一种基于边缘数据传输的全周期大豆水肥智能管理方法与流程

本发明涉及水肥智能管理的领域，尤其涉及一种基于边缘数据传输的全周期大豆水肥智能管理方法。

背景技术：

1、当前，大豆水肥管理正由经验驱动向数据驱动与模型驱动并行演进，传统管理方式多依据农户经验、固定历或少量土壤养分指标开展追肥与灌溉作业，难以适配开放农田环境下时空异质性强、天气波动大、土壤质地差异显著的生产场景。近年来，基于冠层光谱、植被指数、叶绿素含量、热红外特征、土壤墒情及气象信息的作物营养诊断方法得到广泛应用，人工智能算法也被用于识别作物缺水、缺肥及逆境胁迫状态，为变量施肥、精准灌溉提供了技术支撑。然而，现有方法在田间实际应用中仍存在胁迫判别机理缺失、相似表型难以区分、边缘端实时性不足等关键问题，制约了智能水肥管理技术的落地效果。

2、现有智能水肥管理方法多依赖冠层“黄化—光合下降—生长减弱”类表型信号推断氮素营养状态，易默认叶片失绿与长势衰退主要由氮素不足引起，存在较强误判风险。在大豆开花至鼓粒关键生育期，易渍地块、低洼田块或强降雨后排水不畅区域常发生阶段性渍害，土壤孔隙充水导致氧扩散受限，根系呼吸受抑、根毛活性下降，氮素吸收能力减弱，同时根瘤因缺氧固氮效率降低，最终表现出与真实根区氮亏缺高度相似的冠层黄化、光合减弱、长势衰退等表型。这种 “表型趋同、机理迥异” 的现象，使得仅依赖冠层光谱或单一长势信号的方法难以准确判别胁迫来源，易将渍害诱导的假性缺氮误判为真实氮亏缺，进而错误触发追肥决策。在根区缺氧状态下施入氮肥，不仅难以被作物有效吸收，还会加重养分损失、降低肥料利用率，并可能抑制根瘤固氮过程，对根际氮循环造成二次干扰，影响大豆产量与品质。此外，现有方法多依赖云端集中式处理，感知数据传输延迟高，难以满足田间动态管控的实时性需求，且缺乏将农学机理与数据驱动模型结合的约束机制，判别结果的农学合理性不足。

3、专利cn112700035b公开了一种区域尺度农作物分区水肥管理模式的优化方法，该方法通过构建区域空间属性数据库，建立灌溉模式下的水氮耦合生产函数模型与区域水肥管理优化模型，结合水肥耦合试验获取模型参数，实现了区域水肥管理模式的分区优化。该方法通过数学模型量化水肥管理对农作物产量的互作影响，为区域尺度水肥管理优化提供了理论支撑，对农业生态系统的可持续发展具有积极意义，但该方法更侧重于区域尺度的宏观优化，未针对开放农田中表型趋同的不同胁迫类型开展机理区分，难以解决田间精细化管控中的关键问题。

4、针对该问题，本发明提出一种基于边缘数据传输的全周期大豆水肥智能管理方法，将作物渍害生理机制与人工智能算法相结合，提升相似表型背后差异机理的辨识能力，提高田间管理决策准确率，减少误施肥、误灌溉和无效作业，提升氮肥利用效率和灌排效率。

技术实现思路

1、本发明提出一种基于边缘数据传输的全周期大豆水肥智能管理方法，s1步骤通过对大豆种植区域进行网格精细化划分，并对多源感知数据实施时空配准、缺失补全与关键生育期筛选，能够规整多源异构数据维度与时序基准，精准保留大豆开花至鼓粒关键生育期有效观测信息，实现全域作物生长与环境数据的标准化规整；s2步骤通过分层提取根区环境、土壤供氮、冠层长势三类差异化特征并耦合构建胁迫分离特征向量，能够深度挖掘地下环境、养分供给与地上作物表型的耦合关联，实现相似缺氮表型的特征解耦，解决传统单一表型特征无法区分假性缺氮与真实氮亏缺、胁迫特征辨识度低的技术问题；s3步骤通过边缘端部署机理约束双分支判别模型，对胁迫特征实施农学机理校核与双路径概率非线性判别，能够约束违背作物生长规律的异常特征输出，实现两类胁迫的精准概率化判定；s4步骤通过构建动态管理阈值，分类型触发排水、补氮差异化作业分支策略，能够适配田间区域工况差异实现靶向水肥管控，构建感知-判别-决策的闭环管理体系。

2、为实现上述目的，本发明提供的一种基于边缘数据传输的全周期大豆水肥智能管理方法，包括以下步骤：

3、s1：将大豆种植区域划分为多个地块网格，采集不同地块网格中大豆全周期的多源环境与作物生长感知数据，并对所采集数据进行时间对齐、空间配准、空值填充以及生育期筛选处理，得到地块网格的标准化观测数据；

4、s2：基于所述地块网格的标准化观测数据，提取地块网格的根区环境特征、土壤供氮特征与冠层长势特征，根据所提取特征，计算得到地块网格的胁迫分离特征向量；

5、s3：将所述地块网格的胁迫分离特征向量传输至部署在边缘端的双分支判别模型，利用双分支判别模型对所述胁迫分离特征向量进行机理约束校核以及概率判定，得到所述地块网格的胁迫判定结果；

6、s4：将所有地块网格的胁迫判定结果构建为胁迫判定清单，并计算得到所述胁迫判定清单的动态管理阈值，按照所述动态管理阈值生成地块网格中排水分支以及补氮分支的执行策略，根据执行策略对地块网格的大豆进行水肥管理。

7、作为本发明的进一步改进方法：

8、进一步地，所述s1步骤中将大豆种植区域划分为多个地块网格，采集不同地块网格中大豆全周期的多源环境与作物生长感知数据，包括：

9、s11：按照空间均匀性原则，将所述大豆种植区域划分为若干规则、空间连续且互不重叠的地块网格，以地块网格作为最小管理单元与数据单元；

10、s12：在所述地块网格中部署边缘感知层，所述边缘感知层按照预设周期同步采集达州全周期的多源环境与作物生长感知数据，其中边缘感知层由冠层多光谱传感器、冠层热红外传感器、叶片叶绿素传感器以及土壤传感器组成，设置边缘感知层中的传感器具有相同的采样频率；

11、所述多源环境与作物生长感知数据包含冠层光谱反射率时序数据、冠层温度时序数据、叶片叶绿素含量时序数据以及根区土壤环境参数时序数据，所述根区土壤环境参数时序数据包含作物根区的土壤体积含水率时序数据、氧化还原电位时序数据、硝态氮浓度时序数据及铵态氮浓度时序数据。

12、进一步地，所述s1步骤中对多源环境与作物生长感知数据进行时间对齐、空间配准、空值填充以及生育期筛选处理，得到地块网格的标准化观测数据，还包括：

13、s13：按照数据采集时刻对多源环境与作物生长感知数据中的采集数据进行时间对齐，得到数据长度一致且时间对齐的多源环境与作物生长感知数据；

14、s14：以地块网格编号作为多源环境与作物生长感知数据中任意时序数据的唯一空间标识；

15、s15：采用线性插值方式对多源环境与作物生长感知数据中的空值进行插值补全，得到时间对齐、空间配准、空值填充后的多源环境与作物生长感知数据；

16、s16：从所述时间对齐、空间配准、空值填充后的多源环境与作物生长感知数据筛选处于开花期至鼓粒期的冠层光谱反射率时序数据、冠层温度时序数据、叶片叶绿素含量时序数据以及根区土壤环境参数时序数据，将所筛选数据作为地块网格的标准化观测数据。

17、进一步地，所述s2步骤中提取地块网格的根区环境特征、土壤供氮特征与冠层长势特征，包括：

18、s21：获取所述地块网格的标准化观测数据，提取所述标准化观测数据中作物根区的土壤体积含水率时序数据以及氧化还原电位时序数据，对所述土壤体积含水率时序数据以及氧化还原电位时序数据进行滑动窗口处理，并计算得到所述地块网格在各数据采集时刻的高湿占比系数以及低氧占比系数；

19、s22：通过对所述高湿占比系数以及低氧占比系数进行耦合处理，得到所述地块网格在各数据采集时刻的根区缺氧系数，按照数据采集时刻对所述根区缺氧系数进行排序，构成所述地块网格的根区环境特征；

20、s23：提取所述标准化观测数据中作物根区的硝态氮浓度时序数据及铵态氮浓度时序数据，计算得到所述地块网格在各数据采集时刻的瞬时有效氮，对所述地块网格在各数据采集时刻的瞬时有效氮进行指数加权平滑以及饱和映射处理，得到所述地块网格的土壤供氮特征；

21、s24：提取所述标准化观测数据中冠层光谱反射率时序数据、冠层温度时序数据以及叶片叶绿素含量时序数据，并对所述冠层温度时序数据以及叶片叶绿素含量时序数据进行滑动窗口处理，依次分别计算得到地块网格在各数据采集时刻的失绿光谱指数、冠层热异常指数以及叶绿素衰减指数；

22、具体地，所述地块网格在数据采集时刻的失绿光谱指数、冠层热异常指数以及叶绿素衰减指数的计算公式为：

23、；

24、；

25、；

26、其中，依次分别表示地块网格在数据采集时刻的失绿光谱指数、冠层热异常指数以及叶绿素衰减指数，时序数据中第n个数据的数据采集时刻为，依次分别表示地块网格在数据采集时刻所采集的冠层在绿光波段、红光波段、红边波段以及近红外波段的光谱反射率，依次分别表示地块网格在数据采集时刻的冠层温度以及叶片叶绿素含量，表示数据采集时刻至数据采集时刻的冠层温度序列，表示数据采集时刻至数据采集时刻的叶片叶绿素含量序列，表示序列的中位数，表示序列的中位数绝对偏差，表示序列中的最大值；

27、s25：对所述失绿光谱指数、冠层热异常指数以及叶绿素衰减指数进行指数融合，得到所述地块网格在各数据采集时刻的冠层长势指数，按照数据采集时刻对所述冠层长势指数进行排序，构成所述地块网格的冠层长势特征。

28、具体地，所述地块网格在数据采集时刻的冠层长势指数计算公式为：

29、；

30、其中，表示地块网格在数据采集时刻的冠层长势指数。

31、进一步地，s2步骤中根据所述根区环境特征、土壤供氮特征与冠层长势特征，计算得到地块网格的胁迫分离特征向量，包括：

32、获取所述根区环境特征、土壤供氮特征与冠层长势特征，并逐一计算地块网格在数据采集时刻的胁迫分离特征，按照数据采集时刻对所述胁迫分离特征进行排序，并将排序结果与所述土壤供氮特征进行拼接，构成地块网格的胁迫分离特征向量，所述胁迫分离特征向量的构成公式为：

33、；

34、；

35、其中，表示地块网格的胁迫分离特征向量，依次分别表示地块网格从数据采集时刻至的胁迫分离特征，表示地块网格在数据采集时刻的胁迫分离特征，，时序数据中第n个数据的数据采集时刻为，n表示时序数据的长度，表示地块网格在数据采集时刻的根区缺氧系数，表示地块网格的土壤供氮特征，表示地块网格在数据采集时刻的冠层长势指数，表示加权系数。

36、进一步地，所述s3步骤中利用双分支判别模型对所述胁迫分离特征向量进行机理约束校核以及概率判定，包括：

37、s31：所述双分支判别模型包括公共特征映射层、机理约束校核模块以及双判别分支，公共特征映射层接收胁迫分离特征向量，并对所述胁迫分离特征向量中排序后的胁迫分离特征进行时序聚合以及特征压缩处理，得到融合特征；

38、s32：机理约束校核模型从所述胁迫分离特征向量中提取土壤供氮特征，按照机理约束规则对所述融合特征进行约束，得到约束后假性缺氮融合特征以及约束后真实氮亏缺融合特征，将所述约束后假性缺氮融合特征以及约束后真实氮亏缺融合特征分别输入至双判别分支中的假性缺氮判别分支以及真实氮亏缺判别分支；

39、s33：所述双判别分支通过非线性变换处理，分别输出假性缺氮发生概率以及真实氮亏缺发生概率，结合预设概率阈值对所述假性缺氮发生概率以及真实氮亏缺发生概率进行胁迫判定，得到所述地块网格的胁迫类型以及胁迫类型对应的发生概率，将所述胁迫类型以及胁迫类型对应的发生概率作为地块网格的胁迫判定结果，其中胁迫类型包括渍害诱导假性缺氮、真实根区氮亏缺以及正常生长，渍害诱导假性缺氮对应的发生概率为假性缺氮发生概率，真实根区氮亏缺对应的发生概率为真实氮亏缺发生概率。

40、进一步地，所述s4步骤中将所有地块网格的胁迫判定结果构建为胁迫判定清单，并计算得到所述胁迫判定清单的动态管理阈值，包括：

41、计算胁迫类型为渍害诱导假性缺氮的地块网格的假性缺氮发生概率均值，并计算假性缺氮发生概率均值与排水阈值偏移量之和，作为动态排水管理阈值；

42、计算胁迫类型为真实根区氮亏缺的地块网格的真实氮亏缺发生概率均值，并计算真实氮亏缺发生概率均值与补氮阈值偏移量之和，作为动态补氮管理阈值；

43、将所述动态排水管理阈值以及动态补氮管理阈值作为胁迫判定清单的动态管理阈值。

44、进一步地，s4步骤中按照所述动态管理阈值生成地块网格中排水分支以及补氮分支的执行策略，包括：

45、s41：对于胁迫类型为渍害诱导假性缺氮的地块网格，若该地块网格的假性缺氮发生概率高于动态排水管理阈值，则启动排水分支，执行田间排水、改善根区通气的作业策略，不触发补氮操作；

46、s42：对于胁迫类型为真实根区氮亏缺的地块网格，若该地块网格的真实根区氮亏缺发生概率高于动态补氮管理阈值，则启动补氮分支，执行补充土壤有效氮的作业策略，不触发排水操作。

47、相对于现有技术，本发明提出一种基于边缘数据传输的全周期大豆水肥智能管理方法，该技术具有以下有益效果：

48、首先，所述胁迫分离特征的计算公式采用线性加权结构，计算简便、易于边缘端落地，通过构建冠层长势与土壤供氮的差值项，并结合根区缺氧状态，量化三者耦合关系，所得胁迫分离特征向量可直观区分胁迫成因：土壤供氮充足而冠层胁迫显著时对应渍害诱导假性缺氮，土壤供氮不足且伴随冠层胁迫时对应真实氮亏缺，最终实现两类胁迫的特征解耦，为胁迫类型精准判别提供依据。

49、同时，本发明基于全域地块网格的胁迫结果构建动态管理阈值，摒弃传统固定阈值一刀切的管控模式，依托整体胁迫概率分布自适应生成排水、补氮专属的动态排水管理阈值以及动态补氮管理阈值，结合固定偏移量优化容错区间，有效适配田间复杂差异化工况，提升阈值判定的地块网格适配性与合理性。同时本发明通过分类型、分阈值精准触发对应作业分支，实现渍害假性缺氮专属排水治理、真实氮亏缺专属补氮治理的靶向管控，避免两类胁迫误判导致的错配作业问题，有效杜绝盲目排水、盲目补氮现象，减少水肥资源浪费，精准匹配大豆关键生育期生长需求，显著提升田间水肥管理的精细化、智能化与科学性。