CN110738196A - 一种基于区域墒情监测和遥感数据的实时灌溉预报系统 - Google Patents

一种基于区域墒情监测和遥感数据的实时灌溉预报系统 Download PDF

Info

Publication number
CN110738196A
CN110738196A CN201911104006.2A CN201911104006A CN110738196A CN 110738196 A CN110738196 A CN 110738196A CN 201911104006 A CN201911104006 A CN 201911104006A CN 110738196 A CN110738196 A CN 110738196A
Authority
CN
China
Prior art keywords
module
data
irrigation
soil moisture
moisture content
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
CN201911104006.2A
Other languages
English (en)
Inventor
张辅霞
王建雄
李建华
廖丽君
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.)
Yunnan Agricultural University
Original Assignee
Yunnan Agricultural University
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 Yunnan Agricultural University filed Critical Yunnan Agricultural University
Priority to CN201911104006.2A priority Critical patent/CN110738196A/zh
Publication of CN110738196A publication Critical patent/CN110738196A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/02—Watering arrangements located above the soil which make use of perforated pipe-lines or pipe-lines with dispensing fittings, e.g. for drip irrigation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Soil Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于灌溉预报技术领域，公开了一种基于区域墒情监测和遥感数据的实时灌溉预报系统，所述实时灌溉预报系统包括：灌区监测模块、作物图像采集模块、环境数据采集模块、中央控制模块、墒情预测模块、灌溉面积识别模块、灌溉预报模块、实际用水模块、洒水模块、水位深度测量模块、警报模块、无线通信模块、数据存储模块、数据管理模块、终端模块、供电模块、显示模块。本发明通过墒情预测模块能提高预测精度并能同时保证泛化能力，有利于大范围部署及扩展，并具有更好的可扩展性和可移植性；通过灌溉面积识别模块满足提取小地块灌溉信息的需求，提高灌溉面积监测结果的精度；可广泛适用于高空间分辨率的灌溉区域遥感识别提取。

Description

一种基于区域墒情监测和遥感数据的实时灌溉预报系统
技术领域
本发明属于灌溉预报技术领域，尤其涉及一种基于区域墒情监测和遥感数据的实时灌溉预报系统。
背景技术
灌溉为地补充作物所需水分的技术措施。为了保证作物正常生长，获取高产稳产，必须供给作物以充足的水分。在自然条件下，往往因降水量不足或分布的不均匀，不能满足作物对水分要求。因此，必须人为地进行灌溉，以补天然降雨之不足。灌溉，即用水浇地。灌溉原则是灌溉量、灌溉次数和时间要根据药用植物需水特性、生育阶段、气候、土壤条件而定，要适时、适量，合理灌溉。其种类主要有播种前灌水、催苗灌水、生长期灌水及冬季灌水等。然而，现有作物灌溉过程中作物根区墒情获取方法造价昂贵、工程量巨大，并导致灌溉决策方法都存在决策精度不足、误差较大的缺陷；同时，不能准确的识别灌溉面积。
综上所述，现有技术存在的问题是：现有作物灌溉过程中作物根区墒情获取方法造价昂贵、工程量巨大，并导致灌溉决策方法都存在决策精度不足、误差较大的缺陷；同时，不能准确的识别灌溉面积。
发明内容
针对现有技术存在的问题，本发明提供了一种基于区域墒情监测和遥感数据的实时灌溉预报系统。
本发明是这样实现的，一种基于区域墒情监测和遥感数据的实时灌溉预报系统包括：
灌区监测模块、作物图像采集模块、环境数据采集模块、中央控制模块、墒情预测模块、灌溉面积识别模块、灌溉预报模块、实际用水模块、洒水模块、水位深度测量模块、警报模块、无线通信模块、数据存储模块、数据管理模块、终端模块、供电模块、显示模块。
灌区监测模块，与中央控制模块连接，用于通过摄像机进行作物灌溉区的监测；
作物图像采集模块，与中央控制模块连接，用于通过遥感设备采集农作物图像；
环境数据采集模块，与中央控制模块连接，用于通过数据采集设备采集实时的环境数据信息；
中央控制模块，与灌区监测模块、作物图像采集模块、环境数据采集模块、墒情预测模块、灌溉面积识别模块、灌溉预报模块、实际用水模块、洒水模块、水位深度测量模块、警报模块、无线通信模块、数据存储模块、数据管理模块、终端模块、供电模块、显示模块连接，用于通过单片机控制各个模块正常工作；
墒情预测模块，与中央控制模块连接，用于通过墒情预测程序预测种植区域的作物根区墒情；
灌溉面积识别模块，与中央控制模块连接，用于通过灌溉面积识别程序识别作物灌溉面积；
灌溉预报模块，与中央控制模块连接，用于根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布；
实际用水模块，与中央控制模块连接，用于根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；
洒水模块，与中央控制模块连接，用于通过喷洒器对作物灌溉区域进行喷洒水；
水位深度测量模块，与中央控制模块连接，用于通过水位水汽湿度测量装置检测灌溉水位的深度；
警报模块，与中央控制模块连接，用于通过警报器根据采集异常数据进行及时警报；
无线通信模块，与中央控制模块连接，用于通过4G或WiFi通信方式实现无线信号传输；
数据存储模块，与中央控制模块连接，用于通过云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据；
数据管理模块，与中央控制模块连接，用于通过数据管理程序进行云数据库服务器中数据的管理；
终端模块，与中央控制模块连接，用于通过云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端；
供电模块，与中央控制模块连接，用于通过太阳能电池板为实时灌溉预报系统供电；
显示模块，与中央控制模块连接，用于通过显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
进一步，所述数据采集模块包括：温度采集单元、湿度采集单元、光照强度采集单元、风速风向采集单元、大气压强采集单元、土壤墒情数据采集单元、雨情数据采集单元、地下水位采集单元、气象数据采集单元、土地作物分布数据采集单元；
温度采集单元，用于通过温度传感器采集农作物环境温度数据；
湿度采集单元，用于通过湿度传感器采集农作物土壤湿度数据；
光照强度采集单元，用于通过光照传感器采集光照强度；
风速风向采集单元，用于通过风速风向传感器采集环境风速风向数据；
大气压强采集单元，用于通过气压传感器采集大气压强数据；
土壤墒情数据采集单元，用于通过墒情速测仪采集土壤基本墒情数据；
雨情数据采集单元，用于通过翻斗雨量传感器获取雨情数据；
地下水位采集单元，用于通过地下水位采集器采集地下水位信息；
气象数据采集单元，用于通过气象站获取气象数据；
土地作物分布数据采集单元，用于通过遥感装置获取土地作物的分布数据。
进一步，所述数据存储模块包括：建库管理、数据输入、数据查询输出、数据维护管理、代码维护、数据库安全管理、数据库备份恢复、数据库外部接口功能；
所述数据存储模块完成对存储和备份设备、数据库服务器及网络基础设施的管理，实现对数据的物理存储管理和安全管理；
所述综合数据库包括监测数据库、业务数据库、基础数据库、空间数据库和多媒体数据库，根据数据种类分别存储于关系型数据管理系统与文件系统中。
进一步，所述墒情预测模块预测方法如下：
(1)通过预测程序获取种植区域的表层墒情数据和气象数据，根据所述表层墒情数据和所述气象数据获取所述种植区域的特征；
(2)将所述种植区域的特征输入至预设深度学习网络，根据所述预设深度学习网络的输出结果，获取所述种植区域的作物根区墒情预测数据；
(3)所述预设深度学习网络是根据所述种植区域的历史墒情数据和历史气象数据进行训练后获得的；所述历史墒情数据包括历史表层墒情数据和历史作物根区墒情数据。
进一步，所述将所述种植区域的特征输入至预设深度学习网络之前还包括：
将分别对所述种植区域的历史墒情数据和历史气象数据进行预处理；
将预处理后的所述历史墒情数据和预处理后的所述历史气象数据进行时间轴匹配；
根据匹配好的预处理后的所述历史墒情数据和预处理后的所述历史气象数据，获取多个训练样本，利用多个训练样本对原始深度学习网络进行训练，将训练好的原始深度学习网络作为所述预设深度学习网络。
进一步，所述根据匹配好的预处理后的所述表层墒情数据和预处理后的所述气象数据，获取多个训练样本的具体步骤包括：
从所述历史墒情数据和历史气象数据覆盖的时间段中选择多个时间点；
将每一所述时间点的预处理后的所述表层墒情数据和预处理后的所述气象数据的组合作为一个训练样本，获得多个训练样本。
进一步，所述利用多个训练样本对原始深度学习网络进行训练的具体步骤包括：
根据遗传算法确定原始深度学习网络的超参数；
根据所述超参数，将所述多个训练样本输入至原始深度学习网络进行训练，直至获得所述训练好的原始深度学习网络。
进一步，所述灌溉面积识别模块识别方法如下：
1)通过识别程序对卫星遥感数据的获取和预处理；
2)实测样点数据；
结合历史灌溉情况与步骤1)获取的卫星遥感数据，选择具有典型代表意义的灌溉区域与非灌溉区域作为真实样点数据；
3)根据步骤2)获得的真实样点数据提取端元光谱；所述的端元光谱为由实地采样点位置所在卫星像元提取得到的已知作物类型与灌溉情况的样本光谱；
4)采用光谱匹配法中的统计算法和光谱波形特征算法计算光谱相似度，通过三个指标对研究区主要作物端元光谱与目标光谱匹配程度进行定量分析；所述的三个指标为：
形状定量、距离定量及形状距离综合定量；所述的研究区主要作物端元光谱为步骤3)根据真实样点数据提取的端元光谱，所述的目标光谱为从卫星影像各像元中获取的待确定灌溉与否的光谱；
5)采用OTSU自适应阈值算法计算SSV分割阈值来判断是否为灌溉区域，小于该阈值即为灌溉区域，从而识别研究区的灌溉面积空间分布情况，最终获得灌溉区域范围。
进一步，所述步骤1)所述的预处理包括：对遥感数据进行辐射定标、几何校正、大气校正，并计算NDVI得到研究区各像元的NDVI时间序列曲线，用于提取灌溉信息。
进一步，所述步骤2)所述的真实样点数据包括：样点经纬度位置、作物类型及灌溉情况。
进一步，所述步骤2)所述的选择具有典型代表意义的灌溉区域与非灌溉区域作为真实样点数据，具体为：每个作物或地类上取15个点。
本发明的另一目的在于提供一种基于区域墒情监测和遥感数据的实时灌溉预报方法，所述实时灌溉预报方法包括以下步骤：
步骤一，通过摄像机进行作物灌溉区的监测；通过作物图像采集模块利用遥感设备采集农作物图像；通过数据采集设备采集实时的环境数据信息。
步骤二，通过单片机控制各个模块正常工作；通过墒情预测程序预测种植区域的作物根区墒情；通过灌溉面积识别程序识别作物灌溉面积。
步骤三，根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布。
步骤四，根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；通过喷洒器对作物灌溉区域进行喷洒水。
步骤五，通过水位水汽湿度测量装置检测灌溉水位的深度；通过警报器根据采集异常数据进行及时警报；通过4G或WiFi通信方式实现无线信号传输。
步骤六，通过云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
步骤七，通过数据管理程序进行云数据库服务器中数据的管理；通过太阳能电池板为实时灌溉预报系统供电。
步骤八，通过云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端。
步骤九，通过显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
本发明的优点及积极效果为：本发明通过墒情预测模块对多源异构的监测信息进行数据融合，根据种植区域的表层墒情特征和气象特征，通过预设深度学习网络，预测作物根区墒情，能避免破坏土壤结构及作物根系生长，能避免经验公式参数难求、计算量大等问题，能提高预测精度并能同时保证泛化能力，能简化操作步骤、提升效率、降低成本，有利于大范围部署及扩展，并具有更好的可扩展性和可移植性；同时，通过灌溉面积识别模块满足提取小地块灌溉信息的需求，能够提高灌溉面积监测结果的精度；可广泛适用于高空间分辨率的灌溉区域遥感识别提取，更有效识别小田块灌溉分布。本发明集实时信息、土壤墒情、灌溉预报和实际用水量等功能于一体，能够实现数据远程传输、显示、存储、实时查询功能，实现科学现代化的管理和节水灌溉监测预报，指导农民节水灌溉、科学灌溉，大大的节约了农业用水，提高水资源利用率。
附图说明
图1是本发明实施例提供的基于区域墒情监测和遥感数据的实时灌溉预报方法流程图。
图2是本发明实施例提供的基于区域墒情监测和遥感数据的实时灌溉预报系统结构框图。
图2中：1、灌区监测模块；2、作物图像采集模块；3、环境数据采集模块；4、中央控制模块；5、墒情预测模块；6、灌溉面积识别模块；7、灌溉预报模块；8、实际用水模块；9、洒水模块；10、水位深度测量模块；11、警报模块；12、无线通信模块；13、数据存储模块；14、数据管理模块；15、终端模块；16、供电模块；17、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的基于区域墒情监测和遥感数据的实时灌溉预报方法包括以下步骤：
S101：通过摄像机进行作物灌溉区的监测；通过作物图像采集模块利用遥感设备采集农作物图像；通过数据采集设备采集实时的环境数据信息。
S102：通过单片机控制各个模块正常工作；通过墒情预测程序预测种植区域的作物根区墒情；通过灌溉面积识别程序识别作物灌溉面积。
S103：根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布。
S104：根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；通过喷洒器对作物灌溉区域进行喷洒水。
S105：通过水位水汽湿度测量装置检测灌溉水位的深度；通过警报器根据采集异常数据进行及时警报；通过4G或WiFi通信方式实现无线信号传输。
S106：通过云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
S107：通过数据管理程序进行云数据库服务器中数据的管理；通过太阳能电池板为实时灌溉预报系统供电。
S108：通过云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端。
S109：通过显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
如图2所示，本发明实施例提供的基于区域墒情监测和遥感数据的实时灌溉预报系统包括：灌区监测模块1、作物图像采集模块2、环境数据采集模块3、中央控制模块4、墒情预测模块5、灌溉面积识别模块6、灌溉预报模块7、实际用水模块8、洒水模块9、水位深度测量模块10、警报模块11、无线通信模块12、数据存储模块13、数据管理模块14、终端模块15、供电模块16、显示模块17。
灌区监测模块1，与中央控制模块4连接，用于通过摄像机进行作物灌溉区的监测；
作物图像采集模块2，与中央控制模块4连接，用于通过遥感设备采集农作物图像；
环境数据采集模块3，与中央控制模块4连接，用于通过数据采集设备采集实时的环境数据信息；
中央控制模块4，与灌区监测模块1、作物图像采集模块2、环境数据采集模块3、墒情预测模块5、灌溉面积识别模块6、灌溉预报模块7、实际用水模块8、洒水模块9、水位深度测量模块10、警报模块11、无线通信模块12、数据存储模块13、数据管理模块14、终端模块15、供电模块16、显示模块17连接，用于通过单片机控制各个模块正常工作；
墒情预测模块5，与中央控制模块4连接，用于通过墒情预测程序预测种植区域的作物根区墒情；
灌溉面积识别模块6，与中央控制模块4连接，用于通过灌溉面积识别程序识别作物灌溉面积；
灌溉预报模块7，与中央控制模块4连接，用于根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布；
实际用水模块8，与中央控制模块4连接，用于根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；
洒水模块9，与中央控制模块4连接，用于通过喷洒器对作物灌溉区域进行喷洒水；
水位深度测量模块10，与中央控制模块4连接，用于通过水位水汽湿度测量装置检测灌溉水位的深度；
警报模块11，与中央控制模块4连接，用于通过警报器根据采集异常数据进行及时警报；
无线通信模块12，与中央控制模块4连接，用于通过4G或WiFi通信方式实现无线信号传输；
数据存储模块13，与中央控制模块4连接，用于通过云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据；
数据管理模块14，与中央控制模块4连接，用于通过数据管理程序进行云数据库服务器中数据的管理；
终端模块15，与中央控制模块4连接，用于通过云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端；
供电模块16，与中央控制模块4连接，用于通过太阳能电池板为实时灌溉预报系统供电；
显示模块17，与中央控制模块4连接，用于通过显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
本发明提供的数据采集模块3包括：温度采集单元3-1、湿度采集单元3-2、光照强度采集单元3-3、风速风向采集单元3-4、大气压强采集单元3-5、土壤墒情数据采集单元3-6、雨情数据采集单元3-7、地下水位采集单元3-8、气象数据采集单元3-9、土地作物分布数据采集单元3-10。
温度采集单元3-1，用于通过温度传感器采集农作物环境温度数据；
湿度采集单元3-2，用于通过湿度传感器采集农作物土壤湿度数据；
光照强度采集单元3-3，用于通过光照传感器采集光照强度；
风速风向采集单元3-4，用于通过风速风向传感器采集环境风速风向数据；
大气压强采集单元3-5，用于通过气压传感器采集大气压强数据；
土壤墒情数据采集单元3-6，用于通过墒情速测仪采集土壤基本墒情数据；
雨情数据采集单元3-7，用于通过翻斗雨量传感器获取雨情数据；
地下水位采集单元3-8，用于通过地下水位采集器采集地下水位信息；
气象数据采集单元3-9，用于通过气象站获取气象数据；
土地作物分布数据采集单元3-10，用于通过遥感装置获取土地作物的分布数据。
本发明提供的数据存储模块包括：建库管理、数据输入、数据查询输出、数据维护管理、代码维护、数据库安全管理、数据库备份恢复、数据库外部接口功能；
本发明提供的数据存储模块完成对存储和备份设备、数据库服务器及网络基础设施的管理，实现对数据的物理存储管理和安全管理；
本发明提供的综合数据库包括监测数据库、业务数据库、基础数据库、空间数据库和多媒体数据库，根据数据种类分别存储于关系型数据管理系统与文件系统中。
本发明提供的墒情预测模块5预测方法如下：
(1)通过预测程序获取种植区域的表层墒情数据和气象数据，根据所述表层墒情数据和所述气象数据获取所述种植区域的特征；
(2)将所述种植区域的特征输入至预设深度学习网络，根据所述预设深度学习网络的输出结果，获取所述种植区域的作物根区墒情预测数据；
(3)所述预设深度学习网络是根据所述种植区域的历史墒情数据和历史气象数据进行训练后获得的；所述历史墒情数据包括历史表层墒情数据和历史作物根区墒情数据。
本发明提供的将所述种植区域的特征输入至预设深度学习网络之前还包括：
将分别对所述种植区域的历史墒情数据和历史气象数据进行预处理；
将预处理后的所述历史墒情数据和预处理后的所述历史气象数据进行时间轴匹配；
根据匹配好的预处理后的所述历史墒情数据和预处理后的所述历史气象数据，获取多个训练样本，利用多个训练样本对原始深度学习网络进行训练，将训练好的原始深度学习网络作为所述预设深度学习网络。
本发明提供的根据匹配好的预处理后的所述表层墒情数据和预处理后的所述气象数据，获取多个训练样本的具体步骤包括：
从所述历史墒情数据和历史气象数据覆盖的时间段中选择多个时间点；
将每一所述时间点的预处理后的所述表层墒情数据和预处理后的所述气象数据的组合作为一个训练样本，获得多个训练样本。
本发明提供的利用多个训练样本对原始深度学习网络进行训练的具体步骤包括：
根据遗传算法确定原始深度学习网络的超参数；
根据所述超参数，将所述多个训练样本输入至原始深度学习网络进行训练，直至获得所述训练好的原始深度学习网络。
本发明提供的灌溉面积识别模块6识别方法如下：
1)通过识别程序对卫星遥感数据的获取和预处理；
2)实测样点数据；
结合历史灌溉情况与步骤1)获取的卫星遥感数据，选择具有典型代表意义的灌溉区域与非灌溉区域作为真实样点数据；
3)根据步骤2)获得的真实样点数据提取端元光谱；所述的端元光谱为由实地采样点位置所在卫星像元提取得到的已知作物类型与灌溉情况的样本光谱；
4)采用光谱匹配法中的统计算法和光谱波形特征算法计算光谱相似度，通过三个指标对研究区主要作物端元光谱与目标光谱匹配程度进行定量分析；所述的三个指标为：
形状定量、距离定量及形状距离综合定量；所述的研究区主要作物端元光谱为步骤3)根据真实样点数据提取的端元光谱，所述的目标光谱为从卫星影像各像元中获取的待确定灌溉与否的光谱；
5)采用OTSU自适应阈值算法计算SSV分割阈值来判断是否为灌溉区域，小于该阈值即为灌溉区域，从而识别研究区的灌溉面积空间分布情况，最终获得灌溉区域范围。
本发明提供的步骤1)所述的预处理包括：对遥感数据进行辐射定标、几何校正、大气校正，并计算NDVI得到研究区各像元的NDVI时间序列曲线，用于提取灌溉信息。
本发明提供的步骤2)所述的真实样点数据包括：样点经纬度位置、作物类型及灌溉情况。
本发明提供的步骤2)所述的选择具有典型代表意义的灌溉区域与非灌溉区域作为真实样点数据，具体为：每个作物或地类上取15个点。
本发明工作时，首先，通过灌区监测模块1利用摄像机进行作物灌溉区的监测；通过作物图像采集模块2利用遥感设备采集农作物图像；通过环境数据采集模块3利用数据采集设备采集实时的环境数据信息；通过中央控制模块4利用单片机控制各个模块正常工作；通过墒情预测模块5利用墒情预测程序预测种植区域的作物根区墒情；通过灌溉面积识别模块6利用灌溉面积识别程序识别作物灌溉面积；通过灌溉预报模块7根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布；通过实际用水模块8根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；通过洒水模块9利用喷洒器对作物灌溉区域进行喷洒水；通过水位深度测量模块10利用水位水汽湿度测量装置检测灌溉水位的深度；通过警报模块11利用警报器根据采集异常数据进行及时警报；通过无线通信模块12利用4G或WiFi通信方式实现无线信号传输；通过数据存储模块13利用云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据；通过数据管理模块14利用数据管理程序进行云数据库服务器中数据的管理；通过利用终端模块15利用云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端；通过供电模块16利用太阳能电池板为实时灌溉预报系统供电；通过显示模块17利用显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种基于区域墒情监测和遥感数据的实时灌溉预报系统，其特征在于，所述基于区域墒情监测和遥感数据的实时灌溉预报系统包括：
灌区监测模块、作物图像采集模块、环境数据采集模块、中央控制模块、墒情预测模块、灌溉面积识别模块、灌溉预报模块、实际用水模块、洒水模块、水位深度测量模块、警报模块、无线通信模块、数据存储模块、数据管理模块、终端模块、供电模块、显示模块；
灌区监测模块，与中央控制模块连接，用于通过摄像机进行作物灌溉区的监测；
作物图像采集模块，与中央控制模块连接，用于通过遥感设备采集农作物图像；
环境数据采集模块，与中央控制模块连接，用于通过数据采集设备采集实时的环境数据信息；
中央控制模块，与灌区监测模块、作物图像采集模块、环境数据采集模块、墒情预测模块、灌溉面积识别模块、灌溉预报模块、实际用水模块、洒水模块、水位深度测量模块、警报模块、无线通信模块、数据存储模块、数据管理模块、终端模块、供电模块、显示模块连接，用于通过单片机控制各个模块正常工作；
墒情预测模块，与中央控制模块连接，用于通过墒情预测程序预测种植区域的作物根区墒情；
灌溉面积识别模块，与中央控制模块连接，用于通过灌溉面积识别程序识别作物灌溉面积；
灌溉预报模块，与中央控制模块连接，用于根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布；
实际用水模块，与中央控制模块连接，用于根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；
洒水模块，与中央控制模块连接，用于通过喷洒器对作物灌溉区域进行喷洒水；
水位深度测量模块，与中央控制模块连接，用于通过水位水汽湿度测量装置检测灌溉水位的深度；
警报模块，与中央控制模块连接，用于通过警报器根据采集异常数据进行及时警报；
无线通信模块，与中央控制模块连接，用于通过4G或WiFi通信方式实现无线信号传输；
数据存储模块，与中央控制模块连接，用于通过云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据；
数据管理模块，与中央控制模块连接，用于通过数据管理程序进行云数据库服务器中数据的管理；
终端模块，与中央控制模块连接，用于通过云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端；
供电模块，与中央控制模块连接，用于通过太阳能电池板为实时灌溉预报系统供电；
显示模块，与中央控制模块连接，用于通过显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
2.如权利要求1所述的基于区域墒情监测和遥感数据的实时灌溉预报系统，其特征在于，所述数据采集模块包括：温度采集单元、湿度采集单元、光照强度采集单元、风速风向采集单元、大气压强采集单元、土壤墒情数据采集单元、雨情数据采集单元、地下水位采集单元、气象数据采集单元、土地作物分布数据采集单元；
温度采集单元，用于通过温度传感器采集农作物环境温度数据；
湿度采集单元，用于通过湿度传感器采集农作物土壤湿度数据；
光照强度采集单元，用于通过光照传感器采集光照强度；
风速风向采集单元，用于通过风速风向传感器采集环境风速风向数据；
大气压强采集单元，用于通过气压传感器采集大气压强数据；
土壤墒情数据采集单元，用于通过墒情速测仪采集土壤基本墒情数据；
雨情数据采集单元，用于通过翻斗雨量传感器获取雨情数据；
地下水位采集单元，用于通过地下水位采集器采集地下水位信息；
气象数据采集单元，用于通过气象站获取气象数据；
土地作物分布数据采集单元，用于通过遥感装置获取土地作物的分布数据。
3.如权利要求1所述的基于区域墒情监测和遥感数据的实时灌溉预报系统，其特征在于，所述数据存储模块包括：建库管理、数据输入、数据查询输出、数据维护管理、代码维护、数据库安全管理、数据库备份恢复、数据库外部接口功能；
所述数据存储模块完成对存储和备份设备、数据库服务器及网络基础设施的管理，实现对数据的物理存储管理和安全管理；
所述综合数据库包括监测数据库、业务数据库、基础数据库、空间数据库和多媒体数据库，根据数据种类分别存储于关系型数据管理系统与文件系统中。
4.一种运行权利要求1所述基于区域墒情监测和遥感数据的实时灌溉预报系统的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，所述基于区域墒情监测和遥感数据的实时灌溉预报方法包括以下步骤：
步骤一，通过摄像机进行作物灌溉区的监测；通过作物图像采集模块利用遥感设备采集农作物图像；通过数据采集设备采集实时的环境数据信息；
步骤二，通过单片机控制各个模块正常工作；通过墒情预测程序预测种植区域的作物根区墒情；通过灌溉面积识别程序识别作物灌溉面积；
步骤三，根据数据采集模块和墒情预测模块处理得到的信息，计算出土壤的灌溉时间和/或灌水量信息，并进行信息发布；
步骤四，根据实际的灌溉时间和灌水量信息，矫正灌溉预报模块计算出的灌溉时间和/或灌水量；通过喷洒器对作物灌溉区域进行喷洒水；
步骤五，通过水位水汽湿度测量装置检测灌溉水位的深度；通过警报器根据采集异常数据进行及时警报；通过4G或WiFi通信方式实现无线信号传输；
步骤六，通过云数据库服务器存储采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据；
步骤七，通过数据管理程序进行云数据库服务器中数据的管理；通过太阳能电池板为实时灌溉预报系统供电；
步骤八，通过云数据库服务器将采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据传输至移动终端；
步骤九，通过显示器显示采集的农作物图像、环境信息、灌溉预报信息、实际用水、异常情况及水位深度的实时数据。
5.如权利要求4所述的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，所述墒情预测模块预测方法如下：
(1)通过预测程序获取种植区域的表层墒情数据和气象数据，根据所述表层墒情数据和所述气象数据获取所述种植区域的特征；
(2)将所述种植区域的特征输入至预设深度学习网络，根据所述预设深度学习网络的输出结果，获取所述种植区域的作物根区墒情预测数据；
(3)所述预设深度学习网络是根据所述种植区域的历史墒情数据和历史气象数据进行训练后获得的；所述历史墒情数据包括历史表层墒情数据和历史作物根区墒情数据。
6.如权利要求5所述的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，所述将所述种植区域的特征输入至预设深度学习网络之前还包括：
①将分别对所述种植区域的历史墒情数据和历史气象数据进行预处理；
②将预处理后的所述历史墒情数据和预处理后的所述历史气象数据进行时间轴匹配；
③根据匹配好的预处理后的所述历史墒情数据和预处理后的所述历史气象数据，获取多个训练样本，利用多个训练样本对原始深度学习网络进行训练，将训练好的原始深度学习网络作为所述预设深度学习网络。
7.如权利要求6所述的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，所述根据匹配好的预处理后的所述表层墒情数据和预处理后的所述气象数据，获取多个训练样本的具体步骤包括：
从所述历史墒情数据和历史气象数据覆盖的时间段中选择多个时间点；将每一所述时间点的预处理后的所述表层墒情数据和预处理后的所述气象数据的组合作为一个训练样本，获得多个训练样本；
所述利用多个训练样本对原始深度学习网络进行训练的具体步骤包括：
根据遗传算法确定原始深度学习网络的超参数；根据所述超参数，将所述多个训练样本输入至原始深度学习网络进行训练，直至获得所述训练好的原始深度学习网络。
8.如权利要求1所述的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，所述灌溉面积识别模块识别方法如下：
1)通过识别程序对卫星遥感数据的获取和预处理；
2)实测样点数据；
结合历史灌溉情况与步骤1)获取的卫星遥感数据，选择具有典型代表意义的灌溉区域与非灌溉区域作为真实样点数据；
3)根据步骤2)获得的真实样点数据提取端元光谱；所述的端元光谱为由实地采样点位置所在卫星像元提取得到的已知作物类型与灌溉情况的样本光谱；
4)采用光谱匹配法中的统计算法和光谱波形特征算法计算光谱相似度，通过三个指标对研究区主要作物端元光谱与目标光谱匹配程度进行定量分析；所述的三个指标为：
形状定量、距离定量及形状距离综合定量；所述的研究区主要作物端元光谱为步骤3)根据真实样点数据提取的端元光谱，所述的目标光谱为从卫星影像各像元中获取的待确定灌溉与否的光谱；
5)采用OTSU自适应阈值算法计算SSV分割阈值来判断是否为灌溉区域，小于该阈值即为灌溉区域，从而识别研究区的灌溉面积空间分布情况，最终获得灌溉区域范围。
9.如权利要求8所述的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，步骤1)中，所述的预处理包括：对遥感数据进行辐射定标、几何校正、大气校正，并计算NDVI得到研究区各像元的NDVI时间序列曲线，用于提取灌溉信息。
10.如权利要求8所述的基于区域墒情监测和遥感数据的实时灌溉预报方法，其特征在于，步骤2)中，所述的真实样点数据包括：样点经纬度位置、作物类型及灌溉情况；所述的选择具有典型代表意义的灌溉区域与非灌溉区域作为真实样点数据，具体为：每个作物或地类上取15个点。
CN201911104006.2A 2019-11-13 2019-11-13 一种基于区域墒情监测和遥感数据的实时灌溉预报系统 Pending CN110738196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911104006.2A CN110738196A (zh) 2019-11-13 2019-11-13 一种基于区域墒情监测和遥感数据的实时灌溉预报系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911104006.2A CN110738196A (zh) 2019-11-13 2019-11-13 一种基于区域墒情监测和遥感数据的实时灌溉预报系统

Publications (1)

Publication Number Publication Date
CN110738196A true CN110738196A (zh) 2020-01-31

Family

ID=69272749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911104006.2A Pending CN110738196A (zh) 2019-11-13 2019-11-13 一种基于区域墒情监测和遥感数据的实时灌溉预报系统

Country Status (1)

Country Link
CN (1) CN110738196A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111328671A (zh) * 2020-03-05 2020-06-26 红河哈尼族彝族自治州水利水电工程地质勘察咨询规划研究院 一种实现自动频率调节的水库光伏提灌控制系统及方法
CN111625037A (zh) * 2020-06-12 2020-09-04 唐利军 一种多功能农业管理系统
CN111903484A (zh) * 2020-07-24 2020-11-10 华东交通大学 一种低功耗农业环境信息稀疏感知方法
CN112400676A (zh) * 2020-10-26 2021-02-26 安徽工程大学 一种基于大数据的智能灌溉系统
CN112602563A (zh) * 2020-12-15 2021-04-06 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
CN113040034A (zh) * 2021-03-26 2021-06-29 西京学院 一种节水灌溉控制系统及控制方法
CN113379560A (zh) * 2021-05-21 2021-09-10 北京农业智能装备技术研究中心 作物灌溉预报装置及预报方法
CN114303905A (zh) * 2022-01-06 2022-04-12 安徽东鸿水务环境工程有限公司 一种节水远程监控系统
CN114451278A (zh) * 2022-02-18 2022-05-10 安徽金晥泵业科技股份有限公司 一种基于互联网的农田灌溉分析控制系统
CN114549980A (zh) * 2022-02-11 2022-05-27 成都理工大学 一种改进边缘检测和深度学习算法的土壤干旱识别方法
WO2022198274A1 (en) * 2021-03-25 2022-09-29 Central Queensland University A system and method for dispensing water

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109934515A (zh) * 2019-04-18 2019-06-25 中国水利水电科学研究院 一种作物精量灌溉决策方法及系统
CN109978234A (zh) * 2019-03-01 2019-07-05 北京农业信息技术研究中心 墒情预测、灌溉决策方法和装置
CN110050673A (zh) * 2019-04-30 2019-07-26 黄河水利委员会黄河水利科学研究院 一种智能灌溉管理系统
CN110288647A (zh) * 2019-06-25 2019-09-27 中国水利水电科学研究院 一种基于高分辨率卫星数据监测灌区灌溉面积方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109978234A (zh) * 2019-03-01 2019-07-05 北京农业信息技术研究中心 墒情预测、灌溉决策方法和装置
CN109934515A (zh) * 2019-04-18 2019-06-25 中国水利水电科学研究院 一种作物精量灌溉决策方法及系统
CN110050673A (zh) * 2019-04-30 2019-07-26 黄河水利委员会黄河水利科学研究院 一种智能灌溉管理系统
CN110288647A (zh) * 2019-06-25 2019-09-27 中国水利水电科学研究院 一种基于高分辨率卫星数据监测灌区灌溉面积方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111328671A (zh) * 2020-03-05 2020-06-26 红河哈尼族彝族自治州水利水电工程地质勘察咨询规划研究院 一种实现自动频率调节的水库光伏提灌控制系统及方法
CN111625037A (zh) * 2020-06-12 2020-09-04 唐利军 一种多功能农业管理系统
CN111903484A (zh) * 2020-07-24 2020-11-10 华东交通大学 一种低功耗农业环境信息稀疏感知方法
CN112400676A (zh) * 2020-10-26 2021-02-26 安徽工程大学 一种基于大数据的智能灌溉系统
CN112400676B (zh) * 2020-10-26 2023-02-28 安徽工程大学 一种基于大数据的智能灌溉系统
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
CN112602563A (zh) * 2020-12-15 2021-04-06 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
WO2022198274A1 (en) * 2021-03-25 2022-09-29 Central Queensland University A system and method for dispensing water
CN113040034A (zh) * 2021-03-26 2021-06-29 西京学院 一种节水灌溉控制系统及控制方法
CN113040034B (zh) * 2021-03-26 2023-10-24 西京学院 一种节水灌溉控制系统及控制方法
CN113379560A (zh) * 2021-05-21 2021-09-10 北京农业智能装备技术研究中心 作物灌溉预报装置及预报方法
CN114303905A (zh) * 2022-01-06 2022-04-12 安徽东鸿水务环境工程有限公司 一种节水远程监控系统
CN114549980A (zh) * 2022-02-11 2022-05-27 成都理工大学 一种改进边缘检测和深度学习算法的土壤干旱识别方法
CN114451278A (zh) * 2022-02-18 2022-05-10 安徽金晥泵业科技股份有限公司 一种基于互联网的农田灌溉分析控制系统

Similar Documents

Publication Publication Date Title
CN110738196A (zh) 一种基于区域墒情监测和遥感数据的实时灌溉预报系统
CN205594695U (zh) 一种基于物联网的农业智能应用系统
CN209517198U (zh) 一种智慧农业标准化管理系统
CN103838144B (zh) 基于物联网土壤分析的甘蔗精细种植滴灌建模控制方法
CN110347127A (zh) 基于云服务的农作物种植托管系统及方法
CN104852989A (zh) 一种基于物联网的智能农业监控系统
CN106054679B (zh) 一种基于物联网的农业智能监控系统及作物种植方法
US20160150744A1 (en) System and method for applying a pesticide to a crop
CN203101934U (zh) 一种温室大棚种植模式农田远程管理系统
CN109982559A (zh) 控制农业生产区域
CN102487788A (zh) 基于气象信息服务的智能喷灌排放控制系统
CN106254476A (zh) 基于物联网、大数据和云计算的农业生态环境信息管理及监控方法与系统
CN104635694A (zh) 一种智能农业预警系统
CN110942039A (zh) 一种主要农作物高温灾害遥感监测预报系统及方法
US20230301252A1 (en) Irrigation system and method based on computer vision monitoring
CN105511426A (zh) 作物生长的自动化处理方法、装置及系统
CN110930048A (zh) 一种基于成灾机理过程的农作物干旱风险评估系统及方法
CN110741914A (zh) 一种基于循环神经网络的稻田自动化节水灌溉系统及方法
CN113273449A (zh) 用于日光温室精准监测的数字孪生体构造方法
CN205281296U (zh) 一种植物生长环境监测控制系统
CN112434569B (zh) 一种无人机热成像系统
Ambildhuke et al. IoT based Portable Weather Station for Irrigation Management using Real-Time Parameters
Macabiog et al. Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet
Awais et al. Using IoT Innovation and Efficiency in Agriculture Monitoring System
KR20210059070A (ko) 농작물 재배 모니터링 시스템 및 이를 이용한 농작물 재배 모니터링 방법

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200131