本發(fā)明屬于智能監(jiān)控系統(tǒng)領(lǐng)域，具體地說(shuō)，涉及一種基于無(wú)人機(jī)多光譜反演的滴灌小麥水氮智能監(jiān)控系統(tǒng)。

背景技術(shù)：

1、在農(nóng)業(yè)領(lǐng)域，尤其是對(duì)小麥作物的水分和氮素管理方面，通過(guò)分析光譜數(shù)據(jù)，可以識(shí)別作物的健康狀況，包括早期病蟲(chóng)害的跡象。特定的光譜波段對(duì)植物病害和蟲(chóng)害的變化非常敏感，從而幫助及時(shí)發(fā)現(xiàn)問(wèn)題。而且通過(guò)分析作物的光譜反射率，可以估計(jì)其水分含量。水分不足或過(guò)多都會(huì)影響光譜特征，從而通過(guò)光譜數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)土壤和作物的水分狀態(tài)。最后光譜數(shù)據(jù)可以用來(lái)估算作物的氮素含量，因?yàn)榈貙?duì)植物的光譜反射特性有顯著影響。這有助于優(yōu)化施肥策略，確保作物獲得所需的營(yíng)養(yǎng)。

2、傳統(tǒng)的光譜采集方法通常依賴(lài)于固定的光譜波段，這種方法在面對(duì)作物生長(zhǎng)階段和環(huán)境條件的變化時(shí)存在顯著不足。由于不同生長(zhǎng)階段的小麥對(duì)光譜波段的反應(yīng)不同，固定波段的采集可能無(wú)法捕捉到作物的真實(shí)狀態(tài)，從而影響監(jiān)測(cè)數(shù)據(jù)的準(zhǔn)確性。例如，某些光譜波段可能在某個(gè)生長(zhǎng)階段對(duì)水分和氮素含量的敏感性較低，而在另一個(gè)階段則相對(duì)較高。因此，固定波段的采集方法可能導(dǎo)致數(shù)據(jù)不完全或不具有代表性，進(jìn)而影響整體監(jiān)測(cè)效果。

3、此外，許多傳統(tǒng)系統(tǒng)在生成灌溉和施肥策略時(shí)依賴(lài)于靜態(tài)模型或單一的數(shù)據(jù)源，這限制了策略的適應(yīng)性和精準(zhǔn)性。靜態(tài)模型未能考慮作物在不同生長(zhǎng)階段和環(huán)境條件下的變化需求，也沒(méi)有充分利用高質(zhì)量的多光譜數(shù)據(jù)進(jìn)行綜合分析。這樣的策略可能無(wú)法準(zhǔn)確反映作物的實(shí)際需求，從而導(dǎo)致資源使用不當(dāng)，例如過(guò)量施肥或灌溉，影響作物的健康和產(chǎn)量。

4、有鑒于此特提出本發(fā)明。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)的不足，提供一種基于無(wú)人機(jī)多光譜反演的滴灌小麥水氮智能監(jiān)控系統(tǒng)，解決了上述背景技術(shù)中提出的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明采用技術(shù)方案的基本構(gòu)思是：

3、一種基于無(wú)人機(jī)多光譜反演的滴灌小麥水氮智能監(jiān)控系統(tǒng)，包括：無(wú)人機(jī)平臺(tái)，無(wú)人機(jī)平臺(tái)處搭載具有多光譜成像能力的傳感器；

4、動(dòng)態(tài)光譜選擇模塊，動(dòng)態(tài)光譜選擇模塊用于根據(jù)作物的生長(zhǎng)階段和環(huán)境條件自動(dòng)選擇最適合的光譜波段進(jìn)行數(shù)據(jù)采集；

5、光譜變頻模塊，光譜變頻模塊用于將采集的光譜數(shù)據(jù)進(jìn)行光譜頻率轉(zhuǎn)換；

6、自適應(yīng)光譜振幅調(diào)制模塊，自適應(yīng)光譜振幅調(diào)制模塊用于在光譜數(shù)據(jù)采集過(guò)程中動(dòng)態(tài)調(diào)整光譜信號(hào)的振幅并根據(jù)實(shí)時(shí)數(shù)據(jù)反饋?zhàn)詣?dòng)調(diào)整光譜振幅；

7、非線(xiàn)性光譜響應(yīng)模型模塊，非線(xiàn)性光譜響應(yīng)模型模塊用于建立光譜信號(hào)與小麥水分和氮素含量之間的全連接神經(jīng)網(wǎng)絡(luò)模型并實(shí)時(shí)優(yōu)化所述全連接神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

8、數(shù)據(jù)分析與決策支持模塊，數(shù)據(jù)分析與決策支持模塊用于對(duì)經(jīng)過(guò)光譜變頻和振幅調(diào)制處理的數(shù)據(jù)進(jìn)行分析，并生成基于預(yù)測(cè)的智能灌溉和施肥策略；

9、控制單元，控制單元用于協(xié)調(diào)光譜變頻裝置、自適應(yīng)光譜振幅調(diào)制系統(tǒng)和動(dòng)態(tài)光譜選擇模塊的操作。

10、可選的，數(shù)據(jù)分析與決策支持模塊包括數(shù)據(jù)融合單元和用戶(hù)界面模塊，數(shù)據(jù)融合單元用于將光譜數(shù)據(jù)與其他相關(guān)數(shù)據(jù)進(jìn)行綜合分析并基于分析結(jié)果生成優(yōu)化的灌溉和施肥方案，用戶(hù)界面模塊用于展示實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)、分析結(jié)果和優(yōu)化建議，并支持用戶(hù)進(jìn)行決策。

11、可選的，根據(jù)作物的生長(zhǎng)階段和環(huán)境條件自動(dòng)選擇最適合的光譜波段進(jìn)行數(shù)據(jù)采集的步驟為：

12、通過(guò)無(wú)人機(jī)或地面?zhèn)鞲衅鞑杉魑锏纳L(zhǎng)階段數(shù)據(jù)并收集環(huán)境條件數(shù)據(jù)并從收集的光譜數(shù)據(jù)中提取關(guān)鍵特征并基于作物生長(zhǎng)階段和環(huán)境條件計(jì)算相關(guān)特征；

13、基于歷史數(shù)據(jù)建立光譜波段與作物生長(zhǎng)階段及環(huán)境條件之間的關(guān)系模型并通過(guò)關(guān)系模型確定哪些光譜波段對(duì)特定的作物狀態(tài)最為敏感并輸入當(dāng)前作物的生長(zhǎng)階段數(shù)據(jù)和環(huán)境條件數(shù)據(jù)至光譜選擇模型并使用光譜選擇模型計(jì)算出在當(dāng)前生長(zhǎng)階段和環(huán)境條件下，最適合的光譜波段；

14、根據(jù)計(jì)算結(jié)果調(diào)整無(wú)人機(jī)的光譜傳感器設(shè)置，使其在數(shù)據(jù)采集中選擇和使用最適合的光譜波段。

15、可選的，計(jì)算出在當(dāng)前生長(zhǎng)階段和環(huán)境條件下，最適合的光譜波段的具體步驟為：

16、計(jì)算光譜信號(hào)si(λ)與預(yù)測(cè)值mi之間的誤差，并進(jìn)行標(biāo)準(zhǔn)化，將誤差加權(quán)平均，其中環(huán)境調(diào)整因子用于平衡環(huán)境影響，選擇使加權(quán)誤差最小的光譜波段λ作為最優(yōu)波段，其表達(dá)式為：其中，optimal_wavelength為在當(dāng)前作物生長(zhǎng)階段和環(huán)境條件下，最適合的光譜波段，λ為光譜波段的波長(zhǎng)，n為歷史數(shù)據(jù)中的光譜波段數(shù)量，si(λ)為第i個(gè)光譜波段在波長(zhǎng)λ下的光譜信號(hào)強(qiáng)度，mi為第i個(gè)光譜波段的模型預(yù)測(cè)光譜信號(hào)強(qiáng)度，為第i個(gè)光譜波段光譜信號(hào)強(qiáng)度的方差，β為環(huán)境調(diào)整因子，γ為環(huán)境調(diào)整因子的衰減率，δ為當(dāng)前環(huán)境條件和作物生長(zhǎng)階段的差異指標(biāo)。

17、可選的，將采集的光譜數(shù)據(jù)進(jìn)行光譜頻率轉(zhuǎn)換的步驟為：

18、將光譜數(shù)據(jù)分段為適合傅里葉變換的短時(shí)間窗口并對(duì)每個(gè)數(shù)據(jù)段執(zhí)行傅里葉變換，得到光譜數(shù)據(jù)的頻率域表示，最后分析頻率域中的數(shù)據(jù)；

19、根據(jù)分析頻率域中的數(shù)據(jù)的結(jié)果識(shí)別關(guān)鍵頻率成分，根據(jù)分析結(jié)果選擇對(duì)目標(biāo)特征最敏感的頻率成分應(yīng)用頻率濾波器以增強(qiáng)感興趣頻率成并對(duì)經(jīng)過(guò)頻率調(diào)整的頻譜數(shù)據(jù)應(yīng)用逆傅里葉變換，恢復(fù)到時(shí)間域或原始光譜域。

20、可選的，非線(xiàn)性光譜響應(yīng)模型為全連接神經(jīng)網(wǎng)絡(luò)模型，全連接神經(jīng)網(wǎng)絡(luò)模型在建立時(shí)，首先建立輸入層、隱藏層、輸出層，其中，輸入層的神經(jīng)元數(shù)量與光譜數(shù)據(jù)的特征維度一致，隱藏層的數(shù)量為2層，且每層均包含64個(gè)神經(jīng)元，輸出層的神經(jīng)元數(shù)量與預(yù)測(cè)目標(biāo)數(shù)量相同，例如，如果需要同時(shí)預(yù)測(cè)水分和氮素含量，則輸出層應(yīng)包含2個(gè)神經(jīng)元，訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型的步驟為：

21、收集經(jīng)過(guò)光譜變頻和振幅調(diào)制處理后的光譜數(shù)據(jù)并分析光譜數(shù)據(jù)中的頻譜特征，識(shí)別與水分和氮素含量相關(guān)的關(guān)鍵頻率成分并對(duì)得到的數(shù)據(jù)進(jìn)行預(yù)處理、整合形成數(shù)據(jù)集；

22、將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集并使用訓(xùn)練集對(duì)全連接神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，首先，輸入數(shù)據(jù)通過(guò)神經(jīng)網(wǎng)絡(luò)的輸入層、隱藏層、輸出層進(jìn)行傳播，并經(jīng)過(guò)激活函數(shù)relu進(jìn)行處理，最終得到輸出預(yù)測(cè)值，接著，使用均方誤差作為損失函數(shù)來(lái)衡量預(yù)測(cè)值與實(shí)際值之間的差距，其表達(dá)式為隨后，使用反向傳播算法計(jì)算損失函數(shù)對(duì)每個(gè)參數(shù)的梯度并使用sgd來(lái)更新網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，以最小化損失函數(shù)，在更新網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)后使用k折交叉驗(yàn)證技術(shù)評(píng)估模型的泛化能力并使用測(cè)試集評(píng)估模型的最終表現(xiàn)，根據(jù)獲取的模型表現(xiàn)判斷是否需要對(duì)模型進(jìn)行優(yōu)化；最后，將訓(xùn)練和驗(yàn)證好的全連接神經(jīng)網(wǎng)絡(luò)集成到農(nóng)業(yè)監(jiān)控系統(tǒng)中，通過(guò)輸入實(shí)時(shí)采集的光譜數(shù)據(jù)，自動(dòng)預(yù)測(cè)小麥的水分和氮素含量。

23、可選的，實(shí)時(shí)優(yōu)化所述全連接神經(jīng)網(wǎng)絡(luò)模型的參數(shù)時(shí)候，首先，獲取模型的實(shí)時(shí)性能并根據(jù)獲取的實(shí)時(shí)性能動(dòng)態(tài)調(diào)整學(xué)習(xí)率，當(dāng)模型收斂速度減慢或性能停滯時(shí)，降低學(xué)習(xí)率以進(jìn)行更細(xì)致的優(yōu)化，最后，使用貝葉斯優(yōu)化技術(shù)在模型運(yùn)行過(guò)程中自動(dòng)調(diào)整模型的批量大小、正則化系數(shù)。

24、可選的，經(jīng)過(guò)光譜變頻和振幅調(diào)制處理的數(shù)據(jù)進(jìn)行分析，并生成基于預(yù)測(cè)的智能灌溉和施肥策略的步驟為：

25、將新采集的光譜數(shù)據(jù)輸入到訓(xùn)練好的全連接神經(jīng)網(wǎng)絡(luò)模型中，生成當(dāng)前水分和氮素含量的預(yù)測(cè)結(jié)果并根據(jù)預(yù)測(cè)的水分含量，生成智能灌溉策略，根據(jù)預(yù)測(cè)的氮素含量，生成智能施肥策略；

26、將生成的智能灌溉和施肥策略應(yīng)用于實(shí)際農(nóng)田管理中并通過(guò)自動(dòng)化系統(tǒng)操作實(shí)施。

27、可選的，灌溉策略的過(guò)程中會(huì)智能灌溉策略的水量和智能施肥策略的肥料量時(shí)，首先，將新采集的光譜數(shù)據(jù)輸入訓(xùn)練好的全連接神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)的水分含量wpred和預(yù)測(cè)的氮素含量npred，計(jì)算預(yù)測(cè)水分wpred與當(dāng)前水分wcurrent之間的差異并應(yīng)用環(huán)境調(diào)整因子來(lái)調(diào)整灌溉量，生成所需的水量，計(jì)算預(yù)測(cè)氮素npred與當(dāng)前氮ncurrent之間的差異，應(yīng)用環(huán)境調(diào)整因子來(lái)調(diào)整施肥量，生成所需的肥料量，其中，獲取智能灌溉策略的水量的表達(dá)式為：獲取智能施肥策略的肥料量的表達(dá)式為：其中，aw為水分調(diào)整系數(shù)，用于調(diào)整灌溉策略的敏感度，an為氮素調(diào)整系數(shù)，用于調(diào)整施肥策略的敏感度，γn為氮素環(huán)境調(diào)整因子，控制環(huán)境因素對(duì)氮素施肥策略的影響，γw為水分環(huán)境調(diào)整因子，控制環(huán)境因素對(duì)水分灌溉策略的影響，δn為氮素環(huán)境調(diào)整因子的衰減率，控制環(huán)境因素的影響強(qiáng)度，δw為水分環(huán)境調(diào)整因子的衰減率，控制環(huán)境因素的影響強(qiáng)度，tenv為環(huán)境溫度，作為環(huán)境條件的一部分影響調(diào)整。

28、采用上述技術(shù)方案后，本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果，當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品并不一定需要同時(shí)達(dá)到以下所述的所有優(yōu)點(diǎn)：

29、本發(fā)明利用無(wú)人機(jī)搭載的多光譜傳感器實(shí)時(shí)監(jiān)測(cè)小麥的水分和氮素含量，采用動(dòng)態(tài)光譜選擇模塊自動(dòng)選擇最佳光譜波段進(jìn)行數(shù)據(jù)采集，以確保獲得最準(zhǔn)確的作物狀態(tài)信息。系統(tǒng)中的光譜變頻模塊和自適應(yīng)光譜振幅調(diào)制模塊實(shí)時(shí)調(diào)整光譜數(shù)據(jù)的頻率和振幅，進(jìn)一步優(yōu)化數(shù)據(jù)質(zhì)量和精確度。基于這些高質(zhì)量數(shù)據(jù)，數(shù)據(jù)分析與決策支持模塊生成精準(zhǔn)的智能灌溉和施肥策略，自動(dòng)調(diào)整水分和氮素供應(yīng)以滿(mǎn)足小麥在不同生長(zhǎng)階段的實(shí)際需求，從而優(yōu)化作物的生長(zhǎng)條件，顯著提高小麥的生長(zhǎng)質(zhì)量和產(chǎn)量，推動(dòng)農(nóng)業(yè)生產(chǎn)向更加智能化、精準(zhǔn)化的方向發(fā)展，減少資源浪費(fèi)和提高經(jīng)濟(jì)效益。

30、下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)的描述。