一种水肥一体化灌溉智能决策方法与流程

本发明涉及灌溉，具体涉及一种水肥一体化灌溉智能决策方法。

背景技术：

1、随着社会科技的进步以及农业技术的不断发展，智能水肥一体化灌溉系统相对于传统灌溉技术具有众多优势，智能水肥一体化灌溉系统在农业、资源管理和环境方面产生积极的影响，其不仅可以实现精确的水肥投放，减少水资源和肥料的浪费，还可以通过实时监测和智能控制，使农业从业者能够更好地了解植物的生长需求，优化灌溉和施肥计划，从而提高产量和产品质量，除此之外，智能水肥一体化灌溉还有助于减少农业对水资源和土壤的过度压力，减缓土地和水资源的退化，有助于推动可持续性的农业实践生产。

2、智能水肥一体化灌溉系统面临的主要问题在于环境复杂性和模型不确定性，农田中的环境复杂性包括土壤、植被、气象和地形等多种因素的差异，这使得系统必须具备高度的适应性，不同的土壤类型、植物品种和气象条件对水肥投放的影响差异巨大，要求系统能够灵活调整策略以满足不同条件下的需求；同时，模型所需采集数据的不确定性也是一个重要问题，包括气象预测的不确定性、植物生长的复杂性以及土壤水分和养分分布的难以精确预测，这种不确定性可能导致系统在灌溉和施肥决策上的误差，不能准确的评估土壤对灌溉水和肥料的需求程度，影响农业生产的效益。

技术实现思路

1、本发明提供一种水肥一体化灌溉智能决策方法，以解决水肥一体化灌溉过程中环境不规律的变化造成动态决策调整效率低的问题，所采用的技术方案具体如下：

2、本发明一个实施例一种水肥一体化灌溉智能决策方法，该方法包括以下步骤：

3、分别基于浇灌关联数据、施肥关联数据、水肥通用数据构建浇灌时序矩阵、施肥时序矩阵、水肥时序矩阵；

4、采用因子分析方法基于浇灌时序矩阵、施肥时序矩阵、水肥时序矩阵确定因子载荷系数表；根据同一因子对水肥一体化灌溉过程中每种数据上显著程度的差异确定每种数据的全局因子得分；

5、基于每种数据采集结果的傅里叶变换结果以及每种数据的全局因子得分确定每种数据的频变异常因子；根据浇灌关联数据、水肥通用数据中每种数据在不同采集时刻的变化量以及每种数据的频变异常因子确定浇灌模糊指数；根据施肥关联数据、水肥通用数据中每种数据在不同采集时刻的变化量以及每种数据的频变异常因子确定施肥模糊指数；

6、采用模糊pid控制算法基于浇灌模糊指数、施肥模糊指数实现对施肥、灌溉的决策调整。

7、优选的，所述分别基于浇灌关联数据、施肥关联数据、水肥通用数据构建浇灌时序矩阵、施肥时序矩阵、水肥时序矩阵的方法为：

8、将利用无人机测量管理区域内的地形坡度数据、利用水位井采集管理区域内的水位数据作为浇灌关联数据；将利用微生物传感器采集的管理区域土壤内微生物种群的种类、利用水质传感器检测到的灌溉用水的各项水质参数作为施肥关联数据；将利用温湿度传感器采集的管理区域土壤的温度、湿度，利用土壤养分传感器检测的土壤中各个养分的含量比例作为水肥通用数据；

9、将利用预设采集次数的浇灌关联数据的归一化结果组成的矩阵作为浇灌时序矩阵；将利用预设采集次数的施肥关联数据的归一化结果组成的矩阵作为施肥时序矩阵；将利用预设采集次数的水肥通用数据的归一化结果组成的矩阵作为水肥时序矩阵。

10、优选的，所述采用因子分析方法基于浇灌时序矩阵、施肥时序矩阵、水肥时序矩阵确定因子载荷系数表的方法为：

11、将浇灌时序矩阵、施肥时序矩阵、水肥时序矩阵合并得到的矩阵作为因子分析的输入，基于kaiser准则确定合并所得矩阵的预设数量个因子；

12、将预设数量个因子在每种数据上所取因子值作为表格中的一行元素；将预设数量个因子在所有种类数据上所取因子值组成的表格作为取值表格；

13、将取值表格中任意一个小于预设阈值的元素值置为0，保持大于等于预设阈值的元素值不变，遍历取值表格中的所有元素，将处理后的取值表格作为因子载荷系数表。

14、优选的，所述根据同一因子对水肥一体化灌溉过程中每种数据上显著程度的差异确定每种数据的全局因子得分的方法为：

15、将因子载荷系数表中每个因子在每种数据上的取值与因子载荷系数表中每个因子取值最小值之间的差值作为第一差值；将因子载荷系数表中每个因子在每种数据上的取值与第一差值的乘积作为分子；

16、将因子载荷系数表中每个因子在每种数据上的取值与每种数据在所有因子上取值均值的比值作为比例因子，将比例因子的数据映射结果作为分母；

17、将分子与分母的比值在所有因子上的累加结果作为每种数据的全局因子得分。

18、优选的，所述基于每种数据采集结果的傅里叶变换结果以及每种数据的全局因子得分确定每种数据的频变异常因子的方法为：

19、根据每种数据采集结果的傅里叶变换结果确定每种数据的频域波动指数；

20、将每种数据的全局因子得分的数据映射结果与预设参数的乘积作为第一组成因子；

21、将每种数据每次采集结果与每种数据所有采集结果均值之间差值的平方作为第二差值；将第二差值在每种数据所有采集次数上的累加结果作为第二组成因子；

22、每种数据的频变异常因子由每种数据的频域波动指数、第一组成因子、第二组成因子三部分组成，其中，所述频变异常因子分别与频域波动指数、第一组成因子、第二组成因子成正比关系。

23、优选的，所述根据每种数据采集结果的傅里叶变换结果确定每种数据的频域波动指数的方法为：

24、将每种数据所有采集结果经过傅里叶变换得到的结果作为每种数据的频域信号；统计每种数据的频域信号中每种频率出现的概率，基于每种数据的频域信号中的频率数量以及每种频率出现的概率确定每种数据的频率信息熵；

25、将每种数据的频域信号中所有振幅的变异系数与每种数据的频率信息熵的乘积作为分子；

26、将每种数据的频域信号中所有振幅的最大值与预设参数之和作为分母，将分子与分母的比值作为每种数据的频域波动指数。

27、优选的，所述根据浇灌关联数据、水肥通用数据中每种数据在不同采集时刻的变化量以及每种数据的频变异常因子确定浇灌模糊指数的方法为：

28、将每种数据相邻两次采集结果的差值与每种数据的全局因子得分的乘积作为分子，将每种数据所有采集结果中最大值与最小值的差值作为分母，将分子与分母的比值作为第一乘积因子；

29、将每种数据的频变异常因子与第一乘积因子的乘积在浇灌关联数据、水肥通用数据中所有种类数据所有采集次数上的累加结果作为浇灌模糊指数。

30、优选的，所述根据施肥关联数据、水肥通用数据中每种数据在不同采集时刻的变化量以及每种数据的频变异常因子确定施肥模糊指数的方法为：

31、将每种数据相邻两次采集结果的差值与每种数据的全局因子得分的乘积作为分子，将每种数据所有采集结果中最大值与最小值的差值作为分母，将分子与分母的比值作为第二乘积因子；

32、将每种数据的频变异常因子与第二乘积因子的乘积在施肥关联数据、水肥通用数据中所有种类数据所有采集次数上的累加结果作为施肥模糊指数。

33、优选的，所述采用模糊pid控制算法基于浇灌模糊指数、施肥模糊指数实现对施肥、灌溉的决策调整的方法为：

34、根据每个决策周期初始时刻浇灌模糊指数、施肥模糊指数的取值大小确定每个决策周期初始时刻的浇灌隶属集合、施肥隶属集合；

35、根据每个决策周期初始时刻的浇灌隶属集合、施肥隶属集合调节pid控制算法中的系数，实现对施肥、灌溉的决策调整。

36、优选的，所述根据每个决策周期初始时刻的浇灌隶属集合、施肥隶属集合调节pid控制算法中的系数的方法为：

37、分别获取每个决策周期初始时刻浇灌模糊指数、施肥模糊指数的数据映射结果；分别将预设参数与每个决策周期初始时刻浇灌模糊指数、施肥模糊指数的数据映射结果之间的差值作为第三差值、第四差值，

38、当每个决策周期初始时刻的浇灌隶属集合、施肥隶属集合均为高隶属度集合时，将pid控制算法中比例系数、积分系数均设置为每个决策周期初始时刻浇灌模糊指数、施肥模糊指数的数据映射结果的乘积；

39、当每个决策周期初始时刻的浇灌隶属集合、施肥隶属集合均为低隶属度集合时，将pid控制算法中比例系数、积分系数均设置为第三差值与第四差值的乘积；

40、当每个决策周期初始时刻的浇灌隶属集合为高隶属度集合，施肥隶属集合为低隶属度集合时，将pid控制算法中比例系数设置为每个决策周期初始时刻浇灌模糊指数的数据映射结果与第四差值的乘积；将pid控制算法中积分系数设置为第三差值与每个决策周期初始时刻施肥模糊指数的数据映射结果与的乘积；

41、当每个决策周期初始时刻的浇灌隶属集合为低隶属度集合，施肥隶属集合为高隶属度集合时，将pid控制算法中比例系数设置为第三差值与每个决策周期初始时刻施肥模糊指数的数据映射结果与的乘积；将pid控制算法中积分系数设置为每个决策周期初始时刻浇灌模糊指数的数据映射结果与第四差值的乘积。

42、本发明的有益效果是：本发明通过对灌时序矩阵、施肥时序矩阵、水肥时序矩阵合并所得矩阵进行因子分析得到每种数据的全局因子得分，其反应了每个因子对每种采集数据数据的影响程度；其次通过傅里叶变换所得每种数据的频域信号得到每种数据的频变异常因子，能够通过频域分析衡量每种数据的不确定性以及波动性，特别是在面对变化无规律的环境条件下；并分别结合浇灌关联数据、水肥通用数据数据中每种数据的稳定情况构建浇灌模糊指数，基于施肥关联数据、水肥通用数据数据中每种数据的稳定情况构建施肥模糊指数，浇灌模糊指数、施肥模糊指数能够从全局的角度考虑环境不确定性和数据波动之间的协调关系，根据浇灌模糊指数、施肥模糊指数对模糊pid算法进行优化，使其能够通过周围环境等相关数据快速的对土壤水分需求和肥料需求做出判断，从而进行调整和控制，使其能够通过各种数据的不确定性和难以预测性进行控制判断，增强了智能决策随环境变化而进行动态调整的效率。