CN113435566A - 一种农场作物施肥的方法、系统、装置及存储介质 - Google Patents
一种农场作物施肥的方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113435566A CN113435566A CN202110694424.2A CN202110694424A CN113435566A CN 113435566 A CN113435566 A CN 113435566A CN 202110694424 A CN202110694424 A CN 202110694424A CN 113435566 A CN113435566 A CN 113435566A
- Authority
- CN
- China
- Prior art keywords
- crop
- fertilization
- fertilizer
- quality parameters
- data
- 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
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- 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
- 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"
Abstract
本说明书实施例公开了一种农场作物施肥的方法、系统、装置及存储介质。所述方法包括:获取作物的多种器官对应的多组品质参数和作物环境信息;基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征;基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征;以及基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方。
Description
技术领域
本说明书涉及农业生产种植技术领域,尤其涉及一种农场作物施肥的方法、系统、装置及存储介质。
背景技术
在农业生产中广泛使用着各种各样的肥料,对于一些作物如番茄,其茎、叶、花、果实的生长状态不同且互相影响,处于不同生长状态的茎、叶、花、果实各自有着对应的生长需求,不同的生长需求影响对作物的施肥方案例如各种肥料元素比例的把控,若施肥方案不合适会无法满足作物的生长需求,还可能出现肥料少施导致作物缺肥或肥料多施导致植物烧根等问题。
因此,亟需一种农场作物施肥方法,通过监测作物的生长情况以及时确定合适的施肥配方对作物进行施肥,提高施肥的有效性以及作物的品质。
发明内容
本说明书实施例之一提供一种农场作物施肥的方法。所述方法包括:获取作物的多种器官对应的多组品质参数和作物环境信息;基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征;基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征;以及基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方。
本说明书实施例之一提供一种农场作物施肥的系统。所述方法包括:获取模块,用于获取作物的多种器官对应的多组品质参数和作物环境信息;特征模块,用于基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征;特征融合模块,用于基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征;以及确定模块,用于基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方。
本说明书实施例之一提供一种农场作物施肥的装置。所述装置包括:至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现农场作物施肥的方法。
本说明书一些实施例涉及一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现农场作物施肥的方法。
附图说明
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。其中:
图1是根据本说明书一些实施例所示的农场作物施肥系统的示例性应用场景图;
图2是根据本说明书一些实施例所示的农场作物施肥方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定作物施肥配方的示例性流程图;
图4是根据本说明书一些实施例所示的确定下一时间阶段目标施肥配方的示例性流程图;
图5是根据本说明书一些实施例所示的获取作物的多种器官对应的多组品质参数和作物环境信息的示例性示意图;
图6是根据本说明书一些实施例所示的农场作物施肥系统的模块图。
具体实施方式
为了更清楚地说明本说明书的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的农场作物施肥系统的示例性应用场景图。在一些实施例中,如图1所示,农场作物施肥系统的应用场景100可以包括处理设备110、网络120、农场作物130和存储设备140。
农场作物130可以是任何种类的作物。在一些实施例中,农场作物130可以包括番茄130-1、萝卜130-2、白菜130-3等或其任意组合。
处理设备110可以处理从存储设备140获得的数据和/或信息。例如,处理设备110可以从存储设备140获取多组品质参数和作物环境信息,并基于样本多组品质参数和样本作物环境信息训练预测模型和评估模型。在一些实施例中,处理设备110可以处理与农场作物130相关的信息和/或数据以执行本说明书描述的一个或多个功能。
在一些实施例中,处理设备110可以是单个的服务器或者服务器群。服务器群可以是集中式的或分布式的(例如,处理设备110可以是分布式系统)。在一些实施例中,处理设备110可以是本地的或远程的。例如,处理设备110通过网络120访问存储在存储设备140中的信息和/或数据。再例如,处理设备110可以直接连接到存储设备140以访问存储的信息和/或数据。在一些实施例中,处理设备110可以通过云平台实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或其任意组合。
在一些实施例中,处理设备110可以包括一个或多个处理设备110(例如,单核处理器或多核处理器)。仅作为示例,处理设备110可以包括一个或多个硬件处理器,例如,中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
存储设备140可存储数据和/或指令。在一些实施例中,存储设备140可存储从处理设备110等组件获取的数据/信息。在一些实施例中,存储设备140可以存储由处理设备110执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
在一些实施例中,存储设备140可以包括大容量存储器、可移动存储器、随机存储器(RAM)、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性随机存储器可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)、零电容RAM(Z-RAM)等。示例性只读存储器可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)、数字通用磁盘ROM等。在一些实施例中,存储设备140可以通过云平台实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备140可以连接到网络120以与场景100中的一个或以上组件通信。场景100中的一个或以上组件可以通过网络120访问存储设备140中存储的数据或指令。在一些实施例中,存储设备140可以与场景100中的一个或以上组件直接连接或通信。在一些实施例中,存储设备140可以是处理设备110的一部分。
网络120可以用于促进信息和/或数据的交换。在一些实施例中,场景100中的一个或多个组件、可以通过网络120向/从场景100中的其他组件发送和/或接收信息和/或数据。例如,处理设备110可以通过网络120从存储设备140获取数据。在一些实施例中,网络120可以为任意形式的有线或无线网络或其任意组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)等或其任意组合。
在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点(例如,基站和/或网际网络交换点120-1、120-2、…),通过这些接入点,场景100的一个或以上组件可以通过其连接到网络120以交换数据和/或信息。
需要注意的是,上述对于农场作物施肥系统的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个组件进行任意组合,或者构成子系统与其他组件连接。
图2是根据本说明书一些实施例所示的农场作物施肥方法的示例性流程图。在一些实施例中,流程200可以包括以下步骤。
步骤210,获取作物的多种器官对应的多组品质参数和作物环境信息。在一些实施例中,步骤210可以通过获取模块610执行。
作物130是指农业上栽培的各种植物,例如,油料作物(如大豆、花生、芝麻等)、蔬菜作物(如番茄130-1、萝卜130-2、白菜130-3等)、花(玫瑰、月季、百合等)、草(如洽草、紫羊茅、结缕草等)、树木(如松树、柏树、槐树等)等。
植物的器官是指由多种组织构成的具有一定功能的植物结构。在一些实施例中,作物130的多种器官可以包括营养器官(如根、茎、叶)和繁殖器官(如花、果实、种子)等。
在本说明书中,以作物130为番茄130-1,多种器官为茎、叶、花、果实为例进行说明。
品质参数可以包括用于表示作物130的多种器官的生长情况、质量优劣等的相关数据。在一些实施例中,品质参数可以包括作物130的多种器官的品质参数,例如,可以包括茎、叶、花或果实中的至少一种的品质参数。在一些实施例中,品质参数可以包括作物130的多种器官的各项参数,例如,作物130的茎的直径参数、叶的大小参数、叶的数量参数、花的大小参数、花的数量参数,果实的大小参数、果实的数量参数等中的至少一种。
环境信息可以包括作物130所处的生长环境的相关数据。在一些实施例中,环境信息可以包括气象相关数据,例如,温度、湿度、风速等。在一些实施例中,环境信息可以包括土壤相关数据,例如,土壤类型(如砖红壤、黄棕壤、灰褐土等)、土壤质地(如土壤中不同矿物颗粒的种类和组合状况)、土层厚度、土壤中各元素含量(如钾含量、氮含量等)等。在一些实施例中,环境信息可以包括地貌相关数据,例如,地形类型(如平原、高原、山地、丘陵等)、地貌特征(如黄土地貌、喀斯特地貌、河流地貌等)等。
在一些实施例中,可以通过监测装置530、无人机540等方式采集作物130的相关数据、气象相关数据、土壤相关数据、地貌相关数据等,基于采集的相关数据直接或间接(例如对获取的图像进行图像识别、对数据进行分析处理等)地获取品质参数和作物环境信息。其中,监测装置530可以指具有监测功能的设备,例如监控摄像头、红外线探测器、土壤含量检测装置等。关于数据采集和获取品质参数和作物环境信息的更多内容可以参见图5及其相关描述,在此不再赘述。
步骤220,基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征。在一些实施例中,步骤220可以通过特征模块620执行。
肥料是指提供一种或一种以上植物必需的营养元素,用于改善土壤性质、提高土壤肥力水平的物质,是农业生产的物质基础之一。其主要包括磷酸铵类肥料、大量元素水溶性肥料、中量元素肥料、生物肥料、有机肥料、多维场能浓缩有机肥等。肥料包括或提供的营养元素可以包括:微量元素如氮、磷、钾、硼、钙等和促进生长激素、抑制生长激素等。
肥料需求特征是指作物130在生长过程中其器官对于不同肥料或营养元素的需求,例如,作物130的叶片生长需要100mg氮和10ml激素。在一些实施例中,作物130的多种器官对应的多组肥料需求特征可以是不相同的,例如,作物130的叶片生长需要100mg氮,作物130的果实结果需要50mg氮,作物130的果实膨大需要3ml抑制生长激素和60mg氮。在一些实施例中,作物130的多种器官对应的多组肥料需求特征也可以是相同的,例如,作物130的茎和果实均需要50mg氮。
在一些实施例中,特征提取单元可以是用于特征提取的神经网络。例如,特征提取单元可以是卷积神经网络(Convolutional Neural Networks,CNN),卷积神经网络是一种深度学习模型或类似于人工神经网络的多层感知器。又例如,特征提取单元可以是循环神经网络(Recurrent Neural Network,RNN),例如:LSTM(Long-Short Term Memory)、GRU(Gate Recurrent Unit)等。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
在一些实施例中,特征提取单元的输入是作物130的多种器官对应的多组品质参数,特征提取单元的输出是多种器官对应的多组肥料需求特征,其中,一组肥料需求特征可以对应一种器官的肥料或营养元素需求。在一些实施例中,一组肥料需求特征可以包括微量元素如氮、磷、钾、硼、钙等的需求量和促进生长激素、抑制生长激素等的需求量。
在一些实施例中,特征提取单元可以通过训练得到。具体的,训练过程中的训练样本可以包括多组品质参数样本,基于多组品质参数样本和品质参数样本以及样本对应的标签(如样本对应的肥料需求特征),通过至少一次迭代过程训练初始神经网络,得到特征提取单元。在一些实施例中,可以基于训练样本,通过各种方法进行训练,迭代更新模型参数。例如,可以基于梯度下降法进行训练。
通过特征提取单元对多组品质参数提取多组肥料需求特征,可以反映作物130多种不同器官的不同肥料需求,得到更完善的作物特征信息。
步骤230,基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征。在一些实施例中,步骤230可以通过特征融合模块630执行。
在一些实施例中,特征融合单元可以是用于融合多组肥料需求特征的神经网络单元。例如,特征融合单元可以是深度神经网络(DNN)。又例如,特征融合单元可以是两层的卷积神经网络单元,该结构可以较好地融合多组肥料需求特征,避免单层神经网络单元导致的欠拟合,以及多层神经网络单元导致的过拟合。
在一些实施例中,特征融合单元的输入是作物130的多种器官对应的多组肥料需求特征,输出是融合后的一组肥料需求特征。
融合后的肥料需求特征是指将多组肥料需求特征进行融合后得到的肥料需求特征。在一些实施例中,可以通过特征融合单元将作物130的茎、叶、花、果实各自的肥料需求特征进行叠加得到融合后的肥料需求特征,例如,番茄的茎的肥料需求为100mg氮和10ml激素,其叶的肥料需求为50mg氮和5ml激素,通过叠加茎和叶的肥料需求可以得到100mg+50mg=150mg氮和10ml+5ml=15ml激素,因此,融合后的肥料需求特征为150mg氮和15ml激素。在一些实施例中,还可以通过特征融合单元将作物130的茎、叶、花、果实各自的肥料需求特征进行加权得到融合后的肥料需求特征,例如,番茄的茎的肥料需求为100mg氮,权重占比为60%,其叶的肥料需求为50mg氮,权重占比为40%,通过加权茎和叶的肥料需求可以得到100mg*60%g+50mg*40%=80mg氮,因此,融合后的肥料需求特征为80mg氮。可以理解,还可以通过其他方式如促进生长激素和抑制生长激素以一定比例相减得到融合后的肥料需求特征,本实施例不做限制。相对于单独的肥料需求特征,融合后的肥料需求特征可以更加准确和完善地反映多组器官的肥料需求。
步骤240,基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方。在一些实施例中,步骤240可以通过确定模块640执行。
施肥配方是指根据作物130的肥料需求确定的肥料元素配比方案。在一些实施例中,施肥配方可以包括但不限于施肥所用肥料的种类、肥料各元素的含量取值,以及肥料各元素的含量占比等中的至少一种。例如,施肥配方可以是为对番茄施肥100mg氮、200ml磷和200ml钾。又例如,施肥配方可以是为对番茄按1:2:2的比例施肥氮、磷和钾。在一些实施例中,施肥配方可以包括肥料各元素的含量取值范围,例如氮含量取值为100mg~150mg。
在一些实施例中,预测模型可以是指用于预测作物130的施肥配方的模型。在一些实施例中,预测模型可以是二分类模型、逻辑回归模型或神经网络等机器学习模型,本说明书对此不做限制。
在一些实施例中,预测模型的输入是融合后的肥料需求特征和作物环境信息,预测模型的输出是作物130的施肥配方。
在一些实施例中,预测模型可以通过训练初始预测模型得到。具体的,训练过程中的训练样本可以包括多个肥料需求特征样本和作物环境信息样本,基于多个肥料需求特征样本和样本作物环境信息和样本对应的标签(如对应的施肥配方),通过至少一次迭代过程训练初始预测模型,确定预测模型。在一些实施例中,可以基于训练样本,通过各种方法进行训练,迭代更新模型参数。例如,可以基于梯度下降法进行训练。
在一些实施例中,可以将作物130的多种器官对应的多组品质参数输入特征提取单元,得到多种器官对应的多组肥料需求特征,再基于多组肥料需求特征通过特征融合单元得到融合后的肥料需求特征,将融合后的肥料需求特征和作物环境信息输入预测模型,得到作物130的施肥配方。例如,获取番茄的茎、叶、花、果实的4组品质参数:茎对应的一组品质参数包括单株茎的平均直径参数为5mm,叶对应的一组品质参数包括单株叶的平均数量参数为7叶、叶片的叶面积指数为2.3,花对应的一组品质参数包括单株花的平均数量参数为4,果实对应的一组品质参数包括单株果实的平均数量为3,果实的果实面积指数为2(其中,叶面积指数为平均叶片表面积大小与单位面积的比值,果实面积指数为平均果实体积大小与单位体积的比值),将茎、叶、花、果实的4组品质参数输入特征提取单元,得到茎、叶、花、果实对应的4组肥料需求特征:茎的肥料需求特征为100mg氮和10ml促进生长激素、叶的肥料需求特征为50mg氮和5ml促进生长激素、花的肥料需求特征为150mg氮和20ml促进生长激素、果实的肥料需求特征为50mg氮和10ml抑制生长激素,基于上述多组肥料需求特征通过特征融合单元得到融合后的肥料需求特征为300mg氮和25ml抑制生长激素,将融合后的肥料需求特征为300mg氮和25ml抑制生长激素和作物环境信息(温度为25°、湿度为40%、土壤厚度为5m,土壤氮含量为20mg/cm2,土壤钾含量为22mg/cm2)输入预测模型,得到番茄的施肥配方为:肥料含量包括370~420mg氮和25~35ml抑制生长激素。
基于融合后的肥料需求特征和作物环境信息,通过预测模型确定作物130的施肥配方可以综合考虑作物130的不同器官的肥料需求特征及周围的各项环境因素,使预测出的作物130的施肥配方更加准确,满足作物130生长的各种不同需求(如叶片生长、根茎生长、果实膨果等),达到促进作物130生长最佳的效果。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的确定作物施肥配方的示例性流程图。在一些实施例中,流程300可以包括以下步骤。
步骤310,基于所述多组品质参数中的至少部分参数和所述施肥配方中多种肥料元素的取值范围,确定所述多种肥料元素的多种组合方式,所述多种组合方式对应多种候选施肥配方。在一些实施例中,步骤310可以通过确定模块640执行。
在一些实施例中,可以基于多组品质参数中的至少部分参数和施肥配方中多种肥料元素的取值范围,确定多种肥料元素取值的多种组合方式。如氮的取值范围为40mg~60mg、磷的取值范围为40mg~60mg、钾的取值范围为40mg~60mg、抑制生长激素的取值范围为3ml~6ml,可以确定得到多种肥料元素取值的组合方式例如为氮45mg、磷50mg、钾53mg、抑制生长激素5ml,又例如为氮48mg、磷52mg、钾58mg、抑制生长激素4ml。
在一些实施例中,可以基于预设条件例如各元素的取值关系确定多种肥料元素取值的多种组合方式。例如,磷取值=磷最小值+(磷最大值-磷最小值)*氮取值比例/作物叶面积指数,钾取值=钾最小值+(钾最大值-钾最小值)*氮取值比例/果实面积指数等。
候选施肥配方是指作为施肥候选方案的施肥配方。在一些实施例中,多种组合方式对应多种候选施肥配方,即每一种组合方式为一种候选施肥配方。
步骤320,基于所述多种组合方式的肥料元素取值、所述多种器官对应的所述多组品质参数和所述作物环境信息,通过评估模型确定所述多种候选施肥配方的多个效果评分。在一些实施例中,步骤320可以通过确定模块640执行。
在一些实施例中,评估模型可以是指用于评估多种候选施肥配方的多个效果评分的模型。在一些实施例中,评估模型可以是线性加权模型、层次分析法模型(AnalyticHierarchy Process,AHP)等评价型机器学习模型,本说明书对此不做限制。
在一些实施例中,可以将多种组合方式的肥料元素取值、多种器官对应的多组品质参数和作物环境信息输入评估模型,输出得到多种候选施肥配方的多个效果评分。
在一些实施例中,效果评分可以用于表示候选施肥配方对于作物130的多种器官施肥后的效果。具体的,效果评分可以包括但不限于作物130的叶片长势评分、果实长势评分、土壤优良评分等中的至少一种。在一些实施例中,效果评分可以表示为0~10之间的整数,0代表施肥效果最不佳,10代表施肥效果最佳,如叶片长势评分为1,则表示候选施肥配方对于作物130的叶施肥的效果不佳。在一些实施例中,效果评分可以为效果很好、效果一般、效果不佳,如叶片长势评分为效果很好,则表示候选施肥配方对于作物130的叶施肥的效果很好。在一些实施例中,效果评分可以为所有作物130的叶片长势评分、果实长势评分、土壤优良评分等多个效果评分的综合评分。例如,当效果评分表示为数字时,综合评分可以为多个效果评分的平均分,如叶片长势评分为3、果实长势评分为5、土壤优良评分为8,则综合评分为(3+5+7)/3=5,综合评分还可以为多个效果评分的加权平均分,也可以基于权重比例进行计算得出,本实施例对此不做限制。又例如,当效果评分表示为文字时,可以基于各项评分的占比确定综合评分,如当效果评分为效果很好的数量最多时,综合评分为效果很好。
在一些实施例中,评估模型可以通过训练初始评估模型得到。具体的,训练过程中的训练样本可以包括多种组合方式的样本肥料元素取值、多种样本器官对应的多组样本品质参数和样本作物环境信息,基于多种组合方式的样本肥料元素取值、多种样本器官对应的多组样本品质参数和样本作物环境信息以及训练样本对应的标签(如对应的效果评分),通过至少一次迭代过程训练初始评估模型,确定评估模型。
步骤330,将所述多个效果评分中满足预设条件的效果评分对应的候选施肥配方作为所述作物的目标施肥配方。在一些实施例中,步骤330可以通过确定模块640执行。
在一些实施例中,目标施肥配方可以是指从候选施肥配方中选出的施肥效果最佳的施肥配方。在一些实施例中,预设条件可以是多个效果评分的综合评分最高或排名为TopN,即多个效果评分之和最高或排名为TopN。在一些实施例中,预设条件可以是多个效果评分中评分为效果很好的数量最多或数量排名为TopN。
在一些实施例中,可以将多个效果评分中满足预设条件的效果评分对应的候选施肥配方作为作物130的目标施肥配方。例如,多个效果评分中满足预设条件的效果评分对应的候选施肥配方为300mg氮和35ml激素,则将300mg氮和35ml激素作为作物130的目标施肥配方。
通过评估模型对多种组合方式的肥料元素取值、多种器官对应的多组品质参数和作物环境信息进行效果评估,可以更加精准地综合考虑肥料和作物130的各器官的参数以及作物环境的综合信息,以提高选择目标施肥配方的准确度。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的确定下一时间阶段目标施肥配方的示例性流程图。在一些实施例中,流程400可以包括以下步骤。
步骤410,在采用所述目标施肥配方对所述作物施肥的一段时间中,通过监测装置获取至少一个时间阶段的阶段性多组品质参数和阶段性环境信息。在一些实施例中,步骤410可以通过确定模块640执行。
在一些实施例中,一段时间具有一定的时间长度,例如24小时、2天等。采用所述目标施肥配方对所述作物130施肥的一段时间中,肥料可以对作物130产生施肥效果,作物130的生长状态可以发生变化,即品质参数也可以发生变化。在一些实施例中,采用所述目标施肥配方对所述作物130施肥的一段时间可以包括多个时间阶段,每一个时间阶段可以对应一次施肥,例如第一次施肥后,经过与第一次施肥对应的第一个时间阶段,第一个时间阶段后可以对作物130进行第二次施肥,再经过与第二次施肥对应的第二个时间阶段,第二个时间阶段后还可以对作物130进行第三次施肥,再经过与第三次施肥对应的第三个时间阶段。
在一些实施例中,时间阶段具有一定的时间长度,例如3小时、1天等。在一些实施例中,有多个时间阶段时,多个时间阶段的时间长度可以相同,例如,3小时。在一些实施例中,有多个时间阶段时,多个时间阶段的时间长度可以不同,例如第一个时间阶段为24小时,第二个时间阶段为48小时。
在一些实施例中,阶段性多组品质参数和阶段性环境信息是指在指定的时间阶段内(如第一时间阶段、第二时间阶段等)获取的多组品质参数和环境信息。在一些实施例中,阶段性多组品质参数和阶段性环境信息可以是指定的时间阶段的中间时间点、末尾时间点等时间阶段内的时间点对应获取的多组品质参数和环境信息。获取多组品质参数和环境信息的方法可以参见步骤210和图5及其相关描述,此处不再赘述。
步骤420,基于所述目标施肥配方的肥料元素取值、所述阶段性多组品质参数和所述阶段性环境信息,通过所述评估模型确定所述目标施肥配方的阶段性效果评分。在一些实施例中,步骤420可以通过确定模块640执行。
在一些实施例中,阶段性效果评分是指对于一个时间阶段,其对应采用的目标施肥配方施肥的效果评分。
在一些实施例中,可以将指定时间阶段(如当前针对的第一时间阶段)对应采用的目标施肥配方的肥料元素取值、该时间阶段对应的阶段性多组品质参数和阶段性环境信息输入评估模型,评估模型输出目标施肥配方的阶段性效果评分。关于评估模型确定效果评分可以参见步骤320,在此不再赘述。
步骤430,基于当前阶段的所述目标施肥配方的所述阶段性效果评分,确定下一时间阶段的所述目标施肥配方。在一些实施例中,步骤430可以通过确定模块640执行。
在一些实施例中,采用所述目标施肥配方对所述作物130施肥进行多个时间阶段的施肥时,多个时间阶段的施肥配方可以不同。在一些实施例中,可以基于当前时间阶段(如第一时间阶段)的目标施肥配方的阶段性效果评分,确定下一时间阶段(如第二时间阶段)的目标施肥配方。例如,第一时间阶段的效果评分未超过期望值,可以认为施肥效果不好,则可以根据第一次施肥后的第一阶段对应的阶段性多组品质参数和阶段性环境信息,以及前述多种组合方式的肥料元素取值,通过评估模型,输出得到多种候选施肥配方的多个效果评分,并基于得到的多个效果评分重新确定第二时间阶段的目标施肥配方。
在一些实施例中,可以基于当前时间阶段(如第一时间阶段)或当前时间点的目标施肥配方的阶段性效果评分,调整下一时间阶段(如第二时间阶段)或下一时间点数据采集时至少一个区域的采样点密度。在一些实施例中,还可以基于当前时间阶段(如第一时间阶段)或当前时间点的目标施肥配方的阶段性效果评分,调整下一时间阶段(如第二时间阶段)或下一时间点数据采集时至少一个区域的采样轨迹。例如,效果评分低时,可以加大采样密度或减小采集密度以得到下一时间阶段(如第二时间阶段)或下一时间点对应的阶段性多组品质参数和阶段性环境信息。又例如,效果评分低时,可以改变无人机540对至少一个采样点的采集轨迹,以使当前时间阶段(如第一时间阶段)或当前时间点的采集轨迹未包括的采集点添加至下一时间阶段或下一时间点的采样轨迹,以得到下一时间阶段(如第二时间阶段)或下一时间点对应的阶段性多组品质参数和阶段性环境信息。在一些实施例中,若阶段效果评分低,可以确定重点监测区域(作物130生长情况不好的区域),根据前述方法对重点监测区域采样点密度、采样轨迹进行调整。关于至少一个区域、采样点520、数据采集和无人机540的描述可以参见图5,再次不再赘述。
在一些实施例中,下一时间阶段(如第二时间阶段)对应的阶段性多组品质参数和阶段性环境信息并可以用于第二时间阶段之后进行施肥(如第三次施肥)的目标施肥配方确定过程。在一些实施例中,下一时间点对应的阶段性多组品质参数和阶段性环境信息可以用于该时间点所在时间阶段(如第一时间阶段)之后进行施肥(如第二次施肥)的目标施肥配方确定过程。
通过基于阶段性效果评分增加或减少采样点520,可以影响采集数据的统计分析结果,由此可以阶段性地改变作物130的品质参数和环境信息,进而影响评估模型的效果评分,基于更新后的效果评分可以不断优化从多种候选施肥方案中选出的目标施肥方案,以使目标施肥方案的施肥效果更佳。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程400进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图5是根据本说明书一些实施例所示的获取作物的多种器官对应的多组品质参数和作物环境信息的示例性示意图。在一些实施例中,流程500可以包括以下步骤。
步骤510,在所述作物所在农场的至少一个区域中设置至少一个采样点。在一些实施例中,步骤510可以通过确定模块640执行。
农场550为用于栽培作物130的农场、菜园等区域。农场550中可以划分至少一个区域。在一些实施例中,至少一个区域的面积可以是相同的,如均为5亩。在一些实施例中,至少一个区域的面积可以是不同的。
在一些实施例中,至少一个区域的形状可以是相同的。在一些实施例中,至少一个区域的形状可以是不同的。
至少一个采样点520是指在作物130所在农场550的至少一个区域中采集作物130的多种器官对应的多组品质参数和作物环境信息的位置。
在一些实施例中,至少一个采样点520的间隔可以是相同的,例如,至少一个采样点520之间前后均间隔5米,又例如,至少一个采样点520横排均间隔3米、纵列均间隔4米。在一些实施例中,至少一个采样点520的间隔可以是不同的。
步骤520,在所述至少一个采样点通过监测装置得到对应的至少一组作物数据和至少一组环境数据。在一些实施例中,步骤520可以通过确定模块640执行。
在一些实施例中,监测装置530可以安放在至少一个采样点520的所述至少一个区域。在一些实施例中,监测装置530的安放密度可以根据作物130的品质参数确定。在一些实施例中,若作物130的叶面积指数小,则监测装置530的安放密度大;若作物130的果实面积指数小,则监测装置530的安放密度大。在一些实施例中,监测装置530的安放密度确定公式可以例如为:
安放密度=[1+(1/叶面积指数)*0.5+(1/果实面积指数)*0.5]*m(1)
其中,m为常规的监测装置530安放密度经验值。
在一些实施例中,监测装置530可以通过无人机540投放与至少一个区域内。
在一些实施例中,可以在至少一个采样点520通过监测装置530得到对应的至少一组作物数据和至少一组环境数据。具体的,每一个监测装置530对应一个ID/身份标识,监测装置530上设置有与ID/身份标识对应的二维码、条形码或NFC标签,监测装置530中有定位装置以定位采样点520的位置,可以通过扫描(如无人机540扫描)监测装置530的二维码、条形码或NFC标签得到采样点520对应的作物图像和环境数据,再对作物图像进行图像识别进而获取部分作物130的品质参数,如作物130的叶面积指数(叶面积指数为平均叶片表面积大小与单位面积的比值)、果实面积指数(果实面积指数为平均果实体积大小与单位体积的比值)等以及部分作物环境数据。
步骤530,通过无人机采集监测装置得到的所述至少一组作物数据和所述至少一组环境数据,以及对所述至少一组作物数据和所述至少一组环境数据进行统计分析,得到所述多种器官对应的所述多组品质参数和所述作物环境信息。在一些实施例中,步骤530可以通过确定模块640执行。
无人机540是指利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机,或者由车载计算机完全地或间歇地自主地操作。
在一些实施例中,可以通过无人机540采集监测装置530得到的多个区域的多个采样点520的多组作物数据和多组环境数据,以及对多个区域的多个采样点520的多组作物数据和多组环境数据进行统计分析,得到多种器官对应的多组品质参数和作物环境信息。在一些实施例中,可以基于采样点520对应的权重,对多个采样点520对应的多组作物数据和多组环境数据进行统计分析得到反映至少一个区域的整体情况的整体作物数据和整体环境数据,权重可以与采样点520所在区域的采样点密度相关,即采样点密度越高,权重越大;采样点密度越低,权重越小;基于整体作物数据和整体环境数据可以得到多种器官对应的多组品质参数和作物环境信息。
通过基于采样点520的权重对采集数据进行统计分析,可以获取更准确的作物130的多种器官对应的多组品质参数和作物环境信息,以使后续确定目标实施配方更加准确。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程500进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图6是根据本说明书一些实施例所示的农场作物施肥系统的模块图。如图6所示,该系统600中可以包括获取模块610、特征模块620、特征融合模块630和确定模块640。
在一些实施例中,获取模块610用于获取作物130的多种器官对应的多组品质参数和作物环境信息。
在一些实施例中,获取模块610进一步用于在所述作物130所在农场550的至少一个区域中设置至少一个采样点520;在所述至少一个采样点520通过监测装置530得到对应的至少一组作物数据和至少一组环境数据;通过无人机540采集监测装置530得到的所述至少一组作物数据和所述至少一组环境数据,以及对所述至少一组作物数据和所述至少一组环境数据进行统计分析,得到所述多种器官对应的所述多组品质参数和所述作物环境信息。
在一些实施例中,获取模块610进一步用于基于采样点520对应的权重,对所述至少一组作物数据和所述至少一组环境数据进行统计分析得到反映所述至少一个区域的整体情况的整体作物数据和整体环境数据,所述权重与所述采样点520所在区域的采样点密度相关;基于整体作物数据和整体环境数据得到所述多种器官对应的所述多组品质参数和所述作物环境信息。
在一些实施例中,特征模块620用于基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征。
在一些实施例中,特征融合模块630用于基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征。
在一些实施例中,确定模块640用于基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物130的施肥配方。
在一些实施例中,确定模块640进一步用于基于所述多组品质参数中的至少部分参数和所述施肥配方中多种肥料元素的取值范围,确定所述多种肥料元素的多种组合方式,所述多种组合方式对应多种候选施肥配方;基于所述多种组合方式的肥料元素取值、所述多种器官对应的所述多组品质参数和所述作物环境信息,通过评估模型确定所述多种候选施肥配方的多个效果评分;将所述多个效果评分中满足预设条件的效果评分对应的候选施肥配方作为所述作物130的目标施肥配方。
在一些实施例中,确定模块640进一步用于在采用所述目标施肥配方对所述作物130施肥的一段时间中,通过监测装置530获取至少一个时间阶段的阶段性多组品质参数和阶段性环境信息;基于所述目标施肥配方的肥料元素取值、所述阶段性多组品质参数和所述阶段性环境信息,通过所述评估模型确定所述目标施肥配方的阶段性效果评分;基于当前时间阶段的所述目标施肥配方的所述阶段性效果评分,确定下一时间阶段的所述目标施肥配方。
在一些实施例中,确定模块640进一步用于调整所述作物130所在农场550的至少一个区域的采样点密度和/或调整所述至少一个区域的采样轨迹。
应当理解,图6所示的处理设备110及其模块可以利用各种方式实现。例如,在一些实施例中,处理设备及其模块可以通过硬件、软件或者软件和硬件的结合实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统(例如,微处理器或者专用设计硬件)执行。本领域技术人员可以理解,上述处理设备及其模块可以通过计算机可执行指令实现。本说明书的系统及其模块不仅可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等可编程硬件设备的硬件电路实现,也可以由例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)实现。
需要注意的是,以上对于系统600及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,图5中数据获取模块610、特征模块620、特征融合模块630和确定模块640可以是一个设备中的不同模块,也可以由一个模块实现上述的两个或两个以上模块的功能。又例如,系统600中各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储单元。又例如,获取模块610可以是单独的组件,而不属于系统600内部的模块。诸如此类的变形,均在本说明书的保护范围之内。
本说明书实施例还提供一种农场作物施肥装置,包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现农场作物施肥的方法。
本说明书实施例可能带来的有益效果包括但不限于:(1)基于融合后的肥料需求特征和作物环境信息,可以综合考虑作物不同器官的肥料需求特征及周围的各项环境因素,使预测出的作物的施肥配方更加准确,满足作物生长的各种不同需求,达到促进作物生长最佳的效果;(2)通过评估模型对多种组合方式的肥料元素取值、多种器官对应的多组品质参数和作物环境信息进行效果评估,可以更加精准地综合考虑肥料和作物各器官的参数以及作物环境的综合信息,以提高选择目标施肥配方的准确度;(3)通过基于阶段性效果评分增加或减少采样点,可以影响采集数据的统计分析结果,由此可以阶段性地改变作物的品质参数和环境信息,进而影响评估模型的效果评分,基于更新后的效果评分可以不断优化从多种候选施肥方案中选出的目标施肥方案,以使目标施肥方案的施肥效果更佳;(4)通过基于采样点的权重对采集数据进行统计分析,可以获取更准确的作物的多种器官对应的多组品质参数和作物环境信息,以使后续确定目标实施配方更加准确。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
以上内容描述了本说明书和/或一些其他的示例。根据上述内容,本说明书还可以做出不同的变形。本说明书披露的主题能够以不同的形式和例子所实现,并且本说明书可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本说明书的范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”、或“一个实施例”、或“一替代性实施例”、或“另一实施例”或“另一个实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本领域技术人员能够理解,本说明书所披露的内容可以出现多种变型和改进。例如,以上所描述的不同系统组件都是通过硬件设备所实现的,但是也可能只通过软件的解决方案得以实现。例如:在现有的服务器上安装系统。此外,这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如:从放射治疗系统的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供确定轮椅目标结构参数所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,例如,局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述属性、数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档、物件等,特将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不限于本说明书明确介绍和描述的实施例。
Claims (9)
1.一种农场作物施肥的方法,其特征在于,所述方法包括:
获取作物的多种器官对应的多组品质参数和作物环境信息;
基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征;
基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征;以及
基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方。
2.如权利要求1所述的方法,其特征在于,所述作物的所述施肥配方包括多种肥料元素的取值范围,所述基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方还包括:
基于所述多组品质参数中的至少部分参数和所述施肥配方中多种肥料元素的取值范围,确定所述多种肥料元素的多种组合方式,所述多种组合方式对应多种候选施肥配方;
基于所述多种组合方式的肥料元素取值、所述多种器官对应的所述多组品质参数和所述作物环境信息,通过评估模型确定所述多种候选施肥配方的多个效果评分;
将所述多个效果评分中满足预设条件的效果评分对应的候选施肥配方作为所述作物的目标施肥配方。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
在采用所述目标施肥配方对所述作物施肥的一段时间中,通过监测装置获取至少1个时间阶段的阶段性多组品质参数和阶段性环境信息;
基于所述目标施肥配方的肥料元素取值、所述阶段性多组品质参数和所述阶段性环境信息,通过所述评估模型确定所述目标施肥配方的阶段性效果评分;
基于当前时间阶段的所述目标施肥配方的所述阶段性效果评分,确定下一时间阶段的所述目标施肥配方。
4.如权利要求3所述的方法,其特征在于,所述基于当前时间阶段的所述目标施肥配方的所述阶段性效果评分,确定下一时间阶段的所述目标施肥配方包括:调整所述作物所在农场的至少一个区域的采样点密度和/或调整所述至少一个区域的采样轨迹。
5.如权利要求1所述的方法,其特征在于,所述获取作物的多种器官对应的多组品质参数和作物环境信息包括:
在所述作物所在农场的至少一个区域中设置至少一个采样点;
在所述至少一个采样点通过监测装置得到对应的至少一组作物数据和至少一组环境数据;
通过无人机采集监测装置得到的所述至少一组作物数据和所述至少一组环境数据,以及对所述至少一组作物数据和所述至少一组环境数据进行统计分析,得到所述多种器官对应的所述多组品质参数和所述作物环境信息。
6.如权利要求5所述的方法,其特征在于,所述统计分析包括:
基于采样点对应的权重,对所述至少一组作物数据和所述至少一组环境数据进行统计分析得到反映所述至少一个区域的整体情况的整体作物数据和整体环境数据,所述权重与所述采样点所在区域的采样点密度相关;
基于整体作物数据和整体环境数据得到所述多种器官对应的所述多组品质参数和所述作物环境信息。
7.一种农场作物施肥的系统,其特征在于,所述系统包括:
获取模块,用于获取作物的多种器官对应的多组品质参数和作物环境信息;
特征模块,用于基于所述多组品质参数,通过特征提取单元得到所述多种器官对应的多组肥料需求特征;
特征融合模块,用于基于所述多组肥料需求特征,通过特征融合单元得到融合后的肥料需求特征;以及
确定模块,用于基于所述融合后的肥料需求特征和所述作物环境信息,通过预测模型确定所述作物的施肥配方。
8.一种农场作物施肥的装置,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现如权利要求1~6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1~6任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396682.7A CN114757326B (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
CN202110694424.2A CN113435566B (zh) | 2021-06-22 | 2021-06-22 | 一种农场作物施肥的方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694424.2A CN113435566B (zh) | 2021-06-22 | 2021-06-22 | 一种农场作物施肥的方法、系统、装置及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210396682.7A Division CN114757326B (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435566A true CN113435566A (zh) | 2021-09-24 |
CN113435566B CN113435566B (zh) | 2022-04-12 |
Family
ID=77757218
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694424.2A Active CN113435566B (zh) | 2021-06-22 | 2021-06-22 | 一种农场作物施肥的方法、系统、装置及存储介质 |
CN202210396682.7A Active CN114757326B (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210396682.7A Active CN114757326B (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能确定农场作物施肥配方的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113435566B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023069023A3 (en) * | 2021-10-21 | 2023-06-15 | National University Of Singapore | Systems for food parameter optimisation |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116941483A (zh) * | 2023-08-10 | 2023-10-27 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农作物智能种植方法和系统 |
CN117784721A (zh) * | 2023-11-14 | 2024-03-29 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120048960A1 (en) * | 2010-08-31 | 2012-03-01 | Valmont Industries, Inc. | Self propelled mechanized irrigation system with a remote visual monitoring system |
CN103959973A (zh) * | 2014-04-18 | 2014-08-06 | 浙江大学 | 一种精细化作物施肥系统及氮肥施肥方法 |
CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105660023A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种根据作物茎叶营养含量自动施肥的系统和设备及其方法 |
CN106358997A (zh) * | 2016-08-28 | 2017-02-01 | 中国农业科学院农田灌溉研究所 | 一种基于云计算的智能灌溉施肥系统及方法 |
CN108154267A (zh) * | 2017-12-25 | 2018-06-12 | 深圳春沐源控股有限公司 | 一种施肥机的肥料参数调整方法及装置 |
CN111798028A (zh) * | 2020-05-28 | 2020-10-20 | 山东云彩信息科技有限公司 | 一种作物产量预测方法、装置、电子设备和存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
CN103839184A (zh) * | 2014-02-21 | 2014-06-04 | 三峡大学 | 一种农作物群体长势多空间尺度自适应监测方法及装置 |
CN103927685A (zh) * | 2014-04-23 | 2014-07-16 | 广西力源宝科技有限公司 | 农(林)业智能施肥系统 |
CN105830870B (zh) * | 2016-03-24 | 2018-12-14 | 华北水利水电大学 | 一种远程无线农田监控系统和方法 |
CN106612834A (zh) * | 2016-09-18 | 2017-05-10 | 北京市土肥工作站 | 基于区域土壤养分资源的专用肥料配方确定方法及装置 |
CN108509836B (zh) * | 2018-01-29 | 2021-10-08 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
CN110214506A (zh) * | 2019-06-26 | 2019-09-10 | 北京农业智能装备技术研究中心 | 水肥管控方法及系统 |
CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉系统控制方法及水肥一体化灌溉系统 |
CN111399508B (zh) * | 2020-03-20 | 2023-12-22 | 中联智慧农业股份有限公司 | 智慧农业系统和智慧农业方法 |
CN111418326B (zh) * | 2020-05-12 | 2021-02-26 | 中国科学院南京土壤研究所 | 一种可根据设施作物长势灌溉施肥的智能系统及方法 |
-
2021
- 2021-06-22 CN CN202110694424.2A patent/CN113435566B/zh active Active
- 2021-06-22 CN CN202210396682.7A patent/CN114757326B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120048960A1 (en) * | 2010-08-31 | 2012-03-01 | Valmont Industries, Inc. | Self propelled mechanized irrigation system with a remote visual monitoring system |
CN103959973A (zh) * | 2014-04-18 | 2014-08-06 | 浙江大学 | 一种精细化作物施肥系统及氮肥施肥方法 |
CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105660023A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种根据作物茎叶营养含量自动施肥的系统和设备及其方法 |
CN106358997A (zh) * | 2016-08-28 | 2017-02-01 | 中国农业科学院农田灌溉研究所 | 一种基于云计算的智能灌溉施肥系统及方法 |
CN108154267A (zh) * | 2017-12-25 | 2018-06-12 | 深圳春沐源控股有限公司 | 一种施肥机的肥料参数调整方法及装置 |
CN111798028A (zh) * | 2020-05-28 | 2020-10-20 | 山东云彩信息科技有限公司 | 一种作物产量预测方法、装置、电子设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023069023A3 (en) * | 2021-10-21 | 2023-06-15 | National University Of Singapore | Systems for food parameter optimisation |
Also Published As
Publication number | Publication date |
---|---|
CN114757326B (zh) | 2023-04-07 |
CN113435566B (zh) | 2022-04-12 |
CN114757326A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435566B (zh) | 一种农场作物施肥的方法、系统、装置及存储介质 | |
US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
Saseendran et al. | Modeling nitrogen management effects on winter wheat production using RZWQM and CERES‐wheat | |
Mohan et al. | Deep learning based weighted SOM to forecast weather and crop prediction for agriculture application | |
Rale et al. | Prediction of crop cultivation | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
Costa et al. | Greenhouses within the Agricultura 4.0 interface | |
Esfandiarpour-Borujeni et al. | Identifying soil and plant nutrition factors affecting yield in irrigated mature pistachio orchards | |
Sidhu et al. | Long short-term memory neural network-based multi-level model for smart irrigation | |
Beisekenov et al. | Mathematical Optimization as A Tool for the Development of" Smart" Agriculture in Kazakhstan | |
Zhu et al. | Density dependence of seed dispersal and fecundity profoundly alters the spread dynamics of plant populations | |
Saseendran et al. | Modeling for best management of the effects of irrigation frequencies, initial water, and nitrogen on corn | |
Aggarwal | Applications of systems simulation for understanding and increasing yield potential of wheat and rice | |
Gautam et al. | Optimized high performance deep neural network for crop recommendation | |
Premasudha et al. | ML based methods XGBoost and random forest for crop and fertilizer prediction | |
CN115392016A (zh) | 一种基于遥感数据同化的青贮玉米生长发育预测方法 | |
Zubair et al. | An intelligent model to suggest top productive seasonal crops based on user location in the context of bangladesh | |
Chaudhary et al. | A critical review on hybrid framework for precise farming with application of Machine Learning (ML) and Internet of Things (IoT) | |
Mezouari et al. | Towards Smart Farming through Machine Learning-Based Automatic Irrigation Planning | |
Mani et al. | A framework for plant growth analysis and simulation using data analysis techniques | |
Ashika et al. | A review of the contemporary soil monitoring systems in modern farming | |
Beriya | Precision Agriculture to Digital Agriculture: A Literature Review | |
RU2552033C1 (ru) | Способ управления формированием урожая в теплице и система для его осуществления | |
Bobade et al. | Design of Smart Irrigation System Based on MLA | |
Pandey et al. | Development of Machine Learning based Models for Multivariate Prediction of Wheat Crop Yield in Uttar Pradesh, India |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Sun Tong Inventor after: Huang Guiheng Inventor before: Sun Tong Inventor before: Huang Guiheng |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |