CN111176238B - Aipa智慧决策型精准农业系统 - Google Patents
Aipa智慧决策型精准农业系统 Download PDFInfo
- Publication number
- CN111176238B CN111176238B CN202010003353.2A CN202010003353A CN111176238B CN 111176238 B CN111176238 B CN 111176238B CN 202010003353 A CN202010003353 A CN 202010003353A CN 111176238 B CN111176238 B CN 111176238B
- Authority
- CN
- China
- Prior art keywords
- ring
- factor
- fertilizer
- water
- unit
- 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
- 101100264174 Mus musculus Xiap gene Proteins 0.000 title claims abstract description 70
- 230000008878 coupling Effects 0.000 claims abstract description 73
- 238000010168 coupling process Methods 0.000 claims abstract description 73
- 238000005859 coupling reaction Methods 0.000 claims abstract description 73
- 230000012010 growth Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000008635 plant growth Effects 0.000 claims abstract description 4
- 239000003337 fertilizer Substances 0.000 claims description 93
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 86
- 230000005855 radiation Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 23
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 241000607479 Yersinia pestis Species 0.000 claims description 16
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 238000003973 irrigation Methods 0.000 claims description 7
- 230000002262 irrigation Effects 0.000 claims description 7
- 238000005507 spraying Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 239000003570 air Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012272 crop production Methods 0.000 claims description 4
- 238000011221 initial treatment Methods 0.000 claims description 4
- 239000003621 irrigation water Substances 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 239000012080 ambient air Substances 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 239000000575 pesticide Substances 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 18
- 240000003768 Solanum lycopersicum Species 0.000 description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 15
- 235000013399 edible fruits Nutrition 0.000 description 11
- 241000238631 Hexapoda Species 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 235000016709 nutrition Nutrition 0.000 description 7
- 230000035764 nutrition Effects 0.000 description 7
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 230000004345 fruit ripening Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000009331 sowing Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000010413 gardening Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- YIXJRHPUWRPCBB-UHFFFAOYSA-N magnesium nitrate Chemical compound [Mg+2].[O-][N+]([O-])=O.[O-][N+]([O-])=O YIXJRHPUWRPCBB-UHFFFAOYSA-N 0.000 description 2
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000012773 agricultural material Substances 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- NGLMYMJASOJOJY-UHFFFAOYSA-O azanium;calcium;nitrate Chemical compound [NH4+].[Ca].[O-][N+]([O-])=O NGLMYMJASOJOJY-UHFFFAOYSA-O 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000005523 excessive nutrition Nutrition 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910000402 monopotassium phosphate Inorganic materials 0.000 description 1
- 235000019796 monopotassium phosphate Nutrition 0.000 description 1
- 239000012452 mother liquor Substances 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008979 phosphorus utilization Effects 0.000 description 1
- 239000005648 plant growth regulator Substances 0.000 description 1
- GNSKLFRGEWLPPA-UHFFFAOYSA-M potassium dihydrogen phosphate Chemical compound [K+].OP(O)([O-])=O GNSKLFRGEWLPPA-UHFFFAOYSA-M 0.000 description 1
- 239000004323 potassium nitrate Substances 0.000 description 1
- 235000010333 potassium nitrate Nutrition 0.000 description 1
- LWIHDJKSTIGBAC-UHFFFAOYSA-K potassium phosphate Substances [K+].[K+].[K+].[O-]P([O-])([O-])=O LWIHDJKSTIGBAC-UHFFFAOYSA-K 0.000 description 1
- OTYBMLCTZGSZBG-UHFFFAOYSA-L potassium sulfate Chemical compound [K+].[K+].[O-]S([O-])(=O)=O OTYBMLCTZGSZBG-UHFFFAOYSA-L 0.000 description 1
- 229910052939 potassium sulfate Inorganic materials 0.000 description 1
- 235000011151 potassium sulphates Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明主要提出一种AIPA智慧决策型精准农业系统，包括由多个生长环境因素基本环构成的多因素耦合环，以及与多因素耦合环数据连接的大数据处理单元；每一个所述生长环境因素基本环为一个植物生长环境因素的局部闭环系统，包括采集该生长环境因素数据的传感硬件标准接口、改善该生长环境因素的联动设备控制接口、以及通过大数据处理单元进行的逻辑处理过程；所述大数据处理单元对多因素耦合环进行生长环境因素的耦合关系设定，以及随时间变化调整耦合关系的变化。本发明所述AIPA智慧决策型精准农业系统，通过采集影响作物的多因素，并经过多因素耦合环建立判断，达到在实际生产中预测产量、质量的效果。
Description
技术领域
本发明属于农业智能化领域，特别是涉及到一种智慧决策型精准农业系统。
背景技术
植物生长需要温度、光照、水肥、二氧化碳、肥料等生长环境因素和植株所处基质的条件的相互作用和相互影响，是一个动态的耦合关系。
目前，这些因素从单一因素角度，无论是农业园艺领域还是科技物联网领域，都从其精准角度给予了很多理论研究和科技手段实现，目前很多农田也实现了远程控制和监测，这属于智慧农业的第一阶段，该阶段仍然是园艺、土壤这些农业角度和物联网科技角度没有充分黏合，从而造成不同区域、不同品种、不同种植技术致使了不同的产量和质量；
为达到农作物生长可精准的产量和质量预判、以消费者端对产品的质量和品质需求为导向来生产，需要制定一套标准体系和生产模型，这就需要研究和实践温光水气肥等因素之间的耦合关系，而全球范围内主要种植仍普遍依赖单因素的简单关联技术，不足以作出种植的精准决策，而美国DSSAT模型从理论上研究了多因素之间的影响关系但尚未做到真正技术落地，仍属于理论研究层面。国内在实现精准的农作物生长模型方面，也基本处于理论提出阶段，并且即便是理论研究，也缺乏合适的技术方法解决多因素耦合的问题。决定了难以落地生产。
发明内容
AIPA含义是Artificial Intelligence Precision Agriculture智慧决策型精准农业。
本发明提出AIPA智慧决策型精准农业系统，从作物模型角度，提出多因素耦合环的设计理念，以及与实际生产相结合。
为达到上述目的，本发明的技术方案是这样实现的：
一种AIPA智慧决策型精准农业系统，包括：由多个生长环境因素基本环构成的多因素耦合环，以及与多因素耦合环数据连接的大数据处理单元；每一个所述生长环境因素基本环为一个植物生长环境因素的局部闭环系统，包括采集该生长环境因素数据的传感硬件标准接口、改善该生长环境因素的联动设备控制接口、以及通过大数据处理单元进行的逻辑处理过程；所述大数据处理单元对多因素耦合环进行生长环境因素的耦合关系设定，以及随时间变化调整耦合关系的变化。
优选的，所述大数据处理单元包括计算单元、连接单元、因素提取单元、神经网络单元；所述连接单元用于实现所述传感硬件标准接口的数据采集以及通过联动设备控制接口进行联动设备的控制；所述计算单元用于采集数据的的初级处理和转存，以及送达神经网络单元并能够根据神经网络单元的结果，将联动执行的命令送达连接单元；所述因素提取单元用于作物历史数据、种植管理的的人工农事记录数据的导入和提取；所述神经网络单元将因素提取单元以及计算单元的数据作为节点，进行互相联系、遍历、统计规律，得出最理想的结论数据的数学模型；
所述生长环境因素基本环包括光照环、温度环、辐射环、病虫环、水肥环、扩展环。
进一步的，所述大数据处理单元中对于多因素耦合关系的设定和调整，基于因素提取单元提取作物的生长环境因素的生长特性，通过神经网络单元得到作物不同生长时期的相互耦合的生长环境因素，以及相互耦合的数学模型，在相关的生长环境因素基本环中进行理想参数设定以及预期参数设定、调整与时间之间的变化关系；各相关的生长环境因素基本环的介入时间基于计算单元给出的数值。
更进一步的，所述理想参数为作物生长阶段的理论最佳因素值，来源于理论研究以及已有的试验结论；预期参数为多因素耦合环基于硬件设施能够达到的、与理想值最趋近的参数值。
进一步的，所述光照环包括用于采集实际光照强度、光谱、色域的传感硬件标准接口，以及用于增加光照强度、调配光谱、色域的光源联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成光照因素的局部闭环。
进一步的，所述温度环包括用于采集实际环境空气温度、土壤温度、基质温度的传感硬件标准接口，以及用于增加或降低空气温度、土壤温度、基质温度的控温联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成温度因素的局部闭环。
进一步的，所述光辐射环包括用于采集实际太阳光辐射量的传感硬件标准接口，以及用于减少光辐射量的遮阳联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成光辐射因素的局部闭环。
进一步的，所述病虫环包括用于采集实际病虫前兆的视频和图片传感硬件标准接口，以及用于防控和治理病虫的喷雾、喷药联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成病虫因素的局部闭环。
进一步的，所述水肥环包括用于采集实际水流量、水肥单元素比例、水肥电导率EC、水肥酸碱度PH的传感硬件标准接口，以及用于灌溉量、水肥调制比例的水肥一体联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成水肥因素的局部闭环。
进一步的，所述扩展环的扩展性设计基于作物其他因素传感硬件标准接口以及对应联动设备控制接口的标准化，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成该其他因素的局部闭环。
本发明所述AIPA智慧决策型精准农业系统，通过采集影响作物的多因素，并经过多因素耦合环建立判断，达到在实际生产中预测产量、质量的效果。具体来说具备如下优越性：
1，多因素耦合的决策系统，是最能真实反映实际生产的核心；
2，通过多因素耦合能够做出种植成本的预估、种植成本的降低，比如以作物实际生长过程中的需水、需肥量进行补充，实现定量预估，实现按需投入；
3，相比单因素的联动，多因素耦合更能全面和真实反映农业生产现状，具有决策稳定性，比如为了降低温度采取单纯的遮阳，缺影响了光照指标不足；
4，相比单因素联动，多因素耦合能够真正实现作物与理想预期生长曲线拟合接近。比如温度的降低调节可以通过加湿、遮阳、放风，实际生产中，多因素耦合考虑光照因素需求和湿度需求，将优先采用放风，其次综合判断加湿和遮阳的影响；
5，AIPA耦合环将因素提取考虑进来，不仅仅监测现状，更是综合统计历史性数据的录入做综合判断。实现建立在丰富农业经验、历史大数据的分析基础之上的农业智慧化系统优势；
6，本发明使用神经网络单元计算方法，在输入基础上不断的自学习迭代；
7，通过AIPA智慧决策型精准农业系统能够充分保证农业生产全程可追溯、上游农资的准入机制、下游农产品产量和质量的一致性和稳定性；
8，本发明系统充分结合物联网技术手段、大数据神经网络分析方法、农业种植应用需求科技转化、农业基础建设工程等多学科融合，建立标准化农业系统；
9，本发明系统更加有利于农业标准化生产的可复制、可推广；
10，本发明首创AIPA耦合环的感念，将已有和未来的农业因素以基本环的形式建立标准化的系统，并具备较强的扩展性。
附图说明
图1为本发明实施例的系统结构示意图；
图2为本发明实施例的基本环的架构示意图；
图3为本发明实施例的计算单元的架构示意图；
图4为本发明实施例的连接单元的架构示意图；
图5为本发明实施例的神经网络单元架构示意图；
图6为本发明实施例的耦合关系设定以及调整示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提出的AIPA智慧决策型精准农业系统，首先从作物模型角度，提出解决多因素耦合问题的技术方法，以及与实际生产相结合的标准化方法。利用AI技术结合种植生产，解决农作物生长模型从而制定生产标准体系和生产模型，以达到使不同区域、不同土壤基质、不同品种均能达到统一产量和品质的一套科技+农业的系统，填补国内空白，给世界作物生产模型的研究增加理论和实践支撑。
如图1所示，本发明AIPA智慧决策型精准农业系统，首先从作物模型角度，将AIPA智慧决策型精准农业系统整理为“AIPA耦合环”概念，以“AIPA耦合环”为发明核心，解决多因素耦合问题的技术方法，以及与实际生产相结合的标准化方法。从1作物本身出发，通过“2AIPA耦合环”得到13模型(作物模型)，而13模型又通过“2AIPA耦合环”反过来指导1作物的实际生产。
其中3AIPA光照环、4AIPA温度环、5AIPA辐射环、6AIPA病虫环、7AIPA水肥环、8AIPA扩展环一并设计为2AIPA耦合环的多因素耦合环的基本环。9计算单元、10连接单元、11因素提取单元、12神经网络单元在设计核心中作为2AIPA耦合环的大数据处理单元。
一、以下是“AIPA耦合环”发明核心的各个组成部分描述，其中：
3AIPA光照环：包括用于采集实际光照强度、光谱、色域的传感硬件标准接口，以及用于增加光照强度、调配光谱、色域的光源联动设备控制接口。逻辑过程是通过10连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由10连接单元进行联动设备的控制，形成光照因素的局部闭环。
4AIPA温度环：包括用于采集实际环境空气温度、土壤温度、基质温度的传感硬件标准接口，以及用于增加或降低空气温度、土壤温度、基质温度的控温联动设备控制接口。逻辑过程是通过10连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由10连接单元进行联动设备的控制，形成温度因素的局部闭环。
5AIPA光辐射环：包括用于采集实际太阳光辐射量的传感硬件标准接口，以及用于减少光辐射量的遮阳联动设备控制接口。逻辑过程是通过10连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由10连接单元进行联动设备的控制，形成光辐射因素的局部闭环。
6AIPA病虫环：包括用于采集实际病虫前兆的视频和图片传感硬件标准接口，以及用于防控和治理病虫的喷雾、喷药联动设备控制接口。逻辑过程是通过10连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由10连接单元进行联动设备的控制，形成病虫你因素的局部闭环。
7AIPA水肥环：包括用于采集实际水流量、水肥单元素比例、水肥电导率(EC)、水肥酸碱度(PH)的传感硬件标准接口，以及用于灌溉量、水肥调制比例的水肥一体联动设备控制接口。逻辑过程是通过10连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由10连接单元进行联动设备的控制，形成水肥因素的局部闭环。
8AIPA扩展环：扩展性设计基于作物其他因素传感硬件标准接口以及对应联动设备控制接口的标准化。比如，二氧化碳(CO2)因素，扩展环可以采集实际CO2浓度值，并与CO2补充联动系统进行控制对接，逻辑过程是通过10连接单元实现传感硬件标准接口的数据采集，经9计算单元进行该因素的初级处理和转存，由10连接单元进行联动设备的控制，形成CO2因素的局部闭环。新增作物的14其他因素通过8AIPA扩展环共同组成发明系统的2AIPA耦合环的多因素耦合环。
如图2所示为2AIPA耦合环的多因素耦合环的各个基本环技术框架的图示。本发明以基本环的设计架构为发明方法基础，作为系统的底层实现结构方法。
二、本发明所述2AIPA耦合环的大数据处理单元将上文基本环进行多因素耦合，具体如下：
9计算单元：将10连接单元输入因素数据经数据缓冲队列进行预存和阈值判定初级处理、进行数据分组存储，送达12神经网络单元并能够根据12神经网络单元的结果，将联动执行的命令送达10连接单元。9计算单元的技术框架如图3所示。
10连接单元：本发明所设计的10连接单元实现基本环的采集输入、联动设备的控制输出作用。技术框架提出标准化方法，将不同的作物要素，通过标准的软硬件接口实现输入和输出。技术框架图如图4所示。
11因素提取单元：本发明因素提取单元设计为1作物历史数据、种植管理的的人工农事记录数据的导入和提取。其中作物历史数据包括种植区当地过去3年每平方公里网格的气象数据、以及当地1作物的历史人工农事记录数据。种植管理的人工农事记录数据包含耕地﹑施肥﹑播种﹑田间管理(除草、防倒伏、喷洒农药、病虫害防治、防寒、防冻、防旱、浇水、防涝、排灌)、收割、收获﹑贮藏、六畜管理(饲养、疾病预防)等农业生产活动。涵盖果蔬、花木、中草药、食用菌、粮油、水产、禽畜、农药、肥料、种子、农业机械与设施等行业和农业活动。
12神经网络单元：本发明引入人工神经网络(Artificial Neural Networks，简写为ANNs)设计方法及概念，(也简称为神经网络),它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。具体来说，2AIPA耦合环将作物的11因素提取单元的数据以及上文所述3～8AIPA基本环的数据作为12神经网络单元的内部大量节点，进行互相联系、遍历、统计规律，得出最理想的结论数据的数学模型。如图5所示，因素提取单元输出数据、以及光照因素、温度因素、光辐射因素、病虫因素、水肥因素、其他因素(CO2)等，遍历节点包括作物品种选择、生长环境调节逻辑、作物培育调节、种植条件判定和调整、历史种植记录、历史极端情况概率、因素采集条件设定、联动调节级别评估、机器视觉修正、病害程度判定及处理、与上一代模型拟合等；经过神经网络单元输出数据包括品种库数据、逻辑优先级设定数据、苗期关键信息数据、拟合实际条件、建立历史概况库、预测未来极端情况概率、采集区间及提高精度、联动逻辑和优先级实施、视觉确认和判定、轻重缓急除害举措、自学习迭代模型等。
三、以下是“AIPA耦合环”的核心耦合关系描述。
耦合关系的确定首先基于因素提取单元，按照不同时期(本实施例中分为苗期、花期、果期、凋零)，首先提取作物的水肥、温度生长特性，在AIPA水肥环、AIPA温度环中，进行理想参数设定以及预期参数设定。其中理想参数为该作物生长阶段的理论最佳因素值，一般来自于理论研究以及已有的试验结论；预期参数为耦合环基于硬件设施能够达到的、与理想值最趋近的参数值；比如，某作物的苗期的温度(平均温度或者积温)理想参数值为110摄氏度，而由于实施中缺乏必要的增温设备，无法达到理想参数值，经评估硬件设施能够达到的、与理想值最趋近的因素值为105摄氏度，那么，预期参数值为105摄氏度。这是本发明所述“耦合”的基准设定方法。
其次，本发明所述方法是耦合环的预期设定、调整与时间之间的变化关系，也可以说，耦合环的介入时间与计算单元给出的数值有关。这里所述确定的方法为，如上图所示，作物苗期主要是AIPA水肥环、AIPA温度环介入，且效果上将水肥因素、温度因素控制在恒定状态，且温度与水肥的耦合关系同步正比；作物花期即将来临时，AIPA水肥环将与AIPA温度环同步调整预期参数值设定，初期依然是温度与水肥的耦合关系同步正比。在本发明所指定的方法中，花期中段AIPA水肥环触发方式关联到AIPA辐射环，以监测作物生长环境下总太阳辐射量的累计值触发AIPA水肥环进行灌溉水量、特定水肥比例的动态调整，本发明专利中所述方法已经约定的花期AIPA辐射环通用预期参数为700mwh/cm^2，每达到该累计值，进行AIPA水肥环的启动，然后AIPA辐射环预期参数清零重新累计，同期，AIPA温度环的预期参数体现在积温的数值(不超过110摄氏度)，这一数值按日累加与辐射量触发的水肥灌溉量(单次约480L/min)、水肥比例(不超过3％)一同决定作物发育指数，相关的运算关系在计算单元中实现，达到作物生产结果周期、产量预估信息。对于种植环境不满足的，通过以上AIPA温度环、AIPA水肥环进行调节，直至趋向于理想因素值(来自因素提取单元)。
同时，其他因素的耦合关系的调节，例如病虫害，在AIPA病虫环中设定特定时期的高发病虫害的客观环境因素，例如花期，在系统运行时，AIPA病虫环将该信息耦合给AIPA温度环、AIPA水肥环进行因素调节，跳开病虫害高发的环境因素组合，降低风险。同样，AIPA温度环、AIPA水肥环实时反馈实际因素的情况到AIPA病虫环，用以AIPA病虫环的发病几率预测，如超过所能调节的范围，将系统通知或者药物的介入。
在本发明的系统方法中，果期(盛果期)AIPA温度环、AIPA水肥环持续同步提高耦合程度，为增大果实做准备。AIPA光照环和AIPA CO2环介入，充足的光照和CO2供给，将促进果实营养的积累。光照接受的上限以AIPA温度环设定上限为界定。CO2需求的上限以AIPA水肥环设定的作物肥料营养配比与吸收因数做耦合。
本发明系统方法所述“AIPA耦合环”的核心耦合关系通过神经网络单元进行输入输出分析，并用于实现上文所述的硬件设施能够达到的、与理想值最趋近的预设参数值。在AIPA耦合环中的传感和执行设备在每一次结论验证后进行预设参数值迭代和更新。
四、以农作物番茄为例：
实施案例以2019上半年度山西某番茄种植园所做的标准化对比试验，说明AIPA智慧决策型精准农业系统在对比棚号(1-17号棚)与当地另14个棚普通种植显示出的改进效果分析。
在该番茄种植园区选取17个番茄种植户大棚，建造结构及大环境相同，编号为1-17号，所种植为统一番茄品种；
案例实施的第一步是通过AIPA系统的11因素提取单元，对1-17号棚番茄种植的历史数据、种植管理的的人工农事记录数据进行导入和提取；如下表：
上述数据作为AIPA系统中12神经网络单元的内部节点，进行互相联系、遍历、统计规律，根据统计结果，首先针对番茄的生长特性将番茄的生长阶段划分为4个阶段，第一阶段为从播种到开花阶段，第二阶段为开花到坐果阶段，第三阶段为坐果到果熟期阶段，第四阶段为果熟到采摘期阶段；
然后分析各阶段的理论模型，包括品种自身的遗传特性确定的发育系数、发发育速率、发育进程等参数，以及肥料因子影响函数、水分因子影响函数、播种深度因子影响函数、日照长度影响函数、昼夜温差效应函数、温度因子影响函数；
根据分析结果，提取番茄各发育阶段的水肥、温度生长特性，在AIPA水肥环、AIPA温度环中，进行理想参数设定以及预期参数设定。其中理想参数来源于上述分析结果，为该作物生长阶段的理论最佳因素值；预期参数为耦合环基于硬件设施能够达到的、与理想值最趋近的参数值；将预期参数作为本发明的耦合的基准设定；
在番茄播种到开花阶段主要是AIPA系统的水肥环、温度环介入，将水肥因素、温度因素控制在恒定状态，且温度与水肥的耦合关系同步正比；开花到坐果阶段即将来临时，初期依然是温度与水肥的耦合关系同步正比，中期水肥环触发方式关联到辐射环，以监测作物生长环境下总太阳辐射量的累计值触发水肥环进行灌溉水量、特定水肥比例的动态调整，按照辐射环通用预期参数，每达到该累计值，进行AIPA水肥环的启动，然后AIPA辐射环预期参数清零重新累计，同期，AIPA温度环的预期参数体现在积温的数值，这一数值按日累加与辐射量触发的水肥灌溉量、水肥比例一同决定作物发育指数，相关的运算关系在计算单元中实现，达到作物生产结果周期、产量预估信息。对于种植环境不满足的，通过以上温度环、水肥环进行调节，直至趋向于理想因素值。
本实施例的17个大棚虽然建造结构相同，但是在山地所处地势高程以及建造朝向各有不同，影响了光照的直接参数。本发明AIPA系统将光照因素与温度调节进行耦合计算，依据光照的不同来控温保持在17个棚的差异化调整，平均温度24℃-30℃。具体各个棚室的温度控制情况见下表“空气温度”。
另外，由于高程差异，虽有减压阀来保证每个棚室的进水压力均衡，但实测得知灌溉水量以及水肥的差异，AIPA系统针对不同的棚室进行补水(水肥量及EC比例)的补偿计算，补偿计算的具体数值见下表格中“单苗进水10ml/天”指标设定。
其他因素与这两个指标情况类似。
下表中的生长环境因素的指标数据即是分析出的耦合结果：
如下表所示：
具体以水肥环为例，水肥环通过接口连接数字化水肥一体联动设备，按照氮磷钾等单元素肥根据植物不同生长阶段进行精确混合，不同单元素肥料独立存放与A、B、C、酸，4个肥料桶中，每个肥料桶规格为1000L，水肥一体机经过4通道分别自动按照设定比例吸肥；
其中基础母液肥指标为A肥：50公斤硝酸铵钙、3公斤微量元素、1公斤铁粉；B肥：50公斤硝酸钾；C肥：25公斤磷酸二氢钾、12.5公斤硫酸钾、25公斤硝酸镁；酸桶：20升硝酸、20升磷酸；
针对不同时期AIPA水肥环的设定为：
1，番茄从播种到开花期(3/15-4/1)，所需氮磷钾营养比例是1:1:1，生长期是全面均衡补充营养的时期；
2，开花到坐果(4/1-4/8)所需营养比例是1:0.5:1.5，这个时期是磷利用率最大的时期，这时施肥主要作用是提高番茄的开花坐果率，保花保果；
3，坐果到果熟期(4/8-5/30)所需养分比例为1:0.3:2
4，果熟到采摘期(6/1-8/20)是1:0.3:2，番茄膨大期对钾的需求量大，也是钾利用率最高的时期，但是同时要补充氮磷元素，兼顾营养生长，为番茄补充钾元素的同时，补充氮磷元素，让番茄膨大的时候补充营养，防止番茄营养输出过多，影响番茄的品质。
事实证明，通过合理的管控耦合参数，试验棚1-17号棚的平米产量(17个棚平均达到12公斤/平米)普遍高于传统种植平米产量(14个传统种植棚平均为9公斤/平米)。综合分析，AIPA针对差异化的种植环境，进行耦合环的差异化自动设置，虽未能完全达到产量一致，但得到了普遍的产量提升，综合效益明显。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种AIPA智慧决策型精准农业系统，其特征在于，包括：由多个生长环境因素基本环构成的多因素耦合环，以及与多因素耦合环数据连接的大数据处理单元；每一个所述生长环境因素基本环为一个植物生长环境因素的局部闭环系统，包括采集该生长环境因素数据的传感硬件标准接口、改善该生长环境因素的联动设备控制接口、以及通过大数据处理单元进行的逻辑处理过程；所述大数据处理单元对多因素耦合环进行生长环境因素的耦合关系设定，以及随时间变化调整耦合关系的变化；
所述大数据处理单元包括计算单元、连接单元、因素提取单元、神经网络单元；所述连接单元用于实现所述传感硬件标准接口的数据采集以及通过联动设备控制接口进行联动设备的控制；所述计算单元用于采集数据的初级处理和转存，以及送达神经网络单元并能够根据神经网络单元的结果，将联动执行的命令送达连接单元；所述因素提取单元用于作物历史数据、种植管理的人工农事记录数据的导入和提取；所述神经网络单元将因素提取单元以及计算单元的数据作为节点，进行互相联系、遍历、统计规律，得出最理想的结论数据的数学模型；
所述生长环境因素基本环包括光照环、温度环、辐射环、病虫环、水肥环、扩展环；
所述大数据处理单元中对于多因素耦合关系的设定和调整，基于因素提取单元提取作物的生长环境因素的生长特性，通过神经网络单元得到作物不同生长时期的相互耦合的生长环境因素，以及相互耦合的数学模型，在相关的生长环境因素基本环中进行理想参数设定以及预期参数设定、调整与时间之间的变化关系；各相关的生长环境因素基本环的介入时间基于计算单元给出的数值；
所述理想参数为作物生长阶段的理论最佳因素值，来源于理论研究以及已有的试验结论；预期参数为多因素耦合环基于硬件设施能够达到的、与理想值最趋近的参数值；
因素提取单元按照不同时期首先提取作物的水肥、温度生长特性，在水肥环、温度环中，进行理想参数设定以及预期参数设定；其次调整与时间之间的变化关系，作物苗期主要是水肥环、温度环介入，将水肥因素、温度因素控制在恒定状态，且温度与水肥的耦合关系同步正比；作物花期即将来临时，水肥环将与温度环同步调整预期参数值设定，初期依然是温度与水肥的耦合关系同步正比；花期中段水肥环触发方式关联到辐射环，以监测作物生长环境下总太阳辐射量的累计值触发水肥环进行灌溉水量、特定水肥比例的动态调整；辐射环每达到累计值，进行水肥环的启动，然后辐射环预期参数清零重新累计；同期，温度环的预期参数体现在积温的数值，这一数值按日累加与辐射量触发的水肥灌溉量、水肥比例一同决定作物发育指数，相关的运算关系在计算单元中实现，达到作物生产结果周期、产量预估信息；对于种植环境不满足的，通过温度环、水肥环进行调节，直至趋向于理想因素值。
2.根据权利要求1所述的一种AIPA智慧决策型精准农业系统，其特征在于，所述光照环包括用于采集实际光照强度、光谱、色域的传感硬件标准接口，以及用于增加光照强度、调配光谱、色域的光源联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成光照因素的局部闭环。
3.根据权利要求1所述的一种AIPA智慧决策型精准农业系统，其特征在于，所述温度环包括用于采集实际环境空气温度、土壤温度、基质温度的传感硬件标准接口，以及用于增加或降低空气温度、土壤温度、基质温度的控温联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成温度因素的局部闭环。
4.根据权利要求1所述的一种AIPA智慧决策型精准农业系统，其特征在于，所述辐射环包括用于采集实际太阳光辐射量的传感硬件标准接口，以及用于减少光辐射量的遮阳联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成光辐射因素的局部闭环。
5.根据权利要求1所述的一种AIPA智慧决策型精准农业系统，其特征在于，所述病虫环包括用于采集实际病虫前兆的视频和图片传感硬件标准接口，以及用于防控和治理病虫的喷雾、喷药联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成病虫因素的局部闭环。
6.根据权利要求1所述的一种AIPA智慧决策型精准农业系统，其特征在于，所述水肥环包括用于采集实际水流量、水肥单元素比例、水肥电导率EC、水肥酸碱度PH的传感硬件标准接口，以及用于灌溉量、水肥调制比例的水肥一体联动设备控制接口，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成水肥因素的局部闭环。
7.根据权利要求1所述的一种AIPA智慧决策型精准农业系统，其特征在于，所述扩展环的扩展性设计基于作物其他因素传感硬件标准接口以及对应联动设备控制接口的标准化，逻辑过程是通过连接单元实现传感硬件标准接口的数据采集，经计算单元进行该因素的初级处理和转存，由连接单元进行联动设备的控制，形成其他因素的局部闭环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010003353.2A CN111176238B (zh) | 2020-01-02 | 2020-01-02 | Aipa智慧决策型精准农业系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010003353.2A CN111176238B (zh) | 2020-01-02 | 2020-01-02 | Aipa智慧决策型精准农业系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111176238A CN111176238A (zh) | 2020-05-19 |
| CN111176238B true CN111176238B (zh) | 2023-08-25 |
Family
ID=70623791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010003353.2A Active CN111176238B (zh) | 2020-01-02 | 2020-01-02 | Aipa智慧决策型精准农业系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111176238B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963511A (zh) * | 2021-11-12 | 2022-01-21 | 科芯(天津)生态农业科技有限公司 | 一种用于种植棚的aipa防灾减灾方法及其系统 |
| CN116720633B (zh) * | 2023-08-11 | 2023-10-27 | 安徽农业大学 | 一种食用菌育种生长参数寻优的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951017A (zh) * | 2017-05-10 | 2017-07-14 | 寿光市众恒唐韵信息科技有限公司 | 作物调控模型驱动的智慧温室系统调控方法 |
| WO2018077102A1 (zh) * | 2016-10-31 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
| CN108614607A (zh) * | 2018-05-08 | 2018-10-02 | 上海市农业科学院 | 一种基于即时监控数据的农业生产多因素管理决策系统 |
| CN109003198A (zh) * | 2018-06-22 | 2018-12-14 | 肖晓飞 | 一种基于大数据技术的精准农业管理平台及方法 |
| WO2019118460A1 (en) * | 2017-12-11 | 2019-06-20 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| CN110187688A (zh) * | 2019-06-14 | 2019-08-30 | 青岛农业大学 | 设施农业智能水肥一体化控制系统及控制方法 |
-
2020
- 2020-01-02 CN CN202010003353.2A patent/CN111176238B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018077102A1 (zh) * | 2016-10-31 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
| CN106951017A (zh) * | 2017-05-10 | 2017-07-14 | 寿光市众恒唐韵信息科技有限公司 | 作物调控模型驱动的智慧温室系统调控方法 |
| WO2019118460A1 (en) * | 2017-12-11 | 2019-06-20 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| CN108614607A (zh) * | 2018-05-08 | 2018-10-02 | 上海市农业科学院 | 一种基于即时监控数据的农业生产多因素管理决策系统 |
| CN109003198A (zh) * | 2018-06-22 | 2018-12-14 | 肖晓飞 | 一种基于大数据技术的精准农业管理平台及方法 |
| CN110187688A (zh) * | 2019-06-14 | 2019-08-30 | 青岛农业大学 | 设施农业智能水肥一体化控制系统及控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| DSSAT作物模型进展以及在农田水管理中的应用研究;史源 等;《中国农村水利水电》;20150131(第01期);15-19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111176238A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10966377B2 (en) | Intelligent growing management method and intelligent growing device | |
| US4992942A (en) | Apparatus and method for controlling a system, such as nutrient control system for feeding plants, based on actual and projected data and according to predefined rules | |
| CN108781926B (zh) | 基于神经网络预测的大棚灌溉系统及方法 | |
| Zhou et al. | Dry matter production, radiation interception and radiation use efficiency of potato in response to temperature and nitrogen application regimes | |
| CN113439520A (zh) | 一种农作物灌溉施肥智慧决策方法及系统 | |
| CN110771442A (zh) | 基于物联网的农业种植方法和系统 | |
| CN111176238B (zh) | Aipa智慧决策型精准农业系统 | |
| Stichler et al. | Irrigating Sorghum in South and South Centeral Texas | |
| CN108901543A (zh) | 一种基于土壤分析的苹果种植管理系统 | |
| Hood et al. | Computer analysis of soybean irrigation management strategies | |
| CN107155487B (zh) | 一种集群温室灌溉施肥系统及方法 | |
| Capra et al. | Water management strategies under deficit irrigation | |
| Ben-Gal et al. | Precision drip irrigation for horticulture | |
| Inman-Bamber | Some physiological factors affecting the optimum age and season for harvesting sugarcane | |
| Abhilash Joseph et al. | Precision Farming for Sustainable Agriculture | |
| CN214708748U (zh) | 农作物精准营养灌溉管控系统 | |
| CN112273027B (zh) | 基质栽培草莓灌溉施肥方法及系统 | |
| Ooi et al. | Automation of on-farm irrigation: horticultural case study | |
| Jain | Precision agriculture-For exponential growth | |
| Wakhare et al. | Precise Prediction of Water Level Using the Naïve Bayes Algorithm for Smart Irrigation in Pomegranate Farms | |
| Meddaoui et al. | Smart Irrigation Integrate To IOT Technology Based On Deep Learning’s Algorithm LSTM | |
| CN118211751A (zh) | 一种基于大数据的种植技术共享平台 | |
| CN115462275A (zh) | 一种设施大棚葡萄套种紫云英的生产方法 | |
| KEKEÇ | PRECISION APPLIED AGRICULTURAL TECHNOLOGIES AND ITS USE IN IRRIGATION OF ORCHARDS. | |
| CN118765612A (zh) | 一种水溶肥智能施肥方法以及装置 |
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 |