基于机器学习算法的设施樱桃自动化灌溉方法

本申请涉及农业灌溉，特别涉及基于机器学习算法的设施樱桃自动化灌溉方法。

背景技术：

1、随着信息化时代的到来，农业灌溉也开始逐渐实现自动化，对于樱桃自动化灌溉而言，目前实际应用最多的便是依据土壤湿度指导灌水，即通过确定樱桃在不同生长发育时期适宜的土壤湿度范围，在不同时期设置上下限，然后通过传感器测定土壤湿度后进行自动灌溉。现有的樱桃自动化灌溉技术又引入了人工智能技术，发展迅速，特别是对于设施樱桃而言，其附加值较高。但是其种植技术复杂，特别是水肥管理方面，限制了设施樱桃产业进一步发展。

2、现有的设施樱桃智能灌溉技术，大多采用土壤湿度作为樱桃自动灌溉的依据，土壤湿度与土壤质地密切相关，不同的土壤质地具有不同的孔隙度、孔隙度分布和土壤结构等特性，这些特性会影响土壤的水分保持能力和水分传输速度，且采用的传感器测定数据的数据难以表征整个温室内的土壤环境，不具备普适性。

技术实现思路

1、本申请实施例提供了基于机器学习算法的设施樱桃自动化灌溉方法，用以解决现有技术中人工智能的樱桃自动化灌溉技术的技术复杂，采用土壤湿度作为樱桃自动灌溉的依据，不具备普适性的问题。

2、一方面，本申请实施例提供了基于机器学习算法的设施樱桃自动化灌溉方法，包括：

3、通过实验得到设施樱桃种植的土壤水势值范围；

4、通过所述土壤水势值范围和环境因子建立土壤水势值预测模型预测得到预测土壤水势值；

5、通过所述预测土壤水势值与土壤水势值的实际值相比得到水势偏差值；

6、通过实验和机器学习算法建立樱桃蒸腾蒸发量预测模型预测樱桃蒸腾蒸发量；

7、通过所述水势偏差值和所述樱桃蒸腾蒸发量制定所述设施樱桃种植的自动化灌溉的模糊控制方法。

8、在一种可能的实现方式中，所述通过实验得到设施樱桃种植的土壤水势值范围包括：

9、通过实验设定所述设施樱桃种植的灌水定额；

10、通过比对筛选所述灌水定额得到最终灌水定额；

11、分析所述最终灌水定额的土壤水势值确定所述设施樱桃种植的土壤水势值范围。

12、在一种可能的实现方式中，所述建立土壤水势值预测模型是通过神经网络算法建立。

13、在一种可能的实现方式中，所述通过实验和机器学习算法建立樱桃蒸腾蒸发量预测模型包括：

14、通过机器学习算法预测所述环境因子的数值；

15、通过实验测定所述设施樱桃种植的蒸腾蒸发量与实测的所述环境因子的数值；

16、通过所述环境因子的数值和所述蒸腾蒸发量建立樱桃蒸腾蒸发量预测模型。

17、在一种可能的实现方式中，所述机器学习算法是lstm算法。

18、在一种可能的实现方式中，所述环境因子包括空气温度、空气湿度、光照强度、风速、土壤温度和土壤湿度。

19、在一种可能的实现方式中，所述通过所述环境因子的数值和所述蒸腾蒸发量建立樱桃蒸腾蒸发量预测模型是通过神经网络算法建立。

20、在一种可能的实现方式中，所述樱桃蒸腾蒸发量预测模型的输入是所述环境因子的数值，所述樱桃蒸腾蒸发量预测模型的输出是蒸腾蒸发量。

21、在一种可能的实现方式中，所述通过所述土壤水势值和所述樱桃蒸腾蒸发量制定所述设施樱桃种植的自动化灌溉的模糊控制方法包括：

22、将所述所述土壤水势偏差值和所述蒸腾蒸发量作为输入，将灌溉时长作为输出；

23、定义所述土壤水势偏差值的模糊语言变量，定义为5个语言变量，分别为负大、负小、零、正小、正大，用字母进行表示。对蒸腾蒸发量进行与所述土壤水势偏差值相同的定义；

24、定义所述灌溉时长的模糊语言变量，定义为5个语言变量，分别为负大、负小、零、正小、正大，用字母进行表示，其中所述负大表示不灌溉，之后的所述负小、零、正小、正大表示灌溉时间递增；

25、通过融合设施樱桃的专家知识制定推理规则；

26、通过模糊推理得出模糊值；

27、通过最大隶属度法，在所述模糊值中选择具有最大隶属度的隶属函数的中心值作为所述灌溉时长进行输出。

28、本申请中的基于机器学习算法的设施樱桃自动化灌溉方法，具有以下优点：

29、(1)采用土壤水势偏差值作为樱桃灌溉的依据，更加的具有普适性，对于不同地区、不同土壤质地种植的樱桃都适用。

30、(2)通过土壤的水势预测模型实现对土壤水势较为准确的预测，准确性高，成本低。

31、(3)通过蒸腾蒸发量预测模型实现对蒸腾蒸发量的预测，准确性高。

32、(4)通过模糊控制技术获得的数据可信度高，鲁棒性较好，同时能够提高水资源的合理分配率，在提高生产效率的同时还能够实现资源的节约。

技术特征：

1.基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述通过实验得到设施樱桃种植的土壤水势值范围包括：

3.根据权利要求1所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述建立土壤水势值预测模型是通过神经网络算法建立。

4.根据权利要求1所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述通过实验和机器学习算法建立樱桃蒸腾蒸发量预测模型包括：

5.根据权利要求4所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述机器学习算法是lstm算法。

6.根据权利要求1所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述环境因子包括空气温度、空气湿度、光照强度、风速、土壤温度和土壤湿度。

7.根据权利要求4所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述通过所述环境因子的数值和所述蒸腾蒸发量建立樱桃蒸腾蒸发量预测模型是通过神经网络算法建立。

8.根据权利要求7所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述樱桃蒸腾蒸发量预测模型的输入是所述环境因子的数值，所述樱桃蒸腾蒸发量预测模型的输出是蒸腾蒸发量。

9.根据权利要求1所述的基于机器学习算法的设施樱桃自动化灌溉方法，其特征在于，所述通过所述土壤水势值和所述樱桃蒸腾蒸发量制定所述设施樱桃种植的自动化灌溉的模糊控制方法包括：

技术总结本申请公开了基于机器学习算法的设施樱桃自动化灌溉方法，包括：通过实验得到设施樱桃种植的土壤水势值范围；通过所述土壤水势值范围和环境因子建立土壤水势值预测模型预测土壤水势值；通过实验和机器学习算法建立樱桃蒸腾蒸发量预测模型；通过所述土壤水势值和所述樱桃蒸腾蒸发量制定所述设施樱桃种植的自动化灌溉的模糊控制方法。本申请采用土壤水势偏差值和蒸腾蒸发量作为樱桃灌溉的依据，更加的具有普适性，对于不同地区、不同土壤质地种植的樱桃都适用，通过模糊控制技术获得的数据可信度高，鲁棒性较好，同时能够提高水资源的合理分配率，在提高生产效率的同时还能够实现资源的节约。技术研发人员：孙先鹏,谢广跃,闫家慧,李子岩,张丽境,杨丹婷,张颖涛受保护的技术使用者：西北农林科技大学技术研发日：技术公布日：2024/6/5