基于AI的农业智慧种植精准农事作业管理系统的制作方法

本发明涉及智慧农业与人工智能交叉，具体涉及基于ai的农业智慧种植精准农事作业管理系统。

背景技术：

1、精准农业的核心理念在于根据农田内部的空间异质性和作物生长的时序差异性实施差异化管理，以最小的资源投入获取最优的产量和品质产出。近年来，卫星遥感技术、地面物联网传感器网络和气象预报技术的快速发展为农田环境和作物状态的实时感知提供了丰富的数据来源，人工智能技术尤其是深度学习方法的突破则为海量农业数据的分析挖掘提供了强大的计算工具。

2、然而，现有智慧农业管理系统在数据融合层面普遍缺乏有效的时空对齐机制。卫星遥感影像的像素级空间信息与地面传感器的点位时序数据之间存在显著的空间尺度不匹配和时间采样频率不一致问题，多数系统仅将异源数据进行简单的格式统一与拼接，未能建立统一时空坐标下的深层融合表示，导致遥感数据中的大面积作物长势信息与传感器数据中的原位土壤环境信息无法在同一语义空间内相互解释和补充。在作物生长预测层面，现有模型或依赖单一遥感植被指数进行长势监测，或采用统计回归方法建立环境因子与产量的经验关系，前者仅反映冠层光谱特征而无法解析作物内部的养分积累与器官分化进程，后者则忽视了作物生长过程的时间连续性，将各生长阶段的预测视为彼此独立的任务，无法捕捉前期环境胁迫对后期产量形成的滞后性影响。在农事作业调度层面，现有系统的决策输出以单一的灌溉处方或施肥处方为主，缺乏在多维目标约束下进行系统化决策的能力，产量提升、品质改善、资源节约和环境排放控制等多重目标之间存在复杂的竞争与权衡关系，单一目标驱动的调度方案往往以牺牲其他目标为代价。此外，预测模型与调度决策在现有系统中通常作为独立模块运行，预测结果仅用于信息展示，调度决策则基于当前观测数据独立生成，预测信息中的趋势性提示和不确定性估计无法有效传导至调度决策环节，导致系统在面对天气突变等异常情况时缺乏预见性和自适应调整能力。

技术实现思路

1、鉴于以上现有技术的缺点，本发明的目的在于提供基于ai的农业智慧种植精准农事作业管理系统，用于解决作物生长预测精度不足及农事调度缺乏多目标优化机制的问题。通过时空融合模块将卫星遥感、地面传感器、气象等多源农田数据在统一时空网格中对齐与特征融合，形成多模态融合表示信号；生长预测模块利用时序与空间双重注意力预测模型，结合历史融合特征与未来气象预测信号，生成包含叶面积指数、生物量、产量等多维指标的作物生长状态预测信号；调度决策模块基于多目标优化动态调度算法，以预测信号为输入，在产量、品质、资源效率和环境排放目标之间求解帕累托前沿并生成农事作业调度方案信号，由执行监控模块输出灌溉、施肥和施药指令并依据作业反馈触发动态重调度。

2、本发明提供基于ai的农业智慧种植精准农事作业管理系统，包括：

3、数据采集模块，实时采集目标地块的卫星遥感影像信号、地面传感器信号、气象数据信号和田间管理记录信号，形成多源农田数据信号；

4、时空融合模块，接收多源农田数据信号，通过预设多模态融合模型将异源数据在统一的时空网格中进行对齐与特征融合，形成多模态融合表示信号；

5、生长预测模块，接收多模态融合表示信号以及未来气象预测信号，通过预设的时序与空间双重注意力预测模型生成作物生长状态预测信号；

6、调度决策模块，接收作物生长状态预测信号，通过基于多目标优化的动态调度算法生成农事作业调度方案信号；

7、执行监控模块，接收农事作业调度方案信号，向作业终端输出灌溉指令信号、施肥指令信号和施药指令信号，并接收作业终端返回的作业执行反馈信号，将作业执行反馈信号传输至调度决策模块以触发动态重调度。

8、在本发明的一个实施例中，数据采集模块包括卫星遥感影像获取单元、地面传感器采集单元、气象数据获取单元和田间管理记录录入单元，卫星遥感影像获取单元通过接入卫星遥感数据平台获取目标地块在各波段的多光谱影像序列，地面传感器采集单元通过部署于目标地块内的土壤温度传感器、土壤湿度传感器、土壤电导率传感器、光照强度传感器、空气温度传感器和空气湿度传感器分别采集土壤温度值、土壤湿度值、土壤电导率值、光照强度值、空气温度值和空气湿度值，气象数据获取单元通过接入气象数据服务平台获取目标地块所在区域的降水量、风速、大气压和太阳辐射通量，田间管理记录录入单元获取目标地块的灌溉量记录、施肥品种与用量记录、耕作时间记录和农机作业轨迹记录，数据采集模块对上述各数据源的数据附加空间坐标标签和时间戳标签，组装为多源农田数据信号。

9、在本发明的一个实施例中，预设多模态融合模型包括时空对齐层、分通道特征提取层和跨模态注意力融合层，时空对齐层将多源农田数据信号中的卫星遥感影像数据、地面传感器数据、气象数据和田间管理记录数据统一映射至以目标地块边界为空间范围、以作物播种日期为时间原点的时空参考系，在空间维度上将各数据源的空间坐标转换至统一的空间参考系并以预设分辨率的网格单元进行聚合，在时间维度上对各数据源的时间序列按预设时间步长进行重采样以对齐至统一的时间轴，形成多维张量数据，分通道特征提取层将多维张量数据按遥感通道、地面传感器通道和气象通道分别输入对应的特征提取子网络，其中遥感通道采用三维卷积神经网络沿空间网格和时间步进行时空联合特征提取，地面传感器通道采用门控循环单元网络处理各传感器的多变量时间序列，气象通道采用门控循环单元网络处理气象网格单元的多变量时间序列，各通道输出的特征向量经层归一化后拼接为多通道特征矩阵，跨模态注意力融合层计算遥感特征与气象特征之间的注意力权重矩阵以及地面传感器特征与气象特征之间的注意力权重矩阵，通过加权求和获得交叉模态表示向量，将交叉模态表示向量与多通道特征矩阵拼接后经全连接层降维，输出多模态融合表示信号。

10、在本发明的一个实施例中，跨模态注意力融合层中计算遥感特征与气象特征之间的注意力权重矩阵的具体过程为：将遥感特征向量经第一线性投影矩阵变换为遥感查询向量，将气象特征向量经第二线性投影矩阵变换为气象键向量和气象值向量，计算遥感查询向量与气象键向量的点积相似度，将点积相似度除以气象键向量维度的平方根进行缩放，对缩放后的相似度矩阵应用归一化指数函数得到归一化注意力权重，归一化注意力权重表示目标地块各空间位置上的遥感观测特征与各气象网格单元的气象条件之间的关联程度，以归一化注意力权重对气象值向量进行加权求和，生成遥感与气象的交叉模态表示向量，同时计算地面传感器特征与气象特征之间的注意力权重矩阵时，将地面传感器特征向量经第三线性投影矩阵变换为传感器查询向量，以气象键向量和气象值向量为共享键值对，计算传感器查询向量与气象键向量的点积相似度并经缩放和归一化指数函数映射得到地面传感器与气象的归一化注意力权重，以该权重对气象值向量加权求和生成地面传感器与气象的交叉模态表示向量，注意力权重矩阵的计算公式如下：

11、

12、其中，为遥感-气象注意力权重矩阵，为归一化指数函数，为查询投影矩阵，为遥感特征矩阵，为键投影矩阵，为气象特征矩阵，为矩阵转置，为键向量维度，为偏置矩阵。

13、在本发明的一个实施例中，预设的时序与空间双重注意力预测模型采用编码器与解码器堆叠的网络结构，编码器接收多模态融合表示信号并将多模态融合表示信号沿时间维度展开为特征序列，编码器由多层时序自注意力层和多层前馈网络层交替堆叠构成，每层时序自注意力层对特征序列中的每一个时间步位置分别经线性投影生成查询向量、键向量和值向量，计算序列内任意两个时间步位置之间查询向量与键向量的点积相似度，经归一化指数函数映射为时序自注意力权重，时序自注意力权重表示历史特征序列中各时间步对当前时间步生长状态预测的相对重要程度，以时序自注意力权重对值向量进行加权求和后经残差连接和层归一化处理输出编码器隐藏状态，解码器接收编码器隐藏状态和未来气象预测信号，解码器由多层跨注意力层构成，每层跨注意力层以未来气象预测信号经线性投影生成的查询向量为查询，以编码器隐藏状态经线性投影生成的键向量和值向量为键值对，计算未来气象条件与历史生长特征之间的跨注意力权重，以跨注意力权重对编码器隐藏状态的值向量加权求和并经残差连接和层归一化处理后输出解码器隐藏状态，解码器隐藏状态经多任务预测头网络分别映射输出叶面积指数预测值、地上部生物量累积预测值、土壤含水量预测值、氮素累积量预测值和产量估计值，共同构成作物生长状态预测信号。

14、在本发明的一个实施例中，多任务预测头网络包括共享特征变换层和多个任务特定输出层，共享特征变换层接收解码器隐藏状态，通过多层全连接网络和非线性激活函数将解码器隐藏状态映射为共享特征表示，多个任务特定输出层分别对应叶面积指数预测任务、地上部生物量累积预测任务、土壤含水量预测任务、氮素累积量预测任务和产量估计任务，每个任务特定输出层包含一个独立的线性变换矩阵，将共享特征表示分别映射为对应预测目标的数值输出，预设的时序与空间双重注意力预测模型在训练阶段的损失函数为各任务预测值与实测值之间均方误差的加权和，各任务的损失权重通过不确定性加权方式自动学习，损失函数的计算公式如下：

15、

16、其中，为多任务联合损失函数，t为预测任务总数，为第t个任务的不确定性方差，为均方误差函数，为第t个任务预测值，为第t个任务实测值。

17、在本发明的一个实施例中，基于多目标优化的动态调度算法包括决策变量编码步骤、多目标函数构建步骤、多目标优化求解步骤和方案选取步骤，决策变量编码步骤将各作业时间步的灌溉量、施氮量、施磷量、施钾量和施药量组合为决策变量向量，并依据单次灌溉量不超过土壤田间持水量与当前含水量之差、单次施氮量不超过作物当前生育期安全阈值、相邻两次同类型作业时间间隔不小于预设最小间隔以及农机资源可用量上限作为约束条件构建可行解空间，多目标函数构建步骤构建产量目标函数、品质目标函数、资源利用效率目标函数和环境排放目标函数，其中产量目标函数以作物生长状态预测信号中的产量估计值为基础经分段线性函数映射至标准化区间，品质目标函数以品质指标预测值相对于目标品种标准值的偏差为基础计算，资源利用效率目标函数以单位产量消耗的灌溉水量和肥料总量为基础计算，环境排放目标函数以氮素盈余量和深层渗漏量的加权和为基础计算，各目标函数经最小至最大归一化至统一的标准化区间。

18、在本发明的一个实施例中，多目标优化求解步骤采用基于分解的多目标进化优化方法，将多目标函数构建步骤构建的多个目标函数通过切比雪夫聚合函数分解为多个单目标子问题，每个子问题对应一组覆盖目标空间不同方向的权重向量，以决策变量向量作为种群个体编码，采用模拟二进制交叉算子和多项式变异算子生成子代个体，对违反约束条件的子代个体施加罚函数修正，每轮迭代后计算各子问题的切比雪夫聚合值并更新各子问题的当前最优解，同时维护一个外部存档用于存储迭代过程中发现的非支配解，当满足预设迭代终止条件时输出外部存档中的所有非支配解作为帕累托前沿解集，方案选取步骤从帕累托前沿解集中选取满意解，选取方式为计算帕累托前沿中各非支配解的多维目标函数向量与理想点之间的加权欧几里得距离，加权权重由用户通过决策偏好配置接口预设的偏好向量确定，选取加权欧几里得距离最小的非支配解，将该解的决策变量向量解码为各作业时间步的灌溉指令信号、施肥指令信号和施药指令信号，按时间步顺序组织为农事作业调度方案信号，加权欧几里得距离的计算公式如下：

19、

20、其中，为加权欧几里得距离，k为优化目标数量，为第k个目标的偏好权重，为解x的第k个目标值，为第k个目标理想值，为正则化系数。

21、在本发明的一个实施例中，调度决策模块在将农事作业调度方案信号传输至执行监控模块后，持续接收执行监控模块回传的作业执行反馈信号，作业执行反馈信号包含灌溉执行量、施肥执行量、施药执行量和作业时间戳，同时调度决策模块在每个预设重评估周期内从数据采集模块获取当前时间步的土壤含水量观测值和作物生长状态观测值，计算土壤含水量观测值和作物生长状态观测值与生长预测模块在上一调度周期中生成的对应时间步的土壤含水量预测值和作物生长状态预测值之间的偏差向量，若偏差向量中任一元素的绝对值超过该元素对应的预设容忍阈值，则触发动态重调度，动态重调度以当前时间步的土壤含水量观测值和作物生长状态观测值为初始状态，重新执行决策变量编码步骤、多目标函数构建步骤、多目标优化求解步骤和方案选取步骤，生成修正后的农事作业调度方案信号以替换原方案的未执行部分。

22、在本发明的一个实施例中，执行监控模块包括指令分发单元和反馈接收单元，指令分发单元接收农事作业调度方案信号，解析农事作业调度方案信号中当前时间步对应的灌溉量、施肥量、施药量、农机分配和作业方式指令，将灌溉量转换并输出为控制灌溉阀门启闭时长或灌溉泵流量的灌溉指令信号，将施肥量转换并输出为控制施肥装置出料速率或出料量的施肥指令信号，将施药量转换并输出为控制施药装置喷洒速率或喷洒量的施药指令信号，各指令信号均附加目标地块标识和作业时间窗信息，反馈接收单元接收作业终端在执行作业后返回的作业执行反馈信号，作业执行反馈信号包含实际灌溉量、实际施肥量、实际施药量、实际农机作业轨迹和各作业的完成时间戳，反馈接收单元将作业执行反馈信号传输至调度决策模块。

23、本发明提供的基于ai的农业智慧种植精准农事作业管理系统，本发明通过时空融合模块将卫星遥感、地面传感器、气象等多源农田数据在统一时空网格中对齐与特征融合，形成多模态融合表示信号；生长预测模块利用时序与空间双重注意力预测模型，结合历史融合特征与未来气象预测信号，生成包含叶面积指数、生物量、产量等多维指标的作物生长状态预测信号；调度决策模块基于多目标优化动态调度算法，以预测信号为输入，在产量、品质、资源效率和环境排放目标之间求解帕累托前沿并生成农事作业调度方案信号，由执行监控模块输出灌溉、施肥和施药指令并依据作业反馈触发动态重调度。