开云优惠体育网页版入口

专利名称：一种水肥一体化滴喷灌调控系统

专利类型：发明专利

专利申请号：CN202411296366.8

专利申请（专利权）人：浙江云舟大数据开云优惠体育网页版入口有限公司
权利人地址：浙江省台州市椒江区金茂中心1302号

专利发明（设计）人：朱鹏翔,傅江洋,陈诚杰

专利摘要：本发明涉及水肥调控技术领域，公开了一种水肥一体化滴喷灌调控系统，包括，数据采集模块，用于在第一预设时间段T内，采集t个间隔相同的时刻，M亩实验地的环境、土壤、水肥数据和植株图像；图构建模块，用于将每亩实验地的环境、土壤、水肥和植株映射为节点；图更新模块，用于在第p时刻，根据采集的第p组数据，更新各节点的特征向量，并基于更新的植株节点特征重新确定边的权重；聚类模块，用于在t个时刻对每个植株节点对应的环境、土壤和水肥节点进行聚类；规划模块，用于根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，并规划滴喷灌方案。

主权利要求：
1.一种水肥一体化滴喷灌调控系统，其特征在于，包括：数据采集模块（101），用于在第一预设时间段T内，采集t个间隔相同的时刻，M亩实验地的环境、土壤、水肥数据和植株图像；其中，对M亩实验地的培育策略包括第一策略和第二策略；
第一策略为在M亩植株的生长期和成熟期，基于标准培育方案，对每种营养元素的配量通过第一随机参数确定；
第二策略为在M亩植株的生长期和成熟期，基于标准培育方案，对水分的配量通过第二随机参数确定；
其中，第一随机参数和第二随机参数随着植株的种植时间增加，线性扩增取值范围；直到M亩植株中死亡植株达到死亡阈值，将第一随机参数和第二随机参数的取值范围还原为初始值，记录为第f个时刻；获得第f?u个时刻的第一随机参数和第二随机参数的取值范围，设为第一死亡范围和第二死亡范围；
图构建模块（102），用于将每亩实验地的环境、土壤、水肥和植株映射为节点，基于第一个时刻采集的数据构建环境、土壤和水肥节点的初始特征向量，具体包括：通过识别植株图像获得每亩植株的平均高度和平均叶片数量；
根据每亩植株的平均高度和平均叶片数量得到每亩植株的健康评分，其中，每亩植株的健康评分 的计算公式如下：；其中， 表示第x亩植株
第u个时刻的平均叶片数量， 表示第x亩植株第u个时刻的平均高度， 表示第u个时刻植株的标准叶片数量， 表示第u个时刻植株的标准高度， 和 均为指数参数，为比例系数；
通过对植株图像的绿色波段、近红外波段和蓝光波段进行分析，分别获得每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率；
根据每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率得到每亩植株的药用成分浓度，药用成分浓度表示药用植物的药用成分浓度，每亩植株的药用成分浓度的计算公式如下：；其中， 表示第x亩植株第
u个时刻的叶片的绿色波段反射率， 表示第u个时刻叶片绿色波段反射率的标准值，表示第x亩植株第u个时刻的叶片的近红外波段反射率， 表示第u个时刻叶片的近红外波段反射率的标准值， 表示第x亩植株叶片第u个时刻的蓝光波段反射率，表示第u个时刻叶片的蓝光波段反射率的标准值， 表示正弦函数，和 均表示比例系数；
通过荧光染料示踪法测定植株节点吸收水肥的平均时间为u个时刻，并基于第u个时刻的植株图像判断得到的健康评分和药用成分浓度构建植株节点的初始特征向量；并根据实体关系构建边，具体包括：根据实体关系构建边，抽取环境、土壤、水肥和植株的实体关系，基于实体关系在环境、土壤和水肥节点与其对应的植株节点之间构建边；植株节点之间基于植株节点的特征向量的相似度构建边；
图更新模块（103），用于在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量；
聚类模块（104），用于在t个时刻对每个植株节点对应的环境、土壤和水肥节点进行聚类，得到聚类向量，具体包括：计算第i个时刻下环境、土壤和水肥节点之间的综合特征关系；综合特征关系 的计算公式如下：；其中，
、 和 分别表示水肥、土壤和环境的特征向量， 、 和 分别表示水肥、土壤和环境的特征向量的权重向量， 表示综合特征关系的偏置参数， 表示综合特征关系向量， 表示 激活函数， 表示逐元素相乘；
计算第i个时刻下，水肥和土壤、土壤和环境、环境和水肥的特征关系；
；其中， 表示第i个时刻的水
肥和土壤之间的特征关系， 表示水肥和土壤之间的特征关系的偏置参数， 表示水肥和土壤之间的特征关系向量， 表示拼接操作；
；其中， 表示第i个时刻的
土壤和环境之间的特征关系， 表示土壤和环境之间的特征关系的偏置参数， 表示土壤和环境之间的特征关系向量；
；其中， 表示第i个时刻的环
境和水肥之间的特征关系， 表示环境和水肥之间的特征关系的偏置参数， 表示环境和水肥之间的特征关系向量；
根据第i个时刻下水肥和土壤、土壤和环境、环境和水肥的特征关系和环境、土壤和水肥节点之间的综合特征关系，确定聚类向量，聚类向量 的计算公式如下：；其中， 表示第i个时刻
下的聚类向量；
采集第a个植株节点的聚类向量和第a个植株节点的特征向量，生成预设的预测模型的训练样本集；采集第a个和第b个植株节点之间的聚类向量的相似度以及第a个和第b个节点的特征向量相似度，生成预设的验证模型的训练样本集；
规划模块（105），用于根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，并规划滴喷灌方案，具体包括：随机生成符合约束条件的个体数量为R的初始化粒子群，并初始化当前迭代次数Time为1；
对粒子群进行编码，编码的每项元素均表示为水和各种营养元素的配量；
约束条件为个体解的方案中每种营养元素的配量位于第一死亡范围内，水分的配量位于第二死亡范围内；
将预测模型设置为适应度函数，适应度函数值表示药用成分浓度，并得到X个个体的适应度值；
设定更新因子 ； ；其中， 表示初始攻击频
率，用于探索； 表示最终攻击频率，用于收敛； 表示攻击权重； 初始巡航广度，用于探索； 表示最终巡航广度，用于收敛； 表示巡航权重；Time表示当前迭代次数；Tmax表示最大迭代次数；
基于更新因子对个体更新；
判断Time≥Tmax；若Time≥Tmax，则确定目标时间的水肥配量，否则循环基于更新因子对个体更新。
2.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量，包括：根据环境、土壤和水肥在第p+1个时刻的新采集的数据，使用新采集的数据构建的特征向量替换环境、土壤和水肥节点在第p个时刻的特征向量。
3.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，生成预设的预测模型的训练样本集和生成预设的验证模型的训练样本集，包括：对预设的预测模型的训练包括：第a个植株节点在第i个时刻下的聚类向量与第a个植株节点在第i+u个时刻下特征向量配对，作为一组训练样本，重复该过程，获得预测模型训练样本集合；利用预测模型训练样本集合，训练预测模型；
对预设的验证模型的训练包括：将第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度和第i+u个时刻下第i个植株节点和第j个植株节点的特征向量的相似度配对，若第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度＞第一相似度阈值，则作为一组训练样本，重复该过程，获得验证模型训练样本集合；利用验证模型训练样本集合，训练验证模型；
训练过程中，对预设的预测模型和预设的验证模型采用均方误差作为损失函数，对预测模型进行优化；
设定第二预设时间段G；采集Q个间隔相同的时刻，P亩实验地的环境、土壤、水肥数据和植株图像；基于第二预设时间段G中第i个时刻下采集的环境、土壤和水肥数据，使用预测模型对植株的第i+u个时刻下健康评分和药用成分浓度进行预测；使用验证模型和预测模型相互验证。
4.根据权利要求3所述的一种水肥一体化滴喷灌调控系统，其特征在于，使用验证模型和预测模型相互验证，包括：基于第二预设时间段G中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，通过预测模型分别得到节点a、节点b的第i+u个时刻的预测特征向量；
基于第二预设时间段G中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，判断植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值；
若植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值，则通过验证模型分别得到节点a和节点b在第i+u个时刻的验证值；
判断节点a、节点b的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值；
若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值，则预测模型训练完成；
若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＜第二相似度阈值，则继续训练预测模型和验证模型。
5.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，基于更新因子对个体更新，包括：选择R个个体中健康评分低于健康阈值的个体，作为父代更新；
计算第i个个体的攻击向量 ，公式表示为： ；其中， 表示当前全局最优的个体， 表示第i个个体；
设定第i个个体的超平面，超平面为垂直于第i个个体的攻击向量的向量 ；
计算第i个个体的巡航向量 ，公式表示为： ；其中， 表示攻击向量在超平面的投影；
个体的更新公式，如下：
；
；
其中， 表示第i个个体的更新向量， 表示第i个个体的更新值， 和 表示随机数， 表示攻击向量的模长， 表示巡航向量的模长。
6.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，根据目标区域的环境、土壤数据和植株图像，结合预设模型，确定目标时间的水肥配量，并规划滴喷灌方案，包括：采集滴管和喷管的数量和滴管和喷管的单位时间的最大输送量；
根据目标时间的时长和目标时间的水肥配量，确定单位时间的实际输送量；
根据单位时间的实际输送量，基于滴灌优先的策略，得到滴喷灌方案；
其中，滴灌优先的策略表示优先使用滴灌满足目标时间的水肥配量需求；当滴灌的单位时间输送量无法完全满足目标时间的水肥配量时，再使用喷灌系统进行补充。 说明书 : 一种水肥一体化滴喷灌调控系统技术领域[0001] 本发明涉及水肥调控领域，更具体地说，它涉及一种水肥一体化滴喷灌调控系统。背景技术[0002] 目前，对药作物的种植管理主要依赖于水肥一体化的滴喷灌技术。这一技术通过将灌溉与施肥结合，以精准的方式将水和肥料输送到作物根系，确保作物在其生长过程中得到均衡的水分与养分。[0003] 然而，现有的水肥滴喷灌技术虽然在药作物的基础生长管理中起到了重要作用，但在提升药作物药用价值方面存在不足。现有技术有的只聚焦于提供均衡的水肥供应，但忽视了通过水分应激、肥料成分的刺激配合环境因素的综合调控来激发药作物的药用成分积累。发明内容[0004] 本发明提供一种水肥一体化滴喷灌调控系统，解决背景技术中提出的技术问题。[0005] 本发明提供了一种水肥一体化滴喷灌调控系统，包括：[0006] 数据采集模块（101），用于在第一预设时间段T内，采集t个间隔相同的时刻，M亩实验地的环境、土壤、水肥数据和植株图像；其中，对M亩实验地的培育策略包括第一策略和第二策略；[0007] 第一策略为在M亩植株的生长期和成熟期，基于标准培育方案，对每种营养元素的配量通过第一随机参数确定；[0008] 第二策略为在M亩植株的生长期和成熟期，基于标准培育方案，对水分的配量通过第二随机参数确定；[0009] 其中，第一随机参数和第二随机参数随着植株的种植时间增加，线性扩增取值范围；直到M亩植株中死亡植株达到死亡阈值，将第一随机参数和第二随机参数的取值范围还原为初始值，记录为第f个时刻；获得第f?u个时刻的第一随机参数和第二随机参数的取值范围，设为第一死亡范围和第二死亡范围；[0010] 图构建模块（102），用于将每亩实验地的环境、土壤、水肥和植株映射为节点，基于第一个时刻采集的数据构建环境、土壤和水肥节点的初始特征向量，具体包括：[0011] 通过识别植株图像获得每亩植株的平均高度和平均叶片数量；[0012] 根据每亩植株的平均高度和平均叶片数量得到每亩植株的健康评分，其中，每亩植株的健康评分 的计算公式如下：[0013] ；其中， 表示第x亩植株第u个时刻的平均叶片数量， 表示第x亩植株第u个时刻的平均高度， 表示第u个时刻植株的标准叶片数量， 表示第u个时刻植株的标准高度，和 均为指数参数，为比例系数；[0014] 通过对植株图像的绿色波段、近红外波段和蓝光波段进行分析，分别获得每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率；[0015] 根据每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率得到每亩植株的药用成分浓度，药用成分浓度表示药用植物的药用成分浓度，每亩植株的药用成分浓度 的计算公式如下：[0016] ；其中， 表示第x亩植株第u个时刻的叶片的绿色波段反射率， 表示第u个时刻叶片绿色波段反射率的标准值， 表示第x亩植株第u个时刻的叶片的近红外波段反射率， 表示第u个时刻叶片的近红外波段反射率的标准值， 表示第x亩植株叶片第u个时刻的蓝光波段反射率，表示第u个时刻叶片的蓝光波段反射率的标准值， 表示正弦函数，和 均表示比例系数；[0017] 通过荧光染料示踪法测定植株节点吸收水肥的平均时间为u个时刻，并基于第u个时刻的植株图像判断得到的健康评分和药用成分浓度构建植株节点的初始特征向量；并根据实体关系构建边，具体包括：[0018] 根据实体关系构建边，抽取环境、土壤、水肥和植株的实体关系，基于实体关系在环境、土壤和水肥节点与其对应的植株节点之间构建边；植株节点之间基于植株节点的特征向量的相似度构建边；[0019] 图更新模块（103），用于在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量；[0020] 聚类模块（104），用于在t个时刻对每个植株节点对应的环境、土壤和水肥节点进行聚类，得到聚类向量，具体包括：[0021] 计算第i个时刻下环境、土壤和水肥节点之间的综合特征关系；综合特征关系的计算公式如下：[0022] ；其中， 、 和 分别表示水肥、土壤和环境的特征向量， 、 和 分别表示水肥、土壤和环境的特征向量的权重向量， 表示综合特征关系的偏置参数， 表示综合特征关系向量， 表示 激活函数， 表示逐元素相乘；[0023] 计算第i个时刻下，水肥和土壤、土壤和环境、环境和水肥的特征关系；[0024] ；其中， 表示第i个时刻的水肥和土壤之间的特征关系， 表示水肥和土壤之间的特征关系的偏置参数， 表示水肥和土壤之间的特征关系向量， 表示拼接操作；[0025] ；其中， 表示第i个时刻的土壤和环境之间的特征关系， 表示土壤和环境之间的特征关系的偏置参数， 表示土壤和环境之间的特征关系向量；[0026] ；其中， 表示第i个时刻的环境和水肥之间的特征关系， 表示环境和水肥之间的特征关系的偏置参数， 表示环境和水肥之间的特征关系向量；[0027] 根据第i个时刻下水肥和土壤、土壤和环境、环境和水肥的特征关系和环境、土壤和水肥节点之间的综合特征关系，确定聚类向量，聚类向量 的计算公式如下：[0028] ；其中， 表示第i个时刻下的聚类向量；[0029] 采集第a个植株节点的聚类向量和第a个植株节点的特征向量，生成预设的预测模型的训练样本集；采集第a个和第b个植株节点之间的聚类向量的相似度以及第a个和第b个节点的特征向量相似度，生成预设的验证模型的训练样本集；[0030] 规划模块（105），用于根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，并规划滴喷灌方案，具体包括：[0031] 随机生成符合约束条件的个体数量为R的初始化粒子群，并初始化当前迭代次数Time为1；[0032] 对粒子群进行编码，编码的每项元素均表示为水和各种营养元素的配量；[0033] 约束条件为个体解的方案中每种营养元素的配量位于第一死亡范围内，水分的配量位于第二死亡范围内；[0034] 将预测模型设置为适应度函数，适应度函数值表示药用成分浓度，并得到X个个体的适应度值；[0035] 设定更新因子 ； ；其中， 表示初始攻击频率，用于探索； 表示最终攻击频率，用于收敛； 表示攻击权重； 初始巡航广度，用于探索； 表示最终巡航广度，用于收敛； 表示巡航权重；Time表示当前迭代次数；Tmax表示最大迭代次数；[0036] 基于更新因子对个体更新；[0037] 判断Time≥Tmax；若Time≥Tmax，则确定目标时间的水肥配量，否则循环基于更新因子对个体更新。[0038] 进一步的，在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量，包括：[0039] 根据环境、土壤和水肥在第p+1个时刻的新采集的数据，使用新采集的数据构建的特征向量替换环境、土壤和水肥节点在第p个时刻的特征向量。[0040] 进一步的，生成预设的预测模型的训练样本集和生成预设的验证模型的训练样本集，包括：[0041] 对预设的预测模型的训练包括：第a个植株节点在第i个时刻下的聚类向量与第a个植株节点在第i+u个时刻下特征向量配对，作为一组训练样本，重复该过程，获得预测模型训练样本集合；利用预测模型训练样本集合，训练预测模型；[0042] 对预设的验证模型的训练包括：将第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度和第i+u个时刻下第i个植株节点和第j个植株节点的特征向量的相似度配对，若第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度＞第一相似度阈值，则作为一组训练样本，重复该过程，获得验证模型训练样本集合；利用验证模型训练样本集合，训练验证模型；[0043] 训练过程中，对预设的预测模型和预设的验证模型采用均方误差作为损失函数，对预测模型进行优化；[0044] 设定第二预设时间段G；采集Q个间隔相同的时刻，P亩实验地的环境、土壤、水肥数据和植株图像；基于第二预设时间段G中第i个时刻下采集的环境、土壤和水肥数据，使用预测模型对植株的第i+u个时刻下健康评分和药用成分浓度进行预测；使用验证模型和预测模型相互验证。[0045] 进一步的，使用验证模型和预测模型相互验证，包括：[0046] 基于第二预设时间段G中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，通过预测模型分别得到节点a、节点b的第i+u个时刻的预测特征向量；[0047] 基于第二预设时间段G中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，判断植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值；[0048] 若植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值，则通过验证模型分别得到节点a和节点b在第i+u个时刻的验证值；[0049] 判断节点a、节点b的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值；[0050] 若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值，则预测模型训练完成；[0051] 若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＜第二相似度阈值，则继续训练预测模型和验证模型。[0052] 进一步的，基于更新因子对个体更新，包括：[0053] 选择R个个体中健康评分低于健康阈值的个体，作为父代更新；[0054] 计算第i个个体的攻击向量 ，公式表示为： ；其中， 表示当前全局最优的个体， 表示第i个个体；[0055] 设定第i个个体的超平面，超平面为垂直于第i个个体的攻击向量的向量 ；[0056] 计算第i个个体的巡航向量 ，公式表示为： ；其中，表示攻击向量在超平面的投影；[0057] 个体的更新公式，如下：[0058] ；[0059] ；[0060] 其中， 表示第i个个体的更新向量， 表示第i个个体的更新值， 和 表示随机数， 表示攻击向量的模长， 表示巡航向量的模长。[0061] 进一步的，根据目标区域的环境、土壤数据和植株图像，结合预设模型，确定目标时间的水肥配量，并规划滴喷灌方案，包括：[0062] 采集滴管和喷管的数量和滴管和喷管的单位时间的最大输送量；[0063] 根据目标时间的时长和目标时间的水肥配量，确定单位时间的实际输送量；[0064] 根据单位时间的实际输送量，基于滴灌优先的策略，得到滴喷灌方案；[0065] 其中，滴灌优先的策略表示优先使用滴灌满足目标时间的水肥配量需求；当滴灌的单位时间输送量无法完全满足目标时间的水肥配量时，再使用喷灌系统进行补充。[0066] 本发明的有益效果在于：通过在药用植物的生长过程中，捕捉水肥和药用成分的关系，结合改进的粒子群算法得到最大化药用成分的水肥配量，保证药作物存活的情况下给与药作物合理的刺激，进而使药作物积累较多的药用成分，提高了药作物的经济价值。附图说明[0067] 图1是本发明的一种水肥一体化滴喷灌调控系统模块图。[0068] 图中：101、数据采集模块；102、图构建模块；103、图更新模块；104、聚类模块；105、规划模块。具体实施方式[0069] 现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。[0070] 如图1所示，一种水肥一体化滴喷灌调控系统，包括：[0071] 数据采集模块（101），用于在第一预设时间段T内，采集t个间隔相同的时刻，M亩实验地的环境、土壤、水肥数据和植株图像；其中，对M亩实验地的培育策略包括第一策略和第二策略；[0072] 第一策略为在M亩植株的生长期和成熟期，基于标准培育方案，对每种营养元素的配量通过第一随机参数确定；[0073] 第二策略为在M亩植株的生长期和成熟期，基于标准培育方案，对水分的配量通过第二随机参数确定；[0074] 其中，第一随机参数和第二随机参数随着植株的种植时间增加，线性扩增取值范围；直到M亩植株中死亡植株达到死亡阈值，将第一随机参数和第二随机参数的取值范围还原为初始值，记录为第f个时刻；获得第f?u个时刻的第一随机参数和第二随机参数的取值范围，设为第一死亡范围和第二死亡范围；[0075] 图构建模块（102），用于将每亩实验地的环境、土壤、水肥和植株映射为节点，基于第一个时刻采集的数据构建环境、土壤和水肥节点的初始特征向量，具体包括：[0076] 通过识别植株图像获得每亩植株的平均高度和平均叶片数量；[0077] 根据每亩植株的平均高度和平均叶片数量得到每亩植株的健康评分，其中，每亩植株的健康评分 的计算公式如下：[0078] ；其中， 表示第x亩植株第u个时刻的平均叶片数量， 表示第x亩植株第u个时刻的平均高度， 表示第u个时刻植株的标准叶片数量， 表示第u个时刻植株的标准高度，和 均为指数参数，为比例系数；[0079] 通过对植株图像的绿色波段、近红外波段和蓝光波段进行分析，分别获得每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率；[0080] 根据每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率得到每亩植株的药用成分浓度，药用成分浓度表示药用植物的药用成分浓度，每亩植株的药用成分浓度 的计算公式如下：[0081] ；其中， 表示第x亩植株第u个时刻的叶片的绿色波段反射率， 表示第u个时刻叶片绿色波段反射率的标准值， 表示第x亩植株第u个时刻的叶片的近红外波段反射率， 表示第u个时刻叶片的近红外波段反射率的标准值， 表示第x亩植株叶片第u个时刻的蓝光波段反射率，表示第u个时刻叶片的蓝光波段反射率的标准值， 表示正弦函数，和 均表示比例系数；[0082] 通过荧光染料示踪法测定植株节点吸收水肥的平均时间为u个时刻，并基于第u个时刻的植株图像判断得到的健康评分和药用成分浓度构建植株节点的初始特征向量；并根据实体关系构建边，具体包括：[0083] 根据实体关系构建边，抽取环境、土壤、水肥和植株的实体关系，基于实体关系在环境、土壤和水肥节点与其对应的植株节点之间构建边；植株节点之间基于植株节点的特征向量的相似度构建边；[0084] 图更新模块（103），用于在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量；[0085] 聚类模块（104），用于在t个时刻对每个植株节点对应的环境、土壤和水肥节点进行聚类，得到聚类向量，具体包括：[0086] 计算第i个时刻下环境、土壤和水肥节点之间的综合特征关系；综合特征关系的计算公式如下：[0087] ；其中， 、 和 分别表示水肥、土壤和环境的特征向量， 、 和 分别表示水肥、土壤和环境的特征向量的权重向量， 表示综合特征关系的偏置参数， 表示综合特征关系向量， 表示 激活函数， 表示逐元素相乘；[0088] 计算第i个时刻下，水肥和土壤、土壤和环境、环境和水肥的特征关系；[0089] ；其中， 表示第i个时刻的水肥和土壤之间的特征关系， 表示水肥和土壤之间的特征关系的偏置参数， 表示水肥和土壤之间的特征关系向量， 表示拼接操作；[0090] ；其中， 表示第i个时刻的土壤和环境之间的特征关系， 表示土壤和环境之间的特征关系的偏置参数， 表示土壤和环境之间的特征关系向量；[0091] ；其中， 表示第i个时刻的环境和水肥之间的特征关系， 表示环境和水肥之间的特征关系的偏置参数， 表示环境和水肥之间的特征关系向量；[0092] 根据第i个时刻下水肥和土壤、土壤和环境、环境和水肥的特征关系和环境、土壤和水肥节点之间的综合特征关系，确定聚类向量，聚类向量 的计算公式如下：[0093] ；其中， 表示第i个时刻下的聚类向量；[0094] 采集第a个植株节点的聚类向量和第a个植株节点的特征向量，生成预设的预测模型的训练样本集；采集第a个和第b个植株节点之间的聚类向量的相似度以及第a个和第b个节点的特征向量相似度，生成预设的验证模型的训练样本集；[0095] 规划模块（105），用于根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，并规划滴喷灌方案，具体包括：[0096] 随机生成符合约束条件的个体数量为R的初始化粒子群，并初始化当前迭代次数Time为1；[0097] 对粒子群进行编码，编码的每项元素均表示为水和各种营养元素的配量；[0098] 约束条件为个体解的方案中每种营养元素的配量位于第一死亡范围内，水分的配量位于第二死亡范围内；[0099] 将预测模型设置为适应度函数，适应度函数值表示药用成分浓度，并得到X个个体的适应度值；[0100] 设定更新因子 ； ；其中， 表示初始攻击频率，用于探索； 表示最终攻击频率，用于收敛； 表示攻击权重； 初始巡航广度，用于探索； 表示最终巡航广度，用于收敛； 表示巡航权重；Time表示当前迭代次数；Tmax表示最大迭代次数；[0101] 基于更新因子对个体更新；[0102] 判断Time≥Tmax；若Time≥Tmax，则确定目标时间的水肥配量，否则循环基于更新因子对个体更新。[0103] 环境数据包括：环境温度、环境湿度、环境光照强度和环境二氧化碳浓度；[0104] 土壤数据包括：土壤温度、土壤湿度、土壤pH值和土壤中氮磷钾钙镁硫元素含量；[0105] 水肥数据包括：水配量和氮磷钾钙镁硫元素的配量；[0106] 需要说明的是，通过荧光染料示踪法测定植株节点吸收水肥的平均时间；例如，在第一预设时间段T中的第一个时刻在水肥中掺入罗丹明B荧光染剂，该荧光染料在低浓度下对植株无害，通过荧光显微镜检测到植物内部染料的分布情况，从而判断水肥平均在第u个时刻被植株吸收。[0107] 标准培育方案表示标准的水肥培育方案，可以从互联网采集也可以从种植企业或者种植农户端采集；[0108] 将植株的整个生长周期划分为四个阶段：秧苗期、生长期、成熟期和采摘期；根据不同的生长需求进行水肥管理；其中，秧苗期，植株的初始生长阶段，主要关注根系发育和幼苗健康；生长期，植株快速生长，叶片和枝条开始发育，需水需肥量增加；成熟期，植株生长逐渐趋于稳定，开始积累营养和药用成分，准备进入采摘阶段；采摘期，植株生长完成，进入收获阶段；[0109] 其中，第一策略为营养元素的供给调整，在植株的生长期和成熟期，通过在标准培育方案的基础上添加第一随机参数，来调整每种营养元素的配量，营养元素的供给量会更加多样化，得到肥料供给量的变化影响植株生长和药用成分积累的数据；[0110] 其中，第二策略为水分的供给调整，在植株的生长期和成熟期，通过在标准培育方案的基础上添加第二随机参数，来调整水分的配量，以测试不同水分条件对植株生长的影响，通过调整水分供给，得到水分供给量的变化影响植株生长和药用成分积累的数据；[0111] 例如，设定第一随机参数的初始取值范围为 ，第二随机参数的初始取值范围为 ，第一随机参数和第二随机参数以小数点后三位为精度进行表达；标准培育方案中在初始时刻的水肥配量中水配量为2，氮磷钾的配量分别为0.4、0.5和0.2；在第二时刻，第一随机参数对氮配量的随机值为0.961，第一随机参数对磷配量的随机值为0.983，第一随机参数对钾配量的随机值为1.004，第二随机参数对水的随机值为0.957；得到第二时刻水肥配量中水配量为1.914，氮磷钾的配量分别为0.384、0.492和0.201；[0112] 随着植株的种植时间增加，线性扩增取值范围，设定线性扩增参数为1.1，则在第二时刻第一随机参数的初始取值范围为 ，第二随机参数的初始取值范围为；[0113] 当M亩植株中死亡植株的数量达到一个预设的死亡阈值时，标记当前时间为第f个时刻，记录第f?u个时刻的参数，记录第f?u个时刻时，第一随机参数和第二随机参数的取值范围；该取值范围被定义为第一死亡范围和第二死亡范围，代表植株在未达死亡阈值时仍能生存的营养元素和水分供给范围；[0114] 需要说明的是，采集现有技术中的植株水量和肥量的标准培育方案，标准方案为植物生长提供适宜的环境，在此基础上调整水肥配量使得实验能够在合理范围内进行。[0115] 平均叶片数量反映植株生长活力和光合作用效率，将平均叶片数量和标准叶片数量进行对比，标准叶片数量为基于标准培养方案的每亩地的平均叶片数量；植株的平均高度反映植株的整体生长状况和养分吸收能力，将植株的平均高度和植株的标准高度进行对比，植株的标准高度为基于标准培养方案的每亩地的植株的平均高度；从而综合评估植株的健康状况，其中，叶片数量与植株高度的比值作为关键参数，进一步通过非线性函数进行修正，为植物健康评估提供了量化依据；[0116] 每亩植株的近红外波段的反射率用于评估叶片的含水量和结构变化，叶片的含水量和结构变化直接影响植株中活性成分的合成和积累，将每亩植株的近红外波段的反射率和每亩植株的标准近红外波段的反射率相比，标准近红外波段的反射率为基于标准培育方案的每亩植株的近红外波段的反射率；每亩植株的绿色波段反射率用于评估叶片的叶绿素含量，叶绿素的光合作用效率直接影响植物次生代谢产物的合成，将每亩植株的绿色波段的反射率和每亩植株的标准绿色波段的反射率相比，标准绿色波段的反射率为基于标准培育方案的每亩植株的绿色波段的反射率；每亩植株的蓝光波段反射率用于评估植株生长激素和次生代谢物的合成，将每亩植株的蓝光波段反射率和每亩植株的蓝光波段反射率相比，标准蓝光波段反射率为基于标准培育方案的每亩植株的蓝光波段反射率；将绿色波段反射率、近红外波段反射率和蓝光波段反射率通过标准值的对比及非线性调整，推断植物体内药用成分的浓度。[0117] 在目标时间段内，随机生成符合约束条件的个体数为R的初始化粒子群，每个粒子群代表一种可能的水肥配量方案。粒子群的每个元素表示水和各种营养元素的配量，这些配量必须满足一定的约束条件，例如，每种营养元素的配量必须在第一死亡范围内，水分的配量必须在第二死亡范围内，以确保生成的方案不会对植株造成死亡；之后，使用预设的预测模型计算每个个体的适应度值，适应度函数的输出表示药用成分的浓度。这个适应度值用于评估每个水肥配量方案的优劣； 和 分别对应攻击频率和巡航权重，控制优化过程中探索和开发的平衡，通过当前迭代次数和最大迭代次数，逐渐将探索（广泛搜索新解）的权重降低，并增加开发（局部优化解）的权重；随着时间的推移，攻击频率（用于探索新解）和巡航权重（用于开发现有解）会动态调整，逐渐从广泛的解空间探索转向对最优解的精细优化；通过不断更新每个个体的解，粒子群逐步接近全局最优的水肥配量方案；每一轮迭代都会重新计算更新后的粒子的适应度值，并判断是否达到了最大迭代次数，如果达到了最大迭代次数，则停止迭代，确定目标时间的水肥配量；否则，继续循环迭代。[0118] 在本发明的一个实施例中，在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量，包括：[0119] 根据环境、土壤和水肥在第p+1个时刻的新采集的数据，使用新采集的数据构建的特征向量替换环境、土壤和水肥节点在第p个时刻的特征向量。[0120] 通过逐步更新来调整每个节点的特征向量；具体来说，当系统在第k+1个时间点收集到新的环境、土壤和水肥数据时，这些新数据会被用来生成新的特征向量。然后用这些新的特征向量替换之前第k个时间点的特征向量。用最新的数据不断地刷新和更新节点的状态，以便更准确地反映当前的情况。[0121] 通过计算水肥、土壤和环境节点之间的特征关系，并基于特征关系进行聚类，以便捕捉和反映植株生长环境中不同要素之间的交互作用；不同时刻下，水肥、土壤和环境之间通过交互作用共同决定了植株的整体健康和药用成分的积累；在聚类过程中，首先通过计算各个特征关系与整体综合特征关系的比值来为每个特征关系赋予不同的权重，使得聚类向量能够更准确地反映当前环境的实际情况。[0122] 在本发明的一个实施例中，生成预设的预测模型的训练样本集和生成预设的验证模型的训练样本集，包括：[0123] 对预设的预测模型的训练包括：第a个植株节点在第i个时刻下的聚类向量与第a个植株节点在第i+u个时刻下特征向量配对，作为一组训练样本，重复该过程，获得预测模型训练样本集合；利用预测模型训练样本集合，训练预测模型；[0124] 对预设的验证模型的训练包括：将第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度和第i+u个时刻下第i个植株节点和第j个植株节点的特征向量的相似度配对，若第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度＞第一相似度阈值，则作为一组训练样本，重复该过程，获得验证模型训练样本集合；利用验证模型训练样本集合，训练验证模型；[0125] 训练过程中，对预设的预测模型和预设的验证模型采用均方误差作为损失函数，对预测模型进行优化；[0126] 预设的预测模型和预设的验证模型均为神经网络模型；其中，第a个植株节点在第i个时刻下的聚类向量作为预测模型的输入，将第a个植株节点在第i+u个时刻下特征向量作为预测模型的样本标签，采用均方误差作为损失函数反向优化预测模型的隐藏层的权重和偏置参数；其中，第i个时刻下第a个植株节点和第b个植株节点聚类向量的比值作为验证模型的输入（第a个植株节点和第b个植株节点聚类向量的特征相似度大于第一相似度阈值），第i+u个时刻下第a个植株节点和第b个植株节点的特征向量的比值作为验证模型的样本标签，采用均方误差作为损失函数反向优化验证模型的隐藏层的权重和偏置参数；[0127] 设定第二预设时间段G；采集Q个间隔相同的时刻，P亩实验地的环境、土壤、水肥数据和植株图像；基于第二预设时间段G中第i个时刻下采集的环境、土壤和水肥数据，使用预测模型对植株的第i+u个时刻下健康评分和药用成分浓度进行预测；使用验证模型和预测模型相互验证。[0128] 需要说明的是，第i个时刻下环境、土壤和水肥节点的聚类向量和第i+u个时刻下对应的植株节点的特征向量之间存在第一非线性的映射关系，通过采集每个时刻的聚类特征和对应的植株的特征向量训练预测模型可以捕捉第一非线性的映射关系；其中，第i个时刻下植株节点a和植株节点b特征向量的特征相似度大于第一相似度阈值，则表明植株节点a和植株节点b相似；同理，植株节点a在第i+u个时刻下的特征向量和植株节点b在第i+u个时刻下的特征向量也是相似的，且具有第二非线性的映射关系，通过验证模型捕捉第二非线性的映射关系；第一非线性映射关系和第二非线性映射关系之间可以相互验证；采取两个模型捕捉两种非线性的映射关系，减少了数据的需求量，同时加快了模型的收敛速度；另外，对M亩实验地植株培育策略获得了多样性的数据，多样性的数据有利于模型学习非线性映射关系。[0129] 在本发明的一个实施例中，使用验证模型和预测模型相互验证，包括：[0130] 基于第二预设时间段G中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，通过预测模型分别得到节点a、节点b的第i+u个时刻的预测特征向量；[0131] 基于第二预设时间段G中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，判断植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值；[0132] 若植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值，则通过验证模型分别得到节点a和节点b在第i+u个时刻的验证值；[0133] 判断节点a、节点b的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值；[0134] 若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值，则预测模型训练完成；[0135] 若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＜第二相似度阈值，则继续训练预测模型和验证模型。[0136] 例如，在第i个时刻下，植株a和植株b的聚类特征分别为 和 ，和 之间的特征相似度为0.95＞第一相似度阈值0.9，第i+u个时刻下，通过预测模型得到植株a和植株b的预测特征向量分别为 和 ，和 的特征相似度为0.84，通过验证模型得到植株a和植株b的验证值为0.7；判断节点a、节点b的第i+u个时刻的预测特征向量的相似度和验证值的值差0.14＞第二相似度阈值0.1，从而判断验证模型和预测模型均收敛。[0137] 在本发明的另一个实施例中，还可以部署时序模型评估预测模型的准确性；例如，采集n个时刻的第a个植株节点的特征向量，基于n个时刻的植株节点的特征向量预测n+1个时刻的第a个植株节点的特征向量；当n+1=i+u，则预测模型和时序模型的输出基本相等；若预测模型和时序模型的输出的差异过大，说明预测模型的没有收敛或者时序模型没有收敛。[0138] 在本发明的一个实施例中，基于更新因子对个体更新，包括：[0139] 选择R个个体中健康评分低于健康阈值的个体，作为父代更新；[0140] 计算第i个个体的攻击向量 ，公式表示为： ；其中， 表示当前全局最优的个体， 表示第i个个体；[0141] 设定第i个个体的超平面，超平面为垂直于第i个个体的攻击向量的向量 ；[0142] 计算第i个个体的巡航向量 ，公式表示为： ；其中，表示攻击向量在超平面的投影；[0143] 个体的更新公式，如下：[0144] ；[0145] ；[0146] 其中， 表示第i个个体的更新向量， 表示第i个个体的更新值， 和 表示随机数， 表示攻击向量的模长， 表示巡航向量的模长。[0147] 需要说明的是，本更新方法在粒子群优化的过程中，引入了攻击向量和巡航向量的结合，确保个体在解空间中的搜索不仅限于局部优化，还能够充分探索全局解；攻击向量引导个体朝着当前全局最优解的方向移动，加快收敛速度；巡航向量则通过在超平面上的投影，保持个体的多样性，避免个体陷入局部最优，增强了算法的全局搜索能力； 和 是动态调整的，随着迭代次数的增加，会逐渐偏向于更精细的搜索而非广泛的搜索；使得算法能够在初期进行广泛的探索，而在后期集中精力于开发，从而加快收敛速度；动态权重的调整确保了算法在搜索空间中能够快速而有效地找到最优解，避免了无效的搜索步骤，提升了整体优化的效率。[0148] 在本发明的一个实施例中，根据目标区域的环境、土壤数据和植株图像，结合预设模型，确定目标时间的水肥配量，并规划滴喷灌方案，包括：[0149] 采集滴管和喷管的数量和滴管和喷管的单位时间的最大输送量；[0150] 根据目标时间的时长和目标时间的水肥配量，确定单位时间的实际输送量；[0151] 根据单位时间的实际输送量，基于滴灌优先的策略，得到滴喷灌方案；[0152] 其中，滴灌优先的策略表示优先使用滴灌满足目标时间的水肥配量需求；当滴灌的单位时间输送量无法完全满足目标时间的水肥配量时，再使用喷灌系统进行补充。[0153] 例如，有一片面积为10亩的目标区域，其中种植了药用植物黄芪；根据目标区域的环境、土壤数据和植株图像，结合预设的生长模型，系统计算得出黄芪在未来一天内的水肥需求为5000升；通过系统的传感器网络，采集了目标区域内布设的滴灌和喷灌系统的参数；滴灌系统配备了200根滴管，每根滴管的单位时间最大输送量10升；喷灌系统配备了5个喷头，每个喷头的单位时间最大输送量为100升；根据目标时间的时长（10小时）和计算得到的水肥需求量5000升，计算得出单位时间内需要输送的水肥量为500升；基于滴灌优先的策略，得到滴灌系统的单位时间最大输送量为2000升，滴灌系统的单位时间最大输送量远高于单位时间实际输送量500升，因此优先使用滴灌系统即可完全满足目标时间内的水肥需求；由于滴灌系统能够完全满足需求，因此在本次规划中无需启用喷灌系统，每根滴灌单位时间运输2.5升水肥。[0154] 上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

专利地区：浙江

专利申请日期：2024-09-18

专利公开日期：2024-11-29

专利公告号：CN118822775B