CN109034462B - 玉米群体种植结构优化方法及装置 - Google Patents
玉米群体种植结构优化方法及装置 Download PDFInfo
- Publication number
- CN109034462B CN109034462B CN201810744096.0A CN201810744096A CN109034462B CN 109034462 B CN109034462 B CN 109034462B CN 201810744096 A CN201810744096 A CN 201810744096A CN 109034462 B CN109034462 B CN 109034462B
- Authority
- CN
- China
- Prior art keywords
- corn
- population
- optimized
- plant
- dimensional model
- 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.)
- Active
Links
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 337
- 240000008042 Zea mays Species 0.000 title claims abstract description 335
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 322
- 235000005822 corn Nutrition 0.000 title claims abstract description 322
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 54
- 241000196324 Embryophyta Species 0.000 claims description 120
- 230000005855 radiation Effects 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 13
- 235000009973 maize Nutrition 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 description 10
- 241001057636 Dracaena deremensis Species 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 208000003643 Callosities Diseases 0.000 description 5
- 206010020649 Hyperkeratosis Diseases 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 2
- 241000482268 Zea mays subsp. mays Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种玉米群体种植结构优化方法及装置，该方法包括：根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值；将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。本发明实施例提供的方法，由于基于虚拟构建的玉米群体三维模型，获得满足设定优化条件的玉米群体光合能力指标值所对应的种植结构优化结果，相对于栽培试验和种植经验获得的种植结构优化结果，减小了工作量和试验周期，精确量化了不同结构参数下的玉米群体在指定时段内的CO2同化量，获得的种植结构优化结果具有较高的准确性。
Description
技术领域
本发明实施例涉及农业信息化领域，更具体地，涉及一种玉米群体种植结构优化方法及装置。
背景技术
玉米是最重要的粮食作物之一，增产潜力巨大，在保障粮食安全中占有重要地位。玉米群体产量取决于遗传特性、环境条件和措施管理之间的相互作用，合理密植不仅能够充分挖掘群体增产潜力，还是经济有效、易于推广应用的增产措施。目前玉米种植密度普遍偏低，与美国大田玉米相比，还有1.5～2.25万株/hm2的差距，增密种植具有较大潜力。相关技术中，玉米群体种植结构优化主要以传统的栽培试验为主，依靠多年的实际生产经验对玉米种植方式定性提升的摸索，但这种方式存在着工作量大、试验周期长、受生产区域限制等问题，难以形成具体量化的种植方式优化方案。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的玉米群体种植结构优化方法及装置。
根据本发明实施例的第一方面，提供一种玉米群体种植结构优化方法，该方法包括：根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值；将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。
本发明实施例提供的方法，通过根据待优化玉米群体的不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体在指定时段内的CO2同化量；将满足设定优化条件的玉米群体在指定时段内的CO2同化量所对应的结构参数作为待优化玉米群体的种植结构优化结果。由于基于虚拟构建的玉米群体三维模型，获得满足设定优化条件的玉米群体光合能力指标值所对应的种植结构优化结果，相对于栽培试验和种植经验获得的种植结构优化结果，减小了工作量和试验周期、不受生产区域限制，精确量化了不同结构参数下的玉米群体在指定时段内的CO2同化量，获得的种植结构优化结果具有较高的准确性。
根据本发明实施例第二方面，提供了一种玉米群体种植结构优化装置，该装置包括：构建模块，用于根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值；优化模块，用于将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。
根据本发明实施例的第三方面，提供了一种玉米群体种植结构优化设备，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的玉米群体种植结构优化方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的玉米群体种植结构优化方法。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例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简单地介绍。显而易见地，下面描述中的附图仅仅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，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的玉米群体种植结构优化方法的流程示意图；
图2为本发明实施例提供的构建玉米群体三维模型方法的流程示意图；
图3为本发明实施例提供的生成植株的表型参数方法的流程示意图；
图4为本发明实施例提供的玉米群体种植结构优化装置的结构示意图；
图5为本发明实施例提供的玉米群体种植结构优化设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，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做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。
现代玉米生产技术的目标已由产量为主，向高产、优质、高效、生态等多目标协同发展，密植、机械化生产将成为现代玉米生产技术体系的核心要素。玉米株行距和行向等结构参数的确定是玉米生产农机精准作业中的重要环节。结合不同生态点的太阳辐射情况和玉米品种特点对玉米种植群体结构参数进行定量优化，提高光资源利用率，有利于玉米全程机械化生产和高产高效协同。
相关技术中，(1)在玉米种植密度优化方面，存在如下方案：通过开展田间密度试验寻求适合不同地区的最适密度，以实现产量最大化；为确定玉米在不同环境下最佳种植密度，对美国22州和加拿大2省等站点的2000-2014年多个品种产量数据进行搜集分析，得到一个最佳拟合密度与产量关系的二次模型；通过对两个玉米品种进行连续三年12个密度梯度(1.5-18株/m2)试验，发现该试验最适密度为10.75株/m2，且在不同密度区间玉米单位面积产量、单位面积干物质与收获指数的变化趋势是不同的；对新疆和宁夏两地高产玉米区以郑单958为材料进行密度梯度试验，发现密度与单产呈抛物线关系，以10.5株/m2单产最高；研究了不同品种玉米在不同密度下生物量和籽粒产量的变化，并给出了生物量与密度、籽粒产量与密度的优化方程，用于计算不同品种最优密度。(2)在株行距方面，存在如下方案：通过设计4个密度的玉米大田试验研究表明不同的株行距对产量是有影响的，10.5株/m2可以得到最高的产量，但仅限于窄行间距的种植模式；通过研究郑单958在不同种植方式下对光合特征和籽粒产量的影响，发现缩行宽带种植方式明显提高籽粒产量，其中三行一带方式相比等行距能增产16％以上；研究了密度和行距配置对超高产夏玉米品种登海701产量和光合特性的影响，发现高密度下，80cm+40cm行距配置有助于扩大光合面积、增加穗位叶光合有效辐射、提高群体光合速率、减少群体呼吸消耗，进而提高籽粒产量。(3)在行向优化方面，存在如下方案：认为玉米栽培最适密度、行距、行向的确定与所在的地区、纬度有关，纬度不同其最适密度、行距、行向可能存在差异；研究表明东西行向较南北行向显著促进了中上部叶的伸长，增加了叶面积，显著提高收获指数、千粒重并提高产量；研究表明南北行向相比东西行向对光照强度降低更敏感，但光照较好条件下南北行向产量更高；通过对浚单20的行距、行向和密度的综合试验研究认为东西行向种植比南北行向种植的玉米冠层日均风速大、日均光照强度高、积温较低、湿度较小，且产量高。
因生态点、品种株型和定量栽培策略不同，玉米的形态结构具有极大的空间异质性，且这种差异是在三维空间上发生的。因此，从三维尺度研究玉米株型和冠层结构，可以从更高分辨率揭示玉米冠层结构和高光效利用的内在机制。虽然已在基于三维可视计算的作物株型和种植方式优化方面做出了有益探索，但在大田玉米单株表型高通量获取和玉米冠层三维重建等关键技术方面仍有待完善。
玉米种植密度和冠层结构优化研究仍以不同地区田间试验的经验总结和育种单位的推荐为主，玉米种植株行距和行向对最终产量有重要影响，其主要依靠知识模型和品种推荐确定，在如今分子育种技术推动的玉米新品种大量出现的背景下，玉米品种种植密度、株行距和行向的确定已成为限制玉米新品种鉴定和推广的瓶颈问题，亟需信息化手段提供技术支撑。基于此，参见图1，本发明实施例提供一种玉米群体种植结构优化方法，包括：
101、根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值。
其中，玉米群体三维模型可以是玉米栽培科研人员在计算机上构建出的虚拟的三维模型。由于玉米群体是由多株玉米按照一定的排列规则排列而成的，因此玉米群体三维模型同样是由多株玉米的三维模型按照一定的排列规则组合而成。本发明实施例该排列规则不作限定，包括但不限于多株玉米以s行×t列的阵列进行排列。结构参数包括玉米冠层的株距、行距和行向中的至少一个。若每一组结构参数包括株距、行距和行向三个参数，不同的结构参数是指株距、行距和行向中的任意一个参数与其他的结构参数是不同的。因此，通过调整株距、行距和行向中的至少一个可以得到多组不同的结构参数。对于相同的多株玉米的三维模型，采用不同的结构参数进行排列时，对应的玉米群体三维模型是不同的。应当说明的是，各玉米群体三维模型除了具有不同的结构参数外，还可包括等行距和宽窄行两种种植方式，其中，宽窄行是指采用宽行和窄行相间排列的种植方式。种植方式是根据待优化玉米群体的生态点及配套机械确定的，本发明实施例对具体采用何种种植方式不作限定。可在相同的结构参数下分别构建采用等行距和宽窄行两种种植方式的两个玉米群体三维模型。在得到对应不同结构参数的玉米群体三维模型后，基于该模型及待优化玉米群体所处生态点的光照情况，可以模拟计算出玉米群体三维模型的玉米群体光合能力指标值，玉米群体光合能力指标是选取的能够反映玉米群体光合能力的指标。
102、将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。
其中，为了获得种植结构优化结果，可建立玉米群体种植结构优化模型，该模型以玉米群体光合能力指标值(例如，在指定时段内的CO2同化量)满足设定优化条件为优化目标函数，结构参数为优化目标参数。通过不断调整目标参数，计算每一目标参数对应的目标函数，当目标函数满足设定优化条件时，所对应的目标参数即为待优化玉米群体的种植结构优化结果。应当说明的是，本发明实施例对设定优化条件不作限定，包括但不限于将玉米群体光合能力指标值最大作为设定优化条件。另外，在求解上述玉米群体种植结构优化模型的过程中，具体可采用梯度下降法。以下对梯度下降法求解的过程进行举例说明：
若结构参数包括行向、行距和株距，设当前行向为d，行距为r0，株距为p，在当前的玉米群体结构参数下计算得到玉米群体在指定时段内的CO2同化量为P0。然后，改变行距为r1，其他参数(行向和株距)不变，得到的新的玉米群体在指定时段内的CO2同化量为P1。如果P1>P0且|P1-P0|>v(其中，v为阈值参数)，则向r1的方向继续迭代行距，否则向r0的方向继续迭代行距。迭代后再次计算玉米群体在指定时段内的CO2同化量，并与P0或P1进行比较，直至|Pn-Pn-1|≤v即求得满足设定优化条件的结构参数。另外，针对宽窄行的种植方式的玉米群体三维模型，需要调整2个行距。并且，上述仅以改变行距为例进行说明，可以理解的是改变行向和株距均可采用上述类似的方式，在此不再赘述。
可以理解的是，采用上述梯度下降法求解得到种植结构优化结果只是本发明实施例求解得到种植结构优化结果的一种实现方式，本发明实施例对求解方式不作限定。
本发明实施例提供的方法，通过根据待优化玉米群体的不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体在指定时段内的CO2同化量；将满足设定优化条件的玉米群体在指定时段内的CO2同化量所对应的结构参数作为待优化玉米群体的种植结构优化结果。由于基于虚拟构建的玉米群体三维模型，获得满足设定优化条件的玉米群体光合能力指标值所对应的种植结构优化结果，相对于栽培试验和种植经验获得的种植结构优化结果，减小了工作量和试验周期、不受生产区域限制，精确量化了不同结构参数下的玉米群体在指定时段内的CO2同化量，获得的种植结构优化结果具有较高的准确性。
基于上述实施例的内容，玉米群体光合能力指标包括玉米群体在指定时段内的CO2同化量，相应地，作为一种可选实施例，提供一种基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值，包括但不限于：
步骤1、对于每一玉米群体三维模型，根据待优化玉米群体的外光环境参数及地理位置参数计算玉米群体三维模型在各时间点的冠层内各面元的光合有效辐射。
其中，玉米群体外光环境参数包括：光分布计算模拟的起止计算日期、每天的起止时间、冠层外部总光强变化、冠层外部光强中直射光的比例等。玉米群体的地理位置参数包括经度和纬度。根据上述外光环境参数及地理位置参数，利用基于玉米群体三维模型Ccalculate的冠层光分布计算方法，设置预设时长(例如1小时)为模拟步长，能够计算各时间点的冠层内各面元的光合有效辐射，其中，光合有效辐射为太阳辐射中对植物光合作用有效的光谱成分。
步骤2、根据各面元的光合有效辐射计算玉米群体三维模型内每一叶片在模拟步长内截获的光合有效辐射总量。
具体地，以模拟步长的时间长度是1小时为例，每个叶片在模拟步长内截获的光合有效辐射总量为：
式中，li为光合有效辐射总量，i为时间序号(第i小时)，k为当前叶片的面元序号，Sk表示第k个面元的面积，n为当前叶片面元总数量，
为第k个面元在第i时间序号截获的光合有效辐射。
另外，作为一种可选方式，在计算光合有效辐射时，可参考待优化玉米群体的生态点，例如可以将待优化玉米群体所处生态点近5年玉米吐丝期的平均光合有效辐射作为输入。
步骤3、根据每一叶片在模拟步长内截获的光合有效辐射总量，基于负指数模型计算玉米群体三维模型在设定时段内的玉米群体在指定时段内的CO2同化量值。
具体地，上式(1)输出得到玉米群体内每个叶片在模拟步长内的光截获总量，在此基础上，结合负指数模型计算玉米群体在设定时段内的玉米群体CO2同化量P，作为评价待优化玉米群体的光合能力的对比指标。
本发明实施例提供的方法，通过根据待优化玉米群体的外光环境参数及地理位置参数计算玉米群体三维模型的光合有效辐射；根据各面元的光合有效辐射计算玉米群体三维模型内每一叶片在模拟步长内截获的光合有效辐射总量；根据每一叶片在模拟步长内截获的光合有效辐射总量，基于负指数模型计算玉米群体在设定时段内的玉米群体在指定时段内的CO2同化量值，实现了基于玉米群体三维模型计算玉米群体在指定时段内的CO2同化量值。
为了保证获得的种植结构优化结果是全局最优解，基于上述实施例的内容，作为一种可选实施例，根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，还包括：基于玉米种植经验信息为结构参数设定参数求解区间。其中，玉米种植经验信息可由待优化玉米群体所处的生态点确定，生态点为种植玉米的位置。具体地，若仅以光合能力指标值作为目标优化函数，最后得到的结构参数可能在实际种植时导致玉米群体存在其他的问题。例如，基于玉米种植经验信息，若待优化玉米群体在当前生态点种植时，密度大于6000株/亩，玉米就容易发生倒伏，那么玉米群体的结构参数中的株行距的设置需满足密度小于6000株/亩。因此，可以基于玉米种植经验信息为结构参数设定参数求解区间，在求解种植结构优化结果的过程中，结构参数的调整均位于该参数求解区间内，使最终得到的种植结构优化结果为最优解。
基于上述实施例的内容，参见图2，作为一种可选实施例，提供一种根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型的方法，包括但不限于以下步骤201和步骤202：
步骤201、根据待优化玉米群体中每一植株的表型参数，构建待优化玉米群体中每一植株的三维模型。
具体地，由于玉米群体三维模型是由该玉米群体内包含的多个玉米植株的三维模型组成，因此首先构建每一植株的三维模型。表型参数包括株高、总叶片数、首叶叶序、各叶片着生高度、叶长、叶宽、叶倾角和方位角等方面。由于上述表型参数可以对玉米植株的三维形态进行描述，因此，可以基于植株的表型参数构建植株对应的三维模型。
基于此，在执行步骤1前，作为一种可选实施例，参见图3，提供一种生成每一植株的表型参数的方法，包括但不限于：
301、确定待优化玉米群体的拟优化目标因子，拟优化目标因子包括生态点、品种及典型密度中的至少一种。
其中，拟优化因子包括待优化玉米群体的生态点、品种和典型密度中的至少一种。例如，生态点在北京，品种为先玉335品种，典型种植密度为4000株/亩或5000株/亩。基于上述生态点，可以确定待优化玉米群体在一定时期(例如灌浆期)的气象数据，该气象数据包括光合有效辐射强度变化、日照时长、降雨量等。
302、采集满足拟优化目标因子的待优化玉米群体中设定数量的植株的表型参数。
其中，满足拟优化目标因子的玉米群体是指，与待优化玉米群体的生态点、品种和典型密度均相同的玉米群体。本发明实施例对采集表型参数的方式不作限定，包括但不限于基于3D扫描数据的表型获取、基于多视角立体视觉的表型提取及基于三维数字化的玉米植株表型参数提取等。设定数量可以为3株。
303、根据设定数量的植株的表型参数，构建待优化玉米群体的每个表型参数分别对应的分布约束模型。
具体地，若直接测量玉米群体中每一植株的表型数据，工作量巨大。因此，可以基于步骤302中采集得到的设定数量的植株的表型参数，结合分布函数(例如t分布函数)，构建表型参数中每个参数分别对应的分布约束模型。例如株高和叶片数这两个参数分别具有对应的分布约束模型。
304、基于表型参数分布约束模型，生成待优化玉米群体中每一植株的表型参数。
具体地，基于该分布约束模型，能够生成玉米群体内各指数的表型参数随机数(即为每一植株的表型参数)。以株高为例，通过设定数量的植株的株高参数，构建株高的概率密度分布函数(即分布约束模型)，并可以根据该分布函数生成玉米群体内各植株的株高随机数。因此，通过每个参数对应的分布约束模型，可以得到每一植株的株高、总叶片数、首叶叶序、各叶片着生高度、叶长、叶宽、叶倾角和方位角等表型参数。
202、对于待优化玉米群体的每一结构参数，根据结构参数确定待优化玉米群体中每一植株的位置参数；并根据每一植株的位置参数将每一植株的三维模型调整至相应位置，以获得每一结构参数对应的玉米群体三维模型。
具体地，在获得每一植株的三维模型后，可根据结构参数，确定位置参数，并根据位置参数将各植株的三维模型排列成相应的玉米群体。基于此，每一植株的位置参数包括每一植株的生长位置坐标及方位平面角，作为一种可选实施例，提供一种根据每一植株的位置参数将每一植株的三维模型调整至相应位置的方法，包括但不限于：
将每一植株的三维模型移动至每一植株的生长位置坐标，并将每一植株的三维模型旋转至方位平面角。
具体地，结构参数可包括行向、株距和行距，基于结构参数可首先确定玉米群体三维模型的大小(行数s和列数t)，以及玉米群体中每个植株的生长位置坐标、每个植株的方位平面交。从而将预先构建的每个植株的三维模型移动至对应的生长位置坐标，并按照方位平面角进行旋转，即得到玉米群体的三维模型Ccenter。并且，为了避免光分布计算中玉米群体过小而产生边际效应，可以在玉米群体三维模型周围按照植株行距和行向复制多个玉米群体几何模型，例如复制8个玉米群体几何模型，生成的新的玉米群体几何模型为的大小为3s行×3t列，将新的玉米群体几何模型作为后续计算光合能力指标值的玉米群体几何模型Ccalculate。
基于上述实施例的内容，作为一种可选实施例，提供一种根据待优化玉米群体中每一植株的表型参数，构建待优化玉米群体中每一植株的三维模型的方法，包括但不限于：将待优化玉米群体中每一植株的每一叶片的表型参数与叶片模板数据库中各叶片模板的表型参数进行比较，将相似度最高的叶片模板对应的三维模型作为叶片的三维模型；叶片模板数据库包括多个叶片模板及每个叶片模板对应的三维模型，叶片模板是通过采集满足拟优化目标因子的待优化玉米群体的表型参数获得的；根据每一植株包含的全部叶片的三维模型，获得每一植株的三维模型。
具体地，由于一个植株包括多个叶片，因此以叶片为最小处理单元，首先获得一个植株所包含叶片的三维模型，再将各叶片的三维模型进行拼接得到每一植株的三维模型。为了提高构建叶片的三维模型的效率，可预先创建叶片模板数据库，该数据库存储有叶片模板的表型参数与叶片模板的三维模型之间的对应关系。其中，叶片的表型参数包括叶序、叶倾角和叶长等。将需要构建三维模型的叶片的表型参数与数据库中叶片模板的表型参数进行比较，可获得相似度。本发明实施例对相似度的计算方式不作限定，包括但不限于采用如下公式：
式中，Em为相似度，c为品种名，j为叶序，
为叶倾角，l为叶长，cm、jm、
和lm分别为第m个节单位叶片模板对应的品种名、叶序、叶倾角和叶长，ac、an、
和al分别为对应参数的系数。
应当说明的是，上式中的常数分母(2.0，45.0，100.0)可根据实际情况进行调整。其中，如果叶片品种c与资源库中第m个节单位品种cm相同，则||cm-c||＝0，否则||cm-c||＝1。
另外，叶片模板数据库的构建具体可以采用如下方式：由于叶片模板至少包括待优化玉米群体的叶片，因此，需要采集满足拟优化目标因子(品种及典型密度与待优化玉米群体相同)的玉米群体的叶片模板的表型数据，表型数据具体可以利用三维扫描仪或三维数字化仪来获取。数据库需包括植株所有叶位的叶片模板，每一叶片模板具有对应的品种、密度、生育时期、叶位等模板信息。基于三维模板数据可采用三维建模技术建立对应的叶片模板，并将叶片模板及对应的模板信息及表型参数存储至叶片模板数据库。
以下对采用本发明实施例提供的玉米群体种植结构优化方法进行举例说明：在河南省新乡市(经纬度已知)，常规玉米种植的方式主要是经验型的方式，如种植先玉335品种，行向是正南正北向，行距是60cm，密度是4000株/亩，但实际上根据其经纬度信息，通过本发明实施例的方法，适当调整行向、行距、密度，可提高玉米的产量。
基于上述实施例的内容，本发明实施例提供了一种玉米群体种植结构优化装置，该玉米群体种植结构优化装置用于执行上述方法实施例中的玉米群体种植结构优化方法。参见图4，该装置包括：
构建模块401，用于根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值。
其中，玉米群体三维模型可以是玉米栽培科研人员在计算机上构建出的虚拟的三维模型。由于玉米群体是由多株玉米按照一定的排列规则排列而成的，因此玉米群体三维模型同样是由多株玉米的三维模型按照一定的排列规则组合而成。本发明实施例该排列规则不作限定，包括但不限于多株玉米以s行×t列的阵列进行排列。结构参数包括玉米冠层的株距、行距和行向中的至少一个。若每一组结构参数包括株距、行距和行向三个参数，不同的结构参数是指株距、行距和行向中的任意一个参数与其他的结构参数是不同的。因此，构建模块401通过调整株距、行距和行向中的至少一个可以得到多组不同的结构参数。对于相同的多株玉米的三维模型，构建模块401采用不同的结构参数进行排列时，对应的玉米群体三维模型是不同的。应当说明的是，各玉米群体三维模型除了具有不同的结构参数外，还可包括等行距和宽窄行两种种植方式，其中，宽窄行是指采用宽行和窄行相间排列的种植方式。种植方式是根据待优化玉米群体的生态点及配套机械确定的，本发明实施例对具体采用何种种植方式不作限定。构建模块401可在相同的结构参数下分别采用等行距和宽窄行两种种植方式构建两个玉米群体三维模型。在构建模块401得到对应不同结构参数的玉米群体三维模型后，构建模块401基于该模型及待优化玉米群体所处生态点的光照情况，可以模拟计算出玉米群体三维模型的玉米群体光合能力指标值，玉米群体光合能力指标是选取的能够反映玉米群体光合能力的指标。
优化模块402，用于将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。
其中，为了获得种植结构优化结果，优化模块402可建立玉米群体种植结构优化模型，该模型以玉米群体在指定时段内的CO2同化量满足设定优化条件为优化目标函数，结构参数为优化目标参数。通过不断调整目标参数，优化模块402计算每一目标参数对应的目标函数，当目标函数满足设定优化条件时，所对应的目标参数即为待优化玉米群体的种植结构优化结果。应当说明的是，本发明实施例对设定优化条件不作限定，包括但不限于将玉米群体光合能力指标值最大作为设定优化条件。另外，在求解上述玉米群体种植结构优化模型的过程中，具体可采用梯度下降法。
本发明实施例提供的装置，通过根据待优化玉米群体的不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体在指定时段内的CO2同化量；将满足设定优化条件的玉米群体在指定时段内的CO2同化量所对应的结构参数作为待优化玉米群体的种植结构优化结果。由于基于虚拟构建的玉米群体三维模型，获得满足设定优化条件的玉米群体光合能力指标值所对应的种植结构优化结果，相对于栽培试验和种植经验获得的种植结构优化结果，减小了工作量和试验周期、不受生产区域限制，精确量化了不同结构参数下的玉米群体在指定时段内的CO2同化量，获得的种植结构优化结果具有较高的准确性。
作为一种可选实施例，玉米群体光合能力指标包括玉米群体在指定时段内的CO2同化量，相应地，构建模块包括：第一计算单元，用于对于每一玉米群体三维模型，根据待优化玉米群体的外光环境参数及地理位置参数计算玉米群体三维模型在各时间点的冠层内各面元的光合有效辐射；第二计算单元，用于根据各面元的光合有效辐射计算玉米群体三维模型内每一叶片在模拟步长内截获的光合有效辐射总量；第三计算单元，用于根据每一叶片在模拟步长内截获的光合有效辐射总量，基于负指数模型计算玉米群体三维模型在指定时段内的玉米群体CO2同化量值。
作为一种可选实施例，构建模块，还包括：设定单元，用于基于玉米种植经验信息为结构参数设定参数求解区间。
作为一种可选实施例，构建模块，包括：构建单元，用于根据待优化玉米群体中每一植株的表型参数，构建待优化玉米群体中每一植株的三维模型；调整单元，用于对于待优化玉米群体的每一结构参数，根据结构参数确定待优化玉米群体中每一植株的位置参数；并根据每一植株的位置参数将每一植株的三维模型调整至相应位置，以获得每一结构参数对应的玉米群体三维模型。
作为一种可选实施例，每一植株的位置参数包括每一植株的生长位置坐标及方位平面角；相应地，调整单元具体用于：将每一植株的三维模型移动至每一植株的生长位置坐标，并将每一植株的三维模型旋转至方位平面角。
作为一种可选实施例，构建模块，还包括：确定单元，用于确定待优化玉米群体的拟优化目标因子，拟优化目标因子包括生态点、品种及典型密度中的至少一种；采集单元，用于采集满足拟优化目标因子的玉米群体中设定数量的植株的表型参数；分布单元，用于根据设定数量的植株的表型参数，构建待优化玉米群体的每个表型参数分别对应的分布约束模型；生成单元，用于基于表型参数分布约束模型，生成待优化玉米群体中每一植株的表型参数。
作为一种可选实施例，分布单元，用于：将待优化玉米群体中每一植株的每一叶片的表型参数与叶片模板数据库中各叶片模板的表型参数进行比较，将相似度最高的叶片模板对应的三维模型作为叶片的三维模型；叶片模板数据库包括多个叶片模板及每个叶片模板对应的三维模型，叶片模板是通过采集满足拟优化目标因子的玉米群体的表型参数获得的；根据每一植株包含的全部叶片的三维模型，获得每一植株的三维模型。
本发明实施例提供了一种玉米群体种植结构优化设备，如图5所示，该设备包括：处理器(processor)501、存储器(memory)502和总线503；
其中，处理器501及存储器502分别通过总线503完成相互间的通信；处理器501用于调用存储器502中的程序指令，以执行上述实施例所提供的玉米群体种植结构优化方法，例如包括：根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值；将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。
本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的玉米群体种植结构优化方法，例如包括：根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一玉米群体三维模型分别计算对应的玉米群体光合能力指标值；将满足设定优化条件的玉米群体光合能力指标值所对应的结构参数作为待优化玉米群体的种植结构优化结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的玉米群体种植结构优化设备等实施例仅仅是示意性的，其中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。
Claims (7)
1.一种玉米群体种植结构优化方法，其特征在于，包括：
根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一所述玉米群体三维模型分别计算对应的玉米群体光合能力指标值；
将满足设定优化条件的所述玉米群体光合能力指标值所对应的所述结构参数作为所述待优化玉米群体的种植结构优化结果；
所述玉米群体光合能力指标包括玉米群体在指定时段内的CO2同化量，相应地，所述基于每一所述玉米群体三维模型分别计算对应的玉米群体光合能力指标值，包括：
对于每一所述玉米群体三维模型，根据所述待优化玉米群体的外光环境参数及地理位置参数计算所述玉米群体三维模型在各时间点的冠层内各面元的光合有效辐射；
根据所述各面元的光合有效辐射计算所述玉米群体三维模型内每一叶片在模拟步长内截获的光合有效辐射总量；
根据所述每一叶片在所述模拟步长内截获的光合有效辐射总量，基于负指数模型计算所述玉米群体三维模型在指定时段内的CO2同化量；
所述根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，包括：
根据所述待优化玉米群体中每一植株的表型参数，构建所述待优化玉米群体中所述每一植株的三维模型；
对于所述待优化玉米群体的每一所述结构参数，根据所述结构参数确定所述待优化玉米群体中每一植株的位置参数；并根据所述每一植株的位置参数将所述每一植株的三维模型调整至相应位置，以获得每一所述结构参数对应的所述玉米群体三维模型；
所述根据所述待优化玉米群体中每一植株的表型参数，构建所述待优化玉米群体中所述每一植株的三维模型之前，还包括：
确定所述待优化玉米群体的拟优化目标因子，所述拟优化目标因子包括生态点、品种及典型密度中的至少一种；
采集满足所述拟优化目标因子的玉米群体中设定数量的植株的表型参数；
根据所述设定数量的植株的表型参数，构建所述待优化玉米群体的每个所述表型参数分别对应的分布约束模型；
基于所述表型参数分布约束模型，生成所述待优化玉米群体中所述每一植株的表型参数。
2.根据权利要求1所述的方法，其特征在于，所述根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，还包括：基于玉米种植经验信息为所述结构参数设定参数求解区间。
3.根据权利要求1所述的方法，其特征在于，所述每一植株的位置参数包括所述每一植株的生长位置坐标及方位平面角；
相应地，所述根据所述每一植株的位置参数将所述每一植株的三维模型调整至相应位置，包括：
将所述每一植株的三维模型移动至所述每一植株的生长位置坐标，并将所述每一植株的三维模型旋转至所述方位平面角。
4.根据权利要求1所述的方法，其特征在于，所述根据所述待优化玉米群体中每一植株的表型参数，构建所述待优化玉米群体中所述每一植株的三维模型，包括：
将所述待优化玉米群体中所述每一植株的每一叶片的表型参数与叶片模板数据库中各叶片模板的表型参数进行比较，将相似度最高的所述叶片模板对应的三维模型作为所述叶片的三维模型；所述叶片模板数据库包括多个所述叶片模板及每个所述叶片模板对应的三维模型，所述叶片模板是通过采集满足所述拟优化目标因子的玉米群体的表型参数获得的；
根据所述每一植株包含的全部叶片的三维模型，获得所述每一植株的三维模型。
5.一种玉米群体种植结构优化装置，其特征在于，包括：
构建模块，用于根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，并基于每一所述玉米群体三维模型分别计算对应的玉米群体光合能力指标值；
优化模块，用于将满足设定优化条件的所述玉米群体光合能力指标值所对应的所述结构参数作为所述待优化玉米群体的种植结构优化结果；
所述玉米群体光合能力指标包括玉米群体在指定时段内的CO2同化量，相应地，所述构建模块具体用于：
对于每一所述玉米群体三维模型，根据所述待优化玉米群体的外光环境参数及地理位置参数计算所述玉米群体三维模型在各时间点的冠层内各面元的光合有效辐射；
根据所述各面元的光合有效辐射计算所述玉米群体三维模型内每一叶片在模拟步长内截获的光合有效辐射总量；
根据所述每一叶片在所述模拟步长内截获的光合有效辐射总量，基于负指数模型计算所述玉米群体三维模型在指定时段内的CO2同化量；
所述根据待优化玉米群体不同的结构参数分别构建对应的玉米群体三维模型，包括：
根据所述待优化玉米群体中每一植株的表型参数，构建所述待优化玉米群体中所述每一植株的三维模型；
对于所述待优化玉米群体的每一所述结构参数，根据所述结构参数确定所述待优化玉米群体中每一植株的位置参数；并根据所述每一植株的位置参数将所述每一植株的三维模型调整至相应位置，以获得每一所述结构参数对应的所述玉米群体三维模型；
所述根据所述待优化玉米群体中每一植株的表型参数，构建所述待优化玉米群体中所述每一植株的三维模型之前，还包括：
确定所述待优化玉米群体的拟优化目标因子，所述拟优化目标因子包括生态点、品种及典型密度中的至少一种；
采集满足所述拟优化目标因子的玉米群体中设定数量的植株的表型参数；
根据所述设定数量的植株的表型参数，构建所述待优化玉米群体的每个所述表型参数分别对应的分布约束模型；
基于所述表型参数分布约束模型，生成所述待优化玉米群体中所述每一植株的表型参数。
6.一种玉米群体种植结构优化设备，其特征在于，包括：
至少一个处理器；
以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810744096.0A CN109034462B (zh) | 2018-07-09 | 2018-07-09 | 玉米群体种植结构优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810744096.0A CN109034462B (zh) | 2018-07-09 | 2018-07-09 | 玉米群体种植结构优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109034462A CN109034462A (zh) | 2018-12-18 |
| CN109034462B true CN109034462B (zh) | 2020-10-27 |
Family
ID=64640590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810744096.0A Active CN109034462B (zh) | 2018-07-09 | 2018-07-09 | 玉米群体种植结构优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034462B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112697702B (zh) * | 2020-12-31 | 2023-01-31 | 西北农林科技大学 | 一种基于密度分布特征的co2范围寻优方法 |
| CN113761757B (zh) * | 2021-10-08 | 2023-09-12 | 北京飞花科技有限公司 | 一种高产棉花株行距配置优化方法 |
| CN115577951B (zh) * | 2022-10-19 | 2023-09-19 | 北京爱科农科技有限公司 | 一种基于玉米生长机理模型的夏玉米倒伏预警算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590341A (zh) * | 2015-12-18 | 2016-05-18 | 北京农业信息技术研究中心 | 一种玉米群体三维重建方法及装置 |
| CN107369206A (zh) * | 2017-06-08 | 2017-11-21 | 北京农业信息技术研究中心 | 一种玉米群体三维模型构建方法及系统 |
| CN107403233A (zh) * | 2017-06-08 | 2017-11-28 | 北京农业信息技术研究中心 | 一种玉米株型优化方法及系统 |
| CN107871039A (zh) * | 2017-11-06 | 2018-04-03 | 浙江工业大学 | 一种基于虚拟模型的水稻株距优化方法 |
-
2018
- 2018-07-09 CN CN201810744096.0A patent/CN109034462B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590341A (zh) * | 2015-12-18 | 2016-05-18 | 北京农业信息技术研究中心 | 一种玉米群体三维重建方法及装置 |
| CN107369206A (zh) * | 2017-06-08 | 2017-11-21 | 北京农业信息技术研究中心 | 一种玉米群体三维模型构建方法及系统 |
| CN107403233A (zh) * | 2017-06-08 | 2017-11-28 | 北京农业信息技术研究中心 | 一种玉米株型优化方法及系统 |
| CN107871039A (zh) * | 2017-11-06 | 2018-04-03 | 浙江工业大学 | 一种基于虚拟模型的水稻株距优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109034462A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | MVS-Pheno: a portable and low-cost phenotyping platform for maize shoots using multiview stereo 3D reconstruction | |
| Cabrera‐Bosquet et al. | High‐throughput estimation of incident light, light interception and radiation‐use efficiency of thousands of plants in a phenotyping platform | |
| Watanabe et al. | Rice morphogenesis and plant architecture: measurement, specification and the reconstruction of structural development by 3D architectural modelling | |
| Turner | A spatial simulation model of land use changes in a piedmont county in Georgia | |
| CN109034462B (zh) | 玉米群体种植结构优化方法及装置 | |
| CN111783360B (zh) | 高分辨率土地利用及森林景观过程耦合模拟系统及方法 | |
| CN111612055B (zh) | 天气形势的分型方法、空气污染状况的预测方法及装置 | |
| Bai et al. | Study on light interception and biomass production of different cotton cultivars | |
| CN111583328B (zh) | 基于几何模型的绿萝叶片外部表型参数的三维估测方法 | |
| CN107403233B (zh) | 一种玉米株型优化方法及系统 | |
| Walne et al. | Temperature effects on the shoot and root growth, development, and biomass accumulation of corn (Zea mays L.) | |
| Mulia et al. | Reconciling root plasticity and architectural ground rules in tree root growth models with voxel automata | |
| CN103425851B (zh) | 基于三维虚拟植物的造林密度优化分析方法 | |
| EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
| Parnikoza et al. | Comparative analysis of Deschampsia antarctica Desv. population adaptability in the natural environment of the Admiralty Bay region (King George Island, maritime Antarctic) | |
| Pao et al. | How does structure matter? Comparison of canopy photosynthesis using one-and three-dimensional light models: a case study using greenhouse cucumber canopies | |
| CN107292957B (zh) | 一种作物冠层三维重建方法及装置 | |
| CN116502050B (zh) | 全球通量站点蒸散发观测缺失的动态插补方法与系统 | |
| CN107369206B (zh) | 一种玉米群体三维模型构建方法及系统 | |
| CN110705010B (zh) | 基于遥感的次日夜间地表热岛模拟方法 | |
| Gu et al. | Use of 3D modeling to refine predictions of canopy light utilization: A comparative study on canopy photosynthesis models with different dimensions | |
| CN107194913A (zh) | 一种作物群体最适研究尺度检测方法及装置 | |
| CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
| CN113408895B (zh) | 基于像元尺度的生态质量指数构建方法及系统 | |
| CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |