本發(fā)明涉及智慧園林管理，特別是一種智慧園林監(jiān)測管理方法及系統(tǒng)。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)（iot）、大數(shù)據(jù)和人工智能技術(shù)的迅速發(fā)展，智慧園林管理系統(tǒng)逐漸成為園藝領(lǐng)域的重要研究方向。傳統(tǒng)的園林管理方式依賴于人工經(jīng)驗和手動操作，不僅效率低下，還難以應(yīng)對復(fù)雜多變的環(huán)境條件。近年來，科研人員和工程師們開始引入傳感器網(wǎng)絡(luò)、遙感技術(shù)以及數(shù)據(jù)分析方法，通過部署多種傳感器實時監(jiān)測園林環(huán)境狀態(tài)，如溫度、濕度、光照、co2濃度等多源數(shù)據(jù)。這些數(shù)據(jù)通過無線傳輸技術(shù)匯集到中央控制系統(tǒng)中，經(jīng)過分析處理后，用于指導(dǎo)園林的灌溉、施肥、通風(fēng)、遮陽等操作。然而，現(xiàn)有的智慧園林監(jiān)測管理系統(tǒng)大多停留在簡單的數(shù)據(jù)監(jiān)測與手動控制階段，缺乏對多模態(tài)數(shù)據(jù)的深度挖掘和智能決策的能力。尤其是在環(huán)境狀態(tài)復(fù)雜且變化迅速的園林中，如何充分利用多源數(shù)據(jù)進行精準的環(huán)境狀態(tài)預(yù)測和自動化控制，仍然是一個亟待解決的問題。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種智慧園林監(jiān)測管理方法及系統(tǒng)解決現(xiàn)有智慧園林管理系統(tǒng)中多源數(shù)據(jù)融合不充分、環(huán)境狀態(tài)預(yù)測不準確及自動化控制優(yōu)化不足的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實施例提供了一種智慧園林監(jiān)測管理方法，其包括，

5、通過部署多種傳感器采集多源數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理；

6、基于預(yù)處理后的數(shù)據(jù)，對數(shù)據(jù)進行特征提取和多模態(tài)數(shù)據(jù)融合；

7、對融合后的特征向量進行時序關(guān)聯(lián)分析，基于時序分析結(jié)果，構(gòu)建智能預(yù)測模型，對園林環(huán)境狀態(tài)進行預(yù)測；

8、根據(jù)時序分析與預(yù)測結(jié)果，生成針對不同環(huán)境狀態(tài)的智能決策規(guī)則；

9、基于智能決策規(guī)則，制定具體的控制策略，并對控制策略進行優(yōu)化；

10、根據(jù)優(yōu)化后的控制策略，執(zhí)行自動化控制，引入自適應(yīng)控制機制，自動調(diào)整控制策略。

11、作為本發(fā)明所述智慧園林監(jiān)測管理方法的一種優(yōu)選方案，其中：所述部署多種傳感器，包括土壤濕度傳感器、空氣溫度傳感器、光照強度傳感器、co2濃度傳感器和高清攝像頭；

12、所述采集多源數(shù)據(jù)，包括溫濕度數(shù)據(jù)、光照強度與co2濃度數(shù)據(jù)和圖像數(shù)據(jù)；

13、所述對數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)清洗與噪聲過濾、數(shù)據(jù)標(biāo)準化處理、數(shù)據(jù)時間對齊處理和圖像增強與尺寸歸一化處理。

14、作為本發(fā)明所述智慧園林監(jiān)測管理方法的一種優(yōu)選方案，其中：所述基于預(yù)處理后的數(shù)據(jù)，對數(shù)據(jù)進行特征提取和多模態(tài)數(shù)據(jù)融合，包括如下步驟，

15、從預(yù)處理后的溫濕度數(shù)據(jù)、光照強度與co2濃度數(shù)據(jù)中提取時間序列數(shù)據(jù)；

16、將所述時間序列數(shù)據(jù)輸入lstm模型中；

17、計算lstm單元的輸入門、遺忘門、細胞狀態(tài)更新、輸出門和隱藏狀態(tài)更新；

18、通過lstm網(wǎng)絡(luò)的最后一層隱藏狀態(tài)表示整個時間序列的傳感器特征向量；

19、將尺寸歸一化后的圖像數(shù)據(jù)輸入到預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)cnn模型中，在每一層卷積操作中，使用卷積核對圖像進行卷積運算；

20、通過最大池化和歸一化處理，提取圖像的高層次特征；

21、將cnn網(wǎng)絡(luò)的最后一層特征圖展平為圖像特征向量；

22、為傳感器特征向量和圖像特征向量分別初始化權(quán)重，并設(shè)置初始值為0.5；

23、將兩個特征向量通過加權(quán)平均的方式進行融合，得到融合后的特征向量；

24、對融合后的特征向量進行歸一化處理。

25、作為本發(fā)明所述智慧園林監(jiān)測管理方法的一種優(yōu)選方案，其中：所述對融合后的特征向量進行時序關(guān)聯(lián)分析，基于時序分析結(jié)果，構(gòu)建智能預(yù)測模型，對園林環(huán)境狀態(tài)進行預(yù)測，包括如下步驟，

26、通過stl模型對融合后的特征向量進行平滑處理；

27、將平滑后的數(shù)據(jù)與原始數(shù)據(jù)進行比較，提取其中的周期性成分；

28、將原始時間序列數(shù)據(jù)減去趨勢和季節(jié)性成分，得到殘差部分；

29、將趨勢分量、季節(jié)性分量和殘差分量分別作為時序特征向量的組成部分；

30、采用隨機森林回歸模型來構(gòu)建智能預(yù)測模型進行預(yù)測，將多源數(shù)據(jù)中的時序特征作為輸入特征；

31、將每個時間步的數(shù)據(jù)作為特征向量的組成部分，結(jié)合溫度和濕度數(shù)據(jù)，構(gòu)造新的復(fù)合特征；

32、使用滑動窗口方法，將固定時間段內(nèi)的數(shù)據(jù)作為一個輸入樣本的特征；

33、結(jié)合時間信息，提取時間戳作為特征；

34、對特征進行非線性變換，嘗試不同特征組合方式；

35、構(gòu)建未來某一時間點的環(huán)境狀態(tài)作為目標(biāo)變量；

36、使用預(yù)處理后的特征向量和對應(yīng)的目標(biāo)變量，構(gòu)建訓(xùn)練數(shù)據(jù)集；

37、在隨機森林模型中，構(gòu)造多棵決策樹，每棵樹在不同的子集特征和樣本上進行訓(xùn)練，將所有決策樹的預(yù)測結(jié)果進行平均或加權(quán)平均作為最終的預(yù)測結(jié)果；

38、決定隨機森林中樹的數(shù)量，控制每棵樹的深度、分割內(nèi)部節(jié)點的最小樣本數(shù)和每次分割時可以選擇的特征數(shù)量；

39、使用交叉驗證方法評估模型的穩(wěn)定性和泛化能力，使用均方誤差衡量預(yù)測值與真實值之間的差異，利用r2系數(shù)評估模型解釋變量的能力；

40、根據(jù)評估結(jié)果，調(diào)整模型的超參數(shù)；

41、實時采集的傳感器數(shù)據(jù)在經(jīng)過預(yù)處理后，輸入到訓(xùn)練好的隨機森林回歸模型中，進行實時預(yù)測，隨著時間推移和環(huán)境的變化，定期使用新的數(shù)據(jù)重新訓(xùn)練和更新模型。

42、作為本發(fā)明所述智慧園林監(jiān)測管理方法的一種優(yōu)選方案，其中：所述根據(jù)時序分析與預(yù)測結(jié)果，生成針對不同環(huán)境狀態(tài)的智能決策規(guī)則，包括如下步驟，

43、從智能預(yù)測模型的輸出中提取未來b個時間步的關(guān)鍵環(huán)境變量的預(yù)測值，預(yù)測的環(huán)境變量包括溫度、濕度和光照強度，表示時間步，≤b；

44、對提取的預(yù)測數(shù)據(jù)進行趨勢分析，根據(jù)預(yù)測數(shù)據(jù)的趨勢，確定關(guān)鍵時間節(jié)點；

45、定義各個環(huán)境變量的理想范圍，表示為，

46、；

47、其中，理想溫度范圍為[,]、濕度范圍為[,]、光照強度范圍為[,]；

48、根據(jù)各個環(huán)境變量的預(yù)測值是否在理想范圍內(nèi)，生成智能決策規(guī)則，對每個決策規(guī)則中涉及的控制操作，定義其具體執(zhí)行參數(shù)；

49、將生成的所有規(guī)則整理成一個規(guī)則庫，規(guī)則庫中的規(guī)則按照時間步進行排列，同時為每條規(guī)則指定優(yōu)先級。

50、作為本發(fā)明所述智慧園林監(jiān)測管理方法的一種優(yōu)選方案，其中：所述基于智能決策規(guī)則，制定具體的控制策略，并對控制策略進行優(yōu)化，包括如下步驟，

51、基于園林的物理特性與環(huán)境數(shù)據(jù)，建立控制模型，表達式為，

52、；

53、其中，為系統(tǒng)狀態(tài)向量，為控制輸入向量，為狀態(tài)轉(zhuǎn)移函數(shù)，為系統(tǒng)噪聲，為當(dāng)前時間步；

54、定義控制策略的目標(biāo)函數(shù)，表達式為，

55、；

56、其中，為目標(biāo)函數(shù)的值，為參考狀態(tài)，為權(quán)重矩陣，為控制輸入的權(quán)重矩陣，為預(yù)測時域長度；

57、使用mpc算法對目標(biāo)函數(shù)進行優(yōu)化；

58、基于當(dāng)前狀態(tài)和控制模型，預(yù)測未來個時間步內(nèi)的系統(tǒng)狀態(tài)

59、通過優(yōu)化目標(biāo)函數(shù)，找到最優(yōu)控制輸入序列。

60、作為本發(fā)明所述智慧園林監(jiān)測管理方法的一種優(yōu)選方案，其中：所述根據(jù)優(yōu)化后的控制策略，執(zhí)行自動化控制，引入自適應(yīng)控制機制，自動調(diào)整控制策略，包括如下步驟，

61、根據(jù)優(yōu)化后的控制策略，生成具體的控制信號，表達式為，

62、；

63、其中，為實際控制信號，為優(yōu)化后的控制輸入序列；

64、通過iot平臺，將控制信號傳送至相應(yīng)的執(zhí)行設(shè)備，設(shè)備接收到控制信號后，按預(yù)定的參數(shù)執(zhí)行操作；

65、在控制執(zhí)行過程中，實時監(jiān)控環(huán)境狀態(tài)，通過傳感器網(wǎng)絡(luò)獲取最新的環(huán)境數(shù)據(jù)，并與期望狀態(tài)進行對比，如果實際狀態(tài)與期望狀態(tài)存在偏差，系統(tǒng)將自動調(diào)整控制策略，執(zhí)行新的控制動作；

66、基于自適應(yīng)算法，建立控制系統(tǒng)的自適應(yīng)模型，該模型能夠根據(jù)環(huán)境反饋和歷史數(shù)據(jù)，自動調(diào)整控制參數(shù)；

67、定義參數(shù)更新機制，?？刂葡到y(tǒng)能夠根據(jù)實時數(shù)據(jù)調(diào)整控制策略，更新公式如下，

68、；

69、其中，為當(dāng)前控制參數(shù)，為學(xué)習(xí)率，為目標(biāo)函數(shù)對參數(shù)的梯度；

70、系統(tǒng)根據(jù)自適應(yīng)模型實時調(diào)整控制策略，確保環(huán)境狀態(tài)在各種條件下都能維持在目標(biāo)范圍內(nèi)；

71、長期運行中，定期分析控制效果，識別潛在問題，并通過更新決策規(guī)則庫和控制模型進行持續(xù)優(yōu)化。

72、第二方面，本發(fā)明提供了一種智慧園林監(jiān)測管理系統(tǒng)，包括，

73、傳感器采集模塊，負責(zé)部署多種傳感器采集多源數(shù)據(jù)；

74、數(shù)據(jù)預(yù)處理模塊，負責(zé)對傳感器采集到的原始數(shù)據(jù)進行預(yù)處理；

75、特征提取與數(shù)據(jù)融合模塊，負責(zé)基于預(yù)處理后的數(shù)據(jù)，對數(shù)據(jù)進行特征提取和多模態(tài)數(shù)據(jù)融合；

76、時序分析與智能預(yù)測模塊，負責(zé)對融合后的特征向量進行時序關(guān)聯(lián)分析，基于時序分析結(jié)果，構(gòu)建智能預(yù)測模型，對園林環(huán)境狀態(tài)進行預(yù)測；

77、智能決策模塊，負責(zé)根據(jù)時序分析與預(yù)測結(jié)果，生成針對不同環(huán)境狀態(tài)的智能決策規(guī)則；

78、控制策略制定與優(yōu)化模塊，負責(zé)基于智能決策規(guī)則，制定具體的控制策略，并對控制策略進行優(yōu)化；

79、自動化控制與自適應(yīng)調(diào)控模塊，負責(zé)根據(jù)優(yōu)化后的控制策略，執(zhí)行自動化控制，引入自適應(yīng)控制機制，自動調(diào)整控制策略。

80、第三方面，本發(fā)明實施例提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的智慧園林監(jiān)測管理方法的任一步驟。

81、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的智慧園林監(jiān)測管理方法的任一步驟。

82、本發(fā)明有益效果為：通過部署多種傳感器采集多源數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理，隨后對數(shù)據(jù)進行特征提取和多模態(tài)數(shù)據(jù)融合，基于時序分析結(jié)果構(gòu)建智能預(yù)測模型，從而生成智能決策規(guī)則，制定并優(yōu)化控制策略，最終執(zhí)行自動化控制，并引入自適應(yīng)控制機制自動調(diào)整策略，實現(xiàn)了對園林環(huán)境的智能監(jiān)測、預(yù)測和控制，確保園林狀態(tài)維持在理想范圍內(nèi)。