一种基于物联网的农作物病害监控方法及系统与流程

本发明涉及农作物病害监控，尤其涉及一种基于物联网的农作物病害监控方法及系统。

背景技术：

1、随着物联网技术的迅猛发展和普及，其在农业领域的应用也越来越广泛，特别是在农作物病害监控方面。物联网技术具有实时性、精准性和智能性的特点，使得其在农作物病害监控领域具有显著优势。通过物联网技术，可以实时监测农田环境参数，如温度、湿度、光照等，以及农作物的生长状况。这些数据通过无线传感器网络传输到中央控制中心，经过分析和处理，可以为农民提供及时的病害预警和防治建议。然而，现有的一些地区已经开始应用物联网技术进行病害监控，但往往存在系统功能单一、监测对象有限、数据分析不够深入等问题，难以满足现代农业生产的多样化需求。因此，为了实现对农田环境和农作物生长状况的实时监测和精准分析，为农民提供科学的病害防治方案，提高农作物的产量和质量，一种基于物联网的农作物病害监控方法及系统应运而生。

2、现有技术通过采集检测点农作物病虫害图像和检测点气象信息并结合预设信息进行对比分析，同时判断病害的种类以及病害的严重程度并将该病害信息进行储存，然后根据采集的农作物病虫害信息绘制病害情况关联图，并评判是否需要进一步增设监测点。

3、例如公开号为：cn117332927a的专利申请公开的一种基于人工智能和物联网的精准农业管理系统，包括：对种植区域内监测的数据实时传输至物联网终端；将种植面积区分为多个区域，对当前区域内种植的农作物进行拍摄；将拍摄得到的监测数据与数据库内存储的农作物数据进行分析对比，继而分析出当前农作物是否存在病害，当分析出当前农作物出现病害便会通过物联网终端提示工作人员。

4、例如公开号为：cn115099475a的专利申请公开的一种农情研究监测仪检测系统，包括：使用vue开源框架进行监控组织设计；用户通过线下监测系统对应的初始账号进行登录，且每个初始账号匹配一套独立的线下农作物监测设备；使用开源框架openlayers进行卫星影像图展示，同时将线下传感器设备的数据进行整合分析，并通过可视化图表的形式直观表达。

5、但本技术在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

6、现有技术中，农作物病害的监控方法主要依赖于人工巡查和经验判断，主观性强、效率低下，导致不能准确地预测农作物的病害情况，存在农作物病害预测智能化低的问题。

技术实现思路

1、本技术实施例通过提供一种基于物联网的农作物病害监控方法及系统，解决了现有技术中农作物病害预测智能化低的问题，实现了农作物病害预测智能化的提高。

2、本技术实施例提供了一种基于物联网的农作物病害监控方法，包括以下步骤：s1，通过物联网传感器实时收集待构建农田中的关键数据并进行初步处理，所述关键数据包括温度数据、土壤湿度数据和农作物生长状态数据；

3、s2，对存储的关键数据进行数据处理，根据数据处理后的关键数据识别出农作物病害的发生趋势并构建病害预测模型，所述病害预测模型用于预测预设时间段内农作物病害的发生概率和严重程度；

4、s3，通过构建的病害预测模型对待构建农田中的农作物进行风险预测并将对应的预警信息反馈给对应的农户，所述风险预测用于量化评估农作物病害的出现情况和影响程度，所述预警信息包括农作物病害发生类型、农作物病害发生位置和农作物病害预计影响范围；s4，基于待构建农田的实际环境数据和农作物的生长状态数据构建数字孪生农田并制定对应的病害防治措施，所述数字孪生农田用于模拟农作物病害的生长情况与病害发生过程。

5、进一步的，所述病害预测模型的具体构建步骤为：结合病害发生历史数据对数据处理后的关键数据进行分析，并从数据处理后的关键数据中提取出对应的农作物病害关键特征数据，所述农作物病害关键特征数据用于描述待构建农田中农作物发生病害时关键数据的变化情况；对农作物病害关键特征数据进行时间序列分析和空间分布分析并根据关联性指标进行关联性分析，所述关联性指标为用于量化关键数据与农作物病害关键特征之间的关联程度；根据关联性分析的结果构建病害预测模型。

6、进一步的，所述关联性指标的具体获取方法为：对关键数据和农作物病害关键特征数据进行数值化分析并通过图表的形式可视化以获取数据相关系数和数据互信息系数，所述数据相关系数用于衡量关键数据和农作物病害关键特征数据之间的线性关系程度，所述数据互信息系数用于衡量关键数据和农作物病害关键特征之间的信息共享程度，所述信息共享程度表示关键数据与农作物病害关键特征之间的相关性对农作物病害的影响程度；根据数值化分析的结果和关联性分析的结果获取数据因果分析系数，所述数据因果分析系数用于描述关键数据和农作物病害关键特征对农作物病害的直接影响程度；根据获取的数据相关系数、数据互信息系数和数据因果分析系数得到关联性指标，所述关联性指标通过以下公式进行分析：

7、，

8、式中，n为农作物病害关键特征数据的编号，，n为农作物病害关键特征数据的总数量，表示第n个农作物病害关键特征数据的关联性指标，e为自然常数，表示第n个农作物病害关键特征数据的数据因果分析系数，表示数据因果分析参考系数，表示数据因果分析系数参考偏差，表示第n个农作物病害关键特征数据的数据相关系数，表示数据相关参考系数，表示数据相关相对系数的修正因子，表示第n个农作物病害关键特征数据的数据互信息系数，表示数据互信息参考系数，表示数据互信息相对系数的修正因子。

9、进一步的，对所述农作物进行风险预测的具体步骤包括：将存储的关键数据输入病害预测模型中并基于预设输入条件预测农作物的病害风险，所述预设输入条件包括预设环境条件和预设农作物生长阶段；对预测的结果进行风险评估得到预警信息并根据预设时间段内的第一关键数据获取风险评估指数，同时判断风险评估指数是否满足预设风险评估指数，若满足预设风险评估指数，则制定对应病害风险的预防措施，否则将预警信息反馈给对应的农户，所述第一关键数据用于描述气候数据、农作物生长状态数据和土壤数据的变化情况，所述风险评估指数用于衡量农作物对应的农作物病害风险的严重程度。

10、进一步的，所述风险评估指数通过以下公式进行计算：

11、，

12、式中，m为待构建农田的编号，，m为待构建农田的总数量，m.r为第m个待构建农田中农作物的编号，m.，m.r为第m个待构建农田中农作物的总数量，表示第m个待构建农田中对应的第r个农作物的风险评估指数,e为自然常数，表示温度数据相对偏差的修正因子，表示第m个待构建农田中对应的第r个农作物的预设温度数据，表示实际温度数据，表示温度平均数据，表示生长状态数据相对偏差的修正因子，表示第m个待构建农田中对应的第r个农作物的预设生长状态数据，表示实际农作物生长状态数据，表示农作物生长状态平均数据，表示土壤湿度数据相对偏差的修正因子，表示第m个待构建农田中对应的第r个农作物的预设土壤湿度数据，表示实际土壤湿度数据，表示土壤湿度平均数据。

13、进一步的，所述构建数字孪生农田之前还包括对待构建农田进行筛选，具体通过以下步骤进行筛选：对待构建农田的实际环境进行初步评估，所述实际环境包括土壤质量、水源情况和气候条件；根据初步评估的结果采集待构建农田的实际环境数据以获取农作物的生长过程信息，所述实际环境数据包括土壤的ph值、土壤的养分含量和土壤的湿度，所述生长过程信息包括种类、生长周期和抗病性；结合待构建农田的实际环境数据对待构建农田中的农作物的生长状态进行持续监测，所述农作物的生长状态包括株高、叶面积和生长速度；根据持续监测的结果对待构建农田进行预评估以判断待构建农田是否具备构建数字孪生农田的实际条件，所述实际条件包括信息化基础设施、网络覆盖情况和数据传输能力；对待构建农田的历史病害情况进行分析获取待构建农田常见病害类型及发生规律，同时结合农田仿生系数对待构建农田进行筛选得到数字孪生农田，所述数字孪生农田满足预设数字孪生农田的实际条件，所述农田仿生系数用于衡量待构建农田在构建数字孪生农田过程中的适宜程度。

14、进一步的，所述农田仿生系数的具体获取方法为：根据待构建农田的实际环境数据并结合历史病害情况获取土壤仿生数据、气候仿生数据和农作物仿生数据并进行分析，所述土壤仿生数据用于反映待构建农田的土壤情况，所述气候仿生数据用于反映待构建农田在预设气候环境中农作物的生长情况，所述农作物仿生数据用于反映农作物在生长过程中受农作物病害的影响程度；

15、结合分析的结果得到对应的土壤仿生系数、气候仿生系数和农作物仿生系数，所述土壤仿生系数为土壤环境对待构建农田中农作物生长状态的适宜程度，所述气候仿生系数为气候环境对待构建农田中农作物生长状态的影响程度，所述农作物仿生系数为待构建农田中农作物的生长状态和受农作物病害程度；

16、根据土壤仿生系数、气候仿生系数和农作物仿生系数得到农田仿生系数。

17、进一步的，所述数字孪生农田的具体构建步骤为：根据土壤仿生系数、气候仿生系数和农作物仿生系数构建土壤养分模型、气候预警模型和农作物生长模型，所述土壤养分模型用于评估待构建农田的土壤养分情况，所述气候预警模型用于实时监测待构建农田所在区域的气候变化情况并提供气候风险预警信息，所述农作物生长模型用于模拟待构建农田中农作物的生长状态；

18、基于构建的土壤养分模型、气候预警模型和农作物生长模型并结合待构建农田的实际环境数据构建数字孪生农田，同时可视化和数值化呈现农作物的生长状态和病害情况；实时监测实际农田与数字孪生农田之间的关键数据的同步程度并对数字孪生农田进行仿真预测，所述仿真预测包括病害发生概率预测、病害发展趋势预测和防治效果预测。

19、进一步的，所述病害防治措施的具体制定步骤如下：根据数字孪生农田中农作物的生长状态分析导致农作物病害发生的原因并确定防治目标，所述防治目标包括控制病害的扩散速度和降低病害对农作物的影响；根据防治目标制定病害防治措施，所述病害防治措施包括物理防治、生物防治和化学防治；结合制定的病害防治措施实施防治方案，所述防治方案包括防治的时间、防治的地点、使用药物的种类、使用药物的浓度以及操作方式。

20、本技术实施例提供了一种基于物联网的农作物病害监控系统，包括初步处理模块、病害预测模型构建模块、风险预测模块和数字孪生农田构建模块；其中，所述初步处理模块用于通过物联网传感器实时收集待构建农田中的关键数据并进行初步处理，所述关键数据包括温度数据、土壤湿度数据和农作物生长状态数据，所述初步处理表示对关键数据进行筛选并传输至物联网传感器的云端平台进行存储；所述病害预测模型构建模块用于对存储的关键数据进行数据处理，根据数据处理后的关键数据识别出农作物病害的发生趋势并构建病害预测模型，所述数据处理包括去除异常值、填充缺失值和数据归一化，所述发生趋势包括时间趋势、空间趋势和影响因素趋势，所述病害预测模型用于预测预设时间段内农作物病害的发生概率和严重程度；所述风险预测模块用于通过构建的病害预测模型对待构建农田中的农作物进行风险预测并将对应的预警信息反馈给对应的农户，所述风险预测用于量化评估农作物病害的出现情况和影响程度，所述预警信息包括农作物病害发生类型、农作物病害发生位置和农作物病害预计影响范围；所述数字孪生农田构建模块用于基于待构建农田的实际环境数据和农作物的生长状态数据构建数字孪生农田并制定对应的病害防治措施，所述数字孪生农田用于模拟农作物病害的生长情况与病害发生过程。

21、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

22、1、通过物联网传感器实时收集待构建农田中的关键数据并进行初步处理，同时对存储的关键数据进行数据处理并识别出农作物病害的发生趋势，然后结合已知的农业专业知识构建病害预测模型，对待构建农田中的农作物进行风险预测并将对应的预警信息反馈给对应的农户，最后基于待构建农田的实际环境数据和农作物的生长状态数据构建数字孪生农田并制定对应的病害防治措施，从而实现了病害预测模型的更精准构建，进而实现了农作物病害预测智能化的提高，有效解决了现有技术中农作物病害预测智能化低的问题。

23、2、通过将存储的关键数据输入病害预测模型中并基于预设输入条件预测农作物的病害风险，然后对预测的结果进行风险评估得到预警信息并根据预设时间段内的第一关键数据获取风险评估指数，最后判断风险评估指数是否满足预设风险评估指数，若满足预设风险评估指数，则制定对应病害风险的预防措施，否则将预警信息反馈给对应的农户，从而实现了农作物发生农作物病害风险的严重程度的数值化，进而实现了农作物病害预测准确性和可靠性的提高。

24、3、通过土壤仿生系数、气候仿生系数和农作物仿生系数构建土壤养分模型、气候预警模型和农作物生长模型，然后基于构建的模型并结合待构建农田的实际环境数据构建数字孪生农田，同时可视化和数值化呈现农作物的生长状态和病害情况，最后实时监测实际农田与数字孪生农田之间的关键数据的同步程度并对数字孪生农田进行仿真预测，从而实现了数字孪生农田的精准构建，进而实现了数字孪生农田的更精准预测。