一种农业大数据水肥需求预测方法及系统与流程

本发明涉及智能灌溉，尤其涉及一种农业大数据水肥需求预测方法及系统。

背景技术：

1、在农业生产中，田间水肥管理是影响作物生长质量和产量的关键环节，随着农业现代化的推进，利用农业大数据与智能灌溉技术进行水肥需求预测，对于提升水肥利用效率、降低农业生产成本具有重要意义，然而，田间环境复杂多变，水分与养分的运移不仅受气象、作物冠层等宏观因素影响，更与土壤深层物理结构及管网水动力学特性密切相关，公布号为cn120561557b的专利公开了一种基于物联网的田间水肥智能控制方法，其通过对待控制田间作物进行图像采集，并采集当前田间土壤的指定水肥数据与气象预测数据，利用云端服务器识别作物种类及其生长阶段，进而调用对应作物的基础水肥参数库生成初始水肥控制方案，同时，其创建土壤水肥预测模型对变化趋势进行预测，并结合生长周期特征制定动态水肥控制方案；

2、现有技术通常仅依赖点位传感器采集宏观的土壤湿度和养分数据，其默认土壤为均匀介质，未能有效探测和量化土壤内部拓扑结构的变化，当土壤因干湿交替发育出裂缝或大孔隙时，含盐水肥会直接沿通道快速向深层漏失，产生严重的优先渗漏现象，而现有方法无法感知这种微观介质的畸变，导致预测输入的基础数据缺失了关键的物理边界条件，现有的预测模型多采用长短期记忆网络等整数阶深度学习架构，此类纯数据驱动的模型缺乏对底层物理过程的约束，无法准确表征水肥在发育有裂缝的劣变土壤中运移时所具有的强烈毛细迟滞作用与非菲克长尾记忆效应，这种固定的记忆机制难以自适应地响应不同漏失严重程度下的动态动力学特性，现有技术缺乏对管网运行状态与土壤反馈阻力的动态解耦分析能力，无法从混杂着水泵电机脉动和管道共振的高频机械噪声中，剥离出表征低频动力学特征的土壤回吸等效压强，从而无法将其作为关键的物理约束项引入到大数据的时序预测中，最终导致水肥需求预测精度不足，在面对突发性水肥漏失时往往存在严重的控制滞后。

技术实现思路

1、本发明解决的技术问题是：现有技术难以在土壤内部结构发生畸变，如裂缝发育引发优先渗漏及灌溉管网存在复杂机械扰动的情况下，探测介质拓扑异常并提取表征水分运移长尾记忆效应的物理约束参数，且传统基于整数阶的纯数据驱动模型无法自适应调整历史水分流失对当前需求的记忆权重，导致在复杂田间工况下水肥需求预测精度不足、无法及时有效阻断深层漏失的问题。

2、为解决上述技术问题，本发明提供如下技术方案：一种农业大数据水肥需求预测方法，包括如下步骤：

3、步骤s1，采集电压数据和水压数据；

4、步骤s2，基于所述电压数据和预存的灵敏度转置矩阵，获取异常分布敏感度向量；

5、步骤s3，将所述异常分布敏感度向量按空间节点的三维坐标排列，计算沿深度方向相邻节点异常分布敏感度值的差分绝对值之和作为各竖直列的总敏感度变化量，取所有竖直列的总敏感度变化量中的最大值作为畸变梯度；

6、步骤s4，基于所述畸变梯度，通过构建畸变梯度至分数阶阶次的单调映射，计算分数阶阶次；

7、步骤s5，将所述水压数据输入第一观测器获取第一水压，将所述第一水压输入第二观测器获取土壤回吸等效压强，所述第二观测器的积分阶次由所述分数阶阶次确定；基于所述土壤回吸等效压强计算目标负压峰值；

8、步骤s6，以所述分数阶阶次，结合所述土壤回吸等效压强构建并训练分数阶长短期记忆网络预测模型，输出下一周期的水肥需求预测量。

9、进一步地，所述步骤s1包括如下子步骤：

10、步骤s101，通过探针阵列采集电压数据，并构建电压矩阵；

11、步骤s102，通过压力传感器采集水压数据。

12、进一步地，所述步骤s2包括如下子步骤：

13、步骤s201，将所述差分电压矩阵中剔除对角线元素后的有效元素拉伸为列向量，作为电位异常向量；

14、步骤s202，将预存的灵敏度转置矩阵与所述电位异常向量相乘，获取异常特征分布向量；

15、步骤s203，将所述异常特征分布向量与预存的静态基准电势向量进行哈达玛积运算，并对运算结果进行中值滤波，获取异常分布敏感度向量。

16、进一步地，所述步骤s3包括如下子步骤：

17、步骤s301，基于预存的索引坐标映射表，将所述异常分布敏感度向量中的各元素与空间节点的三维坐标关联排列；

18、步骤s302，将探测区域按垂直坐标划分为多个竖直列，对于每个竖直列，计算沿深度方向相邻节点异常分布敏感度值的差分绝对值之和，作为该列的总敏感度变化量；

19、步骤s303，取所有竖直列的总敏感度变化量中的最大值作为畸变梯度。

20、进一步地，所述步骤s4包括如下子步骤：

21、步骤s401，构建畸变梯度至分数阶阶次的单调映射关系；

22、步骤s402，并基于所述单调映射关系计算与所述畸变梯度对应的分数阶阶次，所述分数阶阶次的取值在(0,1)区间内。

23、进一步地，所述步骤s5包括如下子步骤：

24、步骤s501，将所述水压数据输入第一观测器，输出第一水压；

25、所述第一观测器采用整数阶扩张状态观测器结构；

26、所述第一观测器在每个水压控制周期内，根据当前时刻采集的水压数据、上一周期的状态变量值以及当前时刻的阀门控制量，通过离散时间状态更新方程计算下一周期的状态变量值。

27、进一步地，所述步骤s5还包括如下子步骤：

28、步骤s502，将所述第一水压输入第二观测器，输出土壤回吸等效压强，所述第二观测器采用分数阶扩张状态观测器结构。

29、进一步地，所述步骤s5还包括如下子步骤：

30、步骤s503，基于所述土壤回吸等效压强计算负压变化量，并结合管网稳态运行基准压力获取目标负压峰值；

31、所述负压变化量由水击压力项、重力势能项和土壤回吸等效压强三部分相加得到；

32、所述目标负压峰值为所述管网稳态运行基准压力与所述负压变化量的差值。

33、步骤s504，基于所述目标负压峰值和所述第二观测器的状态估计值计算阀门控制量。

34、进一步地，所述步骤s6包括如下子步骤：

35、步骤s601，采集气象数据、作物冠层数据以及历史灌溉量，构建多维农业大数据时序序列；

36、步骤s602，将所述分数阶阶次作为记忆遗忘因子的指数，嵌入长短期记忆网络的细胞状态更新方程中，构建分数阶长短期记忆网络模型；

37、步骤s603，将所述土壤回吸等效压强作为物理约束项加入所述分数阶长短期记忆网络模型的损失函数中；

38、步骤s604，将所述多维农业大数据时序序列输入训练后的所述分数阶长短期记忆网络模型，输出下一周期的水肥需求预测量。

39、一种农业大数据水肥需求预测系统，包括：

40、采集模块，用于采集电压数据和水压数据；

41、异常探测模块，用于基于所述电压数据和预存的灵敏度转置矩阵，获取异常分布敏感度向量；

42、梯度计算模块，用于将所述异常分布敏感度向量按空间节点的三维坐标排列，计算沿深度方向相邻节点异常分布敏感度值的差分绝对值之和作为各竖直列的总敏感度变化量，取所有竖直列的总敏感度变化量中的最大值作为畸变梯度；

43、阶次映射模块，用于基于所述畸变梯度，通过构建畸变梯度至分数阶阶次的单调映射，计算分数阶阶次；

44、压强估计模块，用于将所述水压数据输入第一观测器获取第一水压，将所述第一水压输入第二观测器获取土壤回吸等效压强，所述第二观测器的积分阶次由所述分数阶阶次确定；基于所述土壤回吸等效压强计算目标负压峰值；

45、需求预测模块，用于以所述分数阶阶次，结合所述土壤回吸等效压强构建并训练分数阶长短期记忆网络预测模型，输出下一周期的水肥需求预测量。

46、本发明的有益效果为：本发明构建了双阶次扩张状态观测器架构，利用无历史积分记忆的整数阶观测器快速吸收水泵脉动等高频机械噪声，并借助由oustaloup滤波器近似的分数阶观测器精准提取具有低频长尾记忆特性的土壤回吸等效压强，本发明将物理探测获得的分数阶阶次直接嵌入长短期记忆网络的细胞状态更新方程中作为导数算子，使得模型能够根据当前土壤裂缝的动态发育程度，自适应地调整历史灌溉与水分流失对当前预测的记忆权重，本发明将提取的土壤回吸等效压强作为物理约束项纳入损失函数中，在模型训练时对忽略土壤劣变与保水能力下降的预测偏差施加额外惩罚。