[发明专利]一种土壤水分预测方法和装置

权利要求书

1.一种土壤水分预测方法，其特征在于，包括：

获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据，所述历史水分为历史时序水分；

土壤的历史水分、土壤所处地理的环境历史数据分别通过物联网传感器获取，具体的，是通过地面传感器基站获取时序的水分和环境数据的，地面传感器基站包括气象传感器、土壤水分传感器、太阳辐照度传感器；地面传感器基站将采集到的数据通过Lora物联网网关传输到地面节点站，节点站将信息通过5G传输回服务器；

所述获取监测数据，所述监测数据包括土壤的历史水分、土壤所处地理的环境历史数据，之后包括：

统一所述历史水分所对应的时间尺度和所述环境历史数据所对应的时间尺度，得到统一时间尺度之后的所述历史水分和所述环境历史数据，统一时间尺度之后的所述历史水分和所述环境历史数据所对应的时间点为同一个时间点；

对统一时间尺度之后的所述历史水分和所述环境历史数据分别进行归一化处理，得到归一化之后的所述历史水分和归一化之后的所述环境历史数据；

依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分；

所述依据所述历史水分和所述环境历史数据，得到土壤的实际预测水分，包括：

依据所述环境历史数据，得到所述环境历史数据中的气象历史数据和太阳历史辐照度；

获取第一样本水分、与所述第一样本水分所对应的气象样本数据和太阳样本辐照度；

将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到神经网络模型中，得到所述神经网络模型输出的样本预测水分；

获取与所述样本预测水分所对应的第二样本水分，所述第二样本水分所对应的时刻位于所述第一样本水分所对应的时刻之后；

获取所述第一样本水分所对应的时间节点，所述时间节点在所述第一样本水分所对应的时间中最接近所述第二样本水分所对应的时间；

获取所述神经网络模型所对应的输出时间步长，所述输出时间步长为所述样本预测水分所对应的时刻与所述时间节点之间的时间差；

调整所述输出时间步长，得到调整所述输出时间步长之后的所述神经网络模型；

将所述第一样本水分、所述气象样本数据、所述太阳样本辐照度输入到调整所述输出时间步长之后的所述神经网络模型，得到调整所述输出时间步长之后的所述神经网络模型输出的预测水分，记为调整所述输出时间步长所对应的预测水分；

获取与所述输出时间步长所对应的第三样本水分；

依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型；

将所述历史水分、所述气象历史数据和所述太阳历史辐照度输入到训练之后的所述神经网络模型，得到土壤的实际预测水分；

所述方法还包括：

完成训练之后，根据实时采集到的实现气象数据、太阳辐照度、时序土壤水分自适应调节长短期记忆深度学习模型；

所述依据所述第三样本水分和调整所述输出时间步长所对应的预测水分，训练所述神经网络模型，得到训练之后的所述神经网络模型，之后还包括：

获取测试样本水分、气象测试样本数据、太阳测试样本辐照度、水分观测值；

将所述测试样本水分、所述气象测试样本数据、所述太阳测试样本辐照度输入到训练之后的所述神经网络模型，得到所述神经网络模型输出的水分预测值；

依据所述水分预测值和所述水分观测值，得到由所述水分预测值和所述水分观测值所构成的决定系数、平均绝对误差、均方根误差；

依据所述决定系数R²、所述平均绝对误差MAE、所述均方根误差RMSE，调整所述神经网络模型的参数，得到测试之后的所述神经网络模型，

式中，为土壤水分的预测值(％)，y_i为其观测值(％)，为土壤水分观测值的平均值(％)，n为样本数量；

所述方法还包括：模型的训练提前设定参数，设定参数包括神经网络隐藏层层数、每层的神经元节点数、激活函数、梯度优化方式，激活函数为linear，梯度优化方式为adam。