一种基于多指标的作物灌溉胁迫诊断方法及系统与流程

本发明涉及植物灌溉，特别涉及一种基于多指标的作物灌溉胁迫诊断方法及系统。

背景技术：

1、在设施农业中，作物的水分管理通常依据环境参数（光照、温度、湿度、vpd）、基质含水率、ec等传感器数据，或按照定时任务和人工经验进行灌溉。部分系统已配备称重平台和图像采集设备，用于辅助监测作物生长状态。

2、实践中，作物出现萎蔫、生长迟缓等异常表现，其成因可能是基质水分不足、盐分浓度过高、根区温度偏离适宜范围，或根区通气不良，但现有系统多依据单一指标（如含水率偏低或ec偏高）触发报警，难以区分具体胁迫类型，容易导致误判。同时，环境蒸腾需求是动态变化的，相同的水分消耗速率在强光照下可能反映供水不足，而在阴天则属于正常生理调节，但多数系统未将环境需求与作物的实际水分响应进行关联判断，容易造成误报或漏报。称重平台能够连续反映作物耗水速率和灌溉回水情况，但现有技术多将其用作简单数据展示，未充分用于胁迫诊断和响应能力评估。根区传感器（ec、温度等）的数据也未有效整合进行归因分析，当系统检测到异常时，难以定位根本原因。此外，图像识别虽然能反映叶片姿态和冠层变化，但单独使用易受光照、角度等干扰，且不能直接归因于根区，缺少与传感器数据的融合机制。最终，现有系统大多输出笼统的报警信息，缺乏胁迫类型、等级和置信度的结构化诊断，不利于管理人员精准决策。

3、基于现有技术中的问题，本发明提供一种基于多指标的作物灌溉胁迫诊断方法及系统。

技术实现思路

1、本发明目的是：提供一种基于多指标的作物灌溉胁迫诊断方法及系统，以解决现有技术仅依靠单一指标判断作物胁迫，容易造成误判或漏判的技术问题。

2、本发明的技术方案是：一种基于多指标的作物灌溉胁迫诊断方法，包括：

3、获取环境数据、根区数据、作物栽培单元的重量变化数据、作物图像，在预设的时间窗口内对数据进行时间戳对齐；

4、根据环境数据计算环境综合评分，根据环境综合评分的阈值化比较确定当前环境蒸腾需求的等级，根据所述重量变化数据确定作物实际水分响应；根据所述作物图像确定作物外观异常指标；

5、判断作物实际水分响应与当前环境蒸腾需求是否匹配，并在不匹配时触发根区归因，确定候选作物灌溉胁迫类型；

6、根据候选胁迫类型和作物外观异常指标确定作物灌溉胁迫类型、胁迫等级和诊断置信度。

7、优选的，根据环境数据确定当前环境蒸腾需求的方法为：

8、对环境数据预处理后，转换为无量纲的标准化值，分别赋予权重并计算加权平均值，获得环境综合评分，根据所述环境综合评分确定环境需求，包括低等级蒸腾需求、中等级的蒸腾需求和高等级的蒸腾需求；

9、用于获取环境综合评分的环境指标包括总辐射、光合有效辐射、水汽压差、空气温度和日累计光照量；

10、当环境综合评分低于第一阈值时，输出低等级蒸腾需求；

11、当环境综合评分在第一阈值和第二阈值之间时，输出中等级的蒸腾需求；

12、当环境综合评分大于第二阈值时，输出高等级的蒸腾需求。

13、优选的，所述实际水分响应通过单位时间重量变化、重量回落速度或灌溉后重量变化趋势表示；

14、对重量曲线进行事件分段，按照时间序列划分为灌溉前自然耗水段、灌溉补水段、排液段和灌溉后恢复段，不同事件分段对应不同的响应，包括：

15、自然耗水响应：在无灌溉、无排液、无人工搬动的自然耗水窗口内，自然耗水窗口起始时刻重量与自然耗水窗口结束时刻重量的差值与该自然耗水窗口时长的比值，将比值与数字0进行比较，取两者中的最大值，作为自然耗水窗口时长内单位时间的水分消耗速率；

16、单位环境响应：水分消耗速率除以环境综合评分与一个正常量之和的比值，表示单位环境蒸腾驱动力作用喜爱作物实际水分响应能力；

17、水分消耗速率与当前环境需求、作物阶段和日内阶段对应的参考水分响应与一个正常量之和的比值，定义为水分响应匹配比；

18、参考水分响应：根据同作物、同品种、同生育阶段、同设施类型和相似环境窗口下的历史数据，形成参考水分响应区间；所述相似环境窗口至少满足光照等级、vpd等级、生育阶段和日内阶段相似；选取相似窗口的历史中位数、分位数区间、滑动平均、同日照角相似窗口或人工设定标准生成的数据作为参考水分响应；

19、灌溉后补水响应：在灌溉事件结束后，系统计算灌溉前后重量增量、排液产生时间、排液比例和重量回落速度。

20、优选的，所述实际水分响应未达到相应参考状态以匹配环境蒸腾需求时，判断存在水分响应不足风险；

21、当判断存在水分响应不足风险后，触发根区归因，进一步根据根区数据确定候选作物灌溉胁迫类型，候选作物灌溉胁迫类型包括水分供应不足风险、盐分或渗透风险、根区温度异常风险、过湿或通气受限风险以及复合风险。

22、优选的，触发根区归因的触发条件包括以下任一种或几种：

23、环境综合评分达到中等级及以上的蒸腾需求，且响应匹配比低于预设比例并持续两个以上时间窗口；

24、环境综合评分持续升高，但是水分消耗速率未同步升高或反向下降；

25、单位环境响应相较于若干日相似窗口的中位数下降超过预设比例。

26、优选的，分别计算水分供应不足评分、盐分或渗透评分、根区温度异常评分，以及过湿或通气受限评分，各单项评分的分值越高表示对应风险越强；

27、所述水分供应不足评分通过根区含水率低于目标区间的程度、当前重量距离饱和重量的差值、灌溉后补水增量不足、近期排液不足和水分响应不足共同确定；

28、所述盐分或渗透评分通过pore ec、bulk ec、排液ec、进液ec与排液ec差值、排液ec变化趋势以及排液比例共同确定；当水分并不明显不足但ec相关指标偏高且水分响应下降时，盐分或渗透风险评分提高；

29、所述根区温度异常评分通过根区温度偏离适宜区间的幅度、持续时间、空气温度背景、光照背景和水分响应变化共同确定；当根区温度异常与水分响应下降同步出现时，根区温度异常评分提高；

30、所述过湿或通气受限评分通过根区含水率长期偏高、栽培单元重量长期接近饱和、灌溉后重量回落速度低、排液持续异常或多次灌溉后仍未形成正常水分消耗曲线共同确定；

31、当多个评分均超过预设阈值时，判定为复合风险；

32、当最高评分与第二高评分差距较小时，同时输出主导风险类型和伴随风险类型。

33、优选的，通过图像特征修正置信度，流程如下：

34、a.若环境综合评分为低需求，且水消耗速率低，不直接判定胁迫；若环境综合评分为中高需求且水分消耗速率低，则进入步骤b

35、b.若根据水分低、重量远离饱和状态且近期补水不足，则提高水分供应不足评分；若水分不低但ec相关指标高，则提高盐分或渗透评分；若根区温度偏离适宜区间，则提高根区温度异常评分；若水分长期偏高且重量回落慢，则提高过湿或通气受限评分；

36、若图像下垂、卷曲、冠层覆盖下降等异常与传感器结果方向一致，则提高相应置信度；若图像正常而传感器轻微异常，则降低置信度或继续观察；若图像异常但传感器数据正常，则输出局部异常或待确认状态；

37、选择评分最高的候选风险作为主导风险，当第二高风险评分达到伴随风险阈值时，同步输出伴随风险；

38、每种胁迫类型的置信度根据数据完整性、传感器数据一致性、图像数据一致性、历史趋势一致性、根区数据与环境数据匹配程度、是否存在异常传感器读数、是否存在图像遮挡、模糊或曝光异常、多源数据是否共同支持同一候选胁迫类型的其中一种或几种因素确定。

39、优选地，根据所述作物图像确定作物外观异常指标，过程：

40、对获取的作物图像，进行图像预处理与roi分割和特征提取，获取多维度指标，包括：叶片面积占比、冠层覆盖度、花果占比、叶片下垂指数、叶片卷曲指数、颜色异常指数以及历史偏离指标；

41、对获取的多维度指标，通过视觉算法分别量化和特征提取，量化和特征提取的特征包括叶片姿态特征、叶片卷曲特征、冠层形态特征、颜色特征、历史形态变化特征：特征通过评分标准化，每个特征量化映射到[0,1]区间；

42、通过对叶片主脉进行骨架提取，计算叶片主脉与水平地面之间的夹角中位数，获取叶片姿态特征；通过叶片轮廓的周长与面积比或叶片边缘曲率变化，计算卷曲指数，得到叶片卷曲特征；提取冠层的投影面积占整个图像roi面积的比例以及冠层高度的起伏标准差，得到冠层形态特征；将rgb图像转换至hsv或lab色彩空间，提取叶片的平均色调和绿度指数，得到颜色特征，颜色发黄或出现紫色斑块均被量化为具体偏移量；

43、将当前帧图像的叶片姿态特征、叶片卷曲特征、冠层形态特征、颜色特征与上一个无胁迫日的同位图像特征进行逐像素或逐特征差分，获取变化向量，得到历史形态变化特征。

44、一种基于多指标的作物灌溉胁迫诊断系统，用于实现所述的一种基于多指标的作物灌溉胁迫诊断方法，包括：

45、环境数据采集模块，按照预设采样频率实时获取作物生长环境中的总辐射、光合有效辐射、水汽压差、空气温度及日累计光照量，并将采集的环境数据按时间戳标记后输出至数据预处理模块；

46、重量数据采集模块，通过称重传感器连续监测作物栽培单元的重量变化，并以时间序列记录重量原始数据，所述重量原始数据至少包含灌溉前自然耗水段、灌溉补水段、排液段和灌溉后恢复段的重量变化曲线；

47、根区数据采集模块，通过插入式传感器获取根区的基质温度、体积含水率、孔隙水电导率、体电导率，以及通过排液计量装置获取排液量、排液电导率和排液产生时间，并将根区数据与时间戳关联后输出；

48、图像数据采集模块，通过固定视角的成像设备按设定时间间隔采集作物冠层图像，并同步记录采集时刻的光照条件和成像参数，以支持后续图像预处理和特征提取；

49、数据有效性判断模块，对所述环境数据、重量数据、根区数据及图像数据分别进行质量校验，至少包括：检测各传感器数据是否在有效量程内、时间戳是否连续、是否存在数据丢包或跳变、图像是否存在过曝或遮挡，对无效数据进行剔除或插补标记，并将通过校验的有效数据按统一时间基准对齐后分发至下游模块；

50、环境需求判断模块，接收所述数据有效性判断模块输出的有效环境数据，对各环境指标进行无量纲标准化处理并加权计算环境综合评分，再通过将所述环境综合评分与预设的第一阈值和第二阈值进行比较，输出低等级蒸腾需求、中等级蒸腾需求或高等级蒸腾需求；

51、水分响应判断模块，接收所述重量数据，按时间序列对重量曲线进行事件分段以识别自然耗水窗口、灌溉窗口和排液窗口，计算自然耗水窗口内单位时间的水分消耗速率、单位环境响应和水分响应匹配比，并基于所述环境需求判断模块输出的蒸腾需求等级，判断实际水分响应是否达到对应的参考水分响应区间，当实际水分响应未匹配环境蒸腾需求时，生成水分响应不足信号；

52、根区归因模块，接收所述水分响应不足信号的触发，启动根区数据的归因分析，分别计算水分供应不足评分、盐分或渗透评分、根区温度异常评分和过湿或通气受限评分，根据各单项评分是否超过预设阈值，输出候选灌溉胁迫类型，所述候选灌溉胁迫类型包括水分供应不足风险、盐分或渗透风险、根区温度异常风险、过湿或通气受限风险以及复合风险；

53、图像校验模块，接收所述图像数据，执行图像预处理与感兴趣区域分割，提取叶片姿态特征、叶片卷曲特征、冠层形态特征、颜色特征和历史形态变化特征，将各特征量化为[0,1]区间的外观异常指标，并将所述外观异常指标与所述候选灌溉胁迫类型进行方向一致性比对，当图像异常方向与传感器异常方向一致时生成置信度增强信号，当图像正常而传感器数据轻微异常时生成置信度抑制信号；

54、多指标融合模块，接收所述环境需求判断模块输出的蒸腾需求等级、所述水分响应判断模块输出的水分响应匹配比、所述根区归因模块输出的各项评分以及所述图像校验模块输出的外观异常指标，按照预设的加权融合规则生成各候选灌溉胁迫类型的综合评分，并选取综合评分最高者作为主导胁迫类型，当第二高评分与最高评分的差值小于伴随阈值时，同步输出伴随胁迫类型；

55、置信度计算模块，根据数据完整性、多传感器数据一致性、图像与传感器数据方向一致性、历史趋势一致性、根区数据与环境数据匹配程度、是否存在异常传感器读数以及图像质量因素中的至少一种因素，计算每种候选胁迫类型的诊断置信度，并在同一方向的偏离在连续多帧图像中被一致观测到时提升所述置信度；

56、诊断输出模块，接收所述多指标融合模块输出的胁迫类型和胁迫等级以及所述置信度计算模块输出的诊断置信度，生成包含胁迫类型、胁迫等级、诊断置信度和主要诊断依据的诊断结果，并以可视化或数据报文形式输出至用户终端或上位控制系统。

57、优选地，系统输出的候选胁迫类型包括：水分供应不足风险、盐分或渗透风险、根区温度异常风险、过湿或通气受限风险、复合风险、待确认状态；无明显胁迫状态；

58、胁迫等级划分为无风险、轻度风险、中度风险、高度风险、复合风险和待确认。

59、与现有技术相比，本发明的优点是：

60、本发明通过采集环境数据、重量变化数据、根区数据、图像数据，根据环境数据确定环境综合评分和环境蒸腾需求等级，根据重量变化数据确定实际水分响应，通过比较判断环境蒸腾需求与实际水分响应是否匹配，确定候选作物灌溉胁迫类型，根据根区数据分析进行根区归因，确定作物灌溉胁迫类型，并计算各风险类型的置信度，根据图像数据修正置信度，输出胁迫类型、胁迫等级、置信度及确认建议。通过环境需求驱动、重量响应验证、根区归因确认以及附图辅助验证和纠偏的递进式诊断逻辑，避免漏判并降低误报率。

61、本发明综合环境、重量、根区和图像四类数据，通过多指标融合进行胁迫诊断，有效避免了仅依赖单一指标导致的误判和漏判，提高了诊断的稳定性。

62、本发明先判断环境蒸腾需求等级，再将实际水分响应与需求进行匹配判断，能够区分低需求环境下的正常低消耗和高需求环境下的异常响应不足，避免将正常环境变化误判为胁迫。

63、本发明在检测到水分响应不足后，进一步根据根区水分、盐分、温度和排液状态进行归因分析，能够区分水分供应不足、盐分或渗透、根区温度异常、过湿或通气受限等不同风险来源。

64、本发明输出胁迫类型、风险等级、诊断置信度和主要异常来源的结构化诊断结果，为后续灌溉参数调控、告警和人工复核提供了清晰的决策依据。

65、本发明将图像外观异常指标作为辅助校验信息，当图像异常方向与传感器异常方向一致时提高置信度，当图像数据与传感器数据存在冲突或数据质量不足时，降低置信度系统输出待确认状态而非高置信胁迫结论，降低了误报风险。