CN116300620A - 一种基于大数据的作物生长需求协调控制***及方法 - Google Patents
一种基于大数据的作物生长需求协调控制***及方法 Download PDFInfo
- Publication number
- CN116300620A CN116300620A CN202310276224.4A CN202310276224A CN116300620A CN 116300620 A CN116300620 A CN 116300620A CN 202310276224 A CN202310276224 A CN 202310276224A CN 116300620 A CN116300620 A CN 116300620A
- Authority
- CN
- China
- Prior art keywords
- value
- crop
- growth
- crop growth
- coordination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000007613 environmental effect Effects 0.000 claims description 33
- 239000002689 soil Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000009335 monocropping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的作物生长需求协调控制方法，包括以下步骤：步骤一：获取作物生长环境的多影响因子数据实时值，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，判断***中的作物现在生长需求协调控制方法的可用度；步骤二：针对***中的作物现在生长需求协调控制方法的可用度判断结果，结合作物的生长需求计算作物生长环境的影响值；步骤三：根据具体的影响值和模型训出的最优值间形成的具体差值，以及预设的投票权重计算作物协调配时方案的投票值，并以投票数值最大的方案为作为作物下一个生长周期的协调方案，根据方案其作物执行器进行协调控制，本发明，具有高协调控制的特点。
Description
技术领域
本发明涉及农作物生长协调控制技术领域，具体为一种基于大数据的作物生长需求协调控制***及方法。
背景技术
现代精细农业是一种划时代的前沿思想与理念，它的核心在于管理农业，其目的在于促进农作物增产保值、种植与环境优化结合及生态绿色环保，通过数据进行分析、拟合调节农作物生长，在最大程度上促进农作物的增产是该领域发展方向之一，因此很多的精细作物种植***被广泛应用于用户的农业种植园，但随之带来的问题是：很多长时间使用这种精细农业协调控制的农业种植园在不同的时间周期中，针对作物的收货量或管理问题会形成折扣，即存在园区作物生长环境随着年限的增加也在不断变化，导致现有作物的土壤环境缺素、病菌积累较多，作物长势不佳进而造成作物免疫力低下，长势不喜人的情况，但这个过程中针对作物的生长管理仍然使用原来的协调控制方法或***，没有根据具体的内外部因素进行实时的协调控制。因此，设计基于存在的需求变化进行协调控制的一种基于大数据的作物生长需求协调控制***及方法是很有必要的。
发明内容
本发明的目的在于提供一种基于大数据的作物生长需求协调控制***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的作物生长需求协调控制方法，包括以下步骤：
步骤一：获取作物生长环境的多影响因子数据实时值，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，判断***中的作物现在生长需求协调控制方法的可用度；
步骤二：针对***中的作物现在生长需求协调控制方法的可用度判断结果，结合作物的生长需求计算作物生长环境的影响值；
步骤三：根据具体的影响值和模型训出的最优值间形成的具体差值，以及预设的投票权重计算作物协调配时方案的投票值，并以投票数值最大的方案为作为作物下一个生长周期的协调方案，根据方案运行***中作物具体生长阶段的作物执行器进行协调控制。
根据上述技术方案，所述计算作物实时生长环境的状态值的步骤，包括：
定义不同的作物环境周期，即将作为的环境周期分为：作物进入前环境周期、作物生长初始阶段环境周期、作物培育阶段环境周期、作物成熟阶段环境周期，通过传感器基于不同的周期采集不同的环境实时数据，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，即在作物一直使用的协调控制***中提取出这些周期内采集到的历史数据，以及这几个阶段现在的实时数据，基于作物的生长量和生长状态作为目标值，对比判断实时环境多影响因子值和历史值下，作物现在生长需求协调控制方法的可用度。
根据上述技术方案，所述判断***中的作物现在生长需求协调控制方法的可用度的步骤，包括：
根据长期的历史数据利用训练模型训练出作物在给定的环境状态下的最优目标值和最差目标值；
得到一个最优与最差的范围值，将范围值进行一级二级和三级的划分。
根据上述技术方案，所述计算作物生长环境的影响值的参数数据检测的步骤，包括：
确定作物生长环境中的主要影响因子；
进行多传感器融合检测，包括利用数字温湿度传感器对温湿度参数进行多点检测，以及土壤度参数进行多点检测；
利用多模型自运应加权融合算法。
根据上述技术方案，所述计算作物生长环境的影响值的步骤，包括：
根据融合后的作物影响因子值和当前作物生长环境使用的生长需求协调控制***的年限进行计算，同时加入协调系数；
通过BP神经网络建立模型；
由自适应融合算法得出全局近似真实的环境因子参数；
得出作物生长环境的影响状态对应的具体影响值。
根据上述技术方案，所述进行协调控制的步骤，包括：
作物下一个生长周期的协调方案制定方案为：根据步骤二中的利用BP神经网络模型输出的状态，设定三种大环境影响状态的权重系数分别为x1、x2、x3，三种大环境影响状态输出值分别对应为：温度、湿度、土壤度影响值正常状态输出值为D1；温度、湿度、土壤度影响值过高状态输出值为D2；温度、湿度、土壤度影响值较低状态输出值为D3，根据步骤一中具体的影响值和模型训出的最优值间形成的具体差值，得到的三个现有作为生长协调方案可用度级别，设定三种方法可用度级别的权重系数分别为y1、y2、y3，设定三种方法可用度级别为输出值为：当对比值在第一级别，判断***中的作物现在生长需求协调控制方法可用度良好可以保持时输出值为T1，当对比值在第二级别时，判断***中的作物现在生长需求协调控制方法可用度一般需协调时输出值为T2，当对比值在第三级别时，判断***中的作物现在生长需求协调控制方法可用度需优化调控时输出值为T3，此时作物下一个生长周期的协调方案的投票数值为Ki＝xi*Di+yi*Ti，以此比较K1、K2、K3的大小，投票数值最大的方案将作为作物下一个生长周期的协调方案作，根据方案运行***中作物具体生长阶段的作物执行器协调值和协调精度。
根据上述技术方案，所述一种基于大数据的作物生长需求协调控制***包括：
多影响因子数据模块，用于获取作物生长过程中外部影响因素的对影响因子数据；
作物环境影响值计算模块，用于计算作物当前生长环境对生长需求产生的影响程度；
作物生长协调控制模块，用于根据计算分析的协调方案控制作物的生长。
与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有多影响因子数据模块、作物环境影响值计算模块和作物生长协调控制模块，能根据具体的影响值和模型训出的最优值间形成的具体差值，以及预设的投票权重计算作物协调配时方案的投票值，并以投票数值最大的方案为作为作物下一个生长周期的协调方案，根据方案运行***中作物具体生长阶段的作物执行器进行协调控制，即可以根据具体的内外部因素进行实时的协调控制。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一提供的一种基于大数据的作物生长需求协调控制方法的流程图；
图2为本发明实施例二提供的一种基于大数据的作物生长需求协调控制***的模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
图1为本发明实施例一提供的一种基于大数据的作物生长需求协调控制方法的流程图，本实施例可应用作物生长协调控制的场景，该方法可以由本实施例提供的一种基于大数据的作物生长需求协调控制***来执行，如图1所示，该方法具体包括以下步骤：
步骤一：获取作物生长环境的多影响因子数据实时值，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，判断***中的作物现在生长需求协调控制方法的可用度；
在本发明实施例中，影响作物的生长因素主要分为内部因素和外部因素，内部因素由农作物的本身特性决定，外部因素主要为作物生长的环境因素，通常包括环境温度、空气湿度、土壤温湿度、光照强度、二氧化碳浓度以及其他适合农作物生长的必要条件，如土壤的酸碱性、氮磷元素等，影响因子对农作物的生长会产生直接或者间接的影响，其中产生主要影响的因子通常被称为主导因子，主导因子对农作物的生长起着决定性的作用，对作物生长环境的分析就是分析其主导因子，了解环境的主导因子可以更好地调控农作物的生长状态，采取对应的措施，通过对作物生长环境这个主导因子的数据采集，实时掌握作物生长的环境参数，以监测的实时数据为依据计算作物实时生长环境的状态值；
示例性的，作物实时生长环境的状态值计算方法包括：定义不同的作物环境周期，即将作为的环境周期分为：作物进入前环境周期、作物生长初始阶段环境周期、作物培育阶段环境周期、作物成熟阶段环境周期，通过传感器基于不同的周期采集不同的环境实时数据，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，即在作物一直使用的协调控制***中提取出这些周期内采集到的历史数据，以及这几个阶段现在的实时数据，基于作物的生长量和生长状态作为目标值，对比判断这些实时环境多影响因子值和历史值下，作物现在生长需求协调控制方法的可用度；
示例性的，根据长期的历史数据利用训练模型训练出作物在给定的环境状态下的最优目标值和最差目标值，得到一个最优与最差的范围值，将范围值进行一级二级和三级的划分，即当在同一周期下作物的历史环境多影响因子值确定，作为目标值的作物当前的生长量和生长状态值已知，将其与训练模型下的最优目标值进行对比，得到一个对比值，将对比值放进对比范围中进行级别的划分，当对比值在第一级别时，判断***中的作物现在生长需求协调控制方法可用度良好可以保持，当对比值在第二级别时，判断***中的作物现在生长需求协调控制方法可用度一般需协调，当对比值在第三级别时，判断***中的作物现在生长需求协调控制方法可用度需优化调控。
步骤二：针对***中的作物现在生长需求协调控制方法的可用度判断结果，结合作物的生长需求计算作物生长环境的影响值；
在本发明实施例中，作物生长依赖于环境，需要其为其提供生长所必需的温度、湿度、光照度、土壤度的环境条件，作物生长环境就是为了满足这些环境条件而建立的，作物生长环境中的各环境因子的变化与影响变量之间存在非线性关系，当一个调节变量存在时，往往引起两个甚至多个环境因子的变化，确定作物生长环境中的主要影响因子，进行多传感器融合检测，利用多模型自运应加权融合算法，包括利用数字温湿度传感器对温湿度参数进行多点检测，以及土壤度参数进行多点检测；
示例性的，利用多个传感器对每个定义的影响因子参数进行测量，将每个传感器输出的数据进行组合，且保证输出的影响值的随机性，设定在在实际的作为作物环境影响值测量中的均方差，该均方差根据作物环境中每个不同传感器的自身精度进行定义，均方差的值越大就说明该传感器对同一参量测量时所得到的数据离散度越大，该传感器的精度也就越差，值越小说明该传感器的精度越高，采用BP神经网络和支持向量回归机对检测得到的作物环境境空气温度、湿度及止壤平衡含水率进行多阶段建模，在第一阶段分别用BP神经网络和支持向量回归机针对多传感器检测得到的主参数进行建模，在第二阶段将前一阶段所建立的模型输出利用自适应融合算法进行数据融合，分析一个作物的环境影响因子的影响度时，仅仅考虑单因子本身的变化值带来的判断结果可能存在误差，得不到理想的可用度判断，因此在计算分析的时候不能单纯的控制主因子，同步考虑到监测设备存在的性能和精度问题，因为环境因子是多种影响因素共同作用的结果，要综合考虑各种因素间的关系，将作作生长环境和监测设备相互耦合关系列入影响分析的条件中；
示例性的，当判断***中的作物现在生长需求协调控制方法可用度一般需协调和需优化控制的时候，根据融合后的作物影响因子值和当前作物生长环境使用的生长需求协调控制***的年限进行计算，同时加入协调系数，消除因随之使用***年限的增长而使作物生长环境中的具体影响因子影响度上升的情况，即作物的重茬种植会造成病原体指数直线上升，作物生长环境的种植年份过长，会致使土壤缺素、病菌积累问题越来越严重，通过BP神经网络建立模型，BP神经网络的输入节点根据需要选定：温度、湿度、光照度、土壤度，由自适应融合算法的方法，得出全局近似真实的环境因子参数，将输出的状态分为：温度、湿度、土壤度影响值正常；温度、湿度、土壤度影响值过高；温度、湿度、土壤度影响值较低；设定神经网路输出层神经元对应的输出状态数目以及对应的环境因子所处的状态值，最后得出作物生长环境的影响状态对应的具体影响值。
步骤三：根据具体的影响值和模型训出的最优值间形成的具体差值，以及预设的投票权重计算作物协调配时方案的投票值，并以投票数值最大的方案为作为作物下一个生长周期的协调方案，根据方案运行***中作物具体生长阶段的作物执行器协调值和协调精度。
在本发明实施例中：选定作物当前生长周期进行控制检测，由于根据实时检测的环境影响因子即时地协调作物当前的环境生长状态会存在滞留性，即作物当前的生长状态不一定是基于此时的环境影响因子影响的，在作物当前阶段的上一阶段的多环境影响因子就会开始影响其生长，因此针对作物的生长协调控制需要具有预期性的计算判断，预期性的作物生长协调控制方案变动差异不大的话，当前阶段中计算出的环境影响因子的协调控制方案往往并不需要变动，且进行变动也不一定能够改变当前的作物生长状态，另一方面，作物生长需求与协调控制方案控制需要一定的过渡周期来调整环境影响因子带来的环境状态改变周期，使得新的协调方案生效，因此，当频繁地变动协调方案时，***将长时间地处于过渡周期中，而在过渡周期中实际没有协调效果，因此，基于作物当前生长阶段的上一阶段进行作物下一个生长周期的协调方案制定；
示例性的，作物下一个生长周期的协调方案制定方案为：根据步骤二中的利用BP神经网络模型输出的状态，设定三种大环境影响状态的权重系数分别为x1、x2、x3，三种大环境影响状态输出值分别对应为：温度、湿度、土壤度影响值正常状态输出值为D1；温度、湿度、土壤度影响值过高状态输出值为D2；温度、湿度、土壤度影响值较低状态输出值为D3，根据步骤一中具体的影响值和模型训出的最优值间形成的具体差值，得到的三个现有作为生长协调方案可用度级别，设定三种方法可用度级别的权重系数分别为y1、y2、y3，设定三种方法可用度级别为输出值为：当对比值在第一级别，判断***中的作物现在生长需求协调控制方法可用度良好可以保持时输出值为T1，当对比值在第二级别时，判断***中的作物现在生长需求协调控制方法可用度一般需协调时输出值为T2，当对比值在第三级别时，判断***中的作物现在生长需求协调控制方法可用度需优化调控时输出值为T3，此时作物下一个生长周期的协调方案的投票数值为Ki＝xi*Di+yi*Ti，以此比较K1、K2、K3的大小，投票数值最大的方案将作为作物下一个生长周期的协调方案作，根据方案运行***中作物具体生长阶段的作物执行器协调值和协调精度；
示例性的，在实际应用中，选定具体作物检测环境的温度和湿度，观察作物的生长状况得到实际的最适宜的生长温度和湿度的范围，根据温湿度的适宜范围，调节控制温度、湿度、土壤度的执行器，调节温湿度使达到设定的范围，在实现温湿度调控的基础上调节土壤度，考虑土壤厚度对温湿度传感器造成的影响，当土壤温湿度传感器检测到土壤含水量时，就可以通过给定一个水层厚度的理想值，通过采集土壤温湿度，转化为实际的水层厚度，计算设定与实际值的差值对土壤的执行器进行协调控制，达到控制土壤含水量的值，进而控制土壤含水量，基于此综合所得出的所有控制因素的综合调控参数，协调优化作物生长需求协调控制。
实施例二：
本发明实施例二提供了一种基于大数据的作物生长需求协调控制***，图2为本发明实施例二提供的一种基于大数据的作物生长需求协调控制***的模块组成示意图，如图2所示，该***包括：
多影响因子数据模块，用于获取作物生长过程中外部影响因素的对影响因子数据；
作物环境影响值计算模块，用于计算作物当前生长环境对生长需求产生的影响程度；
作物生长协调控制模块，用于根据计算分析的协调方案控制作物的生长。
在本发明的一些实施例中，多影响因子数据模块包括：
环境因素获取模块，用于对作物生长环境的主导因子的数据进行采集；
环境状态值计算模块，用于根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值；
范围值计算模块，用于根据长期的历史数据利用训练模型训练出作物在给定的环境状态下的最优目标值和最差目标值，得到一个最优与最差的范围值；
可用度等级划分模块，用于计算实时环境多影响因子值和历史值下作物现在生长需求协调控制方法的可用度。
在本发明的一些实施例中，作物环境影响值计算模块包括：
主要影响因子确定模块，用于确定作物生长环境中的主要影响因子；
参数测量模块，用于利用多个传感器对每个定义的影响因子参数进行测量；
均方差设定模块，用于，定在在实际的作为作物环境影响值测量中的均方差；
参数建模模块，用于利用BP神经网络和支持向量回归机针对多传感器检测得到的主参数进行建模；
数据融合模块，用于将建立的模型输出利用自适应融合算法进行数据融合。
在本发明的一些实施例中，作物生长协调控制模块包括：
投票权重设定模块，用于设定三种大环境影响状态和三种方法可用度级别的权重系数；
投票值计算模块，用于计算作物协调配时方案的投票值；
协调方案选择模块，用于以投票数值最大的方案为作为作物下一个生长周期的协调方案；
执行器控制模块，用于根据方案运行***中作物具体生长阶段的作物执行器协调值和协调精度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的作物生长需求协调控制方法，其特征在于：该方法包括以下步骤：
步骤一：获取作物生长环境的多影响因子数据实时值，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，判断***中的作物现在生长需求协调控制方法的可用度；
步骤二：针对***中的作物现在生长需求协调控制方法的可用度判断结果，结合作物的生长需求计算作物生长环境的影响值；
步骤三：根据具体的影响值和模型训出的最优值间形成的具体差值，以及预设的投票权重计算作物协调配时方案的投票值，并以投票数值最大的方案为作为作物下一个生长周期的协调方案，根据方案运行***中作物具体生长阶段的作物执行器进行协调控制。
2.根据权利要求1所述的一种基于大数据的作物生长需求协调控制方法，其特征在于：所述计算作物实时生长环境的状态值的步骤，包括：
定义不同的作物环境周期，即将作为的环境周期分为：作物进入前环境周期、作物生长初始阶段环境周期、作物培育阶段环境周期、作物成熟阶段环境周期，通过传感器基于不同的周期采集不同的环境实时数据，根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值，即在作物一直使用的协调控制***中提取出这些周期内采集到的历史数据，以及这几个阶段现在的实时数据，基于作物的生长量和生长状态作为目标值，对比判断实时环境多影响因子值和历史值下，作物现在生长需求协调控制方法的可用度。
3.根据权利要求1所述的一种基于大数据的作物生长需求协调控制方法，其特征在于：所述判断***中的作物现在生长需求协调控制方法的可用度的步骤，包括：
根据长期的历史数据利用训练模型训练出作物在给定的环境状态下的最优目标值和最差目标值；
得到一个最优与最差的范围值，将范围值进行一级二级和三级的划分。
4.根据权利要求1所述的一种基于大数据的作物生长需求协调控制方法，其特征在于：所述计算作物生长环境的影响值的参数数据检测的步骤，包括：
确定作物生长环境中的主要影响因子；
进行多传感器融合检测，包括利用数字温湿度传感器对温湿度参数进行多点检测，以及土壤度参数进行多点检测；
利用多模型自运应加权融合算法。
5.根据权利要求1所述的一种基于大数据的作物生长需求协调控制方法，其特征在于：所述计算作物生长环境的影响值的步骤，包括：
根据融合后的作物影响因子值和当前作物生长环境使用的生长需求协调控制***的年限进行计算，同时加入协调系数；
通过BP神经网络建立模型；
由自适应融合算法得出全局近似真实的环境因子参数；
得出作物生长环境的影响状态对应的具体影响值。
6.根据权利要求1所述的一种基于大数据的作物生长需求协调控制方法，其特征在于：所述进行协调控制的步骤，包括：
作物下一个生长周期的协调方案制定方案为：根据步骤二中的利用BP神经网络模型输出的状态，设定三种大环境影响状态的权重系数分别为x1、x2、x3，三种大环境影响状态输出值分别对应为：温度、湿度、土壤度影响值正常状态输出值为D1；温度、湿度、土壤度影响值过高状态输出值为D2；温度、湿度、土壤度影响值较低状态输出值为D3，根据步骤一中具体的影响值和模型训出的最优值间形成的具体差值，得到的三个现有作为生长协调方案可用度级别，设定三种方法可用度级别的权重系数分别为y1、y2、y3，设定三种方法可用度级别为输出值为：当对比值在第一级别，判断***中的作物现在生长需求协调控制方法可用度良好可以保持时输出值为T1，当对比值在第二级别时，判断***中的作物现在生长需求协调控制方法可用度一般需协调时输出值为T2，当对比值在第三级别时，判断***中的作物现在生长需求协调控制方法可用度需优化调控时输出值为T3，此时作物下一个生长周期的协调方案的投票数值为Ki＝xi*Di+yi*Ti，以此比较K1、K2、K3的大小，投票数值最大的方案将作为作物下一个生长周期的协调方案作，根据方案运行***中作物具体生长阶段的作物执行器协调值和协调精度。
7.一种基于大数据的作物生长需求协调控制***，其特征在于：所述该***包括：
多影响因子数据模块，用于获取作物生长过程中外部影响因素的对影响因子数据；
作物环境影响值计算模块，用于计算作物当前生长环境对生长需求产生的影响程度；
作物生长协调控制模块，用于根据计算分析的协调方案控制作物的生长。
8.根据权利要求7所述的一种基于大数据的作物生长需求协调控制***，其特征在于：所述多影响因子数据模块包括：
环境因素获取模块，用于对作物生长环境的主导因子的数据进行采集；
环境状态值计算模块，用于根据作物生长数据库存储的历史数据计算作物实时生长环境的状态值；
范围值计算模块，用于根据长期的历史数据利用训练模型训练出作物在给定的环境状态下的最优目标值和最差目标值，得到一个最优与最差的范围值；
可用度等级划分模块，用于计算实时环境多影响因子值和历史值下作物现在生长需求协调控制方法的可用度。
9.根据权利要求7所述的一种基于大数据的作物生长需求协调控制***，其特征在于：所述作物环境影响值计算模块包括：
主要影响因子确定模块，用于确定作物生长环境中的主要影响因子；
参数测量模块，用于利用多个传感器对每个定义的影响因子参数进行测量；
均方差设定模块，用于，定在在实际的作为作物环境影响值测量中的均方差；
参数建模模块，用于利用BP神经网络和支持向量回归机针对多传感器检测得到的主参数进行建模；
数据融合模块，用于将建立的模型输出利用自适应融合算法进行数据融合。
10.根据权利要求7所述的一种基于大数据的作物生长需求协调控制***，其特征在于：所述作物生长协调控制模块包括：
投票权重设定模块，用于设定三种大环境影响状态和三种方法可用度级别的权重系数；
投票值计算模块，用于计算作物协调配时方案的投票值；
协调方案选择模块，用于以投票数值最大的方案为作为作物下一个生长周期的协调方案；
执行器控制模块，用于根据方案运行***中作物具体生长阶段的作物执行器协调值和协调精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310276224.4A CN116300620B (zh) | 2023-03-21 | 2023-03-21 | 一种基于大数据的作物生长需求协调控制***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310276224.4A CN116300620B (zh) | 2023-03-21 | 2023-03-21 | 一种基于大数据的作物生长需求协调控制***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116300620A true CN116300620A (zh) | 2023-06-23 |
| CN116300620B CN116300620B (zh) | 2023-11-07 |
Family
ID=86777624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310276224.4A Active CN116300620B (zh) | 2023-03-21 | 2023-03-21 | 一种基于大数据的作物生长需求协调控制***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116300620B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107329511A (zh) * | 2017-05-31 | 2017-11-07 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与*** |
| CN107390754A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节***与方法 |
| CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制***及方法 |
| CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及*** |
| KR20210074509A (ko) * | 2019-12-12 | 2021-06-22 | 대한민국(농촌진흥청장) | 클라우드 기반 실시간 온실 환경 의사결정지원 서버 및 이를 이용한 실시간 온실 환경 의사결정지원 시스템 |
-
2023
- 2023-03-21 CN CN202310276224.4A patent/CN116300620B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107329511A (zh) * | 2017-05-31 | 2017-11-07 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与*** |
| CN107390754A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节***与方法 |
| CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制***及方法 |
| CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及*** |
| KR20210074509A (ko) * | 2019-12-12 | 2021-06-22 | 대한민국(농촌진흥청장) | 클라우드 기반 실시간 온실 환경 의사결정지원 서버 및 이를 이용한 실시간 온실 환경 의사결정지원 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116300620B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106842923B (zh) | 基于作物生理和能耗优化的温室环境多因子协调控制方法 | |
| CN107219759B (zh) | 一种温室环境控制方法及装置 | |
| CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测*** | |
| CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
| CN106707757A (zh) | 一种灌水时间动态调控方法及其*** | |
| CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| Martí et al. | An artificial neural network approach to the estimation of stem water potential from frequency domain reflectometry soil moisture measurements and meteorological data | |
| CN116301138B (zh) | 基于日光温室的农业大棚智能化监管*** | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| CN109816267A (zh) | 一种智能大豆生产管理方法及*** | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN117296538B (zh) | 基于植被土壤成分检测的绿植维护方法、装置与*** | |
| CN116300620B (zh) | 一种基于大数据的作物生长需求协调控制***及方法 | |
| CN118044456A (zh) | 一种基于物联网的智能农业监测*** | |
| CN105259754A (zh) | 一种基于主动学习的板厚智能控制方法 | |
| CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
| CN102354376B (zh) | 对测风数据进行补缺修正的方法 | |
| Wickramaarachchi et al. | Real-time greenhouse environmental conditions optimization using neural network and image processing | |
| CN111625030A (zh) | 一种温室环境控制方法、装置、设备、***及存储介质 | |
| Yan et al. | Design and verification of fuzzy neural network automatic control algorithm in intelligent agriculture | |
| CN117575174B (zh) | 智能农业监测与管理*** | |
| CN111105320A (zh) | 基于涝渍胁迫预测作物产量的方法 | |
| CN117970985B (zh) | 基于知识图谱的营养液浓度调控方法、装置及存储介质 | |
| CN118285306A (zh) | 一种基于目标产量和土壤墒情的智能灌溉施肥决策*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |