一种土壤墒情的确定方法及装置的制造方法
【专利摘要】本发明实施例公开了一种土壤墒情的确定方法及装置。该方法包括：接收目标传感器节点包括的传感器采集并发送的多组多元数据；根据所述多组多元数据以及预设土壤墒情值，训练神经网络；再次接收所述目标传感器节点包括的传感器采集并发送的一组多元数据；根据再次接收到的一组多元数据以及训练好的神经网络，确定所述目标传感器节点所对应区域的当前土壤墒情值。本发明实施例在确定土壤墒情的时候，综合考虑了外界因素对土壤墒情的影响，使最终确定的土壤墒情更加准确。
【专利说明】
一种土壤墒情的确定方法及装置
技术领域
[0001]本发明涉及数据处理技术领域，特别涉及一种土壤墒情的确定方法及装置。
【背景技术】
[0002]土壤墒情是指土壤湿度的情况，土壤湿度是土壤的干湿程度，即土壤的实际含水量。土壤墒情直接影响农作物的生长发育和农作物最终的收成，是作物生长的关键性限制因素，土壤墒情信息的准确采集是进行农田的节水灌溉、最优调控的基础和保证。
[0003]现有技术中，土壤墒情的确定依赖于田间设置的传感器节点中的土壤墒情传感器，当需要检测实时的土壤墒情时，直接接收土壤墒情传感器传回的数据即可。
[0004]但是，实际上，影响土壤墒情的因素较多且复杂，单凭土壤墒情传感器测得的数据是不准确的，现有技术对土壤墒情信息的实时监测并没有考虑到外界因素的影响，所以导致采集到的土壤墒情数据不准确。
【发明内容】
[0005]本发明实施例的目的在于提供一种土壤墒情的确定方法及装置，用以解决现有技术中采集到的土壤墒情数据不准确的问题。
[0006]为达到上述目的，本发明实施例公开了一种土壤墒情的确定方法及装置。技术方案如下:
[0007]第一方面，本发明实施例提供了一种土壤墒情的确定方法，所述方法包括:
[0008]接收目标传感器节点包括的传感器采集并发送的多组多元数据，其中，所述多元数据包括:土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种以及土壤墒情传感器采集到的土壤墒情数据；
[0009]根据所述多组多元数据以及预设土壤墒情值，训练神经网络，其中，所述神经网络的输入信号为每一组多元数据，所述神经网络的输出信号为土壤墒情检测值，所述神经网络的期望输出值为所述预设土壤墒情值；
[0010]再次接收所述目标传感器节点包括的传感器采集并发送的一组多元数据；
[0011]根据再次接收到的一组多元数据以及训练好的神经网络，确定所述目标传感器节点所对应区域的当前土壤墒情值。
[0012]优选的，所述根据所述多组多元数据以及预设土壤墒情值，训练神经网络，包括:
[0013]对多组所述多元数据中的每一种同类数据，基于小波分析修复同类数据中的异常数据；
[0014]根据修复后的所述多组多元数据以及预设土壤墒情值，训练神经网络。
[0015]优选的，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述方法还包括:
[0016]根据所述目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值，以及每一传感器节点所对应的权重，确定所述目标大田的当前土壤墒情值，其中，所述传感器节点所对应的权重为传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。
[0017]优选的，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述方法还包括:
[0018]针对所述目标大田中的每一个传感器节点，收集多组传感器节点所对应区域的当前土壤墒情值；
[0019]根据所收集的多组传感器节点所对应区域的当前土壤墒情值，确定所述当前土壤墒情值的变化趋势；
[0020]针对所述目标大田中的所有传感器节点，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；
[0021]针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0022]优选的，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点；
[0023]在所述接收目标传感器节点包括的传感器采集并发送的多组多元数据之前，所述方法还包括:
[0024]针对所述目标大田中的每一传感器节点包括的土壤墒情传感器，接收所述土壤墒情传感器采集并发送的多组土壤墒情数据；
[0025]根据所收集的所述土壤墒情传感器采集并发送的多组土壤墒情数据，确定所述土壤墒情数据的变化趋势；
[0026]针对所述目标大田中的所有传感器节点所包括的土壤墒情传感器，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；
[0027]针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0028]优选的，在所述关闭同一分组中其余的传感器节点之后，所述方法还包括:
[0029]向用户提示被关闭的所述传感器节点信息，以使用户撤除被关闭的所述传感器节点。
[0030]第二方面，本发明实施例提供了一种土壤墒情的确定装置，所述装置包括:
[0031 ]数据接收模块，用于接收目标传感器节点包括的传感器采集并发送的多组多元数据，其中，所述多元数据包括:土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种以及土壤墒情传感器采集到的土壤墒情数据；
[0032]神经网络训练模块，用于根据所述多组多元数据以及预设土壤墒情值，训练神经网络，其中，所述神经网络的输入信号为每一组多元数据，所述神经网络的输出信号为土壤墒情检测值，所述神经网络的期望输出值为所述预设土壤墒情值；
[0033]土壤墒情确定模块，用于根据所述神经网络训练模块训练好的神经网络以及所述数据接收模块接收到的一组多元数据，确定所述目标传感器节点所对应区域的当前土壤墒情值。
[0034]优选的，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述装置还包括:
[0035]目标大田土壤墒情确定模块，用于根据所述目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值，以及每一传感器节点所对应的权重，确定所述目标大田的当前土壤墒情值，其中，所述传感器节点所对应的权重为传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。
[0036]优选的，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述装置还包括:
[0037]收集模块，用于针对所述目标大田中的每一个传感器节点，收集多组传感器节点所对应区域的当前土壤墒情值；
[0038]第一变化趋势确定模块，用于根据所收集的多组传感器节点所对应区域的当前土壤墒情值，确定所述当前土壤墒情值的变化趋势；
[0039]第一归类分组模块，用于针对所述目标大田中的所有传感器节点，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；
[0040]第一关闭模块，用于针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0041 ]优选的，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点；
[0042]所述装置还包括:
[0043]接收模块，用于在所述接收目标传感器节点包括的传感器采集并发送的多组多元数据之前，针对所述目标大田中的每一传感器节点包括的土壤墒情传感器，接收所述土壤墒情传感器采集并发送的多组土壤墒情数据；
[0044]第二变化趋势确定模块，用于根据所收集的所述土壤墒情传感器采集并发送的多组土壤墒情数据，确定所述土壤墒情数据的变化趋势；
[0045]第二归类分组模块，用于针对所述目标大田中的所有传感器节点所包括的土壤墒情传感器，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；
[0046]第二关闭模块，用于针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0047]本发明实施例提供的一种土壤墒情的确定方法及装置，可以解决现有技术中采集到的土壤墒情数据不准确的问题，本方案在确定土壤墒情的过程中，除了参考土壤墒情传感器检测的土壤墒情数据外，还参考了土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种数据，使得最终确定的土壤墒情数据更加准确。
【附图说明】
[0048]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0049]图1为本发明实施例所提供的一种土壤墒情的确定方法的第一种流程示意图；
[0050]图2为本发明实施例所提供的一种土壤墒情的确定方法的第二种流程示意图；
[0051 ]图3为本发明实施例所提供的一种土壤墒情的确定方法的第三种流程示意图；
[0052]图4为本发明实施例所提供的一种土壤墒情的确定方法的第四种流程示意图；
[0053]图5为本发明实施例所提供的一种土壤墒情的确定装置的第一种结构示意图；
[0054]图6为本发明实施例所提供的一种土壤墒情的确定装置的第二种结构示意图；
[0055]图7为本发明实施例所提供的一种土壤墒情的确定装置的第三种结构示意图；
[0056]图8为本发明实施例所提供的一种土壤墒情的确定装置的第四种结构示意图。
【具体实施方式】
[0057]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]应该说明的是，本发明实施例所提供的一种土壤墒情的确定方法，可以用在传感器节点中的控制器上，也可以应用在接收传感器节点数据的后台服务器上。如图1所示，该方法可以包括如下步骤:
[0059]S201:接收目标传感器节点包括的传感器采集并发送的多组多元数据;其中，所述多元数据包括:土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种以及土壤墒情传感器采集到的土壤墒情数据。
[0060]应该说明的是，这里所述的每组多元数据是指，针对目标传感器节点，其上的多个传感器同时刻收集一组数据。可以理解的是，上述多元数据中，元数越多，及参考的数据越多，最终确定的土壤墒情数据越准确。
[0061]显然的，上述传感器节点可以是设置有多种传感器的节点设备，其包括土壤温度传感器、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中的至少一种以及土壤墒情传感器。当然，本发明实施例并不限于上述几种传感器。
[0062]本领域技术人员可以理解的是，上述多组多元数据是指在需要获知当前土壤墒情信息时，在短时间内接收传感器节点连续多次采集的多组数据。
[0063]S202:根据所述多组多元数据以及预设土壤墒情值，训练神经网络；其中，所述神经网络的输入信号为每一组多元数据，所述神经网络的输出信号为土壤墒情检测值，所述神经网络的期望输出值为所述预设土壤墒情值。
[0064]应该说明的是，本发明实施例中，神经网络的输出层只有一个，即土壤墒情检测值，这里所述的土壤墒情检测值是指在神经网络的输入层输入数据后，由神经网络计算出的土壤墒情数据。上述预设土壤墒情值可以是与每组多元数据对应在同时刻通过烘干法获得的土壤墒情值。
[0065]可以理解的是，多元数据的元数即是神经网络中的输入层的输入信号个数。本发明实施例中，上述神经网络可以优选为Back Propagat1n神经网络。例如，所述多元数据中包括土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据以及土壤墒情传感器采集到的土壤墒情数据，则对应的输入层的输入信号有4个。
[0066]在本发明实施例中，在神经网络的输出值收敛后，神经网络中的各连接权值已经被自动调整到较优的值，可以确认神经网络训练完成。神经网络的具体使用和训练过程属于现有技术，本领域技术人员可参考现有技术实现对神经网络的训练，此处不做详细介绍。
[0067]本发明实施例中，为了确保传感器节点收集的多元数据的准确性，所述根据所述多组多元数据以及预设土壤墒情值，训练神经网络，可以是:
[0068]对多组所述多元数据中的每一种同类数据，基于小波分析修复同类数据中的异常数据；
[0069]根据修复后的所述多组多元数据以及预设土壤墒情值，训练神经网络。
[0070]本领域技术人员可以理解的是，可以通过现有技术将多组多元数据中的同构数据即同一种传感器发送的数据储存到一起，为小波分析做准备。
[0071]应该说明的是，本发明实施例中采用的小波函数可以优选为Mexico草帽小波函数。小波函数对于异常数据的处理属于现有技术，本发明实施例不做详细介绍。
[0072]S203:再次接收所述目标传感器节点包括的传感器采集并发送的一组多元数据。
[0073]S204:根据再次接收到的一组多元数据以及训练好的神经网络，确定所述目标传感器节点所对应区域的当前土壤墒情值。
[0074]可以理解的是，步骤S201和S202训练出神经网络后，如步骤S203和S24，在需要测定土壤墒情时，直接通过传感器节点再次采集一组多元数据，并将该一组多元数据输入到神经网络的输入层，得到最终确定的当前土壤墒情值。
[0075]应该说明的是，本发明实施例中，为了保证数据的准确性，也可以在需要测定土壤墒情时，直接通过传感器节点再次采集多组多元数据，并将该多组多元数据分别输入到神经网络的输入层，得到多个当前土壤墒情值，再对多个当前土壤墒情值取均值得到最终确定的当前土壤墒情值。
[0076]本发明实施例提供的一种土壤墒情的确定方法及装置，可以解决现有技术中采集到的土壤墒情数据不准确的问题，本方案在确定土壤墒情的过程中，除了参考土壤墒情传感器检测的土壤墒情数据外，还参考了土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种数据，使得最终确定的土壤墒情数据更加准确。
[0077]可以理解的是，上述本发明实施例中的第一种流程，适用于单独设置的传感器节点采集土壤墒情，而在农业大田往往布置了多个传感器节点，整个大田的土壤墒情就是基于这些传感器节点确定的土壤墒情而判断的。
[0078]在本发明实施例所提供的一种土壤墒情的确定方法的第二种流程中，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点，此时该方法应用于农业大田土壤墒情的确定，应该强调的是，此时该方法可以应用在与目标大田中所有传感器节点通信的后台服务器中。
[0079]相对于图1，如图2所示，该方法还可以包括步骤:
[0080]S205:根据所述目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值，以及每一传感器节点所对应的权重，确定所述目标大田的当前土壤墒情值;其中，所述传感器节点所对应的权重为传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。
[0081]可以理解的是，传感器节点所对应区域是指，在所述目标大田中，该区域的各项数据均由该传感器节点采集的各项数据代表。例如，一块100亩的农业大田，设置有20个传感器节点，则每个传感器节点对应的区域的面积为5亩，当然，每个传感器节点对应的区域的面积也可以不同，例如，该20个传感器节点中，10个传感器节点对应的区域的面积为7亩，另外10个传感器节点对应的区域的面积为3亩。应该说明的是，所有传感器节点对应的区域的面积之和为目标大田的总面积。
[0082]步骤S205中，可以是用目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值与对应的权重的乘积求和后得到目标大田的的当前土壤墒情值。应该说明的是，这里的权重并不限于传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。
[0083]在本发明实施例所提供的一种土壤墒情的确定方法的第三种流程中，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点；
[0084]相对于图1，如图3所示，对应在步骤S204后，所述方法还包括:
[0085]S301:针对所述目标大田中的每一个传感器节点，收集多组传感器节点所对应区域的当前土壤墒情值；
[0086]S302:根据所收集的多组传感器节点所对应区域的当前土壤墒情值，确定所述当前土壤墒情值的变化趋势；
[0087]可以理解的是，以时间为横坐标，传感器节点确定的土壤墒情值为纵坐标，在一定的时间段内，每个土壤传感器节点对应的所有土壤墒情值可以体现出该土壤传感器节点所对应区域的的土壤墒情值的变化趋势。
[0088]S303:针对所述目标大田中的所有传感器节点，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；
[0089]应该说明的是，聚类算法属于现有技术，例如常见的K-MEANS算法，本领域技术人员可根据现有技术，基于每个传感器节点对应的所有土壤墒情值构成的变化趋势，实现对所有传感器节点所对应的区域的归类分组。
[0090]S304:针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0091]可以理解的是，此处所述的分组是指步骤S303中对所有传感器节点所对应的区域的归类分组后产生的分组。归类分组后，每一个分组中的传感器节点的数量至少为一个，当同一分组中传感器节点的数量较多时，由于同一分组中各个传感器节点确定的其所对应的区域的土壤墒情数据是相似的，为了避免后台服务器接受到大量冗余的数据以及信道资源的浪费，后台服务器可以关闭该分组中的一部分传感器节点。
[0092]应该说明的是，这里所述的后台服务器同样是与目标大田中的所有传感器节点通信。后台服务器关闭传感器节点的方式可以是多样的，例如后台服务器针对每个传感器节点都设置有远程控制的电源开关。
[0093]应该强调的是，同一分组中，关闭一部分传感器节点后，每个剩余的传感器节点所对应的区域的面积也随之变化。例如，某一分组的总面积为30亩，原先设置有10个传感器节点，每个传感器节点对应的区域面积为3亩，现在关闭7个传感器节点后，则每个传感器节点对应的区域面积为10亩。
[0094]另外，本发明实施例为了撤除被关闭的传感器节点，防止被关闭的传感器节点在外界环境下的损耗，在关闭一部分传感器节点后，还会向用户提示被关闭的所述传感器节点信息，以使用户撤除被关闭的所述传感器节点；因为传感器节点为一布置有多种传感器的设备，如果不使用应尽量放到室内保存。
[0095]可以理解的是，向用户提示被关闭的所述传感器节点信息的方式并不限于某一种，例如，通过在电脑显示屏中向用户发送提示信息。
[0096]在本发明实施例所提供的一种土壤墒情的确定方法的第四种流程中，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点；
[0097]相对于图1，如图4所示，对应在步骤S201前，所述方法还包括:
[0098]SlOl:针对所述目标大田中的每一传感器节点包括的土壤墒情传感器，接收所述土壤墒情传感器采集并发送的多组土壤墒情数据。
[0099]应该注意的是，这里所接收的是土壤墒情传感器采集并发送的多组土壤墒情数据，区别于步骤S301所收集的传感器节点所对应区域的当前土壤墒情值。
[0100]S102:根据所收集的所述土壤墒情传感器采集并发送的多组土壤墒情数据，确定所述土壤墒情数据的变化趋势。
[0101 ] S103:针对所述目标大田中的所有传感器节点所包括的土壤墒情传感器，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组。
[0102]S104:针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0103]相对于图2所示的方案，本方案同样可以避免后台服务器接受到大量冗余的数据以及信道资源的浪费。
[0104]同样的，本方案中，为了撤除被关闭的传感器节点，防止在外界环境下的损耗，在关闭一部分传感器节点后，还会向用户提示被关闭的所述传感器节点信息，以使用户撤除被关闭的所述传感器节点。使得传感器节点的数量减少，节约了成本。
[0105]相应于图1所示的方法实施例，本发明实施例还提供了一种土壤墒情的确定装置，如图5所示，所述装置包括:
[0106]数据接收模块210，用于接收目标传感器节点包括的传感器采集并发送的多组多元数据;其中，所述多元数据包括:土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种以及土壤墒情传感器采集到的土壤墒情数据。
[0107]神经网络训练模块220，用于根据所述多组多元数据以及预设土壤墒情值，训练神经网络;其中，所述神经网络的输入信号为每一组多元数据，所述神经网络的输出信号为土壤墒情检测值，所述神经网络的期望输出值为所述预设土壤墒情值。
[0108]土壤墒情确定模块230，用于根据所述神经网络训练模块训练好的神经网络以及所述数据接收模块接收到的一组多元数据，确定所述目标传感器节点所对应区域的当前土壤墒情值。
[0109]具体的，所述神经网络训练模块220还可以包括:修复子模块和训练子模块(图中未示出)，其中，
[0110]修复子模块，用于对多组所述多元数据中的每一种同类数据，基于小波分析修复同类数据中的异常数据；
[0111]训练子模块，用于根据修复后的所述多组多元数据以及预设土壤墒情值，训练神经网络。
[0112]本方案可以解决现有技术中采集到的土壤墒情数据不准确的问题，本方案在确定土壤墒情的过程中，除了参考土壤墒情传感器检测的土壤墒情数据外，还参考了土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种数据，使得最终确定的土壤墒情数据更加准确。
[0113]相应于图2所示的方法实施例，本发明实施例还提供了一种土壤墒情的确定装置，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点。
[0114]相对于图5，如图6所示装置的第二种结构，所述装置还包括:
[0115]目标大田土壤墒情确定模块240，用于根据所述目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值，以及每一传感器节点所对应的权重，确定所述目标大田的当前土壤墒情值，其中，所述传感器节点所对应的权重为传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。
[0116]相应于图3所示的方法实施例，本发明实施例还提供了一种土壤墒情的确定装置，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点。
[0117]相对于图5，如图7所示装置的第三种结构，所述装置还包括:
[0118]收集模块310，用于针对所述目标大田中的每一个传感器节点，收集多组传感器节点所对应区域的当前土壤墒情值；
[0119]第一变化趋势确定模块320，用于根据所收集的多组传感器节点所对应区域的当前土壤墒情值，确定所述当前土壤墒情值的变化趋势；
[0120]第一归类分组模块330，用于针对所述目标大田中的所有传感器节点，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；
[0121]第一关闭模块340，用于针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0122]具体的，该装置还可以包括:
[0123]提示模块(图中未示出)，用于在所述关闭同一分组中其余的传感器节点之后，向用户提示被关闭的所述传感器节点信息，以使用户撤除被关闭的所述传感器节点。
[0124]相应于图4所示的方法实施例，本发明实施例还提供了一种土壤墒情的确定装置，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点。
[0125]相对于图5，如图8所示装置的第四种结构，所述装置还包括:
[0126]接收模块110，用于在所述接收目标传感器节点包括的传感器采集并发送的多组多元数据之前，针对所述目标大田中的每一传感器节点包括的土壤墒情传感器，接收所述土壤墒情传感器采集并发送的多组土壤墒情数据。
[0127]第二变化趋势确定模块120，用于根据所收集的所述土壤墒情传感器采集并发送的多组土壤墒情数据，确定所述土壤墒情数据的变化趋势。
[0128]第二归类分组模块130，用于针对所述目标大田中的所有传感器节点所包括的土壤墒情传感器，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组。
[0129]第二关闭模块140，用于针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
[0130]具体的，该装置还可以包括:
[0131]提示模块(图中未示出)，用于在所述关闭同一分组中其余的传感器节点之后，向用户提示被关闭的所述传感器节点信息，以使用户撤除被关闭的所述传感器节点。
[0132]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0133]本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0134]本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如:R0M/RAM、磁碟、光盘等。
[0135]以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
【主权项】
1.一种土壤墒情的确定方法，其特征在于，所述方法包括: 接收目标传感器节点包括的传感器采集并发送的多组多元数据，其中，所述多元数据包括:土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种以及土壤墒情传感器采集到的土壤墒情数据； 根据所述多组多元数据以及预设土壤墒情值，训练神经网络，其中，所述神经网络的输入信号为每一组多元数据，所述神经网络的输出信号为土壤墒情检测值，所述神经网络的期望输出值为所述预设土壤墒情值； 再次接收所述目标传感器节点包括的传感器采集并发送的一组多元数据； 根据再次接收到的一组多元数据以及训练好的神经网络，确定所述目标传感器节点所对应区域的当前土壤墒情值。2.根据权利要求1所述的方法，其特征在于，所述根据所述多组多元数据以及预设土壤墒情值，训练神经网络，包括: 对多组所述多元数据中的每一种同类数据，基于小波分析修复同类数据中的异常数据； 根据修复后的所述多组多元数据以及预设土壤墒情值，训练神经网络。3.根据权利要求1所述的方法，其特征在于，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述方法还包括: 根据所述目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值，以及每一传感器节点所对应的权重，确定所述目标大田的当前土壤墒情值，其中，所述传感器节点所对应的权重为传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。4.根据权利要求1所述的方法，其特征在于，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述方法还包括: 针对所述目标大田中的每一个传感器节点，收集多组传感器节点所对应区域的当前土壤墒情值； 根据所收集的多组传感器节点所对应区域的当前土壤墒情值，确定所述当前土壤墒情值的变化趋势； 针对所述目标大田中的所有传感器节点，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组； 针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。5.根据权利要求1所述的方法，其特征在于，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点； 在所述接收目标传感器节点包括的传感器采集并发送的多组多元数据之前，所述方法还包括: 针对所述目标大田中的每一传感器节点包括的土壤墒情传感器，接收所述土壤墒情传感器采集并发送的多组土壤墒情数据； 根据所收集的所述土壤墒情传感器采集并发送的多组土壤墒情数据，确定所述土壤墒情数据的变化趋势； 针对所述目标大田中的所有传感器节点所包括的土壤墒情传感器，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组； 针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。6.根据权利要求4或5所述的方法，其特征在于，在所述关闭同一分组中其余的传感器节点之后，所述方法还包括: 向用户提示被关闭的所述传感器节点信息，以使用户撤除被关闭的所述传感器节点。7.一种土壤墒情的确定装置，其特征在于，所述装置包括: 数据接收模块，用于接收目标传感器节点包括的传感器采集并发送的多组多元数据，其中，所述多元数据包括:土壤温度传感器采集到的土壤温度数据、空气湿度传感器采集到的空气湿度数据、空气温度传感器采集到的空气温度数据、光照强度传感器采集到的光照强度数据、风速传感器采集到的风速数据中的至少一种以及土壤墒情传感器采集到的土壤墒情数据； 神经网络训练模块，用于根据所述多组多元数据以及预设土壤墒情值，训练神经网络，其中，所述神经网络的输入信号为每一组多元数据，所述神经网络的输出信号为土壤墒情检测值，所述神经网络的期望输出值为所述预设土壤墒情值； 土壤墒情确定模块，用于根据所述神经网络训练模块训练好的神经网络以及所述数据接收模块接收到的一组多元数据，确定所述目标传感器节点所对应区域的当前土壤墒情值。8.根据权利要求7所述的装置，其特征在于，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述装置还包括: 目标大田土壤墒情确定模块，用于根据所述目标大田中包括的每一传感器节点所对应区域的当前土壤墒情值，以及每一传感器节点所对应的权重，确定所述目标大田的当前土壤墒情值，其中，所述传感器节点所对应的权重为传感器节点所对应的所述目标大田中的区域面积与所述目标大田总面积的比值。9.根据权利要求7所述的装置，其特征在于，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点;所述装置还包括: 收集模块，用于针对所述目标大田中的每一个传感器节点，收集多组传感器节点所对应区域的当前土壤墒情值； 第一变化趋势确定模块，用于根据所收集的多组传感器节点所对应区域的当前土壤墒情值，确定所述当前土壤墒情值的变化趋势； 第一归类分组模块，用于针对所述目标大田中的所有传感器节点，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组； 第一关闭模块，用于针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。10.根据权利要求7所述的装置，其特征在于，所述目标传感器节点为目标大田中的传感器节点，所述目标大田中包括至少两个传感器节点； 所述装置还包括: 接收模块，用于在所述接收目标传感器节点包括的传感器采集并发送的多组多元数据之前，针对所述目标大田中的每一传感器节点包括的土壤墒情传感器，接收所述土壤墒情传感器采集并发送的多组土壤墒情数据； 第二变化趋势确定模块，用于根据所收集的所述土壤墒情传感器采集并发送的多组土壤墒情数据，确定所述土壤墒情数据的变化趋势； 第二归类分组模块，用于针对所述目标大田中的所有传感器节点所包括的土壤墒情传感器，根据所有所述变化趋势，采用聚类算法将所有传感器节点所对应的区域归类分组；第二关闭模块，用于针对同一分组内的所有传感器节点，保留预设数量个传感器节点，并关闭同一分组中其余的传感器节点。
【文档编号】G01N33/24GK105825433SQ201610204650
【公开日】2016年8月3日
【申请日】2016年4月1日
【发明人】邓中亮, 李宁, 谷云霞, 张琪, 许树成, 张晋源, 李刚
【申请人】北京邮电大学