一种基于物联网的高标准农田大数据管理方法和系统与流程
本技术涉及农田数据管理，尤其涉及一种基于物联网的高标准农田大数据管理方法和系统。
背景技术：
1、高标准农田大数据管理方法是智慧农业的核心技术之一，通过整合多源农田数据实现精细化管理控制。该方法可有效适配规模化农田生产需求，在提升粮食产能、节约水肥资源等方面具有广阔应用前景。
2、现有一种基于气象数据的高标准农田智能灌溉方法，通过融合区域气象预报数据与土壤墒情监测数据，生成灌溉时机与用水量建议，指导农户或自动设备开展灌溉作业。该技术已在北方干旱地区高标准农田中推广，用于缓解水资源短缺问题。
3、该现有方法仅聚焦气象与土壤水分维度，未考虑输水网络运行状态、地下水质量及作物养分需求等关键因素，导致灌溉调控与农田实际生产需求脱节，难以实现水肥协同优化与资源高效利用。因此，现有技术中存在农田管理无法兼顾多维度生产要素的技术问题。
技术实现思路
1、本技术目的是提供一种基于物联网的高标准农田大数据管理方法和系统，以解决现有技术中农田管理无法兼顾多维度生产要素的问题。
2、为解决上述技术问题，第一方面，本技术提供一种基于物联网的高标准农田大数据管理方法，包括：
3、确定高标准农田所属区域的地下水水质监测数据以及高标准农田的输水网络，所述输水网络包含开放式输水段与封闭式输水段，并服务于多个轮灌区；
4、基于部署在开放式输水段与封闭式输水段的物联网传感装置，同步感测非满管流与满管流的水流状态数据，并对所述水流状态数据进行融合解译，生成实时流量图，所述实时流量图覆盖整个输水网络并区分水源类型；
5、通过无人机搭载的成像设备采集高标准农田的作物冠层影像，并基于所述作物冠层影像中特定波段反射率的差异，确定不同轮灌区对应的作物氮素盈余状态；
6、建立以地下水氮素与作物氮素协同控制为优化目标的预测模型，将所述实时流量图、所述作物氮素盈余状态以及所述地下水水质监测数据作为模型输入，由所述预测模型进行滚动时域优化，求解未来预设时段内面向不同轮灌区的水肥操作参数，所述水肥操作参数包括灌溉时长与肥料注入速率；
7、根据所述水肥操作参数确定所述输水网络中的渠闸开度与施肥肥液配比，并生成对应的控制指令。
8、可选地，所述对所述水流状态数据进行融合解译，生成实时流量图，包括：
9、基于非满管流的水流状态数据中的水位信息，结合开放式输水段的横截面形态，计算所述开放式输水段的第一水流速度；
10、基于满管流的水流状态数据中的压力动态信息，结合封闭式输水段的管道物理属性，计算所述封闭式输水段的第二水流速度；
11、依据所述输水网络的拓扑连接关系建立节点水量平衡方程组，结合所述第一水流速度、所述第二水流速度及所有输水段的横截面积，求解出流向各轮灌区的实时水量，并追溯流向各轮灌区的水流源头，为所述实时水量标注水源类型；
12、整合所有所述实时水量及对应的所述水源类型，生成实时流量图。
13、可选地，所述预测模型是一个数学优化框架，其定义了作物氮素动态与地下水氮素迁移的动态关系、以最小化作物氮素亏缺与地下水氮素超标风险为协同优化目标的多目标函数、以及由输水网络流量能力与肥料供应总量构成的系统约束。
14、可选地，所述将所述实时流量图、所述作物氮素盈余状态以及所述地下水水质监测数据作为模型输入，由所述预测模型进行滚动时域优化，求解未来预设时段内面向不同轮灌区的水肥操作参数，包括：
15、在每个滚动优化的起始时刻，将最新的所述实时流量图、所述作物氮素盈余状态及所述地下水水质监测数据，作为所述预测模型进行未来预设时段模拟的初始状态与边界条件；
16、在所述预测模型的框架下，以未来预设时段内各轮灌区的灌溉时长与肥料注入速率为决策变量，求解所述预测模型中的多目标函数，以得到未来预设时段内的水肥操作参数序列；
17、基于所述水肥操作参数序列中对应当前时刻的参数，确定待执行的水肥操作参数；
18、到达下一个滚动优化时刻后，依据最新获取的数据更新所述预测模型的初始状态与边界条件，并重新进行所述求解与提取操作，实现水肥管理的滚动时域优化控制。
19、可选地，所述基于所述作物冠层影像中特定波段反射率的差异，确定不同轮灌区对应的作物氮素盈余状态，包括：
20、根据各轮灌区的范围，从所述作物冠层影像中分离出每个轮灌区对应的局部影像区域；
21、对于每个所述局部影像区域，分别获取所述局部影像区域在第一特征波长下的第一反射强度值和在第二特征波长下的第二反射强度值，所述第一特征波长与植物叶片对光的吸收特性相关，所述第二特征波长与植物内部结构特性相关；
22、根据不同轮灌区对应的所述局部影像区域之间所述第一反射强度值的差异，并结合各所述局部影像区域对应的所述第二反射强度值，构造氮素指标；
23、根据所述氮素指标所处的预设数值区间，判定对应的所述轮灌区的作物氮素盈余状态。
24、可选地，所述基于所述水肥操作参数序列中对应当前时刻的参数，确定待执行的水肥操作参数，包括：
25、基于所述水肥操作参数序列中对应当前时刻的参数，生成初始水肥指令；
26、获取输水网络的实时运行状态反馈；
27、若所述实时运行状态反馈满足预设的安全与可执行条件，则将所述初始水肥指令直接确定为待执行的水肥操作参数；
28、否则，依据所述实时运行状态反馈对所述初始水肥指令进行修正，并将修正后的初始水肥指令确定为待执行的水肥操作参数。
29、可选地，所述根据所述水肥操作参数确定所述输水网络中的渠闸开度与施肥肥液配比，并生成对应的控制指令，包括：
30、根据各轮灌区对应的灌溉时长和水流速度，计算各供水路径所需通过的水体总量；
31、基于所述水体总量与各供水路径关键控制点的过流截面信息，确定各所述关键控制点的目标渠闸开度，并生成对应的第一控制指令；
32、根据各轮灌区对应的肥料注入速率与实时水量，查询预设的配比关系，确定各施肥单元的肥液混合比例，并生成对应的第二控制指令；
33、汇总所有所述第一控制指令与所述第二控制指令，并附加执行时间信息，形成最终的控制指令。
34、第二方面，本技术提供了一种基于物联网的高标准农田大数据管理系统，包括：
35、第一确定模块，用于确定高标准农田所属区域的地下水水质监测数据以及高标准农田的输水网络，所述输水网络包含开放式输水段与封闭式输水段，并服务于多个轮灌区；
36、第一生成模块，用于基于部署在开放式输水段与封闭式输水段的物联网传感装置，同步感测非满管流与满管流的水流状态数据，并对所述水流状态数据进行融合解译，生成实时流量图，所述实时流量图覆盖整个输水网络并区分水源类型；
37、第二确定模块，用于通过无人机搭载的成像设备采集高标准农田的作物冠层影像，并基于所述作物冠层影像中特定波段反射率的差异，确定不同轮灌区对应的作物氮素盈余状态；
38、求解模块，用于建立以地下水氮素与作物氮素协同控制为优化目标的预测模型，将所述实时流量图、所述作物氮素盈余状态以及所述地下水水质监测数据作为模型输入，由所述预测模型进行滚动时域优化，求解未来预设时段内面向不同轮灌区的水肥操作参数，所述水肥操作参数包括灌溉时长与肥料注入速率；
39、第二生成模块，用于根据所述水肥操作参数确定所述输水网络中的渠闸开度与施肥肥液配比，并生成对应的控制指令。
40、第三方面，本技术提供了一种电子设备，包括：
41、存储器，用于存储计算机程序；
42、处理器，用于执行所述计算机程序时实现如上述第一方面所述的基于物联网的高标准农田大数据管理方法的步骤。
43、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时能够实现如上述第一方面所述的基于物联网的高标准农田大数据管理方法的步骤。
44、本技术所提供的基于物联网的高标准农田大数据管理方法，通过确定地下水水质数据及输水网络，明确农田基础管理控制对象与范围，为后续精准调控提供数据与场景支撑；通过物联网传感装置感测并融合水流状态数据生成实时流量图，实现全输水网络水流状态可视化，精准区分水源类型以保障用水合理性；无人机采集影像并判定作物氮素盈余状态，快速获取各轮灌区作物养分情况，为水肥适配提供依据；构建预测模型并优化求解水肥操作参数，实现水肥协同精准调控，适配不同轮灌区需求；根据参数确定渠闸开度与肥液配比并生成控制指令，将调控方案落地为具体操作，保障管理控制高效执行。
45、进一步地，结合非满管流水位信息与开放式输水段横截面形态计算第一水流速度，再依据满管流压力动态信息与封闭式输水段管道物理属性计算第二水流速度，随后基于输水网络拓扑关系建立节点水量平衡方程组，结合两类水流速度及输水段横截面积求解各轮灌区实时水量并标注水源类型，最终整合数据生成实时流量图。此方法可精准计算不同输水段水流速度，结合网络拓扑关系与水量平衡原理，确保各轮灌区实时水量数据精准度，同时清晰追溯水源类型，为后续水肥调控提供更可靠的流量数据支撑，提升实时流量图的实用性与准确性。