论文-要点参考提取

一些数据网站

https://www.stats.gov.cn/sj/ndsj/

可参考八、资源与环境数据（不过是月度、年度）

https://data.cma.cn/

个人认证后（大概为注册实名后2-3天）可获取以下数据。省流：温度 湿度 气压 风速

基于遗传算法的农田智能灌溉控制系统设计

1. 农田智能灌溉控制系统硬件设计
   1.2 以 S3C6410 型号微处理器为核心。S3C6410 型 号 微 处 理 器 具 有64 / 32位的总线结构, 可以在液晶显示器和电视显示器上进行同步的影像接收。 该微处理器还配备了强大的硬件加速器, 用于图像视频处理和音频处理等任务。 同时, S3C6410 还考虑了成本节约问题,在外部还提供了包括 USB、 PWM 时器等多个硬件接口。 综上所述, S3C6410 型号微处理器具有出色的通信、 快速处和存储功能, 可对系统下位机进行良好控制。
   1. 3 数据存储模块设计  存 储 模 块 主 要 由 NAND Flash、 NOR Flash 和DDR 3 部分组成。
2. 农田智能灌溉控制系统软件设计
   2. 1 智能灌溉 PID 控制设计  基于 PID 算法完成智能灌溉控制器的设计
   2. 2 基于改进遗传算法完成 PID 控制优化设计
   (1)种群初始化  (2)适应 度 函 数 确 定  (3)选择操作  (4)交叉变异操作  (5)终止条件判断
3. 实验与分析
   服务器mysql  数据库管理工具nacicat 环境D2RO、D2R Server
   展望：在将其推广应用于实际生产中时, 还需要进一步考虑系统的成本和实施难度, 并与实际情况相结合, 以确保该系统在农业生产中的实用性和可行性。
   S3C6410 型号微处理器、PID 算法、遗传算法

基于遗传算法的农田智能灌溉控制系统设计_彭小莉

基于蓝牙 Ｍｅｓｈ 的果园智慧灌溉系统的设计

以 Ｎｏｒｄｉｃ 公司 ＮＲＦ５２８３２ 蓝牙系统级芯片（ Ｓｙｓ⁃ｔｅｍ ｏｎ Ｃｈｉｐ，ＳＯＣ）为核心的果园无线环境监测与灌溉控制系统，通过信息采集终端模块实时集果园的土壤含水率、空气温湿度等环境信息，通过蓝牙 Ｍｅｓｈ 中继节点将数据包发送到 Ｍｅｓｈ 网关上，蓝牙 Ｍｅｓｈ 网关通过通用无线分组网（ｇｅｎｅｒａｌ ｐａｃｋｅｔ ｒａｄｉｏ ｓｅｒｖｉｃｅ，ＧＰＲＳ）将处理后的数据包传输到物联网云平台，为农业数据分析提供基础信息，通过电磁阀节点实现精准灌溉。
（如果具体做物联网部分，可参考）

基于蓝牙Mesh的果园智慧灌溉系统的设计_赵善政

机器学习技术在农业领域的应用研究——以福建省为例

四大方向：2.1 水稻作物长势评估和产量预测 2.2 大棚种植水肥智能灌溉  2.3 重点茶产区茶树病虫害智能识别 2.4 食用菌工厂化智能栽培

水稻作物长势评估和产量预测是现代农业生产中不可或缺的环节。水稻的生长环境受气候、土壤、水分、光照等多种因素的影响，通过科学的评估方法和准确的预测模型，可以帮助农民更好地掌握水稻的生长状况和产量趋势，提高农业生产效率和经济效益水稻作物长势评估需要对水稻的株高、叶片数等进行测量和记录，这些指标反映了水稻的生长速度和健康状况对于判断是否缺水、缺肥或受到病虫害侵袭具有重要意义。同时，产量预测是水稻种植中的关键步骤，通过对历史产量数据的分析，结合当前的生长情况进行模型建立和预测，可以为农民提供合理的种植方案和决策参考。此外，还可以通过收集气象数据，对水稻不同生长阶段的气温、降水情况进行统计分析依托机器学习技术进一步优化产量预测模型，实现不同区域、不同品种水稻产量变化趋势的精准预测

3. 机器学习技术与农业领域深度融合面临多重挑战

3.1 农村网络基础设施薄弱 3.2 技术不稳定性与不成熟性  3.3 农民应用机器学习技术的意愿和能力不够

（此文章可参考具体方向及分析路径。无技术方面参考）

机器学习技术在农业领域的应用研究——以福建省为例_巫利荣

基于改进Elman神经网络和模糊控制的智能灌溉算法设计

智能灌溉系统不同于一般的工业控制系统,它的特点是具有非线性、惯性大且存在一定的滞后性,因此精确的建立数学模型较为困难[3],而常见的控制算法很少被应用于智能灌溉。模糊控制技术是模糊数学与控制理论的结合,它属于智能控制领域[4]。模 糊 控 制 的 优 势 在 于 其 控制方式是非线性的,不用对控制对象建立精确的数学模型,而是根据专家经验进行决策,具有很好的鲁棒性,因此得到了广泛应用[5]。

虽然模糊控制技术在节水灌溉方面得到了广泛的应用,但是还存在如下两个缺点。1)模糊规则表具有专用性,一个规则表只能控制一种对象;2)专家经验很难综合考虑温度、湿度、日照时长、辐射等环境因素,灌溉决策精度低。而蒸发蒸腾量对这些环境因素呈现相关性,因此本
文加入蒸发蒸腾量作为模糊控制器的一个输入变量,从而提高灌溉精度。

对于蒸发蒸腾量的计算,使用较多的是 ET0估算模型,其中PM公式最为常用。

设计了一种基于改进 Elman神经网络和模糊控制的智能灌溉系统。采用二级模糊控制进行灌溉决策,其中,通过前期设定的作物类型选择对应的模糊规则表,利用一级模糊控制得到不同作物在不同时期的最佳土壤湿度,然后通过IPSO-Elman神经网络预测得到作物蒸发蒸腾量,将土壤湿度的差值和蒸发蒸腾量输入二级模糊控制器,计算出灌溉时间,从而实现精准灌溉。

1. 智能硬件平台-物联网
2. Elman神经网络和IPSO算法
3. 基于二级模糊控制的智能灌溉算法设计
4. 系统测试与分析
   4.1 作物蒸发蒸腾量预测  采用 PSO 算法进行优化
   4.2 模糊控制算法仿真

展望：系统仍然有进一步改进和扩展的空间,如本系统可以根据实际应用情况进行扩展,增加更多的功能,如视频监控、水肥一体化等;种植者的灌溉经验也是一种宝贵的资源,可以考虑通过对种植者的灌溉习惯进行学习,针对性的总结控制经验,优化灌溉策略。

技术：模糊控制技术  模糊数学 控制理论 Elman神经网络 IPSO算法  物联网  模糊控制算法仿真

基于改进Elman神经网络...模糊控制的智能灌溉算法设计_张明岳

基于 LSTM 神经网络的智能灌溉系统开发

基于 LSTM（长短期记忆神经网络）需水量预测模型的智能灌溉系统。系统以树莓派为下位机控制器，阿里云服务器为上位机，实现了数据采集、数据监测、需水量预测及智能控制灌溉等功能。

（1） 环境信息采集模块。通过 485 总线Modbus 协议建立传感器与树莓派之间的通信，信息采集代码由 Python 语言编写。树派获取到气象数据后，由自身的网络通信模块通过 HTTP 协议将气象数据上传到数据库与云端物联网平台。

（2）以枣树为试验对象构建了 LSTM 神经网络需水量预测模型，首先以 2014～2019 年新疆阿拉尔站点的逐日气象数据包括平均气温、风速、空气相对湿度、太阳辐射、日照时数和气压与枣树需水量为试验数据，进行灰色关联分析，计算各气象因素与需水量之间的关联度大小，然后选取对作物需水量影响较大的平均气温、风速、空气相对湿度、太阳辐射与日照时数 5 个主要环境因素作为 LSTM 神经网络预测模型的特征输入向量，需水量为模型的特征输出向量，对枣树需水量进行预测研究。模型在 PyCharm 环境下使用 Python 语言构建，将 LSTM 预测模型准确性与 RNN 模型进行对比分析，结果表明 LSTM 模型的实际值与预测值的拟合系数为 0.9872 高于 RNN 模型的 0.8438 且残差波动较小。说明模型准确性较高可以满足系统要求。模型训练好后编写了一个应用脚本，将其代码文件移植到树莓派中对训练好的模型进行直接调用。

LSTM 神经网络作为深度学习算法的一种，其预测精度较高能够更好的处理时间序列任务，且其对训练数据的要求相对较低，具有较好的移植性。

目前主流的数据通信方式包括 485 总线传递、Zigbee 组网传递、LoRa 无线通讯及 GPRS 等。

（3） 开发了系统物联网端的 web 应用平台与移动操作平台。

（4）制定了系统灌溉决策规则 (if else)

杨志芹[18]以 Arduino 单片机作为核心控制器，设计了一款根据土壤上下限控制灌溉的智能灌溉系统，并通过水位传感器实现了储水槽的自动续水功能。(可以试试，我有arduino开发板）

针对目前适用于南疆地区特色作物的智能灌溉系统研究较少；已有的灌
溉系统人机交互系统过于繁琐、不易于操纵人员使用；预测模型对数据要求较高，实用
性不强等问题开展相关研究。（地区可以换一下，结果大致一样）

1.土壤墒情（确定性和随机性两种土壤墒情预报方式，确定性方法包括根据经验总结[38]、依据水量平衡原理、通过消退指数以及水动力学等模型思想完成预测；随机性则指的是采用时间序列以及随机模型等方式预测需水量；此外，研究中所涉及到的还有依据神经网络模型和遥感）监测、灌溉决策系统以及物联网和 GIS 技术在灌溉决策研究中的应用

2.水量平衡模型、彭曼—蒙特斯模型和冬灌模型等土壤墒情预报模型以及对物联网和
WebGIS 等数据获取和管理技术

3.区域概况

4.不同区域和不同灌溉方式下的灌溉智能决策系统应用案例进行了研究。包
括对数据采集与展示、土壤墒情预报模型实现、灌溉远程控制、灌溉决策分析的
研究分析。

总体结构设计 采用了 B/S 模式的体系结构。一方面，减少客户端运行压力；另一方面，这种结构的数据库及应用程序均部署在服务器上，只要有网络和浏览器，随时随地便可作，极大地方便了系统的维护和更新。系统中均采用了分布式的架构。它由感知层、传输层、应用表现层、控制层以及用户层五个部分组成

数据库设计

常用的 E-R 模型完成了设计，现主要以墒情、传感器、苗情、气象、作物参数、管理员、地块和种植信息八个实体为例进行阐述

功能设计

（1）实时监测  （2）土壤墒情预报  （3）灌溉决策分析  （4）远程监控  （5）系统管理

数据采集

物联网技术中的无线传感器感知技术和无线网络传输技术进行田间实时采集并传输。

数据采集与保存 经过对串口读写， 存储到 Oracle 数据库
展望：1.虽然 RS485 的通信方式已经相对成熟，被应用于各个领域但是其还属于传统
的有线传输方式，在后续的研究工作中可以将数据采集模块的通信方式改为 LoRa 无线
采集的方式，这样可以避免以后为系统增加更多的传感器布线麻烦的问题。
（2）由于个人只掌握了 LSTM 神经网络的基础知识，构建的模型还有很多不足，例如目前模型预测的是作物逐日需水量，在后面的工作中可以对预测模型进行改进，达到预测未来几天内作物需水量的效果。
（3）由于时间的关系，在灌溉测试试验时只完成了一个灌溉周期的试验，在后续的
研究工作中，可以针对枣树的整个生育期做全年的灌溉试验，对系统进行完善改进

传感器  树莓派 云端物联网平台  LSTM 神经网络需水量预测模型  平均气温、风速、空气相对湿度、太阳辐射、日照时数和气压与枣树需水量  灰色关联分析 LSTM 神经网络预测模型 物联网 土壤墒情监测、灌溉决策系统  GIS 技术

基于LSTM神经网络的智能灌溉系统开发_孙博瑞

不同灌溉方式下的灌溉智能决策系统研究

选择宁夏唐徕渠和新疆农六师农场作为研究区域，以 Java 为开发语言、MyEclipse 作为开发平台，设计并实现了相应的灌溉智能决策系统，研究了在渠道灌溉和机井灌溉下的灌溉智能决策的应用。

美国农业部所属的国家和气候中心（National Water & Climate Center）建立了全国土壤气候网络系统（Soil Climate Analysis Network），该系统通过对土壤湿度的无间断监测，为政府和有关决策部门建言献策；以色列等国家通过在本土范围内的土壤墒情网络监测系统进行检测记录，提供了数据和报告

（1）选择土壤墒情预报模型。物联网技术和 WebGIS 技术

（2）分析研究区域概况，包括宁夏唐徕渠概况和新疆农六师农场概况，并比较两者的区别

（3）研究土壤墒情预报模型的实现过程，包括彭曼—蒙特斯模型、水量平衡模型和冬灌模型

技术路线

，选择彭曼—蒙特斯模型和水量平衡方程作为需水预测模型，确定监测信息；感知层监测和传输模型计算所需的数据由物联网感知技术来完成；应用层通过对作物需水量进行计算确定是否需要灌溉，并进行灌溉控制；借助 GIS 技术和 JS 技术实现系统表现层，完成系统构建，最后对不同区域下和不同灌溉方式下的灌溉智能决策系统应用案例进行了研究。
(怎么感觉跟上面的一模一样）

展望：（1）灌溉智能决策模型方面。虽然本文采用的彭曼—蒙特斯计算模型相对
成熟，但是仍然存在或多或少的缺陷，应该继续对模型的研究工作，因为模型的
好坏对于决策的准确性以及研究能否取得进展与突破至关重要；另一方面，应该
重视对已有模型的优化，对模型参数的优化对于决策结果能够更加精确同样意义
重大，且是相对于提出一个新的模型来讲比较容易出研究成果，所以也应该将其
作为未来研究工作的重点。
（2）灌溉智能决策系统方面。系统是对模型的实现与继承，它来源于模型
又高于模型，是灌溉智能决策得以实现的最直观的表现。本文认为应从以下两个
方面对系统进行优化。一是对于本身已有系统，应从响应效率、界面表达、操作
流程等方面作更进一步的改进，比如将更多的先进技术融入进来以提升系统性能；
二是在原有系统的基础上增加移动端控制系统，这样便可随时随地对系统进行控
制，更加方便快捷；三是可以将两套系统融合在一起，这样系统的兼容性和适应
性会更强

不同灌溉方式下灌溉智能决策系统研究_张晋文

物联网、WebGIS 技术、彭曼—蒙特斯模型、水量平衡模型、冬灌模型

基于数据挖掘农田灌溉工程智能应用研究

文为提高灌溉用水量预测精度，提出了 ＲＥＰ数据前处理方法，先对比分析了基于参考蒸散量的预处理（ＲＥＰ）和等水量分布（ＥＷＤ）方法在建立灌溉数据库中的优异性，之后采用人工神经网络、支 持 向 量 机、随 机 森林、逻辑回归、决策树对灌溉需水量的智能预测进行了分析，结果表明经过 ＲＥＰ方法处理后的数据，对后续用水量预测精度具有大幅度提升，优势明显大于 ＥＷＤ方法。此外随机森林方法（ＲＦ）预测的需水量与实际耗水量更接近，准确率高达９８、５％。
关键词：数据挖掘；农田灌溉；智能预测

数据收集

1.灌区作物不同生长季节的总用水量信息  2研究区域内气象 （１）土地利用覆盖图像 （２）土壤类型图像

２ 基于 ＲＥＰ数据预处理

获得非类属 性 和 类 属 性 之 间 的 精 确 关 系，需 要 训 练数据集记录每日作物用水量。

３ 算法预测原理

人工神经网络（ＡＮＮ）、２ 支持向量机（ＳＶＭ）、决策树（ＤＴ）、随机森林（ＲＦ）逻辑回归（ＬＲ）

４、ＲＥＰ与ＥＷＤ前处理方法对比分析

基于灌溉工程和数据挖掘知识的数据预处理的有效 性，ＲＥＰ 方法处理数据的优势明显大
于 ＥＷＤ方法。

ＲＥＰ数据前处理方法、等水量分布（ＥＷＤ）方法、人工神经网络、支 持 向 量 机、随 机 森林、逻辑回归、决策树

基于数据挖掘农田灌溉工程智能应用研究_吾古丽江·斯特瓦地

基于物联网的智能节水灌溉系统研究与应用

１ 基于物联网的智能灌溉系统架构概述

智能灌溉系统的基本框架包括 ３ 层架构， 分别是水田现场、 网络传送、 业务平台

１. １ 水田现场 技术人员一般会在稻田中布设多种传感器， 包括土壤湿度传感器、 空气温度传感器和风速传感器等， 并通过 ＩＰ 网络摄像机对稻田进行实时监测。 该仪器的主功能是收集回水池、 水库及稻田中的各种重要参数。系统可以自动调整水泵、 电磁阀和其
他设备， 以实现对水库和水田的智能管理。 根据决策软件发出的指令， 电磁阀能够实现精准开启和关闭，从而调整灌溉水量， 实现智能灌溉

１. ２ 网络传送  采用了短距离低功率的 ＺｉｇＢｅｅ 无线通信技术， 这种技术适用于近距离无线传输， 能够满足农田环境中各种传感器和设备的无线组网需求

ＺｉｇＢｅｅ 无线通信技术

（比较水但是先放个框架在这儿）

基于物联网的智能节水灌溉系统研究与应用_慕蓉蓉