本发明涉及水肥调控领域，更具体地说，它涉及一种水肥一体化滴喷灌调控系统。
背景技术：
1、目前，对药作物的种植管理主要依赖于水肥一体化的滴喷灌技术。这一技术通过将灌溉与施肥结合，以精准的方式将水和肥料输送到作物根系，确保作物在其生长过程中得到均衡的水分与养分。
2、然而，现有的水肥滴喷灌技术虽然在药作物的基础生长管理中起到了重要作用，但在提升药作物药用价值方面存在不足。现有技术有的只聚焦于提供均衡的水肥供应，但忽视了通过水分应激、肥料成分的刺激配合环境因素的综合调控来激发药作物的药用成分积累。
技术实现思路
1、本发明提供一种水肥一体化滴喷灌调控系统，解决背景技术中提出的技术问题。
2、本发明提供了一种水肥一体化滴喷灌调控系统，包括：
3、数据采集模块，用于在第一预设时间段t内，采集t个间隔相同的时刻，m亩实验地的环境、土壤、水肥数据和植株图像；
4、图构建模块，用于将每亩实验地的环境、土壤、水肥和植株映射为节点，基于第一个时刻采集的数据构建环境、土壤和水肥节点的初始特征向量，通过荧光染料示踪法测定植株节点吸收水肥的平均时间为u个时刻，并基于第u个时刻的植株图像判断得到的健康评分和药用成分浓度构建植株节点的初始特征向量；并根据实体关系构建边；
5、图更新模块，用于在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量；
6、聚类模块，用于在t个时刻对每个植株节点对应的环境、土壤和水肥节点进行聚类，得到聚类向量；采集第a个植株节点的聚类向量和第a个植株节点的特征向量，生成预设的预测模型的训练样本集；采集第a个和第b个植株节点之间的聚类向量的相似度以及第a个和第b个节点的特征向量相似度，生成预设的验证模型的训练样本集；
7、规划模块，用于根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，并规划滴喷灌方案。
8、进一步的，根据实体关系构建边，抽取环境、土壤、水肥和植株的实体关系，基于实体关系在环境、土壤和水肥节点与其对应的植株节点之间构建边；植株节点之间基于植株节点的特征向量的相似度构建边；
9、对m亩实验地的培育策略包括第一策略和第二策略；
10、第一策略为在m亩植株的生长期和成熟期，基于标准培育方案，对每种营养元素的配量通过第一随机参数确定；
11、第二策略为在m亩植株的生长期和成熟期，基于标准培育方案，对水分的配量通过第二随机参数确定；
12、其中，第一随机参数和第二随机参数随着植株的种植时间增加，线性扩增取值范围；直到m亩植株中死亡植株达到死亡阈值，将第一随机参数和第二随机参数的取值范围还原为初始值，记录为第f个时刻；获得第f-u个时刻的第一随机参数和第二随机参数的取值范围，设为第一死亡范围和第二死亡范围。
13、进一步的，基于第u个时刻的植株图像判断得到的健康评分和药用成分浓度构建植株节点的初始特征向量，包括：
14、通过识别植株图像获得每亩植株的平均高度和平均叶片数量；
15、根据每亩植株的平均高度和平均叶片数量得到每亩植株的健康评分，其中，每亩植株的健康评分的计算公式如下：
16、；其中，表示第x亩植株第u个时刻的平均叶片数量，表示第x亩植株第u个时刻的平均高度，表示第u个时刻植株的标准叶片数量，表示第u个时刻植株的标准高度，和均为指数参数，为比例系数；
17、通过对植株图像的绿色波段、近红外波段和蓝光波段进行分析，分别获得每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率；
18、根据每亩植株的绿色波段反射率、近红外波段反射率和蓝光波段反射率得到每亩植株的药用成分浓度，每亩植株的药用成分浓度的计算公式如下：
19、；其中，表示第x亩植株第u个时刻的叶片的绿色波段反射率，表示第u个时刻叶片绿色波段反射率的标准值，表示第x亩植株第u个时刻的叶片的近红外波段反射率，表示第u个时刻叶片的近红外波段反射率的标准值，表示第x亩植株叶片第u个时刻的蓝光波段反射率，表示第u个时刻叶片的蓝光波段反射率的标准值，表示正弦函数，和均表示比例系数。
20、进一步的，在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量，包括：
21、根据环境、土壤和水肥在第p+1个时刻的新采集的数据，使用新采集的数据构建的特征向量替换环境、土壤和水肥节点在第p个时刻的特征向量。
22、进一步的，在t个时刻对每个植株节点进行聚类，包括：
23、计算第i个时刻下环境、土壤和水肥节点之间的综合特征关系；综合特征关系的计算公式如下：
24、；其中，、和分别表示水肥、土壤和环境的特征向量，、和分别表示水肥、土壤和环境的特征向量的权重向量，表示综合特征关系的偏置参数，表示综合特征关系向量，表示激活函数，表示逐元素相乘；
25、计算第i个时刻下，水肥和土壤、土壤和环境、环境和水肥的特征关系；
26、；其中，表示第i个时刻的水肥和土壤之间的特征关系，表示水肥和土壤之间的特征关系的偏置参数，表示水肥和土壤之间的特征关系向量，表示拼接操作；
27、；其中，表示第i个时刻的土壤和环境之间的特征关系，表示土壤和环境之间的特征关系的偏置参数，表示土壤和环境之间的特征关系向量；
28、；其中，表示第i个时刻的环境和水肥之间的特征关系，表示环境和水肥之间的特征关系的偏置参数，表示环境和水肥之间的特征关系向量；
29、根据第i个时刻下水肥和土壤、土壤和环境、环境和水肥的特征关系和环境、土壤和水肥节点之间的综合特征关系，确定聚类向量，聚类向量的计算公式如下：
30、；其中，表示第i个时刻下的聚类向量。
31、进一步的，生成预设的预测模型的训练样本集和生成预设的验证模型的训练样本集，包括：
32、对预设的预测模型的训练包括：第a个植株节点在第i个时刻下的聚类向量与第a个植株节点在第i+u个时刻下特征向量配对，作为一组训练样本，重复该过程，获得预测模型训练样本集合；利用预测模型训练样本集合，训练预测模型；
33、对预设的验证模型的训练包括：将第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度和第i+u个时刻下第i个植株节点和第j个植株节点的特征向量的相似度配对，若第i个时刻下第a个植株节点和第b个植株节点聚类向量的相似度＞第一相似度阈值，则作为一组训练样本，重复该过程，获得验证模型训练样本集合；利用验证模型训练样本集合，训练验证模型；
34、训练过程中，对预设的预测模型和预设的验证模型采用均方误差作为损失函数，对预测模型进行优化；
35、设定第二预设时间段g；采集q个间隔相同的时刻，p亩实验地的环境、土壤、水肥数据和植株图像；基于第二预设时间段g中第i个时刻下采集的环境、土壤和水肥数据，使用预测模型对植株的第i+u个时刻下健康评分和药用成分浓度进行预测；使用验证模型和预测模型相互验证。
36、进一步的，使用验证模型和预测模型相互验证，包括：
37、基于第二预设时间段g中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，通过预测模型分别得到节点a、节点b的第i+u个时刻的预测特征向量；
38、基于第二预设时间段g中第i个时刻的植株节点a的聚类向量和植株节点b的聚类向量，判断植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值；
39、若植株节点a的聚类向量和植株节点b的聚类向量的相似度＞第一相似度阈值，则通过验证模型分别得到节点a和节点b在第i+u个时刻的验证值；
40、判断节点a、节点b的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值；
41、若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＞第二相似度阈值，则预测模型训练完成；
42、若节点i、节点j的第i+u个时刻的预测特征向量的相似度和验证值的值差＜第二相似度阈值，则继续训练预测模型和验证模型。
43、进一步的，根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，包括：
44、随机生成符合约束条件的个体数量为r的初始化粒子群，并初始化当前迭代次数time为1；
45、对粒子群进行编码，编码的每项元素均表示为水和各种营养元素的配量；
46、约束条件为个体解的方案中每种营养元素的配量位于第一死亡范围内，水分的配量位于第二死亡范围内；
47、将预测模型设置为适应度函数，适应度函数值表示药用成分浓度，并得到x个个体的适应度值；
48、设定更新因子；；其中，表示初始攻击频率，用于探索；表示最终攻击频率，用于收敛；表示攻击权重；初始巡航广度，用于探索；表示最终巡航广度，用于收敛；表示巡航权重；time表示当前迭代次数；tmax表示最大迭代次数；
49、基于更新因子对个体更新；
50、判断time≥tmax；若time≥tmax，则确定目标时间的水肥配量，否则循环基于更新因子对个体更新。
51、进一步的，基于更新因子对个体更新，包括：
52、选择r个个体中健康评分低于健康阈值的个体，作为父代更新；
53、计算第i个个体的攻击向量，公式表示为：；其中，表示当前全局最优的个体，表示第i个个体；
54、设定第i个个体的超平面，超平面为垂直于第i个个体的攻击向量的向量；
55、计算第i个个体的巡航向量，公式表示为：；其中，表示攻击向量在超平面的投影；
56、个体的更新公式，如下：
57、；
58、；
59、其中，表示第i个个体的更新向量，表示第i个个体的更新值，和表示随机数，表示攻击向量的模长，表示巡航向量的模长。
60、进一步的，根据目标区域的环境、土壤数据和植株图像，结合预设模型，确定目标时间的水肥配量，并规划滴喷灌方案，包括：
61、采集滴管和喷管的数量和滴管和喷管的单位时间的最大输送量；
62、根据目标时间的时长和目标时间的水肥配量，确定单位时间的实际输送量；
63、根据单位时间的实际输送量，基于滴灌优先的策略，得到滴喷灌方案；
64、其中，滴灌优先的策略表示优先使用滴灌满足目标时间的水肥配量需求；当滴灌的单位时间输送量无法完全满足目标时间的水肥配量时，再使用喷灌系统进行补充。
65、本发明的有益效果在于：通过在药用植物的生长过程中，捕捉水肥和药用成分的关系，结合改进的粒子群算法得到最大化药用成分的水肥配量，保证药作物存活的情况下给与药作物合理的刺激，进而使药作物积累较多的药用成分，提高了药作物的经济价值。
1.一种水肥一体化滴喷灌调控系统，其特征在于，包括：
2.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，根据实体关系构建边，抽取环境、土壤、水肥和植株的实体关系，基于实体关系在环境、土壤和水肥节点与其对应的植株节点之间构建边；植株节点之间基于植株节点的特征向量的相似度构建边；
3.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，基于第u个时刻的植株图像判断得到的健康评分和药用成分浓度构建植株节点的初始特征向量，包括：
4.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，在第p时刻，根据采集的第p+1组数据，更新各节点的特征向量，包括：
5.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，在t个时刻对每个植株节点进行聚类，包括：
6.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，生成预设的预测模型的训练样本集和生成预设的验证模型的训练样本集，包括：
7.根据权利要求6所述的一种水肥一体化滴喷灌调控系统，其特征在于，使用验证模型和预测模型相互验证，包括：
8.根据权利要求2所述的一种水肥一体化滴喷灌调控系统，其特征在于，根据目标区域的环境、土壤数据和植株图像，结合预设的预测模型，确定目标时间的水肥配量，包括：
9.根据权利要求8所述的一种水肥一体化滴喷灌调控系统，其特征在于，基于更新因子对个体更新，包括：
10.根据权利要求1所述的一种水肥一体化滴喷灌调控系统，其特征在于，根据目标区域的环境、土壤数据和植株图像，结合预设模型，确定目标时间的水肥配量，并规划滴喷灌方案，包括：
