CN110036735B - 一种玉米中耕实时变量施肥的智能控制方法及装置 - Google Patents
一种玉米中耕实时变量施肥的智能控制方法及装置 Download PDFInfo
- Publication number
- CN110036735B CN110036735B CN201910269378.4A CN201910269378A CN110036735B CN 110036735 B CN110036735 B CN 110036735B CN 201910269378 A CN201910269378 A CN 201910269378A CN 110036735 B CN110036735 B CN 110036735B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- spectral data
- corn
- real
- correction
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C15/00—Fertiliser distributors
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/005—Following a specific plan, e.g. pattern
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Fertilizing (AREA)
Abstract
本发明属于农业生产设备技术领域,具体涉及一种玉米中耕实时变量施肥的智能控制方法及装置,智能控制方法根据实时采集的玉米冠层NDVI光谱数据,通过学习功能的智能算法,实时修正NDVI光谱数据的均值,不断调整优化基于中耕玉米长势的变量施肥模型。1、求得修正前的均值;2、根据修正前的均值Y(n)求修正系数a;3、根据修正系数对均值进行修正,修正后计算施肥量;4、当前的NDVI光谱数据与实时均值运算得出偏差,确定当前检测的玉米植株长势与总体长势差异性。该智能控制方法解决了处方图变量施肥方式实时性差、操作繁琐、费时费力等问题。解决了实时控制变量施肥方式智能化程度低、工作量较大,操作繁琐,技术要求高等问题。
Description
技术领域
本发明属于农业生产设备技术领域,具体涉及一种玉米中耕实时变量施肥的智能控制方法及装置。
背景技术
农田地块土壤养分(包含氮含量)分布是不均匀的,有差异性的,如果按平均施肥量进行均匀施肥,会造成农田地块氮含量分布不均,氮含量丰富的区域玉米长势较好;而氮含量不足的区域,得不到足够氮肥供给,影响玉米生长,由此衍生出了精准变量施肥技术。
精准农业变量施肥技术是依托现代先进的科学技术装备,在充分掌握田间土壤、作物以及环境信息的前提下,实现小区域按量按需进行精准变量施肥,氮含量丰富的区域少施肥;而氮含量不足的区域,相应多施肥,满足作物对养分需求,提高肥料利用率,增加粮食产量,减少肥料浪费,增加收入,保护生态环境。
目前变量施肥技术的方式有两种:处方图控制变量施肥和实时控制变量施肥。
处方图变量施肥,一般要建立在大规模作物长势采样调查的基础上,在经过复杂而繁琐的采集田间作物的空间分布信息、施肥决策、建立处方图等过程,然后根据施肥处方图进行变量变量施肥。该方法必须先制作出处方图,才能进行变量施肥。所以,处方图变量施肥方式存在操作过程繁琐、技术要求高、费时费力、实时性差、很难由农户独自操作完成等缺点。
发明内容
本发明的目的是提供一种玉米中耕实时变量施肥的智能控制方法及装置。实时变量施肥的智能控制方法欲解决处方图变量施肥方式实时性差、操作繁琐、费时费力等问题。解决了实时控制变量施肥方式智能化程度低、工作量较大,操作繁琐,技术要求高等问题。解决了根据玉米冠层NDVI光谱数据,不断修正变量施肥模型,智能控制方法问题。
基于智能控制算法的实时变量施肥,根据车载光谱传感器实时获取玉米冠层NDVI光谱数据,通过智能控制算法,不断修正变量施肥模型(玉米长势与施肥量关系,此关系是变化的),实时变量控制施肥量,保证在总施肥量不变的情况下完成智能变量施肥。该实时变量施肥方式不需要作业前获取整个地块的NDVI光谱数据,工作量较小,技术要求较低,且实时性强,智能化程度高,操作简便。
本发明采用的技术方案为:一种玉米中耕实时变量施肥的智能控制方法,所述智能控制方法根据实时采集的玉米冠层NDVI光谱数据,通过学习功能的智能算法,实时修正NDVI光谱数据的均值,不断调整优化基于中耕玉米长势的变量施肥模型,包括以下步骤:
第一步,求得修正前的均值,其计算公式如下所示:
第三步,根据修正系数对均值进行修正,修正后计算施肥量,其计算公式如下所示:
第四步,当前的NDVI光谱数据与实时均值运算得出偏差,确定当前检测的玉米植株长势与总体长势差异性,其计算公式为
根据实时变化的NDVI光谱数据与亩施肥量的差值,实时确定当前玉米冠层NDVI光谱数据下的施肥量;
当前玉米冠层NDVI光谱数据所对应的施肥量的取值关键在于的确定, NDVI光谱数据能够反映玉米长势情况,进而反映出玉米作物的需肥量, NDVI光谱数据的变化量与NDVI算术平均值的比值和作物施肥量的变化量与每亩耕地施肥量的比值是相等的,通过以上关系求得的值;基于NDVI光谱数据的变量施肥智能控制计算公式为:
又
进一步地,一种实施玉米中耕实时变量施肥的智能控制方法的装置,所述装置包括NDVI光谱传感器、拖拉机、车载智能终端、GPS接收机、控制器和施肥机;所述NDVI光谱传感器安装在拖拉机的前端悬挂梁上,所述车载智能终端和控制器安装在拖拉机的驾驶室内,所述GPS接收机安装在拖拉机的顶部,所述施肥机安装于拖拉机尾部;所述NDVI光谱传感器和GPS接收机通过数据线与车载智能终端连接,车载智能终端通过数据线与控制器连接,控制器通过数据线与施肥机连接。
进一步地,采集NDVI光谱数据:大马力拖拉机悬挂玉米中耕施肥机在田间作业时,拖拉机前端悬挂NDVI光谱传感器, NDVI光谱传感器采集玉米冠层的归一化植被指数,GPS接收机将采集的位置坐标数据上传至车载智能终端。采集数据上传:采集的玉米冠层NDVI光谱数据通过CNA总线上传到车载智能控制终端,为NDVI光谱数据的处理做准备。数据智能计算处理:通过车载智能控制终端对采集的玉米冠层NDVI光谱数据进行智能化处理,通过一种具有学习功能的智能算法对田间玉米冠层NDVI光谱数据进行智能在线实时均值计算处理,为变量施肥决策做准备。变量施肥决策:车载智能控制终端(车载计算机)计算NDVI光谱数据的变化量与NDVI算术平均值的比值与作物施肥量的变化量与每亩耕地施肥量的比值,根据比值相等的原则,建立实时变量施肥模型,进行变量施肥决策。变量施肥机完成施肥:车载智能控制终端向变量施肥机下达变量施肥指令,完成变量施肥工。
本发明的有益效果:实时控制变量施肥,在施肥机或拖拉机上安装光谱传感器,实时探测玉米冠层的归一化植被指数(Normalized Difference Vegetation Index,NDVI),根据实时监测的作物光谱信息调节控制施肥量,实现实时精准变量施肥。避免了处方图复杂繁琐的制作过程,可以直接根据作物长势参数(NDVI光谱数据)指导变量施肥。
实时控制变量施肥又分为两种:基于施肥模型的实时变量施肥和基于智能控制算法的实时变量施肥。
基于施肥模型的实时变量施肥,施肥作业前采集整个地块的中耕期玉米冠层NDVI光谱数据,建立适用当前地块作物的变量施肥模型(玉米长势与施肥量关系,此关系的不变的),并将此模型数据输入到控制系统中,在作业中,车载光谱传感器获取NDVI光谱数据,结合氮素施肥模型,确定当前施肥量,进行玉米实时变量施肥。该实时变量施肥方式需要作业前获取整个地块的NDVI光谱数据,工作量较大,操作繁琐,技术要求较高。
基于智能控制算法的实时变量施肥,根据车载光谱传感器实时获取玉米冠层NDVI光谱数据,通过智能控制算法,不断修正变量施肥模型(玉米长势与施肥量关系,此关系是变化的),实时变量控制施肥量,保证在总施肥量不变的情况下完成智能变量施肥。该实时变量施肥方式不需要作业前获取整个地块的NDVI光谱数据,工作量较小,技术要求较低,且实时性强,智能化程度高,操作简便。
附图说明:
图1是实施例三的结构示意图。
具体实施方式:
实施例一
一种玉米中耕实时变量施肥的智能控制方法,所述智能控制方法根据实时采集的玉米冠层NDVI光谱数据,通过学习功能的智能算法,实时修正NDVI光谱数据的均值,不断调整优化基于中耕玉米长势的变量施肥模型,包括以下步骤:
第一步,求得修正前的均值,其计算公式如下所示:
第三步,根据修正系数对均值进行修正,修正后计算施肥量,其计算公式如下所示:
第四步,当前的NDVI光谱数据与实时均值运算得出偏差,确定当前检测的玉米植株长势与总体长势差异性,其计算公式为
根据实时变化的NDVI光谱数据与亩施肥量的差值,实时确定当前玉米冠层NDVI光谱数据下的施肥量;
当前玉米冠层NDVI光谱数据所对应的施肥量的取值关键在于的确定, NDVI光谱数据能够反映玉米长势情况,进而反映出玉米作物的需肥量, NDVI光谱数据的变化量与NDVI算术平均值的比值和作物施肥量的变化量与每亩耕地施肥量的比值是相等的,通过以上关系求得的值;基于NDVI光谱数据的变量施肥智能控制计算公式为:
又
该智能控制方法在一定程度上使玉米中耕施肥机智能化,实现精准实时智能变量施肥,并且玉米中耕实时变量施肥智能控制方法可以适应不同地区、不同玉米品种实时智能变量施肥,操作过程简单、实时性强,具有一定的通用性,降低劳动强度,提高作业效率,提高肥料利用率,具有明显的经济社会环境效益。
实施例二
以30个NDVI数据为例,当第30个NDVI数据被检测后。
所以第30个检测的NDVI数据对应修正前均值为0.600166667。
所以,第30个NDVI数据(0.557)对应的施肥量为10.958044kg/hm2
数据表
序号 | 当前检测的NDVI数据(Xn) | 当前检测的NDVI数据-修正前的均值(Xn-Yn) | 修正前的均值Yn | 修正后的均值(Y'n) |
1 | 0.567 | 0 | 0.567 | 0.582850489 |
2 | 0.534 | -0.0165 | 0.5505 | 0.566350489 |
3 | 0.556 | 0.003666667 | 0.552333333 | 0.568183822 |
4 | 0.498 | -0.04075 | 0.53875 | 0.554600489 |
5 | 0.547 | 0.0066 | 0.5404 | 0.556250489 |
6 | 0.54 | -0.000333333 | 0.540333333 | 0.556183822 |
7 | 0.549 | 0.007428571 | 0.541571429 | 0.557421917 |
8 | 0.641 | 0.087 | 0.554 | 0.569850489 |
9 | 0.632 | 0.069333333 | 0.562666667 | 0.578517155 |
10 | 0.689 | 0.1137 | 0.5753 | 0.591150489 |
11 | 0.667 | 0.083363636 | 0.583636364 | 0.599486852 |
12 | 0.662 | 0.071833333 | 0.590166667 | 0.606017155 |
13 | 0.618 | 0.025692308 | 0.592307692 | 0.608158181 |
14 | 0.597 | 0.004357143 | 0.592642857 | 0.608493346 |
15 | 0.659 | 0.061933333 | 0.597066667 | 0.612917155 |
16 | 0.647 | 0.0468125 | 0.6001875 | 0.616037989 |
17 | 0.649 | 0.045941176 | 0.603058824 | 0.618909312 |
18 | 0.626 | 0.021666667 | 0.604333333 | 0.620183822 |
19 | 0.606 | 0.001578947 | 0.604421053 | 0.620271541 |
20 | 0.625 | 0.01955 | 0.60545 | 0.621300489 |
21 | 0.598 | -0.007095238 | 0.605095238 | 0.620945727 |
22 | 0.612 | 0.006590909 | 0.605409091 | 0.62125958 |
23 | 0.608 | 0.002478261 | 0.605521739 | 0.621372228 |
24 | 0.589 | -0.015833333 | 0.604833333 | 0.620683822 |
25 | 0.585 | -0.01904 | 0.60404 | 0.619890489 |
26 | 0.572 | -0.030807692 | 0.602807692 | 0.618658181 |
27 | 0.588 | -0.014259259 | 0.602259259 | 0.618109748 |
28 | 0.583 | -0.018571429 | 0.601571429 | 0.617421917 |
29 | 0.604 | 0.002344828 | 0.601655172 | 0.617505661 |
30 | 0.557 | -0.043166667 | 0.600166667 | 0.616017155 |
实施例三
参照图1,一种实施玉米中耕实时变量施肥的智能控制方法的装置,所述装置包括NDVI光谱传感器1、拖拉机2、车载智能终端3、GPS接收机4、控制器5和施肥机6;所述NDVI光谱传感器1安装在拖拉机2的前端悬挂梁上,所述车载智能终端3和控制器5安装在拖拉机2的驾驶室内,所述GPS接收机4安装在拖拉机2的顶部,所述施肥机6安装于拖拉机2尾部;所述NDVI光谱传感器1和GPS接收机4通过数据线与车载智能终端3连接,车载智能终端3通过数据线与控制器5连接,控制器5通过数据线与施肥机6连接。
NDVI光谱传感器选用美国天宝公司生产的Green Seeker 200型光谱传感器;车载智能终端选用成都阿普奇股份有限公司生产的P10CD-E5型车载工业级平板计算机,控制器选用北京市凯商新技术开发有限公司生产的C102-N型控制器;施肥机选用黑龙江省北安农垦三唐机械制造有限公司生产的3ZF6.6型玉米中耕施肥机;GPS接收机选用北京盛恒伟业有限公司生产的AgGNSS100型接收机;拖拉机为大马力拖拉机选用美国约翰迪尔公司生产的7830型拖拉机。
采集NDVI光谱数据:大马力拖拉机前端安装悬挂梁,悬挂梁上悬挂车载光谱传感器,光谱传感器采用两个发光二极管,分别发射红光(671±6nm)和近红外光(780±6nm),通过这两个波段计算出作物冠层的归一化植被指数,用于采集玉米冠层归一化指数NDVI光谱数据。采集数据上传:采集的玉米冠层NDVI光谱数据通过CNA总线上传到车载智能控制终端,通过智能控制,为NDVI光谱数据的智能处理做准备。数据智能计算处理:通过车载智能控制终端对采集的玉米冠层NDVI光谱数据进行智能化处理,通过一种具有学习功能的智能算法对田间玉米冠层NDVI光谱数据进行智能在线实时均值计算处理,为变量施肥决策做准备。变量施肥决策:变量施肥决策的核心是,车载智能控制终端计算NDVI光谱数据的变化量与NDVI算术平均值的比值与作物施肥量的变化量与每亩耕地施肥量的比值,根据比值相等的原则,建立实时变量施肥模型,进行变量施肥决策。变量施肥机完成施肥:智能变量施肥机由肥料箱、排肥轴、外槽轮式排肥器、排肥管、驱动装置以及车载智能控制终端(车载计算机)等组成。其工作原理为车载智能终端向变量施肥机控制系统发送排肥量控制指令(排肥器轴转速控制指令),实现变量施肥。同时转速反馈传感器实时监测排肥器轴的转速变化,并且不断调整,达到对排肥器轴转速的精确控制,最终达到变量施肥的目的。
Claims (2)
1.一种玉米中耕实时变量施肥的智能控制方法,其特征在于:所述智能控制方法根据实时采集的玉米冠层NDVI光谱数据,通过学习功能的智能算法,实时修正NDVI光谱数据的均值,不断调整优化基于中耕玉米长势的变量施肥模型,包括以下步骤:
第一步,求得修正前的均值,其计算公式如下所示:
第三步,根据修正系数对均值进行修正,修正后计算施肥量,其计算公式如下所示:
第四步,当前的NDVI光谱数据与实时均值运算得出偏差,确定当前检测的玉米植株长势与总体长势差异性,其计算公式为
根据实时变化的NDVI光谱数据与亩施肥量的差值,实时确定当前玉米冠层NDVI光谱数据下的施肥量;
当前玉米冠层NDVI光谱数据所对应的施肥量的取值关键在于的确定, NDVI光谱
数据能够反映玉米长势情况,进而反映出玉米作物的需肥量, NDVI光谱数据的变化量与
NDVI算术平均值的比值和作物施肥量的变化量与每亩耕地施肥量的比值是相等的,通过以
上关系求得的值;基于NDVI光谱数据的变量施肥智能控制计算公式为:
又
2.一种实施权利要求1的方法的装置,其特征在于:所述装置包括NDVI光谱传感器(1)、拖拉机(2)、车载智能终端(3)、GPS接收机(4)、控制器(5)和施肥机(6);所述NDVI光谱传感器(1)安装在拖拉机(2)的前端悬挂梁上,所述车载智能终端(3)和控制器(5)安装在拖拉机(2)的驾驶室内,所述GPS接收机(4)安装在拖拉机(2)的顶部,所述施肥机(6)安装于拖拉机(2)尾部;所述NDVI光谱传感器(1)和GPS接收机(4)通过数据线与车载智能终端(3)连接,车载智能终端(3)通过数据线与控制器(5)连接,控制器(5)通过数据线与施肥机(6)连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269378.4A CN110036735B (zh) | 2019-04-04 | 2019-04-04 | 一种玉米中耕实时变量施肥的智能控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269378.4A CN110036735B (zh) | 2019-04-04 | 2019-04-04 | 一种玉米中耕实时变量施肥的智能控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110036735A CN110036735A (zh) | 2019-07-23 |
CN110036735B true CN110036735B (zh) | 2021-02-23 |
Family
ID=67276118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269378.4A Active CN110036735B (zh) | 2019-04-04 | 2019-04-04 | 一种玉米中耕实时变量施肥的智能控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110036735B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7340258B2 (ja) * | 2020-04-27 | 2023-09-07 | 国立研究開発法人農業・食品産業技術総合研究機構 | 追肥量演算装置、追肥量演算方法および追肥量演算プログラム |
CN111896497B (zh) * | 2020-09-15 | 2022-04-08 | 四川长虹电器股份有限公司 | 一种基于预测值的光谱数据修正方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19604753C1 (de) * | 1995-12-13 | 1997-02-13 | Hoelzl Hans | Fahrzeug und Verfahren zur Ausbringung von Klärschlammfrischmasse oder anderen organischen Düngemitteln |
US8286857B2 (en) * | 2010-04-01 | 2012-10-16 | Tony W. Covely | Soil sample tracking system and method |
CN102841073A (zh) * | 2012-09-10 | 2012-12-26 | 浙江大学 | 一种基于背景消除的植物冠层信息光谱检测方法 |
CN104285574B (zh) * | 2014-09-02 | 2016-06-08 | 云南省农业科学院农业环境资源研究所 | 一种农田氮素投入阈值的计算方法 |
CN106359027B (zh) * | 2016-10-27 | 2022-04-01 | 中国农业科学院棉花研究所 | 一种农作物浇灌系统及其浇灌方法 |
-
2019
- 2019-04-04 CN CN201910269378.4A patent/CN110036735B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110036735A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制系统及其控制方法 | |
CN110692338A (zh) | 水肥一体化灌溉系统控制方法及水肥一体化灌溉系统 | |
CN112197819A (zh) | 一种基于生产基地的植物生长精准控制方法 | |
CN106842923B (zh) | 基于作物生理和能耗优化的温室环境多因子协调控制方法 | |
CN110036735B (zh) | 一种玉米中耕实时变量施肥的智能控制方法及装置 | |
CN105494033B (zh) | 一种基于作物需求的智能节水灌溉方法 | |
CN108919768A (zh) | 一种农业管理系统及方法 | |
CN116530286B (zh) | 用于生态高标农田下的水肥一体化灌溉管理系统及方法 | |
CN114158336A (zh) | 水肥一体优化控制系统及方法 | |
CN114740930B (zh) | 用于温室大棚智能管控平台系统及管控处理方法 | |
CN109644655B (zh) | 一种基于土壤肥力实时检测的精准施肥方法 | |
CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
CN113269374B (zh) | 基于优化光谱指数的玉米生长季氮肥施用方法 | |
CN112042353A (zh) | 一种适用于日光温室的水肥精准决策方法及系统 | |
CN107247442A (zh) | 一种施肥设备用的速度与肥量同步控制系统及其控制方法 | |
CN113155177A (zh) | 一种采集果园环境信息的方法 | |
CN103650730B (zh) | 一种根据作物投影面积和植株高度进行施肥的方法 | |
CN116755485A (zh) | 一种温室调控方法、装置、系统、设备和存储介质 | |
CN115088566A (zh) | 一种基于水稻栽培系统及其培育方法 | |
CN104145654A (zh) | 一种桑园套种固氮作物增产的栽培方法 | |
CN115053685A (zh) | 一种水生蔬菜种植用肥水管控系统 | |
CN103650732B (zh) | 一种根据作物茎秆直径进行营养生长期施肥的方法 | |
CN103650731B (zh) | 一种根据作物植株高度变化进行营养生长期施肥的方法 | |
CN112640756B (zh) | 河北地区兼顾机采棉株型塑造和产量的栽培方法 | |
CN114451118B (zh) | 一种基于无人机的水稻均匀施穗肥方法 |
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 |