1.一种智能灌溉方法，其特征在于，所述方法包括：获取作物信息和滴灌管线的布置信息，结合灌溉区的边界创建灌溉区地图，确定滴灌点；所述滴灌点处安装控制阀和土壤传感器；

基于土壤传感器获取当前时刻的土壤湿度和土壤温度，根据天气服务获取气象参数；

所述气象参数包括温度、降水量、相对温度、云量和蒸发量；

将当前时刻的土壤湿度和土壤温度以及气象参数输入训练好的多任务SwinRNN模型，得到未来时刻的土壤湿度预测值；

获取遥感图像，将遥感图像和未来时刻的土壤湿度预测值输入训练好的3D卷积神经网络‑长短期记忆网络模型，得到预测产量；

将预测产量反馈至多任务SwinRNN模型，循环迭代，直至预测产量达到最大值，根据预测产量达到最大值时的土壤湿度预测值调节控制阀；

其中，所述多任务SwinRNN模型中设有基于高斯分析的扰动模块，所述3D卷积神经网络‑长短期记忆网络模型中设有模糊推理过程，模糊推理过程的输入为3D卷积神经网络的输出，模糊推理过程的输出为长短期记忆网络模型的输入；

所述获取作物信息和滴灌管线的布置信息，结合灌溉区的边界创建灌溉区地图，确定滴灌点的步骤包括：接收用户输入的灌溉区边界，创建灌溉区地图；

采集作物类型及作物位置，在灌溉区地图中标记作物区；

获取备案的滴灌管线的位置，在灌溉区地图中插入灌溉线路；

基于标记的作物区在灌溉线路上选取滴灌点；

所述滴灌点的选取规则为：

根据预设的间隔选取点位，计算每个点位的选取值，当选取值大于预设的阈值时，选取该点位作为滴灌点；选取值的计算公式为： ；式中，Y选取值， 是灌溉区地图中以该点位为中心，半径为R的圆中的点 处的值， 与作物类型相关；n为灌溉区地图中以该点位为中心，半径为R的圆中的其他滴灌点数量；

所述将当前时刻的土壤湿度和土壤温度以及气象参数输入训练好的多任务SwinRNN模型，得到未来时刻的土壤湿度预测值的步骤包括：基于变异自动编码器设定扰动模块；

学习输入土壤湿度数据中的高斯分布；

随机从扰动模块中采样噪声，对多任务SwinRNN模型进行特征扰动；

添加噪声遵循公式：

；

表示经过预处理后的原始输入数据； 表示对应数据的高斯分布。

2.根据权利要求1所述的智能灌溉方法，其特征在于，所述获取遥感图像，将遥感图像和未来时刻的土壤湿度预测值输入训练好的3D卷积神经网络‑长短期记忆网络模型，得到预测产量的步骤包括：获取遥感图像，基于3D卷积神经网络提取遥感图像在空间维度上的特征；

分析遥感图像中不同波段的特征，提取作物的空间特征；所述空间特征包括土壤湿度和植被覆盖；

当作物生长处于预设的关键阶段时，将提取到的空间特征输入模糊推理组件，将模糊推理组件的输出输入长短期记忆网络模型，得到预测产量；

当作物生长不处理预设的关键阶段时，将提取到的空间特征输入长短期记忆网络模型，得到预测产量。

3.根据权利要求2所述的智能灌溉方法，其特征在于，所述模糊推理组件的工作过程为：模糊化：

，其中， 是输入x在模糊集合A中的隶属度函数， 和 分别是模糊集合A的中心和半径；

规则评估： ；模糊规则中使用隶属

函数来表示条件部分，其中A1和A2是输入变量x1和x2的模糊集合，B是结果变量y的模糊集合；

聚合：将多个模糊规则的结果进行综合：

，在模糊逻辑中，聚合方法是最大‑最小合成；

解模糊化：采用重心法： 。

4.根据权利要求1所述的智能灌溉方法，其特征在于，所述将预测产量反馈至多任务SwinRNN模型，循环迭代，直至预测产量达到最大值，根据预测产量达到最大值时的土壤湿度预测值调节控制阀的步骤包括：将预测产量与预设的最优产量进行比对，确定土壤湿度预测值的调节方向；

基于调节方向和预设的调节步长调节土壤湿度预测值，输入多任务SwinRNN模型和3D卷积神经网络‑长短期记忆网络模型，得到预测产量；

循环执行，直至预测产量达到最大值；

读取预测产量达到最大值时对应的土壤温度预测值，基于读取到的土壤温度预测值调节控制阀。

5.一种智能灌溉系统，其特征在于，所述系统包括：滴灌点确定模块，用于获取作物信息和滴灌管线的布置信息，结合灌溉区的边界创建灌溉区地图，确定滴灌点；所述滴灌点处安装控制阀和土壤传感器；

气象参数获取模块，用于基于土壤传感器获取当前时刻的土壤湿度和土壤温度，根据天气服务获取气象参数；所述气象参数包括温度、降水量、相对温度、云量和蒸发量；

湿度预测模块，用于将当前时刻的土壤湿度和土壤温度以及气象参数输入训练好的多任务SwinRNN模型，得到未来时刻的土壤湿度预测值；

产量预测模块，用于获取遥感图像，将遥感图像和未来时刻的土壤湿度预测值输入训练好的3D卷积神经网络‑长短期记忆网络模型，得到预测产量；

灌溉调节模块，用于将预测产量反馈至多任务SwinRNN模型，循环迭代，直至预测产量达到最大值，根据预测产量达到最大值时的土壤湿度预测值调节控制阀；

其中，所述多任务SwinRNN模型中设有基于高斯分析的扰动模块，所述3D卷积神经网络‑长短期记忆网络模型中设有模糊推理过程，模糊推理过程的输入为3D卷积神经网络的输出，模糊推理过程的输出为长短期记忆网络模型的输入；

所述滴灌点确定模块包括：

地图创建单元，用于接收用户输入的灌溉区边界，创建灌溉区地图；

作物区标记单元，用于采集作物类型及作物位置，在灌溉区地图中标记作物区；

线路插入单元，用于获取备案的滴灌管线的位置，在灌溉区地图中插入灌溉线路；

滴灌点选取单元，用于基于标记的作物区在灌溉线路上选取滴灌点；

所述滴灌点的选取规则为：

根据预设的间隔选取点位，计算每个点位的选取值，当选取值大于预设的阈值时，选取该点位作为滴灌点；选取值的计算公式为： ；式中，Y选取值， 是灌溉区地图中以该点位为中心，半径为R的圆中的点 处的值， 与作物类型相关；n为灌溉区地图中以该点位为中心，半径为R的圆中的其他滴灌点数量；

所述湿度预测模块包括：

扰动设定单元，用于基于变异自动编码器设定扰动模块；

学习单元，用于学习输入土壤湿度数据中的高斯分布；

扰动执行单元，用于随机从扰动模块中采样噪声，对多任务SwinRNN模型进行特征扰动；

添加噪声遵循公式：

；

表示经过预处理后的原始输入数据； 表示对应数据的高斯分布。

6.根据权利要求5所述的智能灌溉系统，其特征在于，所述产量预测模块包括：第一特征提取单元，用于获取遥感图像，基于3D卷积神经网络提取遥感图像在空间维度上的特征；

第二特征提取单元，用于分析遥感图像中不同波段的特征，提取作物的空间特征；所述空间特征包括土壤湿度和植被覆盖；

第一应用单元，用于当作物生长处于预设的关键阶段时，将提取到的空间特征输入模糊推理组件，将模糊推理组件的输出输入长短期记忆网络模型，得到预测产量；

第二应用单元，用于当作物生长不处理预设的关键阶段时，将提取到的空间特征输入长短期记忆网络模型，得到预测产量。