CN112257908B - 一种山区农业多源异构数据的整合方法及装置 - Google Patents
一种山区农业多源异构数据的整合方法及装置 Download PDFInfo
- Publication number
- CN112257908B CN112257908B CN202011065381.3A CN202011065381A CN112257908B CN 112257908 B CN112257908 B CN 112257908B CN 202011065381 A CN202011065381 A CN 202011065381A CN 112257908 B CN112257908 B CN 112257908B
- Authority
- CN
- China
- Prior art keywords
- measuring point
- crop variety
- yield
- picture
- actual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000010354 integration Effects 0.000 title claims abstract description 32
- 239000002689 soil Substances 0.000 claims abstract description 68
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Marine Sciences & Fisheries (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本申请实施例公开了一种山区农业多源异构数据的整合方法、装置、设备及存储介质,属于农业应用技术领域,该方法包括:确定第一测点位置信息和各项指标;获取第一测点预测的最适宜农作物品种和预测产量;判断是否将实际农作物品种更换为预测的最适宜农作物品种;将归属地域、坡度、坡向、海拔使用地图和图形格式缓存;将位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存;将实际农作物品种使用图案形式缓存,将最适宜农作物品种使用图案形式缓存;将不同格式数据进行关联展示,完成山区农业多源异构数据的整合。本申请有助于对农业上不同格式数据进行整合,也为农业现代化管理提供方便。
Description
技术领域
本申请涉及农业应用技术领域,尤其涉及一种山区农业多源异构数据的整合方法、装置、设备及存储介质。
背景技术
农业是国民经济的基础 ,科学技术是实现农业现代化的根本途径, 科学及时地掌握农业种植基本信息, 是科学调控农业生产措施的重要依据 。随着信息科学的迅速发展和社会发展的需要 , “数字农业 ”近年来成为了国际上农业科学研究的热点领域,千百年来,作物生产都是以地区或田块为基础 ,在此尺度上 ,把耕地看作是具有作物均匀生长条件的对象进行管理 ,而忽略了大多数土地都存在的空间差异。
由于农业数据较为繁杂,且表现形式不统一,造成了农业管理的复杂化。由此可知,现有技术在农业生产和数据管理上存在管理不方便和数据整合困难的问题。
发明内容
本申请实施例的目的在于提出一种山区农业多源异构数据的整合方法、装置、设备及存储介质,以解决现有技术在农业生产和数据管理上存在管理不方便和数据整合困难的问题。
为了解决上述技术问题,本申请实施例提供一种山区农业多源异构数据的整合方法,采用了如下所述的技术方案:
一种山区农业多源异构数据的整合方法,包括:
确定第一测点的位置信息;
基于所述位置信息,确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;
确定所述第一测点的实际农作物品种;
获取所述实际农作物品种在所述第一测点的实际产量;
获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量;
将所述第一测点的实际产量和所述第一测点的预测产量进行比较,判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种;
对所述位置信息、归属地域、坡度、坡向、海拔、土壤温度、土壤湿度、实际农作物品种、实际产量、最适宜农作物品种、预测产量分别进行不同数据格式的缓存,其中,将所述归属地域、坡度、坡向、海拔使用地图和图形格式缓存,生成第一图片;将所述位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存,生成第一指标集;将所述实际农作物品种使用图案形式缓存,生成第二图片,将所述最适宜农作物品种使用图案形式缓存,生成第三图片;
将所述第一图片作为底版图片,在其上层引入所述第一指标集中元素、所述第二图片和所述第三图片,完成山区农业多源异构数据的整合。
进一步的,所述确定第一测点的位置信息,包括:
基于GPS全球定位系统,获取所述第一测点的位置信息,并以经度和纬度进行表示,构建位置点。
进一步的,所述确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度,包括:
基于GIS地理信息系统,获取所述第一测点的归属地域、坡度、坡向、海拔;
基于RS遥感识别系统,获取所述第一测点的土壤温度和土壤湿度。
进一步的,所述获取所述第一测点的归属地域,包括:
基于GIS地理信息系统和所述第一测点的位置信息,获取所述第一测点所属的行政区域信息、气候区域信息。
进一步的,所述确定所述第一测点的实际农作物品种,包括:
基于RS遥感识别系统获取所述第一测点的农作物图片信息,作为第一识别图片;
基于预训练的深度学习模型对所述第一识别图片进行图片识别,识别出所述第一识别图片中的农作物品种,其中,所述预训练的深度学习模型包括步骤如下:将不同农作物的批量图片作为训练集;基于CNN神经网络对所述训练集中图片进行识别和分类;将所述第一识别图片传入到所述预训练的深度学习模型中,进行识别和分类;确定所述第一识别图片中的农作物品种所属的分类,即所述第一测点的实际农作物品种。
进一步的,所述获取所述实际农作物品种在所述第一测点的实际产量,包括:
基于众包或者调研的形式,获取所述第一测点在历年种植所述实际农作物品种时的产量信息,并获取历年产量均值,作为所述第一测点的实际产量。
进一步的,所述获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量,包括:
基于GIS地理信息系统、GPS全球定位系统和RS遥感识别系统,获取与所述第一测点相同的气候区域信息、坡度、坡向、海拔、土壤温度和土壤湿度时,产量最高的农作物品种作为所述预测的最适宜农作物品种,将所述产量作为所述第一测点的预测产量。
进一步的,所述判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种,包括:
若所述第一测点的实际产量和所述第一测点的预测产量进行比较时,所述第一测点的实际产量大于所述第一测点的预测产量,则不进行农作物品种更换,否则,将所述实际农作物品种更换为所述预测的最适宜农作物品种。
为了解决上述技术问题,本申请实施例还提供了一种山区农业多源异构数据的整合装置,采用了如下所述的技术方案:
一种山区农业多源异构数据的整合装置,包括:
位置确定模块,用于确定第一测点的位置信息;
测点指标确定模块,用于基于所述位置信息,确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;
农作物品种确定模块,用于确定所述第一测点的实际农作物品种;
产量获取模块,用于获取所述实际农作物品种在所述第一测点的实际产量;
预测相关模块,用于获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量;
产量对比模块,用于将所述第一测点的实际产量和所述第一测点的预测产量进行比较,判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种;
数据分类缓存模块,用于对所述位置信息、归属地域、坡度、坡向、海拔、土壤温度、土壤湿度、实际农作物品种、实际产量、最适宜农作物品种、预测产量分别进行不同数据格式的缓存,其中,将所述归属地域、坡度、坡向、海拔使用地图和图形格式缓存,生成第一图片;将所述位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存,生成第一指标集;将所述实际农作物品种使用图案形式缓存,生成第二图片,将所述最适宜农作物品种使用图案形式缓存,生成第三图片;
数据整合模块,用于将所述第一图片作为底版图片,在其上层引入所述第一指标集中元素、所述第二图片和所述第三图片,完成山区农业多源异构数据的整合。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现本申请实施例中提出的一种山区农业多源异构数据的整合方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种非易失性计算机可读存储介质,采用了如下所述的技术方案:
一种非易失性计算机可读存储介质,计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例中提出的一种山区农业多源异构数据的整合方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例公开了山区农业多源异构数据的整合方法、装置、设备及存储介质,通过确定第一测点位置信息;确定第一测点归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;获取第一测点实际农作物品种和实际产量;获取第一测点预测的最适宜农作物品种和预测产量;将实际产量和预测产量进行比较,判断是否将实际农作物品种更换为预测的最适宜农作物品种;将归属地域、坡度、坡向、海拔使用地图和图形格式缓存;将位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存;将实际农作物品种使用图案形式缓存,将最适宜农作物品种使用图案形式缓存;将不同格式数据进行关联展示,完成山区农业多源异构数据的整合。本申请有助于对农业上不同格式数据进行整合,也为农业现代化管理提供方便。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例可以应用于其中的示例性系统架构图;
图2为本申请实施例中所述山区农业多源异构数据的整合方法的一个实施例的流程图;
图3为本申请实施例中基于预训练的深度学习模型确定第一测点的实际农作物品种的一个实施例的流程图;
图4为本申请实施例中所述山区农业多源异构数据的整合装置的一个实施例的结构示意图;
图5为本申请实施例中农作物品种确定模块的结构示意图;
图6为本申请实施例中计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的山区农业多源异构数据的整合方法一般由服务器/终端设备执行,相应地,山区农业多源异构数据的整合装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,图中示出了本申请的山区农业多源异构数据的整合方法的一个实施例的流程图,所述的山区农业多源异构数据的整合方法包括以下步骤:
步骤201,确定第一测点的位置信息。
在本实施例中,所述确定第一测点的位置信息,包括:基于GPS全球定位系统,获取所述第一测点的位置信息,并以经度和纬度进行表示,构建位置点。
步骤202,基于所述位置信息,确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度。
在本实施例中,所述确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度,包括:基于GIS地理信息系统,获取所述第一测点的归属地域、坡度、坡向、海拔;基于RS遥感识别系统,获取所述第一测点的土壤温度和土壤湿度。
在本实施例中,所述获取所述第一测点的归属地域,包括:基于GIS地理信息系统和所述第一测点的位置信息,获取所述第一测点所属的行政区域信息、气候区域信息。
步骤203,确定所述第一测点的实际农作物品种。
在本实施例中,所述确定所述第一测点的实际农作物品种,包括:基于RS遥感识别系统获取所述第一测点的农作物图片信息,作为第一识别图片;基于预训练的深度学习模型对所述第一识别图片进行图片识别,识别出所述第一识别图片中的农作物品种,其中,所述预训练的深度学习模型包括步骤如下:将不同农作物的批量图片作为训练集;基于CNN神经网络对所述训练集中图片进行识别和分类;将所述第一识别图片传入到所述预训练的深度学习模型中,进行识别和分类;确定所述第一识别图片中的农作物品种所属的分类,即所述第一测点的实际农作物品种。
具体参考图3,图3为本申请实施例中基于预训练的深度学习模型确定第一测点的实际农作物品种的一个实施例的流程图,包括步骤如下:
步骤301,将不同农作物的批量图片作为训练集;
步骤302,基于CNN神经网络对所述训练集中图片进行识别和分类;
步骤303,将所述第一识别图片传入到所述预训练的深度学习模型中,进行识别和分类;
步骤304,确定所述第一识别图片中的农作物品种所属的分类,即所述第一测点的实际农作物品种。
步骤204,获取所述实际农作物品种在所述第一测点的实际产量。
在本实施例中,所述获取所述实际农作物品种在所述第一测点的实际产量,包括:基于众包或者调研的形式,获取所述第一测点在历年种植所述实际农作物品种时的产量信息,并获取历年产量均值,作为所述第一测点的实际产量。
步骤205,获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量。
在本实施例中,所述获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量,包括:基于GIS地理信息系统、GPS全球定位系统和RS遥感识别系统,获取与所述第一测点相同的气候区域信息、坡度、坡向、海拔、土壤温度和土壤湿度时,产量最高的农作物品种作为所述预测的最适宜农作物品种,将所述产量作为所述第一测点的预测产量。
步骤206,将所述第一测点的实际产量和所述第一测点的预测产量进行比较,判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种。
在本实施例中,所述判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种,包括:若所述第一测点的实际产量和所述第一测点的预测产量进行比较时,所述第一测点的实际产量大于所述第一测点的预测产量,则不进行农作物品种更换,否则,将所述实际农作物品种更换为所述预测的最适宜农作物品种。
步骤207,对所述位置信息、归属地域、坡度、坡向、海拔、土壤温度、土壤湿度、实际农作物品种、实际产量、最适宜农作物品种、预测产量分别进行不同数据格式的缓存,其中,将所述归属地域、坡度、坡向、海拔使用地图和图形格式缓存,生成第一图片;将所述位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存,生成第一指标集;将所述实际农作物品种使用图案形式缓存,生成第二图片,将所述最适宜农作物品种使用图案形式缓存,生成第三图片。
步骤208,将所述第一图片作为底版图片,在其上层引入所述第一指标集中元素、所述第二图片和所述第三图片,完成山区农业多源异构数据的整合。
本申请实施例中所述的山区农业多源异构数据的整合方法,可以通过确定第一测点位置信息;确定第一测点归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;获取第一测点实际农作物品种和实际产量;获取第一测点预测的最适宜农作物品种和预测产量;将实际产量和预测产量进行比较,判断是否将实际农作物品种更换为预测的最适宜农作物品种;将归属地域、坡度、坡向、海拔使用地图和图形格式缓存;将位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存;将实际农作物品种使用图案形式缓存,将最适宜农作物品种使用图案形式缓存;将不同格式数据进行关联展示,完成山区农业多源异构数据的整合。本申请有助于对农业上不同格式数据进行整合,也为农业现代化管理提供方便。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种山区农业多源异构数据的整合装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的山区农业多源异构数据的整合装置4包括:位置确定模块401、测点指标确定模块402、农作物品种确定模块403、产量获取模块404、预测相关模块405、产量对比模块406、数据分类缓存模块407和数据整合模块408。其中:
位置确定模块401,用于确定第一测点的位置信息;
测点指标确定模块402,用于基于所述位置信息,确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;
农作物品种确定模块403,用于确定所述第一测点的实际农作物品种;
产量获取模块404,用于获取所述实际农作物品种在所述第一测点的实际产量;
预测相关模块405,用于获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量;
产量对比模块406,用于将所述第一测点的实际产量和所述第一测点的预测产量进行比较,判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种;
数据分类缓存模块407,用于对所述位置信息、归属地域、坡度、坡向、海拔、土壤温度、土壤湿度、实际农作物品种、实际产量、最适宜农作物品种、预测产量分别进行不同数据格式的缓存,其中,将所述归属地域、坡度、坡向、海拔使用地图和图形格式缓存,生成第一图片;将所述位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存,生成第一指标集;将所述实际农作物品种使用图案形式缓存,生成第二图片,将所述最适宜农作物品种使用图案形式缓存,生成第三图片;
数据整合模块408,用于将所述第一图片作为底版图片,在其上层引入所述第一指标集中元素、所述第二图片和所述第三图片,完成山区农业多源异构数据的整合。
在本申请的一些实施例中,如图5,图5为本申请实施例中农作物品种确定模块的结构示意图,所述农作物品种确定模块403包括第一识别图片获取单元403a、深度学习识别单元403b。
在本申请的一些实施例中,所述第一识别图片获取单元403a用于基于RS遥感识别系统获取所述第一测点的农作物图片信息,作为第一识别图片。
在本申请的一些实施例中,所述深度学习识别单元403b用于基于预训练的深度学习模型对所述第一识别图片进行图片识别,识别出所述第一识别图片中的农作物品种,其中,所述预训练的深度学习模型包括步骤如下:将不同农作物的批量图片作为训练集;基于CNN神经网络对所述训练集中图片进行识别和分类;将所述第一识别图片传入到所述预训练的深度学习模型中,进行识别和分类;确定所述第一识别图片中的农作物品种所属的分类,即所述第一测点的实际农作物品种。
本申请实施例所述的山区农业多源异构数据的整合装置,通过确定第一测点位置信息;确定第一测点归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;获取第一测点实际农作物品种和实际产量;获取第一测点预测的最适宜农作物品种和预测产量;将实际产量和预测产量进行比较,判断是否将实际农作物品种更换为预测的最适宜农作物品种;将归属地域、坡度、坡向、海拔使用地图和图形格式缓存;将位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存;将实际农作物品种使用图案形式缓存,将最适宜农作物品种使用图案形式缓存;将不同格式数据进行关联展示,完成山区农业多源异构数据的整合。本申请有助于对农业上不同格式数据进行整合,也为农业现代化管理提供方便。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器6a、处理器6b、网络接口6c。需要指出的是,图中仅示出了具有组件6a-6c的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器6a至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器6a可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器6a也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器6a还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器6a通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如山区农业多源异构数据的整合方法的程序代码等。此外,所述存储器6a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器6b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器6b通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器6b用于运行所述存储器6a中存储的程序代码或者处理数据,例如运行所述山区农业多源异构数据的整合方法的程序代码。
所述网络接口6c可包括无线网络接口或有线网络接口,该网络接口6c通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有山区农业多源异构数据的整合程序,所述山区农业多源异构数据的整合程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的山区农业多源异构数据的整合方法的步骤。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (9)
1.一种山区农业多源异构数据的整合方法,其特征在于,包括下述步骤:
确定第一测点的位置信息;
基于所述位置信息,确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;
确定所述第一测点的实际农作物品种;
获取所述实际农作物品种在所述第一测点的实际产量;基于众包或者调研的形式,获取所述第一测点在历年种植所述实际农作物品种时的产量信息,并获取历年产量均值,作为所述第一测点的实际产量;
获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量;
将所述第一测点的实际产量和所述第一测点的预测产量进行比较,判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种;
对所述位置信息、归属地域、坡度、坡向、海拔、土壤温度、土壤湿度、实际农作物品种、实际产量、最适宜农作物品种、预测产量分别进行不同数据格式的缓存,其中,将所述归属地域、坡度、坡向、海拔使用地图和图形格式缓存,生成第一图片;将所述位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存,生成第一指标集;将所述实际农作物品种使用图案形式缓存,生成第二图片,将所述最适宜农作物品种使用图案形式缓存,生成第三图片;
将所述第一图片作为底版图片,在其上层引入所述第一指标集中元素、所述第二图片和所述第三图片,完成山区农业多源异构数据的整合。
2.根据权利要求1所述的山区农业多源异构数据的整合方法,其特征在于,所述确定第一测点的位置信息,包括:
基于GPS全球定位系统,获取所述第一测点的位置信息,并以经度和纬度进行表示,构建位置点。
3.根据权利要求2所述的山区农业多源异构数据的整合方法,其特征在于,所述确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度,包括:
基于GIS地理信息系统,获取所述第一测点的归属地域、坡度、坡向、海拔;
基于RS遥感识别系统,获取所述第一测点的土壤温度和土壤湿度。
4.根据权利要求1或3所述的山区农业多源异构数据的整合方法,其特征在于,所述获取所述第一测点的归属地域,包括:
基于GIS地理信息系统和所述第一测点的位置信息,获取所述第一测点所属的行政区域信息、气候区域信息。
5.根据权利要求4所述的山区农业多源异构数据的整合方法,其特征在于,所述确定所述第一测点的实际农作物品种,包括:
基于RS遥感识别系统获取所述第一测点的农作物图片信息,作为第一识别图片;
基于预训练的深度学习模型对所述第一识别图片进行图片识别,识别出所述第一识别图片中的农作物品种,其中,所述预训练的深度学习模型包括步骤如下:将不同农作物的批量图片作为训练集;基于CNN神经网络对所述训练集中图片进行识别和分类;将所述第一识别图片传入到所述预训练的深度学习模型中,进行识别和分类;确定所述第一识别图片中的农作物品种所属的分类,即所述第一测点的实际农作物品种。
6.根据权利要求1所述的山区农业多源异构数据的整合方法,其特征在于,所述获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量,包括:
基于GIS地理信息系统、GPS全球定位系统和RS遥感识别系统,获取与所述第一测点相同的气候区域信息、坡度、坡向、海拔、土壤温度和土壤湿度时,产量最高的农作物品种作为所述预测的最适宜农作物品种,将所述产量作为所述第一测点的预测产量。
7.一种山区农业多源异构数据的整合装置,其特征在于,包括:
位置确定模块,用于确定第一测点的位置信息;
测点指标确定模块,用于基于所述位置信息,确定所述第一测点的归属地域、坡度、坡向、海拔、土壤温度和土壤湿度;
农作物品种确定模块,用于确定所述第一测点的实际农作物品种;
产量获取模块,用于获取所述实际农作物品种在所述第一测点的实际产量;
预测相关模块,用于获取所述第一测点预测的最适宜农作物品种和所述最适宜农作物品种在所述第一测点的预测产量;
产量对比模块,用于将所述第一测点的实际产量和所述第一测点的预测产量进行比较,判断是否将所述实际农作物品种更换为所述预测的最适宜农作物品种;
数据分类缓存模块,用于对所述位置信息、归属地域、坡度、坡向、海拔、土壤温度、土壤湿度、实际农作物品种、实际产量、最适宜农作物品种、预测产量分别进行不同数据格式的缓存,其中,将所述归属地域、坡度、坡向、海拔使用地图和图形格式缓存,生成第一图片;将所述位置信息、土壤温度、土壤湿度、实际产量、预测产量使用文字和数字的格式缓存,生成第一指标集;将所述实际农作物品种使用图案形式缓存,生成第二图片,将所述最适宜农作物品种使用图案形式缓存,生成第三图片;
数据整合模块,用于将所述第一图片作为底版图片,在其上层引入所述第一指标集中元素、所述第二图片和所述第三图片,完成山区农业多源异构数据的整合。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的山区农业多源异构数据的整合方法的步骤。
9.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的山区农业多源异构数据的整合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065381.3A CN112257908B (zh) | 2020-09-30 | 2020-09-30 | 一种山区农业多源异构数据的整合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065381.3A CN112257908B (zh) | 2020-09-30 | 2020-09-30 | 一种山区农业多源异构数据的整合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257908A CN112257908A (zh) | 2021-01-22 |
CN112257908B true CN112257908B (zh) | 2023-01-17 |
Family
ID=74234639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011065381.3A Active CN112257908B (zh) | 2020-09-30 | 2020-09-30 | 一种山区农业多源异构数据的整合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257908B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705937B (zh) * | 2021-10-27 | 2022-01-14 | 武汉大学 | 一种联合机器视觉与作物模型的农田估产方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635994A (zh) * | 2018-10-23 | 2019-04-16 | 广东精点数据科技股份有限公司 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
CN111476503A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 利用多源异构数据预测油棕原油产量的方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018049289A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
CN108932521B (zh) * | 2018-04-26 | 2021-02-09 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
US20200074278A1 (en) * | 2018-08-30 | 2020-03-05 | International Business Machines Corporation | Farming Portfolio Optimization with Cascaded and Stacked Neural Models Incorporating Probabilistic Knowledge for a Defined Timeframe |
CN110197308B (zh) * | 2019-06-05 | 2020-06-26 | 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 |
CN110633757B (zh) * | 2019-09-22 | 2022-05-27 | 河池市农业区划委员会办公室(河池市区域农业遥感监测站) | 一种基于gis的农业多源大数据融合处理方法及系统 |
CN111552762A (zh) * | 2020-05-12 | 2020-08-18 | 广西旗鸣信息科技有限公司 | 一种基于果树编码的果园种植数字地图化管理方法和系统 |
-
2020
- 2020-09-30 CN CN202011065381.3A patent/CN112257908B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635994A (zh) * | 2018-10-23 | 2019-04-16 | 广东精点数据科技股份有限公司 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
CN111476503A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 利用多源异构数据预测油棕原油产量的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112257908A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458107B (zh) | 用于图像识别的方法和装置 | |
CN112116155B (zh) | 基于智能决策的人口流动预测方法、装置及计算机设备 | |
US10909428B2 (en) | Device and method for processing metadata | |
CN110019616B (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
CN112328761B (zh) | 一种意图标签设置方法、装置、计算机设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
WO2021164131A1 (zh) | 地图展示方法、系统、计算机设备和存储介质 | |
CN113627783A (zh) | 一种基于大数据的智慧城市数据系统 | |
CN112417121A (zh) | 客户意图识别方法、装置、计算机设备及存储介质 | |
WO2021179698A1 (zh) | 发电量预测方法、装置、设备及计算机可读存储介质 | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN113177133A (zh) | 一种图像检索方法、装置、设备及存储介质 | |
CN113886721B (zh) | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 | |
CN112257908B (zh) | 一种山区农业多源异构数据的整合方法及装置 | |
CN111368761A (zh) | 店铺营业状态识别方法、装置、可读存储介质和设备 | |
CN114677183A (zh) | 一种新品销量预测方法、装置、计算机设备及存储介质 | |
CN114519420A (zh) | 一种空气质量预测方法、装置、计算机设备及存储介质 | |
CN112434746B (zh) | 基于层次化迁移学习的预标注方法及其相关设备 | |
CN114625971B (zh) | 一种基于用户签到的兴趣点推荐方法及设备 | |
CN109754319B (zh) | 信用分值确定系统、方法、终端及服务器 | |
CN113722437B (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
CN111507366B (zh) | 推荐概率模型的训练方法、智能补全方法及相关装置 | |
CN116776160B (zh) | 一种数据处理方法和相关装置 | |
CN116628128B (zh) | 一种供应链数据标准化方法、装置、设备及其存储介质 |
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 |