào)控手段，導(dǎo)致灌溉用水量的估算精度較低，水資源利用效率不高。此外，灌區(qū)內(nèi)的土壤濕度、氣候條件、作物需水量等因子存在明顯的空間和時間差異，采用傳統(tǒng)的平均用水量估算方法難以適應(yīng)灌區(qū)多樣化的環(huán)境需求，欠缺對多類型數(shù)據(jù)之間的關(guān)聯(lián)性的挖掘。同時，隨著農(nóng)業(yè)灌溉規(guī)模擴大和水資源短缺問題的日益嚴峻，灌區(qū)水資源高效利用的需求愈加迫切，傳統(tǒng)灌溉方法在節(jié)水效果和精準度方面顯得力不從心，無法滿足現(xiàn)代農(nóng)業(yè)高效、可持續(xù)發(fā)展的要求。

2、因此，本發(fā)明提供一種灌區(qū)農(nóng)業(yè)灌溉用水量估算方法及系統(tǒng)來解決上述問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)的不足，研制一種灌區(qū)農(nóng)業(yè)灌溉用水量估算方法及系統(tǒng)，主要目的在于通過先進的傳感器技術(shù)、物聯(lián)網(wǎng)、大數(shù)據(jù)分析和機器學(xué)習(xí)算法，實現(xiàn)灌區(qū)農(nóng)業(yè)灌溉用水量的精準估算和優(yōu)化管理。

2、本發(fā)明解決技術(shù)問題的技術(shù)方案一方面為一種灌區(qū)農(nóng)業(yè)灌溉用水量估算方法，包括以下步驟：

3、s1、通過傳感器和檢測器采集土壤、氣象、農(nóng)作物數(shù)據(jù)，再通過邊緣計算節(jié)點對采集數(shù)據(jù)進行打包并封裝成標準化的格式，然后基于https協(xié)議通過物聯(lián)網(wǎng)網(wǎng)關(guān)選擇最佳的傳輸路徑對數(shù)據(jù)進行傳輸；

4、s2、基于深度學(xué)習(xí)的智能算法構(gòu)建灌區(qū)農(nóng)業(yè)灌溉用水量預(yù)測模型，灌區(qū)農(nóng)業(yè)灌溉用水量預(yù)測模型的數(shù)據(jù)處理中心步驟s1中的數(shù)據(jù)，并對接收的數(shù)據(jù)進行存儲、預(yù)處理和分析，進而對土壤濕度、氣象條件和農(nóng)作物生長情況進項建模和預(yù)測，最終得到灌溉用水量估算結(jié)果；

5、s3、灌區(qū)農(nóng)業(yè)灌溉用水量預(yù)測模型每隔一段時間，利用新輸入的數(shù)據(jù)對模型的內(nèi)部參數(shù)進行更新，同時將更新后的灌區(qū)農(nóng)業(yè)灌溉用水量預(yù)測模型部署到邊緣計算節(jié)點中，并將這一過程反復(fù)迭代。

6、具體實施方式中，s1具體如下：

7、采集的土壤、氣象和農(nóng)作物數(shù)據(jù)包括土壤濕度、氣溫、空氣濕度、降水量、作物生長數(shù)據(jù)，將時刻采集數(shù)據(jù)表示為，，分別表示時刻采集的土壤濕度、氣溫、空氣濕度、降水量、作物生長數(shù)據(jù)；

8、通過邊緣計算節(jié)點對數(shù)據(jù)集中的數(shù)據(jù)進行打包，將數(shù)據(jù)封裝成標準化的格式，進行封裝的數(shù)據(jù)包括數(shù)據(jù)時間戳、傳感器id、數(shù)據(jù)類型及數(shù)據(jù)集中數(shù)據(jù)的值。

9、具體實施方式中，s2具體如下：

10、s2.1、將接收到的數(shù)據(jù)保存后再進行預(yù)處理，預(yù)處理操作包括數(shù)據(jù)清洗和數(shù)據(jù)平滑處理，通過移除輸入數(shù)據(jù)中的異常值和噪聲數(shù)據(jù)來進行數(shù)據(jù)清洗，通過滑動平均法對數(shù)據(jù)進行平滑處理，具體計算如下：

11、，

12、其中，表示滑動窗口大小，表示滑動窗口大小的索引，表示時刻的采集的數(shù)據(jù)，表示預(yù)處理后的數(shù)據(jù)。

13、s2.2、估算蒸散量：

14、估算農(nóng)作物的蒸散量，計算過程如下：

15、，

16、其中，表示時刻的蒸散量，表示時刻飽和水汽壓隨溫度的變化率，表示時刻測得的土壤熱通量密度，表示干濕表常數(shù)，表示時刻采集的氣溫，表示時刻測得的風(fēng)速，表示時刻測得的飽和水汽壓，表示時刻測得的實際水汽壓，表示時刻的凈輻射量。

17、s2.3、提取時空特征：

18、通過cnn-mlstm深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)和蒸散量進行處理來進行時空特征的提取，具體計算如下：

19、，

20、其中，表示時刻的時空特征，表示cnn-mlstm模型的運算；

21、cnn網(wǎng)絡(luò)中：

22、將預(yù)處理后的數(shù)據(jù)和蒸散量輸入至cnn-mlstm模型后，首先經(jīng)過cnn網(wǎng)絡(luò)進行空間特征提取，其中，cnn網(wǎng)絡(luò)采用resnet預(yù)訓(xùn)練模型

23、mlstm多序列長度的長短期記憶網(wǎng)絡(luò)中：

24、（1）在lstm的基礎(chǔ)上引入了矩陣形式的記憶單元和協(xié)方差更新規(guī)則，mlstm的記憶單元為一個矩陣，記作，，表示維度，通過記憶單元矩陣乘法進行信息的存儲和檢索；

25、mlstm內(nèi)的存儲機制為在時間步，存儲鍵和值，在時間，通過查詢向量檢索值，表示增加的時間步；

26、（2）mlstm內(nèi)的計算過程如下：

27、（2-1）引入膨脹卷積，融合膨脹卷積操作的單元狀態(tài)更新表示如下：

28、，

29、其中，表示時刻的矩陣記憶單元狀態(tài)，表示時刻的遺忘門，表示時刻的輸入門，和分別表示時刻的值輸入向量和鍵輸入向量，表示卷積操作，表示卷積核，表示中的第個元素，表示卷積核大小，表示卷積核大小的索引，表示膨脹率。

30、（2-2）歸一化器狀態(tài)更新：

31、，

32、其中，表示時刻的歸一化器狀態(tài)，表示時刻的歸一化器狀態(tài)；

33、（2-3）隱藏狀態(tài)更新：

34、，

35、，

36、其中，表示時刻的隱藏狀態(tài)，表示時刻歸一化的隱藏狀態(tài)，表示時刻的輸出門，表示點乘；

37、（2-4）查詢輸入：

38、，

39、其中，表示時刻的查詢向量，和表示查詢輸入的調(diào)節(jié)參數(shù)；

40、（2-5）鍵輸入：

41、，

42、其中，表示時刻的鍵輸入，、和表示鍵輸入的三個不同的調(diào)節(jié)參數(shù)；

43、（2-6）值輸入：

44、，

45、其中，表示時刻的值輸入，和表示查詢輸入的兩個不同的調(diào)節(jié)參數(shù)；

46、（2-7）門控機制：

47、時刻輸入門的輸出：

48、；

49、時刻遺忘門的輸出：

50、；

51、時刻輸出門的輸出：

52、；

53、其中，輸出門輸出的即為時刻的空間時序特征，將通過cnn網(wǎng)絡(luò)提取的空間特征與空間時序特征進行拼接，得到時空特征，表示sigmoid激活函數(shù)，表示轉(zhuǎn)置，表示輸入門網(wǎng)絡(luò)的偏置參數(shù)，表示輸入門網(wǎng)絡(luò)的神經(jīng)元權(quán)重參數(shù)，表示遺忘門網(wǎng)絡(luò)的偏置參數(shù)，表示遺忘門網(wǎng)絡(luò)的神經(jīng)元權(quán)重參數(shù)，表示輸出門網(wǎng)絡(luò)的偏置參數(shù)，表示輸出門網(wǎng)絡(luò)的神經(jīng)元權(quán)重參數(shù)。

54、s2.4、估算灌溉用水量：

55、將時空特征輸入至類殘差式的時空注意力模塊，時空注意力模塊包括兩條支路；

56、第一條支路中，首先經(jīng)過兩個平行的池化層和，然后將輸出的結(jié)果相加，再乘以權(quán)重參數(shù)，然后再將結(jié)果輸入至激活函數(shù)層，得到計算結(jié)果后，分別乘以權(quán)重參數(shù)和權(quán)重參數(shù)，接著將兩路計算結(jié)果輸入至平行設(shè)置的兩個激活函數(shù)層，再將得到的結(jié)果進行相乘，然后再與進行點乘，得到第一條支路的計算結(jié)果；

57、第二條支路中，通過池化層，依次乘以權(quán)重參數(shù)和權(quán)重參數(shù)，再經(jīng)過激活函數(shù)層，然后與進行點乘，得到第二條支路的計算結(jié)果；

58、最后將兩條支路的結(jié)果最后進行相加，再經(jīng)過批量歸一化層和激活函數(shù)層，最終得到估算的灌溉用水量，具體計算如下：

59、，

60、其中，表示估算的時刻的灌溉用水量，表示激活函數(shù)層的操作，采用sigmoid激活函數(shù)，bn表示批量歸一化操作，表示點乘，表示第一條支路中時間特征分支的池化操作，表示第一條支路中空間特征分支的池化操作，表示第二條支路中的池化操作，表示矩陣相加，表示矩陣相乘，、、、和表示五個不同的權(quán)重參數(shù)。

61、本發(fā)明還提供了一種灌區(qū)農(nóng)業(yè)灌溉用水量估算系統(tǒng)，執(zhí)行一種灌區(qū)農(nóng)業(yè)灌溉用水量估算方法，其包括以下部分：

62、土壤濕度傳感器模塊、氣象監(jiān)測模塊、作物生長監(jiān)測模塊、物聯(lián)網(wǎng)網(wǎng)關(guān)、數(shù)據(jù)傳輸模塊、邊緣計算節(jié)點、數(shù)據(jù)處理中心和用戶接口，以上八個部分單獨進行數(shù)據(jù)觀測或節(jié)點管理。

63、
技術(shù)實現(xiàn)要素：
中提供的效果僅僅是實施例的效果，而不是發(fā)明所有的全部效果，上述技術(shù)方案具有如下優(yōu)點或有益效果：

64、本發(fā)明提出一種高效、精準的灌區(qū)農(nóng)業(yè)灌溉用水量估算方法及系統(tǒng)，本發(fā)明提供的灌區(qū)農(nóng)業(yè)灌溉用水量估算系統(tǒng)，通過集成先進的傳感器技術(shù)、物聯(lián)網(wǎng)和大數(shù)據(jù)分析技術(shù)，能夠?qū)崟r獲取灌區(qū)的氣象、土壤濕度、作物生長狀態(tài)等多源數(shù)據(jù)，并將這些數(shù)據(jù)輸入融合膨脹卷積的cnn-mlstm模型中進行特征提取，并構(gòu)建類殘差式時空注意力模塊對特征進行分析，實現(xiàn)灌區(qū)的用水量預(yù)測，充分考慮了灌區(qū)數(shù)據(jù)的時間相關(guān)性和空間稀疏性，實現(xiàn)了灌區(qū)農(nóng)業(yè)灌溉用水量的精準估算，相比傳統(tǒng)方法，該系統(tǒng)不僅能夠利用灌溉數(shù)據(jù)的空間分布特征，動態(tài)調(diào)控灌溉策略，提升水資源利用效率，還能通過時間序列深度學(xué)習(xí)算法對歷史數(shù)據(jù)進行深度挖掘，優(yōu)化灌溉模型，使得灌溉管理更加科學(xué)和智能化。