本发明公开了一种基于天气预测的智慧农业灌溉管理系统，包括数据采集模块、气象预测模型建立模块、传感器模块和决策模块，通过采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水率，最大根深，作物覆盖率，胁迫系数临界点，基于循环神经网络对气象指标数据训练气象预测模型，采用土壤传感器测量土壤含水量，根据作物的需求量以及土壤供水之间的关系，结合天气雷达预报降雨数据，根据估测降水的时间、降水量等要素，对作物进行灌溉管理。
1.一种基于天气预测的智慧农业灌溉管理系统，其特征在于，所述系统包括：数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量；将采集到的实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点输入气象预测模型中进行模拟和预测作物区域的降水量；
气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；
传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；
决策模块：数据决策分析采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充；
对气象数据特征提取时，先将样本数据归一化，设置样本每个维度的均值为0，方差为
其中， 为第i个样本， 为所有样本每个特征维度下的平均值， 为所有样本每个特征维度下的标准差， 为训练样本数量；
取前k个特征值对应的特征向量：u1,u2,…,uk;得到降维后的数据： ，其中k为降维后的维度大小；
使用循环神经网络对上下文进行编码，将同一个输入序列分别接入向前和向后的两个LSTM中，然后将两个网络的隐含层链接在一起，共同接入到输出层进行预测；给定一个输入序列 x = (x1, ..., xT ) 和目标序列y = (y1, ..., yK)，通过以下等式对当前时间输出的概率进行建模，在训练期间，对于每个学习元素，循环神经网络为每个神经元确定一组权重和偏置：，
其中 、 、 、 、 、和 表示权重矩阵，h 表示由可调门控制的内部隐藏状态， 、 和 表示偏置向量， 是隐藏层函数， 为t时刻的输出， 为向前LSTM中t时刻的隐藏状态， 为向后LSTM中t时刻的隐藏状态，迭代优化得到使总体成本函数最小化的权重和偏置参数，监督机制的损失函数为：，
其中， 为主损失函数， 为辅助损失函数， 为训练组， 是主网络的权重，是权重辅助分类器， 是最终损失中的对应比率， 为辅助分类器的个数，为权重系数。
2.如权利要求1所述的系统，其特征在于，在神经网络算法中，采用卷积层中大小为 3 × 3 × 3 的小卷积核，每个卷积层后跟一个归一化层和一个线性修正单元。
3.如权利要求1所述的系统，其特征在于，评估模型效果选用：决定系数（R ）、均方根误差（RMSE）和相对分析误差（RPD）：，
其中，X为试验数据，Y为模型预测数据，n为总数据数量，为预测数据平均值。
一种基于天气预测的智慧农业灌溉管理系统
技术领域
[0001] 本发明属于智慧农业领域，具体涉及一种基于天气预测的智慧农业灌溉管理系统。
背景技术
[0002] 国家近年来也大力发展农业，支持农业现代化加速发展新格局。
[0003] 国内外在作物需水量、土壤入渗以及智能灌溉控制方面做了大量的研究，推动了智能灌溉决策的发展，并取得了较多的研究成果，但现有气象预测模型仅限于中期预测，而短时预测对作物的灌溉决策起着更为重要的作用，且现有气象预测模型多处理二维数据，不能充分提取气象数据特征，无法精准预测降水量。
发明内容
[0004] 为了解决现有技术存在的缺陷，本发明提供了一种基于天气预测的智慧农业灌溉管理系统。
[0005] 本发明采用技术方案是，一种基于天气预测的智慧农业灌溉管理系统，包括：
[0006] 数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量，将其输入气象预测模型中进行模拟和预测作物区域的降水量；
[0007] 气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；
[0008] 传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；
[0009] 决策模块：数据决策分析主要采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充。
[0010] 本发明的有益效果是，采用三维神经网络算法建立气象预测模型，可以实现短时天气预测，依据作物在不同生长时期的需水量、灌溉量和灌溉周期，达到精确管理，从而为作物的灌溉起到更精准的决策辅助，增加作物产出量的效果，且三维神经网络算法可以处理不均匀的3D气象数据，建立更精准的气象预测模型，精准预测降水量，实现智慧农业灌溉管理。
具体实施方式
[0011] 下面详细描述本申请，本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0012] 下面对本发明的技术方案如何解决上述技术问题进行详细说明。
[0013] 本发明采用的技术方案是，一种基于天气预测的智慧农业灌溉管理系统，包括：
[0014] 数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量，将其输入气象预测模型中进行模拟和预测作物区域的降水量；
[0015] 数据采集模块包括环境收集模块和卫星气象数据模块，具体的，收集模块包括摄像机，摄像机用来以收集和监测土壤表层的干湿度情况，卫星气象数据模块包括从气象站数据和网络气象数据实时抓取的气象数据。
[0016] 气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，提取气象数据特征，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；
[0017] 对气象数据特征提取时，先将样本数据归一化，设置样本每个维度的均值为0，方差为1，计算方法如下：
[0018] ，
[0019] 其中， 为第i个样本， 为所有样本每个特征维度下的平均值， 为所有样本每个特征维度下的标准差， 为训练样本数量；
[0020] 计算协方差矩阵 ，并对其进行特征值分解；
[0021] 取前k个特征值对应的特征向量：u1,u2,…,uk;
[0022] 得到降维后的数据： ，其中k为降维后的维度大小；
[0023] 使用循环神经网络对上下文进行编码，采用卷积层中大小为 3 × 3 × 3 的小卷积核，每个卷积层后跟一个归一化层和一个线性修正单元；将同一个输入序列分别接入向前和向后的两个LSTM中，然后将两个网络的隐含层链接在一起，共同接入到输出层进行预测；给定一个输入序列 x = (x1, ..., xT ) 和目标序列y = (y1, ..., yK)，通过以下等式对当前时间输出的概率进行建模，在训练期间，对于每个学习元素，循环神经网络为每个神经元确定一组权重和偏置：
[0024] ，
[0025] ，
[0026] ，
[0027] 其中 、 、 、 、 、和 表示权重矩阵，h 表示由可调门控制的内部隐藏状态， 、 和 表示偏置向量， 是隐藏层函数， 为t时刻的输出， 为向前LSTM中t时刻的隐藏状态， 为向后LSTM中t时刻的隐藏状态。
[0028] 迭代优化得到使该总体成本函数最小化的权重和偏置参数，该监督机制的损失函数为：
[0029]
[0030] 其中， 为主损失函数， 为辅助损失函数， 为训练组， 是主网络的权重，是权重辅助分类器，其中 取值为２， 是最终损失中的对应比率，为辅助分类器的个数，为权重系数。
[0031] 此外，需要对气象预测模型进行评估，评估模型效果选用决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）：
[0032] ，2
[0033] 其中，X为试验数据，Y为模型预测数据，n为总数据数量，为预测数据平均值；R值越大，表明建模准确度越高；RMSE 值越小，表明模型准确度越高；当相对分析误差在 2.0≤RPD≤2.5 时，表明模型具有很好的定量预测能力。
[0034] 传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；
[0035] 具体的，还可以依据作物在不同生长时期的需水量、灌溉量和灌溉周期，综合考虑分析各种环境因素，设置在不同土壤种类下土壤含水量上下阈值，当土壤含水量超过阈值时进行告警提示。
[0036] 决策模块：数据决策分析主要采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充。
[0037] 需要说明的是，传感器模块将测量到的土壤含水量传送至数据采集模块，气象预测模型建立模块用来训练预测模型，数据采集模块将采集到的实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点输入气象预测模型中进行模拟和预测作物区域的降水量，最后在决策模块根据估测降水的时间、降水量，对作物在这段时间内蒸腾量损失进行灌溉补充，而使用相应的硬件和软件组成上述模块以实现上述功能是本领域惯用技术手段。
[0038] 虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应当理解，上述较佳实施方式仅用来解释和说明本发明的技术方案，而并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所作的任何修饰、等效替换、变形、改进等，均应包含在本发明的权利要求保护范围之内。
