本发明属于农业数据管理，具体地涉及一种基于人工智能的农业管理方法及系统。
背景技术：
1、为了确保作物能够正常生长并实现高产稳产，提供充足的水分是至关重要的。然而，在自然条件下，降水往往无法满足作物对水分的需求，要么降水量不足，要么降水分布不均。这些因素都可能导致作物无法获得所需的水分，从而影响其生长和产量。
2、在干旱和半干旱地区，由于自然降水量不足，人工灌溉成为了保证作物生长的关键措施。通过人工灌溉，农民可以补充作物所需的水分，确保作物即使在干旱条件下也能获得必要的水分供应。
3、目前，人工灌溉通常依赖于农民的经验和对作物生长情况的观察来判断灌溉的时机和水量。这种方法存在以下局限性：
4、依赖经验：灌溉决策依赖于作业人员的经验，可能导致灌溉不足或过量。
5、耗费人力：需要人工监控和操作，增加了劳动强度和成本。
6、效率低下：难以精确控制灌溉时间和水量，可能造成水资源的浪费。
7、缺乏智能化：无法根据实时数据和作物实际需求进行动态调整。
8、为了克服传统灌溉的局限性，提供一种基于人工智能的农业管理方法及系统。
技术实现思路
1、为了解决上述技术问题，本发明提供了一种基于人工智能的农业管理方法及系统，用于解决现有技术中的技术问题。
2、一方面，该发明提供以下技术方案，一种基于人工智能的农业管理方法，所述方法包括：
3、获取园林不同位置的第一环境参数，利用插补技术和平均技术对不同位置的所述第一环境参数进行预处理，得到处理参数；
4、将所述处理参数输入至第一预测模型，以输出预测湿度，获取所述园林的植被的生长阶段，基于所述生长阶段获取所述植被所需的生长湿度；
5、基于所述预测湿度与所述生长湿度计算得到湿度偏差，将所述湿度偏差及所述湿度偏差的变化率输入至模糊推理结构，以得到初步灌溉时间；
6、获取园林的第二环境参数，基于梯度提升模型对所述第二环境参数的重要度属性进行排序，基于重要度属性排序结果剔除所述第二环境参数的部分参数；
7、将剔除部分参数的所述第二环境参数输入至第二预测模型，以输出预测蒸腾量，基于所述预测蒸腾量及所述初步灌溉时间计算得到实际灌溉时间。
8、相比现有技术，本技术的有益效果为：通过将所述湿度偏差及所述湿度偏差的变化率输入至模糊推理结构的步骤，可以有效的提高初步灌溉时间的精确度，同时通过基于所述预测蒸腾量及所述初步灌溉时间计算得到实际灌溉时间的步骤，可以进一步的提高灌溉时间的精确度，从而有效的防止出现灌溉率过多或者过水的情况，另外通过计算得到实际灌溉时间的步骤，代替了人工灌溉，提高了农业管理的智能化，节约了人力，提高工作效率。
9、进一步的，所述获取园林不同位置的第一环境参数的步骤包括：
10、获取园林的初始第一环境参数，利用相关性分析技术分析所述初始第一环境参数，得到第一环境参数，间隔第一预设时间持续获取所述园林不同位置的所述第一环境参数，其中，所述初始第一环境参数包括空气温度、空气湿度、光照强度、二氧化碳浓度、土壤温度、土壤湿度、土壤导电率、风速、及风向，所述第一环境参数包括空气温度、空气湿度、光照强度、土壤温度及土壤湿度。
11、进一步的，所述插补技术包括：
12、判断所述第一环境参数是否存在数据缺失，若所述第一环境参数存在数据缺失；
13、则判断缺失的所述数据的跨度是否小于阈值，若缺失的所述数据的跨度小于阈值；
14、则利用插补公式基于原有的所述第一环境参数计算，得到插补数据，并将所述插补数据补入缺失的所述数据，形成完成的第一环境参数；
15、其中，所述插补公式包括：
16、
17、式中，表示为缺失的第一环境参数，表示为已知的所述第一环境参数，位于序列的起始位置，表示为另一个已知的所述第一环境参数，位于序列中之后的第个位置，表示为缺失的第一环境参数与之间的间隔数，表示为与之间的间隔数，表示为与之间的间隔数；
18、所述平均技术包括：
19、 ；
20、表示为个第一环境参数的平均值，表示为第一环境参数的个数，表示不同时刻的第一环境参数。
21、进一步的，所述获取园林的第二环境参数的步骤包括：
22、间隔第二预设时间持续获取园林的第二环境参数，并利用异常判断公式判断所述第二环境参数是否存在异常的第二环境参数；
23、若所述第二环境参数存在异常的第二环境参数，则将异常的第二环境参数进行删除；
24、利用异常修复公式基于非异常的第二环境参数计算，得到修复数据；
25、将所述修复数据代替异常的第二环境参数，以得到完整的第二环境参数。
26、进一步的，所述异常判断公式包括：
27、；
28、式中，表示为所有第二环境参数形成的数据集中的第个第二环境参数，表示为所有第二环境参数的平均值，表示为所有第二环境参数形成的数据集的标准差，表示为测量第二环境参数的检验系数，其中，，分别表示第二环境参数形成的数据集中的最大值和最小值；
29、所述异常修复公式包括：
30、 ；
31、式中，表示为修复数据，表示为异常的第二环境参数在数据集中的位置，表示为在异常的第二环境参数位置两侧各选定的邻近第二环境参数的数量，表示为求和过程中的索引变量，表示所有第二环境参数形成的数据集中的第个第二环境参数。
32、进一步的，所述基于梯度提升模型对所述第二环境参数的重要度属性进行排序，基于重要度属性排序结果剔除所述第二环境参数的部分参数的步骤包括：
33、将所述第二环境参数输入到梯度提升模型中，以获得所述第二环境参数的每个参数的重要性得分，并将所有的所述参数按照该重要性得分进行排序；
34、依次选用不同的预设阈值判断重要度得分低于选用的所述预设阈值的参数，并剔除低于选用的所述预设阈值的参数，以形成多组特征集合；
35、依次将多组所述特征集合分别划为验证集和多个训练集，将每一组的所述验证集和多个所述训练集作为所述梯度提升模型的训练及验证数据；
36、计算所述梯度提升模型在验证过程中的性能指标，基于所述性能指标得到最优的一组特征集合，形成剔除部分参数的所述第二环境参数。
37、进一步的，所述基于所述生长阶段获取所述植被所需的生长湿度的步骤之后，所述方法还包括：
38、获取所述园林内土壤的实际湿度，判断所述实际湿度是否小于所述生长湿度；
39、若所述实际湿度小于所述生长湿度，则利用施肥用量公式基于所述生长阶段计算，得到所述植被的氮肥需求量，将所述氮肥需求量与所述实际灌溉时间融合，以对所述植被进行施肥及浇灌；
40、所述施肥用量公式包括：
41、 ；
42、其中，表示为植被的产量，表示为氮肥需求量，表示为二次项系数，代表氮肥需求量增加时，植被产量变化的加速度，表示为一次项系数，代表氮肥需求量增加时，植被产量变化的速度，表示为常数项，代表当氮肥需求量为零时的植被产量基线。
43、第二方面，该发明提供以下技术方案，一种基于人工智能的农业管理系统，所述系统包括：
44、处理模块，用于获取园林不同位置的第一环境参数，利用插补技术和平均技术对不同位置的所述第一环境参数进行预处理，得到处理参数；
45、所需模块，用于将所述处理参数输入至第一预测模型，以输出预测湿度，获取所述园林的植被的生长阶段，基于所述生长阶段获取所述植被所需的生长湿度；
46、输入模块，用于基于所述预测湿度与所述生长湿度计算得到湿度偏差，将所述湿度偏差及所述湿度偏差的变化率输入至模糊推理结构，以得到初步灌溉时间；
47、剔除模块，用于获取园林的第二环境参数，基于梯度提升模型对所述第二环境参数的重要度属性进行排序，基于重要度属性排序结果剔除所述第二环境参数的部分参数；
48、计算模块，用于将剔除部分参数的所述第二环境参数输入至第二预测模型，以输出预测蒸腾量，基于所述预测蒸腾量及所述初步灌溉时间计算得到实际灌溉时间。
49、第三方面，该发明提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于人工智能的农业管理方法。
50、第四方面，该发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于人工智能的农业管理方法。
1.一种基于人工智能的农业管理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的农业管理方法，其特征在于，所述获取园林不同位置的第一环境参数的步骤包括：
3.根据权利要求2所述的基于人工智能的农业管理方法，其特征在于，
4.根据权利要求1所述的基于人工智能的农业管理方法，其特征在于，所述获取园林的第二环境参数的步骤包括：
5.根据权利要求4所述的基于人工智能的农业管理方法，其特征在于，
6.根据权利要求1所述的基于人工智能的农业管理方法，其特征在于，所述基于梯度提升模型对所述第二环境参数的重要度属性进行排序，基于重要度属性排序结果剔除所述第二环境参数的部分参数的步骤包括：
7.根据权利要求1所述的基于人工智能的农业管理方法，其特征在于，所述基于所述生长阶段获取所述植被所需的生长湿度的步骤之后，所述方法还包括：
8.一种基于人工智能的农业管理系统，其特征在于，所述系统包括：
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于人工智能的农业管理方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于人工智能的农业管理方法。
