灌溉用水估算模型的训练方法、装置及灌溉用水估算方法

技术领域

本发明涉及遥感和农业技术领域，尤其涉及一种灌溉用水估算模型的训练方法、装置及灌溉用水估算方法。

背景技术

对灌溉用水的准确估计可以促进水资源的可持续管理，维护粮食安全，并评估人类灌溉活动对环境的影响。传统的获取灌溉用水的方法主要依靠当地水资源管理部门的调查统计，但由于各地的灌溉模式，基础设施，作物种类等存在较大差异，这种传统方法十分消耗人力物力资源。

近几十年来随着遥感技术的发展，通过遥感手段获取与灌溉相关的参数比如蒸散发和降雨再进一步估算灌溉用水量成为了一种可能的方法。相关技术中的一些方法通常将灌溉定义为降水，蒸散发和土壤储水变化的残差，利用水分平衡公式或能量平衡公式等来计算灌溉用水。

然而，相关技术中的利用遥感手段估算灌溉用水的方法主要基于水分平衡公式等水文机制，需要通过人工经验描述灌溉用水和相关变量间的复杂并且难以确定的物理机制关系，受限于参数产品的准确性和覆盖度，并且在大尺度范围内的适用性难以保证。如何利用遥感手段高效准确地估算灌溉用水是目前业界亟待解决的重要问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种灌溉用水估算模型的训练方法、装置及灌溉用水估算方法。

第一方面，本发明提供一种灌溉用水估算模型的训练方法，包括：

基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集；

基于所述数据集，训练多种机器学习模型，获取训练后的多种机器学习模型；

通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型；

其中，所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据是通过卫星遥感方式获取的。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述历史灌溉用水数据用于表征各年份中各个区域的总灌溉量，所述土壤湿度样本数据包括卫星土壤湿度产品样本和再分析土壤湿度产品样本；

所述基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集，包括：

通过分析所述卫星土壤湿度产品样本和所述再分析土壤湿度产品样本对灌溉活动不同的响应程度，提取各年份中各个区域对应的残差项；

基于所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据，通过累积计算，确定各年份中各个区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量；

基于所述历史灌溉用水数据以及各年份中各个区域对应的土壤湿度解释变量、残差项、蒸散发解释变量和降雨解释变量，确定所述数据集。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述卫星土壤湿度产品样本包括非灌溉期卫星土壤湿度产品样本和灌溉期卫星土壤湿度产品样本；

所述通过分析所述卫星土壤湿度产品样本和所述再分析土壤湿度产品样本对灌溉活动不同的响应程度，提取各年份中各个区域对应的残差项，包括：

基于所述非灌溉期卫星土壤湿度产品样本和非灌溉期的原始再分析土壤湿度产品样本，通过最小二乘法，提取卫星土壤湿度产品与再分析土壤湿度产品之间的系统误差；

基于所述系统误差和所述灌溉期卫星土壤湿度产品样本，校正灌溉期的再分析土壤湿度产品样本，确定校正后的再分析土壤湿度产品样本；

基于所述灌溉期卫星土壤湿度产品样本和所述校正后的再分析土壤湿度产品样本，提取各年份中各个区域对应的残差项。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述基于所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据，通过累积计算，确定各年份中各个区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量，包括：

针对各个区域，基于各年份对应的物候期，对所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据进行累积计算，获取区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型，包括：

通过贝叶斯三角帽方法，对所述多种机器学习模型分别输出的灌溉用水估算结果进行分析，确定各种机器学习模型对应的估算权重；

基于所述多种机器学习模型和各种机器学习模型对应的估算权重，进行模型集成，确定所述灌溉用水估算模型。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述多种机器学习模型包括：随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型。

第二方面，本发明还提供一种灌溉用水估算方法，包括：

通过卫星遥感方式，获取土壤湿度数据、蒸散发数据和降雨数据；

输入所述土壤湿度数据、所述蒸散发数据和所述降雨数据至灌溉用水估算模型，获取所述灌溉用水估算模型输出的灌溉用水估算结果；

所述灌溉用水估算模型是通过如上述任一项所述灌溉用水估算模型的训练方法获取的。

第三方面，本发明还提供一种灌溉用水估算模型的训练装置，包括：

数据集构建模块，用于基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集；

模型训练模块，用于基于所述数据集，训练多种机器学习模型，获取训练后的多种机器学习模型；

模型集成模块，用于通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型；

其中，所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据是通过卫星遥感方式获取的。

第四方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述灌溉用水估算模型的训练方法，或所述处理器执行所述程序时实现如上述任一种所述灌溉用水估算方法。

第五方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述灌溉用水估算模型的训练方法，或该计算机程序被处理器执行时实现如上述任一种所述灌溉用水估算方法。

本发明提供的灌溉用水估算模型的训练方法、装置及灌溉用水估算方法，通过基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集，可以利用数据集对多种机器学习模型进行训练，获取训练后的多种机器学习模型，进而可以通过贝叶斯三角帽方法，对多种机器学习模型进行集成，能够高效地确定灌溉用水估算模型，进而通过灌溉用水估算模型，能够准确地估算灌溉用水，避免描述灌溉用水和相关变量间复杂的机制关系，利用机器学习模型进行建模，模型的预测结果有着较高的精度，并且有着较强的适应性和迁移能力。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的灌溉用水估算模型的训练方法的流程示意图之一；

图2是本发明提供的提取残差项的流程示意图；

图3是本发明提供的灌溉用水估算模型的训练方法的流程示意图之二；

图4是本发明提供的模型预测结果的示意图；

图5是本发明提供的灌溉用水估算方法的流程示意图；

图6是本发明提供的灌溉用水估算模型的训练装置的结构示意图；

图7是本发明提供的电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明提供的灌溉用水估算模型的训练方法的流程示意图之一，如图1所示，所述灌溉用水估算模型的训练方法的执行主体可以是电子设备，例如服务器等。该训练方法包括：

步骤101，基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集；

其中，所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据是通过卫星遥感方式获取的。

具体地，为了训练多种机器学习模型，可以通过卫星遥感方式获取土壤湿度样本数据、蒸散发样本数据和降雨样本数据，进而基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，构建数据集，历史灌溉用水数据可以作为标签。

步骤102，基于所述数据集，训练多种机器学习模型，获取训练后的多种机器学习模型。

具体地，在构建好数据集之后，可以基于数据集对多种机器学习模型进行有监督训练，获取训练后的多种机器学习模型。

可以理解的是，模型的输入包括土壤湿度样本数据、蒸散发样本数据和降雨样本数据，模型的输出是灌溉用水估算数据，历史灌溉用水数据作为训练标签。

例如，可以基于数据集对随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型进行有监督训练，获取训练后的随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型。

步骤103，通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型。

具体地，使用贝叶斯三角帽方法对多种机器学习模型进行集成，可以提高灌溉用水估算模型的准确性和可靠性。这种方法可以将不同模型的预测结果综合起来，得出更加准确的预测结果。同时，贝叶斯三角帽方法还可以对不同模型的权重进行优化，使得每个模型的贡献都能够得到充分的发挥。因此，通过这种方法得出的灌溉用水估算模型可以更好地满足实际需求，提高预测精确度。

本发明提供的灌溉用水估算模型的训练方法，通过基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集，可以利用数据集对多种机器学习模型进行训练，获取训练后的多种机器学习模型，进而可以通过贝叶斯三角帽方法，对多种机器学习模型进行集成，能够高效地确定灌溉用水估算模型，进而通过灌溉用水估算模型，能够准确地估算灌溉用水，避免描述灌溉用水和相关变量间复杂的机制关系，利用机器学习模型进行建模，模型的预测结果有着较高的精度，并且有着较强的适应性和迁移能力。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述历史灌溉用水数据用于表征各年份中各个区域的总灌溉量，所述土壤湿度样本数据包括卫星土壤湿度产品样本和再分析土壤湿度产品样本；

所述基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集，包括：

通过分析所述卫星土壤湿度产品样本和所述再分析土壤湿度产品样本对灌溉活动不同的响应程度，提取各年份中各个区域对应的残差项；

基于所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据，通过累积计算，确定各年份中各个区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量；

基于所述历史灌溉用水数据以及各年份中各个区域对应的土壤湿度解释变量、残差项、蒸散发解释变量和降雨解释变量，确定所述数据集。

具体地，考虑到两套产品(卫星土壤湿度产品和再分析土壤湿度产品样本)之间固有的系统误差，可以通过分析卫星土壤湿度产品样本和再分析土壤湿度产品样本对灌溉活动不同的响应程度，提取各年份中各个区域对应的残差项，以校正系统误差，能够使得所构建的数据集能够更准确地表征各年份中各个区域的土壤湿度状况，进而提升模型的训练效果。

历史灌溉用水数据反映的是区域的年度总灌溉量，而参数产品(例如土壤湿度样本数据、蒸散发样本数据和降雨样本数据)反映的是某一像元的值，因此需要对参数产品进行累积计算，以确定各年份中各个区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述卫星土壤湿度产品样本包括非灌溉期卫星土壤湿度产品样本和灌溉期卫星土壤湿度产品样本；

所述通过分析所述卫星土壤湿度产品样本和所述再分析土壤湿度产品样本对灌溉活动不同的响应程度，提取各年份中各个区域对应的残差项，包括：

基于所述非灌溉期卫星土壤湿度产品样本和非灌溉期的原始再分析土壤湿度产品样本，通过最小二乘法，提取卫星土壤湿度产品与再分析土壤湿度产品之间的系统误差；

基于所述系统误差和所述灌溉期卫星土壤湿度产品样本，校正灌溉期的再分析土壤湿度产品样本，确定校正后的再分析土壤湿度产品样本；

基于所述灌溉期卫星土壤湿度产品样本和所述校正后的再分析土壤湿度产品样本，提取各年份中各个区域对应的残差项。

具体地，图2是本发明提供的提取残差项的流程示意图，如图2所示，提取残差项的流程可以包括步骤201至步骤204。

步骤201，利用卫星土壤湿度数据和灌溉用水之间的非线性关系将原土壤湿度值转化为其对数值。

可选地，可以将卫星土壤湿度产品样本转化为其对数值，以及将再分析土壤湿度产品样本转化为其对数值。

步骤202，基于非灌溉期卫星土壤湿度产品样本和非灌溉期的原始再分析土壤湿度产品样本，通过最小二乘法，提取卫星土壤湿度产品与再分析土壤湿度产品之间的系统误差。

具体地，可以通过以下系统误差提取公式，提取卫星土壤湿度产品与再分析土壤湿度产品之间的系统误差：

其中，Bias和y分别代表偏差的斜率，可以通过最小二乘法得到，

可以理解的是，系统误差可以通过Bias和y来表征。

步骤203，基于系统误差和灌溉期卫星土壤湿度产品样本，校正灌溉期的再分析土壤湿度产品样本，确定校正后的再分析土壤湿度产品样本。

具体地，可以通过以下系统误差校正公式，确定校正后的再分析土壤湿度产品样本：

其中，Bias和y分别代表偏差的斜率，

步骤204，基于灌溉期卫星土壤湿度产品样本和校正后的再分析土壤湿度产品样本，提取各年份中各个区域对应的残差项。

具体地，可以通过以下残差项计算公式，提取各年份中各个区域对应的残差项：

其中，

可以理解是，校正是因为考虑到两套产品(卫星土壤湿度产品和再分析土壤湿度产品样本)之间固有的系统误差，通过在非灌溉期(即雨天序列)对二者进行校正，再利用拟合系数(也即Bias和y)来校正灌溉期的再分析产品，能够校正两套产品之间固有的系统误差，通过校正系统误差，能够使得所构建的数据集能够更准确地表征各年份中各个区域的土壤湿度状况，进而提升模型的训练效果，使得训练后的模型能够更加准确地估算灌溉用水。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述基于所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据，通过累积计算，确定各年份中各个区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量，包括：

针对各个区域，基于各年份对应的物候期，对所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据进行累积计算，获取区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量。

可以理解的是，历史灌溉用水数据反映的是区域的年度总灌溉量，而参数产品(例如土壤湿度样本数据、蒸散发样本数据和降雨样本数据)反映的是某一像元的值，因此需要对参数产品在空间维度上进行累积。同时一般认为物候期内的参数变化才对灌溉有所影响，因此还要在时间维度上(在物候期内)对参数进行累积。通过基于各年份对应的物候期，对参数产品进行累积计算，获取的解释变量能够更好地与历史灌溉用水数据相对应。进而基于历史灌溉用水数据以及各年份中各个区域对应的土壤湿度解释变量、残差项、蒸散发解释变量和降雨解释变量，能够更好地训练模型，提升模型训练效果。

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型，包括：

通过贝叶斯三角帽方法，对所述多种机器学习模型分别输出的灌溉用水估算结果进行分析，确定各种机器学习模型对应的估算权重；

基于所述多种机器学习模型和各种机器学习模型对应的估算权重，进行模型集成，确定所述灌溉用水估算模型。

具体地，上述的通过贝叶斯三角帽方法对多种机器学习模型进行集成，其原理为：

对于第i个机器学习模型的预测结果，其概率密度函数(PDF)可以表示为：

ε

其中，IWU

对于N个机器学习模型给出的预测值，IWU

为了计算IWU

通过使J(IWU

其中，w

可选地，根据本发明提供的一种灌溉用水估算模型的训练方法，所述多种机器学习模型包括：随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型。

具体地，可以基于数据集对随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型进行有监督训练，获取训练后的随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型，进而可以贝叶斯三角帽方法，对随机森林模型、极端梯度提升模型、支持向量机模型、多元线性回归模型和人工神经网络模型进行集成，确定灌溉用水估算模型。

可选地，图3是本发明提供的灌溉用水估算模型的训练方法的流程示意图之二，如图3所示，所述灌溉用水估算模型的训练方法包括步骤301至步骤305。

步骤301，获取历史灌溉用水数据，土壤湿度样本数据，蒸散发样本数据和降雨样本数据。

可选地，示例区域可以为中国，历史灌溉用水数据包含约341个行政市，三种作物类型：水稻，小麦和玉米。历史灌溉用水数据，土壤湿度样本数据，蒸散发样本数据和降雨样本数据的时间跨度为2003-2013年。

步骤302，通过分析卫星土壤湿度产品样本和再分析土壤湿度产品样本对灌溉活动不同的响应程度，提取各年份中各个区域对应的残差项。

步骤303，利用物候数据对相关变量进行提取和累积，确定各年份中各个区域对应的土壤湿度解释变量、蒸散发解释变量和降雨解释变量。

由于历史灌溉用水数据反映的是行政市内的年度总灌溉量，而参数产品(例如土壤湿度样本数据、蒸散发样本数据和降雨样本数据)反映的是某一像元的值，因此需要对参数产品在空间维度上进行累积。同时一般认为物候期内的参数变化才对灌溉有所影响，因此还要在时间维度上(在物候期内)对参数进行累积。

步骤304、基于历史灌溉用水数据以及各年份中各个区域对应的土壤湿度解释变量、残差项、蒸散发解释变量和降雨解释变量，训练多种机器学习模型。

可选地，多种机器学习模型包括随机森林模型，极端梯度提升模型，支持向量机模型，多元线性回归模型和人工神经网络模型。

可选地，可以将2003-2012年的数据作为训练集，将2013年的数据用作测试集。

步骤305，将各种机器学习模型预测的结果通过贝叶斯三角帽方法进行集成。

具体地，基于多种机器学习模型的预测结果，通过贝叶斯三角帽方法进行处理，该方法会根据上述多种机器学习模型的序列关系给予每个模型不同的权重，从而对预测结果进行加权平均。

可选地，图4是本发明提供的模型预测结果的示意图，图4示出了针对水稻的灌溉用水的预测结果，包括随机森林模型的预测结果，极端梯度提升模型的预测结果，支持向量机模型的预测结果，多元线性回归模型的预测结果、人工神经网络模型的预测结果，通过贝叶斯三角帽方法进行集成之后的预测结果。其中，RMSE表示均方根误差，MAE表示平均绝对误差，R

图4还示出了针对小麦的灌溉用水的预测结果，包括随机森林模型的预测结果，极端梯度提升模型的预测结果，支持向量机模型的预测结果，多元线性回归模型的预测结果、人工神经网络模型的预测结果，通过贝叶斯三角帽方法进行集成之后的预测结果。

图4还示出了针对玉米的灌溉用水的预测结果，包括随机森林模型的预测结果，极端梯度提升模型的预测结果，支持向量机模型的预测结果，多元线性回归模型的预测结果、人工神经网络模型的预测结果，通过贝叶斯三角帽方法进行集成之后的预测结果。

通过图4的预测结果可知，相比于使用单一模型对灌溉用水进行预测，本申请中通过贝叶斯三角帽方法，对多种机器学习模型进行集成，能够提升模型的估算性能。

图5是本发明提供的灌溉用水估算方法的流程示意图，如图5所示，所述灌溉用水估算方法的执行主体可以是电子设备，例如服务器等。该灌溉用水估算方法包括：

步骤501，通过卫星遥感方式，获取土壤湿度数据、蒸散发数据和降雨数据；

步骤502，输入所述土壤湿度数据、所述蒸散发数据和所述降雨数据至灌溉用水估算模型，获取所述灌溉用水估算模型输出的灌溉用水估算结果；

所述灌溉用水估算模型是通过上述任一种所述灌溉用水估算模型的训练方法获取的。

可以理解的是，通过灌溉用水估算模型，能够准确地估算灌溉用水，避免描述灌溉用水和相关变量间复杂的机制关系，利用机器学习模型进行建模，模型的预测结果有着较高的精度，并且有着较强的适应性和迁移能力。

下面对本发明提供的灌溉用水估算模型的训练装置进行描述，下文描述的灌溉用水估算模型的训练装置与上文描述的灌溉用水估算模型的训练方法可相互对应参照。

图6是本发明提供的灌溉用水估算模型的训练装置的结构示意图，如图6所示，所述训练装置包括：数据集构建模块601、模型训练模块602和模型集成模块603，其中：

数据集构建模块601，用于基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集；

模型训练模块602，用于基于所述数据集，训练多种机器学习模型，获取训练后的多种机器学习模型；

模型集成模块603，用于通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型；

其中，所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据是通过卫星遥感方式获取的。

图7是本发明提供的电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行灌溉用水估算模型的训练方法，该方法包括：

基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集；

基于所述数据集，训练多种机器学习模型，获取训练后的多种机器学习模型；

通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型；

其中，所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据是通过卫星遥感方式获取的。

此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的灌溉用水估算模型的训练方法，该方法包括：

基于历史灌溉用水数据、土壤湿度样本数据、蒸散发样本数据和降雨样本数据，确定数据集；

基于所述数据集，训练多种机器学习模型，获取训练后的多种机器学习模型；

通过贝叶斯三角帽方法，对所述多种机器学习模型进行集成，确定灌溉用水估算模型；

其中，所述土壤湿度样本数据、所述蒸散发样本数据和所述降雨样本数据是通过卫星遥感方式获取的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。