智能农业监测与管理系统的制作方法

本发明属于农业，具体涉及智能农业监测与管理系统。

背景技术：

1、农业是人类社会的基石之一，为全球粮食供应、经济增长和社会稳定发挥着关键作用。随着全球人口的增长和环境压力的加大，现代农业面临着巨大的挑战，需要更高效、可持续和智能的农业管理方法。

2、传感器技术的发展使得农业领域能够实时监测土壤和气象条件。这包括监测温度、湿度、降水量、土壤ph值、光照强度等参数。传感器数据可以用于优化农业操作，提高资源利用效率。现代农业已经广泛应用了自动化设备，如无人机、自动化灌溉系统和智能收割机器人。这些设备能够提高生产效率，减少劳动力成本，同时减少了对化学品的依赖。农业领域已经采用了数据分析和决策支持系统，帮助农民和农场主更好地管理土地、作物和资源。这些系统可以提供有关最佳种植季节、肥料用量、病虫害防控等方面的建议。精准农业是一种通过个性化农业管理来提高农业生产效率的方法。它结合了传感器技术、数据分析和自动化设备，以根据不同土地和作物的需求进行农业操作。

3、目前的农业监测系统通常使用各种不同的传感器来收集数据，这些数据可能存储在不同的系统中，导致数据分散和难以集成。这限制了对全面农业信息的获取和综合分析。不同农业区域之间的土壤、气候和作物种类存在差异。现有技术往往不够灵活，难以适应不同地理区域的需求。虽然决策支持系统已经应用于农业，但仍然存在问题，如精确性不高、决策反应时间慢等。这可能导致农民做出不准确的决策，影响农业生产的效率。一些农业操作仍然依赖于传统的时间表和固定的资源使用计划，而不考虑实际需求。这导致了资源的浪费，包括水资源和化肥。

技术实现思路

1、本发明的主要目的在于提供智能农业监测与管理系统，本发明能够提高农业生产效率，同时为农业管理提供智能决策支持。

2、为了解决上述问题，本发明的技术方案是这样实现的：

3、智能农业监测与管理系统，所述系统包括：数据获取单元，用于通过传感器获取多个不同的农业区域的农业监测数据，将获取到的农业监测数据进行归一化处理，得到归一化农业监测数据；

4、迁移学习单元，用于从不同农业区域的归一化农业监测数据中选择一个区域的归一化农业监测数据作为源领域，将其他农业区域的归一化农业监测数据作为目标领域进行迁移学习，建立迁移学习模型，具体包括：正训练过程：从源领域和目标领域中提取特征，分别得到源领域特征和目标领域特征；构建一个策略网络用于生成在目标领域上执行的策略；构建一个价值网络用于估计在目标领域上采取不同动作的价值；使用源领域和策略网络进行强化学习训练，得到源领域训练的策略网络；使用源领域训练的策略网络和价值网络结合目标领域进一步训练；使用领域适应损失，将源领域和目标领域的分布进行对齐；使用梯度下降方法，以最小化第一总体优化目标函数为目标，对第一总体优化目标函数的参数进行训练；反训练过程：从源领域和目标领域中提取特征，分别得到源领域特征和目标领域特征；构建一个策略网络用于生成在源领域上执行的策略；构建一个价值网络用于估计在源领域上采取不同动作的价值；使用目标领域和策略网络进行强化学习训练，得到目标领域训练的策略网络；使用目标领域训练的策略网络和价值网络结合源领域进一步训练；使用领域适应损失，将源领域和目标领域的分布进行对齐；使用梯度下降方法，以最小化第二总体优化目标函数为目标，对第二总体优化目标函数的参数进行训练；

5、监测单元，用于将获取的新的其他的农业区域的农业监测数据作为输入数据，输入到迁移学习模型中，以第总体优化目标函数和第二总体优化目标函数组成的总体优化目标函数作为目标函数，以最小化目标函数为目标，迭代调整农业监测数据的值，使得调整后的农业监测数据的值与原本的农业监测数据对应项的差值的绝对值的和值小于设定的阈值，将此时的调整后的农业监测数据作为新的其他的农业区域的运行标准值。

6、进一步的，所述农业监测数据至少包括：温度、光照强度、降水量、湿度、土壤类型值、土壤ph值、土壤氮含量、土壤磷含量、土壤钾含量、作物平均高度和作物叶片平均数量。

7、进一步的，所述不同的农业区域的农业监测数据的数量或种类可能不同；将获取到的农业监测数据进行归一化处理时，构建一个模板项，在该模板项中，包含有所有种类的农业监测数据，针对每一种类的农业监测数据，设置有模板值；对于获取到的农业监测数据，若其农业监测数据未包含所有种类，则将其缺失的种类的农业监测数据按照模板项中对应的模板值进行补齐。

8、进一步的，源领域包括状态-动作对和相应的奖励信号；用表示源领域的数据分布；设目标领域的数据分布表示为；设状态集合表示为，包括源领域和目标领域共享的状态；动作集合表示为，包括源领域和目标领域共享的动作；在源领域和目标领域中，设两个奖励函数为和，分别用于源领域和目标领域；奖励函数定义了在给定状态和动作下的奖励信号；设状态转移函数表示为，定义了在给定状态和动作后，下一个状态的概率分布；策略表示为，定义了在给定状态下采取动作的概率；在正训练过程中，目标是在目标领域上最大化累积奖励，即最大化目标领域中的期望回报，表示为：

9、；

10、其中，表示一个轨迹，和表示在时间步的状态和动作，表示轨迹的长度；最终目标是在目标领域上学习一个策略，使得在目标领域上的期望回报最大化；

11、在反训练过程中，目标是在源领域上最大化累积奖励，即最大化源中的期望回报，表示为：

12、；

13、其中，表示一个轨迹，和表示在时间步的状态和动作，表示轨迹的长度；最终目标是在源领域上学习一个策略，使得在源领域上的期望回报最大化。

14、进一步的，使用循环神经网络从源领域和目标领域中提取特征，分别得到源领域特征和目标领域特征；

15、设源领域表示为：

16、；

17、目标领域表示为：

18、，

19、其中和分别是源领域和目标领域的样本数量；对每个序列进行循环神经网络的前向传播，得到序列的特征表示；这个特征表示是循环神经网络中隐藏状态的最后一个状态或者一个汇总的表示；

20、其中，源领域特征为：

21、；

22、目标领域特征为：

23、。

24、进一步的，正训练过程中，构建的策略网络使用如下公式进行表示：

25、；

26、其中，表示在状态下采取动作的概率分布，表示策略网络的输出的均值，表示动作分布的标准差；策略网络的参数表示为，通过优化算法来更新这些参数，以最大化第一目标函数。

27、进一步的，定义一个价值网络，用于估计在给定状态下采取动作的长期累积奖励，即状态-动作对的价值；价值网络采用深度网络的形式，接受状态和动作作为输入，并输出该状态-动作对的估计值，表达为：

28、；

29、其中，表示在状态下采取动作的估计价值，表示价值网络的参数，是价值网络中的权重和偏置项，对参数进行训练，以更准确地估计状态-动作对的价值，训练过程使用第二目标函数的huber损失，来度量价值网络的估计值与实际累积奖励之间的差距，通过最小化第二目标函数，更新价值网络的参数，以更好地逼近真实的价值函数；使用带折扣因子的累积奖励来估计价值函数，公式如下：

30、；

31、其中，是折扣因子，是在时间步获得的奖励；价值网络的训练目标是最小化估计值与累积奖励之间的误差，使用均方误差损失函数进行表示：

32、；

33、其中，是经验回放缓冲区；是损失函数，表示要最小化的目标，是要优化的参数，是值函数的参数；表示期望值，表示对数据集中的样本取期望，其中分别表示当前状态、采取的动作、获得的奖励和下一个状态；是值函数，表示在状态下采取动作的值，由参数控制；这个值函数的目标是估计在每个状态下采取每个动作的累积奖励期望。是在当前状态采取动作后获得的奖励；是折扣因子，表示未来奖励的重要性，是一个介于0和1之间的值，用来降低未来奖励的权重，以便更关注即时奖励；是在下一个状态中采取所有可能动作后的最大值函数，表示下一步的最优动作值。

34、进一步的，使用源领域和策略网络进行强化学习训练时，定义第三目标函数为：

35、；

36、其中，表示目标函数，表示在策略下在状态采取动作的预期累积奖励；第三目标函数的目的是最大化在源领域上的累积奖励；通过如下公式，计算第三目标函数的梯度：

37、；

38、使用如下公式，通过梯度上升法更新策略网络的参数，以提高在源领域上的性能：

39、；

40、其中，为学习率。

41、进一步的，使用源领域训练的策略网络和价值网络结合目标领域进一步训练时，定义第四目标函数为：

42、；

43、其中，表示目标函数，表示在策略下在状态采取动作的预期累积奖励，表示价值网络估计的状态的价值；第四目标函数的目的是最大化在目标领域上的累积奖励，并同时最小化价值网络估计的状态价值与策略估计的累积奖励之间的差距；再通过如下公式，计算第四目标函数的梯度：

44、；

45、通过如下公式来同时更新策略网络的参数和价值网络的参数，以使目标函数增加：

46、。

47、本发明的智能农业监测与管理系统，具有以下有益效果：传统农业管理往往依赖于农民的经验和直观决策，容易受到主观因素的影响。而本发明利用迁移学习、强化学习和深度学习技术，构建了智能决策支持系统。该系统能够根据不同的农田特点、环境因素和最佳实践，提供个性化的农业建议。它可以预测未来的气象条件，优化灌溉和施肥计划，并建议最佳的病虫害管理策略。这有助于农民做出明智的决策，降低农业风险，提高经济效益。传感器通过实时监测多个农业区域的农业监测数据，包括温度、光照强度、降水量、湿度、土壤类型值、土壤ph值、土壤氮含量、土壤磷含量、土壤钾含量、作物平均高度和作物叶片平均数量等关键参数。这些数据的实时收集和分析使农民能够更好地了解其农田的状态，包括土壤质量、植物健康状况和环境条件。基于这些数据，系统能够提供个性化的农业建议，帮助农民优化农业操作，如灌溉、施肥和病虫害防治。这有助于提高作物产量、质量和可持续性，从而增加农业生产效率。