CN109934515B - 一种作物精量灌溉决策方法及系统 - Google Patents
一种作物精量灌溉决策方法及系统 Download PDFInfo
- Publication number
- CN109934515B CN109934515B CN201910312393.2A CN201910312393A CN109934515B CN 109934515 B CN109934515 B CN 109934515B CN 201910312393 A CN201910312393 A CN 201910312393A CN 109934515 B CN109934515 B CN 109934515B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- detected
- crop
- area
- data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及一种作物精量灌溉决策方法及系统,其特征在于,该方法包括以下内容:1)田间观测系统实时采集灌溉区域内每一监测点处待测作物的实时观测数据;2)构建基于待测作物生长和产量预测的灌溉决策模型;3)实时获取灌溉区域的天气预报信息以及灌溉区域内待测作物的生育期内日序数;4)根据待测作物的实时观测数据、灌溉决策模型以及获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果;5)根据灌溉区域的遥感图片,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;6)确定灌溉区域内待测作物的精量灌溉决策结果,本发明可以广泛应用于精量灌溉领域中。
Description
技术领域
本发明是关于一种作物精量灌溉决策方法及系统,属于精量灌溉领域。
背景技术
伴随着工业化、信息化、城镇化和农业现代化进程,现代农场中,农业灌溉逐步从单一、分片小块农田转向连片、大农场,因此,对灌区灌溉管理提出实时、精量、自动化等更高要求。精量灌溉的主要特点是适时和适量,其研究和应用不仅可以有效提高灌溉水利用效率和作物产量与品质,还可以大幅提高化肥和农药的有效利用率,减少对农田生态系统的负面影响。综合考虑土壤墒情、作物表面温度或红外温度指标监测作物水分胁迫,具有决策指标数值稳定、实用、易于大面积监测的优点。因此,将基于能量平衡的冠层温度和基于水量平衡的土壤墒情指标相结合,进行区域旱情监测和灌溉,是灌区农业节水和灌溉现代化管理的理想的发展方向。卫星遥感图片或机载热红外扫描仪为灌区作物需水与耗水的监测提供新的技术手段,但是,采用该方法监测数据存在时间间隔长、空间分辨率低和精度低等缺点。将田间实时观测数据与遥感图片区域反演准实时数据结合起来,进行区域农田作物灌溉,则能够充分利用二者的优点,达到灌区灌溉管理的精量、实时和自动化。
学界在对卫星遥感反演信息和地面实时监测进行灌溉的研究应用中,往往关注或解决其中一个方面,例如利用遥感信息反演农田作物腾发量ET,而没有利用地面实测数据进行耦合反馈,从而对农业生产和灌溉进行实时指导;或田间数据监测只限于局部、无法及时对大面积农田实际情况进行评估。而在农业生产实践中,核心任务是解决和确定灌溉的最佳时机和适宜灌水量,为作物生长提供最优环境,从而达到优质高产的农业生产最高目标。可见,基于遥感图片和地面田间实时监测数据进行作物精量灌溉,是现代灌区和农场实现高效、实时灌溉的关键和研究核心。
发明内容
针对上述问题,本发明的目的是提供一种高效且能够实时灌溉的作物精量灌溉决策方法及系统。
为实现上述目的,本发明采取以下技术方案:一种作物精量灌溉决策方法,其特征在于,包括以下内容:1)田间观测系统实时采集灌溉区域内每一监测点处待测作物的实时观测数据;2)构建基于待测作物生长和产量预测的灌溉决策模型;3)实时获取灌溉区域的天气预报信息以及灌溉区域内待测作物的生育期内日序数;4)根据待测作物的实时观测数据、灌溉决策模型以及获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果;5)根据灌溉区域的遥感图片,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;6)采用基于关键联结参数的尺度扩展方法,根据实时灌溉决策结果、待测作物空间分布数据、灌溉区域的空气相对湿度、地表温度和植被覆盖指数以及典型区域农田实时监测数据,确定灌溉区域内待测作物的精量灌溉决策结果。
进一步地,所述步骤1)的具体过程为:1.1)根据灌溉区域的土壤类型分布、渠系运行方案、灌溉管理措施和待测作物空间分布信息,确定灌溉区域监测点的位置和数量;1.2)在确定的每一监测点处均设置田间观测系统;1.3)通过田间观测系统实时采集对应监测点处待测作物的多种参数;1.4)通过数据采集云服务平台存储和管理上述实时采集的多种参数,得到灌溉区域内待测作物的实时观测数据。
进一步地,所述田间观测系统包括农田墒情自动监测系统和农田多参数立体监测系统。
进一步地,所述多种参数包括农田墒情和田间作物、气象。
进一步地,所述待测作物的实时观测数据包括待测作物的田间气象、作物和土壤墒情。
进一步地,所述步骤2)的具体过程为:2.1)根据灌溉区域多年连续田间试验和区域调研数据,以及灌溉区域经济社会统计年鉴数据,建立灌溉区域内待测作物的干物质量与土壤积温变化定量关系、干物质量与冠层温度定量关系、干物质量与叶面积指数定量关系、最终产量与土壤积温变化定量关系和最终产量与冠层温度定量关系;2.2)根据灌溉区域历年试验观测资料和农时播种信息,获取和确定待测作物的生育期土壤水分区间以及待测作物的生育期日序数和关键日期节点;2.3)根据上述建立的关系、待测作物的生育期土壤水分区间以及待测作物的生育期日序数和关键日期节点,构建基于待测作物生育期内作物生长和产量预测的灌溉决策模型。
进一步地,所述步骤4)的具体过程为:4.1)根据天气预报信息,确定最近若干天是否有雨以及雨量的大小;4.2)根据构建的灌溉决策模型和当前的生育期内日序数,判断灌溉区域内的待测作物是否需要灌溉,若最近若干天有雨且雨量大于预设的雨量阈值,则实时灌溉决策结果为不用灌溉;若最近若干天无雨或雨量不大于预设的雨量阈值,则采用水量平衡方程,计算灌溉量,并将计算的灌溉量作为实时灌溉决策结果。
进一步地,所述步骤5)的具体过程为:5.1)获取灌溉区域的基于MODIS和Landsat卫星的遥感图片或相应二级产品数据;5.2)对获取的Landsat遥感图片进行预处理,得到预处理后的遥感图片;5.3)对获取的MODIS数据或相应二级产品数据进行重投影,空间分辨率重采样到30m;5.4)判断并确定MODIS数据或相应二级产品数据的空间分辨率是否满足预设的灌溉区域内待测作物的空间分布需求,若满足,则确定灌溉区域每日30m空间分辨率的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;若不满足,则采用数据融合方法,对预处理后的遥感图片和MODIS数据或相应二级产品数据进行融合,得到灌溉区域每日30m空间分辨率的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据。
进一步地,所述步骤6)的具体过程为:将每日30m空间分辨率灌溉区域的空气相对湿度、地表温度和植被覆盖指数与典型区域农田实时监测数据进行对比,结合灌溉区域的待测作物空间分布数据和植被覆盖指数,利用地表温度或空气相对湿度的尺度扩展性,进行灌溉区域精量灌溉决策结果的空间展布,进而确定灌溉区域内待测作物的精量灌溉决策结果。
一种作物精量灌溉决策系统,其特征在于,包括:观测数据采集模块,用于通过田间观测系统实时采集灌溉区域内每一监测点处待测作物的实时观测数据;灌溉决策模型构建模块,用于构建基于待测作物生长和产量预测的灌溉决策模型;数据获取模块,用于实时获取灌溉区域的天气预报信息以及待测作物的生育期内日序参数;实时灌溉决策结果确定模块,用于根据待测作物的实时观测数据、灌溉决策模型以及获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果;反演融合模块,用于根据灌溉区域的遥感图片,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;精量灌溉决策结果确定和发布模块,用于采用基于关键联结参数的尺度扩展方法,根据实时灌溉决策结果、待测作物空间分布数据、灌溉区域的空气相对湿度、地表温度和植被覆盖指数以及典型区域农田实时监测数据,确定灌溉区域内待测作物的精量灌溉决策结果。
本发明由于采取以上技术方案,其具有以下优点:1、本发明结合地面实时监测数据,并考虑待测作物例如玉米的最佳生长状况和最优产量进行精量灌溉决策,既能达到农田灌溉的适时和适量的要求,又能尽可能保证待测作物优质高产,是现代灌区精量灌溉管理的有效方法。2、本发明灌溉区域的土壤类型分布、渠系运行方案、灌溉管理措施和待测作物空间分布信息,制定合理地面监测点数目和分布,从而使设置在监测点处的田间观测系统实时采集的灌溉区域的实时观测数据能够尽可能代表整个灌溉区域的实际情况。3、本发明利用多年田间试验资料和统计数据,确定待测作物干物质量与土壤积温变化定量关系等关系,进而确定基于待测作物生育期内作物生长和产量预测的灌溉决策模型,使灌溉决策模型具有符合待测作物生长规律的良好的预测预报性能,可以广泛应用于精量灌溉领域中。
附图说明
图1是本发明方法的流程图;
图2是本发明中地面数据监测布置设计与数据采集示意图;
图3是本发明中基于作物生长和产量预测的灌溉决策模型示意图;
图4是本发明中用于精量灌溉的遥感图片反演流程示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明提供的作物精量灌溉决策方法,包括以下步骤:
1)如图2所示,在灌溉区域的若干监测点处分别安装田间观测系统,田间观测系统实时采集对应监测点处待测作物例如玉米的田间气象、作物、土壤墒情等实时观测数据,其中,田间观测系统包括农田墒情自动监测系统和农田多参数立体监测系统,具体为:
1.1)根据灌溉区域的土壤类型分布、渠系运行方案、灌溉管理措施和待测作物空间分布信息,确定灌溉区域监测点的适宜位置和合理数量。
1.2)在确定的每一监测点处均设置农田墒情自动监测系统和农田多参数立体监测系统。
1.3)通过农田墒情自动监测系统和农田多参数立体监测系统,实时采集对应监测点处待测作物的农田墒情和田间作物、气象等多种参数。
1.4)通过数据采集云服务平台存储和管理上述实时采集的多种参数,由此得到灌溉区域内待测作物的实时观测数据。
2)如图3所示,根据连续田间试验和区域调研数据以及灌溉区域经济社会统计年鉴数据等数据,构建基于待测作物生长和产量预测的灌溉决策模型,具体为:
2.1)根据灌溉区域多年连续田间试验和区域调研数据,以及灌溉区域经济社会统计年鉴数据,建立灌溉区域内待测作物的干物质量与土壤积温变化定量关系、干物质量与冠层温度定量关系、干物质量与叶面积指数定量关系、最终产量与土壤积温变化定量关系和最终产量与冠层温度定量关系。
2.2)根据灌溉区域历年试验观测资料和农时播种信息,获取和确定待测作物的生育期适宜土壤水分区间以及待测作物的生育期日序数和关键日期节点。
2.3)根据上述建立的关系、待测作物的生育期适宜土壤水分区间以及待测作物的生育期日序数和关键日期节点,构建基于待测作物生育期内作物生长和产量预测的灌溉决策模型,其中,根据上述数据构建灌溉决策模型可以采用现有技术公开的方法,具体过程在此不多做赘述。
3)实时获取灌溉区域的天气预报信息以及此时待测作物的生育期内日序数即播种后天数。
4)根据待测作物的实时观测数据、构建的灌溉决策模型以及获取的获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果,具体为:
4.1)根据天气预报信息,确定最近3天是否有雨以及雨量的大小。
4.2)根据待测作物的实时观测数据构建的灌溉决策模型和当前的生育期内日序数,判断灌溉区域内的待测作物是否需要灌溉,若最近3天有雨且雨量大于10mm,则实时灌溉决策结果为不用灌溉;若最近3天无雨或雨量不大于10mm,则采用水量平衡方程,计算灌溉量,并将计算的灌溉量作为实时灌溉决策结果。
5)如图4所示,获取灌溉区域的基于MODIS和Landsat卫星的遥感图片,并对获取的遥感图片进行反演和融合,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据,具体为:
5.1)获取灌溉区域的基于MODIS(中等-分辨率成像分光计)和Landsat卫星(地球资源探测卫星)的遥感图片或相应二级产品数据。
5.2)对获取的Landsat遥感图片依次进行辐射、大气校正、条带修复、镶嵌和裁剪以及地面几何精校正等预处理,得到预处理后的遥感图片。
5.3)对获取的MODIS数据或相应二级产品数据进行重投影,空间分辨率重采样到30m。
5.4)根据灌溉区域实际情况,判断并确定MODIS数据或相应二级产品数据的空间分辨率是否满足预设的灌溉区域内待测作物的空间分布需求,若满足,则确定灌溉区域每日30m空间分辨率的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据(NDVI);若不满足,则采用数据融合方法(ESTARFM),对预处理后的遥感图片和MODIS数据或相应二级产品数据进行融合,得到灌溉区域每日30m空间分辨率的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据(NDVI)。
6)采用基于关键联结参数的尺度扩展方法,根据实时灌溉决策结果、待测作物空间分布数据、灌溉区域的空气相对湿度、地表温度和植被覆盖指数以及典型区域农田实时监测数据,确定灌溉区域内待测作物的精量灌溉决策结果,具体为:
将每日30m空间分辨率灌溉区域的空气相对湿度、地表温度和植被覆盖指数与典型区域农田实时监测数据进行对比,结合灌溉区域的待测作物空间分布数据和植被覆盖指数,利用地表温度或空气相对湿度的尺度扩展性,进行灌溉区域精量灌溉决策结果的空间展布,进而确定灌溉区域内待测作物的精量灌溉决策结果。
基于上述作物精量灌溉决策方法,本发明还提供一种作物精量灌溉决策系统,包括:
观测数据采集模块,用于通过田间观测系统实时采集灌溉区域内每一监测点处待测作物的实时观测数据;
灌溉决策模型构建模块,用于构建基于待测作物生长和产量预测的灌溉决策模型;
数据获取模块,用于实时获取灌溉区域的天气预报信息以及待测作物的生育期内日序参数;
实时灌溉决策结果确定模块,用于根据待测作物的实时观测数据、灌溉决策模型以及获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果;
反演融合模块,用于根据灌溉区域的基于MODIS和Landsat卫星的遥感图片,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;
精量灌溉决策结果确定和发布模块,用于采用基于关键联结参数的尺度扩展方法,根据实时灌溉决策结果、待测作物空间分布数据、灌溉区域的空气相对湿度、地表温度和植被覆盖指数以及典型区域农田实时监测数据,确定灌溉区域内待测作物的精量灌溉决策结果。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种作物精量灌溉决策方法,其特征在于,包括以下内容:
1)田间观测系统实时采集灌溉区域内每一监测点处待测作物的实时观测数据;
2)构建基于待测作物生长和产量预测的灌溉决策模型,具体过程为:
2.1)根据灌溉区域多年连续田间试验和区域调研数据,以及灌溉区域经济社会统计年鉴数据,建立灌溉区域内待测作物的干物质量与土壤积温变化定量关系、干物质量与冠层温度定量关系、干物质量与叶面积指数定量关系、最终产量与土壤积温变化定量关系和最终产量与冠层温度定量关系;
2.2)根据灌溉区域历年试验观测资料和农时播种信息,获取和确定待测作物的生育期土壤水分区间以及待测作物的生育期日序数和关键日期节点;
2.3)根据上述建立的关系、待测作物的生育期土壤水分区间以及待测作物的生育期日序数和关键日期节点,构建基于待测作物生育期内作物生长和产量预测的灌溉决策模型;
3)实时获取灌溉区域的天气预报信息以及灌溉区域内待测作物的生育期内日序数;
4)根据待测作物的实时观测数据、灌溉决策模型以及获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果,具体过程为:
4.1)根据天气预报信息,确定最近若干天是否有雨以及雨量的大小;
4.2)根据构建的灌溉决策模型和当前的生育期内日序数,判断灌溉区域内的待测作物是否需要灌溉,若最近若干天有雨且雨量大于预设的雨量阈值,则实时灌溉决策结果为不用灌溉;若最近若干天无雨或雨量不大于预设的雨量阈值,则采用水量平衡方程,计算灌溉量,并将计算的灌溉量作为实时灌溉决策结果;
5)根据灌溉区域的遥感图片,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;
6)采用基于关键联结参数的尺度扩展方法,根据实时灌溉决策结果、待测作物空间分布数据、灌溉区域的空气相对湿度、地表温度和植被覆盖指数以及典型区域农田实时监测数据,确定灌溉区域内待测作物的精量灌溉决策结果。
2.如权利要求1所述的一种作物精量灌溉决策方法,其特征在于,所述步骤1)的具体过程为:
1.1)根据灌溉区域的土壤类型分布、渠系运行方案、灌溉管理措施和待测作物空间分布信息,确定灌溉区域监测点的位置和数量;
1.2)在确定的每一监测点处均设置田间观测系统;
1.3)通过田间观测系统实时采集对应监测点处待测作物的多种参数;
1.4)通过数据采集云服务平台存储和管理上述实时采集的多种参数,得到灌溉区域内待测作物的实时观测数据。
3.如权利要求2所述的一种作物精量灌溉决策方法,其特征在于,所述田间观测系统包括农田墒情自动监测系统和农田多参数立体监测系统。
4.如权利要求2所述的一种作物精量灌溉决策方法,其特征在于,所述多种参数包括农田墒情和田间作物、气象。
5.如权利要求2所述的一种作物精量灌溉决策方法,其特征在于,所述待测作物的实时观测数据包括待测作物的田间气象、作物和土壤墒情。
6.如权利要求1所述的一种作物精量灌溉决策方法,其特征在于,所述步骤5)的具体过程为:
5.1)获取灌溉区域的基于MODIS和Landsat卫星的遥感图片或相应二级产品数据;
5.2)对获取的Landsat遥感图片进行预处理,得到预处理后的遥感图片;
5.3)对获取的MODIS数据或相应二级产品数据进行重投影,空间分辨率重采样到30m;
5.4)判断并确定MODIS数据或相应二级产品数据的空间分辨率是否满足预设的灌溉区域内待测作物的空间分布需求,若满足,则确定灌溉区域每日30m空间分辨率的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;若不满足,则采用数据融合方法,对预处理后的遥感图片和MODIS数据或相应二级产品数据进行融合,得到灌溉区域每日30m空间分辨率的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据。
7.如权利要求6所述的一种作物精量灌溉决策方法,其特征在于,所述步骤6)的具体过程为:
将每日30m空间分辨率灌溉区域的空气相对湿度、地表温度和植被覆盖指数与典型区域农田实时监测数据进行对比,结合灌溉区域的待测作物空间分布数据和植被覆盖指数,利用地表温度或空气相对湿度的尺度扩展性,进行灌溉区域精量灌溉决策结果的空间展布,进而确定灌溉区域内待测作物的精量灌溉决策结果。
8.一种作物精量灌溉决策系统,其特征在于,包括:
观测数据采集模块,用于通过田间观测系统实时采集灌溉区域内每一监测点处待测作物的实时观测数据;
灌溉决策模型构建模块,用于构建基于待测作物生长和产量预测的灌溉决策模型,具体过程为:
2.1)根据灌溉区域多年连续田间试验和区域调研数据,以及灌溉区域经济社会统计年鉴数据,建立灌溉区域内待测作物的干物质量与土壤积温变化定量关系、干物质量与冠层温度定量关系、干物质量与叶面积指数定量关系、最终产量与土壤积温变化定量关系和最终产量与冠层温度定量关系;
2.2)根据灌溉区域历年试验观测资料和农时播种信息,获取和确定待测作物的生育期土壤水分区间以及待测作物的生育期日序数和关键日期节点;
2.3)根据上述建立的关系、待测作物的生育期土壤水分区间以及待测作物的生育期日序数和关键日期节点,构建基于待测作物生育期内作物生长和产量预测的灌溉决策模型;
数据获取模块,用于实时获取灌溉区域的天气预报信息以及待测作物的生育期内日序参数;
实时灌溉决策结果确定模块,用于根据待测作物的实时观测数据、灌溉决策模型以及获取的天气预报信息和生育期内日序参数,确定灌溉区域内待测作物的实时灌溉决策结果,具体过程为:
4.1)根据天气预报信息,确定最近若干天是否有雨以及雨量的大小;
4.2)根据构建的灌溉决策模型和当前的生育期内日序数,判断灌溉区域内的待测作物是否需要灌溉,若最近若干天有雨且雨量大于预设的雨量阈值,则实时灌溉决策结果为不用灌溉;若最近若干天无雨或雨量不大于预设的雨量阈值,则采用水量平衡方程,计算灌溉量,并将计算的灌溉量作为实时灌溉决策结果;
反演融合模块,用于根据灌溉区域的遥感图片,得到灌溉区域的待测作物空间分布数据以及灌溉区域的空气相对湿度、地表温度和植被覆盖度数据;
精量灌溉决策结果确定和发布模块,用于采用基于关键联结参数的尺度扩展方法,根据实时灌溉决策结果、待测作物空间分布数据、灌溉区域的空气相对湿度、地表温度和植被覆盖指数以及典型区域农田实时监测数据,确定灌溉区域内待测作物的精量灌溉决策结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312393.2A CN109934515B (zh) | 2019-04-18 | 2019-04-18 | 一种作物精量灌溉决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312393.2A CN109934515B (zh) | 2019-04-18 | 2019-04-18 | 一种作物精量灌溉决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934515A CN109934515A (zh) | 2019-06-25 |
CN109934515B true CN109934515B (zh) | 2021-03-23 |
Family
ID=66990259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312393.2A Active CN109934515B (zh) | 2019-04-18 | 2019-04-18 | 一种作物精量灌溉决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934515B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738196A (zh) * | 2019-11-13 | 2020-01-31 | 云南农业大学 | 一种基于区域墒情监测和遥感数据的实时灌溉预报系统 |
CN111126662B (zh) * | 2019-11-25 | 2023-04-28 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
BR112022006989A2 (pt) * | 2019-12-09 | 2022-07-05 | Valmont Industries | Sistema, método e aparelho para integração de dados de equipamentos de campo, cultivo e irrigação para gestão de irrigação |
CN112270124B (zh) * | 2020-10-23 | 2023-12-01 | 河海大学 | 一种实时灌溉方法及系统 |
CN112602563B (zh) * | 2020-12-15 | 2021-08-24 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种节水灌溉系统及精准灌溉方法 |
CN113273477A (zh) * | 2021-04-19 | 2021-08-20 | 江苏农林职业技术学院 | 一种智能滴灌系统及方法 |
CN113748867B (zh) * | 2021-09-10 | 2022-04-26 | 中国水利水电科学研究院 | 一种农田表面温度监测数据精量甄别方法及系统 |
CN113994868B (zh) * | 2021-09-27 | 2023-07-28 | 上海易航海芯农业科技有限公司 | 一种基于植物生长周期的自动灌溉方法及系统 |
CN113962474A (zh) * | 2021-11-01 | 2022-01-21 | 广州极飞科技股份有限公司 | 用于预测植物株高的方法及处理器 |
CN115965866B (zh) * | 2022-12-28 | 2023-10-27 | 广州市嘉卉园林绿化建筑工程有限公司 | 一种立体绿化水肥遥感监测方法及系统 |
CN117016136A (zh) * | 2023-09-05 | 2023-11-10 | 中国水利水电科学研究院 | 一种基于作物模型的水肥施灌动态决策方法 |
CN116956200B (zh) * | 2023-09-19 | 2023-11-24 | 山东辉瑞管业有限公司 | 基于机器学习的灌溉管生产实时检测系统 |
CN117502199B (zh) * | 2024-01-04 | 2024-03-22 | 呼伦贝尔林业集团有限公司 | 一种草原生态恢复用灌溉系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102726273A (zh) * | 2012-06-15 | 2012-10-17 | 中农先飞(北京)农业工程技术有限公司 | 一种作物根区土壤水分监测与智能灌溉决策方法 |
CN104123444A (zh) * | 2014-07-10 | 2014-10-29 | 中国水利水电科学研究院 | 基于区域墒情监测和遥感数据的实时灌溉预报系统及方法 |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN109452146A (zh) * | 2018-11-21 | 2019-03-12 | 北京农业智能装备技术研究中心 | 冬小麦节水灌溉决策方法、控制装置及控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120036091A1 (en) * | 2006-06-12 | 2012-02-09 | Cook Kenneth W | System and method for automated, range-based irrigation |
-
2019
- 2019-04-18 CN CN201910312393.2A patent/CN109934515B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102726273A (zh) * | 2012-06-15 | 2012-10-17 | 中农先飞(北京)农业工程技术有限公司 | 一种作物根区土壤水分监测与智能灌溉决策方法 |
CN104123444A (zh) * | 2014-07-10 | 2014-10-29 | 中国水利水电科学研究院 | 基于区域墒情监测和遥感数据的实时灌溉预报系统及方法 |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
CN108446999A (zh) * | 2018-04-17 | 2018-08-24 | 中国水利水电科学研究院 | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 |
CN109452146A (zh) * | 2018-11-21 | 2019-03-12 | 北京农业智能装备技术研究中心 | 冬小麦节水灌溉决策方法、控制装置及控制系统 |
Non-Patent Citations (1)
Title |
---|
基于冠层温度和土壤墒情的实时监测与灌溉决策系统;蔡甲冰;《农业机械学报》;20151231;第46卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934515A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934515B (zh) | 一种作物精量灌溉决策方法及系统 | |
CN108760643B (zh) | 一种适宜于高海拔地区的干旱遥感监测方法 | |
CN108446999B (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
Diak et al. | Agricultural management decision aids driven by real-time satellite data | |
CN110942039A (zh) | 一种主要农作物高温灾害遥感监测预报系统及方法 | |
CN108304973A (zh) | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 | |
CN108982369B (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
US10143148B2 (en) | Methods and devices for assessing a field of plants for irrigation | |
CN110501761B (zh) | 一种不同预见期区域作物ETc预测预报方法 | |
Chirico et al. | Forecasting potential evapotranspiration by combining numerical weather predictions and visible and near-infrared satellite images: An application in southern Italy | |
CN110210688A (zh) | 基于作物需水与土壤供水的农业干旱灾害监测预报方法 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
Paraskevopoulos et al. | Integrating soil water monitoring technology and weather based crop modelling to provide improved decision support for sugarcane irrigation management | |
Cayuela et al. | An ICT-based decision support system for precision irrigation management in outdoor orange and greenhouse tomato crops | |
KR101336551B1 (ko) | 댐 건설 전후 기후 특성 변화 예측 시스템 및 그 방법 | |
CN113139347A (zh) | 一种林地旱灾风险预警方法 | |
Mittal et al. | IoT-based precision monitoring of horticultural crops—A case-study on cabbage and capsicum | |
Gayatri et al. | Evaluation of high-resolution WRF model forecasts and their use for cloud seeding decisions | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
Łabędzki et al. | Indicator-based monitoring and forecasting water deficit and surplus in agriculture in Poland | |
Memduhoğlu | Identifying impervious surfaces for rainwater harvesting feasibility using unmanned aerial vehicle imagery and machine learning classification | |
Skocir et al. | Analysis of Open Access Data Sources for Application in Precision Agriculture | |
Padhee et al. | Integrating effective drought index (EDI) and remote sensing derived parameters for agricultural drought assessment and prediction in Bundelkhand region of India | |
Ueyama | Classification of recent studies by method type for surface air temperature map development and estimation of daily temperature using a radiative cooling scale |
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 |