CN111126662B - 基于大数据的灌溉决策制定方法、装置、服务器和介质 - Google Patents
基于大数据的灌溉决策制定方法、装置、服务器和介质 Download PDFInfo
- Publication number
- CN111126662B CN111126662B CN201911166625.4A CN201911166625A CN111126662B CN 111126662 B CN111126662 B CN 111126662B CN 201911166625 A CN201911166625 A CN 201911166625A CN 111126662 B CN111126662 B CN 111126662B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- farmland
- data
- historical
- sample
- 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
- 230000002262 irrigation Effects 0.000 title claims abstract description 154
- 238000003973 irrigation Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000003621 irrigation water Substances 0.000 claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 230000007613 environmental effect Effects 0.000 claims abstract description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 239000002689 soil Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000005068 transpiration Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 abstract description 22
- 238000004590 computer program Methods 0.000 abstract description 6
- 238000009472 formulation Methods 0.000 abstract 2
- 239000000203 mixture Substances 0.000 abstract 2
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Remote Sensing (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于大数据的灌溉决策制定方法,获取农田的环境监测数据;根据农田的环境监测数据构建灌溉预报模型,并利用灌溉预报模型确定农田的预测灌溉需水量;根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量。装置,包括依次电连接的数据获取模块、灌溉需水量预测模块和灌溉决策制定模块。一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现制定方法。一种计算机可读存储介质,其上存储有计算机程序,该程序被执行时实现制定方法。提高了灌溉水资源的利用率。
Description
技术领域
本发明涉及现代农业技术领域,具体涉及基于大数据的灌溉决策制定方法、装置、服务器和介质。
背景技术
伴随我国信息化、城镇化和农业现代化进程,农户承包土地的经营权流转明显加快,土地的规模化经营已成为必然趋势。
传统的农业灌溉模式中,通常采用“感觉+经验”的农田灌溉模式,或者选取整个农田区域中的典型田块制定农田灌溉策略进而实行统一灌溉,其思想均是基于土壤表层“干”的情况下实施灌溉。然而,土壤水分是影响作物生长和指导灌溉的关键因素,土壤环境条件复杂而且多变,常规的土壤水分检测手段,如烘干法,尽管可以得到较为可靠的结果,但因耗时耗力仅适用在现场试验中。并且,基于传统的仪器监测方法,确定的土壤水分准确性易受土壤温度和盐度等因素影响,且由于仪器价格昂贵而被受限于一定的应用空间范围,不利于在各个田块中推广使用。
发明内容
本发明所要解决的技术问题是提供一种基于大数据的灌溉决策制定方法、装置、服务器和介质,以克服上述现有技术中的不足。
本发明解决上述技术问题的技术方案如下:一种基于大数据的灌溉决策制定方法,包括如下步骤:
S100、获取农田的环境监测数据;
S200、根据农田的环境监测数据构建灌溉预报模型,并利用灌溉预报模型确定农田的预测灌溉需水量;
S300、根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量。
本发明的有益效果是:首先根据农田的环境监测数据构建灌溉预报模型,利用灌溉预报模型确定农田的预测灌溉需水量,然后根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量,解决了现有技术中农田中田块灌水量的确定准确性以及确定成本不能同时兼顾的问题,实现了同时利用大数据统计的思想和机器学习方法,准确确定农田中针对每个田块实际情况的目标灌水量的效果,并减少了确定田块灌水量的耗费成本;同时,还有利于对水资源进行科学与合理的利用,提高了灌溉水资源的利用率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,农田的环境监测数据至少包括:气象数据、下垫面条件、预报降雨量和卫星遥感数据。
进一步,根据农田的环境监测数据构建灌溉预报模型具体如下:
S210a、基于气象数据和下垫面条件,利用作物蒸腾量计算方法计算农田的作物需水量;
S220a、基于预报降雨量确定农田的水分补给量;
S230a、基于作物需水量、水分补给量以及与农田中每个田块中作物长势对应的灌溉方式,利用水量平衡原理构建灌溉预报模型,其中,灌溉方式包括充分灌溉和非充分灌溉,作物长势是通过对农田的卫星遥感数据进行识别得到。
进一步,农田中每个田块的属性信息至少包括田块土壤类型、高程信息、异质性系数、历史灌溉信息以及与该田块相邻的田块的历史灌溉信息,其中,异质性系数用于表示每个田块和与之相邻的田块之间的历史灌溉水量的差异。
进一步,灌溉决策模型的训练过程包括:
S310a、获取农田的样本数据,农田中包括至少一个样本田块,样本数据至少包括农田的历史环境监测数据、样本田块的土壤类型、样本田块的历史异质性系数、样本田块的历史灌溉决策、样本田块的高程信息以及与每个样本田块相邻的样本田块的历史灌溉决策;
S320a、根据样本数据,基于多元线性回归算法训练得到灌溉决策模型。
进一步,每个样本田块的历史异质性系数获取步骤如下:
获取农田中每个样本田块的历史灌溉水量,以及与该样本田块相邻的样本田块的历史灌溉水量,并计算获取的两种历史灌溉水量的标准差;
对标准差进行归一化处理,得到农田中每个样本田块的历史异质性系数。
进一步,在根据农田的环境监测数据构建灌溉预报模型之前,灌溉决策制定方法还包括:
按照农田的环境监测数据中包括的数据属性,对环境监测数据进行预处理,以基于预处理之后的环境监测数据构建灌溉预报模型,其中,预处理包括:剔除不符合数据规范的数据和噪声数据、清理重复数据和/或对缺失数据进行插值补全。
一种基于大数据的灌溉决策制定装置,包括:
数据获取模块,用于获取农田的环境监测数据;
灌溉需水量预测模块,用于根据农田的环境监测数据构建灌溉预报模型,并利用灌溉预报模型确定农田的预测灌溉需水量;
灌溉决策制定模块,用于根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量。
一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现灌溉决策制定方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现灌溉决策制定方法。
附图说明
图1是本发明实施例1提供的基于大数据的灌溉决策制定方法的流程图;
图2是本发明实施例2提供的基于大数据的灌溉决策制定方法的流程图;
图3是本发明实施例3提供的基于大数据的灌溉决策制定装置的结构示意图;
图4是本发明实施例5提供的一种服务器的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1,如图1所示,一种基于大数据的灌溉决策制定方法,包括如下步骤:
S100、获取农田的环境监测数据;
S200、根据农田的环境监测数据构建灌溉预报模型,并利用灌溉预报模型确定农田的预测灌溉需水量;
S300、根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量。
通常情况下,农田的环境监测数据至少包括:气象数据、下垫面条件、预报降雨量和卫星遥感数据。
而,S200中根据农田的环境监测数据构建灌溉预报模型具体如下:
S210a、基于气象数据和下垫面条件,利用作物蒸腾量计算方法计算农田的作物需水量;
S220a、基于预报降雨量确定农田的水分补给量;
S230a、基于作物需水量、水分补给量以及与农田中每个田块中作物长势对应的灌溉方式,利用水量平衡原理构建灌溉预报模型,其中,灌溉方式包括充分灌溉和非充分灌溉,作物长势是通过对农田的卫星遥感数据进行识别得到。
S210a具体为:基于气象数据和下垫面条件,利用彭曼蒙特斯(Penman-Monteith)公式和单作物系数法计算农田的作物需水量。
具体的,可以通过分析农田环境监测数据中的一部分或者全部数据,结合灌溉理论和灌溉经验,构建相对于农田整体性的灌溉预报模型,对农田整体的灌溉需水量进行理论上的初步预测。
在作物长势的识别过程中,考虑初始获取的卫星遥感数据中同时包括多个田块的卫星遥感数据,可以:
首先对初始获取的卫星遥感数据进行预处理,例如进行辐射定标、大气校正和正射校正等;
然后根据每个田块的经纬度和面积对预处理之后的卫星遥感数据进行裁剪,得到每个田块的卫星遥感数据;
最后基于每个田块的卫星遥感数据提取波谱信息、纹理、亮度和形状等信息,确定作物特征参数,与预先建立的作物长势模板进行匹配,确定出当前的作物长势。
灌溉预报模型主要考虑农田的水分消耗和水分补给,水分消耗部分主要为植株蒸腾和棵间蒸发合成的作物需水量部分,然后结合农田的预报降雨量水分补给,当前作物生育期的长势以及对应的灌溉方式,例如需要充分灌溉或者非充分灌溉,利用水量平衡原理构建分布式灌溉预报模型,进而计算得到农田的预测灌溉需水量,并存储计算结果。
其中,农田中每个田块的属性信息包括田块土壤类型、高程信息、异质性系数、历史灌溉信息以及与该田块相邻的田块的历史灌溉信息,田块的异质性系数用于表示每个田块和与之相邻的田块之间的历史灌溉水量的差异,历史灌溉水量即田块在历史灌溉周期内的实际灌溉水量,通过对每个田块的属性信息加以考虑,保证了针对每个田块实际情况的目标灌溉水量的确定合理性与科学性。
灌溉决策模型的训练过程包括:
S310a、获取农田的样本数据,农田中包括至少一个样本田块,样本数据至少包括农田的历史环境监测数据、样本田块的土壤类型、样本田块的历史异质性系数、样本田块的历史灌溉决策、样本田块的高程信息以及与每个样本田块相邻的样本田块的历史灌溉决策;
S320a、根据样本数据,基于多元线性回归算法训练得到灌溉决策模型。
多元线性回归算法为:
Y(0)=P(1)·X(1)+P(2)·X(2)+…+P(n-1)·X(n-1)+P(n)·X(n)+C
Y(1)=P(1)·X(1)+P(2)·X(2)+…+P(n-1)·X(n-1)+P(n)·X(n)+C
……
Y(n-1)=P(1)·X(1)+P(2)·X(2)+…+P(n-1)·X(n-1)+P(n)·X(n)+C
Y(n)=P(1)·X(1)+P(1)·X(1)+…+P(n-1)·X(n-1)+P(n)·X(n)+C
其中,Y为输出值,Y(0)~Y(n-1)分别表示每个样本田块在历史灌溉周期内的历史灌溉水量,Y(n)表示每个样本田块当前灌溉周期内的当前目标灌溉水量,X为特征值(即参数),可以包括但不限于每个样本田块的土壤类型、高程信息、历史灌溉日期、历史灌溉决策以及相应的历史异质性系数等属性信息;还包括农田的历史环境监测数据以及历史预测灌溉需水量;P为参数权重;C是常量,可以适应性取值。
通过模型训练,可以确定出各特征参数的权重,进而将当前灌溉周期内的农田的预测灌溉需水量以及农田中每个田块的属性信息作为输入,便可得到当前灌溉周期内每个田块的目标灌溉水量。
其中,Yact为实际值,即每个样本田块的历史目标灌溉水量;Ypre为预估值,即当前计算得到的每个样本田块的目标灌溉水量,当损失值Error小于预设阈值时,则认为灌溉决策模型输出的结果趋于稳定,模型训练过程结束。
每个样本田块的历史异质性系数获取步骤如下:
获取农田中每个样本田块的历史灌溉水量,以及与该样本田块相邻的样本田块的历史灌溉水量,并计算获取的两种历史灌溉水量的标准差;
对标准差进行归一化处理,得到农田中每个样本田块的历史异质性系数。
每个样本田块与其相邻样本田块之间历史灌溉水量的标准差为:
其中,n为与每个样本田块相邻的样本田块个数;IRDi为每个样本田块的第i个相邻样本田块的历史灌溉水量(i=1,2,3,…,n),IRD为每个样本田块本身的历史灌溉水量。
每个样本田块的异质性系数HI利用以下公式计算得到:
其中,SDEmin为每个样本田块与其相邻样本田块之间历史灌溉水量的标准差的最小值,SDEmax为每个样本田块与其相邻样本田块之间历史灌溉水量标准差的最大值,需要说明的,在利用灌溉决策模型确定农田中每个田块的目标灌溉水量的过程中,每个田块的异质性系数也同样采用上述计算方法得到。
通过计算每个样本田块与其相邻样本田块之间历史灌溉水量的标准差,得到每个样本田块的异质性系数,可以分析由田块异质性引起的灌溉水量空间分布及变化,衡量田块异质性对田块所需的灌溉水量的影响,基于同时将田块的异质性系数与灌溉预报模型作为纠正灌溉决策模型的误差的参考,保证了每个田块的目标灌溉水量确定的科学性、合理性和准确性。
灌溉决策模型基于机器学习的方法训练得到,将农田的预测灌溉需水量以及每个田块的属性信息作为其输入,便可输出农田中每个田块在当前灌溉周期内是否需要灌溉以及目标灌溉水量,该目标灌溉水量即当前计算确定该田块需要进行灌溉的实际需水量,本实施例在确定每个田块的目标灌溉水量的过程中充分考虑了每个田块的土壤类型、高程信息等固有属性信息,还考虑相邻田块之间历史灌溉水量的相互影响,实现了有针对性地确定每个田块的目标灌溉水量,提高了灌溉用水的科学性,提高了灌溉水资源的利用率。
本实施例的技术方案:首先根据农田的环境监测数据构建灌溉预报模型,利用灌溉预报模型确定农田的预测灌溉需水量,然后根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量,解决了现有技术中农田中田块灌水量的确定准确性以及确定成本不能同时兼顾的问题,实现了同时利用大数据统计的思想和机器学习方法,准确确定农田中针对每个田块实际情况的目标灌水量的效果,并减少了确定田块灌水量的耗费成本;同时,还有利于对水资源进行科学与合理的利用,提高了灌溉水资源的利用率。
实施例2,如图2所示,本实施例与实施例1的区别为:
在根据农田的环境监测数据构建灌溉预报模型之前,方法还包括:
按照农田的环境监测数据中包括的数据属性,对环境监测数据进行预处理,以基于预处理之后的环境监测数据构建灌溉预报模型,其中,预处理包括:剔除不符合数据规范的数据和噪声数据、清理重复数据和/或对缺失数据进行插值补全。
示例性的,可以搭建具有高数据吞吐量与高容错度的分布式Hadoop平台,对海量环境监测数据进行预处理。
具体的,利用Map函数完成环境监测数据的特征要素提取,在Reduce阶段实现数据标准化,数据预处理过程在spark模块下进行,通过数据派生方法对多维数据(环境监测数据按时间序列存储)进行属性分离,即对环境监测数据进行分类,例如,气温、湿度和风速均属于不同属性的环境监测数据。
通过对农田的环境监测数据进行分析,按照环境数据的类型进行属性分离,分别对每种类型的环境监测数据进行预处理。
示例一,将每种类型下的环境监测数据的最大值、最小值、均值和标准差等不符合要求的值作为坏值处理,进行剔除和过滤。
示例二,将每种类型下的环境监测数据缺失的特征数据进行插值补全,具体包括:对于无变化趋势且无季节性的环境监测数据采用均值插值方式;对于有变化趋势但无季节性的环境监测数据采用线性插值方式;对于有变化趋势且有季节性的环境监测数据采用季节型调整插值方式;对于其他的分类数据可以采用逻辑回归的方式插值,对于连续数据可以采用线性回归的方式插补。
环境监测数据完成预处理之后,仍可以多维方式集成数据,并按照日期存储在高容错度的分布式数据库中,例如Hadoop hive中。
本实施例的技术方案:基于大数据思想,对农田的整体环境数据进行实时监控,然后通过对农田的整体环境监测数据进行预处理后构建灌溉预报模型,预测农田的理论灌溉需水量,然后,根据述农田的预测灌溉需水量以及农田中每个田块的属性信息,利用灌溉决策模型确定每个田块的目标灌溉水量,解决了现有技术中田块灌水量的确定准确性以及确定成本不能同时兼顾的问题,实现了同时利用大数据统计的思想和机器学习方法,准确确定农田中针对每个田块实际情况的目标灌水量的效果,并减少了确定田块灌水量的耗费成本;同时,还有利于对水资源进行科学与合理的利用,提高了灌溉水资源的利用率。
实施例3,图3是本发明实施例3提供的基于大数据的灌溉决策制定装置的结构示意图,本实施例可适用于针对农田中的每个田块确定灌水量的情况,该灌溉决策制定装置可以采用软件和/或硬件的方式实现。
一种基于大数据的灌溉决策制定装置,该装置包括数据获取模块310、灌溉需水量预测模块320和灌溉决策制定模块330:
数据获取模块310,用于获取农田的环境监测数据;
灌溉需水量预测模块320,用于根据农田的环境监测数据构建灌溉预报模型,并利用灌溉预报模型确定农田的预测灌溉需水量;
灌溉决策制定模块330,用于根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量。
可选的,该装置还包括灌溉决策模型训练模块,灌溉决策模型训练模块包括:
样本数据获取单元,用于获取农田的样本数据,农田中包括至少一个样本田块;
模型训练单元,用于根据样本数据,基于多元线性回归算法训练得到灌溉决策模型;
其中,样本数据至少包括农田的历史环境监测数据、样本田块的土壤类型、样本田块的历史异质性系数、样本田块的历史灌溉决策、样本田块的高程信息以及与每个样本田块相邻的样本田块的历史灌溉决策。
可选的,灌溉决策模型训练模块还包括:
标准差计算单元,用于获取农田中每个样本田块的历史灌溉水量,以及与该样本田块相邻的样本田块的历史灌溉水量,并计算获取的两种历史灌溉水量的标准差;
异质性系数确定单元,用于对标准差进行归一化处理,得到农田中每个样本田块的历史异质性系数。
可选的,数据获取模块310中的环境监测数据至少包括:气象数据、下垫面条件、预报降雨量和卫星遥感数据;
相应的,灌溉需水量预测模块320包括:
作物需水量计算单元,用于基于气象数据和下垫面条件,利用作物蒸腾量计算方法计算农田的作物需水量;
水分补给量确定单元,用于基于预报降雨量确定农田的水分补给量;
灌溉预报模型构建单元,用于基于作物需水量、水分补给量以及与农田中每个田块中作物长势对应的灌溉方式,利用水量平衡原理构建灌溉预报模型,其中,灌溉方式包括充分灌溉和非充分灌溉,作物长势是通过对农田的卫星遥感数据进行识别得到。
可选的,作物需水量计算单元具体用于:
基于气象数据和下垫面条件,利用彭曼蒙特斯公式和单作物系数法计算农田的作物需水量。
可选的,该装置还包括:
数据预处理模块,用于按照农田的环境监测数据中包括的数据属性,对环境监测数据进行预处理,以基于预处理之后的环境监测数据构建灌溉预报模型,其中,预处理包括:剔除不符合数据规范的数据和噪声数据、清理重复数据和/或对缺失数据进行插值补全。
针对整个农田区域,均可利用田间设置的数据获取模块310实时监测环境数据,其中,数据获取模块310为环境监测器,数据获取模块310通过Internet网络、GPRS无线通信网络以及ZigBee网络等传输至灌溉需水量预测模块320,灌溉需水量预测模块320将接收的海量监测环境数据按照时间序列快速写入时序数据库中,同时利用数据工具(Datastage工具)完成数据源的抽取(extract)、交互转换(transform)和加载(load),将数据存储至数据仓库中,时序数据库包括具有高速运算能力的InfluxDB数据库,数据仓库包括MongDB数据库。
根据监测的环境数据所属类别的不同,田间设置的环境监测器可以分为多种传感器,例如温度检测传感器、日照检测传感器和风速监测传感器等。环境监测数据包括但不限于:气象数据、渠系流量数据、遥感影像数据以及数字高程模型数据。其中,气象数据包括日最高气温、日最低气温、日平均气温、相对湿度、平均风速和日照时间等;遥感影像数据可以是基于中国资源卫星应用中心获取的高分辨卫星遥感数据,由此可得到作物长势;数字高程模型数据可以是基于地理空间数据云获取的包含经纬度以及高程的地理信息数据,由此可得到每个田块的高程信息;渠系流量数据包括渠系(管道)中水量及水层深度。将环境监测数据上传至服务器后,通过分类,可以分别建立气象数据库、渠系流量数据库、遥感影像数据库以及数字高程数据库。
相比于现有技术中对由多个田块组成的整个农田区域只进行整体的气象数据监测或者只针对农田中的典型区域进行气象数据监测,本实施例方案还对农田中每个田块的作物长势以及田块高程进行监测,具有数据源多、信息频次高以及区域广等特点,实现灌溉区域用水管理的信息全面化。
本发明实施例所提供的基于大数据的灌溉决策制定装置可执行本发明任意实施例所提供的基于大数据的灌溉决策制定方法,具备执行方法相应的功能模块和有益效果,本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例4,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的灌溉决策制定方法。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合,计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质,计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。
计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合,计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
实施例5,图4是本发明实施例5提供的一种服务器的结构示意图,图4示出了适于用来实现本发明实施方式的示例性服务器412的框图,图4显示的服务器412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,服务器412以通用服务器的形式表现,服务器412的组件可以包括但不限于:
一个或多个处理器416,存储装置428,连接不同系统组件(包括存储装置428和处理器416)的总线418;
存储装置428,用于存储一个或多个计算机程序;
当一个或多个计算机程序被一个或多个处理器416执行,使得一个或多个处理器416实现灌溉决策制定方法。
总线418表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
服务器412典型地包括多种计算机系统可读介质,这些介质可以是任何能够被服务器412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)430和/或高速缓存存储器432。服务器412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。
仅作为举例,存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘,例如只读光盘(Compact DiscRead-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储装置428中,这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
服务器412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信,还可与一个或者多个使得用户能与该服务器412交互的终端通信,和/或与使得该服务器412能与一个或多个其它计算终端进行通信的任何终端(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,服务器412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide AreaNetwork,WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器420通过总线418与服务器412的其它模块通信。应当明白,尽管图中未示出,可以结合服务器412使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的基于大数据的灌溉决策制定方法,该方法可以包括:
获取农田的环境监测数据;
根据所述农田的环境监测数据构建灌溉预报模型,并利用所述灌溉预报模型确定所述农田的预测灌溉需水量;
根据所述农田的预测灌溉需水量以及所述农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定所述农田中每个田块的目标灌溉水量;
其中,所述农田中每个田块的属性信息包括田块土壤类型、高程信息、异质性系数、历史灌溉信息以及与该田块相邻的田块的历史灌溉信息,田块的异质性系数用于表示每个田块和与之相邻的田块之间的历史灌溉水量的差异。
此外,服务器还可以将环境监测数据按照类别绘制成图形进行可视化展示,例如,气象数据变化趋势图、遥感图像以及地理高程等。当需要使用环境监测数据时,从各个数据库中依次获取即可。
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现实施例2所述的基于大数据的灌溉决策制定方法时具有高数据吞吐量与高容错度的分布式Hadoop平台可以在服务器中搭建。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种基于大数据的灌溉决策制定方法,其特征在于,包括如下步骤:
S100、获取农田的环境监测数据;
S200、根据农田的环境监测数据构建灌溉预报模型,并利用灌溉预报模型确定农田的预测灌溉需水量;
根据农田的环境监测数据构建灌溉预报模型具体如下:
S210a、基于气象数据和下垫面条件,利用作物蒸腾量计算方法计算农田的作物需水量;
S220a、基于预报降雨量确定农田的水分补给量;
S230a、基于作物需水量、水分补给量以及与农田中每个田块中作物长势对应的灌溉方式,利用水量平衡原理构建灌溉预报模型,其中,灌溉方式包括充分灌溉和非充分灌溉,作物长势是通过对农田的卫星遥感数据进行识别得到;
S300、根据农田的预测灌溉需水量以及农田中每个田块的属性信息,利用预先训练的灌溉决策模型确定农田中每个田块的目标灌溉水量;
灌溉决策模型的训练过程包括:
S310a、获取农田的样本数据,农田中包括至少一个样本田块,样本数据至少包括农田的历史环境监测数据、样本田块的土壤类型、样本田块的历史异质性系数、样本田块的历史灌溉决策、样本田块的高程信息以及与每个样本田块相邻的样本田块的历史灌溉决策;
S320a、根据样本数据,基于多元线性回归算法训练得到灌溉决策模型;
异质性系数用于表示每个田块和与之相邻的田块之间的历史灌溉水量的差异;
每个样本田块的历史异质性系数获取步骤如下:
获取农田中每个样本田块的历史灌溉水量,以及与该样本田块相邻的样本田块的历史灌溉水量,并计算获取的两种历史灌溉水量的标准差;
对标准差进行归一化处理,得到农田中每个样本田块的历史异质性系数;
多元线性回归算法为:
Y(0)=P(1)•X(1)+P(2)•X(2)+⋯+P(n-1)•X(n-1)+P(n)•X(n)+C
Y(1)=P(1)•X(1)+P(2)•X(2)+⋯+P(n-1)•X(n-1)+P(n)•X(n)+C
……
Y(n-1)=P(1)•X(1)+P(2)•X(2)+⋯+P(n-1)•X(n-1)+P(n)•X(n)+C
Y(n)=P(1)•X(1)+P(1)•X(1)+⋯+P(n-1)•X(n-1)+P(n)•X(n)+C
其中,Y为输出值,Y(0)~Y(n-1)分别表示每个样本田块在历史灌溉周期内的历史灌溉水量,Y(n)表示每个样本田块当前灌溉周期内的当前目标灌溉水量;X为特征值,包括:每个样本田块的土壤类型、高程信息、历史灌溉日期、历史灌溉决策以及相应的历史异质性系数,农田的历史环境监测数据以及历史预测灌溉需水量;P为参数权重;C是常量。
2.根据权利要求1所述的一种基于大数据的灌溉决策制定方法,其特征在于,农田的环境监测数据至少包括:气象数据、下垫面条件、预报降雨量和卫星遥感数据。
3.根据权利要求1或2所述的一种基于大数据的灌溉决策制定方法,其特征在于,
在根据农田的环境监测数据构建灌溉预报模型之前,灌溉决策制定方法还包括:
按照农田的环境监测数据中包括的数据属性,对环境监测数据进行预处理,以基于预处理之后的环境监测数据构建灌溉预报模型,其中,预处理包括:剔除不符合数据规范的数据和噪声数据、清理重复数据和/或对缺失数据进行插值补全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911166625.4A CN111126662B (zh) | 2019-11-25 | 2019-11-25 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911166625.4A CN111126662B (zh) | 2019-11-25 | 2019-11-25 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126662A CN111126662A (zh) | 2020-05-08 |
CN111126662B true CN111126662B (zh) | 2023-04-28 |
Family
ID=70496554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911166625.4A Active CN111126662B (zh) | 2019-11-25 | 2019-11-25 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126662B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020119521B4 (de) * | 2020-07-23 | 2024-02-29 | Einhell Germany Ag | Automatische Bewässerung einer Fläche |
CN113722369A (zh) * | 2021-08-23 | 2021-11-30 | 中科锐思智感科技(苏州)有限公司 | 田间监测数据预测方法、装置、设备和存储介质 |
CN113642729A (zh) * | 2021-08-26 | 2021-11-12 | 福建省致青生态环保有限公司 | 基于机器学习的智能沼液施用方法、系统及存储介质 |
CN113836728B (zh) * | 2021-09-27 | 2024-04-26 | 广州极飞科技股份有限公司 | 灌水量计算方法及装置、电子设备及存储介质 |
CN114663248B (zh) * | 2022-04-06 | 2022-12-06 | 中国水利水电科学研究院 | 一种遥感与地面协同的农田地块灌溉水量计算方法及系统 |
CN115830458B (zh) * | 2023-02-09 | 2023-05-09 | 中关村睿宸卫星创新应用研究院 | 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 |
CN116369175B (zh) * | 2023-04-10 | 2024-05-07 | 宁夏大学 | 一种提升番茄风味品质的灌溉决策方法及装置 |
CN117077992B (zh) * | 2023-10-18 | 2024-02-13 | 深圳市宏电技术股份有限公司 | 地下水灌溉承载力提升方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521699A (zh) * | 2014-11-18 | 2015-04-22 | 华北水利水电大学 | 田间智能灌溉在线控制管理方法 |
CN105557475A (zh) * | 2016-02-02 | 2016-05-11 | 浙江大学 | 一种稻田多口智能灌溉系统及其方法 |
CN105830870A (zh) * | 2016-03-24 | 2016-08-10 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
CN106688827A (zh) * | 2016-12-09 | 2017-05-24 | 中国科学院新疆生态与地理研究所 | 一种基于农业系统模型的灌溉决策系统及方法 |
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 |
CN108876005A (zh) * | 2018-05-07 | 2018-11-23 | 中国农业科学院农田灌溉研究所 | 基于天气信息的冬小麦灌溉预报方法 |
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 |
CN110084539A (zh) * | 2018-11-30 | 2019-08-02 | 武汉大学 | 灌溉决策学习方法、装置、服务器和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016049102A (ja) * | 2014-08-29 | 2016-04-11 | 株式会社リコー | 圃場管理システム、圃場管理方法、プログラム |
-
2019
- 2019-11-25 CN CN201911166625.4A patent/CN111126662B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521699A (zh) * | 2014-11-18 | 2015-04-22 | 华北水利水电大学 | 田间智能灌溉在线控制管理方法 |
CN105557475A (zh) * | 2016-02-02 | 2016-05-11 | 浙江大学 | 一种稻田多口智能灌溉系统及其方法 |
CN105830870A (zh) * | 2016-03-24 | 2016-08-10 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
CN106688827A (zh) * | 2016-12-09 | 2017-05-24 | 中国科学院新疆生态与地理研究所 | 一种基于农业系统模型的灌溉决策系统及方法 |
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 |
CN108876005A (zh) * | 2018-05-07 | 2018-11-23 | 中国农业科学院农田灌溉研究所 | 基于天气信息的冬小麦灌溉预报方法 |
CN110084539A (zh) * | 2018-11-30 | 2019-08-02 | 武汉大学 | 灌溉决策学习方法、装置、服务器和存储介质 |
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 |
Non-Patent Citations (6)
Title |
---|
何新林 ; 郭生练 ; 盛东 ; 姚立民 ; .土壤墒情自动测报系统在绿洲农业区的应用.农业工程学报.2007,(第08期),全文. * |
徐凯 ; 陆垂裕 ; 季海萍 ; .作物蒸发腾发量计算研究综述.人民黄河.2013,(第04期),全文. * |
李远华,崔远来,杨常武,林善钿,陈崇德.漳河灌区实时灌溉预报研究.水科学进展.1997,(第01期),全文. * |
王建鹏 ; 崔远来 ; .基于改进SWAT模型的区域蒸发蒸腾量模拟.武汉大学学报(工学版).2009,(第05期),全文. * |
郭士国,李晓艳.实时灌溉预报计算机模型的建立.黑龙江水专学报.2003,(第02期),全文. * |
陈智芳 ; 宋妮 ; 王景雷 ; .节水灌溉管理与决策支持系统.农业工程学报.2009,(第S2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111126662A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
CN113591631A (zh) | 一种基于多源数据的作物估产方法 | |
CN112858632A (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
CN111829957A (zh) | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 | |
CN116337146B (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
CN113255972A (zh) | 基于Attention机制的短临降水预测方法 | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
US11481904B1 (en) | Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images | |
CN113255999B (zh) | 基于多模型的农作物产量评估方法、装置、设备及介质 | |
Li et al. | Ensemble learning prediction of soybean yields in China based on meteorological data | |
Liu et al. | Evaluating how lodging affects maize yield estimation based on UAV observations | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
Zou et al. | Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage | |
Xu et al. | [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
CN111579565A (zh) | 农业干旱监测方法、系统及存储介质 | |
Hong-Yu et al. | Ramie plant counting based on UAV remote sensing technology and deep learning | |
CN112380497A (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
Jala et al. | Machine Learning, Deep Learning Models for Agro-Meteorology Applications | |
CN115861827B (zh) | 作物水肥胁迫的决策方法、装置及手机终端 |
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 |