一种基于动态自适应与不确定性感知的旱地玉米智能补灌方法及系统
本发明涉及农业智能灌溉,尤其涉及一种基于动态自适应与不确定性感知的旱地玉米智能补灌方法及系统。
背景技术:
1、精准农业智能灌溉技术是提高旱地玉米水分利用效率、保障粮食安全的关键技术支撑。玉米作为我国重要的粮食作物,其生长过程对水分需求较高,而旱地玉米种植面临着降雨分布不均、土壤保水能力差、气象预报存在不确定性等突出问题,因此如何实现科学合理的灌溉管理成为提升旱地玉米产量的核心问题。
2、目前,现有的智能灌溉系统主要存在以下技术缺陷:
3、动态适应性差,现有技术中的需水计算模型采用固定权重系数,无法反映不同生育期、不同环境条件下各参数重要性的动态变化。例如,玉米出苗期茎秆变化对缺水响应敏感,而大喇叭口期蒸发量对需水贡献最大,固定权重无法适应这种动态变化。
4、降雨利用预测不准,现有技术的降雨量预测未考虑土壤入渗过程的动态变化。土壤入渗速率随含水量变化而变化,干燥土壤入渗慢,湿润土壤入渗快,现有技术的固定入渗参数无法准确反映这一动态过程。
5、缺乏风险感知能力,现有技术采用确定性决策方式,未考虑气象预报误差和预测模型误差对决策的影响。在气象预报不确定性较高的场景下,确定性决策可能导致灌溉过量或灌溉不足的问题。
6、决策前瞻性不足,现有技术的灌溉决策主要基于当前状态触发,未考虑未来气象条件和作物需水趋势的协同影响,无法实现从“被动响应”到“主动预防”的决策模式转变。
7、因此,亟需一种技术方案,以解决现有技术中存在的上述问题。
技术实现思路
1、本发明旨在提供一种基于动态自适应与不确定性感知的旱地玉米智能补灌方法及系统,能够有效解决现有技术中动态适应性差、缺乏不确定性感知、决策前瞻性不足、模型无法自我优化的问题。
2、根据本发明的一方面,提供了一种基于动态自适应与不确定性感知的旱地玉米智能补灌方法,包括:
3、实时采集气象数据、土壤墒情数据和作物生理数据,评估气象预报精度和预测模型误差;
4、基于玉米当前生育期确定温度影响系数和生育期调节因子,结合历史决策反馈迭代更新实时权重调整系数,动态调整需水评估模型的权重系数,计算玉米需水-降雨耦合指数;
5、根据土壤实时含水量更新动态入渗时间常数,基于所述动态入渗时间常数计算预测可利用降雨量;
6、基于未来天气预报和作物系数预测未来时段的作物需水量,结合所述预测可利用降雨量计算水分盈亏预测值,生成气象-作物协同决策指数;
7、基于所述气象预报精度和长短期记忆神经网络预测模型误差计算综合不确定性权重,利用所述综合不确定性权重修正所述协同决策指数,根据修正后的决策指数执行分级补灌控制策略;
8、记录决策执行结果,并根据预测偏差评估决策效果,当偏差超过预设阈值时更新模型参数。
9、所述动态调整需水评估模型的权重系数包括:
10、动态权重系数包括茎秆直径变化率、蒸发量、作物温度的三组系数,每组动态权重系数由基础权重系数、生育期调节因子和实时权重调整系数的乘积确定;
11、所述生育期调节因子根据玉米所处的出苗期、拔节期、大喇叭口期、抽雄期、灌浆期或成熟期进行设定;
12、所述实时权重调整系数根据历史决策的反馈数据进行迭代更新。
13、根据一些实施例,所述预测可利用降雨量基于气象预报降雨量、土壤可入渗系数、植被截留系数以及所述动态入渗时间常数计算得出;
14、所述动态入渗时间常数随土壤当前含水量与田间持水量的差值动态更新,当土壤干燥时,动态入渗时间常数增大,入渗减慢;当土壤湿润时,动态入渗时间常数减小,入渗加快;
15、所述预测可利用降雨量pav的计算公式为:
16、
17、其中,为预测时刻的气象预报降雨量,ksoil为土壤可入渗系数,反映土壤当前状态对降雨入渗的阻碍程度,取值范围 0~1;kveg为植被截留系数,反映作物冠层对降雨的截留能力,取值范围 0~1,τinf(ti)为动态入渗时间常数。
18、所述动态入渗时间常数τinf(ti)通过以下公式实时更新:
19、
20、其中,为基础入渗时间常数,取值范围0.8~1.5小时;k为土壤质地衰减系数,θv(ti)为预测时刻土壤体积含水量,θfc为田间持水量。
21、根据一些实施例,所述气象-作物协同决策指数的生成过程包括:
22、计算反映当前需水风险的决策指数;
23、利用水分盈亏预测函数将未来时段的水分盈亏预测值转化为决策信号;
24、对所述决策指数和所述决策信号进行加权求和,得到所述协同决策指数;
25、其中,当水分盈亏预测值为水分盈余时,所述水分盈亏预测函数的输出值为负,以降低协同决策指数;
26、所述协同决策指数syndci通过以下公式计算:
27、
28、其中,cid为反映当前需水风险的决策指数,δwater为未来时段的水分盈亏预测值,synergy(δwater)为水分盈亏预测函数,为协同权重系数。
29、根据一些实施例,所述综合不确定性权重γ(t)通过以下公式计算:
30、γ(t) = 1 / (1 + σ forecast(t)² + σ lstm(t)²)
31、其中,σ forecast(t)为气象预报不确定性,σ lstm(t)为预测模型误差不确定性。
32、根据一些实施例,所述根据修正后的决策指数执行分级补灌控制策略,包括:
33、根据当前生育期设定对应的第一阈值和第二阈值,其中为正值,为负值;
34、当修正后的决策指数小于第二阈值时,判定无需灌溉或仅作预警提示;
35、当修正后的决策指数大于等于第二阈值且小于第一阈值时,执行微量补灌指令;
36、当修正后的决策指数大于等于第一阈值时,执行主动补灌策略。
37、根据本发明的另一方面,提出一种旱地玉米智能补灌系统,所述系统包括:
38、不确定性感知数据融合模块,用于通过气象监测传感器阵列、土壤墒情传感器阵列和作物生理传感器阵列实时采集多源数据,并基于滚动验证评估气象预报精度和长短期记忆神经网络预测模型误差;
39、动态自适应需水评估模块,用于根据玉米当前生育期确定温度影响系数和生育期调节因子,结合历史决策反馈迭代更新实时权重调整系数,通过动态权重系数计算玉米需水-降雨耦合指数;
40、动态入渗预测模块,用于根据土壤实时含水量更新动态入渗时间常数,计算预测可利用降雨量;
41、气象-作物协同决策模块,用于预测未来时段的作物需水趋势和降雨补充能力,用于计算水分盈亏预测值并生成协同决策指数;
42、不确定性感知决策执行模块,用于基于气象预报精度和预测模型误差计算综合不确定性权重,修正所述协同决策指数并执行分级补灌策略;
43、模型自优化模块,用于记录决策执行结果及对应的土壤水分实测值,对比预测偏差并在偏差超限时更新动态权重调整系数及协同权重系数。
44、根据一些实施例,所述系统还包括区域特征库,所述区域特征库存储有不同生态类型区的土壤质地参数、日需水量峰值、需水模系数和水分敏感指数;
45、所述动态自适应需水评估模块和动态入渗预测模块根据当前所在生态类型区调用所述区域特征库中的相应参数。
46、根据一些实施例,所述不确定性感知数据融合模块包括:
47、所述气象监测传感器阵列包括大气温度传感器、大气湿度传感器、风速传感器、太阳辐射传感器和蒸发量传感器,用于采集大气温度、湿度、风速、太阳辐射和蒸发量;
48、所述土壤墒情传感器阵列包括土壤体积含水量传感器、土壤温度传感器和土壤电导率传感器,按网格化方式布置于玉米根区不同深度,用于采集土壤体积含水量、温度和电导率;
49、所述作物生理传感器阵列包括茎秆直径变化传感器和叶面温度传感器,用于采集茎秆直径变化和叶面温度。
50、根据本发明的另一方面,提供一种计算设备,包括处理器;以及存储器,存储有计算机程序,当所述计算机程序被所述处理器执行时,实现如上任一项所述的方法。
51、本发明实施例提供的技术方案包括以下有益效果:
52、本发明通过实时采集多维数据并评估预报与模型误差,提升了灌溉决策的环境适应性。利用生育期因子与历史反馈动态调整权重,能够精准量化玉米需水与降雨的耦合关系,解决了传统模型参数固化的问题。通过土壤实时含水量更新动态入渗时间常数,提高了预测可利用降雨量的准确度,结合未来气象与作物系数生成协同决策指数,并引入综合不确定性权重进行修正,消除了单一预测源的不确定性干扰,增强了决策的鲁棒性。基于修正指数执行分级控制并闭环更新模型参数,实现了灌溉的按需精准供给与系统的自学习优化,提高了水资源利用率。
53、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com