CN112990782B - 基于时空自相关分析的作物生长环境智能调节方法和装置 - Google Patents
基于时空自相关分析的作物生长环境智能调节方法和装置 Download PDFInfo
- Publication number
- CN112990782B CN112990782B CN202110477609.8A CN202110477609A CN112990782B CN 112990782 B CN112990782 B CN 112990782B CN 202110477609 A CN202110477609 A CN 202110477609A CN 112990782 B CN112990782 B CN 112990782B
- Authority
- CN
- China
- Prior art keywords
- growth
- index
- space
- environment
- time
- 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
- 230000012010 growth Effects 0.000 title claims abstract description 287
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004220 aggregation Methods 0.000 claims abstract description 51
- 230000002776 aggregation Effects 0.000 claims abstract description 51
- 230000033228 biological regulation Effects 0.000 claims abstract description 31
- 238000009825 accumulation Methods 0.000 claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims description 29
- 230000001629 suppression Effects 0.000 claims description 20
- 239000002689 soil Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 241000607479 Yersinia pestis Species 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- WZLMXYBCAZZIRQ-UHFFFAOYSA-N [N].[P].[K] Chemical compound [N].[P].[K] WZLMXYBCAZZIRQ-UHFFFAOYSA-N 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000001105 regulatory effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009105 vegetative growth Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- YUWBVKYVJWNVLE-UHFFFAOYSA-N [N].[P] Chemical compound [N].[P] YUWBVKYVJWNVLE-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 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
- 238000002474 experimental method Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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—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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (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
本申请涉及一种基于时空自相关分析的作物生长环境智能调节方法和装置，其中，该基于时空自相关分析的作物生长环境智能调节方法包括：获取预设区域的农作物在预设时间段内的长势指数；基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区；基于所述长势指数聚集区的生长环境制定环境调节策略。上述基于时空自相关分析的作物生长环境智能调节方法和装置，采用时空自相关分析方法进行区域划分，根据时空自相关特征以及聚集特性得到长势指数相近的聚集区，并基于长势指数聚集区的生长环境判断需要调节的环境因素，以制定环境调节策略，对生长环境进行调节，判断准确度高，调节效果更好。
Description
技术领域
本申请涉及农作物培育技术领域，特别是涉及一种基于时空自相关分析的作物生长环境智能调节方法和装置。
背景技术
精准农业是当今和未来农业领域的重点研究方向。精准农业又称为精确农业或精细农作，是信息技术与农业生产全面结合的一种新型农业。
精准农业是由信息技术支持的，根据空间变异，定位、定时、定量地实施一整套现代化农事操作技术与管理的系统，其基本涵义是根据作物生长的土壤性状，调节对作物的投入，即一方面查清田块内部的土壤性状与生产力空间变异，另一方面确定农作物的生产目标，进行定位的“系统诊断、优化配方、技术组装、科学管理”，调动土壤生产力，以最少的或最节省的投入达到同等收入或更高的收入，并改善环境，高效地利用各类农业资源，取得经济效益和环境效益。
精准农业需要根据农作物的生长状况对应调节其生长环境，以使效益最大化。但传统的环境调节方式仅根据独立的某个区块的农作物的生长状况进行判断，得出环境调节需求，偶然性强，准确度不高，调节效果不佳。
目前针对相关技术中仅根据独立的某个区块的农作物的生长状况进行判断，得出环境调节需求，偶然性强，准确度不高，调节效果不佳的问题，尚未提出有效的解决方案。
发明内容
在本实施例中提供了一种基于时空自相关分析的作物生长环境智能调节方法和装置，以解决相关技术中仅根据独立的某个区块的农作物的生长状况进行判断，得出环境调节需求，偶然性强，准确度不高，调节效果不佳的问题。
第一个方面，在本实施例中提供了一种基于时空自相关分析的作物生长环境智能调节方法，包括：
获取预设区域的农作物在预设时间段内的长势指数；
基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区，所述长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区；
基于所述长势指数聚集区的生长环境制定环境调节策略。
在其中的一些实施例中，所述基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区包括：
根据时空关系将预设时间段内的所述预设区域划分为多个时空对象；
基于所述时空自相关分析方法获取多个所述时空对象之间的时空自相关特征；
基于多个所述时空对象之间的时空自相关特征以及每个所述时空对象的长势指数，得到高值聚集区以及低值聚集区。
在其中的一些实施例中，所述获取预设区域的农作物在预设时间段内的长势指数包括：
获取预设区域在预设时间段内的高光谱卫星遥感影像；
基于所述高光谱卫星遥感影像获取农作物的长势指数。
在其中的一些实施例中，所述基于所述高光谱卫星遥感影像获取农作物的长势指数包括：
获取预设时间段内所述预设区域的农作物的光谱曲线特征，并基于所述光谱曲线特征获取农作物的最佳光谱波段；
基于所述高光谱卫星遥感影像获取农作物的光谱数据；
基于所述最佳光谱波段以及所述光谱数据获取农作物的长势指数。
在其中的一些实施例中，所述获取预设区域的农作物在预设时间段内的长势指数还包括：
获取第一参考位置的农作物在第一时间节点的实际长势值；
计算所述第一参考位置在第一时间节点的长势指数与所述实际长势值之间的皮尔逊相关系数；
基于所述皮尔逊相关系数获取干扰抑制参数，所述干扰抑制参数用于抑制干扰因素对所述长势指数的影响，所述干扰因素包括土壤背景、叶片滞尘量；
基于所述干扰抑制参数获取预设区域的农作物在预设时间段内的长势指数。
在其中的一些实施例中，所述方法还包括：
获取预设区域的农作物在预设时间段内的生长环境指标，所述生长环境指标包括光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度中的一种或多种。
在其中的一些实施例中，所述长势指数聚集区包括高值聚集区以及低值聚集区，所述基于所述长势指数聚集区的生长环境制定环境调节策略包括：
以所述高值聚集区的平均长势指数作为标准，基于随机梯度下降方法对所述高值聚集区的生长环境进行测试，得到最优生长环境指标；
基于所述低值聚集区的生长环境获取异常指标；
基于所述最优生长环境指标以及异常指标制定环境调节策略。
第二个方面，在本实施例中提供了一种基于时空自相关分析的作物生长环境智能调节装置，包括：
长势指数获取模块，用于获取预设区域的农作物在预设时间段内的长势指数；
区域划分模块，用于基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区，所述长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区；
策略制定模块，用于基于所述长势指数聚集区的生长环境制定环境调节策略。
第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的基于时空自相关分析的作物生长环境智能调节方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的基于时空自相关分析的作物生长环境智能调节方法。
与相关技术相比，在本实施例中提供的基于时空自相关分析的作物生长环境智能调节方法和装置，通过获取预设区域的农作物在预设时间段内的长势指数；基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区；基于所述长势指数聚集区的生长环境制定环境调节策略的方式，采用时空自相关分析方法进行区域划分，根据时空自相关的聚集特性得到长势指数相近的聚集区，并基于长势指数聚集区的生长环境判断需要调节的环境因素，以制定环境调节策略，对生长环境进行调节，判断准确度高，调节效果更好。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一实施例的基于时空自相关分析的作物生长环境智能调节方法的终端的硬件结构框图；
图2为本发明一实施例的基于时空自相关分析的作物生长环境智能调节方法的流程示意图；
图3为本发明一实施例的基于时空自相关分析的作物生长环境智能调节装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的基于时空自相关分析的作物生长环境智能调节方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的基于时空自相关分析的作物生长环境智能调节方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
请参阅图2，图2为本发明一实施例的基于时空自相关分析的作物生长环境智能调节方法的流程示意图。
在本实施例中，基于时空自相关分析的作物生长环境智能调节方法包括：
S201，获取预设区域的农作物在预设时间段内的长势指数。
可以理解的，选择一定区域的农作物种植地块，并对其一段时间内的生长情况进行监测，长势指数用于表征农作物的生长状况，可以为归一化植被指数、比值植被指数、绿色归一化植被指数、叶片叶绿素指数、归一化差异红边指数以及优化土壤调整植被指数中的一种或多种，只需能够体现农作物的生长状况即可。示例性地，长势指数可以为根据各种监测仪器的监测情况计算得到的植被指数，也可以为根据农作物的各项生长指标实际得到的长势值，此处不作具体限定。
在本实施例中，需要选择一片种植有农作物的种植田地，划分为若干地块，并且保证地块在地理空间上具有连续性，以保证地块可以建立邻接矩阵。
S202，基于时空自相关分析方法以及长势指数对预设时间段内的预设区域进行区域划分，得到长势指数聚集区，长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区。
示例性地，先将预设时间段内的预设区域划分为多个时空对象，再将多个时空对象根据时空自相关的聚集特性进行区域划分，得到不同的聚集区，根据聚集区的生长状况以及生长环境判断需要调节的环境因素，与根据独立的区块的农作物的生长状况进行判断相比，准确度更高，环境调节效果更好。可以理解的，此处的长势指数在预设范围内即长势指数相近，聚集形成即在时空维度上相邻。长势指数的具体数值以及范围可以根据实际情况以及需求进行设定，此处不作具体限定，只需能够得到长势指数聚集区，使环境调节效果更好即可。
S203，基于长势指数聚集区的生长环境制定环境调节策略。
可以理解的，可以综合整个聚集区的生长环境，判断哪些环境因素对农作物生长更有利，或更不利。基于判断结果进行比对与分析，即可制定相应的环境调节策略，为农作物提供最优的生长环境。
上述基于时空自相关分析的作物生长环境智能调节方法，通过获取预设区域的农作物在预设时间段内的长势指数；基于时空自相关分析方法以及长势指数对预设时间段内的预设区域进行区域划分，得到长势指数聚集区；基于长势指数聚集区的生长环境制定环境调节策略的方式，采用时空自相关分析方法进行区域划分，根据时空自相关的聚集特性得到长势指数相近的聚集区，并基于长势指数聚集区的生长环境判断需要调节的环境因素，以制定环境调节策略，对生长环境进行调节，判断准确度高，调节效果更好。
在另一个实施例中，基于时空自相关分析方法以及长势指数对预设时间段内的预设区域进行区域划分，得到长势指数聚集区包括如下步骤：
步骤1，根据时空关系将预设时间段内的预设区域划分为多个时空对象；
步骤2，基于时空自相关分析方法获取多个时空对象之间的时空自相关特征；
步骤3，基于多个时空对象之间的时空自相关特征以及每个时空对象的长势指数，得到高值聚集区以及低值聚集区。
示例性地，高值聚集区表示相邻的时空对象都为高值，表现出高值与高值聚集的特性，此处高值即为长势指数较高，即农作物生长状况较好；低值聚集区表示相邻的时空对象都为低值，表现出低值与低值聚集的特性，即聚集区的长势指数较低，农作物生长状况较差。
在本实施例中，采用局部时空自相关分析方法对多个时空对象之间的时空自相关特征进行分析。具体的，时空自相关性因不同时空对象存在差异，这种差异由局部时空自相关指标反映，包括局部时空Moran's I指数和Moran 散点图。局部时空 Moran's I 指数由以下公式计算：
公式展开如下：
其中，将空间序号为p，时间序号为i的时空对象记为
，若两个时空对象不仅在空间上相邻，而且在时间上位于相邻时段时，则认为这两个时空对象相邻。用时空邻接矩阵表示这种邻接关系，两个时空对象
和
相邻时，时空邻接矩阵中
的值为1，不相邻时值为0。N和T分别为空间序列和时间序列的数目，
为所有时空对象y属性值的平均值，具体的，y属性值即为长势指数，
为时空对象
和
之间的邻接关系，由以下公式计算：
局部时空Moran's I 指数
为正值时，时空对象
和与它相邻的时空对象属性值呈局部正相关，绝对值越大则代表有相似变量值的单元在时空上呈现出聚集特征，局部正相关性越大；
取负值时，时空对象
和与它相邻的时空对象属性值呈局部负相关，绝对值越大则局部负相关性越大；
的值为0时表示时空对象
和与它相邻的时空对象不相关。
将各个样本基于时间和空间的长势指数代入公式，得到局部时空Moran's I 指数
和Moran散点图。局部时空Moran's I 指数的X轴为时间参数，Y轴为空间参数，Z轴是长势指数。
的值分布在四个象限，分别是HH，高值和高值聚集；HL，高值被低值包围；LH，低值被高值包围；LL，低值和低值聚集。在本实施例中，选择HH聚集区以及LL聚集区，即高值聚集区以及低值聚集区作为环境调节的判断依据。
另外，从聚集区中选择高值聚集区以及低值聚集区，高值聚集区表示相邻的时空对象都为高值，表现出高值与高值聚集的特性，此处高值即为长势指数较高，即农作物生长状况较好；低值聚集区表示相邻的时空对象都为低值，表现出低值与低值聚集的特性，即聚集区的长势指数较低，农作物生长状况较差。可以理解的，选择长势较好的聚集区以及长势较差的聚集区，通过判断与比对，可以更直观的得到各个环境因素对农作物生长状况的影响，并对应进行调节，效果更好。可以理解的，在其他实施例中，可以选用其他时空自相关分析方法，如全局时空自相关分析方法等其他方法进行分析，还可以获取长势指数为中间值的聚集区作为判断依据，此处不作具体限定。
在另一个实施例中，获取预设区域的农作物在预设时间段内的长势指数包括如下步骤：
步骤1，获取预设区域在预设时间段内的高光谱卫星遥感影像；
步骤2，基于高光谱卫星遥感影像获取农作物的长势指数。
高光谱图像通常指光谱分辨率很高，在400~2500nm的波长范围内其光谱分辨率一般小于10nm的成像遥感器获取的图像。高光谱成像的波段通常高达几百个，远远高于现有的几~十几个波段的多光谱遥感器。
示例性地，采用高光谱卫星遥感技术对预设区域的农作物进行监测，卫星数据具有可靠性和不可篡改性的特性，从数据源头上解决了信任问题，并且光谱分辨率很高，数据更加精准。另外，卫星会对地面进行周期性的观测，保证了监测数据的连续性。
可以理解的，基于高光谱卫星遥感影像获取农作物的长势指数之前还需要对高光谱卫星遥感影像进行预处理，以使从卫星遥感影像中获得的监测数据更加准确。具体的，使用选定地块对遥感影像进行矢量裁剪，根据卫星产品进行几何校正，根据地理位置等信息对数据进行辐射定标、大气校正。可以理解的，在其他实施例中，还可以对卫星遥感影像进行其他预处理，此处不作具体限定，只需能够更好的基于卫星遥感影像获取监测数据即可。
在另一个实施例中，基于高光谱卫星遥感影像获取农作物的长势指数包括如下步骤：
步骤1，获取预设时间段内预设区域的农作物的光谱曲线特征，并基于光谱曲线特征获取农作物的最佳光谱波段；
步骤2，基于高光谱卫星遥感影像获取农作物的光谱数据；
步骤3，基于最佳光谱波段以及光谱数据获取农作物的长势指数。
可以理解的，长势指数用于表征农作物的生长状况，可以为归一化植被指数、比值植被指数、光化学反射指数、水分胁迫指数、绿色归一化植被指数、叶片叶绿素指数、归一化差异红边指数以及优化土壤调整植被指数中的一种或多种，只需能够体现农作物的生长状况即可。
在本实施例中，选择归一化植被指数作为长势指数。植被指数是根据植被的光谱特性，将卫星可见光和近红外波段进行组合得到的，但不同的作物在特定时期有不同的光谱曲线特征，所以要做到更精准的反应植被长势情况，需要根据具体作物的光谱曲线找到更适合的波段。具体的，在作物营养生长期内，每周采集农作物叶片，每个样点采集无病虫害、无损伤的新、老叶片各3片，记为2个样本，每周共采集30片叶片共5个样本，用塑料袋密封，保存在保鲜箱内，进行叶片高光谱反射率测定。每片叶子获得6条反射光谱曲线，每个样本3片叶片，每周获得18条光谱反射率数据，取营养生长期内所有叶子反射光谱曲线平均值生成该作物标准光谱曲线，进而确定近红外波段波峰值和红光波段波谷值，作为该农作物的最佳光谱波段。
在本实施例中，选择作物的营养生长期，每天一次通过高光谱卫星采集遥感数据。可以理解的，选择营养生长期是因为反应其生长状况的植被指数大致保持在一个相对稳定的时期，参考效果好。在其他实施例中，也可以选择农作物的其他生长期进行数据采集，此处不作具体限定。
示例性地，高光谱遥感数据中对应的NIR波峰和R波谷波段，采用INDEX=(NIR波峰-R波谷)/(NIR波峰+R波谷)这个公式计算此农作物的长势指数。
在其他实施例中，当采用其他植被指数作为农作物的长势指数时，对应确定最佳光谱波段的方式以及长势指数的计算公式对应调整，此处不再赘述。
在另一个实施例中，获取预设区域的农作物在预设时间段内的长势指数还包括如下步骤：
步骤1，获取第一参考位置的农作物在第一时间节点的实际长势值；
步骤2，计算第一参考位置在第一时间节点的长势指数与实际长势值之间的皮尔逊相关系数；
步骤3，基于皮尔逊相关系数获取干扰抑制参数，干扰抑制参数用于抑制干扰因素对长势指数的影响，干扰因素包括土壤背景、叶片滞尘量；
步骤4，基于干扰抑制参数获取预设区域的农作物在预设时间段内的长势指数。
可以理解的，通过高光谱遥感数据得到的表征农作物生长状况的植被指数，会受到土壤背景、叶片滞尘量等干扰因素对观测结果造成的影响，存在一定的偏差，因此需要对这些干扰因素进行抑制。
在本实施例中，采用皮尔逊相关系数获取干扰抑制参数，并结合到长势指数的计算公式中，以抑制干扰因素，使长势指数更加准确。
示例性地，获取同一时间同一位置的农作物，分别通过实验获取实际长势值，通过高光谱遥感数据获取干扰抑制参数为不同数值时的长势指数，并通过计算实际长势值与不同数值干扰抑制参数的长势指数之间的皮尔逊相关系数，获取最佳干扰抑制参数，并结合到长势指数的计算公式中，以抑制干扰因素。可以理解的，可以选取预设范围内的任意时间与位置的农作物作为实验数值的获取对象，此处不作具体限定。
具体的，在长势指数的计算公式中增加参数a：
INDEX=(NIR波峰-R波谷)/(NIR波峰+R波谷+a)
其中NIR波峰和R波谷为选择出的最佳波段组合，a为干扰抑制参数，用来抑制土壤背景、叶片滞尘量等干扰因素对观测结果造成的影响。通过皮尔逊相关系数获取a为不同数值时长势指数与实际长势值之间的相关性，以调节出最佳参数a的值用来抑制干扰因素。
在本实施例中，使用皮尔逊（pearson）相关系数，来定量的衡量变量间的相关关系。其计算公式如下所示：
X与Y分别代表实际长势值与长势指数，r值的范围为从+1到-1。r 的值为正则表示正相关，r 的值为负则表示负相关，r的值为0则表示两个变量间线性不相关。r的绝对值越大，则表示相关性越强，绝对值越接近于0，则表示相关性越弱。通过上述公式，可以得到实际长势值与长势指数相关性最强的情况下的a的数值，以作为干扰抑制参数，用于计算其他时间位置的长势指数。
可以理解的，在其他实施例中，可以采用其他方式获取干扰抑制参数，只需能够对干扰因素起到较好的抑制作用即可。
在另一个实施例中，方法还包括如下步骤：
获取预设区域的农作物在预设时间段内的生长环境指标，生长环境指标包括光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度中的一种或多种。
可以理解的，获取生长环境的各种环境因素，获取到长势指数聚集区后，基于长势指数聚集区的环境因素判断农作物的生长需求，并基于待调节区域的生长环境对应制定环境调节策略。
在本实施例中，通过IoT设备获取生长环境指标。在其他实施例中，还可以采用其他方式获取，此处不作具体限定。
在另一个实施例中，长势指数聚集区包括高值聚集区以及低值聚集区，基于长势指数聚集区的生长环境制定环境调节策略包括如下步骤：
步骤1，以高值聚集区的平均长势指数作为标准，基于随机梯度下降方法对高值聚集区的生长环境进行测试，得到最优生长环境指标；
步骤2，基于低值聚集区的生长环境获取异常指标；
步骤3，基于最优生长环境指标以及异常指标制定环境调节策略。
可以理解的，当选择高值聚集区与低值聚集区作为判断依据时，可以根据高值聚集区的生长环境判断哪些环境因素对农作物生长有利，根据低值聚集区的生长环境判断哪些环境因素对农作物生长不利，以对应制定环境调节策略。
可以理解的，植被指数反应环境的变化存在延迟性，因此去掉聚集区时间初期和末尾的数据，将中间时期数据作为判断依据。
具体的，对于高值聚集区，获取光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度等环境因素，以及对应的长势指数，取此聚集区的长势指数的平均值作为理想指标，然后采用随机梯度下降的方法，减小步长或增加试验次数，取最接近理想指标的时间与区域，获取该时间与区域的光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度值等环境因素，作为最优生长环境指标。可以理解的，理想指标可以根据实际需求进行设置，此处不作具体限定。
对于低值聚集区，获取光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度等环境因素，以及对应的长势指数，对各环境因素造成农作物长势较差的影响程度进行排名，以获取异常指标。
在本实施例中，可以通过将待调节区域的生长环境调节为上述最优生长环境，或者对待调节区域的异常指标进行调整，以使农作物获得更好的生长环境。
可以理解的，在其他实施例中，当选择高值聚集区以及低值聚集区作为判断依据时，还可以采用其他判断方式；当选择其他聚集区作为判断依据时，判断方式适应性变化，只需能够得到影响农作物生长的环境因素，以对应制定环境调节策略即可，此处不再赘述。
在另一个实施例中，当需要对农作物的生长环境进行调节，存在待调节区域时，例如，在预设区域的农作物的新一轮生长周期中，在其营养生长期监测作物的长势指数，当某区域的长势指数下降的时候，按照上述方法得到的环境调节策略对生长环境进行调节，即将生长环境调节为最优生长环境，或者对该区域的异常指标进行调整。
可以理解的，农作物的一轮生长周期结束的时候可以将这一轮的数据放进数据集中，作为分析基础，进行时空自相关分析，进一步迭代优化最优生长环境指标和异常指标的获取方式，在农作物生长中做到更精准的监测与决策。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种农作物生长环境改善装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是本实施例的基于时空自相关分析的作物生长环境智能调节装置的结构框图，如图3所示，该装置包括：
长势指数获取模块10，用于获取预设区域的农作物在预设时间段内的长势指数。
长势指数获取模块10，还用于：
获取预设区域在预设时间段内的高光谱卫星遥感影像；
基于高光谱卫星遥感影像获取农作物的长势指数。
长势指数获取模块10，还用于：
获取预设时间段内预设区域的农作物的光谱曲线特征，并基于光谱曲线特征获取农作物的最佳光谱波段；
基于高光谱卫星遥感影像获取农作物的光谱数据；
基于最佳光谱波段以及光谱数据获取农作物的长势指数。
长势指数获取模块10，还用于：
获取第一参考位置的农作物在第一时间节点的实际长势值；
计算第一参考位置在第一时间节点的长势指数与实际长势值之间的皮尔逊相关系数；
基于皮尔逊相关系数获取干扰抑制参数，干扰抑制参数用于抑制干扰因素对长势指数的影响，干扰因素包括土壤背景、叶片滞尘量；
基于干扰抑制参数获取预设区域的农作物在预设时间段内的长势指数。
区域划分模块20，用于基于时空自相关分析方法以及长势指数对预设时间段内的预设区域进行区域划分，得到长势指数聚集区，长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区。
区域划分模块20，还用于：
根据时空关系将预设时间段内的预设区域划分为多个时空对象；
基于时空自相关分析方法获取多个时空对象之间的时空自相关特征；
基于多个时空对象之间的时空自相关特征以及每个时空对象的长势指数，得到高值聚集区以及低值聚集区。
策略制定模块30，用于基于长势指数聚集区的生长环境制定环境调节策略。
策略制定模块30，还用于：
以高值聚集区的平均长势指数作为标准，基于随机梯度下降方法对高值聚集区的生长环境进行测试，得到最优生长环境指标；
基于低值聚集区的生长环境获取异常指标；
基于最优生长环境指标以及异常指标制定环境调节策略。
农作物生长环境改善装置，还包括：指标获取模块。
指标获取模块，用于获取预设区域的农作物在预设时间段内的生长环境指标，生长环境指标包括光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度中的一种或多种。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取预设区域的农作物在预设时间段内的长势指数；
S2，基于时空自相关分析方法以及长势指数对预设时间段内的预设区域进行区域划分，得到长势指数聚集区，长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区；
S3，基于长势指数聚集区的生长环境制定环境调节策略。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的基于时空自相关分析的作物生长环境智能调节方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于时空自相关分析的作物生长环境智能调节方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于时空自相关分析的作物生长环境智能调节方法，其特征在于，包括：
获取预设区域的农作物在预设时间段内的长势指数；
基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区，所述长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区；
基于所述长势指数聚集区的生长环境制定环境调节策略；
所述基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区包括：
根据时空关系将预设时间段内的所述预设区域划分为多个时空对象，多个所述时空对
象的空间序号为p，时间序号为i，记为
；
基于所述时空自相关分析方法获取多个所述时空对象之间的时空自相关特征；
基于多个所述时空对象之间的时空自相关特征以及每个所述时空对象的长势指数进行区域划分，得到长势指数聚集区。
2.根据权利要求1所述的基于时空自相关分析的作物生长环境智能调节方法，其特征在于，基于多个所述时空对象之间的时空自相关特征以及每个所述时空对象的长势指数进行区域划分，得到长势指数聚集区包括：
基于多个所述时空对象之间的时空自相关特征以及每个所述时空对象的长势指数，得到高值聚集区以及低值聚集区。
3.根据权利要求1所述的基于时空自相关分析的作物生长环境智能调节方法，其特征在于，所述获取预设区域的农作物在预设时间段内的长势指数包括：
获取预设区域在预设时间段内的高光谱卫星遥感影像；
基于所述高光谱卫星遥感影像获取农作物的长势指数。
4.根据权利要求3所述的基于时空自相关分析的作物生长环境智能调节方法，其特征在于，所述基于所述高光谱卫星遥感影像获取农作物的长势指数包括：
获取预设时间段内所述预设区域的农作物的光谱曲线特征，并基于所述光谱曲线特征获取农作物的最佳光谱波段；
基于所述高光谱卫星遥感影像获取农作物的光谱数据；
基于所述最佳光谱波段以及所述光谱数据获取农作物的长势指数。
5.根据权利要求1所述的基于时空自相关分析的作物生长环境智能调节方法，其特征在于，所述获取预设区域的农作物在预设时间段内的长势指数还包括：
获取第一参考位置的农作物在第一时间节点的实际长势值；
计算所述第一参考位置在第一时间节点的长势指数与所述实际长势值之间的皮尔逊相关系数；
基于所述皮尔逊相关系数获取干扰抑制参数，所述干扰抑制参数用于抑制干扰因素对所述长势指数的影响，所述干扰因素包括土壤背景、叶片滞尘量；
基于所述干扰抑制参数获取预设区域的农作物在预设时间段内的长势指数。
6.根据权利要求1所述的基于时空自相关分析的作物生长环境智能调节方法，其特征在于，所述方法还包括：
获取预设区域的农作物在预设时间段内的生长环境指标，所述生长环境指标包括光照强度、空气温湿度、土壤温湿度、土壤氮磷钾含量、害虫密度中的一种或多种。
7.根据权利要求1所述的基于时空自相关分析的作物生长环境智能调节方法，其特征在于，所述长势指数聚集区包括高值聚集区以及低值聚集区，所述基于所述长势指数聚集区的生长环境制定环境调节策略包括：
以所述高值聚集区的平均长势指数作为标准，基于随机梯度下降方法对所述高值聚集区的生长环境进行测试，得到最优生长环境指标；
基于所述低值聚集区的生长环境获取异常指标；
基于所述最优生长环境指标以及异常指标制定环境调节策略。
8.一种基于时空自相关分析的作物生长环境智能调节装置，其特征在于，包括：
长势指数获取模块，用于获取预设区域的农作物在预设时间段内的长势指数；
区域划分模块，用于基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区，所述长势指数聚集区包括长势指数在预设范围内的区域聚集形成的聚集区；
策略制定模块，用于基于所述长势指数聚集区的生长环境制定环境调节策略；
所述基于时空自相关分析方法以及所述长势指数对预设时间段内的所述预设区域进行区域划分，得到长势指数聚集区包括：
根据时空关系将预设时间段内的所述预设区域划分为多个时空对象，多个所述时空对
象的空间序号为p，时间序号为i，记为
；
基于所述时空自相关分析方法获取多个所述时空对象之间的时空自相关特征；
基于多个所述时空对象之间的时空自相关特征以及每个所述时空对象的长势指数进行区域划分，得到长势指数聚集区。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的基于时空自相关分析的作物生长环境智能调节方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于时空自相关分析的作物生长环境智能调节方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110477609.8A CN112990782B (zh) | 2021-04-30 | 2021-04-30 | 基于时空自相关分析的作物生长环境智能调节方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110477609.8A CN112990782B (zh) | 2021-04-30 | 2021-04-30 | 基于时空自相关分析的作物生长环境智能调节方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990782A CN112990782A (zh) | 2021-06-18 |
| CN112990782B true CN112990782B (zh) | 2021-08-06 |
Family
ID=76336676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110477609.8A Active CN112990782B (zh) | 2021-04-30 | 2021-04-30 | 基于时空自相关分析的作物生长环境智能调节方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990782B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115938083B (zh) * | 2022-12-06 | 2023-08-15 | 云南大学 | 一种基于移动终端农业监测预警方法及系统 |
| CN116489709B (zh) * | 2023-06-20 | 2023-11-17 | 中电科新型智慧城市研究院有限公司 | 节点调度策略确定方法、终端设备及存储介质 |
| CN117274915B (zh) * | 2023-11-20 | 2024-01-30 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及系统 |
| CN118446542A (zh) * | 2024-04-22 | 2024-08-06 | 江西富晶农业科技有限公司 | 一站式可视化农业智能管理方法及平台 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析系统及农业环境调控方法 |
| CN111259963A (zh) * | 2019-12-27 | 2020-06-09 | 南京林业大学 | 一种区域植被指标的驱动因素分析方法、装置及存储介质 |
| CN111263920A (zh) * | 2017-09-08 | 2020-06-09 | 9337-4791魁北克股份有限公司 | 用于控制作物的生长环境的系统和方法 |
| CN111859672A (zh) * | 2020-07-22 | 2020-10-30 | 南京工业职业技术大学 | 一种草莓蜜蜂复合设施生态环境智能构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640037A (zh) * | 2020-05-13 | 2020-09-08 | 中国科学院新疆生态与地理研究所 | 一种基于漫溢干扰下胡杨种群空间分布格局的研究方法 |
-
2021
- 2021-04-30 CN CN202110477609.8A patent/CN112990782B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111263920A (zh) * | 2017-09-08 | 2020-06-09 | 9337-4791魁北克股份有限公司 | 用于控制作物的生长环境的系统和方法 |
| CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析系统及农业环境调控方法 |
| CN111259963A (zh) * | 2019-12-27 | 2020-06-09 | 南京林业大学 | 一种区域植被指标的驱动因素分析方法、装置及存储介质 |
| CN111859672A (zh) * | 2020-07-22 | 2020-10-30 | 南京工业职业技术大学 | 一种草莓蜜蜂复合设施生态环境智能构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112990782A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990782B (zh) | 基于时空自相关分析的作物生长环境智能调节方法和装置 | |
| McNairn et al. | Estimating canola phenology using synthetic aperture radar | |
| US11636672B2 (en) | Crop phenology estimation and tracking with remote sensing imagery | |
| US10748081B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops | |
| US11176372B2 (en) | Automatic crop health change detection and alerting system | |
| JP2006250827A (ja) | 作物の生育状況分析方法 | |
| Yang et al. | Using spectral distance, spectral angle and plant abundance derived from hyperspectral imagery to characterize crop yield variation | |
| CN107274384B (zh) | 一种小麦出苗均匀度测定方法 | |
| JP2008161157A (ja) | 作物の生育状況分析方法、作物の生育状況分析装置及び作物の生育状況分析プログラム | |
| Stankiewicz | The efficiency of crop recognition on ENVISAT ASAR images in two growing seasons | |
| CN113642464B (zh) | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| Meng et al. | Optimizing soybean harvest date using HJ-1 satellite imagery | |
| Zhang et al. | Improvement in estimation of soil water deficit by integrating airborne imagery data into a soil water balance model | |
| CN110390287A (zh) | 一种基于卫星遥感的作物成熟期预测方法 | |
| CN115879653A (zh) | 一种多因子农作物产量估算方法、设备及介质 | |
| Yang et al. | Evaluating high resolution SPOT 5 satellite imagery to estimate crop yield | |
| Hashimoto et al. | Feasibility of yield estimation based on leaf area dynamics measurements in rice paddy fields of farmers | |
| Otuka et al. | Occurrence and short-distance migration of Nilaparvata lugens (Hemiptera: Delphacidae) in the Vietnamese Mekong Delta | |
| WO2023144293A1 (en) | Plant disease detection at onset stage | |
| CN115082043A (zh) | 一种烟叶种植遥感监管系统及方法 | |
| Ventura et al. | Remote sensing and UAV vegetation index comparison with on-site FAPAR measurement | |
| CN113222353A (zh) | 一种基于遥感植被指数的农业监测方法及系统 | |
| US20240144667A1 (en) | Remote sensing multivariate / multidimensional agriculture enhancement apparatus and method of use thereof |
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 |