基于数字孪生的智能灌溉系统及方法与流程

本发明涉及人工智能、图形计算，尤其涉及一种基于数字孪生的智能灌溉系统及方法。

背景技术：

1、随着人工智能及物联网等新一代信息技术的飞速发展，数字孪生作为一种将现实世界的实体、系统或过程通过虚拟建模和仿真相结合的技术，实现对实体的实施监测、预测和优化，为决策者提供全面的信息支持。数字孪生技术利用物理模型、传感器数据和算法模拟真实系统的行为，并基于模拟结果进行决策和优化。将数字孪生技术应用于智能灌溉系统，现有技术通过构建灌溉区的三维数字化仿真，将灌溉区的实时监控数据和灌溉区的排水表作为需水模型和调度模型的输入数据，对灌溉区的重要闸道进行调度模拟，通过物联网技术进行数据传输，采用仿真技术模拟灌溉区工程信息，统计年度用水情况；自动获取灌溉区地形数据和位置数据，根据灌溉区地形数据分析检测周期内降雨过后的震荡指数，再结合位置数据分析灌溉装置在具有倾斜角度灌溉区内的灌溉合理度，并根据灌溉合理度对自动化灌溉装置进行核验，结合不同自动化灌溉区域的震荡指数、对应灌溉装置的灌溉合理度及使用寿命影响指数，综合分析自动化灌溉区域内的人工智能指数，当人工智能指数大于所设置阈值时，对所述自动化灌溉区域进一步分析是否进行预警或检修。当前方法中涉及数字孪生及智能灌溉技术都相对单一，缺乏成熟可靠的控制策略，难以实现可视化、智能化的智能灌溉系统，是智能农业场景亟待解决的问题。

技术实现思路

1、本发明针对现有技术中的缺点，提供了一种基于数字孪生的智能灌溉系统及方法。

2、为了解决上述技术问题，本发明通过下述技术方案得以解决：

3、一种基于数字孪生的智能灌溉系统，包括数据采集模块、数据处理模块、场景搭建模块及灌溉控制模块；

4、所述数据采集模块，用于实时采集不同数据源的初始数据，其中，初始数据包括农田数据、作物相关数据及环境数据，所述作物相关数据包括作物生长状态数据，所述环境数据至少包括气象数据、土壤数据、温度数据及光照数据；

5、所述数据处理模块，对农田数据及作物相关数据分别进行数据处理得到环境数据，对环境数据进行分类；

6、所述场景搭建模块，至少包括农田地图场景及配水调度场景，配水调度场景用于在农田地图场景展示灌溉策略，基于所述农田数据及光照数据，通过建模、渲染得到能模拟真实的光照条件的农田地图场景，配水调度场景至少包括需水量计算模型，所述需水量计算模型根据作物生长状态数据得到作物在不同阶段的需水量，结合气象数据及土壤数据得到最佳灌溉日期，基于最佳灌溉日期通过灌溉决策判断是否进行灌溉并得到作物灌溉量；

7、所述灌溉控制模块，基于作物灌溉量得到灌溉策略进而生成农田灌溉控制指令。

8、作为一种可实施方式，所述数据处理至少包括对初始数据进行数据校验、数据滤波及数据补偿中的一种或多种。

9、作为一种可实施方式，所述农田数据包括地理数据及影像数据，所述农田地图场景包括地形模型及地表纹理；

10、基于ue引擎及地理数据创建地形模型，所述地形模型至少包括农田板块地图；

11、基于影像数据在农田板块地图创建地表纹理并添加地表要素、材质及纹理，所述地表要素包括道路、建筑物及植被；

12、基于农田板块地图，添加环境光照及渲染，调整光源位置、光源颜色及光源强度，以实现模拟真实的光照条件。

13、作为一种可实施方式，还包括以下步骤：

14、搭建需水量训练模型，基于每个历史时段土壤数据、气象数据及作物生长状态数据对所述需水量训练模型进行训练，得到需水量计算模型；

15、将当前时段土壤数据、当前时段气象数据及当前时段作物生长状态数据输入至需水量计算模型中，预测得到作物在下一时段的需水量。

16、作为一种可实施方式，所述结合气象数据及土壤数据得到最佳灌溉日期，包括以下步骤：

17、搭建天气预测预训练模型，基于每个历史时段的气象数据对天气预测预训练模型进行训练，得到天气预测模型；

18、将当前时段气象数据输入至所述气象模型，预测出下一时段的气象数据；

19、基于预测出的作物在下一时段的需水量及下一时段的气象数据，并结合下一时段的作物生长特征，确定作物的确定最佳灌溉日期。

20、作为一种可实施方式，所述基于最佳灌溉日期通过灌溉决策判断是否进行灌溉并得到作物灌溉量，包括以下步骤；

21、构建灌溉决策预训练模型，基于环境数据对灌溉决策预训练模型进行训练，通过优化及测试，得到至少三个灌溉决策模型，即第一灌溉决策模型、第二灌溉决策模型和第三灌溉决策模型；

22、基于第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型得到灌溉决策结果，基于灌溉决策结果判断是否满足灌溉条件；

23、若满足灌溉条件，则基于作物蒸腾蒸发量、日辐射量及日有效降雨量得到作物灌溉量；

24、通过作物灌溉量及最佳灌溉日期，得到最佳灌溉策略。

25、作为一种可实施方式，所述基于第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型得到灌溉决策结果，包括以下步骤：

26、构建第一灌溉决策模型，具体为：基于获取到的环境数据构建相关数据集，表示为：d＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中，xi表示环境数据的特征向量，yi对应的是环境数据的类别标签；

27、基于相关数据集构建拉格朗日函数，表示为：其中，ω,b,α分别表示特征向量的法向量、偏置项和拉格朗日乘子；

28、构造凸优化函数，得到最大值计算权重和拉格朗日函数中的偏置项，表示如下：

29、

30、

31、基于凸优化函数，进而通过f(x)＝sign(ω*·x+b)判断是否进行灌溉；

32、构建第二灌溉决策模型，具体为：若环境数据的特征向量表示为x，类别标签表示为y，且y的取值为[0,1]，构造logistic目标函数，表示如下：

33、

34、则

35、损失函数为：

36、

37、基于梯度下降法得到最小化损失函数，表示如下：

38、

39、其中，w表示法向量，b表示偏置项，α1表示学习率；

40、通过f(x)＝sign(ω*·x+b)判断是否进行灌溉；

41、构建第三灌溉决策模型，具体为：基于随机森林模型预测最终样本类别，设训练集中有n个样本，每个样本有m个特征，则，随机抽取x个样本组成样本子集，基于每个样本子集分别构建决策树模型，采取投票的策略对每个决策树模型的结果进行汇总得到第三灌溉决策模型进而预测最终样本的类别；

42、基于第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型进行融合得到总分类模型，采取少数服从多数对是否进行灌溉进行判断，得到判断结果，具体为：基于准确率和召回率来判断总分类模型的精度，表示如下：

43、

44、

45、其中，tp表示正例被预测成正例，fp表示负例被预测成正例，fn表示正例被预测成负类，tn表示负类被预测成负类；

46、若第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型形成的总分类模型中至少满足两者及两者以上，则满足灌溉条件。

47、作为一种可实施方式，则基于作物蒸腾蒸发量、日辐射量及日有效降雨量得到作物灌溉量，包括以下步骤：

48、获取日最高气温及日最低气温得到日平均气温，通过日最高气温、日最低气温、日平均气温及日辐射量得到作物蒸腾蒸发量；

49、获取日降雨量数据，得到日有效降雨量；

50、基于日辐射量、作物蒸腾蒸发量及日有效降雨量，得到作物灌溉量。

51、作为一种可实施方式，所述作物灌溉量，表示如下：

52、in＝wt-wt-1-pe+(1-f(etc))·kc·et0

53、其中，et0表示作物蒸腾蒸发量，kc表示作物系数，f(etc)表示地下水利用系数，pe表示日有效降雨量，in表示作物灌溉量；

54、作物蒸腾蒸发量，表示如下：

55、et0＝c0(tmax-tmin)0.5(tmean+17.8)rs，

56、日辐射量，表示如下：

57、declination＝23.45×sin(360×(284+day)/365)

58、hour_angle＝15×(hour-12)

59、solar_altitude＝arcsin(sin(θ)sin(declination)+cos(θ)cos(declination)cos(hour_angle))

60、

61、日有效降雨量，表示如下：

62、

63、其中，et0表示作物蒸腾蒸发量，tmax表示日最高气温，tmin表示日最低气温，tmean表示日平均气温，rs表示日辐射量，c0表示常数，declination表示太阳的赤纬度，day表示一年中的第几天，hour_angle表示太阳的时角，solar_altitude表示太阳的高度角，θ表示当前地点的纬度，pe表示日有效降雨量，p表示降雨量数据。

64、一种基于数字孪生的智能灌溉方法，基于数字孪生的智能灌溉系统实现，系统包括数据采集模块、数据处理模块、场景搭建模块及灌溉控制模块，方法包括以下步骤：

65、实时采集不同数据源的初始数据，其中，初始数据包括农田数据、作物相关数据及环境数据，所述作物相关数据包括作物生长状态数据，所述环境数据至少包括气象数据、土壤数据、温度数据及光照数据；

66、对农田数据及作物相关数据分别进行数据处理得到环境数据，对环境数据进行分类；

67、搭建至少包括农田地图场景及配水调度场景，配水调度场景用于在农田地图场景展示灌溉策略，基于所述农田数据及光照数据，通过建模、渲染得到能模拟真实的光照条件的农田地图场景，配水调度场景至少包括需水量计算模型，所述需水量计算模型根据作物生长状态数据得到作物在不同阶段的需水量，结合气象数据及土壤数据得到最佳灌溉日期，基于最佳灌溉日期通过灌溉决策判断是否进行灌溉并得到作物灌溉量；

68、基于作物灌溉量得到灌溉策略进而生成农田灌溉控制指令。

69、作为一种可实施方式，所述基于最佳灌溉日期通过灌溉决策判断是否进行灌溉并得到作物灌溉量，包括以下步骤；

70、构建灌溉决策预训练模型，基于环境数据对灌溉决策预训练模型进行训练，通过优化及测试，得到至少三个灌溉决策模型，即第一灌溉决策模型、第二灌溉决策模型和第三灌溉决策模型，其中，环境数据还包括；

71、基于第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型得到灌溉决策结果，基于灌溉决策结果判断是否满足灌溉条件；

72、若满足灌溉条件，则基于作物蒸腾蒸发量、日辐射量及日有效降雨量得到作物灌溉量；

73、通过作物灌溉量及最佳灌溉日期，得到最佳灌溉策略。

74、作为一种可实施方式，所述基于第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型得到灌溉决策结果，包括以下步骤：

75、构建第一灌溉决策模型，具体为：基于获取到的环境数据构建相关数据集，表示为：d＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中，xi表示环境数据的特征向量，yi对应的是环境数据的类别标签；

76、基于相关数据集构建拉格朗日函数，表示为：其中，ω,b,α分别表示特征向量的法向量、偏置项和拉格朗日乘子；

77、构造凸优化函数，得到最大值计算权重和拉格朗日函数中的偏置项，表示如下：

78、

79、

80、基于凸优化函数，进而通过f(x)＝sign(ω*·x+b)判断是否进行灌溉；

81、构建第二灌溉决策模型，具体为：若环境数据的特征向量表示为x，类别标签表示为y，且y的取值为[0,1]，构造logistic目标函数，表示如下：

82、

83、则

84、损失函数为：

85、

86、基于梯度下降法得到最小化损失函数，表示如下：

87、

88、其中，w表示法向量，b表示偏置项，α1表示学习率；

89、通过f(x)＝sign(ω*·x+b)判断是否进行灌溉；

90、构建第三灌溉决策模型，具体为：基于随机森林模型预测最终样本类别，设训练集中有n个样本，每个样本有m个特征，则，随机抽取x个样本组成样本子集，基于每个样本子集分别构建决策树模型，采取投票的策略对每个决策树模型的结果进行汇总得到第三灌溉决策模型进而预测最终样本的类别；

91、基于第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型进行融合得到总分类模型，采取少数服从多数对是否进行灌溉进行判断，得到判断结果，具体为：基于准确率和召回率来判断总分类模型的精度，表示如下：

92、

93、

94、其中，tp表示正例被预测成正例，fp表示负例被预测成正例，fn表示正例被预测成负类，tn表示负类被预测成负类；

95、若第一灌溉决策模型、第二灌溉决策模型及第三灌溉决策模型形成的总分类模型中至少满足两者及两者以上，则满足灌溉条件。

96、作为一种可实施方式，则基于作物蒸腾蒸发量、日辐射量及日有效降雨量得到作物灌溉量，包括以下步骤：

97、获取日最高气温及日最低气温得到日平均气温，通过日最高气温、日最低气温、日平均气温及日辐射量得到作物蒸腾蒸发量；

98、获取日降雨量数据，得到日有效降雨量；

99、基于日辐射量、作物蒸腾蒸发量及日有效降雨量，得到作物灌溉量。

100、作为一种可实施方式，所述作物灌溉量，表示如下：

101、in＝wt-wt-1-pe+(1-f(etc))·kc·et0

102、其中，et0表示作物蒸腾蒸发量，kc表示作物系数，f(etc)表示地下水利用系数，pe表示日有效降雨量，in表示作物灌溉量；

103、作物蒸腾蒸发量，表示如下：

104、

105、日辐射量，表示如下：

106、declination＝23.45×sin(360×(284+day)/365)

107、hour_angle＝15×(hour-12)

108、solar_altitude＝arcsin(sin(θ)sin(declination)+cos(θ)cos(declination)cos(hour_angle))

109、

110、日有效降雨量，表示如下：

111、

112、其中，et0表示作物蒸腾蒸发量，tmax表示日最高气温，tmin表示日最低气温，tmean表示日平均气温，rs表示日辐射量，c0表示常数，declination表示太阳的赤纬度，day表示一年中的第几天，hour_angle表示太阳的时角，solar_altitude表示太阳的高度角，θ表示当前地点的纬度，pe表示日有效降雨量，p表示降雨量数据。

113、本发明由于采用了以上的技术方案，具有显著的技术效果：

114、通过将真实场景映射到虚拟空间，采用仿真和智能算法预测土壤中水分变化，根据环境数据决策当前农田是否需要灌溉，并计算得到作物需水量，生成最佳的灌溉策略，通过控制虚拟空间的灌溉设备实现真实农田场景的智能灌溉，解决传统人工灌溉费时费力的问题，同时考虑多种环境因素，实现实时模拟、分析和优化功能，避免单一数据出现的灌溉问题。