[发明专利]一种基于大数据的智能灌溉模型优化的方法与系统

说明书

本发明公开了一种基于大数据的智能灌溉模型优化的方法与系统，属于智慧水利技术领域，该方法基于大数据处理及存储，上传的大量各类灌溉相关数据经过分布式存储系统进行预处理；智能灌溉模型采用分布式并行计算，对计算任务进行分解，将各子模型作为一个Map操作分配到一个独立的计算单元并从对应的分区文件中提取相应的数据进行计算，然后将模型的计算结果在Reduce操作中进行合并计算分析。一种基于大数据的智能灌溉模型优化的系统，包括数据存储模块和数据计算分析模块。本发明利用大数据为解决地区水资源缺乏问题以及水资源合理分配方案的确定提供理论依据，并能通过模型优化大大提高灌溉模型的质量，计算效率和计算结果的精度。

技术领域

本发明涉及智能水利技术领域，具体涉及一种基于大数据的智能灌溉模型优化的方法与系统。

背景技术

我国人均水资源量约为2350m³，只相当于世界人均水平的1/4，且水资源时空分布不均匀，特别是北方地区，耕地面积占全国的59.2％，而水资源量仅占全国的14.7％。目前，我国农业用水占总用水量的70％以上，其中90％用于灌溉，但受灌水设备老化、灌溉技术落后和灌区用水管理不当的影响，导致我国的灌溉水利用系数只有0.5左右，仅占发达国家的70％。同时，随着社会经济的快速发展，工业用水、城镇用水、环境用水与农业用水的竞争日益激烈，导致了灌溉用水供需矛盾日趋严重。因此，科学管理灌溉用水过程，建立灌溉用水优化配置模型，对于高效利用灌区有限的水资源，促进灌区生态环境和经济的可持续发展具有重要意义。

目前应用广泛的灌溉模型有：

区域水量平衡模型：其理论基础是物质守恒定律，在给定时段内输入水量与输出水量之差就等于同期土壤储水量的变化量：灌溉水量+平衡时段的降雨量+土壤前期含水量-作物需水量-地表产流量＝同期土壤含水量+降水入渗补给地下水量与毛管上升水量之差+误差。由于需求数据种类及数据量太多，模型经常运用在单一区域的单一作物的理论实验研究上，因此，这样的模型通常具有地域及作物针对性，对于灌区地区情况复杂多变的中国，通过此模型制定的用水计划及灌溉制度几乎无法落实使用。

BP神经网络模型：影响区域灌溉需水的主要因素有区域降水量，区域蒸发量、区域平均气温以及区域的灌溉面积。在模型中，灌溉量为被解释变量，作物生理指标以及温度、湿度、光照强度等气象环境因子作为解释变量，模型的建立包括了网络层数及神经网络各层中神经元个数的选取。如果神经网络层神经元的数目过少，网络很难识别样本，难以完成训练，并且网络的容错性也会降低；如果数目过多，则会增加网络的迭代次数，从而延长网络的训练时间，也会降低网络的泛化能力，导致预测能力下降。这就极大程度上依赖计算机的计算性能，此外，BP神经网络结构直接影响网络的逼近能力及推广性质，然而网络结构的选择至今尚无一种统一而完整的理论指导，一般只能由经验选定。

灰色理论预测模型：模型利用了已发生年份的农业用水量数据，建立了农业用水量与时间关系的函数，将无明显规律的时间序列，经过处理变成有规律的时间序列，从而预测未知年份农业需水量。这种仅依据历史用水量来预测未来用水量的方法意味着灰色理论预测模型并不适用于水资源高效利用及合理分配管理的研究中，因为历史用水量并不意味着最优用水量，仅依据历史用水量数据，水资源的分配并不能得到合理的优化。

综上所述，现有技术中对合理灌溉用水量模拟的准确性与广泛应用性受限于可用数据种类和数据量，以及灌溉模型模拟真实性和其计算性能。

发明内容

本发明的技术任务是提供一种基于大数据的智能灌溉模型优化的方法与系统，利用大数据为解决地区水资源缺乏问题以及水资源合理分配方案的确定提供理论依据，并能大大提高灌溉模型的质量，计算效率和计算结果的精度。

本发明解决其技术问题所采用的技术方案是：

一种基于大数据的智能灌溉模型优化的方法，该方法基于大数据处理及存储，上传的大量各类灌溉相关数据经过分布式存储系统进行预处理；