基于模糊判决的农作物灌溉策略及决策系统

摘要

本发明涉及一种基于模糊判决的农作物灌溉策略及决策系统，本农作物灌溉策略包括如下步骤：步骤S1，根据样本数据建立生成系统知识库；以及步骤S2，根据农作物当前生长环境、生长阶段数据，通过模糊判决确定当前农作物灌溉的需水量；本发明的农作物灌溉策略及农作物灌溉决策系统能有效的根据样本数据建立生成系统知识库，以分析农作物当前生长环境、生长阶段数据，进而获得精确灌溉用水量，同传统的根据土壤温湿度条件相比，综合考虑不同土质、生长环境、天气情况以及农作物的不同生长阶段，可以更直接地反应作物水分状况，将作物的生长环境和生长情况共同作为作物需水决策依据，可增加判决精度，有效提高水资源的利用率。

说明书

技术领域

本发明涉及模式识别和节水灌溉，特别是在基于模糊判决的作物灌溉决策系统中。

背景技术

水资源短缺是世界各国面临的重大难题，我国农业灌溉普遍采用传统的地面灌水技术，灌溉水利用系数低于50％，水浪费现象严重，实施基于作物需水信息特征的精准灌溉是农业节水灌溉的有效途径。作为高新技术与农业生产相结合的产业，精准灌溉根据土壤、气候、灌溉设施、作物生长等实际情况，对灌溉时机、水量、方式进行精准控制，使作物需水量达到最佳状态，实现水资源的高效利用，以取得最佳的经济效益和环境效益。

目前对农作物的灌溉决策大多数都以土壤温度和湿度为依据，并不能准确地反映农作物实际的需水情况。

因此，针对上述问题，需要设计一种能精确控制灌溉量，以保证农作物更好生长的农作物灌溉策略及农作物灌溉决策系统。

发明内容

本发明的目的是提供一种农作物灌溉策略及农作物灌溉决策系统，以达到对农作物实现精确灌溉的目的。

为了解决上述技术问题，本发明提供了一种农作物灌溉策略，包括如下步骤：

步骤S1，根据样本数据建立生成系统知识库；

步骤S2，根据农作物当前生长环境、生长阶段数据，通过模糊判决确定当 前农作物灌溉的需水量。

进一步，所述步骤S1中根据样本数据建立生成系统知识库的方法包括：

步骤S11，采集农作物生长环境、各生长阶段的需水量数据信息作为样本数据，建立农作物需水量关联数据库，以构造模糊信息系统；

步骤S12，在模糊信息系统中进行属性约简，生成概率决策规则；以及

步骤S13，利用神经网络对约简进行训练，以生成所述系统知识库。

进一步，所述步骤S2中根据农作物当前生长环境、生长阶段数据，通过模糊判决确定当前农作物灌溉的需水量，即

根据农作物当前生长环境、生长阶段的数据情况，通过神经网络模糊判决确定当前农作物需水量。

进一步，所述步骤S11中采集农作物生长环境、各生长阶段的需水量数据信息，建立农作物需水量关联数据库，以构造模糊信息系统的方法包括如下步骤：

步骤S111，建立农作物生长环境因素样本集U，需水量条件属性集C和需水量决策属性集V；

步骤S112，所述模糊信息系统构造，即

所述模糊信息系统为四元组：G＝{U，A，V，f}；其中

U为论域，即所有农作物样本信息的集合；

A为属性集合，即A＝C∪D，式中：C表示条件属性，即农作物的土壤湿度、土壤温度、生长阶段属性组成的集合；D表示决策属性，即农作物需水量属性组成的集合；

V为属性值域的并集，V＝∪V_a，V_a表示属性a∈A的值域，即土壤湿度、生长阶段和需水量属性的值域集合的并集；

f表示U×A→V信息函数，为论域中每个对象赋予属性值，即x∈U，有f(x，a)∈V_a。

进一步，所述步骤S1中将模糊信息系统中进行属性约简，即

判断属性相似度，对条件属性进行约简，获得约简条件属性集合C₁，其方法包括如下步骤：

步骤S121，定义属性相似度其中：X，Y∈A，X和Y为论域中的任意两个属性，即A是条件属性和决策属性的并集；ind(·)是论域U关于属性·的等价划分类；n为等价划分类数；

步骤S122，计算属性中条件属性与决策属性之间的相似度S(c_i，D)，其中c_i，c_j∈C，i＝1…m，i≠j，m为条件属性的个数；根据相似度S(c_i，D)的值大小将条件属性进行降序排列C＝{c₁，c₂，…，c_m}；其中

S(c₁，D)≥S(c₂，D)≥…≥S(c_m，D)；

步骤S123，定义约简属性集C₁＝Φ，对于属性中计算其中两个条件属性之间的相似度S(c_i，c_j)，式中c_i，c_j∈C，i，j＝1…m，i≠j，i＜j；

if S(c_i，c_j)≥S(c_i，D)then>1＝C-c_j；以及

计算S(C₁，D)，if>1，D)＝S(C，D)then>1＝C-c_j，else>1＝C；

步骤S124，直至各条件属性完成遍历；

步骤S125，得到约简条件属性集合C₁。

进一步，所述步骤S13中利用神经网络对约简进行训练的方法包括如下步骤：

步骤S131，将经条件约简后的样本数据送入概率神经网络输入层，且神经元节点数与条件属性集合维数相等；

步骤S133，设置隐含层神经元节点数与样本数相等，神经元采用高斯核函数确定输入输出关系：

${\Phi }_{tk}\left(x\right)=\frac{1}{{\left(2\pi \right)}^{\frac{d}{2}}}\exp [-\frac{(x-x_{tk}){(x-x_{tk})}^T}{{\sigma }^2}]$

其中t＝1，…M,k＝1，…N_t；x是需要进行决策的输入向量，具有d个属性；d的值为经过约简后得到的条件属性维度；x_tk是隐含层向量，为隐含层中第t类样本的第k个神经元；M是训练样本的总类数，即等于决策属性的维度；Nt是第t类的样本数；以及σ是平滑因子,σ∈(0，∞)；

步骤S133，加权层对属于同一类隐含神经元的输出做加权平均：

$v_t=\frac{1}{N_t}\underset{k=1}{\overset{N_t}{\Sigma }}{\Phi }_{tk}\left(x\right)$

其中t＝1，…M；

步骤S134，计算所有神经元输出中具有最大后验概率密度值ρ(x)＝argmax(t)的类别作为神经网络的输出结果；

步骤S135，取神经网络的输出结果作为土壤需水量的决策值，并构建决策表。

又一方面，本发明还提供了一种农作物灌溉决策系统。

所述农作物灌溉决策系统，包括：用于采集农作物当前生长环境、生长阶段数据的采集模块，与该农作物相应数据采集模块相连的服务器；所述服务器适于调节农作物灌溉的用水量。

进一步，所述服务器适于采用所述的农作物灌溉策略进行用水量调控。

本发明的有益效果是，本发明的农作物灌溉策略及农作物灌溉决策系统能有效的根据样本数据建立生成系统知识库，以分析农作物当前生长环境、生长阶段数据，进而获得精确灌溉用水量，同传统的根据土壤温湿度条件相比，综合考虑不同土质、生长环境、天气情况以及农作物的不同生长阶段，可以更直接地反应作物水分状况，将作物的生长环境和生长情况共同作为作物需水决策依据，可增加判决精度，有效提高水资源的利用率。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的农作物灌溉策略的流程框图；

图2是本发明的农作物灌溉决策系统的原理框图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

如图1所示，本实施例提供了一种农作物灌溉策略，包括如下步骤：

步骤S1，根据样本数据建立生成系统知识库；以及

步骤S2，根据农作物当前生长环境、生长阶段数据，通过模糊判决确定当前农作物灌溉的需水量。

其中，所述样本数据包括但不限于农作物生长土壤类型、土壤湿度、土壤温度、空气相对湿度、空气温度、大气光照强度、风速、日照时数等农作物生长环境数据。

具体的，所述步骤S1中根据样本数据建立生成系统知识库的方法包括：

步骤S11，采集农作物生长环境、各生长阶段的需水量数据信息作为样本数据，建立农作物需水量关联数据库，以构造模糊信息系统；

步骤S12，在模糊信息系统中进行属性约简，生成概率决策规则；以及

步骤S13，利用神经网络对约简进行训练，以生成所述系统知识库。

具体的，所述步骤S2中根据农作物当前生长环境、生长阶段数据，通过模糊判决确定当前农作物灌溉的需水量，即

根据农作物当前生长环境、生长阶段的数据情况，通过神经网络模糊判决确定当前农作物需水量。

具体的，所述步骤S11中采集农作物生长环境、各生长阶段的需水量数据信息，建立农作物需水量关联数据库，以构造模糊信息系统的方法包括如下步骤：

步骤S111，建立农作物生长环境因素样本集U，需水量条件属性集C和需水量决策属性集V；

步骤S112，所述模糊信息系统构造，即

所述模糊信息系统为四元组：G＝{U，A，V，f}；其中

U为论域，即所有农作物样本信息的集合；

A为属性集合，即A＝C∪D，式中：C表示条件属性，即农作物的土壤湿度、土壤温度、生长阶段属性组成的集合；D表示决策属性，即农作物需水量属性组成的集合；

V为属性值域的并集，V＝∪V_a，V_a表示属性a∈A的值域，即土壤湿度、生长阶段和需水量属性的值域集合的并集，a表示某个条件属性；

f表示U×A→V信息函数，为论域中每个对象赋予属性值，即x∈U， 有f(x，a)∈V_a。x表示论域U中某一个对象，具体为样本或待决策的对象。f为论域中的每个对象的每个属性赋予一个信息值。

具体的，所述步骤S1中将模糊信息系统中进行属性约简，即

判断属性相似度，对条件属性进行约简，获得约简条件属性集合C₁，其方法包括如下步骤：

步骤S121，定义属性相似度其中：X，Y∈A，X和Y为论域中的任意两个属性，即A是条件属性和决策属性的并集，其中X和Y都可以是条件属性或者决策属性；ind(·)是论域U关于属性·的等价划分类；n为等价划分类数；

步骤S122，计算属性中条件属性与决策属性之间的相似度S(c_i，D)，其中c_i，c_j∈C,i＝1…m，i≠j，m为条件属性的个数；根据相似度S(c_i，D)的值大小将条件属性进行降序排列C＝{c₁，c₂，…c_m}；其中

S(c₁，D)≥S(c₂，D)≥…≥S(c_m，D)；

步骤S123，定义约简属性集C₁＝Φ，对于属性中计算其中两个条件属性之间的相似度S(c_i，c_j)，式中c_i，c_j∈C，i，j＝1…m，i≠j，i＜j；

if S(c_i，c_j)≥S(c_i，D)then>1＝C-c_j；以及

计算S(C₁，D)，if>1，D)＝S(C,D)then>1＝C-c_j，else>1＝C；

具体的，按照条件属性与决策属性相似度的大小将条件属性降序排序后，比较两个条件属性之间的相似度。如果两个条件属性之间的相似度比某个条件属性与决策属性之间的相似度大，则认为这两个条件属性之间冗余的可能性大， 则将条件属性与决策属性之间相似度较小的那个条件属性作为冗余属性，其余的条件属性作为约简后的条件属性。计算约简后条件属性与约简前条件属性之间的相似度相等，则认为冗余属性确实的冗余不必要的。否则约简后的条件属性仍未原来的条件属性。

步骤S124，直至各条件属性完成遍历；

步骤S125，得到约简条件属性集合C₁。

具体的，所述步骤S13中利用神经网络对约简进行训练的方法包括如下步骤：

步骤S131，将经条件约简后的样本数据送入概率神经网络输入层，且神经元节点数与条件属性集合维数相等；

步骤S133，设置隐含层神经元节点数与样本数相等，神经元采用高斯核函数确定输入输出关系：

${\Phi }_{tk}\left(x\right)=\frac{1}{{\left(2\pi \right)}^{\frac{d}{2}}}\exp [-\frac{(x-x_{tk}){(x-x_{tk})}^T}{{\sigma }^2}]$

其中t＝1，…M,k＝1，…N_t；x是需要进行决策的输入向量，具有d个属性；d的值为经过约简后得到的条件属性维度；x_tk是隐含层向量，为隐含层中第t类样本的第k个神经元；M是训练样本的总类数，即等于决策属性的维度；Nt是第t类的样本数；以及σ是平滑因子,σ∈（0,∞)；

步骤S133，加权层对属于同一类隐含神经元的输出做加权平均：

$v_t=\frac{1}{N_i}\underset{k=1}{\overset{N_t}{\Sigma }}{\Phi }_{tk}\left(x\right)$

其中t＝1，…M；Φ_tk是上一步的输出值；v_t是加权层把隐含层中属于相同 一类的隐含神经元的输出做加权平均；

步骤S134，计算所有神经元输出中具有最大后验概率密度值ρ(x)＝argmax(v_t)的类别作为神经网络的输出结果；

步骤S135，取神经网络的输出结果作为土壤需水量的决策值，并构建决策表。

实施例2

在实施例1基础上，本实施例2还提供了一种农作物灌溉决策系统，包括：用于采集农作物当前生长环境、生长阶段数据的采集模块，与该农作物相应数据采集模块相连的服务器；所述服务器适于调节农作物灌溉的用水量。

具体的，采集模块包括：土壤水分传感器、土壤温度传感器、空气湿度传感器、空气温度传感器、光照强度传感器和风速传感器，以分别采集弄作物生长土壤类型、土壤湿度、土壤温度、空气相对湿度、空气温度、大气光照强度、风速、日照时数等农作物生长环境数据，并将获取的生长环境数据通过无线网络传送给服务器。

各传感器可以通过一控制器作为传输节点，对各传感器的数据进行汇总后发送至服务器，并且通过控制器将各数据采集汇总并通过无线发送进行发送均可以采用现有技术来实现。

其中，所述服务器适于采用如实施例1所述的农作物灌溉策略进行用水量调控。

具体的，服务器根据作物生长环境数据以及当前的生长阶段，进行模糊决策，判断当前农作物的需水量，确定作物灌溉电磁阀们开启时间。服务器将电池阀门的开启信息通过无线网络发送给控制器，控制电磁阀门的开、闭，最终实现作物需水量的精确控制。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。