CN107330887A - 一种基于深度学习的农作物病虫害防治方案推荐系统 - Google Patents

一种基于深度学习的农作物病虫害防治方案推荐系统 Download PDF

Info

Publication number
CN107330887A
CN107330887A CN201710561396.0A CN201710561396A CN107330887A CN 107330887 A CN107330887 A CN 107330887A CN 201710561396 A CN201710561396 A CN 201710561396A CN 107330887 A CN107330887 A CN 107330887A
Authority
CN
China
Prior art keywords
pest control
crop
crop pest
information
diseases
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710561396.0A
Other languages
English (en)
Inventor
钱鹰
王喜宾
刘歆
贾朝龙
朱红军
叶青青
夏璨
刘微微
王茂瑞
冯相辉
孙惟智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710561396.0A priority Critical patent/CN107330887A/zh
Publication of CN107330887A publication Critical patent/CN107330887A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Agronomy & Crop Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Husbandry (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Marketing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Mining & Mineral Resources (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明涉及一种基于深度学习的农作物病虫害防治方案推荐系统，属于农业现代化领域。该系统包括图像采集系统、图像处理系统、农作物病虫害识别系统、农作物病虫害防治系统、农作物病虫害防治效果信息反馈系统、用户反馈信息真伪识别系统；本发明采用增量学习方法；农作物病虫害防治系统将根据农作物病虫害防治效果信息反馈系统的信息不断优化神经网络结构，联合农作物名称、当地的天气记录和叶片的彩色图像作为病虫害识别的关键信息，结果更加稳定可靠，也更准确。

Description

一种基于深度学习的农作物病虫害防治方案推荐系统
技术领域
本发明属于农业现代化领域，涉及一种基于深度学习的农作物病虫害防治方案推荐系统。
背景技术
国内于20世纪80年代初期开始研究农业专家系统。由于我国农业自身的若干特点，如农业水土资源人均占有量低、农民文化素质差、农业领域专家和科技人员紧缺等，农业专家系统的开发与应用从一开始就受到广泛的重视，并成为信息技术在农业应用的重要方面。国家十分重视人工智能技术在农业上的应用，把它列为“七五”、“八五”的重点攻关项目。并且在国家863计划的支持下，研究和推广了一批农业专家系统，其中植物保护专家系统有玉米病虫害诊治专家系统的研制与开发，棉田有害生物综合治理专家咨询系统的研制与开发，杂草鉴别和防治对策计算机专家系统等、作物病虫草害处方信息网站开发技术研究等。专利CN102759528A公开了一种农作物叶部病害检测方法，但仅利用农作物叶部病斑区域的信息判断病虫害，丢掉了区域外的许多其有用信息。专利CN106841304A公开了用红外图像监测农作物病害及综合评价病害程度的方法，这种方法对光照不敏感，但其丢掉了可见光中的大量有用信息，从而使输入信息量受到限制。CN 104899547A公开了一种基于特征提取和语义理解的农作物病害诊断方法，该方法受限于预先设定的特征，从而可能丢掉有助于诊断的未提取特征。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的农作物病虫害防治方案推荐系统，采用增量学习方法，根据反馈系统信息不断修正和优化系统，从而使推荐方案更优。
为达到上述目的，本发明提供如下技术方案：
一种基于深度学习的农作物病虫害防治方案推荐系统，包括图像采集系统、图像处理系统、农作物病虫害识别系统、农作物病虫害防治系统、农作物病虫害防治效果信息反馈系统；
所述图像采集系统用于采集农作物的图像，并将图像信息传至所述图像处理系统；
所述图像处理系统对收到的图像信息进行去噪、归一化处理，形成训练数据，传至所述农作物病虫害识别系统；
所述农作物病虫害识别系统根据收到的训练数据分析，识别出农作物的相关信息，并将其作为深层神经网络的输入，并输出农作物病虫害的类型和农作物病虫害防治方案；
所述农作物病虫害防治系统向用户推荐防治方案；用户根据推荐的防治方案进行操作后将防治效果反馈给所述农作物病虫害防治效果信息反馈系统；
所述农作物病虫害防治效果信息反馈系统根据用户的反馈信息，对所述农作物病虫害防治方案推荐系统进行修正，优化所述深层神经网络的结构。
进一步，所述农作物的相关信息包括农作物名称、当地的天气记录和叶片的彩色图像。
进一步，所述深层神经网络为3层及以上的隐藏层。
进一步，所述农作物病虫害防治方案推荐系统还包括用户反馈信息真伪识别系统，用于对用户的反馈信息的可靠性进行识别，反馈信息可靠性高的加入系统进行学习，反馈信息可靠性低的则不加入系统进行学习。
进一步，所述用户的反馈信息的可靠性通过用户专业能力测试和其提交结果有效性的统计均值来估计。
本发明的有益效果在于：
(1)本发明采用增量学习方法，农作物病虫害防治系统将根据农作物病虫害防治效果信息反馈系统的信息不断优化神经网络结构。
(2)本发明联合农作物名称、当地的天气记录和叶片的彩色图像作为病虫害识别的关键信息，结果更加稳定可靠。
(3)本发明直接输入叶片的彩色图像，不需要几何特征或色彩特征提取，系统自动提取所有可能有用信息，从而使结果更优。
(4)本发明通过用户专业能力测试和其提交结果有效性的统计均值来估计其反馈结果的可靠性，结果更准确。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明工作原理图；
图2为深层神经网络结构图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
如图1所示，一种基于深度学习的农作物病虫害防治方案推荐系统，包括图像采集系统、图像处理系统、农作物病虫害识别系统、农作物病虫害防治系统、农作物病虫害防治效果信息反馈系统；
所述图像采集系统用于采集农作物的图像，并将图像信息传至所述图像处理系统；
所述图像处理系统对收到的图像信息进行去噪、归一化处理，形成训练数据，传至所述农作物病虫害识别系统；
如图2所示，所述农作物病虫害识别系统根据收到的训练数据分析，识别出农作物的相关信息，并将其作为深层神经网络的输入，并输出农作物病虫害的类型，传至所述农作物病虫害防治系统；
所述农作物病虫害防治系统根据收到的农作物病虫害的类型向用户推荐防治方案；用户根据推荐的防治方案进行操作后将防治效果反馈给所述农作物病虫害防治效果信息反馈系统；
所述农作物病虫害防治效果信息反馈系统根据用户的反馈信息，对所述农作物病虫害防治方案推荐系统进行修正，优化所述深层神经网络的结构。
所述农作物的相关信息包括农作物名称、当地的天气记录和叶片的彩色图像。
所述深层神经网络为3层及以上的隐藏层。
所述农作物病虫害防治方案推荐系统还包括用户反馈信息真伪识别系统，用于对用户的反馈信息的可靠性进行识别，反馈信息可靠性高的加入系统进行学习，反馈信息可靠性低的则不加入系统进行学习。
所述用户的反馈信息的可靠性通过用户专业能力测试和其提交结果有效性的统计均值来估计。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于深度学习的农作物病虫害防治方案推荐系统，其特征在于：包括图像采集系统、图像处理系统、农作物病虫害识别系统、农作物病虫害防治系统、农作物病虫害防治效果信息反馈系统；
所述图像采集系统用于采集农作物的图像，并将图像信息传至所述图像处理系统；
所述图像处理系统对收到的图像信息进行去噪、归一化处理，形成训练数据，传至所述农作物病虫害识别系统；
所述农作物病虫害识别系统根据收到的训练数据分析，识别出农作物的相关信息，并将其作为深层神经网络的输入，并输出农作物病虫害的类型和防治方案；
所述农作物病虫害防治系统向用户推荐防治方案；用户根据推荐的防治方案进行操作后将防治效果反馈给所述农作物病虫害防治效果信息反馈系统；
所述农作物病虫害防治效果信息反馈系统根据用户的反馈信息，对所述农作物病虫害防治方案推荐系统进行修正，优化所述深层神经网络的结构。
2.如权利要求1所述的一种基于深度学习的农作物病虫害防治方案推荐系统，其特征在于：所述农作物的相关信息包括农作物名称、当地的天气记录和叶片的彩色图像。
3.如权利要求1所述的一种基于深度学习的农作物病虫害防治方案推荐系统，其特征在于：所述深层神经网络为3层及以上的隐藏层。
4.如权利要求1所述的一种基于深度学习的农作物病虫害防治方案推荐系统，其特征在于：所述农作物病虫害防治方案推荐系统还包括用户反馈信息真伪识别系统，用于对用户的反馈信息的可靠性进行识别，反馈信息可靠性高的加入系统进行学习，反馈信息可靠性低的则不加入系统进行学习。
5.如权利要求4所述的一种基于深度学习的农作物病虫害防治方案推荐系统，其特征在于：所述用户的反馈信息的可靠性通过用户专业能力测试和其提交结果有效性的统计均值来估计。
CN201710561396.0A 2017-07-11 2017-07-11 一种基于深度学习的农作物病虫害防治方案推荐系统 Pending CN107330887A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710561396.0A CN107330887A (zh) 2017-07-11 2017-07-11 一种基于深度学习的农作物病虫害防治方案推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710561396.0A CN107330887A (zh) 2017-07-11 2017-07-11 一种基于深度学习的农作物病虫害防治方案推荐系统

Publications (1)

Publication Number Publication Date
CN107330887A true CN107330887A (zh) 2017-11-07

Family

ID=60197316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710561396.0A Pending CN107330887A (zh) 2017-07-11 2017-07-11 一种基于深度学习的农作物病虫害防治方案推荐系统

Country Status (1)

Country Link
CN (1) CN107330887A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197266A (zh) * 2017-12-29 2018-06-22 深圳春沐源控股有限公司 一种农产品用药的推荐方法和系统
CN108764183A (zh) * 2018-05-31 2018-11-06 寿光得峰生态农业有限公司 一种植物病害诊断方法、装置及存储介质
CN108959535A (zh) * 2018-06-29 2018-12-07 普定县科技服务中心 一种梨树种植病虫害防治管理经验推广系统
CN109086826A (zh) * 2018-08-06 2018-12-25 中国农业科学院农业资源与农业区划研究所 基于图像深度学习的小麦干旱识别方法
CN109145785A (zh) * 2018-08-03 2019-01-04 百度在线网络技术（北京）有限公司 植物护理方式的确定方法和装置
CN109344738A (zh) * 2018-09-12 2019-02-15 杭州睿琪软件有限公司 农作物病虫草害识别方法及装置
CN110321956A (zh) * 2019-07-08 2019-10-11 府谷县鑫兴泰农贸有限公司 一种基于人工智能的牧草病虫害治理方法及装置
CN110517013A (zh) * 2019-08-13 2019-11-29 四川科库科技有限公司 一种农业信息传播装置
CN111046204A (zh) * 2019-12-16 2020-04-21 北京植得智能互联科技有限公司 一种病虫害识别防治系统
CN112488961A (zh) * 2020-12-16 2021-03-12 四川长虹电器股份有限公司 一种基于对数方程的t参数同态滤波方法
CN114063686A (zh) * 2021-11-15 2022-02-18 宁夏农林科学院植物保护研究所（宁夏植物病虫害防治重点实验室） 农业有害生物监测预警方法
WO2023098429A1 (zh) * 2021-12-02 2023-06-08 杭州睿胜软件有限公司 用于追踪植物的康复情况的方法、装置和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162472A (zh) * 2007-11-21 2008-04-16 中国科学院合肥物质科学研究院 用于农业复杂自适应搜索引擎系统的控制方法
CN103034910A (zh) * 2012-12-03 2013-04-10 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
CN205334168U (zh) * 2016-04-21 2016-06-22 贾如春 基于大数据病虫害监测预警系统
CN106022467A (zh) * 2016-05-17 2016-10-12 浪潮集团有限公司 一种基于神经网络的农作物疾病检测系统
CN106202489A (zh) * 2016-07-20 2016-12-07 青岛云智环境数据管理有限公司 一种基于大数据的农业病虫害智能诊断系统
CN106250899A (zh) * 2016-07-29 2016-12-21 华东交通大学 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法
CN106446942A (zh) * 2016-09-18 2017-02-22 兰州交通大学 基于增量学习的农作物病害识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162472A (zh) * 2007-11-21 2008-04-16 中国科学院合肥物质科学研究院 用于农业复杂自适应搜索引擎系统的控制方法
CN103034910A (zh) * 2012-12-03 2013-04-10 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
CN205334168U (zh) * 2016-04-21 2016-06-22 贾如春 基于大数据病虫害监测预警系统
CN106022467A (zh) * 2016-05-17 2016-10-12 浪潮集团有限公司 一种基于神经网络的农作物疾病检测系统
CN106202489A (zh) * 2016-07-20 2016-12-07 青岛云智环境数据管理有限公司 一种基于大数据的农业病虫害智能诊断系统
CN106250899A (zh) * 2016-07-29 2016-12-21 华东交通大学 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法
CN106446942A (zh) * 2016-09-18 2017-02-22 兰州交通大学 基于增量学习的农作物病害识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SRDJAN SLADOJEVIC 等: "Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification", 《COMPUT INTELL NEUROSCI》 *
冯旭东 等: "病虫害诊断的神经网络专家系统的设计与实现", 《计算机应用》 *
杭小树 等: "基于CBR的农作物病虫害预报专家系统", 《计算机工程与应用》 *
郑宇鸣 等: "基于案例推理（CBR）技术在病虫害预测中的应用", 《安徽农业科学》 *
高灵旺 等: "农业病虫害预测预报专家系统平台的开发", 《农业工程学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197266A (zh) * 2017-12-29 2018-06-22 深圳春沐源控股有限公司 一种农产品用药的推荐方法和系统
CN108764183A (zh) * 2018-05-31 2018-11-06 寿光得峰生态农业有限公司 一种植物病害诊断方法、装置及存储介质
CN108959535A (zh) * 2018-06-29 2018-12-07 普定县科技服务中心 一种梨树种植病虫害防治管理经验推广系统
CN109145785A (zh) * 2018-08-03 2019-01-04 百度在线网络技术（北京）有限公司 植物护理方式的确定方法和装置
CN109086826B (zh) * 2018-08-06 2021-05-07 中国农业科学院农业资源与农业区划研究所 基于图像深度学习的小麦干旱识别方法
CN109086826A (zh) * 2018-08-06 2018-12-25 中国农业科学院农业资源与农业区划研究所 基于图像深度学习的小麦干旱识别方法
CN109344738A (zh) * 2018-09-12 2019-02-15 杭州睿琪软件有限公司 农作物病虫草害识别方法及装置
CN110321956A (zh) * 2019-07-08 2019-10-11 府谷县鑫兴泰农贸有限公司 一种基于人工智能的牧草病虫害治理方法及装置
CN110517013A (zh) * 2019-08-13 2019-11-29 四川科库科技有限公司 一种农业信息传播装置
CN110517013B (zh) * 2019-08-13 2023-04-04 四川科库科技有限公司 一种农业信息传播装置
CN111046204A (zh) * 2019-12-16 2020-04-21 北京植得智能互联科技有限公司 一种病虫害识别防治系统
CN112488961A (zh) * 2020-12-16 2021-03-12 四川长虹电器股份有限公司 一种基于对数方程的t参数同态滤波方法
CN114063686A (zh) * 2021-11-15 2022-02-18 宁夏农林科学院植物保护研究所（宁夏植物病虫害防治重点实验室） 农业有害生物监测预警方法
WO2023098429A1 (zh) * 2021-12-02 2023-06-08 杭州睿胜软件有限公司 用于追踪植物的康复情况的方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN107330887A (zh) 一种基于深度学习的农作物病虫害防治方案推荐系统
Kumar et al. A comparative analysis of machine learning algorithms for detection of organic and nonorganic cotton diseases
Branco et al. Determinants of elephant foraging behaviour in a coupled human‐natural system: Is brown the new green?
Nkala et al. Conservation agriculture and livelihoods of smallholder farmers in Central Mozambique
Veisi Exploring the determinants of adoption behaviour of clean technologies in agriculture: a case of integrated pest management
Ramsey et al. Effects of farmers' yield-risk perceptions on conservation practice adoption in Kansas
Khan et al. Dr. Wheat: a Web-based expert system for diagnosis of diseases and pests in Pakistani wheat
Manohar et al. Image processing system based identification and classification of leaf disease: A case study on paddy leaf
Segnon et al. Comparative analysis of diversity and utilization of edible plants in arid and semi-arid areas in Benin
Sinclair et al. Taking local knowledge about trees seriously
Ellis et al. Results from survey instruments used to assess technology adoption for tree fruit production
Lami et al. Ground-dwelling arthropods as biodiversity indicators in maize agroecosystems of Northern Italy
Rekha et al. Disease Detection in Tomato Plants Using CNN
Godara et al. AgrIntel: Spatio-temporal profiling of nationwide plant-protection problems using helpline data
Rahman et al. Farm-level impacts of eggplant integrated pest management: A stochastic frontier production function approach
Alves et al. Habitat selection by the endangered Red-billed Curassow (Crax blumenbachii) in an Atlantic forest remnant
Sadaf et al. Cotton production for the sustainable livelihoods in Punjab Pakistan: a case study of district Muzaffargarh
Camargo et al. Intelligent systems for the assessment of crop disorders
Alvarez et al. Estimated costs and regional economic impacts of the oriental fruit fly (Bactrocera dorsalis) outbreak in Miami-Dade county, Florida
Sheelavantamath Plant disease detection and its solution using image classification
Pawar et al. Farmer Buddy-Plant Leaf Disease Detection on Android Phone
Fanfarillo et al. Evaluating and mapping naturalness of agricultural areas: A case study in central Italy
Reay-Jones et al. Stability of spatial distributions of stink bugs, boll injury, and NDVI in cotton
Islam et al. Knowledge gap of the haor farmers in Boro rice cultivation
INGXAY et al. Access to livelihood assets under the influence of a climate event in Upland Northern Laos

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171107

RJ01 Rejection of invention patent application after publication