CN113435649A - 一种全域农业数据整理方法、系统、装置及介质 - Google Patents
一种全域农业数据整理方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN113435649A CN113435649A CN202110728519.1A CN202110728519A CN113435649A CN 113435649 A CN113435649 A CN 113435649A CN 202110728519 A CN202110728519 A CN 202110728519A CN 113435649 A CN113435649 A CN 113435649A
- Authority
- CN
- China
- Prior art keywords
- information
- soil
- data
- agricultural product
- agricultural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 239000002689 soil Substances 0.000 claims description 135
- 238000003860 storage Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 235000013339 cereals Nutrition 0.000 description 7
- 238000007596 consolidation process Methods 0.000 description 7
- 239000013604 expression vector Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 235000013619 trace mineral Nutrition 0.000 description 3
- 239000011573 trace mineral Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
本说明书实施例公开了一种全域农业数据整理方法。该方法包括：从多个数据源获取数据信息，基于数据信息通过预测模型确定预测结果，其中，预测模型包括图神经网络模型，以多个数据源对应图的节点，以多个数据源之间的关系对应图的边。该申请利用多个数据源的数据信息通过预测模型预测农产品的产量、质量及销量，可以有效提高预测结果的精准度。
Description
技术领域
本说明书实施例涉及农业数据处理领域，特别涉及一种全域农业数据整理方法、系统、装置及介质。
背景技术
随着我国农业领域的不断发展，对农业数据分析的相关需求不断增多。目前，主要通过对农业大数据进行综合分析，提醒用户适时、及时地安排农事，从而提高农业生产效率。同时，农产品的估产对于粮食的管理、优化种植空间格局具有重大意义。目前农产品的估产方法是根据某一特定区域中单一的土壤信息或天气信息对农产品的产量进行预测，影响预测结果的准确度。另外，目前农产品的估产方法仅限于种植户的农产品产量或质量的预测，无法提高农产品后续的销售效率。
基于上述问题，本申请说明书提供一种全域农业数据整理方法可以对全区域的农业数据进行整理，在提高农产品的产量和质量的预测能力的同时，提高农产品的销售效率。
发明内容
有鉴于此，本发明提供了一种全域农业数据整理方法及装置，以解决农产品估产受到多方面因素影响的问题，提高农产品产量、农产品质量、以及农产品销量预测的准确性。
本说明书实施例的一个方面提供一种全域农业数据整理方法，所述方法包括：从多个数据源获取数据信息，所述多个数据源对应于多个农产品供应商和销售商；基于所述数据信息通过预测模型确定预测结果，所述预测结果包括农产品产量、农产品质量、农产品销量中的一种或多种；其中，所述预测模型包括图神经网络模型，以所述多个数据源对应图的节点，以所述多个数据源之间的关系对应图的边。
本说明书实施例的另一方面提供一种全域农业数据整理系统，所述系统包括：数据信息获取模块，被配置为从多个数据源获取数据信息，所述多个数据源对应于多个农产品供应商和销售商；确定模块，被配置为基于所述数据信息通过预测模型确定预测结果，所述预测结果包括农产品产量、农产品质量、农产品销量中的一种或多种；其中，所述预测模型包括图神经网络模型，以所述多个数据源对应图的节点，以所述多个数据源之间的关系对应图的边。
本说明书实施例的另一个方面提供一种全域农业数据整理装置。所述装置包括至少一个存储器和至少一个处理器，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以实现全域农业数据整理方法。
本说明书实施例的另一个方面提供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计算机执行时，实现全域农业数据整理方法。
附图说明
本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的全域农业数据整理系统的应用场景示意图。
图2是根据本说明书一些实施例所示的全域农业数据整理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产量模型的示例性训练流程图。
图4是根据本说明书一些实施例所示的确定图像信息的采集策略的示例性流程图。
图5是根据本说明书一些实施例所示的全域农业数据整理系统的示例性模块图。
具体实施方式
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。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它的步骤或元素。
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，前面或后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个步骤。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。
本申请实施例涉及全域农业数据整理方法，该方法可以应用于农产品的产量预测、质量预测和销量能力的预测场。在一些实施例中，全域农业数据整理方法可以从多个数据源(例如，供应商、销售商)获取数据信息(例如，土壤融合表示向量、农产品的生长状态信息、天气预测信息、供销信息等)，并基于数据信息通过预测模型确定预测结果。在一些实施例中，预测结果可以包括但不限于农产品的产量、农产品的质量以及农产品的销量。在一些实施例中，预测模型可以包括图神经网络模型，该图神经网络模型以多个数据源作为节点，多个数据源之间的关系作为边。仅作为示例性说明，供应商可以包括个体农户、农业企业，个体农户的农产品可以向农业企业或销售商进行销售，农业企业的农产品可以向销售商进行销售，农业企业可以对个体农户的农产品的种植进行管理等。本说明书中提供的全域农业数据整理方法可以在提高农产品产量、农产品质量预测的精准度的同时，提高农产品销量预测的准确性。
图1是根据本说明书一些实施例所示的全域农业数据整理系统100的应用场景示意图。如图1所示，全域农业数据整理系统100可以包括服务器110、处理器111、网络120、存储设备130、数据源140、数据信息150、采集装置160。
全域农业数据整理系统100可以应用于农产品的估产。全域农业数据整理系统100可以通过实施本申请中披露的方法和/或过程来提供诸如预测农产品的产量、预测农产品的质量、预测农产品的销量等数据分析及预测。
在一些实施例中，服务器110可以经由网络120访问存储在采集装置160(例如，无人机161、监测装置162、土壤信息监测装置163)和/或存储设备130中的多个数据源的数据信息150(例如，农产品的生长状态信息151、天气信息152、土壤信息153、供销信息等)。又例如，服务器110可以直接连接到采集装置160(例如，无人机161、监测装置162、土壤信息监测装置163)和/或存储设备130以访问多个数据源的数据信息150。处理器111可以直接访问和/或存取储存在存储设备130的数据信息150，也可以直接通过网络120访问和/或存取数据源140中的数据信息150。本说明书中的操作可以通过处理器111执行程序指令进行。上述方式仅为方便理解，本系统亦可以其他可行的操作方式实施本说明书中的方法。
服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，服务器110可以用于处理全域农业数据整理系统100相关的数据信息150。在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)，可以是专用的，也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，所述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。
处理器111可以处理从其他设备或系统组成部分(例如，存储设备130、采集装置160)中获得的数据信息150。处理器可以基于数据信息150处理结果执行程序指令，以执行一个或多个本申请中描述的功能。在一些实施例中，处理器111可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理器111可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可以连接系统的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据信息150的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。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/或网络交换点121、122、…，通过这些基站和/或网络交换点，全域农业数据整理系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。
存储设备130可以用于存储数据信息150和/或指令。存储设备130可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备130可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，所述存储设备130可在云平台上实现。数据指对信息的数字化表示，可以包括各种类型，比如二进制数据、文本数据、图像数据、视频数据等。指令指可控制设备或器件执行特定功能的程序。例如，控制采集装置160获取数据信息150的程序。
数据源140可以用于提供所需要的数据(例如，云数据中心)，数据源140中可以包括一个或多个不同的数据来源。在一些实施例中，数据源140可以包括供应商141和销售商142。供应商141是指提供农产品的企业和/或个人。例如，供应商可以包括个体农户、农业企业等。销售商142是指采购和销售各种农产品的企业和/或个人。例如，销售商可以包括但不限于粮食交易中心、粮站、粮食加工中心等。
数据信息150可以是从数据源140获取的农业相关数据。在一些实施例中，数据信息150可以包括农产品的生长状态信息151、天气信息152(例如，天气预测信息)、土壤信息153等，或其任意组合。在一些实施例中，数据信息150还可以包括农产品的供销数据、供应商141与销售商142之间的关系等。
采集装置160可以是采集农业相关数据的装置。在一些实施例中，采集装置160可以包括无人机161、监测装置162、土壤信息监测装置163等，或其任意组合。在一些实施例中，可以利用无人机161和/或监测装置162获取农产品的生长状态信息151。在一些实施例中，天气信息152可以通过第三方数据(例如，气象数据平台)获得。在一些实施例中，可以利用土壤信息监测装置163获取土壤信息153。
图2是根据本说明书一些实施例所示的全域农业数据整理方法的示例性流程图。如图2所示，全域农业数据整理方法200可以包括下述步骤：
步骤210，从多个数据源获取数据信息，所述多个数据源对应于多个农产品供应商和销售商。具体地，该步骤210可以由数据信息获取模块510执行。
数据源是指用于提供数据的平台。在一些实施例中，数据源可以包括供应商和销售商。在一些实施例中，供应商是指提供农产品的企业和/或个人。例如，供应商可以包括一个或多个个体农户和/或一个或多个农业企业。销售商是指采购或销售农产品的企业和/或个人。在一些实施例中，销售商可以包括但不限于粮食交易中心、粮站、粮食加工中心等。
数据信息是指从数据源获取的农业相关数据。在一些实施例中，数据信息还可以包括农产品的生长状态信息、天气预测信息、土壤信息、供销数据等，或其任意组合。
农产品的生长状态信息是表示农产品的生长情况的信息。在一些实施例中，农产品的生长状态信息可以包括农产品的成熟状态(例如，幼苗或成苗)、外表颜色、饱满度、新鲜程度、虫害状态(例如，虫害类型、虫害等级等)、病害状态(例如，病害类型、病害等级等)、开花量、结果量等，或其任意组合。在一些实施例中，农产品的生长状态信息可以基于农产品的图像信息进行获取。在一些实施例中，农产品的图像信息可以基于无人机161和/或监测装置162进行获取。关于农产品的图像信息的详细内容可以参见图4中步骤410及其相关描述。
天气预测信息是预测的未来多个时间点的天气信息。在一些实施例中，天气预测信息可以包括空气温度、空气湿度、气压、紫外线强度、光照强度、太阳总辐射、风速、风向、风力、降雨量等，或其任意组合。在一些实施例中，天气预测信息可以基于第三方数据平台(例如，气象数据平台)进行获取。
土壤信息是指表示土壤特征的信息。在一些实施例中，土壤信息可以包括土壤肥力、干燥度、pH值、疏松度、温度、湿度、微量元素、电解力等，或其任意组合。在一些实施例中，土壤信息可以包括历史土壤信息和土壤预测信息。在一些实施例中，可以利用土壤信息监测装置163获取土壤信息。
农产品的供销数据是供应商与销售商之间关于农产品的交易信息。在一些实施例中，交易信息可以包括农产品类型、农产品品质、交易量等，或其任意组合。在一些实施例中，农产品的供销数据可以从数据源140获取。
步骤220，基于所述数据信息通过预测模型确定预测结果，所述预测结果包括农产品产量、农产品质量、农产品销量中的一种或多种。具体地，该步骤220可以由确定模块520执行。
预测模型可以用于预测农产品产量、农产品质量、农产品销量中的一种或多种。在一些实施例中，预测模型可以包括完成训练的图神经网络模型，图神经网络模型的节点对应多个数据源，图神经网络模型的边对应多个数据源之间的关系。
图神经网络模型的节点对应多个数据源是指图神经网络模型的节点的特征对应于多个数据源中的数据信息。在一些实施例中，多个数据源之间的关系是指各数据源载体之间的社会关系。例如，数据源可以为供应商和销售商，供应商与销售商之间的关系为供应商将农产品销售给销售商，销售商再将农产品售卖给消费者。在一些实施例中，供应商和销售商的数量可以为一个或多个。例如，在一些实施例中，供应商可以包括个体农户和农业企业，这里个体农户、农业企业与销售商之间的关系可以为个体农户和农业企业将农产品供应给销售商，或者个体农户将农产品供应给农业企业，农业企业再将自身生产的农产品和个体农户的农产品供应给农业企业。
在一些实施例中，数据信息可以包括土壤信息，基于数据信息通过预测模型确定预测结果可以包括基于土壤信息通过预测模型确定农产品产量或农产品质量。在一些实施例中，数据信息可以同时包括土壤信息和天气预测信息，基于数据信息通过预测模型确定预测结果可以包括基于土壤信息和天气预测信息通过预测模型确定农产品产量或农产品质量。
在一些实施例中，数据信息还可以同时包括土壤信息、天气预测信息和农产品的生长状态信息，基于数据信息通过预测模型确定预测结果可以包括基于土壤信息、天气预测信息和农产品的生长状态信息，通过预测模型确定农产品产量或农产品质量。在一些实施例中，农产品的生长状态信息可以通过农产品的图像信息进行获取。在一些实施例中，数据信息还可以包括供销数据，基于供销数据以及上述实施例中的农产品产量、农产品质量可以通过预测模型确定农产品销量。
在一些实施例中，图神经网络模型中节点的特征可以包括土壤融合表示向量。
土壤融合表示向量可以反映特定时间点的土壤信息。在一些实施例中，土壤融合表示向量中可以包括一种或多种土壤信息。例如，可以将土壤肥力、干燥度、pH值等特征融合到一个向量作为土壤融合表示向量。再例如，可以将土壤的疏松度、温度、湿度、微量元素、电解力等特征融合到一个向量作为土壤融合表示向量。
在一些实施例中，土壤融合表示向量可以基于多个时间点获取的土壤信息通过土壤特征时间序列模型获得。在一些实施例中，土壤特征时间序列模型可以为长短期记忆(LSTM)模型。
在一些实施例中，基于多个时间点获取的土壤信息可以是在不同时间点采集多个采样点的土壤数据，对多个采样点的土壤数据进行统计分析，得到的土壤信息(即，历史土壤信息)。例如，可以在每天的早上十点采集多个采样点的土壤数据，对多个采样点的土壤数据进行统计分析，得到土壤信息。需要注意的是，这里的不同时间点可以是某一天的不同时间点，或每天的固定或随机时间点，或每周的固定或随机时间点等等。
为了使得土壤特征时间序列模型输出的土壤融合表示向量包含更多和农产品产量相关的信息，可以通过训练产量模型，迁移获取训练好的土壤特征时间序列模型。
在一些实施例中，产量模型可以包括土壤特征时间序列模型和神经网络产品预测模型。关于产量模型的详细内容可以参见图3及其相关描述。
在一些实施例中，基于多个时间点获取的土壤信息包括一个或多个未来时间点对应的土壤预测信息。土壤预测信息是未来时间点对应的土壤信息。在一些实施例中，土壤预测信息可以通过土壤预测模型进行获取。
在一些实施例中，土壤预测模型可以为完成训练的机器学习模型，通过不同时间点及其对应的历史土壤信息作为训练数据进行获取。土壤预测模型的输入是未来时间点，输出是未来时间点对应的土壤预测信息。
图3是根据本申请一些实施例所示的产量模型的示例性训练流程图。
产量模型是基于多个时间点的土壤信息，对实际农产品产量进行预测的模型。例如，产量模型可以基于一天中的06:00、12:00、18:00、24:00等时间点的土壤肥力、干燥度、pH值、疏松度、温度、湿度、微量元素、电解力等土壤信息，预测小麦的产量。
如图3所示，产量模型可以包括土壤特征时间序列模型和神经网络产品预测模型。具体地，土壤特征时间序列模型可以基于多个时间点获取的土壤信息，获取土壤融合表示向量。关于土壤特征时间序列模型的详细描述可以参见图2及其相关描述，在此不再赘述。
进一步地，神经网络产品预测模型可以基于土壤融合表示向量，输出农产品的产量。在一些实施例中，神经网络产品预测模型可以包括但不限于CNN模型、DNN模型、RNN模型。
在一些实施例中，土壤特征时间序列模型可以和神经网络产品预测模型联合训练获取。训练模块可以基于大量带有标识的训练样本训练初始土壤特征时间序列模型和初始神经网络产品预测模型。具体的，将带有标识的训练样本输入初始土壤特征时间序列模型，通过训练更新初始土壤特征时间序列模型和初始神经网络产品预测模型的参数，直到训练的中间土壤特征时间序列模型和中间神经网络产品预测模型满足预设条件，获取训练好的土壤特征时间序列模型和神经网络产品预测模型，其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
训练样本可以包括多个样本时间点对应的样本土壤信息，训练样本的标识为多个样本时间点对应的实际农产品产量。
由于土壤特征时间序列模型的输出标签，即土壤融合表示向量标签无法获取，因此无法直接训练土壤特征时间序列模型。产量模型与土壤特征时间序列模型具有同一个输入，并且产量模型的输出即实际农产品产量标签是可以获取的，因此可以先训练产量模型，再通过训练好的产量模型获得土壤特征时间序列模型。
在一些实施例中，可以将训练好的土壤特征时间序列模型用于预测模型。具体地，可以将训练好的土壤特征时间序列模型的输出作为预测模型的输入。如图3所示，将多个时间点获取的土壤信息输入到训练好的土壤特征时间序列模型中得到土壤融合向量，该土壤融合向量可以与农产品的生长状态信息、天气预测信息和供销数据中的一种或多种作为预测模型的输入，用于预测农产品产量、农产量质量、农产品销量中的一种或多种。
本说明书的一些实施例通过训练产量模型获得的土壤特征时间序列模型可以更好地从多个时间点获取的土壤信息中提取和实际农产品产量相关的有效信息，使得土壤融合表示向量为预测模型提供更多和实际农产品产量相关的信息，从而使得预测模型可以更准确的预测实际农产品产量。
在一些实施例中，图神经网络模型中节点的特征还可以包括农产品的生长状态信息。在一些实施例中，农产品的生长状态信息可以基于农产品的图像信息进行获取。在一些实施例中，农产品的图像信息可以基于无人机161和/或监测装置162进行获取。关于农产品的图像信息的详细内容可以参见图4中步骤410及其相关描述。
在一些实施例中，图神经网络模型中节点的特征还可以包括天气预测信息。在一些实施例中，天气预测信息可以基于第三方数据平台(例如，气象数据平台)进行获取。
可以理解，除多个时间点获取的土壤信息外，农产品的生长状态信息和天气预测信息也可以影响预测模型的输出，例如，农产品处于生长发育不良、枯萎的状态时，可以预测农产品产量较少以及农产品质量较差。再例如，农产品的茎和秆生长软弱，容易倒伏和被病菌侵蚀时，可以预测农产品产量较少以及农产品质量较差。又例如，下雨时掉落到地面的雨水下渗时会把土壤中部分营养元素带到深层土壤，使表层土壤变得贫瘠，并且雨水汇成地表径流时会把土壤中部分物质带走，使得农产品缺乏营养物质，从而可以预测农产品产量较少以及农产品质量较差。因此，除多个时间点获取的土壤信息外，将农产品的生长状态信息和天气预测信息作为预测模型的输入可以使获得的农产品产量或农产品质量的预测结果更加准确。
在一些实施例中，多个时间点获取的土壤信息、农产品的生长状态信息、天气预测信息可以作为预测模型的输入确定预测结果。例如，以多个时间点获取的土壤信息、农产品的生长状态信息、天气预测信息可以作为预测模型的输入确定农产品质量或农产品产量。
在一些实施例中，图神经网络模型中节点的特征进一步包括供销数据，以多个时间点获取的土壤信息、农产品的生长状态信息、天气预测信息、供销数据可以作为预测模型的输入确定农产品质量、农产品产量、农产品销售量。
图4是根据本说明书一些实施例所示的确定图像信息的采集策略的示例性流程图。
在一些实施例中，全域农业数据整理方法还可以包括基于农产品的图像信息和土壤预测信息，确定所述图像信息的采集策略。在一些实施例中，如图4所示，确定图像信息的采集策略400可以包括：
步骤410，获取农产品的图像信息。
在一些实施例中，步骤410可以由数据信息获取模块510执行。
农产品的图像信息是反映农产品的生长状态的图像。在一些实施例中，图像信息可以包括模拟图像和数字图像。在一些实施例中，农产品的图像信息可以通过无人机161和/或监测装置162获取。在一些实施例中，可以通过无人机161采集多个采样点的农产品的图像信息。在一些实施例中，可以通过监测装置162采集多个采样点的农产品的图像信息。在一些实施例中，还可以通过无人机161扫描多个采样点处的监测装置162中保存的记录(例如，二维码等)获取农产品的图像信息。
步骤420，基于农产品的图像信息和土壤预测信息，确定所述图像信息的采集策略。
在一些实施例中，确定图像信息的采集策略包括：根据采集的农产品的图像信息的质量、图像信息反映的农产品的生长状态情况以及土壤预测信息的准确度，确定图像信息的采集策略，其中，图像信息的质量可以包括图像的清晰度以及农产品的生长状态的情况。
可以理解，在采集农产品的图像信息的过程中，基于采集的农产品的图像信息的质量以及土壤预测信息的准确度可以实时调整图像采集策略，以确保采集的图像信息的质量较好以及预测的土壤信息的准确度较高。例如，当采集的图像信息的质量较差时可以通过调整图像采集策略优化采集的图像信息的质量。又例如，当土壤预测信息的准确度较低时可以通过调整图像采集策略提高土壤预测信息的准确度。
在一些实施例中，确定图像信息的采集策略包括确定采集时间、采集角度或采集设备的参数。
在一些实施例中，采集时间可以影响农产品的图像信息的质量、土壤预测信息的准确度。例如，白天和晚上采集到的图像的清晰度不同、农产品的生长状态不同、土壤预测信息的准确度不同。再例如，白天的各个时间段(例如，清晨、中午、傍晚)采集到的图像的清晰度不同、农产品的生长状态不同、土壤预测信息的准确度不同。又例如，降雨前后采集到的图像的清晰度不同、农产品的生长状态不同、土壤预测信息的准确度不同。
在一些实施例中，可以将采集的图像的清晰度高、农产品的生长状态良好和/或土壤预测信息的准确度高的时间点或时间段，确定为采集图像信息的采集时间。例如，白天的土壤预测信息的准确度低于晚上的土壤预测信息的准确度，可以将晚上确定为采集图像信息的采集时间。
在一些实施例中，采集角度可以影响农产品的图像的清晰度以及农产品的生长状态。在一些实施例中，可以将采集的图像的清晰度高和/或农产品的生长状态良好的角度，确定为采集图像信息的采集角度。例如，第一角度采集的农产品的图像的清晰度高于第二角度采集的农产品的图像的清晰度，和/或第一角度采集的农产品的生长状态优于第二角度采集的农产品的生长状态，可以将第一角度确定为采集图像信息的采集角度。
在一些实施例中，采集设备的参数可以影响农产品的图像信息的质量以及土壤预测信息的准确度。在一些实施例中采集设备的参数可以包括：亮度、对比度、曝光时间、触发闪光灯、分辨率、采集时间、采集形式(例如，图像、摄像)、采集模式(例如，连续采集模式、间断采集模式)等中的一种或多种。
在一些实施例中，可以将采集的图像的清晰度高、农产品的生长状态良好和/或土壤预测信息的准确度高的采集设备的参数，确定为采集图像信息的采集设备的参数。
图5是根据本说明书一些实施例提供的全域农业数据整理系统的模块图。
如图5所示，在一些实施例中，全域农业数据整理装置500可以包括数据信息获取模块510、确定模块520。
数据信息获取模块510，可以用于从多个数据源140获取数据信息150，其中，多个数据源140对应于多个农产品供应商和销售商。关于多个数据源140及数据信息150的更多内容可以参考图2及其相关描述，此处不再赘述。
确定模块520，可以用于基于数据信息150通过预测模型确定预测结果，其中，预测结果包括农产品产量、农产品质量、农产品销量中的一种或多种。关于预测模型的更多内容可以参考图3及其相关描述，此处不再赘述。
在一些实施例中，确定模块520还可以用于基于农产品的图像信息和土壤预测信息，确定所述图像信息的采集策略。关于农产品的图像信息和土壤预测信息的更多细节可以参考图4及其相关描述，此处不再赘述。
应当理解，图5所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。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来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有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、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用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)来实现。
需要注意的是，以上对于全域农业数据整理装置及其模块的描述，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。在一些实施例中，图5中披露的数据信息获取模块510、确定模块520可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，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全域农业数据整理装置，该装置可以包括处理器以及存储器；存储器用于存储指令，所述指令被所述处理器执行时，该装置实现上述全域农业数据整理方法对应的操作。
本说明书实施例还提供一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述全域农业数据整理方法。
本说明书实施例可能带来的有益效果包括但不限于：(1)利用多个数据源的数据信息通过预测模型预测农产品的产量、质量及销量，提高预测结果的精准度；(2)利用图像信息及土壤预测信息确定图像信息的采集策略，从而优化采集的图像信息，并进一步提高预测的准确性。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。
以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种全域农业数据整理方法，其特征在于，包括：
从多个数据源获取数据信息，所述多个数据源对应于多个农产品供应商和销售商；
基于所述数据信息通过预测模型确定预测结果，所述预测结果包括农产品产量、农产品质量、农产品销量中的一种或多种；
其中，所述预测模型包括图神经网络模型，以所述多个数据源对应图的节点，以所述多个数据源之间的关系对应图的边。
2.根据权利要求1所述的方法，其特征在于，所述节点的特征至少包括土壤融合表示向量，其中，所述土壤融合表示向量基于多个时间点获取的土壤信息通过土壤特征时间序列模型获得，所述土壤特征时间序列模型为LSTM模型。
3.根据权利要求1所述的方法，其特征在于，所述多个时间点获取的土壤信息包括一个或多个未来时间点对应的土壤预测信息，所述土壤预测信息通过土壤预测模型获得。
4.根据权利要求1所述的方法，其特征在于，所述节点的特征包括农产品的生长状态信息，所述生长状态信息基于所述农产品的图像信息进行获取。
5.一种全域农业数据整理系统，其特征在于，所述系统包括：
数据信息获取模块，被配置为从多个数据源获取数据信息，所述多个数据源对应于多个农产品供应商和销售商；
确定模块，被配置为基于所述数据信息通过预测模型确定预测结果，所述预测结果包括农产品产量、农产品质量、农产品销量中的一种或多种；
其中，所述预测模型包括图神经网络模型，以所述多个数据源对应图的节点，以所述多个数据源之间的关系对应图的边。
6.根据权利要求5所述的系统，其特征在于，所述节点的特征至少包括土壤融合表示向量，其中，所述土壤融合表示向量基于多个时间点获取的土壤信息通过土壤特征时间序列模型获得，所述土壤特征时间序列模型为LSTM模型。
7.根据权利要求5所述的系统，其特征在于，所述多个时间点获取的土壤信息包括一个或多个未来时间点对应的土壤预测信息，所述土壤预测信息通过土壤预测模型获得。
8.根据权利要求5所述的系统，其特征在于，所述节点的特征包括农产品的生长状态信息，所述数据信息获取模块基于所述农产品的图像信息获取所述生长状态信息。
9.一种全域农业数据整理装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，其特征在于，所述指令被所述处理器执行时，所述装置实现如权利要求1至4中任一项所述全域农业数据整理方法对应的操作。
10.一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，当计算机读取存储介质中的计算机指令后，计算机运行如权利要求1至4中任意一项所述全域农业数据整理方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211220322.8A CN115511194B (zh) | 2021-06-29 | 2021-06-29 | 一种农业数据处理方法、系统、装置及介质 |
| CN202110728519.1A CN113435649B (zh) | 2021-06-29 | 2021-06-29 | 一种全域农业数据整理方法、系统、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728519.1A CN113435649B (zh) | 2021-06-29 | 2021-06-29 | 一种全域农业数据整理方法、系统、装置及介质 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211220322.8A Division CN115511194B (zh) | 2021-06-29 | 2021-06-29 | 一种农业数据处理方法、系统、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435649A true CN113435649A (zh) | 2021-09-24 |
| CN113435649B CN113435649B (zh) | 2022-09-16 |
Family
ID=77757714
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211220322.8A Active CN115511194B (zh) | 2021-06-29 | 2021-06-29 | 一种农业数据处理方法、系统、装置及介质 |
| CN202110728519.1A Active CN113435649B (zh) | 2021-06-29 | 2021-06-29 | 一种全域农业数据整理方法、系统、装置及介质 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211220322.8A Active CN115511194B (zh) | 2021-06-29 | 2021-06-29 | 一种农业数据处理方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN115511194B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792324A (zh) * | 2021-11-16 | 2021-12-14 | 聊城高新生物技术有限公司 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
| CN114743100A (zh) * | 2022-04-06 | 2022-07-12 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品长势监测方法和系统 |
| CN115511194A (zh) * | 2021-06-29 | 2022-12-23 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
| CN116703468A (zh) * | 2023-08-01 | 2023-09-05 | 北京佳格天地科技有限公司 | 一种基于大数据的农产品营销方法、系统及存储介质 |
| CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
| CN117575111A (zh) * | 2024-01-16 | 2024-02-20 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290140A1 (en) * | 2011-05-13 | 2012-11-15 | Groeneveld David P | Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data |
| US20160247075A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
| US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
| CN109299779A (zh) * | 2018-08-07 | 2019-02-01 | 华南农业大学 | Ga-bp神经网络模型的训练方法及终端设备 |
| CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
| CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
| CN111126674A (zh) * | 2019-12-04 | 2020-05-08 | 浙江工业大学 | 基于深度模型的传播预测方法及其系统 |
| CN111561972A (zh) * | 2020-06-18 | 2020-08-21 | 华南农业大学 | 一种基于时间序列的土壤含水量预测系统及方法 |
| CN112232549A (zh) * | 2020-09-21 | 2021-01-15 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及系统 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100684504B1 (ko) * | 2005-04-29 | 2007-02-22 | (주)태민메카트로닉스 | 작물 생장 관측 시스템 및 그 방법. |
| CN103125371B (zh) * | 2013-03-13 | 2014-09-10 | 北京农业信息技术研究中心 | 一种作物抗旱突变体田间快速辅助筛选的方法 |
| US20160224703A1 (en) * | 2015-01-30 | 2016-08-04 | AgriSight, Inc. | Growth stage determination system and method |
| US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| CN107222682A (zh) * | 2017-07-11 | 2017-09-29 | 西南大学 | 农作物生长状况检测方法及装置 |
| US10909368B2 (en) * | 2018-01-23 | 2021-02-02 | X Development Llc | Crop type classification in images |
| KR20190136774A (ko) * | 2018-05-31 | 2019-12-10 | 주식회사 쎄슬프라이머스 | 작물의 수확시기 예측시스템 및 그 방법 |
| CN108875625B (zh) * | 2018-06-13 | 2021-12-24 | 联想(北京)有限公司 | 一种识别方法和电子设备 |
| CN109324051A (zh) * | 2018-11-08 | 2019-02-12 | 北方民族大学 | 一种植物水分检测方法及系统 |
| KR102261087B1 (ko) * | 2018-12-21 | 2021-06-04 | 한국전자기술연구원 | 영상기반 감시 장치 및 그 동작방법 |
| CN113544714A (zh) * | 2019-03-08 | 2021-10-22 | Assest 株式会社 | 农作物的收获量预测程序、栽培环境判别程序 |
| JP6704148B1 (ja) * | 2019-03-08 | 2020-06-03 | Ａｓｓｅｓｔ株式会社 | 農作物の収穫量予測プログラム及び農作物の品質予測プログラム |
| CN112507768A (zh) * | 2020-04-16 | 2021-03-16 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
| CN111754045A (zh) * | 2020-06-30 | 2020-10-09 | 四川生态诚品农业开发有限公司 | 一种基于果树生长的预测系统 |
| CN111767903B (zh) * | 2020-08-03 | 2024-06-18 | 吉林大学 | 一种基于机器视觉的玉米株心识别系统和方法 |
| CN112887604A (zh) * | 2021-01-26 | 2021-06-01 | 深圳赛动生物自动化有限公司 | 一种干细胞图像采集方法、装置、系统及介质 |
| CN115511194B (zh) * | 2021-06-29 | 2024-07-09 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
-
2021
- 2021-06-29 CN CN202211220322.8A patent/CN115511194B/zh active Active
- 2021-06-29 CN CN202110728519.1A patent/CN113435649B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290140A1 (en) * | 2011-05-13 | 2012-11-15 | Groeneveld David P | Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data |
| US20160247075A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
| US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
| CN109299779A (zh) * | 2018-08-07 | 2019-02-01 | 华南农业大学 | Ga-bp神经网络模型的训练方法及终端设备 |
| CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
| CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
| CN111126674A (zh) * | 2019-12-04 | 2020-05-08 | 浙江工业大学 | 基于深度模型的传播预测方法及其系统 |
| CN111561972A (zh) * | 2020-06-18 | 2020-08-21 | 华南农业大学 | 一种基于时间序列的土壤含水量预测系统及方法 |
| CN112232549A (zh) * | 2020-09-21 | 2021-01-15 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| KULKARNI SHRUTI: "Predictive Analysis to Improve Crop Yield using a Neural Network Model", 《2018 INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTING,COMMUNICATIONS AND INFORMATICS(ICACC)》 * |
| 曹丽英: "玉米主产区土壤养分与玉米产量的时空变异及其相关性研究", 《中国优秀硕士学位论文全文数据库（农业科技）》 * |
| 赵亚亚等: "基于机器学习的农产品销量区间预测", 《计算机时代》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511194A (zh) * | 2021-06-29 | 2022-12-23 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
| CN115511194B (zh) * | 2021-06-29 | 2024-07-09 | 布瑞克农业大数据科技集团有限公司 | 一种农业数据处理方法、系统、装置及介质 |
| CN113792324A (zh) * | 2021-11-16 | 2021-12-14 | 聊城高新生物技术有限公司 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
| CN114743100A (zh) * | 2022-04-06 | 2022-07-12 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品长势监测方法和系统 |
| CN116703468A (zh) * | 2023-08-01 | 2023-09-05 | 北京佳格天地科技有限公司 | 一种基于大数据的农产品营销方法、系统及存储介质 |
| CN116703468B (zh) * | 2023-08-01 | 2024-05-07 | 北京佳格天地科技有限公司 | 一种基于大数据的农产品营销方法、系统及存储介质 |
| CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
| CN117114917B (zh) * | 2023-10-25 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
| CN117575111A (zh) * | 2024-01-16 | 2024-02-20 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
| CN117575111B (zh) * | 2024-01-16 | 2024-04-12 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115511194A (zh) | 2022-12-23 |
| CN115511194B (zh) | 2024-07-09 |
| CN113435649B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435649B (zh) | 一种全域农业数据整理方法、系统、装置及介质 | |
| Ozdogan et al. | Digital agriculture practices in the context of agriculture 4.0 | |
| CN107609666B (zh) | 使用历史农药使用信息进行害虫预测的系统和方法 | |
| Fedorov et al. | Process of digital transformation of agrarian economy | |
| Lazim et al. | Adoption of IR4. 0 into agricultural sector in Malaysia: Potential and challenges | |
| Wang et al. | Industry 3.5 to empower smart production for poultry farming and an empirical study for broiler live weight prediction | |
| CN110647932A (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| Hassan et al. | Advances in deep learning algorithms for agricultural monitoring and management | |
| Singh et al. | Role of IoT technology in agriculture for reshaping the future of farming in India: a review | |
| Kumar et al. | Multiparameter optimization system with DCNN in precision agriculture for advanced irrigation planning and scheduling based on soil moisture estimation | |
| CN104636852A (zh) | 作物生产规划系统及作物生产规划方法 | |
| Tsoumas et al. | Evaluating digital agriculture recommendations with causal inference | |
| Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
| Louta et al. | Intelligent Pesticide and Irrigation Management in Precision Agriculture: The Case of VELOS Project. | |
| WO2024039690A1 (en) | Boundary verification systems | |
| CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| Dayoub et al. | Applications of Internet of Things (IoT) in Agriculture-The Potential and Challenges in Smart Farm in Uganda | |
| Linker et al. | Concurrent data assimilation and model-based optimization of irrigation scheduling | |
| Devi et al. | AI‐Based Weather Forecasting System for Smart Agriculture System Using a Recurrent Neural Networks (RNN) Algorithm | |
| CN106845672A (zh) | 电力系统中负荷的预测方法和装置 | |
| Pabitha et al. | A digital footprint in enhancing agricultural practices with improved production using machine learning | |
| AU2021100096A4 (en) | Ai-based crop recommendation system for smart farming towards agriculture 5.0 | |
| Mittal et al. | Implementation and identification of crop based on soil texture using AI | |
| KR102626968B1 (ko) | 수목 정보 제공 방법 및 장치 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Tong Inventor after: Huang Guiheng Inventor before: Sun Tong Inventor before: Huang Guiheng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |