CN111316802A - 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 - Google Patents
基于大型喷灌机的作物水肥监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111316802A CN111316802A CN202010106150.6A CN202010106150A CN111316802A CN 111316802 A CN111316802 A CN 111316802A CN 202010106150 A CN202010106150 A CN 202010106150A CN 111316802 A CN111316802 A CN 111316802A
- Authority
- CN
- China
- Prior art keywords
- crop canopy
- irrigation
- crop
- fertilizer
- reflectivity
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 239000003337 fertilizer Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000003973 irrigation Methods 0.000 claims abstract description 195
- 230000002262 irrigation Effects 0.000 claims abstract description 189
- 238000002310 reflectometry Methods 0.000 claims abstract description 88
- 230000004720 fertilization Effects 0.000 claims abstract description 79
- 239000002689 soil Substances 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 81
- 235000015097 nutrients Nutrition 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 239000003621 irrigation water Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 210000003608 fece Anatomy 0.000 claims 1
- 239000007788 liquid Substances 0.000 claims 1
- 239000010871 livestock manure Substances 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 46
- 229910052757 nitrogen Inorganic materials 0.000 description 23
- 238000012360 testing method Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012314 multivariate regression analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001579 optical reflectometry Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/007—Metering or regulating systems
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Fertilizing (AREA)
Abstract
本发明涉及作物监测技术领域，提供了一种基于大型喷灌机的作物水肥监测方法、装置、设备及介质。该方法包括：获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值，若土层含水率测量值低于土层含水率下限值，则进入灌溉模式，基于作物冠层反射率、作物冠层温度、作物冠层高度和灌溉状态函数确定当前需补充的灌水量；若土层含水率测量值高于土层含水率下限值，则进入施肥模式，基于作物冠层反射率、作物冠层温度、作物冠层高度和施肥状态函数确定当前需追施的肥料量。上述作物水肥监测方法、装置、设备及介质，根据实时采集的作物冠层反射率、作物冠层温度和作物冠层高度确定当前水分和肥料的亏缺状态，提出适宜的灌溉操作。
Description
技术领域
本发明涉及作物监测技术领域，尤其涉及一种基于大型喷灌机的作物水肥监测方法、装置、设备及介质。
背景技术
在对作物进行合理水肥施用前，需要对作物的生长状态进行准确而及时的掌握。因此，有必要通过合理的监测方法有效了解作物的水分和养分亏缺情况。以往的农作物水肥状态测量方法主要包括人工经验方法和物理化学方法。前者高度依赖农户的种植及管理经验，对农作物水肥状态的判断评估精度较低，而且不能量化表述；后者需要在实验室采用专业仪器设备测定，耗时较长，效率较低，而且会对作物自身和生长环境造成一定的破坏。因此，无损检测在我国农业生产监测中得到了广泛的采用。遥感技术属于无损检测的一种，它可以利用照相机或者传感器非接触性地获取物体的反射电磁光谱信息，之后通过计算机系统对数据进行分析，构建出相应的数学或物理模型，最后通过反演推算出研究所需的目标参数数据，农业遥感技术广泛应用于作物营养诊断、产量估算、种类识别及病虫害程度估算等方面。
按照观测平台到观测对象的距离，遥感技术又被分为：航天遥感、航空遥感和近地遥感。其中，航天遥感观测距离高、观测面积大，但其会受到时间周转率较低的影响，航天卫星只能再次旋转到某一位置时才能再次获取当地信息。航空遥感具有图像分辨率高、不受地面条件的限制、调查周期短、测量精度高以及资料回收方便等特点，但是其造价昂贵，飞行高度和续航时间有限，只能小范围进行，而且受飞行姿态影响较大。近地遥感是将传感器装置安置在地面附近对遥感对象进行探测，周转时间低于24小时，空间分辨率大于两米，使用维护成本较低并且数据获取时间较随意，更加符合农业领域遥感平台需要满足的条件。
近地遥感的观测方式主要包括无人机搭载式、人工手持式以及农用机械平台搭载式。基于圆形喷灌机、平移式喷灌机等大型喷灌机平台的近地遥感采集效率高，受云层影响相对较小，而且并未涉及到图像拼接等技术难度较高的数据处理环节，在农业遥感监测中得到广泛应用。
发明内容
本发明的目的是提供一种基于大型喷灌机的作物水肥监测方法、装置、设备及介质，用以提供一种新的作物水肥状态监测方法。
第一方面，本发明实施例提供一种基于大型喷灌机的作物水肥监测方法，包括：
获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值；若土层含水率测量值低于土层含水率下限值，则进入灌溉模式，基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量；若土层含水率测量值高于土层含水率下限值，则进入施肥模式，基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量；
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定。
在上述实施例基础上，所述灌溉状态函数和所述施肥状态函数均采用多元回归分析法获取。
在上述实施例基础上，所述基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量具体包括：
将所述作物冠层反射率、所述作物冠层温度和所述作物冠层高度代入灌溉状态函数确定当前生育期的实际灌水量，根据作物当前生育期内的推荐灌水量和实际灌水量确定当前需补充的灌水量。
在上述实施例基础上，所述当前需补充的灌水量根据如下公式确定：
Ws＝Wx-Wfx
其中，Wfx为第x生育期内的实际灌水量；Wx为第x生育期的推荐灌水量，Ws为当前需补充的灌水量；若Ws≤0，则水分充足，无需灌溉；若Ws＞0，则水分亏缺，需补充灌溉且需要灌溉的水量为Ws。
若所述当前需补充的灌水量大于零且当前时间与上一次灌溉决策时间之间的累积作物需水量不小于上一次灌溉决策中补充的灌水量，则确定当前需要进行灌溉且进行灌溉的灌水量为所述当前需补充的灌水量。
在上述实施例基础上，在进行灌溉之前还包括：
基于当前天气预报信息确定进行灌溉的时间。
在上述实施例基础上，所述基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量具体包括：
将所述作物冠层反射率、所述作物冠层温度和所述作物冠层高度代入施肥状态函数确定当前生育期的实际施肥量，根据作物当前生育期内的推荐施肥量和实际施肥量确定当前需追施的肥料量。
在上述实施例基础上，所述当前需追施的肥料量根据如下公式确定：
Fs＝Fx–Ffx
其中，Ffx为第x生育期内的实际施肥量，Fx为第x生育期的推荐肥料量，Fs为当前需追施的肥料量；
若Fs≤0，则养分充足，无需施肥；若Fs＞0，则养分亏缺，需追施肥料且需要追施的肥料量为Fs。
第二方面，本发明实施例提供了一种基于大型喷灌机的作物水肥监测装置，包括：
信息获取单元，用于获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值；
灌溉决策单元，用于在土层含水率测量值低于土层含水率下限值时，则进入灌溉模式，并基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量；在土层含水率测量值高于土层含水率下限值，则进入施肥模式，并基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量；
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；确定好的灌溉状态函数和施肥状态函数均存储在数据库内。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于大型喷灌机的作物水肥水肥监测方法、设备、装置及介质，根据作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定灌溉状态函数和施肥状态函数，并根据实时采集的作物冠层反射率、作物冠层温度和作物冠层高度确定当前水分和肥料的亏缺状态，提出适宜的灌溉操作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于大型喷灌机的作物水肥监测方法的流程图；
图2为本发明实施例中当前需补充的灌水量的流程图；
图3为本发明实施例当前需追施的肥料量的流程图；
图4为本发明实施例基于大型喷灌机的作物水肥监测装置的结构示意图；
图5为本发明实施例提供的电子设备的实体结构示意图。
图中，1、遥感冠层温度传感器；2、遥感反射率仪器；3、遥感距离传感器；4、控制柜；5、装配支架；6、桁架；7、水肥灌溉管道。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的基于大型喷灌机的作物水肥监测方法的流程图。如图1所示，基于大型喷灌机的作物水肥监测方法包括：
步骤110，获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值；
步骤120，判断土层含水率测量值和土层含水率下限值的大小关系。具体的，若土层含水率测量值低于土层含水率下限值，则进入灌溉模式，基于作物冠层反射率、作物冠层温度、作物冠层高度和灌溉状态函数确定当前需补充的灌水量；若土层含水率测量值高于土层含水率下限值，则进入施肥模式，基于作物冠层反射率、作物冠层温度、作物冠层高度和施肥状态函数确定当前需追施的肥料量。
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数以作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；确定好的灌溉状态函数和施肥状态函数均存储在数据库内。
在本发明实施例中，作物冠层反射率、作物冠层温度、作物冠层高度分别根据大型喷灌机平台上的遥感反射率仪器、遥感冠层温度传感器、遥感距离传感器获取的数据通过计算确定。具体的，作物冠层反射率指作物冠层NDVI数据，计算公式为：
式中，RNIR表示大型喷灌机平台上遥感反射率仪器测得的近红外反射率；RRED表示大型喷灌机平台上遥感反射率仪器测得的红光反射率。
作物冠层温度指冠气温差△T数据，计算公式为：
ΔT＝Tc-Ta
式中，Tc表示大型喷灌机平台上遥感冠层温度传感器测得的作物冠层温度；Ta表示大型喷灌机平台上遥感冠层温度传感器测得的空气温度。
作物冠层高度指冠层高度H数据，计算公式为：
H＝h-s
式中，h表示大型喷灌机平台上遥感距离传感器距离地面的安装高度；s表示大型喷灌机平台上遥感距离传感器所测得的其与作物冠层的间距。
其中，根据作物生长的需水规律，确定第x生育期i cm深度土层含水率下限值Vxi。根据该土层含水率下限值Vxi与土层含水率测量值Vix的比较结果，判断进入灌溉模式还是进入施肥模式。具体的，若Vix＜Vxi，表明作物水分亏缺，则进入灌溉模式；若Vix＞Vxi，表明作物水分充足，则进入施肥模式。
需要说明的是，作物在不同生育期内的需水量和需肥量不同，本发明实施例中以种植作物生长的有效积温作为判断作物生育期的基准。构建灌溉状态函数和施肥状态函数时，在试验区内设置不同的施肥处理梯度(灌水量一致)或者不同的灌水处理梯度(施肥量一致)，分别获取不同施肥处理梯度和不同灌水处理梯度下的作物冠层反射率样本数据、作物冠层温度样本数据及作物冠层高度样本数据，根据这些样本数据通过统计分析等数据处理方法确定作物不同生育期的灌溉状态函数和施肥状态函数。在判断进入灌溉模式或者进入施肥模式时，基于灌溉状态函数或者施肥状态函数确定当前需补充的灌水量或者当前需追施的肥料量。
本发明实施例提供的基于大型喷灌机的作物水肥监测方法，根据作物不同生育期内的灌水量样本数据(即其对应的灌水处理梯度，为该组试验中的实际灌水量)、施肥量样本数据(即其对应的施肥处理梯度，为该组试验中的实际施肥量)、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定灌溉状态函数和施肥状态函数，并根据实时采集的作物冠层反射率、作物冠层温度和作物冠层高度确定当前水分和养分的亏缺状态，提出适宜的灌溉操作。圆形喷灌机等大型喷灌机平台上可以安装采集装置进行信息采集，而且其本身具有水肥一体化作业功能，也可以根据采集的信息控制水肥一体化系统将水分和养分同步、均匀、准确、定时和定量地供应给作物。
在上述实施例的基础上，灌溉状态函数和施肥状态函数均采用多元回归分析法获取。其中，灌溉状态函数根据以作物不同生育期内的灌水量样本数据为因变量，以作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据为自变量，采用多元回归分析法确定，确定下来的灌溉状态函数为Wf＝f1(H，△T，NDVI)＝a1×H+a2×△T+a3×NDVI+a4，其中，作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据三个自变量前各有一个未知系数，另外还有一个未知常数，共存在四个未知量，因此在设置样本区灌水处理梯度时至少存在四个梯度值。同样的，施肥状态函数根据以作物不同生育期内的施肥量样本数据为因变量，以作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据为自变量，采用多元回归分析法确定。确定的施肥状态函数为Ff＝f2(H，△T，NDVI)＝b1×H+b2×△T+b3×NDVI+b4，其中存在b1、b2、b3和b4四个未知变量，同样的在进行样本区不同肥料处理梯度设置时需要设置至少四个肥料处理梯度。当实时获取作物冠层反射率、作物冠层温度和作物冠层高度后，根据确定的施肥状态函数和灌溉状态函数确定当前作物当前生育期内的实际施肥量和实际灌水量。
图2为本发明实施例中当前需补充的灌水量的流程图。如图2所示，基于作物冠层反射率、作物冠层温度、作物冠层高度及灌溉状态函数确定当前需补充的灌水量具体包括：
步骤210，基于作物冠层反射率、作物冠层温度和作物冠层高度确定当前生育期的实际灌水量。具体的，将作物冠层反射率、作物冠层温度和作物冠层高度代入灌溉状态函数确定当前生育期的实际灌水量。
步骤220，根据作物当前生育期内的推荐灌水量和实际灌水量确定当前需补充的灌水量。其中，基于全生育期推荐灌溉总量及当前生育期的需水比例确定当前生育期内的推荐灌水量。具体的，设定全生育期推荐灌溉总量Wt，并根据作物在第x生育期的需水比例Pwx，确定第x生育期的推荐灌水量Wx：
Wx＝Wt×Pwx
本发明实施例提供的推荐灌溉总量根据本地生产经验或目标产量确定，由于作物各个生育期内的需水量在整个生育期内的占比基本恒定，借助其在第x生育期的需水比例Pwx即可确定当前生育期内的推荐灌水量。
在上述实施例的基础上，当前需补充的灌水量根据如下公式确定：
Ws＝Wx–Wfx
其中，Wfx为第x生育期内的实际灌水量，Ws为当前需补充的灌水量。
本发明实施例中，根据作物当前生育期内的实际灌水量和推荐灌水量的差值作为当前需补充的灌水量。根据当前需补充的灌水量的大小进行灌溉决策。
具体的，进入灌溉模式后，若Ws≤0，则表明监测区域内作物水分供应充足，此时灌溉决策的结果是“水分充足，无需灌溉”；若Ws＞0，则表明监测区域内作物水分供应不足，此时灌溉决策的结果是“水分亏缺，需补充的灌水量为Ws”。
为了确保再次灌溉时可以有效补充缺失的水分，当Ws＞0即监测区域内作物水分供应不足时，判断当前时间与上一次灌溉决策时间之间累积作物需水量，若该累积作物需水量不小于上一次灌溉决策中补充的灌水量，也即这段时间内作物耗水量已经超过或者达到上一次灌溉决策中补充的灌水量，则立马开始灌溉，灌水量为需补充的灌水量Ws。若该累积作物需水量小于上一次灌溉决策中补充的灌水量，则暂不灌溉，待累积作物需水量达到或超过上一次灌溉决策中补充的灌水量后再进行灌溉。
其中，累积作物需水量具体计算过程如下：首先根据各气象因素利用Penman-Monteith公式计算参考作物需水量ET0，并根据FAO56标准确定作物系数，然后根据公式计算出各时段的作物需水量ETc，并将灌溉间隔内的ETc累加，即可求得该时段内的累积作物需水量。
Penman-Monteith公式具体为：
式中：Δ表示饱和水汽压与温度关系曲线的斜率，单位为kPa/℃；Rn表示植被表面净辐射量，单位为MJ/(m2·d)；G表示土壤热通量，MJ/(m2·d)；γ表示湿度计常数，单位为kPa/℃；T表示空气平均温度，单位为℃；u2表示地面以上2m高处的风速，单位为m/s；es表示空气饱和水汽压，单位为kPa；ea表示空气实际水汽压，单位为kPa。
作物需水量ETc根据如下公式确定：
ETc＝Kc×ET0
式中：ETc表示作物实际蒸发蒸腾量(mm/d)；Kc表示作物系数；ET0表示参考作物蒸发蒸腾量(mm/d)。
本发明实施例中，通过作物冠层高度、作物冠层湿度和作物冠层反射率确定需要进行灌溉后借助累积需水量进一步确定是否需要进行灌溉，以免水分在上一次灌溉后并未消耗完就再次进行灌溉造成作物水分过量，引起地表径流和养分淋洗。
在上述发明实施例的基础上，为了避免灌溉后接着天气下雨造成作物水分过量，在进行灌溉之前还包括，基于当前天气预报信息确定进行灌溉的时间。比如，获取当前时刻的气象预报信息，若未来3日内不会出现降雨且根据作物气象实时信息获知作物生长区的风速小5.4m/s时，则执行灌溉指令，否则推迟灌溉指令的执行，直至风速与降雨信息均满足以上要求时才执行灌溉指令。需要说明的是也可以将降雨时间调整为未来2天、4天或5天，风速大小也可以根据实际情况进行调整。
图3为本发明实施例当前需追施的肥料量的流程图。如图3所示，在上述实施例的基础上，基于作物冠层反射率、作物冠层温度、作物冠层高度及施肥状态函数确定当前需追施的肥料量具体包括：
步骤310，基于作物冠层反射率、作物冠层温度和作物冠层高度确定当前生育期的实际施肥量。具体的，将作物冠层反射率、作物冠层温度和作物冠层高度代入施肥状态函数确定当前生育期的实际施肥量。
步骤320，根据作物当前生育期内的推荐施肥量和实际施肥量确定当前需追施的肥料量。其中，基于全生育期推荐施肥量总及当前生育期的需肥料比例确定。具体的，设定全生育期推荐施肥总量Ft，并根据作物在第x生育期的需肥比例Pfx，确定第x生育期的推荐施肥量Fx：
Fx＝Ft×Pfx
本发明实施例提供的推荐施肥总量根据当地生产经验或目标产量确定，由于作物各个生育期内的需肥量在整个生育期内的占比基本恒定，借助其在第x生育期的需肥比例Pfx确定当前生育期内的推荐施肥量。
在上述实施例的基础上，当前需追施的肥料量根据如下公式确定：
Fs＝Fx–Ffx
其中，Ffx为第x生育期内的实际施肥量，Fs为当前需追施的肥料量。
其中，施加的肥料可以根据不同种类的作物的实际施肥需求进行选择，比如小麦和玉米可以选择氮肥，以下以氮肥为准进行介绍，但本发明实施例中的肥料包括但不限于氮肥。
具体的，若Fs≤0则表明监测区域内作物养分供应充足，此时灌溉决策的结果为“养分充足，无需施肥”；若Fs＞0则表明监测区域内作物养分供应不足，此时灌溉决策的结果为“养分亏缺、施肥量为Fs”。当灌溉决策的结果为“养分亏缺、施肥量为Fs”时，则在进行施肥之前还包括，基于当前天气预报信息确定进行施肥的时间。比如，获取当前时刻的气象预报信息，若未来3日内不会出现降雨且根据作物生长区内的气象信息获知风速小于5.4m/s，则执行施肥指令；否则推迟施肥指令的执行，直至风速与降雨信息均满足以上要求时才执行施肥指令。需要说明的是也可以将降雨时间调整为未来2天、4天或5天，风速大小也可以根据实际情况进行调整。
其中，在实践应用中，根据选定的监测区域，获取作物种类、水肥需求规律、关键生育期积温等作物生长习性，在关键生育期对作物冠层进行实时监测，通过大型喷灌机平台获取遥感数据与对应深度土层的含水率数据；然后判断作物水肥亏缺状态，并将获取的数据信息代入灌溉状态函数或施肥状态函数，确定需补充的灌水量或需追施的肥料量。
上述方法在实践应用中的过程如下：
试验地点为北京市通州区中国农业大学北京通州实验站(39°41'59″N、116°41'01″E)，监测作物冬小麦(品种农大211)于前一年10月初播种，播种量为277.5kg/ha，行距15cm。遥感反射率仪器采用SRS-NDVI(USA)传感器，该传感器可以测量红光反射率RRED与近红外反射率RNIR，并可以构建植被指数NDVI。遥感冠层温度仪器采用SI-111(USA)红外温度传感器。遥感距离仪器采用Tough SONIC(USA)超声波距离传感器。
在冬小麦返青期至拔节期设置不同的灌水处理梯度和不同的施氮处理梯度样本区，进行灌水处理试验，即设置不同的灌水处理梯度试验区。灌溉梯度W1＝15mm、W2＝60mm、W3＝120mm、W4＝180mm、W5＝240mm；施氮量均为247.5kg/ha(纯氮值，下同)。进行施氮处理试验，即设置不同的施氮处理梯度样本区。施氮梯度N1＝67.5kg/ha、N2＝157.5kg/ha、N3＝247.5kg/ha、N4＝337.5kg/ha、N5＝427.5kg/ha；灌水量均为120mm。选取返青期-拔节期、拔节期-抽穗期、抽穗期-灌浆期作为监测时期，其中，各时间节点对应的有效积温累计值：返青期745℃、拔节期1120℃、抽穗期1455℃。通过安装在圆形喷灌机平台上的遥感反射率仪器、遥感冠层温度仪器、遥感距离仪器获取各个关键生育期的作物冠层反射率数据、冠层温度数据、冠层高度数据。
对于不同灌水处理梯度试验区，将返青期-拔节期、拔节期-抽穗期、抽穗期-灌浆期的作物冠层反射率NDVI、作物冠层温度△T、作物冠层高度H从数据库中调出，以NDVI、△T、H为自变量，以样本区灌溉梯度值为因变量，利用多元回归分析的方法，得到各生育期内的实际灌溉状态函数f1：
返青期-拔节期：Wf＝6.80×H-22.37×△T+269.92×NDVI+263.84
拔节期-抽穗期：Wf＝7.07×H-25.77×△T+7.99×NDVI-195.67
抽穗期-灌浆期：Wf＝9.43×H-61.06×△T+28.02×NDVI-162.41
对于不同施氮处理梯度试验区，将返青期-拔节期、拔节期-抽穗期、抽穗期-灌浆期的作物冠层反射率NDVI、作物冠层温度△T、作物冠层高度H从数据库中调出，以NDVI、△T、H为自变量，以样本区施氮梯度值为因变量，利用多元回归分析的方法，得到各生育期内的实际施氮状态函数f2：
返青期-拔节期：Ff＝36.58×H-30.26×△T+706.34×NDVI+118.25
拔节期-抽穗期：Ff＝29.95×H-108.41×△T+116.55×NDVI-1257.47
抽穗期-灌浆期：Ff＝11.79×H-15.76×△T+313.59×NDVI-685.38
根据冬小麦生长规律，确定返青期-拔节期40cm深度土层含水率下限值V返-拔＝50％FC(注：FC指相应地块的田间持水量，下同)；确定拔节期-抽穗期60cm深度土层含水率下限值V拔-抽＝60％FC；确定抽穗期-灌浆期80cm深度土层含水率下限值V抽-灌＝50％FC。
当进入灌溉模式时：
根据不同灌水处理梯度试验区的产量结果确定全生育期灌水量总推荐值Wt＝120mm，并根据作物在各生育期(x代指返-拔、拔-抽、抽-灌三个时期的中的任意一个)的需水比例，确定其推荐灌水量Wx：
返青期-拔节期：Pw返-拔＝40％，W返-拔＝48mm
拔节期-抽穗期：Pw拔-抽＝40％，W拔-抽＝48mm
抽穗期-灌浆期：Pw抽-灌＝20％，W抽-灌＝24mm
之后，将NDVI、△T、H代入到对应生育期内的实际灌溉状态函数f1，得到该生育期内的实际灌水量Wf，再将第x生育期的推荐灌水量Wx与Wf做差得到当前需补充的灌水量Ws：
返青期-拔节期：Ws＝-6.80×H+22.37×△T-269.92×NDVI-215.84
拔节期-抽穗期：Ws＝-7.07×H+25.77×△T-7.99×NDVI+243.67
抽穗期-灌浆期：Ws＝-9.43×H+61.06×△T-28.02×NDVI+186.41
若Ws≤0则表明监测区域内作物水分供应充足，则“水分充足，无需灌溉”；若Ws＞0则表明监测区域内作物水分供应不足，则“水分亏缺、灌水量为Ws”。
当进入施氮模式时：
根据不同施氮处理梯度试验区的产量结果确定全生育期施氮量总推荐值Ft＝252kg/ha，并根据作物在不同时期的需肥比例(x代指返-拔、拔-抽、抽-灌三个时期的中的任意一个)，确定推荐施氮量Fx：
返青期-拔节期：Pf返-拔＝1/3，F返-拔＝84kg/ha
拔节期-抽穗期：Pf拔-抽＝1/3，F拔-抽＝84kg/ha
抽穗期-灌浆期：Pf抽-灌＝1/3，F抽-灌＝84kg/ha
之后，将NDVI、△T、H代入到对应生育期内的实际施氮状态函数f2，得到该生育期内的实际施氮量Ff，再将第x生育期的推荐施氮量Fx与Ff做差得到当前需追施的氮肥量Fs：
返青期-拔节期：
Fs＝-36.58×H+30.26×△T-706.34×NDVI-34.25
拔节期-抽穗期：
Fs＝-29.95×H+108.41×△T-116.55×NDVI+1341.47
抽穗期-灌浆期：
Fs＝-11.79×H+15.76×△T-313.59×NDVI+769.38
若Fs≤0则表明监测区域内作物氮素供应充足，则“氮素充足，无需施肥”；若Fs＞0则表明监测区域内作物氮素供应不足，则“氮素亏缺、施氮量为Fs”。
图4为本发明实施例提供的基于大型喷灌机的作物水肥监测装置，包括：
信息获取单元，用于获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值。
灌溉决策单元，用于在土层含水率测量值低于土层含水率下限值时，则进入灌溉模式，并基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量；在土层含水率测量值高于土层含水率下限值，则进入施肥模式，并基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量。
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；确定好的灌溉状态函数和施肥状态函数均存储在数据库内。
具体的，本发明实施例中作物冠层反射率样本数据、作物冠层温度样本数据、作物冠层高度样本数据均存储在数据库内。样本试验过程中获取作物在各关键生育期不同灌水处理梯度、不同施肥处理梯度的土壤含水率和作物最终产量均存储在该数据库内。通过对数据库内数据进行回归分析，分别确定各关键生育期灌水量与作物冠层温度、高度和反射率的相关关系及各关键生育期灌水量与作物冠层温度、高度和反射率的相关关系。
其中，实时获取的作物冠层温度、作物冠层反射率及作物冠层高度分别通过安装在大型喷灌机平台上的遥感冠层温度传感器1、遥感反射率仪器2和遥感距离传感器3获取。遥感冠层温度传感器1、遥感反射率仪器2和遥感距离传感器3为主要的监测单元，其采集的数据信息借助大型喷灌机上安装的北斗或GPS定位系统可以将数据信息与位置信息一一匹配。如图4所示，遥感冠层温度传感器1、遥感反射率仪器2和遥感距离传感器3均安装在装配支架5，装配支架5上方安装有桁架6以便架设水肥灌溉管道7；控制柜4安装在大型喷灌机上，该控制柜4分别与遥感冠层温度传感器1、遥感反射率仪器2和遥感距离传感器3通信连接。控制柜4根据遥感冠层温度传感器1、遥感反射率仪器2和遥感距离传感器3获取的数据信息确定当前水肥亏缺状态，并根据水肥亏缺状态输出相应的操作指令，控制大型喷灌机平台上的水肥一体化系统进行相应的操作。
图5示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(Processor)810、通信接口(Communications Interface)820、存储器(Memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于大型喷灌机的作物水肥监测方法，该方法包括：获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值，若土层含水率测量值低于土层含水率下限值，则进入灌溉模式，基于作物冠层反射率、作物冠层温度、作物冠层高度及灌溉状态函数确定当前需补充的灌水量；若土层含水率测量值高于土层含水率下限值，则进入施肥模式，基于作物冠层反射率、作物冠层温度、作物冠层高度及施肥状态函数确定当前需追施的肥料量；其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定。
需要说明的是，本实施例中的电子设备在具体实现时可以为服务器，也可以为PC机，还可以为其他设备，只要其结构中包括如图4所示的处理器810、通信接口820、存储器830和通信总线840，其中处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信，且处理器810可以调用存储器830中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于大型喷灌机的作物水肥监测方法，该方法包括：获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值，若土层含水率测量值低于土层含水率下限值，则进入灌溉模式，基于作物冠层反射率、作物冠层温度、作物冠层高度及灌溉状态函数确定当前需补充的灌水量；若土层含水率测量值高于土层含水率下限值，则进入施肥模式，基于作物冠层反射率、作物冠层温度、作物冠层高度及施肥状态函数确定当前需追施的肥料量；
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于大型喷灌机的作物水肥监测方法，其特征在于，包括：
获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值，若土层含水率测量值低于土层含水率下限值，则进入灌溉模式，基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量；若土层含水率测量值高于土层含水率下限值，则进入施肥模式，基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量；
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定。
2.根据权利要求1所述的基于大型喷灌机的作物水肥监测方法，其特征在于，所述灌溉状态函数和所述施肥状态函数均采用多元回归分析法获取。
3.根据权利要求1所述的基于大型喷灌机的作物水肥监测方法，其特征在于，所述基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量具体包括：
将所述作物冠层反射率、所述作物冠层温度和所述作物冠层高度代入灌溉状态函数确定当前生育期的实际灌水量，根据作物当前生育期内的推荐灌水量和实际灌水量确定当前需补充的灌水量。
4.根据权利要求3所述的基于大型喷灌机的作物水肥监测方法，其特征在于，所述当前需补充的灌水量根据如下公式确定：
Ws＝Wx–Wfx
其中，Wfx为第x生育期内的实际灌水量，Wx为第x生育期的推荐灌水量，Ws为当前需补充的灌水量；
若所述当前需补充的灌水量大于零且当前时间与上一次灌溉决策时间之间的累积作物需水量不小于上一次灌溉决策中补充的灌水量，则确定当前需要进行灌溉且进行灌溉的灌水量为所述当前需补充的灌水量。
5.根据权利要求4所述的基于大型喷灌机的作物水肥监测方法，其特征在于，在进行灌溉之前还包括：
基于当前天气预报信息确定进行灌溉的时间。
6.根据权利要求1所述的基于大型喷灌机的作物水肥监测方法，其特征在于，所述基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量具体包括：
将所述作物冠层反射率、所述作物冠层温度和所述作物冠层高度代入施肥状态函数确定当前生育期的实际施肥量，根据作物当前生育期内的推荐施肥量和实际施肥量确定当前需追施的肥料量。
7.根据权利要求6所述的基于大型喷灌机的作物水肥监测方法，其特征在于，所述当前需追施的肥料量根据如下公式确定：
Fs＝Fx-Ffx
其中，Ffx为第x生育期内的实际施肥量，Fx为第x生育期的推荐肥料量，Fs为当前需追施的肥料量；
若Fs≤0，则养分充足，无需施肥；若Fs＞0，则养分亏缺，需追施肥料且需要追施的肥料量为Fs。
8.一种基于大型喷灌机的作物水肥监测装置，其特征在于，包括：
信息获取单元，用于获取作物冠层反射率、作物冠层温度、作物冠层高度和土层含水率测量值；
灌溉决策单元，用于在土层含水率测量值低于土层含水率下限值时，则进入灌溉模式，并基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及灌溉状态函数确定当前需补充的灌水量；在土层含水率测量值高于土层含水率下限值，则进入施肥模式，并基于所述作物冠层反射率、所述作物冠层温度、所述作物冠层高度及施肥状态函数确定当前需追施的肥料量；
其中，灌溉状态函数通过作物不同生育期内的灌水量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；施肥状态函数通过作物不同生育期内的施肥量样本数据、作物冠层反射率样本数据、作物冠层温度样本数据和作物冠层高度样本数据确定；确定好的灌溉状态函数和施肥状态函数均存储在数据库内。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于大型喷灌机的作物水肥监测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于大型喷灌机的作物水肥监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010106150.6A CN111316802B (zh) | 2020-02-20 | 2020-02-20 | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010106150.6A CN111316802B (zh) | 2020-02-20 | 2020-02-20 | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111316802A true CN111316802A (zh) | 2020-06-23 |
| CN111316802B CN111316802B (zh) | 2021-06-25 |
Family
ID=71167940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010106150.6A Active CN111316802B (zh) | 2020-02-20 | 2020-02-20 | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111316802B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666093A (zh) * | 2020-12-16 | 2021-04-16 | 扬州大学 | 一种依据水稻叶色比值确定土壤落干程度的方法 |
| CN112700035A (zh) * | 2020-12-25 | 2021-04-23 | 中国农业大学 | 一种区域尺度农作物分区水肥管理模式的优化方法 |
| CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN114287326A (zh) * | 2021-12-20 | 2022-04-08 | 江苏大学 | 一种智能脉冲卷盘喷灌机及作业方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101604359A (zh) * | 2009-07-20 | 2009-12-16 | 中国水稻研究所 | 图像法水稻氮肥施肥推荐方法 |
| CN105527657A (zh) * | 2016-01-14 | 2016-04-27 | 河海大学 | 基于无人机红外热图像采集的大面积农田作物水分状态监测方法及系统 |
| CN110214506A (zh) * | 2019-06-26 | 2019-09-10 | 北京农业智能装备技术研究中心 | 水肥管控方法及系统 |
| CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉系统控制方法及水肥一体化灌溉系统 |
-
2020
- 2020-02-20 CN CN202010106150.6A patent/CN111316802B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101604359A (zh) * | 2009-07-20 | 2009-12-16 | 中国水稻研究所 | 图像法水稻氮肥施肥推荐方法 |
| CN105527657A (zh) * | 2016-01-14 | 2016-04-27 | 河海大学 | 基于无人机红外热图像采集的大面积农田作物水分状态监测方法及系统 |
| CN110214506A (zh) * | 2019-06-26 | 2019-09-10 | 北京农业智能装备技术研究中心 | 水肥管控方法及系统 |
| CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉系统控制方法及水肥一体化灌溉系统 |
Non-Patent Citations (1)
| Title |
|---|
| 段爱旺，肖俊夫，孙景生: "《灌溉试验站网建设与试验研究》", 30 September 2005, 黄河水利出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666093A (zh) * | 2020-12-16 | 2021-04-16 | 扬州大学 | 一种依据水稻叶色比值确定土壤落干程度的方法 |
| CN112700035A (zh) * | 2020-12-25 | 2021-04-23 | 中国农业大学 | 一种区域尺度农作物分区水肥管理模式的优化方法 |
| CN112700035B (zh) * | 2020-12-25 | 2024-04-26 | 中国农业大学 | 一种区域尺度农作物分区水肥管理模式的优化方法 |
| CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN112906477B (zh) * | 2021-01-21 | 2022-09-02 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN114287326A (zh) * | 2021-12-20 | 2022-04-08 | 江苏大学 | 一种智能脉冲卷盘喷灌机及作业方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111316802B (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111316802B (zh) | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 | |
| US11941709B2 (en) | Methods and systems for managing crop harvesting activities | |
| Cao et al. | Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images | |
| Shao et al. | Mapping maize crop coefficient Kc using random forest algorithm based on leaf area index and UAV-based multispectral vegetation indices | |
| Li et al. | Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maize yield in arid regions | |
| US20150206255A1 (en) | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data | |
| US10096073B2 (en) | Systems to prescribe and deliver fertilizer over agricultural fields and related methods | |
| Hu et al. | Improvement of sugarcane crop simulation by SWAP-WOFOST model via data assimilation | |
| ES2942415T3 (es) | Detección automática de valores atípicos de datos de cosecha | |
| Qi et al. | Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction | |
| Zhuo et al. | Crop yield prediction using MODIS LAI, TIGGE weather forecasts and WOFOST model: A case study for winter wheat in Hebei, China during 2009–2013 | |
| CN106845808A (zh) | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 | |
| Zhu et al. | UAV-based indicators of crop growth are robust for distinct water and nutrient management but vary between crop development phases | |
| Togliatti et al. | Satellite L–band vegetation optical depth is directly proportional to crop water in the US Corn Belt | |
| Zhu et al. | Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping | |
| Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
| CN112906477A (zh) | 一种基于无人机光谱数据的灌溉处方图反演方法 | |
| Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
| Karaşahin et al. | The way of yield increasing and cost reducing in agriculture: Smart irrigation and fertigation | |
| Zhang et al. | Effects of image spatial resolution and statistical scale on water stress estimation performance of MGDEXG: A new crop water stress indicator derived from RGB images | |
| Urrego-Pereira et al. | Microclimatic and physiological changes under a center pivot system irrigating maize | |
| Zhou et al. | Improved yield prediction of ratoon rice using unmanned aerial vehicle-based multi-temporal feature method | |
| Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
| CN107491724B (zh) | 一种冬小麦穗分化期识别方法及装置 | |
| Du et al. | Incremental learning for crop growth parameters estimation and nitrogen diagnosis from hyperspectral data |
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 |