[发明专利]一种实时灌溉方法及系统

权利要求书

1.一种实时灌溉方法，其特征在于，包括以下步骤：

选取决策因素：土壤含水量、冠层温度和作物水分胁迫中的一种为决策因子；

以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法；所述前一日决策因子的值和当日影响因素的值与当日决策因子的值具有关联关系；

获取该作物当前作物生育期内的前一日决策因子的值和当日影响因素的值，利用最优算法计算当日决策因子的值；

判断当日决策因子的值是否超过设定阈值：

若否，则不建议灌溉；

若是，则建议灌溉，并根据当日决策因子的值计算出所需灌溉量。

2.根据权利要求1所述的实时灌溉方法，其特征在于，

所述以作物历史某几年作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出，对人工智能算法进行训练和验证，以验证结果最优的人工智能算法为最优算法，具体过程包括：

以该作物某几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，以当日决策因子的值为输出数据，对人工智能算法进行训练，得到人工智能算法的训练模型；

以该作物不同的几个作物生育期内的前一日决策因子的值和当日影响因素的值为输入，通过人工智能算法的训练模型计算得到预测的当日决策因子的值，作为预测值；

将不同的几个作物生育期的当日决策因子的值作为目标值，与预测值比较验证；具体验证方式如下：

其中，R²表示预测值与目标值的决定系数，i表示预测值的数量，y_i表示第i个预测值，表示i个预测值的平均值，表示第i个目标值，表示i个目标值的平均值，nRMSE表示相对均方根误差；

在决定系数R²不低于0.9，且相对均方根误差nRMSE不超过10％的验证结果中，选取最大的决定系数R²对应的人工智能算法作为最优算法。

3.根据权利要求1所述的实时灌溉方法，其特征在于，所述影响因素包括净辐射量、温度、湿度、风速、降雨量、灌溉量、种植天数和根系深度。

4.根据权利要求1所述的实时灌溉方法，其特征在于，所述人工智能算法包括多层感知器神经网络算法、支持向量机算法、长短型时间序列神经网络算法和所述人工智能算法的集成。

5.根据权利要求1所述的实时灌溉方法，其特征在于，

所述决策因子为土壤含水量；

所述最优算法为多层感知器神经网络算法；

所述阈值为土壤含水量阈值θ_sh：

θ_sh＝θ_fc-MAD×(θ_fc-θ_wp)；

其中，θ_fc表示田持土壤含水量，θ_wp表示凋萎点土壤含水量，单位均为cm³·cm^-3，表示每立方厘米土壤中含有多少立方厘米水分；MAD表示土壤水分允许亏缺比例，无量纲；

所述θ_fc、θ_wp和MAD的值由用户设定；

所述根据当日决策因子的值计算出所需灌溉量具体为：

设定灌溉量IR的计算公式：

IR＝k×(θ_fc-θ_a)×RD；

其中，k表示倍率常数，通常取1，θ_a表示计算的当日决策因子的值，即土壤含水量的值，RD表示根系深度或计划灌溉深度，单位为cm；

计算出的IR的值即为所需灌溉量。