CN111401613A - 一种温室作物产量预报方法 - Google Patents
一种温室作物产量预报方法 Download PDFInfo
- Publication number
- CN111401613A CN111401613A CN202010153642.0A CN202010153642A CN111401613A CN 111401613 A CN111401613 A CN 111401613A CN 202010153642 A CN202010153642 A CN 202010153642A CN 111401613 A CN111401613 A CN 111401613A
- Authority
- CN
- China
- Prior art keywords
- crops
- growth
- yield
- crop
- nutrient components
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 7
- 235000015097 nutrients Nutrition 0.000 claims abstract description 62
- 238000009825 accumulation Methods 0.000 claims abstract description 28
- 239000003102 growth factor Substances 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 239000002689 soil Substances 0.000 claims abstract description 17
- 238000005286 illumination Methods 0.000 claims description 27
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- 230000002354 daily effect Effects 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- 230000003203 everyday effect Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 241000607479 Yersinia pestis Species 0.000 claims description 7
- 230000004720 fertilization Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000003337 fertilizer Substances 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 8
- 238000003306 harvesting Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000011890 leaf development Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000010198 maturation time Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种温室作物产量预报方法。步骤1：获得的温室大棚内几项生长要素信息；步骤2：评估植物的生长情况；步骤3：作物营养成分的判定条件，得到每株作物每日的营养成分净积累量；步骤4：单位土壤面积下的种植密度；步骤5：农作物每日生长的净积累的营养成分；步骤6：推测每季作物的产量预报。本发明是基于作物生长温室环境要素时间积分的营养成分累积，并通过监测连续一周内营养成分向农产品转化量实现温室作物产量的预报。
Description
技术领域
本发明属于温室技术领域；具体涉及一种温室作物产量预报方法。
背景技术
随着智慧农业的发展，实时监测农作物所需的生长要素，如温度、光照、空气成分、土壤条件以及病虫害情况成为可能，且无需人为参与就可以在中获得这些数据。对于温室环境，这些数据更为敏感，直接关系到作物的生长情况以及最终的收益情况。而且以往的温室作物产量都根据往季的种植经验得出，而这种经验一般随着天气情况或者田间管理的变化产生较大的差异，很难准确预报最终的作物产量。
发明内容
本发明提供一种温室作物产量预报方法，本方法是基于作物生长温室环境要素时间积分的营养成分累积，并通过监测连续一周内营养成分向农产品转化量实现温室作物产量的预报。
本发明通过以下技术方案实现：
一种温室作物产量预报方法，所述预报方法包括以下步骤：
步骤1：获得的温室大棚内几项生长要素信息，温度、光照、空气二氧化碳含量、土壤状态和病害情况；
步骤2：利用步骤1的生长要素信息评估植物的生长情况；
步骤3：根据不同农作物的生长温度区间、光照强度、水肥需求和易染常见病害作为作物营养成分的判定条件，并对时间进行积分，得到每株作物每日的营养成分净积累量；
步骤4：根据步骤3每株作物每日的营养成分净积累量得到单位土壤面积下的种植密度；
步骤5：根据步骤3每株作物每日的营养成分净积累量得到农作物每日生长的净积累的营养成分；
步骤6：通过记录至少7天的营养成分累积值，从而推测每季作物的产量预报。
进一步的，所述步骤1中光照强度、温度以及空气中的二氧化碳由传感器定时自动采集，并存储在数据库中，每天由人工输入施肥情况以及灌溉情况来评估土壤状态，人工记录每天病虫害的情况来评估作物的健康状态。
进一步的，所述步骤3依据作物的种类设定给定的生长要素判定参数，形成实时的作物营养成分积累强度，由时间积分获得每天的营养成分产生量，积累量则减去作物自身生长所消耗的营养成分；
得到每株作物每日的营养成分净积累量：
其中，Vday为每天的营养成分积累量，T为积累时间，t为消耗时间；Ec为实时温度，满足EB≤Ec≤Emax，EB和Emax分别为作物生长的最低和最高温度，λ为作物的积温转化率，0＜λ≤1；Lc为实时光照强度，满足LB≤Lc≤Lmax，LB和Lmax分别代表作物生长所需最低光照强度和最大光照强度，γ为光照转化率，0＜γ≤1；β为二氧化碳含量的归一化因子，0＜β≤1；π为土壤状态因子，0＜π≤1；σ为病害情况，1≤σ＜∞，w为作物自身生长的营养成分消耗量。
进一步的，所述步骤6具体为，作物产量预报公式为：
其中，Vall为预测的总产量；
为的营养成分向农产品的转化函数；
表示需要连续获得7天的农产品转化总量；μ为产量扩展因子，0＜μ≤1。
本发明的有益效果是：
1.本发明根据不同的农作物，给出不同的计算参数，从而对农作物有了精确的分析。
2.本发明在突出积温积光的前提下，还考虑了空气二氧化碳含量、土壤湿度以及病虫害的影响，使得本方法可靠性增强。
3.本发明仅仅通过少量的人工参与，例如每天的施肥情况以及病虫害记录，便可实现预报的正常运行；考虑了多种参数的影响，计算的准确率更高，预测效果更好；通过较短周期的记录，便可实现最终产量和收益的预报。
附图说明
图1本发明的总体框图。
图2本发明的每日生长要素评估框图。
图3本发明的农产品产量和采摘期预报框图。
图4本发明的温室作物最终收益框图。
具体实施方式
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，所描述的实施例仅仅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做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。
实施例1
一种温室作物产量预报方法，所述预报方法包括以下步骤：
步骤1：获得的温室大棚内几项生长要素信息，温度、光照、空气二氧化碳含量、土壤状态(含水量、肥力)和病害情况；
步骤2：利用步骤1的生长要素信息评估植物的生长情况；
步骤3：根据不同农作物的生长温度区间、光照强度、水肥需求和易染常见病害作为作物营养成分的判定条件，并对时间进行积分，得到每株作物每日的营养成分净积累量；
步骤4：根据步骤3每株作物每日的营养成分净积累量得到单位土壤面积下的种植密度；
步骤5：根据步骤3每株作物每日的营养成分净积累量得到农作物每日生长的净积累的营养成分；
步骤6：通过记录至少7天的营养成分累积值，从而推测每季作物的产量预报。
进一步的，所述步骤1中光照强度、温度以及空气中的二氧化碳由传感器定时自动采集，并存储在数据库中，每天由人工输入施肥情况以及灌溉情况来评估土壤状态，人工记录每天病虫害的情况来评估作物的健康状态。
进一步的，所述步骤3依据作物的种类设定给定的生长要素判定参数，形成实时的作物营养成分积累强度，由时间积分获得每天的营养成分产生量，积累量则减去作物自身生长所消耗的营养成分；
得到每株作物每日的营养成分净积累量：
其中，Vday为每天的营养成分积累量，T为积累时间，t为消耗时间；Ec为实时温度，满足EB≤Ec≤Emax，EB和Emax分别为作物生长的最低和最高温度，λ为作物的积温转化率，0＜λ≤1；Lc为实时光照强度，满足LB≤Lc≤Lmax，LB和Lmax分别代表作物生长所需最低光照强度和最大光照强度，γ为光照转化率，0＜γ≤1；β为二氧化碳含量的归一化因子，0＜β≤1；π为土壤状态因子，0＜π≤1；σ为病害情况，1≤σ＜∞，w为作物自身生长的营养成分消耗量。
进一步的，所述步骤6具体为，作物产量预报公式为：
其中，Vall为预测的总产量；
为的营养成分向农产品的转化函数；
表示需要连续获得7天的农产品转化总量；μ为产量扩展因子，0＜μ≤1。
实施例2
结合图1，首先手动输入温室作物的种类，自动配置对应该种作物的各个生长要素的参数，参数具体数值由专家给出；后自动采集作物所需的各个生长要素，并进行评估，此部分也由专家给出生长要素和营养成分积累之间的函数关系；
获得环境中的生长要素值后，再进行营养成分积累的运算，此部分同时考虑了植物自身生长所消耗的营养成分；通过记录至少7天的营养成分累积值，便可推测每季作物的产量，并进行作物营养成分积累到作物产量的转换，在预报作物产量的同时根据历史经验给出作物采收的时间，通过采收时间，结合历年的价格历史记录，给出最终的毛利收益。
结合图2，光照强度、温度以及空气中的二氧化碳由传感器定时自动采集，并存储在数据库中，每天由人工输入施肥情况以及灌溉情况来评估土壤状态，人工记录每天病虫害的情况来评估作物的健康状态；
依据作物的种类设定给定的生长要素判定参数，形成实时的作物营养成分积累强度，从而进一步由时间积分获得每天的营养成分产生量，积累量则减去作物自身生长所消耗的营养成分。
营养成分积累算法如下：
不同农作物的生长温度区间、光照强度、水肥需求和易染常见病害作为作物营养成分的判定条件，并对时间进行积分，得到每株作物每日的营养成分净积累量：
其中，Vday为每天的营养成分积累量，T为积累时间，t为消耗时间；Ec为实时温度，满足EB≤Ec≤Emax，EB和Emax分别为作物生长的最低和最高温度，λ为作物的积温转化率，0＜λ≤1；Lc为实时光照强度，满足LB≤Lc≤Lmax，LB和Lmax分别代表作物生长所需最低光照强度和最大光照强度，γ为光照转化率，0＜γ≤1；β为二氧化碳含量的归一化因子，0＜β≤1；π为土壤状态因子，0＜π≤1；σ为病害情况，1≤σ＜∞。w为作物自身生长的营养成分消耗量。
结合图3，通过获取作物每天的历史营养成分累积量记录，判定作物当前的生长阶段，并根据作物所需的生长时间确定距离采收期的时间(需要获取作物关键的种植时间，如育苗时间、成熟时间)。获得当前生长周期后，当到达作物成熟期(瓜果类作物坐果或蔬菜类叶片发育)则将营养成分每日积累量转化为最终的农作物产量。根据生长要素评估算法，实现生长期所用时间的动态调整，生长期结束是由人工记录可转化(采摘、采收)的农产品第一天出现的时间决定。
结合图4，成熟期开始，通过本方法记录每日营养成分累积量以及农产品的转化率。结合生长要素情况，对最终采摘产品进行预估。若生长要素满足生长条件则按照标准时间预测；若超过生长条件则将采收期提前3-7天，且生长要素越优，则采收期提前时间越长；以上为成功采收，结合历史价格预估收益。若不满足生长要素条件，则判定为恶劣天气导致农产品采收延长，并且未给出收益预测。
Claims (4)
1.一种温室作物产量预报方法，其特征在于，所述预报方法包括以下步骤：
步骤1：获得的温室大棚内几项生长要素信息，温度、光照、空气二氧化碳含量、土壤状态和病害情况；
步骤2：利用步骤1的生长要素信息评估植物的生长情况；
步骤3：根据不同农作物的生长温度区间、光照强度、水肥需求和易染常见病害作为作物营养成分的判定条件，并对时间进行积分，得到每株作物每日的营养成分净积累量；
步骤4：根据步骤3每株作物每日的营养成分净积累量得到单位土壤面积下的种植密度；
步骤5：根据步骤3每株作物每日的营养成分净积累量得到农作物每日生长的净积累的营养成分；
步骤6：通过记录至少7天的营养成分累积值，从而推测每季作物的产量预报。
2.根据权利要求1所述一种温室作物产量预报方法，其特征在于，所述步骤1中光照强度、温度以及空气中的二氧化碳由传感器定时自动采集，并存储在数据库中，每天由人工输入施肥情况以及灌溉情况来评估土壤状态，人工记录每天病虫害的情况来评估作物的健康状态。
3.根据权利要求1所述一种温室作物产量预报方法，其特征在于，所述步骤3依据作物的种类设定给定的生长要素判定参数，形成实时的作物营养成分积累强度，由时间积分获得每天的营养成分产生量，积累量则减去作物自身生长所消耗的营养成分；
得到每株作物每日的营养成分净积累量：
其中，Vday为每天的营养成分积累量，T为积累时间，t为消耗时间；Ec为实时温度，满足EB≤Ec≤Emax，EB和Emax分别为作物生长的最低和最高温度，λ为作物的积温转化率，0＜λ≤1；Lc为实时光照强度，满足LB≤Lc≤Lmax，LB和Lmax分别代表作物生长所需最低光照强度和最大光照强度，γ为光照转化率，0＜γ≤1；β为二氧化碳含量的归一化因子，0＜β≤1；π为土壤状态因子，0＜π≤1；σ为病害情况，1≤σ＜∞，w为作物自身生长的营养成分消耗量。
4.根据权利要求1所述一种温室作物产量预报方法，其特征在于，所述步骤6具体为，作物产量预报公式为：
其中，Vall为预测的总产量；
为的营养成分向农产品的转化函数；
表示需要连续获得7天的农产品转化总量；μ为产量扩展因子，0＜μ≤1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010153642.0A CN111401613A (zh) | 2020-03-06 | 2020-03-06 | 一种温室作物产量预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010153642.0A CN111401613A (zh) | 2020-03-06 | 2020-03-06 | 一种温室作物产量预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401613A true CN111401613A (zh) | 2020-07-10 |
Family
ID=71436099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010153642.0A Pending CN111401613A (zh) | 2020-03-06 | 2020-03-06 | 一种温室作物产量预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401613A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2009124176A (ru) * | 2009-06-24 | 2010-12-27 | Федеральное государственное образовательное учреждение высшего профессионального образования "Волгоградская государственная сельск | Способ прогнозирования урожайности зеленой массы и маслосемянок сафлора красильного (варианты) |
| CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
| US20170228475A1 (en) * | 2016-02-05 | 2017-08-10 | The Climate Corporation | Modeling trends in crop yields |
| CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
| WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
| CN110309960A (zh) * | 2019-06-20 | 2019-10-08 | 武汉华电工研科技有限公司 | 一种大数据智能分析预测系统 |
-
2020
- 2020-03-06 CN CN202010153642.0A patent/CN111401613A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2009124176A (ru) * | 2009-06-24 | 2010-12-27 | Федеральное государственное образовательное учреждение высшего профессионального образования "Волгоградская государственная сельск | Способ прогнозирования урожайности зеленой массы и маслосемянок сафлора красильного (варианты) |
| US20170228475A1 (en) * | 2016-02-05 | 2017-08-10 | The Climate Corporation | Modeling trends in crop yields |
| CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
| WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
| CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
| CN110309960A (zh) * | 2019-06-20 | 2019-10-08 | 武汉华电工研科技有限公司 | 一种大数据智能分析预测系统 |
Non-Patent Citations (5)
| Title |
|---|
| 侯加林: "温室番茄生长发育模拟模型的研究", 《中国优秀博硕士学位论文全文数据库 (博士)农业科技辑》 * |
| 侯加林等: "番茄生长发育非线性模拟模型", 《农业机械学报》 * |
| 冯定原，邱新法，颜景义，王春林: "水稻净光合的模拟研究", 《南京气象学院学报》 * |
| 张建华等: "光、温土壤湿度影响玉米生长发育及产量形成的模拟模式", 《干旱地区农业研究》 * |
| 黄樨: "种子植物系统营养生长过程的计算机仿真", 《系统仿真学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Miller et al. | Using growing degree days to predict plant stages | |
| Kenter et al. | Effects of weather variables on sugar beet yield development (Beta vulgaris L.) | |
| Ozkan et al. | Impacts of climate factors on yields for selected crops in the Southern Turkey | |
| CN113592193B (zh) | 一种作物收获期时间预测方法、装置及存储介质 | |
| Fernández et al. | Precision irrigation in olive (Olea europaea L.) tree orchards | |
| US12029174B2 (en) | Method for managing crop irrigation, and system using same | |
| Bai et al. | Growth simulation and yield prediction for perennial jujube fruit tree by integrating age into the WOFOST model | |
| CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
| CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
| US20220132724A1 (en) | Advanced crop manager for crops stress mitigation | |
| Tang et al. | An approach to predict land production potential for irrigated and rainfed winter wheat in Pinan County, China | |
| Casanova et al. | Testing the performance of ORYZA1, an explanatory model for rice growth simulation, for Mediterranean conditions | |
| CN111401613A (zh) | 一种温室作物产量预报方法 | |
| Modina et al. | Variable rate irrigation in a vineyard and an orchard | |
| CN114580865A (zh) | 一种基于物联网的农业园区管理方法、设备及介质 | |
| Londo et al. | Energy farming in Dutch desiccation abatement areas: yields and benefits compared to grass cultivation | |
| CN118333579B (zh) | 一种基于生态农业的智慧管理方法及系统 | |
| Manfrini et al. | Development of precision apple fruit growing techniques: monitoring strategies for yield and high-quality fruit production | |
| Singh et al. | Statistical and machine learning approaches to study weather-disease-mustard yield relationship under varying environmental conditions | |
| Sanchez | Changes in evapotranspiration of agricultural crops in Kern County during the 2014-2015 drought years | |
| Watkins et al. | An economic evaluation of alternative pix application strategies for cotton production using GOSSYM/COMAX | |
| Ortuani et al. | Enhancing water use efficiency in irrigated agriculture through variable rate drip irrigation: The case of a pear orchard in Northern Italy | |
| CN118297208A (zh) | 一种基于物候特征的作物精准单产估算方法 | |
| CN118412054A (zh) | 一种烟草打顶期预测和烟碱含量调控的方法及系统 | |
| Liyanage et al. | Sustainable Growth Through Automation: Machine Learning and Computer Vision Advancements in Sri Lankan Floriculture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |