本發(fā)明屬于智能監(jiān)控系統(tǒng)領(lǐng)域，具體地說，涉及一種基于無人機(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，尤其是對小麥作物的水分和氮素管理方面，通過分析光譜數(shù)據(jù)，可以識別作物的健康狀況，包括早期病蟲害的跡象。特定的光譜波段對植物病害和蟲害的變化非常敏感，從而幫助及時發(fā)現(xiàn)問題。而且通過分析作物的光譜反射率，可以估計其水分含量。水分不足或過多都會影響光譜特征，從而通過光譜數(shù)據(jù)實(shí)時監(jiān)測土壤和作物的水分狀態(tài)。最后光譜數(shù)據(jù)可以用來估算作物的氮素含量，因?yàn)榈貙χ参锏墓庾V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養(yǎng)。

2、傳統(tǒng)的光譜采集方法通常依賴于固定的光譜波段，這種方法在面對作物生長階段和環(huán)境條件的變化時存在顯著不足。由于不同生長階段的小麥對光譜波段的反應(yīng)不同，固定波段的采集可能無法捕捉到作物的真實(shí)狀態(tài)，從而影響監(jiān)測數(shù)據(jù)的準(zhǔn)確性。例如，某些光譜波段可能在某個生長階段對水分和氮素含量的敏感性較低，而在另一個階段則相對較高。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)測效果。

3、此外，許多傳統(tǒng)系統(tǒng)在生成灌溉和施肥策略時依賴于靜態(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階段和環(huán)境條件下的變化需求，也沒有充分利用高質(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)問題在于克服現(xiàn)有技術(shù)的不足，提供一種基于無人機(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)中提出的問題。

2、為解決上述技術(shù)問題，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：無人機(jī)平臺，無人機(jī)平臺處搭載具有多光譜成像能力的傳感器；

4、動態(tài)光譜選擇模塊，動態(tài)光譜選擇模塊用于根據(jù)作物的生長階段和環(huán)境條件自動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)采集過程中動態(tài)調(diào)整光譜信號的振幅并根據(jù)實(shí)時數(shù)據(jù)反饋?zhàn)詣诱{(diào)整光譜振幅；

7、非線性光譜響應(yīng)模型模塊，非線性光譜響應(yīng)模型模塊用于建立光譜信號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經(jīng)過光譜變頻和振幅調(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，用戶界面模塊用于展示實(shí)時監(jiān)控數(shù)據(jù)、分析結(jié)果和優(yōu)化建議，并支持用戶進(jìn)行決策。

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

12、通過無人機(jī)或地面?zhèn)鞲衅鞑杉魑锏纳L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階段和環(huán)境條件計算相關(guān)特征；

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

14、根據(jù)計算結(jié)果調(diào)整無人機(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，計算出在當(dāng)前生長階段和環(huán)境條件下，最適合的光譜波段的具體步驟為：

16、計算光譜信號si(λ)與預(yù)測值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，n為歷史數(shù)據(jù)中的光譜波段數(shù)量，si(λ)為第i個光譜波段在波長λ下的光譜信號強(qiáng)度，mi為第i個光譜波段的模型預(yù)測光譜信號強(qiáng)度，為第i個光譜波段光譜信號強(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間窗口并對每個數(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)果識別關(guān)鍵頻率成分，根據(jù)分析結(jié)果選擇對目標(biāo)特征最敏感的頻率成分應(yīng)用頻率濾波器以增強(qiáng)感興趣頻率成并對經(jīng)過頻率調(diào)整的頻譜數(shù)據(jù)應(yīng)用逆傅里葉變換，恢復(fù)到時間域或原始光譜域。

20、可選的，非線性光譜響應(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，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個神經(jīng)元，輸出層的神經(jīng)元數(shù)量與預(yù)測目標(biāo)數(shù)量相同，例如，如果需要同時預(yù)測水分和氮素含量，則輸出層應(yīng)包含2個神經(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，識別與水分和氮素含量相關(guān)的關(guān)鍵頻率成分并對得到的數(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)練集和測試集并使用訓(xùn)練集對全連接神經(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)過激活函數(shù)relu進(jìn)行處理，最終得到輸出預(yù)測值，接著，使用均方誤差作為損失函數(shù)來衡量預(yù)測值與實(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算損失函數(shù)對每個參數(shù)的梯度并使用sgd來更新網(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)評估模型的泛化能力并使用測試集評估模型的最終表現(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，通過輸入實(shí)時采集的光譜數(shù)據(jù)，自動預(yù)測小麥的水分和氮素含量。

23、可選的，實(shí)時優(yōu)化所述全連接神經(jīng)網(wǎng)絡(luò)模型的參數(shù)時候，首先，獲取模型的實(shí)時性能并根據(jù)獲取的實(shí)時性能動態(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，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)行過程中自動調(diào)整模型的批量大小、正則化系數(shù)。

24、可選的，經(jīng)過光譜變頻和振幅調(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)測結(jié)果并根據(jù)預(yù)測的水分含量，生成智能灌溉策略，根據(jù)預(yù)測的氮素含量，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)田管理中并通過自動化系統(tǒng)操作實(shí)施。

27、可選的，灌溉策略的過程中會智能灌溉策略的水量和智能施肥策略的肥料量時，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)測的水分含量wpred和預(yù)測的氮素含量npred，計算預(yù)測水分wpred與當(dāng)前水分wcurrent之間的差異并應(yīng)用環(huán)境調(diào)整因子來調(diào)整灌溉量，生成所需的水量，計算預(yù)測氮素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達(dá)到以下所述的所有優(yōu)點(diǎn)：

29、本發(fā)明利用無人機(jī)搭載的多光譜傳感器實(shí)時監(jiān)測小麥的水分和氮素含量，采用動態(tài)光譜選擇模塊自動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?；谶@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，自動調(diào)整水分和氮素供應(yīng)以滿足小麥在不同生長階段的實(shí)際需求，從而優(yōu)化作物的生長條件，顯著提高小麥的生長質(zhì)量和產(chǎn)量，推動農(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)合附圖對本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)的描述。