CN112308047A - 一种耕地质量监测方法及系统 - Google Patents
一种耕地质量监测方法及系统 Download PDFInfo
- Publication number
- CN112308047A CN112308047A CN202011392500.6A CN202011392500A CN112308047A CN 112308047 A CN112308047 A CN 112308047A CN 202011392500 A CN202011392500 A CN 202011392500A CN 112308047 A CN112308047 A CN 112308047A
- Authority
- CN
- China
- Prior art keywords
- cultivated land
- parameters
- farmland
- area
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000002689 soil Substances 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 claims abstract description 10
- 239000000126 substance Substances 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009924 canning Methods 0.000 claims description 4
- 230000004720 fertilization Effects 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 4
- 239000000575 pesticide Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005527 soil sampling Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种耕地质量监测方法及系统,该方法包括如下步骤:基于卫星图像及DSSD_Xception_coco模型实现监测区域内耕地面积、耕地用途的监测,获取耕地面积参数、耕地用途参数;基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;实现耕地周围天气环境、耕地作物种植流程的监测,获取耕地周围天气环境参数、耕地作物种植流程参数;基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果。本发明可以实现耕地质量的全面实时监测,大大提高了耕地质量评估结果的精确度。
Description
技术领域
本发明涉及耕地监测技术领域,具体涉及一种耕地质量监测方法及系统。
背景技术
开展耕地质量调查监测,全面掌握耕地质量状况和变化趋势,落实耕地质量保护提升技术措施,对实现“藏粮于地、藏粮于技”战略、保护生态环境、促进农业可持续发展具有十分重要的意义。
目前,耕地质量的监测全程依靠人为调查、检测、登记、整理实现,费时费力的同时,数据普遍存在滞后性,在无法实现耕地质量全面实时监测的同时,大大降低了耕地质量评估结果的精确度。
发明内容
为解决上述问题,本发明提供了一种耕地质量监测方法及系统,可以实现耕地质量的全面实时监测,大大提高了耕地质量评估结果的精确度。
为实现上述目的,本发明采取的技术方案为:
一种耕地质量监测方法,包括如下步骤:
S1、基于卫星图像及DSSD_ Xception_coco 模型实现监测区域内耕地面积、耕地用途的监测,获取耕地面积参数、耕地用途参数;
S2、基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;
S3、实现耕地周围天气环境、耕地作物种植流程的监测,获取耕地周围天气环境参数、耕地作物种植流程参数;
S4、基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果。
进一步地,所述步骤S1中,首先根据监测区域内耕地所在的地理位置截取对应的耕地区域卫星图像,然后基于DSSD_Xception_coco 模型实现耕地区域卫星图像内载耕地用途的识别,并基于连通分量外接矩形的长宽比实现每种用途对应的耕地区域形状、尺寸的识别,完成耕地面积的计算。
进一步地,所述DSSD_ Xception_coco 模型采用DSSD目标检测算法,用coco数据集预训练Xception神经网络,然后用先前准备好的数据集训练该模型,微调深度神经网络中的各项参数,最后得到合适的用于检测耕地用途的目标检测模型。
进一步地,所述步骤S2中,巡检机器人根据预设的采样点导航地图到达目标采样点完成土壤的采样、装罐操作,每一个土壤样品罐均携带有其对应的取样点地理位置信息;然后通过人为试验分析获取各土壤样品的理化性质参数,生成对应的土壤理化性质表。
进一步地,所述步骤S3中,基于传感器组实现耕地周围环境参数的采集,耕地作物种植流程参数包括耕地作物名称、品种、种植期间施肥、灌溉、施药参数。
进一步地,还包括:基于预设的模板根据耕地面积参数、耕地用途参数、土壤理化性质表、耕地周围天气环境参数、耕地作物种植流程参数、耕地质量评估结果实现耕地质量报表的编制的步骤。
本发明还提供了一种耕地质量监测系统,包括:
耕地面积、用途监测模块,用于基于卫星图像及DSSD_ Xception_coco 模型实现监测区域内耕地面积、耕地用途的监测;
耕地质量巡检模块,用于基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;
耕地环境监测模块,用于实现耕地周围天气环境、耕地作物种植流程的监测;
耕地质量评估模块,用于基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果。
进一步地,还包括:
耕地质量报表编制模块,用于基于预设的模板根据耕地面积参数、耕地用途参数、土壤理化性质表、耕地周围天气环境参数、耕地作物种植流程参数实现耕地质量报表的编制。
进一步地,所述耕地面积、用途监测模块首先根据监测区域内耕地所在的地理位置截取对应的耕地区域卫星图像,然后基于DSSD_Xception_coco 模型实现耕地区域卫星图像内载耕地用途的识别,并基于连通分量外接矩形的长宽比实现每种用途对应的耕地区域形状、尺寸的识别,完成耕地面积的计算。
本发明具有以下有益效果:
可以一目了然的获取到当前区域内耕地所在的位置、面积、用途及土壤理化性质变化情况,从而实现了耕地质量的全面实时监测,大大提高了耕地质量评估结果的精确度。
除土壤理化性质分析过程外,其余流程基本无需人为参与,大大减轻了工作人员的工作量,也尽可能的保证了数据的实时性。
附图说明
图1本发明实施例1一种耕地质量监测方法的流程图。
图2为本发明实施例2一种耕地质量监测系统的系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
一种耕地质量监测方法,包括如下步骤:
S1、基于卫星图像及DSSD_ Xception_coco 模型实现监测区域内耕地面积、耕地用途的监测,获取耕地面积参数、耕地用途参数;
S2、基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;
S3、实现耕地周围天气环境、耕地作物种植流程的监测,获取耕地周围天气环境参数、耕地作物种植流程参数;
S4、基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果;
S5、基于预设的模板根据耕地面积参数、耕地用途参数、土壤理化性质表、耕地周围天气环境参数、耕地作物种植流程参数、耕地质量评估结果实现耕地质量报表的编制。
本实施例中,所述步骤S1中,首先根据监测区域内耕地所在的地理位置截取对应的耕地区域卫星图像,然后基于DSSD_Xception_coco 模型实现耕地区域卫星图像内载耕地用途的识别,并基于连通分量外接矩形的长宽比实现每种用途对应的耕地区域形状、尺寸的识别,完成耕地面积的计算。所述DSSD_ Xception_coco 模型采用DSSD目标检测算法,用coco数据集预训练Xception神经网络,然后用先前准备好的数据集训练该模型,微调深度神经网络中的各项参数,最后得到合适的用于检测耕地用途的目标检测模型。
本实施例中,所述步骤S2中,巡检机器人根据预设的采样点导航地图到达目标采样点完成土壤的采样、装罐操作,每一个土壤样品罐均携带有其对应的取样点地理位置信息;然后通过人为试验分析获取各土壤样品的理化性质参数,生成对应的土壤理化性质表。
本实施例中,所述步骤S3中,基于传感器组实现耕地周围环境参数的采集,耕地作物种植流程参数包括耕地作物名称、品种、种植期间施肥、灌溉、施药参数。
实施例2
一种耕地质量监测系统,包括:
耕地面积、用途监测模块,用于基于卫星图像及DSSD_ Xception_coco 模型实现监测区域内耕地面积、耕地用途的监测;
耕地质量巡检模块,用于基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;
耕地环境监测模块,用于实现耕地周围天气环境、耕地作物种植流程的监测;
耕地质量评估模块,用于基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果;
耕地质量报表编制模块,用于基于预设的模板根据耕地面积参数、耕地用途参数、土壤理化性质表、耕地周围天气环境参数、耕地作物种植流程参数实现耕地质量报表的编制。
本实施例中,所述耕地面积、用途监测模块首先根据监测区域内耕地所在的地理位置截取对应的耕地区域卫星图像,然后基于DSSD_Xception_coco 模型实现耕地区域卫星图像内载耕地用途的识别,并基于连通分量外接矩形的长宽比实现每种用途对应的耕地区域形状、尺寸的识别,完成耕地面积的计算。所述DSSD_ Xception_coco 模型采用DSSD目标检测算法,用coco数据集预训练Xception神经网络,然后用先前准备好的数据集训练该模型,微调深度神经网络中的各项参数,最后得到合适的用于检测耕地用途的目标检测模型。
本实施例中,所述耕地质量巡检模块通过巡检机器人根据预设的采样点导航地图到达目标采样点完成土壤的采样、装罐操作,每一个土壤样品罐均携带有其对应的取样点地理位置信息;然后通过人为试验分析获取各土壤样品的理化性质参数,生成对应的土壤理化性质表。
本实施例中,所述耕地环境监测模块基于传感器组实现耕地周围环境参数的采集,耕地作物种植流程参数包括耕地作物名称、品种、种植期间施肥、灌溉、施药参数。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种耕地质量监测方法,其特征在于:包括如下步骤:
S1、基于卫星图像及DSSD_ Xception_coco 模型实现监测区域内耕地面积、耕地用途的监测,获取耕地面积参数、耕地用途参数;
S2、基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;
S3、实现耕地周围天气环境、耕地作物种植流程的监测,获取耕地周围天气环境参数、耕地作物种植流程参数;
S4、基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果。
2.如权利要求1所述的一种耕地质量监测方法,其特征在于:所述步骤S1中,首先根据监测区域内耕地所在的地理位置截取对应的耕地区域卫星图像,然后基于DSSD_Xception_coco 模型实现耕地区域卫星图像内载耕地用途的识别,并基于连通分量外接矩形的长宽比实现每种用途对应的耕地区域形状、尺寸的识别,完成耕地面积的计算。
3.如权利要求1所述的一种耕地质量监测方法,其特征在于:所述DSSD_ Xception_coco 模型采用DSSD目标检测算法,用coco数据集预训练Xception神经网络,然后用先前准备好的数据集训练该模型,微调深度神经网络中的各项参数,最后得到合适的用于检测耕地用途的目标检测模型。
4.如权利要求1所述的一种耕地质量监测方法,其特征在于:所述步骤S2中,巡检机器人根据预设的采样点导航地图到达目标采样点完成土壤的采样、装罐操作,每一个土壤样品罐均携带有其对应的取样点地理位置信息;然后通过人为试验分析获取各土壤样品的理化性质参数,生成对应的土壤理化性质表。
5.如权利要求1所述的一种耕地质量监测方法,其特征在于:所述步骤S3中,基于传感器组实现耕地周围环境参数的采集,耕地作物种植流程参数包括耕地作物名称、品种、种植期间施肥、灌溉、施药参数。
6.如权利要求1所述的一种耕地质量监测方法,其特征在于:还包括:
基于预设的模板根据耕地面积参数、耕地用途参数、土壤理化性质表、耕地周围天气环境参数、耕地作物种植流程参数、耕地质量评估结果实现耕地质量报表的编制的步骤。
7.一种耕地质量监测系统,其特征在于:包括:
耕地面积、用途监测模块,用于基于卫星图像及DSSD_ Xception_coco 模型实现监测区域内耕地面积、耕地用途的监测;
耕地质量巡检模块,用于基于巡检机器人实现耕地土壤的定点取样及理化性质检测,生成对应的土壤理化性质表;
耕地环境监测模块,用于实现耕地周围天气环境、耕地作物种植流程的监测;
耕地质量评估模块,用于基于预设的模型根据耕地面积参数、耕地用途参数和/土壤理化性质表和/耕地周围天气环境参数和/耕地作物种植流程参数实现耕地质量的评估,并获取对应的评估结果。
8.如权利要求7所述的一种耕地质量监测系统,其特征在于:还包括:
耕地质量报表编制模块,用于基于预设的模板根据耕地面积参数、耕地用途参数、土壤理化性质表、耕地周围天气环境参数、耕地作物种植流程参数实现耕地质量报表的编制。
9.如权利要求7所述的一种耕地质量监测系统,其特征在于:所述耕地面积、用途监测模块首先根据监测区域内耕地所在的地理位置截取对应的耕地区域卫星图像,然后基于DSSD_Xception_coco 模型实现耕地区域卫星图像内载耕地用途的识别,并基于连通分量外接矩形的长宽比实现每种用途对应的耕地区域形状、尺寸的识别,完成耕地面积的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011392500.6A CN112308047B (zh) | 2020-12-02 | 2020-12-02 | 一种耕地质量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011392500.6A CN112308047B (zh) | 2020-12-02 | 2020-12-02 | 一种耕地质量监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308047A true CN112308047A (zh) | 2021-02-02 |
CN112308047B CN112308047B (zh) | 2022-06-17 |
Family
ID=74487751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011392500.6A Active CN112308047B (zh) | 2020-12-02 | 2020-12-02 | 一种耕地质量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308047B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393105A (zh) * | 2021-06-04 | 2021-09-14 | 南京海容互连电子科技有限公司 | 一种耕地质量检测方法、装置、设备及存储介质 |
CN117036087A (zh) * | 2023-08-10 | 2023-11-10 | 菏泽市牡丹区自然资源局 | 一种基于耕地保护的耕地质量监测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546421A (zh) * | 2009-04-01 | 2009-09-30 | 河北农业大学 | 一种基于gis的省域可比耕地质量评价方法 |
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
CN107403253A (zh) * | 2017-06-21 | 2017-11-28 | 华南农业大学 | 监测耕地质量的方法和设备 |
CN110413666A (zh) * | 2019-05-31 | 2019-11-05 | 河南省科学院地理研究所 | 一种耕地质量多源异构数据整合方法 |
CN111667183A (zh) * | 2020-06-08 | 2020-09-15 | 重庆市国土整治中心 | 一种耕地质量监测方法及系统 |
CN111783516A (zh) * | 2020-03-27 | 2020-10-16 | 南京大学 | 一种基于深度学习的耕地质量自然等级评价方法 |
-
2020
- 2020-12-02 CN CN202011392500.6A patent/CN112308047B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546421A (zh) * | 2009-04-01 | 2009-09-30 | 河北农业大学 | 一种基于gis的省域可比耕地质量评价方法 |
CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
CN107403253A (zh) * | 2017-06-21 | 2017-11-28 | 华南农业大学 | 监测耕地质量的方法和设备 |
CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
CN110413666A (zh) * | 2019-05-31 | 2019-11-05 | 河南省科学院地理研究所 | 一种耕地质量多源异构数据整合方法 |
CN111783516A (zh) * | 2020-03-27 | 2020-10-16 | 南京大学 | 一种基于深度学习的耕地质量自然等级评价方法 |
CN111667183A (zh) * | 2020-06-08 | 2020-09-15 | 重庆市国土整治中心 | 一种耕地质量监测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393105A (zh) * | 2021-06-04 | 2021-09-14 | 南京海容互连电子科技有限公司 | 一种耕地质量检测方法、装置、设备及存储介质 |
CN117036087A (zh) * | 2023-08-10 | 2023-11-10 | 菏泽市牡丹区自然资源局 | 一种基于耕地保护的耕地质量监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112308047B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308047B (zh) | 一种耕地质量监测方法及系统 | |
CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
US11716985B2 (en) | Method for remediating developmentally delayed plants | |
CN114202438A (zh) | 一种基于智慧农业的天空地一体化农业遥感大数据系统 | |
CN112149827A (zh) | 基于卫星影像的土壤速效钾分析模型构建系统及方法 | |
Tatsumi | Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA | |
CN116721236A (zh) | 一种基于数字孪生大棚种植监测方法、系统及存储介质 | |
CN117408430A (zh) | 一种基于大数据的农业种植用土壤改良评估系统 | |
CN110782112B (zh) | 一种农作物生产温室气体减排潜力估算方法及系统 | |
Downey et al. | Weeds accurately mapped using DGPS and ground-based vision identification | |
Engel et al. | On-the-go grain protein sensing is near | |
CN103796233B (zh) | 无线网络空口参数的室内自动地理化展示方法及系统 | |
CN107765243A (zh) | 一种基于极化分解技术的浓密植被覆盖下土壤水分反演方法 | |
Buick | Precision agriculture: an integration of information technologies with farming | |
CN115062826A (zh) | 一种作业匹配方法及农机 | |
CN105432205A (zh) | 一种土壤属性参数估算方法、配肥方案推荐方法及装置 | |
Mohammadi | A Review on GIS in Irrigation and Water Management | |
CN113408701A (zh) | 一种卷积神经网络土壤有机质分析模型构建系统及方法 | |
Azahar et al. | Spatial analysis of basal stem rot disease using geographical information system | |
Sihombing et al. | Tools for detecting and control of soil pH by probe sensor based on android | |
CN108446433A (zh) | 一种土壤酸化驱动力的识别方法、系统和装置 | |
CN113326841B (zh) | 一种基于高光谱的作物虫害监测方法及设备 | |
Wijayanto et al. | Temporal Changes in Spatial Patterns of Soil Properties During a Period of Rice Growth | |
Arnaudova et al. | The use of GIS to support sustainable management of vineyards in Plovdiv, Bulgaria | |
Cojocariu et al. | Data acquisition protocol for monoic hemp experimental field. |
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 |