CN111582324A - 农业大数据分析的方法及装置 - Google Patents
农业大数据分析的方法及装置 Download PDFInfo
- Publication number
- CN111582324A CN111582324A CN202010311300.7A CN202010311300A CN111582324A CN 111582324 A CN111582324 A CN 111582324A CN 202010311300 A CN202010311300 A CN 202010311300A CN 111582324 A CN111582324 A CN 111582324A
- Authority
- CN
- China
- Prior art keywords
- data
- crops
- growth
- big data
- growth environment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种农业大数据分析的方法及装置,方法包括:获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并上传到智慧农业大数据监测平台;通过智慧农业大数据监测平台建立农作物质量预测模型;根据生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对农作物质量预测模型进行训练;根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。本发明智能化程度较高、能对各种农业农产品数据进行分析、可以对农作物的种植过程起到指导作用。
Description
技术领域
本发明涉及农业大数据分析领域,特别涉及一种农业大数据分析的方法及装置。
背景技术
农业大数据是融合了农业地域性、季节性、多样性、周期性等自身特征后产生的来源广泛、类型多样、结构复杂、具有潜在价值,并难以应用通常方法处理和分析的数据集合。农业大数据保留了大数据自身具有的规模巨大(volume)、类型多样(variety)、价值密度低(value)、处理速度快(velocity)、精确度高(veracity)和复杂度高(complexity)等基本特征,并使农业内部的信息流得到了延展和深化。现有的智慧农业相关系统应用场景单一,大部分系统只起到一个展示数据的作用,通过设置在园区内的电子大屏来对园区的气象数据进行展示,缺少其他数据应用场景,智能化程度低,缺少数据分析相关的功能,不能对农作物的种植过程起到指导作用。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种智能化程度较高、能对各种农业农产品数据进行分析、可以对农作物的种植过程起到指导作用的农业大数据分析的方法及装置。
本发明解决其技术问题所采用的技术方案是:构造一种农业大数据分析的方法,包括如下步骤:
A)获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台;
B)通过所述智慧农业大数据监测平台建立农作物质量预测模型;
C)根据所述生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对所述农作物质量预测模型进行训练;
D)根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;所述农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。
在本发明所述的农业大数据分析的方法中,所述生长特性数据包括苗情状况与环境因子和生理参数指标之间的规律;所述生长环境数据包括空气温湿度、土壤温湿度、土壤肥力、施肥次数、浇水和除草次数。
在本发明所述的农业大数据分析的方法中,所述步骤C)进一步包括:
C1)根据所述生长特性数据和生长环境数据建立样本集;
C2)对所述样本集进行抽样,得到多个不同的样本训练集;
C3)将所述多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练。
本发明还涉及一种实现上述农业大数据分析的方法的装置,包括:
数据获取上传单元:用于获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台;
模型建立单元:用于通过所述智慧农业大数据监测平台建立农作物质量预测模型;
模型训练单元:用于根据所述生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对所述农作物质量预测模型进行训练;
大数据分析输出单元:用于根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;所述农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。
在本发明所述的装置中,所述生长特性数据包括苗情状况与环境因子和生理参数指标之间的规律;所述生长环境数据包括空气温湿度、土壤温湿度、土壤肥力、施肥次数、浇水和除草次数。
在本发明所述的装置中,所述模型训练单元进一步包括:
样本集建立模块:用于根据所述生长特性数据和生长环境数据建立样本集;
抽样模块:用于对所述样本集进行抽样,得到多个不同的样本训练集;
分类训练模块:用于将所述多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练。
实施本发明的农业大数据分析的方法及装置,具有以下有益效果:由于获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台;通过智慧农业大数据监测平台建立农作物质量预测模型;根据生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对农作物质量预测模型进行训练;根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息;本发明智能化程度较高、能对各种农业农产品数据进行分析、可以对农作物的种植过程起到指导作用。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明农业大数据分析的方法及装置一个实施例中方法的流程图;
图2为所述实施例中根据生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对农作物质量预测模型进行训练的具体流程图;
图3为所述实施例中装置的结构示意图。
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。
在本发明农业大数据分析的方法及装置实施例中,其农业大数据分析的方法的流程图如图1所示。图1中,该农业大数据分析的方法包括如下步骤:
步骤S01获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台:本步骤中,获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将获取的农作物的生长特性数据和生长环境数据通过无线方式上传到智慧农业大数据监测平台。值得一提的是,上述生长特性数据包括苗情状况与环境因子和生理参数指标之间的规律;生长环境数据包括空气温湿度、土壤温湿度、土壤肥力、施肥次数、浇水和除草次数。
该无线方式可以是5G通讯模块、4G通讯模块、蓝牙模块、WiFi模块、GSM模块、CDMA模块、CDMA2000模块、WCDMA模块、TD-SCDMA模块、Zigbee模块和LoRa模块中任意一种或任意几种的组合。通过设置多种无线通讯方式,不仅可以增加无线通讯方式的灵活性,还能满足不同用户和不同场合的需求。尤其是采用LoRa模块时,其通讯距离较远,且通讯性能较为稳定,适用于对通讯质量要求较高的场合。采用5G通讯方式可以达到高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接。
步骤S02通过智慧农业大数据监测平台建立农作物质量预测模型:本步骤中,通过智慧农业大数据监测平台建立农作物质量预测模型。该农作物质量预测模型通过构建多个分类器,然后通过一定的策略将几个分类器进行结合,可以获得比单一分类器更好的分类器。为了增大几个分类器之间的差异性,可以选取几种不同的监督分类算法,每个分类器采用一种监督分类算法,然后将每一个分类器的预测结果结合起来形成最终的预测结果。通过这种方式是在构建模型的过程中引入随机性,来提高整个模型的准确率。
步骤S03根据生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对农作物质量预测模型进行训练:本步骤中,根据生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对农作物质量预测模型进行训练。
步骤S04根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息:本步骤中,根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果。该农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。可见,智慧农业大数据监测平台具有各种农业农产品数据信息,界面友好、操作简单,无需过多学习即可快速上手。本发明的农业大数据分析的方法智能化程度较高、能对各种农业农产品数据进行分析、可以对农作物的种植过程起到指导作用。
对于本实施例而言,上述步骤S03还可进一步细化,其细化后的流程图如图2所示。图2中,上述步骤S03进一步包括:
步骤S31根据生长特性数据和生长环境数据建立样本集:本步骤中,根据生长特性数据和生长环境数据建立样本集。
步骤S32对样本集进行抽样,得到多个不同的样本训练集:本步骤中,对样本集进行抽样,得到多个不同的样本训练集,也就是每个样本集都是不重复的。
步骤S33将多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练:本步骤中,将多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练,也就是每个不同的样本训练集输入到对应不同的分类器中,采用不同的监督分类算法分别对对应的分类器进行训练。
本实施例还涉及一种实现上述农业大数据分析的方法的装置,该装置的结构示意图如图3所示。图3中,该装置包括数据获取上传单元1、模型建立单元2、模型训练单元3和大数据分析输出单元4;其中,数据获取上传单元1用于获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台。值得一提的是,上述生长特性数据包括苗情状况与环境因子和生理参数指标之间的规律;生长环境数据包括空气温湿度、土壤温湿度、土壤肥力、施肥次数、浇水和除草次数。
该无线方式可以是5G通讯模块、4G通讯模块、蓝牙模块、WiFi模块、GSM模块、CDMA模块、CDMA2000模块、WCDMA模块、TD-SCDMA模块、Zigbee模块和LoRa模块中任意一种或任意几种的组合。通过设置多种无线通讯方式,不仅可以增加无线通讯方式的灵活性,还能满足不同用户和不同场合的需求。尤其是采用LoRa模块时,其通讯距离较远,且通讯性能较为稳定,适用于对通讯质量要求较高的场合。采用5G通讯方式可以达到高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接。
模型建立单元2用于通过智慧农业大数据监测平台建立农作物质量预测模型;该农作物质量预测模型通过构建多个分类器,然后通过一定的策略将几个分类器进行结合,可以获得比单一分类器更好的分类器。为了增大几个分类器之间的差异性,可以选取几种不同的监督分类算法,每个分类器采用一种监督分类算法,然后将每一个分类器的预测结果结合起来形成最终的预测结果。通过这种方式是在构建模型的过程中引入随机性,来提高整个模型的准确率。
模型训练单元3用于根据生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对农作物质量预测模型进行训练。
大数据分析输出单元4用于根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。可见,智慧农业大数据监测平台具有各种农业农产品数据信息,界面友好、操作简单,无需过多学习即可快速上手。本发明的装置智能化程度较高、能对各种农业农产品数据进行分析、可以对农作物的种植过程起到指导作用。
本实施例中,上述模型训练单元3进一步包括样本集建立模块31、抽样模块32和分类训练模块33;其中,样本集建立模块31用于根据生长特性数据和生长环境数据建立样本集;抽样模块32用于对样本集进行抽样,得到多个不同的样本训练集;分类训练模块33用于将多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练。
总之,本实施例中,农业大数据中心整合多渠道农业相关数据,进入数据挖掘展现技术,以专业分析为导向,面向政府机关、企事业单位、高校、科研机构,提供区域农业内的数据分析、时时展现、行情趋势、行政监管、决策指挥等大数据服务。农业大数据中心数据来源广泛、类型多样,支持多源异构数据整合,可扩展支持耕地、播种、施肥、杀虫、收割、存储、育种等各个环节。本发明智能化程度较高、能对各种农业农产品数据进行分析、可以对农作物的种植过程起到指导作用。
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 (6)
1.一种农业大数据分析的方法,其特征在于,包括如下步骤:
A)获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台;
B)通过所述智慧农业大数据监测平台建立农作物质量预测模型;
C)根据所述生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对所述农作物质量预测模型进行训练;
D)根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;所述农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。
2.根据权利要求1所述的农业大数据分析的方法,其特征在于,所述生长特性数据包括苗情状况与环境因子和生理参数指标之间的规律;所述生长环境数据包括空气温湿度、土壤温湿度、土壤肥力、施肥次数、浇水和除草次数。
3.根据权利要求1或2所述的农业大数据分析的方法,其特征在于,所述步骤C)进一步包括:
C1)根据所述生长特性数据和生长环境数据建立样本集;
C2)对所述样本集进行抽样,得到多个不同的样本训练集;
C3)将所述多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练。
4.一种实现如权利要求1所述的农业大数据分析的方法的装置,其特征在于,包括:
数据获取上传单元:用于获取农作物在耕地、播种、施肥、杀虫、收割、存储和育种环节的生长特性数据和生长环境数据,并将其通过无线方式上传到智慧农业大数据监测平台;
模型建立单元:用于通过所述智慧农业大数据监测平台建立农作物质量预测模型;
模型训练单元:用于根据所述生长特性数据和生长环境数据,并结合多种不同的监督分类算法,对所述农作物质量预测模型进行训练;
大数据分析输出单元:用于根据训练好的农作物质量预测模型,对农作物的生长特性数据和生长环境数据进行大数据分析,以输出农作物的预测分类结果;所述农作物的预测分类结果包括农作物的每日行情、价格走势、行情趋势预测和涨跌预警信息。
5.根据权利要求4所述的装置,其特征在于,所述生长特性数据包括苗情状况与环境因子和生理参数指标之间的规律;所述生长环境数据包括空气温湿度、土壤温湿度、土壤肥力、施肥次数、浇水和除草次数。
6.根据权利要求4或5所述的装置,其特征在于,所述模型训练单元进一步包括:
样本集建立模块:用于根据所述生长特性数据和生长环境数据建立样本集;
抽样模块:用于对所述样本集进行抽样,得到多个不同的样本训练集;
分类训练模块:用于将所述多个不同的样本训练集分别输入到不同的分类器中,采用不同的监督分类算法对相应的分类器进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311300.7A CN111582324A (zh) | 2020-04-20 | 2020-04-20 | 农业大数据分析的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311300.7A CN111582324A (zh) | 2020-04-20 | 2020-04-20 | 农业大数据分析的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582324A true CN111582324A (zh) | 2020-08-25 |
Family
ID=72122497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311300.7A Pending CN111582324A (zh) | 2020-04-20 | 2020-04-20 | 农业大数据分析的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582324A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
CN113127464A (zh) * | 2021-03-24 | 2021-07-16 | 防城港市动物疫病预防控制中心 | 农业大数据环境特征处理方法、装置及电子设备 |
CN113469746A (zh) * | 2021-07-09 | 2021-10-01 | 布瑞克农业大数据科技集团有限公司 | 一种农产品预测方法和系统 |
CN113537929A (zh) * | 2021-06-30 | 2021-10-22 | 云南警官学院 | 一种基于区块链的工业大麻种植监管系统及方法 |
CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
CN114997535A (zh) * | 2022-08-01 | 2022-09-02 | 联通(四川)产业互联网有限公司 | 一种智慧农业全过程生产大数据智能分析方法及系统平台 |
CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN110197308A (zh) * | 2019-06-05 | 2019-09-03 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
-
2020
- 2020-04-20 CN CN202010311300.7A patent/CN111582324A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN110197308A (zh) * | 2019-06-05 | 2019-09-03 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
CN113127464A (zh) * | 2021-03-24 | 2021-07-16 | 防城港市动物疫病预防控制中心 | 农业大数据环境特征处理方法、装置及电子设备 |
CN113127464B (zh) * | 2021-03-24 | 2022-11-18 | 防城港市动物疫病预防控制中心 | 农业大数据环境特征处理方法、装置及电子设备 |
CN113537929A (zh) * | 2021-06-30 | 2021-10-22 | 云南警官学院 | 一种基于区块链的工业大麻种植监管系统及方法 |
CN113469746A (zh) * | 2021-07-09 | 2021-10-01 | 布瑞克农业大数据科技集团有限公司 | 一种农产品预测方法和系统 |
CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
CN114997535A (zh) * | 2022-08-01 | 2022-09-02 | 联通(四川)产业互联网有限公司 | 一种智慧农业全过程生产大数据智能分析方法及系统平台 |
CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
CN117114917B (zh) * | 2023-10-25 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582324A (zh) | 农业大数据分析的方法及装置 | |
Cicioğlu et al. | Smart agriculture with internet of things in cornfields | |
CN106657401B (zh) | 一种基于物联网的农作物生长监测平台及其监测方法 | |
Maduranga et al. | Machine learning applications in IoT based agriculture and smart farming: A review | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉系统 | |
CN110728332A (zh) | 一种基于物联网的农业数据分析方法及系统 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
Abu et al. | Internet of things applications in precision agriculture: A review | |
CN103605353A (zh) | 一种基于云服务的农业智能优化监控系统及优化监控方法 | |
CN112232976A (zh) | 一种基于物联网智慧农业信息共享系统 | |
CN113449917A (zh) | 一种农业精准种植预警管理方法及系统 | |
Wenshun et al. | Design and implementation of sunlight greenhouse service platform based on IOT and cloud computing | |
Qiao et al. | AI, sensors and robotics in plant phenotyping and precision agriculture | |
JP2016146046A (ja) | 予測装置、予測方法及びプログラム | |
CN107066563A (zh) | 模拟植物种植的方法及系统 | |
CN110097473A (zh) | 一种农作物生命全周期的数据采集方法、装置及设备 | |
Pawar et al. | The Role of Innovative Data Mining Approaches for Analyzing and Estimating the Crop Yield in Agriculture Among Emerging Nations | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
Zhang et al. | Automatic counting of lettuce using an improved YOLOv5s with multiple lightweight strategies | |
Cheng et al. | A real and novel smart agriculture implementation with IoT technology | |
KR102460814B1 (ko) | 뿌리 형태학 데이터 기반의 인공지능 모델 생성 방법 및 시스템 | |
Sahu et al. | A Study on Weather based Crop Prediction System using Big Data Analytics and Machine Learning | |
Anitha et al. | An intelligent agro-cloud framework for efficient crop cultivation | |
CN114723118A (zh) | 一种基于物联网的虫害预警系统 | |
Wang et al. | The application of the internet of things technology in apple production |
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 |