CN110134673A - 一种基于轨迹数据的放牧强度估算方法 - Google Patents
一种基于轨迹数据的放牧强度估算方法 Download PDFInfo
- Publication number
- CN110134673A CN110134673A CN201910326364.1A CN201910326364A CN110134673A CN 110134673 A CN110134673 A CN 110134673A CN 201910326364 A CN201910326364 A CN 201910326364A CN 110134673 A CN110134673 A CN 110134673A
- Authority
- CN
- China
- Prior art keywords
- cluster
- data
- grazing
- track
- grazing intensity
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
一种基于轨迹数据的放牧强度估算方法,其特征在于,其包括以下步骤:S1:数据的获取与处理,所述数据的处理包括清洗和预处理,所述数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗(去重、去异常值)、非需求数据清洗,所述数据预处理首先据当地牧民每天放牧时间约为07:00~19:00,据此剔除非放牧轨迹数据,其次采用特征区域轨迹划分算法剔除定位时由于轨迹漂移所带来的定位误差;S2:放牧强度估算,所述放牧强度估算是将清洗和预处理后的放牧轨迹数据进行基础聚类,对于得到的k个簇,分别计算其实际面积并统计簇内轨迹数据点个数(折合为羊只数),通过簇面积与该簇内羊只数之比得到放牧强度,步骤如下:S3:放牧强度真实性检验。
Description
技术领域
本发明具体涉及一种基于轨迹数据的放牧强度估算方法。
背景技术
过度放牧导致的草地资源严重退化已经成为畜牧业经济发展和草地生态平衡的主要障碍。不同放牧强度对土壤性状,群落特征结构和生物量,以及物种多样性和生产力都存在不同程度的影响,且有关放牧强度的研究主要集中于此。因此,估算草场实际放牧强度指导牧民合理放牧对于草畜平衡有着重要的意义。
随着畜牧业现代化、信息化的发展,一方面,由于遥感技术具有覆盖面积大、重访周期短、获取成本相对低等优势,遥感数据被广泛用于放牧强度估算,如王梦佳等根据地上生物量实际变化值和牧草生长量定量估算呼伦贝尔草原放牧强度。张艳楠建立了生物量差值与放牧强度之间的回归分析模型,从而估算放牧强度。以上研究侧重于大时空尺度估算放牧强度。
另一方面,牧民放牧过程中借助于定位系统产生大量轨迹数据蕴含丰富的信息,有关放牧时空轨迹数据挖掘的研究已经成为国内外研究的热点。如基于GPS定位数据建立放牧行为(觅食、休息等)识别模型和放牧行为与非放牧行为分类模型,对牲畜行为进行区分,并且有较高的分类准确度。Parsons等利用GPS记录了野生动物与家畜的轨迹数据,通过分析轨迹数据确定野生动物与家畜的病毒交叉传播热点区域。而基于轨迹数据估算放牧强度的文献较少。
发明内容
基于上述原因,本申请利用放牧时空轨迹数据,并结合聚类分析,提出分布型放牧强度估算方法。最后,以苏尼特左旗某二牧区为例估算放牧强度,并对对放牧强度估算结果抽样通过实地勘测方式进行验证,证明了本申请方法的有效性。
本申请的目的是针对现有技术存在的问题,提供一种基于轨迹数据的放牧强度估算方法。
本申请的目的是通过以下技术方案解决的:
一种基于轨迹数据的放牧强度估算方法,其包括以下步骤:S1:数据的获取与处理,所述数据的处理包括清洗和预处理,所述数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗(去重、去异常值)、非需求数据清洗,所述数据预处理首先据当地牧民每天放牧时间约为07:00~19:00,据此剔除非放牧轨迹数据,其次采用特征区域轨迹划分算法剔除定位时由于轨迹漂移所带来的定位误差;
S2:放牧强度估算,所述放牧强度估算是将清洗和预处理后的放牧轨迹数据进行基础聚类,对于得到的k个簇,分别计算其实际面积并统计簇内轨迹数据点个数(折合为羊只数),通过簇面积与该簇内羊只数之比得到放牧强度,步骤如下:
S21.对清洗和预处理后的放牧轨迹数据经纬度坐标使用k-means算法进行基础聚类,得到k个簇;
S22.计算每个簇内所有对象到簇中心的距离均值,以此作为簇半径,再通过圆面积公式估算簇面积;
S23.统计每个簇所包含对象个数乘以头羊带领羊群羊只数并折合为等价羊只数,簇放牧强度的计算式为:簇放牧强度=簇内等价羊只数/簇面积;
S3:放牧强度真实性检验。
进一步的,一种基于轨迹数据的放牧强度估算方法,所述数据获取于苏尼特左旗某二牧区2018年5月到7月约1万条羊群轨迹数据记录,由牲畜放牧过程中头羊所佩戴定位项圈按照固定间隔时间(约10min左右)产生的连续定位数据,其中包括定位项圈编号、经纬度、采集时间、定位状态和养殖户。
进一步的,一种基于轨迹数据的放牧强度估算方法,所述定位项圈采用定时脱落功能。
进一步的,一种基于轨迹数据的放牧强度估算方法,S21中,所述k-means聚类算法步骤如下:
S211首先从数据集任意选择k个对象作为初始簇中心;
S212对剩余的每个对象,计算其与各簇中心的距离(欧式距离),将它指派到最近的簇;
S213重新计算每个簇的均值,做为更新后的簇中心;
S214循环2、3步,直到k个簇的簇中心不再发生变化或小于指定阈值。
进一步的,一种基于轨迹数据的放牧强度估算方法,步骤S22中,所述距离采用球面距离公式:
d=r﹒arcos[cosβ1cosβ2cos(a1-a2]+sinβ1sinβ2],式中,(α1,β1)、(α2,β2)分别为位置A、B经纬度,r为地球半径,取6371km。
本申请相比现有技术有如下优点:
本申请利用放牧时空轨迹数据,并结合聚类分析,提出分布型放牧强度估算方法。最后,以苏尼特左旗某二牧区为例估算放牧强度,并对对放牧强度估算结果抽样通过实地勘测方式进行验证,证明了本申请方法的有效性。
附图说明
附图1为苏尼特左旗各嘎查载畜率;
附图2为A、B草场轨迹数据聚类结果;
附图3为A、B草场放牧强度空间分布;
附图4为放牧强度结果验证。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更加全面的描述,附图中给出了本发明的若干实施例,但是本发明可以通过不同的形式来实现,并不限于文本所描述的实施例,相反的,提供这些实施例是为了使对本发明公开的内容更加透彻全面。
需要说明的时,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上也可以存在居中的元件,当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件,本申请所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本申请所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常连接的含义相同,本申请中在本发明的说明书中所使用的术语知识为了描述具体的实施例的目的,不是旨在于限制本发明,本申请所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1至图4所示,一种基于轨迹数据的放牧强度估算方法,其包括以下步骤:S1:数据的获取与处理,所述数据的处理包括清洗和预处理,所述数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗(去重、去异常值)、非需求数据清洗,所述数据预处理首先据当地牧民每天放牧时间约为07:00~19:00,据此剔除非放牧轨迹数据,其次采用特征区域轨迹划分算法剔除定位时由于轨迹漂移所带来的定位误差;
S2:放牧强度估算,所述放牧强度估算是将清洗和预处理后的放牧轨迹数据进行基础聚类,对于得到的k个簇,分别计算其实际面积并统计簇内轨迹数据点个数(折合为羊只数),通过簇面积与该簇内羊只数之比得到放牧强度,步骤如下:
S21.对清洗和预处理后的放牧轨迹数据经纬度坐标使用k-means算法进行基础聚类,得到k个簇;
S22.计算每个簇内所有对象到簇中心的距离均值,以此作为簇半径,再通过圆面积公式估算簇面积;
S23.统计每个簇所包含对象个数乘以头羊带领羊群羊只数并折合为等价羊只数,簇放牧强度的计算式为:簇放牧强度=簇内等价羊只数/簇面积;
S3:放牧强度真实性检验。
进一步的,一种基于轨迹数据的放牧强度估算方法,所述数据获取于苏尼特左旗某二牧区2018年5月到7月约1万条羊群轨迹数据记录,由牲畜放牧过程中头羊所佩戴定位项圈按照固定间隔时间(约10min左右)产生的连续定位数据,其中包括定位项圈编号、经纬度、采集时间、定位状态和养殖户。
进一步的,一种基于轨迹数据的放牧强度估算方法,所述定位项圈采用定时脱落功能。
进一步的,一种基于轨迹数据的放牧强度估算方法,S21中,所述k-means聚类算法步骤如下:
S211首先从数据集任意选择k个对象作为初始簇中心;
S212对剩余的每个对象,计算其与各簇中心的距离(欧式距离),将它指派到最近的簇;
S213重新计算每个簇的均值,做为更新后的簇中心;
S214循环2、3步,直到k个簇的簇中心不再发生变化或小于指定阈值。
进一步的,一种基于轨迹数据的放牧强度估算方法,步骤S22中,所述距离采用球面距离公式:
d=r﹒arcos[cosβ1cosβ2cos(a1-a2]+sinβ1sinβ2],式中,(α1,β1)、(α2,β2)分别为位置A、B经纬度,r为地球半径,取6371km。
本申请相比现有技术有如下优点:
本申请利用放牧时空轨迹数据,并结合聚类分析,提出分布型放牧强度估算方法。最后,以苏尼特左旗某二牧区为例估算放牧强度,并对对放牧强度估算结果抽样通过实地勘测方式进行验证,证明了本申请方法的有效性。
实施例二
如图1至图4所示,本实施将具体阐述本申请的具体原理以及实验数据论证,本申请的试验区概况,试验区位于锡林郭勒大草原西北部的苏尼特左旗满都拉图镇萨如拉塔拉嘎查和巴彦淖尔镇呼和淖尔嘎查,编号A、B。地理坐标N 43°47′~43°19′,E 113°34′~113°37′、N 43°20′~43°28′,E 114°20′~14°23′。该研究区属于干旱大陆性气候,年均气温3.1℃。年降水量150~200mm,降水主要集中在6-9月,年日照时数大于3000h,年无霜期约140d。
植被类型以荒漠草原和干草原植被为主。其优势植物是碱葱(Alliumpolyrhizum)、蒙古韭(Allium mongolicum)、冰草(Agropyron cristatum)、狭叶锦鸡儿(Caraganastenophylla)、小叶锦鸡儿(Caragana microphylla)。
本申请的数据来源与处理,实验数据来源于苏尼特左旗某二牧区2018年5月到7月约1万条羊群轨迹数据记录,由牲畜放牧过程中头羊所佩戴定位项圈按照固定间隔时间(约10min左右)产生的连续定位数据,其中包括定位项圈编号、经纬度、采集时间、定位状态和养殖户等。
为提高轨迹数据质量,使其更加有效的应用于放牧强度研究,需要对原始轨迹数据进行清洗和预处理。数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗(去重、去异常值)、非需求数据清洗[15]。数据预处理首先据当地牧民每天放牧时间约为07:00~19:00,据此剔除非放牧轨迹数据。其次采用特征区域轨迹划分算法剔除定位时由于轨迹漂移所带来的定位误差等。该算法基本思想是对于轨迹点按时间排序,计算相邻轨迹点速度,保留速度小于速度阈值(速度阈值Δv=0.3m/s)轨迹数据。经清洗和预处理,轨迹数据包括定位项圈编号、经纬度、采集时间,共约9千条。
根据苏尼特左旗各嘎查理论载畜量,与对应嘎查面积之比得出载畜率。
聚类分析是基于某种相似性度量原则将数据对象集合划分为若干个不同的簇(组)的过程,使得簇内对象相似性和簇间对象相异性最大化。k-means聚类算法描述如下:
1.首先从数据集任意选择k个对象作为初始簇中心;
2.对剩余的每个对象,计算其与各簇中心的距离(欧式距离),将它指派到最近的簇;
3.重新计算每个簇的均值,做为更新后的簇中心;
4.循环2、3步,直到k个簇的簇中心不再发生变化或小于指定阈值。
放牧强度估算方法,该方法基本思想是将清洗和预处理后的放牧轨迹数据进行基础聚类,对于得到的k个簇,分别计算其实际面积并统计簇内轨迹数据点个数(折合为羊只数),通过簇面积与该簇内羊只数之比得到放牧强度。具体步骤如下:
1.对清洗和预处理后的放牧轨迹数据经纬度坐标使用k-means算法进行基础聚类,得到k个簇;
2.计算每个簇内所有对象到簇中心的距离均值,以此作为簇半径,再通过圆面积公式估算簇面积;
簇内对象到簇中心距离d采用球面距离公式:
d=r﹒arcos[cosβ1cosβ2cos(a1-a2]+sinβ1sinβ2],式中,(α1,β1)、(α2,β2)分别为位置A、B经纬度,r为地球半径,取6371km。
3.统计每个簇所包含对象个数乘以该头羊带领羊群羊只数并折合为等价羊只数,簇放牧强度为:
簇放牧强度=簇内等价羊只数/簇面积,根据当地牧民反馈,头羊带领羊群约300只。据定位项圈产生定位数据时间间隔和放牧时长,每只羊每天大约产生72条轨迹数据记录,因此簇内每72个轨迹数据折合为一只羊。
苏尼特左旗载畜率范围为0.17~0.45head·hm-2,不同嘎查存在一定差异(图1示出)。草场A,B所在嘎查载畜率分别为0.31head·hm-2、0.38head·hm-2。
根据分布型放牧强度估算方法步骤1(取k=1)和步骤2,得到草场A、B面积,见表1。
表1草场面积估算结果
草场A、B面积分别为800hm2,540hm2。
为了满足每个簇面积大致分布在10hm2左右,草场A、B分别取k=80、k=54进行基础聚类。该聚类算法基本上能够从空间上将相近的轨迹划分到不同簇中(图2),其中图2不同颜色表示不同的簇。
通过分布型放牧强度估算方法步骤2、3估算两草场放牧强度,见表2。
表2放牧强度统计
注:0.31(0.38)head·hm-2为草场A、B载畜率。
结果表明,两草场均放牧强度在0.6~1.2head·hm-2簇最多,1.2~1.8head·hm-2次之。A草场放牧强度范围主要为0.6~3.0head·hm-2,占比为86%,B草场放牧强度范围为0.6~2.4head·hm-2,占比为91%。草场A、B过牧率分别为100%,98%。
为了更加直观展示放牧强度空间分布并易于区分不同区域过牧程度,本申请结合苏尼特左旗地图得到草场A,B放牧强度空间分布热力图。可以看出,同一草场放牧强度存在较大差异,并对于过牧程度有明显区分。草场A、B放牧强度在2.4~3.0head·hm-2范围的区域个数分别为9、4。草场A放牧强度大于3.0head·hm-2簇6个,草场B共54个簇放牧强度均小于3.0head·hm-2(图3)。
在放牧强度真实性检验的方面,为验证本申请方法的合理性及研究结果的正确性,对计算结果抽样进行实地勘测,本次实验分别选取A,B草场放牧强度在0~1.0head·hm-2、1.0~2.0head·hm-2和2.0~3.0head·hm-2范围内位置坐标,依次为A1、A2、A3和B1、B2、B3。结果表明,放牧强度大的区域牧草长势差,两者呈负相关(图4),图4中A1为A操场放牧强度0~1.0head·hm-2结果实地勘测,A2为A操场放牧强度1.0~2.0head·hm-2结果实地勘测,A3为A操场放牧强度0~1.0head·hm-2结果实地勘测,B1为B操场放牧强度2.0~3.0head·hm-2结果实地勘测,B2为B操场放牧强度1.0~2.0head·hm-2结果实地勘测,B3为B操场放牧强度2.0~3.0head·hm-2结果实地勘测;
聚类分析是本申请提出的分布型放牧强度估算方法关键部分。在聚类分析时,k的取值对聚类结果有较大影响,合理选择k值至关重要。本申请为了保证每个簇面积尽可能均匀分布在10hm2左右,首先根据分布型放牧强度估算方法步骤1(取k=1)估算整个草场面积s,然后取k=s/10。结果可以看出,聚类效果较好,各个簇基本均匀,但草场A聚类结果有一明显异常点(图2),由数据清洗和预处理不彻底导致。
放牧强度由簇面积和簇内轨迹数据总数共同决定,因此簇面积估算误差和羊只数折合误差均影响放牧强度估算结果。随着时间的积累,轨迹数据不断增多,轨迹密度逐渐加大,可以更加准确的估算草场实际面积。羊只数折合相对稳定,由于定位项圈按固定时间间隔不断向终端传输定位数据,每天回传数据量几乎是一定的。该分布型放牧强度估算方法在时空尺度上有很好的伸缩性和灵活性,可以通过对不同时间段轨迹数据的选择进行聚类分析并估算放牧强度,从而得出不同时间段牲畜在草场的具体分布情况。也可以通过k的取值控制簇面积大致分布在某个值左右,得到同一时间段不同区域的牲畜分布情况。
本申请通过对估算结果抽样进行实地勘测,验证了该方法的正确性和合理性。该验证方法定性的表明放牧强度与牧草长势呈负相关。
为保证草畜平衡,需要监测草场放牧情况,并结合载畜率指导牧民合理放牧。本申请以苏尼特左旗某二牧区为例,利用提出的分布型放牧强度估算方法,研究了放牧强度。主要结论如下:
(1)苏尼特左旗A、B草场放牧强度范围大致为0.6~3.0head·hm-2、0.6~2.4head·hm-2,均属于过度放牧;
(2)放牧强度与牧草长势呈负相关。
以上实施例仅为说明本申请的技术思想,不能以此限定本申请的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内;本申请未涉及的技术均可通过现有技术加以实现。
Claims (5)
1.一种基于轨迹数据的放牧强度估算方法,其特征在于,其包括以下步骤:S1:数据的获取与处理,所述数据的处理包括清洗和预处理,所述数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗(去重、去异常值)、非需求数据清洗,所述数据预处理首先据当地牧民每天放牧时间约为07:00~19:00,据此剔除非放牧轨迹数据,其次采用特征区域轨迹划分算法剔除定位时由于轨迹漂移所带来的定位误差;
S2:放牧强度估算,所述放牧强度估算是将清洗和预处理后的放牧轨迹数据进行基础聚类,对于得到的k个簇,分别计算其实际面积并统计簇内轨迹数据点个数(折合为羊只数),通过簇面积与该簇内羊只数之比得到放牧强度,步骤如下:
S21.对清洗和预处理后的放牧轨迹数据经纬度坐标使用k-means算法进行基础聚类,得到k个簇;
S22.计算每个簇内所有对象到簇中心的距离均值,以此作为簇半径,再通过圆面积公式估算簇面积;
S23.统计每个簇所包含对象个数乘以头羊带领羊群羊只数并折合为等价羊只数,簇放牧强度的计算式为:簇放牧强度=簇内等价羊只数/簇面积;
S3:放牧强度真实性检验。
2.根据权利要求1所述的基于轨迹数据的放牧强度估算方法,其特征在于:所述数据获取于苏尼特左旗某二牧区2018年5月到7月约1万条羊群轨迹数据记录,由牲畜放牧过程中头羊所佩戴定位项圈按照固定间隔时间(约10min左右)产生的连续定位数据,其中包括定位项圈编号、经纬度、采集时间、定位状态和养殖户。
3.根据权利要求2所述的基于轨迹数据的放牧强度估算方法,其特征在于:所述定位项圈采用定时脱落功能。
4.根据权利要求1所述的基于轨迹数据的放牧强度估算方法,其特征在于:S21中,所述k-means聚类算法步骤如下:
S211首先从数据集任意选择k个对象作为初始簇中心;
S212对剩余的每个对象,计算其与各簇中心的距离(欧式距离),将它指派到最近的簇;
S213重新计算每个簇的均值,做为更新后的簇中心;
S214循环2、3步,直到k个簇的簇中心不再发生变化或小于指定阈值。
5.根据权利要求1所述的基于轨迹数据的放牧强度估算方法,其特征在于:步骤S22中,所述距离采用球面距离公式:d=r﹒arcos[cosβ1cosβ2cos(a1-a2]+sinβ1sinβ2],式中,(α1,β1)、(α2,β2)分别为位置A、B经纬度,r为地球半径,取6371km。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910326364.1A CN110134673A (zh) | 2019-04-23 | 2019-04-23 | 一种基于轨迹数据的放牧强度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910326364.1A CN110134673A (zh) | 2019-04-23 | 2019-04-23 | 一种基于轨迹数据的放牧强度估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110134673A true CN110134673A (zh) | 2019-08-16 |
Family
ID=67570690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910326364.1A Pending CN110134673A (zh) | 2019-04-23 | 2019-04-23 | 一种基于轨迹数据的放牧强度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134673A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN111626893A (zh) * | 2020-05-29 | 2020-09-04 | 南通大学 | 一种家畜自由放牧状态下畜群放牧强度的测定方法 |
CN112070791A (zh) * | 2020-09-21 | 2020-12-11 | 深圳喜为智慧科技有限公司 | 一种提升畜牧个体点数精度和效率的方法和系统 |
CN113222451A (zh) * | 2021-05-28 | 2021-08-06 | 中国农业科学院草原研究所 | 一种基于北斗导航的牧场家畜采食喜好区域评估方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150294155A1 (en) * | 2014-04-15 | 2015-10-15 | Open Range Consulting | System and method for assessing rangeland |
CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
CN109029370A (zh) * | 2018-06-09 | 2018-12-18 | 太原理工大学 | 一种量化区域草地放牧强度的遥感方法 |
CN109376810A (zh) * | 2018-08-29 | 2019-02-22 | 内蒙古智牧溯源技术开发有限公司 | 基于聚类分析的牲畜分期过牧预警方法 |
-
2019
- 2019-04-23 CN CN201910326364.1A patent/CN110134673A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150294155A1 (en) * | 2014-04-15 | 2015-10-15 | Open Range Consulting | System and method for assessing rangeland |
CN108170926A (zh) * | 2017-12-12 | 2018-06-15 | 伊犁师范学院 | 一种河谷草地退化情况的信息数据采集及分析方法 |
CN109029370A (zh) * | 2018-06-09 | 2018-12-18 | 太原理工大学 | 一种量化区域草地放牧强度的遥感方法 |
CN109376810A (zh) * | 2018-08-29 | 2019-02-22 | 内蒙古智牧溯源技术开发有限公司 | 基于聚类分析的牲畜分期过牧预警方法 |
Non-Patent Citations (1)
Title |
---|
王梦佳等: "基于遥感数据的呼伦贝尔草原放牧强度研究", 《草业学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN111626893A (zh) * | 2020-05-29 | 2020-09-04 | 南通大学 | 一种家畜自由放牧状态下畜群放牧强度的测定方法 |
CN112070791A (zh) * | 2020-09-21 | 2020-12-11 | 深圳喜为智慧科技有限公司 | 一种提升畜牧个体点数精度和效率的方法和系统 |
CN113222451A (zh) * | 2021-05-28 | 2021-08-06 | 中国农业科学院草原研究所 | 一种基于北斗导航的牧场家畜采食喜好区域评估方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134673A (zh) | 一种基于轨迹数据的放牧强度估算方法 | |
Schwager et al. | Robust classification of animal tracking data | |
Batz et al. | The influence of technology characteristics on the rate and speed of adoption | |
Probo et al. | Implementation of a rotational grazing system with large paddocks changes the distribution of grazing cattle in the south-western Italian Alps | |
CN106461807A (zh) | 生成农业处方 | |
López et al. | Typology, classification and characterization of farms for agricultural production planning | |
CN105091938A (zh) | 畜禽健康状况监测方法及系统 | |
East et al. | Assessing the delay to detection and the size of the outbreak at the time of detection of incursions of foot and mouth disease in Australia | |
Barbari et al. | The use of global positioning and geographical information systems in the management of extensive cattle grazing | |
Ward et al. | Summer-active perennials in pasture systems improve seasonal pasture distribution without compromising winter-spring production | |
Karami et al. | Effects of seasonal grazing and annual mowing on floristic composition and plant diversity in the Saral rangeland, Kurdistan, Iran | |
Coulson | Use of heterogeneous habitat by the western grey kangaroo, Macropus fuliginosus | |
Koenen et al. | Using distance sampling to estimate seasonal densities of desert mule deer in a semidesert grassland | |
Oladipo et al. | Empirical determination of socio-economic status and its relationship with selected characteristics of rural male farmers in Kwara State, Nigeria | |
Godsk et al. | High classification rates for continuous cow activity recognition using low-cost GPS positioning sensors and standard machine learning techniques | |
Ruiz et al. | Assessing the opportunity for site‐specific management of Avena sterilis in winter barley fields in Spain | |
López et al. | Selective defoliation by sheep according to slope and plant species in the hill country of New Zealand | |
Botero et al. | Assessing farmers’ vulnerability to climate change: a case study in Karnataka, India | |
Joshi | Counting women’s work in the agricultural census of Nepal: A report | |
CN110134741A (zh) | 一种基于轨迹数据的放牧强度估算方法 | |
Takeshima et al. | The role of plant-breeding R&D in tractor adoptions among smallholders in Asia: Insights from Nepal Terai | |
Downey et al. | Weeds accurately mapped using DGPS and ground-based vision identification | |
Ryschawy et al. | Integrated Crop‐Livestock Management Effects on Soil Quality Dynamics in a Semiarid Region: A Typology of Soil Change Over Time | |
Stutz et al. | Legume options for summer-active pastures in a temperate rainfall environment of south-eastern Australia | |
Jaishi et al. | Developing tools for measuring perception on climate change and its impact on insect-pests of major staple food crops |
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: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |