本技术涉及园林管养系统，更具体地说，涉及园林管养系统及管养方法。
背景技术：
1、随着社会的发展，园林绿化成为人们所重视的项目，然而对园林绿化管理养护的过程中，通常是人工进行浇灌等，不及时，导致植被不能很好的生长。
2、现有技术公开号为cn114946614a的文献提供园林管养系统，该装置通过信息采集单元、通信单元、控制单元和至少一个养护装置；所述信息采集单元和所述养护装置均通过所述通信单元与所述控制单元无线连接，信息采集单元用于采集园林管养区域的参数信息，并将所述园林管养区域的参数信息传输至所述通信单元，其中，所述参数信息包括湿度信息、杂草信息以及土壤营养信息，通信单元用于接收所述参数信息并将所述参数信息传输至所述控制单元，控制单元用于接收所述通信单元传输的园林管养区域的参数信息，并根据所述参数信息向所述通信单元下发养护指令，通信单元还用于接收所述养护指令，并将所述养护指令传输至养护装置养护装置用于对所述园林管养区域进行养护，所述养护包括对园林管养区域内的绿植浇水、施肥和施加灭草剂。
3、上述中的现有技术方案虽然通过现有技术的结构可以实现与有关的有益效果，但是仍存在以下缺陷：该装置设置了移动车进行推动进行处理，需要人工进行干预，不能根据实际情况及时的对植被进行浇灌等处理，不能为植被提供更好的生长环境。
4、针对上述中的相关技术中，发明人认为在对园林植被进行管养，需要进行实时的进行监测，同时可以及时的对植被进行浇灌处理，保证为植被提供更好的生长环境。
5、鉴于此，我们提出园林管养系统。
技术实现思路
1、1.要解决的技术问题
2、本技术的目的在于提供园林管养系统的方法，解决了上述背景技术中的装置设置了移动车进行推动进行处理，需要人工进行干预，不能根据实际情况及时的对植被进行浇灌等处理，不能为植被提供更好的生长环境的技术问题，实现了技术效果。
3、2.技术方案
4、本技术技术方案提供了园林管养系统，包括
5、采集植被数据模块，收集植被相关的土壤湿度、温度、光照的数据；
6、植被数据预处理模块，对植被数据进行清洗、归一化的预处理；
7、植被数据标注模块，对数据中的湿度，温度、光照进行标注；
8、建立植被模型，利用植被数据建立植被模型；
9、植被模型训练模型，利用植被数据划分数据集，并进行训练，根据植被数据来预测植物的需水情况或生长状态；
10、植被模型验证及优化模块，使用验证数据集对模型进行评估，根据评估结果进行优化，确保其在未见过的数据上的泛化能力和准确性；
11、植被模型保存并执行，对训练好的植被模型保存，并进行植被状态的监测；
12、处理设备，根据预测结果启动对植物的浇水或向光等动作。
13、通过采用上述技术方案，通过建立植被模型可以对植被的状态进行实时的监测，可以及时的对植被进行浇灌处理，保证为植被提供更好的生长环境，避免了人工无法进行直接的监测或不在的情况。
14、作为本技术文件技术方案的一种可选方案，所述采集植被数据模块，利用土壤湿度传感器测量土壤中水分的含量，使用两个电极之间的电导率或电阻来测量土壤的湿度，当土壤湿润时，电导率较高，电阻较低；而当土壤干燥时，电导率较低，电阻较高，从而通过测量电阻或电导率的变化来确定土壤的湿度水平；
15、温度传感器测量植物周围的温度，热敏电阻的电阻值随温度的变化而变化，通过测量电阻值可以推断温度；
16、光照传感器测量光照强度，其电阻值随光照强度的变化而变化。
17、作为本技术文件技术方案的一种可选方案，所述植被数据预处理模块，对异常值处理，由于测量错误或其他异常情况引起的，使用统计学方法，如标准差，如果数据点的值与平均值的差异超过一定数量的标准差，就被视为异常值；
18、对于时间序列数据或其他噪音较大的数据，使用平滑技术，如移动平均，以减少噪音，使模型更容易捕捉潜在的趋势；
19、将数据缩放到相似的范围，以防止某些特征对模型的影响过大，包括将数据归一化到0到1的范围或使用标准差和均值将数据标准化。
20、提取特征，根据领域知识或数据的特性进行特征工程，以提取更有信息量的特征。
21、作为本技术文件技术方案的一种可选方案，所述植被数据标注模块，对数据中的湿度湿润，干燥进行标注，温度高低、光照无或有进行标注。
22、作为本技术文件技术方案的一种可选方案，所述建立植被模型，选择卷积神经网络进行时间序列数据的分析和预测，cnn包含卷积层、池化层和全连接层，在处理时间序列数据时，卷积层通常用于捕捉数据的局部模式或特征，设计多层卷积和池化层来提取时间序列数据中的特征，卷积核的大小和数量、池化操作的类型和步幅等都是需要考虑的超参数。
23、作为本技术文件技术方案的一种可选方案，所述植被模型训练，使用训练数据对cnn模型进行训练，在每个训练周期中，植被模型将学习捕捉时间序列数据中的特征，并预测或分析与这些特征相关联的目标值。
24、作为本技术文件技术方案的一种可选方案，所述植被模型验证及优化模块，根据验证结果进行优化调整模型架构，增加或减少神经网络的层数和每层的神经元数量可能会影响模型的容量，过深或过浅的网络都可能导致性能下降；
25、添加层类型，根据问题的特点，尝试添加不同类型的层，卷积层、循环层、正则化层等，以更好地捕捉数据的特征；
26、通过尝试不同的学习率值来找到最佳的学习率，尝试不同的优化算法，以找到在特定问题上表现最好的优化器。
27、作为本技术文件技术方案的一种可选方案，所述处理设备包括
28、固定架，所述固定架呈圆形结构设置；
29、水箱，所述水箱固定设置于固定架外侧；
30、支撑架，所述支撑架呈环形结构设置，且通过转动组件转动设置于固定架外壁；
31、园林盆，所述园林盆设置于支撑架外侧，且设置有多个；
32、管养管道，所述管养管道设置于水箱外侧，且与内部相连通；
33、喷洒头，所述喷洒头通过摆动驱动设置于管养管道一端。
34、本技术还公开了前述园林管养系统的使用方法，包括以下步骤：
35、s1、首先，收集植被相关的土壤湿度、温度、光照的数据，利用土壤湿度传感器测量土壤中水分的含量，使用两个电极之间的电导率或电阻来测量土壤的湿度，当土壤湿润时，电导率较高，电阻较低；而当土壤干燥时，电导率较低，电阻较高，从而通过测量电阻或电导率的变化来确定土壤的湿度水平，温度传感器测量植物周围的温度，热敏电阻的电阻值随温度的变化而变化，通过测量电阻值可以推断温度，光照传感器测量光照强度，其电阻值随光照强度的变化而变化；
36、s2、此时，对植被数据进行清洗、归一化的预处理包含对异常值处理，由于测量错误或其他异常情况引起的，使用统计学方法，如标准差，如果数据点的值与平均值的差异超过一定数量的标准差，就被视为异常值，对于时间序列数据或其他噪音较大的数据，使用平滑技术，如移动平均，以减少噪音，使模型更容易捕捉潜在的趋势，将数据缩放到相似的范围，以防止某些特征对模型的影响过大，包括将数据归一化到0到1的范围或使用标准差和均值将数据标准化，提取特征，根据领域知识或数据的特性进行特征工程，以提取更有信息量的特征；
37、s3、此时，对植被数据进行标注，对数据中的湿度湿润，干燥进行标注，温度高低、光照无或有进行标注；
38、s4、此时，选择卷积神经网络进行时间序列数据的分析和预测，cnn包含卷积层、池化层和全连接层，在处理时间序列数据时，卷积层通常用于捕捉数据的局部模式或特征，设计多层卷积和池化层来提取时间序列数据中的特征，卷积核的大小和数量、池化操作的类型和步幅等都是需要考虑的超参数；
39、s5、此时，使用训练数据对cnn模型进行训练，在每个训练周期中，植被模型将学习捕捉时间序列数据中的特征，并预测或分析与这些特征相关联的目标值；
40、s6、此时，使用验证数据集对模型进行评估，，根据验证结果进行优化调整模型架构，增加或减少神经网络的层数和每层的神经元数量可能会影响模型的容量，过深或过浅的网络都可能导致性能下降；添加层类型，根据问题的特点，尝试添加不同类型的层，卷积层、循环层、正则化层等，以更好地捕捉数据的特征，通过尝试不同的学习率值来找到最佳的学习率，尝试不同的优化算法，以找到在特定问题上表现最好的优化器
41、s7、此时，对训练好的植被模型保存，并进行植被状态的监测，根据预测结果让喷洒头对植被进行浇灌或进行营养液的浇灌或通过转动位置进行更好的光照。
42、3.有益效果
43、本技术技术方案中提供的一个或多个技术方案，至少具有如下技术效果或优点：
44、1.本技术通过建立植被模型可以对植被的状态进行实时的监测，可以及时的对植被进行浇灌处理，保证为植被提供更好的生长环境，避免了人工无法进行直接的监测或不在的情况。
45、2.本技术通过转动组件的设置，可以调整不同园林盆的位置，从而通过不同功能的喷洒头对园林盆进行管养，同时可以让园林盆进行连续转动或间歇转动从而让不同的园林盆面向阳光进行光照。
46、3.本技术通过摆动驱动的设置，可以让喷洒头进行不同角度的喷洒，增加喷洒的范围及喷洒的均匀性，提高处理的效果，保证植被的吸收。
1.园林管养系统，其特征在于：包含：
2.根据权利要求1所述的园林管养系统，其特征在于：所述采集植被数据模块，利用土壤湿度传感器测量土壤中水分的含量，使用两个电极之间的电导率或电阻来测量土壤的湿度，当土壤湿润时，电导率较高，电阻较低；而当土壤干燥时，电导率较低，电阻较高，从而通过测量电阻或电导率的变化来确定土壤的湿度水平；
3.根据权利要求1所述的园林管养系统，其特征在于：所述植被数据预处理模块，对异常值处理，由于测量错误或其他异常情况引起的，使用统计学方法，如标准差，如果数据点的值与平均值的差异超过一定数量的标准差，就被视为异常值；
4.根据权利要求1所述的园林管养系统，其特征在于：所述植被数据标注模块，对数据中的湿度湿润，干燥进行标注，温度高低、光照无或有进行标注。
5.根据权利要求1所述的园林管养系统，其特征在于：所述建立植被模型，选择卷积神经网络进行时间序列数据的分析和预测，cnn包含卷积层、池化层和全连接层，在处理时间序列数据时，卷积层通常用于捕捉数据的局部模式或特征，设计多层卷积和池化层来提取时间序列数据中的特征，卷积核的大小和数量、池化操作的类型和步幅等都是需要考虑的超参数。
6.根据权利要求1所述的园林管养系统，其特征在于：所述植被模型训练，使用训练数据对cnn模型进行训练，在每个训练周期中，植被模型将学习捕捉时间序列数据中的特征，并预测或分析与这些特征相关联的目标值。
7.根据权利要求1所述的园林管养系统，其特征在于：所述植被模型验证及优化模块，根据验证结果进行优化调整模型架构，增加或减少神经网络的层数和每层的神经元数量可能会影响模型的容量，过深或过浅的网络都可能导致性能下降；
8.根据权利要求1所述的园林管养系统，其特征在于：所述处理设备包括
9.根据权利要求1-8任一所述的一种园林管养系统的使用方法，其特征在于，包括以下步骤：
