买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉赤峰市共邦农业服务有限公司申请的专利一种智能化的农业灌溉用水量预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120338187B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510438375.4，技术领域涉及：G06Q10/04；该发明授权一种智能化的农业灌溉用水量预测方法及系统是由贾文志;许长立;王华宇;王尚锋;周岩设计研发完成，并于2025-04-09向国家知识产权局提交的专利申请。

本一种智能化的农业灌溉用水量预测方法及系统在说明书摘要公布了：本发明公开了一种智能化的农业灌溉用水量预测方法及系统，方法包括原始数据采集、初步数据处理、农田类型初步分类、用水量预测模型构建和灌溉用水量预测。本发明涉及农业灌溉数据处理技术领域，具体是指一种智能化的农业灌溉用水量预测方法及系统，本发明通过原始数据采集得到原始数据；采用缺失值处理、时空数据对齐、数据标准化和数据集分割的初步处理方法；采用时空深度聚类模型进行初步分类，解决了传统静态分类忽略地理邻近性、管网布局关联性及土壤‑作物特征非线性耦合的问题；采用不确定性图卷积网络模型作为用水量预测模型，将农田分类特征作为调制条件嵌入预测模型，同时量化用水需求的不确定性，增强了预测结果的稳定性。

本发明授权一种智能化的农业灌溉用水量预测方法及系统在权利要求书中公布了：1.一种智能化的农业灌溉用水量预测方法，其特征在于：该方法包括以下步骤： 步骤S1：原始数据采集，通过从农业管理系统中进行数据采集，得到用水量预测原始数据集，所述用水量预测原始数据集，具体包括历史原始数据集和待预测原始数据集，所述历史原始数据集和所述待预测原始数据集，具体包括气象环境数据、农田数据和地理数据，所述历史原始数据集，还包括历史用水量数据； 步骤S2：初步数据处理，用于对采集到的原始数据进行初步处理，得到初步待预测数据集、初步预测训练集和初步预测测试集； 步骤S3：农田类型初步分类，用于初步分类农田类型，具体为构建时空深度聚类模型，并采用所述时空深度聚类模型进行初步分类，所述时空深度聚类模型，具体包括时空图卷积编码模块和动态模糊聚类模块； 步骤S4：用水量预测模型构建，用于构建农业灌溉用水量预测所需的模型，具体为构建不确定性图卷积网络模型，作为用水量预测模型； 步骤S5：灌溉用水量预测，具体为采用所述用水量预测模型进行灌溉用水量预测，得到农业灌溉用水量分位数预测结果； 所述农田类型初步分类，具体包括以下步骤： 步骤S31：构建时空图卷积编码模块，用于提取农田时空特征，具体为通过膨胀时间卷积捕捉时间特征，通过图注意力获取空间特征，并聚合获得农田时空特征，步骤包括： 步骤S311：获取时间特征，用于提取农田时间特征，具体为通过膨胀时间卷积获取时间特征； 步骤S312：获取空间特征，用于提取农田空间特征，具体为通过图注意力获取空间特征； 步骤S313：获取农田时空特征，具体为通过时空池化得到农田时空特征； 步骤S32：构建动态模糊聚类模块，步骤包括： 步骤S321：初始聚类划分，用于划分初始聚类，具体为基于土壤类型数据将样本划分为K个聚类，所述样本，具体为农田的农田时空特征； 步骤S322：马氏距离矩阵构造，用于建立适应农业特征的距离度量矩阵，具体为通过协方差矩阵学习聚类局部特征权重，并计算马氏距离以构造马氏距离矩阵，所用公式如下： ； 式中，表示农田a的农田时空特征，表示第k个聚类的聚类中心，表示第k个聚类的样本数，表示第k个聚类的样本集合，表示第k个聚类的协方差矩阵，表示数值稳定性常数，值为，I表示单位矩阵，Ds表示马氏距离矩阵，表示马氏距离矩阵的元素，其含义为第a个样本到第k个聚类的马氏距离，表示第k个聚类的协方差矩阵的逆矩阵，表示行列式计算函数，T表示转置操作； 步骤S323：获取图正则化隶属度，用于保证空间相邻农田聚类一致性，具体为通过邻接矩阵对隶属度施加平滑约束，融合地理临近关系，步骤包括： 步骤S3231：计算邻接矩阵，具体为基于土壤类型数据、灌溉管网布局数据和农田间地理距离进行邻接矩阵的计算，所用公式如下： ； 式中，表示管网连接强度，表示农田a和农田b之间的灌溉管道长度，表示基准灌溉管道长度，表示连通性指数，当农田a和农田b之间存在灌溉管网联通时，其值为1，当农田a和农田b之间不存在灌溉管网联通时，其值为0，A表示邻接矩阵，表示邻接矩阵元素，表示地理距离权重，表示土壤相似性权重，表示管网连接权重，表示农田a和农田b之间的地理距离，表示基准地理距离，表示地理距离阈值，表示土壤相似性指数，当农田a和农田b土壤类型相同时，其值为1，当农田a和农田b土壤类型不相同时，其值为0； 步骤S3232：计算隶属度，所用公式如下： ； 式中，表示第a个样本对第k个聚类的隶属度，表示第k个聚类的动态调节温度，K表示聚类总数，表示马氏距离矩阵的元素，其含义为第a个样本到第l个聚类的马氏距离，表示第l个聚类的动态调节温度； 步骤S3233：计算图正则化隶属度，所用公式如下： ； 式中，表示第a个样本对第k个聚类的图正则化隶属度，AB表示样本总数，表示第b个样本对第k个聚类的隶属度； 步骤S324：更新动态调节温度，用于更新动态调节温度以自适应调整聚类软硬程度，具体为通过密度估计感知聚类空间聚集度，并基于此计算动态调节温度，所用公式如下： ； 式中，表示第k个聚类的密度，表示更新后的第k个聚类的动态调节温度，表示农田a的邻居集合； 步骤S325：更新聚类中心； 步骤S33：初步分类模型构建，具体为通过所述构建时空图卷积编码模块和所述构建动态模糊聚类模块，进行时空深度聚类模型的构建，基于所述初步预测训练集训练模型，基于所述初步预测测试集验证模型性能，得到时空深度聚类模型，并作为初步分类模型； 步骤S34：进行初步分类，具体为将所述初步待预测数据集、所述初步预测训练集和所述初步预测测试集分别作为所述初步分类模型的输入，得到待预测图正则化隶属度、训练图正则化隶属度和测试图正则化隶属度，并将所述待预测图正则化隶属度、所述训练图正则化隶属度和所述测试图正则化隶属度，分别并入到所述初步待预测数据集、所述初步预测训练集和所述初步预测测试集中，得到待预测数据集、预测训练集和预测测试集； 所述用水量预测模型构建，具体包括以下步骤： 步骤S41：构造条件融合特征，具体为将所述农田类型初步分类得到的图正则化隶属度映射为条件向量，并基于此调制模型输入，得到条件融合特征，所用公式如下： ； 式中，Cv表示条件向量，表示多层感知机函数，表示图正则化隶属度，表示条件融合特征，表示缩放因子权重，表示缩放因子偏置项，表示可学习调制权重，表示模型输入，表示偏移因子权重，表示偏移因子偏置项，表示逐元素相乘； 步骤S42：构造图卷积模块，具体为基于所述邻接矩阵，构造用于处理所述条件融合特征的图卷积模块，所用公式如下： 式中，表示图卷积特征，表示图卷积函数； 步骤S43：分位数预测，用于生成不确定性量化预测，具体为通过分位数投影构造查询、键和值，并基于双流注意力得到模型预测结果，步骤包括： 步骤S431：获取查询、键和值，具体为通过分位数投影构造查询、键和值，所用公式如下： ； 式中，表示分位数为的查询，表示分位数为的键，表示分位数为的值，表示双曲正切函数，表示分位数为的查询投影矩阵，表示分位数为的键投影矩阵，表示分位数为的值投影矩阵，表示分位数，捕捉灌溉需求的下界，捕捉灌溉需求确定性趋势，捕捉灌溉需求的上界； 步骤S432：分位数注意力计算，所用公式如下： ； 式中，表示分位数为的不确定性注意力输出，表示确定性注意力输出，表示softmax函数，表示分位数为的键的维度，表示分位数为0.5的查询，表示分位数为0.5的键，表示分位数为0.5的值，表示分位数为0.5的键的维度； 步骤S433：获取模型预测结果，所用公式如下： ； 式中，表示分位数为的模型预测结果，表示模型输出权重，表示模型输出偏置项； 步骤S44构建并训练模型，具体为通过所述构造条件融合特征、所述构造图卷积模块和所述分位数预测，进行不确定性图卷积网络模型的构建，基于所述预测训练集训练模型，基于所述预测测试集验证模型性能，得到不确定性图卷积网络模型，并作为用水量预测模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人赤峰市共邦农业服务有限公司，其通讯地址为：024000 内蒙古自治区赤峰市松山区查干沐沦大街北农牧科技产业园；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。