CN113533695A - 一种农田墒情数据估计方法及系统 - Google Patents
一种农田墒情数据估计方法及系统 Download PDFInfo
- Publication number
- CN113533695A CN113533695A CN202110843087.9A CN202110843087A CN113533695A CN 113533695 A CN113533695 A CN 113533695A CN 202110843087 A CN202110843087 A CN 202110843087A CN 113533695 A CN113533695 A CN 113533695A
- Authority
- CN
- China
- Prior art keywords
- target position
- effective sampling
- soil moisture
- farmland
- information
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 103
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种农田墒情数据估计方法及系统,包括以下步骤:获取农田中目标位置的地理位置信息;根据目标位置的地理位置信息得到目标位置分别与多个预先设定的有效采样点的直线距离;根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据,采用本发明的方法能够对农田任意位置的土壤墒情进行快速估计,满足了农田智能变量作业的需求。
Description
技术领域
本发明涉及土壤墒情数据采集技术领域,具体涉及一种农田墒情数据估计方法及系统。
背景技术
这里的陈述仅提供与本发明相关的背景技术,而不必然地构成现有技术。
精细农业的发展对农业生产具有深远的意义,而土壤墒情的监测是实现精细农业的关键技术手段。农田土壤墒情是指农田中土壤的含水量,即湿度。土壤墒情信息可以用于判断农作物的生长状况,对农田灌溉和灾情预测具有重要的指导意义。同时,根据土壤墒情的分布进行变量作业,如调节播深、变量灌溉等,可以有效提高作物产量,节约生产资料。
发明人发现,传统的土壤墒情监测手段落后,仅仅依靠手持设备在特定的采样点进行人工采集,需要耗费大量的人力物力。尤其是在进行智能变量作业时,需要实时且连续获取当前作业位置的土壤墒情数据。由于数据量大,采样点密集,实时性要求很高,传统方法无法实现。
发明内容
本发明的目的是为克服现有技术的不足,提供了一种农田墒情数据估计方法,能够快速准确的估计农田任意地理位置的墒情数据,满足了农田智能变量作业的需求。
为实现上述目的,本发明采用如下技术方案:
第一方面,本发明的实施例提供了一种农田墒情数据估计方法,包括以下步骤:
获取农田中目标位置的地理位置信息;
根据目标位置的地理位置信息得到目标位置分别与多个预先设定的有效采样点的直线距离;
根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;
根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据。
可选的,所述农田的边缘位置设置多个有效采样点,农田内部设置多个有效采样点。
可选的,农田边缘位置的相邻有效采样点之间的距离不超过10米。
可选的,获取有效采样点的经度、纬度信息,并将有效采样点的经度、纬度信息转换到设定平面直角坐标系下的横坐标信息和纵坐标信息,获取目标位置的经度、纬度信息,并将目标位置的经度、纬度信息转换到设定平面直角坐标系下的横坐标信息和纵坐标信息,通过目标位置和有效采样点的横坐标、纵坐标信息得到目标位置和有效采样点的直线距离。
可选的,采用高斯投影变换的方法将有效采样点和目标位置的经度、纬度信息转换为设定平面直角坐标系下的横坐标和纵坐标信息。
可选的,对获取的多个有效采样点与目标位置的直线距离进行排序,选取与目标位置直线距离最小的设定数量的有效采样点,根据选取的有效采样点与目标位置的直线距离得到选取的有效采样点对目标位置的影响力权值。
可选的,所述设定数量为3个-6个。
第二方面,本发明的实施例提供了一种农田墒情数据估计系统,包括:
地理位置信息采集模块:用于采集农田中目标位置的地理位置信息;
直线距离获取模块:用于根据目标位置的地理位置信息得到目标位置分别与多个预先设定的有效采样点的直线距离;
影响力权值获取模块:用于根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;
目前位置墒情获取模块:用于根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据。
第三方面,本发明的实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的农田墒情数据估计方法。
第四方面,本发明的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的农田墒情数据估计方法。
本发明的有益效果:
本发明的方法,通过得到目标位置与预先设定的有效采样点的直线距离,即可得到有效采样点对目标位置的影响力权值,进而通过影响力权值和有效采样点的墒情数据得到目标位置的墒情数据,工作人员无需手持设备在目标位置进行采样,只要地理位置刷新了,相应新的目标位置的墒情数据就可以刷新,可以快速获取农田中任意位置的墒情数据,并且可以实时更新,方法可靠,容易实现,节省了大量的人力物力,实时性好,满足了农田智能变量作业的需求。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,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限定。
图1为本发明实施例1方法流程图;
图2为本发明实施例1方法原理示意图;
具体实施方式
实施例1
本实施例公开了一种农田土壤墒情估计方法,如图1所示,包括以下步骤:
步骤1:预先在农田设置有效采样点,并获取有效采样点的地理位置信息和墒情数据。
步骤1.1在农田的边缘处设置M个有效采样点,每个边缘均设置多个有效采样点,为了保证后期计算的精确性,农田边缘处相邻有效采样点之间的距离不大于10米。
步骤1.2在农田内部设置多个有效采样点,其中农田内部有效采样点的数量为K,K=S/20,然后取整,S为农田的地块面积(m2)
步骤1.3通过湿度传感器预先获取M+K个有效采样点的墒情数据,形成数列{P1,P2,……PM+K},通过卫星定位装置获取M+K个有效采样点的经度信息Ln和纬度信息Bn,得到每个有效采样点的信息Pn=[Ln,Bn,Hn],Ln、Bn、Hn分别表示第n个采样点的经度信息、纬度信息和墒情数据,n表示点的序号,范围1~M+K。
通过高斯投影变换,将有效采样点的经度信息和纬度信息转换到设定的平面直角坐标系,得到有效采样点在设定的平面直角坐标系下的横坐标和纵坐标,得到Pn=[Xn YnHn]。其中Xn、Yn分别表示第n个有效采样点的横坐标和纵坐标。采样结束。
步骤2:获取农田中目标位置的地理位置信息;
通过卫星定位装置获取目前位置Pc的经度信息和纬度信息,然后通过高斯投影变换,将目标位置的经度信息和纬度信息转换为设定的平面直角坐标系下的横坐标和纵坐标。
步骤3:在设定的平面直角坐标系下,依次计算目标位置到M+K个有效采样点的直线距离,并将计算得到的多个直线距离进行排序,依次取出直线距离最小的设定数量N的有效采样点,本实施例中,所述设定数量为3个-6个。
将目标位置到N个有效采样点的直线距离组成数列{D1,D2,……DN},对应的N个有效采样点的墒情数据组成数列{h1,h2,……hN}。
步骤4:根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;
每个有效采样点的影响力权值用Wn表示,依次计算各有效采样点的影响力权值,计算方法为
Dn为第n个有效采样点与目标位置的直线距离,N为选取的直线距离小的有效采样点的数量。
此公式是根据试验中得到的土壤水分数据分布以及土壤流变特性提炼而成,能够快速准确估计目标位置与周边有效采样点墒情之间的关系。
步骤5:根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据。
目标位置的墒情数据H估计为:
hn为有效采样点的墒情数据,Wn为有效采样点对目标位置的影响力权值。
当移动到新的目标位置时,重复步骤2-步骤5即可对新的目标位置的墒情数据进行快速估计。
本实施例的一个实际应用中,如图2所示,在农田边缘选取12个有效采样点,12个有效采样点均匀分布,其中农田的一条长边设置4个,另一条长边设置3个,一条短边设置3个,另一条短边设置2个,同一条边缘上相邻两个有效采样点之间的距离不大于10米,能够达到最佳效果。农田面积为180m2,农田内部有效采样点的数量K=180/20=9,在农田内部选取9个有效采样点。
通过北斗或GPS卫星定位装置和湿度传感器在21个采样点采集墒情数据,形成数列{P1,P2,……P21}。其中Pn=[Ln Bn Hn],n表示点的序号,范围1-21;Ln、Bn、Hn分别表示第n个采样点的经度、纬度和湿度。为了保证精度,卫星定位装置需要工作在RTK模式。
通过高斯投影变换,将Pn中的经纬度转换到设定平面直角坐标系下的横坐标和纵坐标,得到Pn=[Xn Yn Hn]。其中Xn、Yn分别表示第n个采样点的横坐标和纵坐标,采样结束。
通过北斗或GPS卫星定位装置,获取目标位置Pc的经纬度,然后通过高斯投影变换,将经纬度转换为设定平面直角坐标下的横坐标和纵坐标。为了保证精度,卫星定位装置需要工作在RTK模式。
依次计算目标位置Pc到21个有效采样点的直线距离,并将直线距离排序,依次取出直线距离最小的3个有效采样点。
将Pc到3个有效采样点的直线距离组成数列{3.1,5.2,8.3},其对应的墒情数据组成数列{25%,30%,20%}。
每个有效采样点的影响力权值用Wn表示,利用公式
依次计算各有效采样点的影响力权值,得到
W1=0.51;W2=0.30;W3=0.19
则目标位置的墒情数据估计为:
每移动到一个新位置,采用相同的方法估计得到新的目标位置的墒情数据,只要地理位置刷新了,土壤墒情数据就能够实时刷新。
实施例2:
本实施例公开了一种农田土壤墒情数据估计系统,如图2所示,包括:
地理位置信息采集模块:用于采集农田中目标位置的地理位置信息;
直线距离获取模块:用于根据目标位置的地理位置信息得到目标位置分别与多个预先设定的有效采样点的直线距离;
影响力权值获取模块:用于根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;
目前位置墒情获取模块:用于根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据。
实施例3:
本实施例公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1所述的农田土壤墒情数据估计方法。
实施例4:
本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1所述的农田土壤墒情数据估计方法。
“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种农田墒情数据估计方法,其特征在于,包括以下步骤:
获取农田中目标位置的地理位置信息;
根据目标位置的地理位置信息得到目标位置分别与多个预先设定的有效采样点的直线距离;
根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;
根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据。
2.如权利要求1所述的一种农田墒情数据估计方法,其特征在于,所述农田的边缘位置设置多个有效采样点,农田内部设置多个有效采样点。
3.如权利要求2所述的一种农田墒情数据估计方法,其特征在于,农田边缘位置的相邻有效采样点之间的距离不超过10米。
4.如权利要求1所述的一种农田墒情数据估计方法,其特征在于,获取有效采样点的经度、纬度信息,并将有效采样点的经度、纬度信息转换到设定平面直角坐标系下的横坐标信息和纵坐标信息,获取目标位置的经度、纬度信息,并将目标位置的经度、纬度信息转换到设定平面直角坐标系下的横坐标信息和纵坐标信息,通过目标位置和有效采样点的横坐标、纵坐标信息得到目标位置和有效采样点的直线距离。
5.如权利要求1所述的一种农田墒情数据估计方法,其特征在于,采用高斯投影变换的方法将有效采样点和目标位置的经度、纬度信息转换为设定平面直角坐标系下的横坐标和纵坐标信息。
6.如权利要求1所述的一种农田墒情数据估计方法,其特征在于,对获取的多个有效采样点与目标位置的直线距离进行排序,选取与目标位置直线距离最小的设定数量的有效采样点,根据选取的有效采样点与目标位置的直线距离得到选取的有效采样点对目标位置的影响力权值。
7.如权利要求6所述的一种农田墒情数据估计方法,其特征在于,所述设定数量为3个-6个。
8.一种农田墒情数据估计系统,其特征在于,包括:
地理位置信息采集模块:用于采集农田中目标位置的地理位置信息;
直线距离获取模块:用于根据目标位置的地理位置信息得到目标位置分别与多个预先设定的有效采样点的直线距离;
影响力权值获取模块:用于根据得到的直线距离获取每个有效采样点对目标位置的影响力权值;
目前位置墒情获取模块:用于根据预先得到每个有效采样点的墒情数据和每个有效采样点对目标位置的影响力权值得到目标位置的墒情数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述的农田墒情数据估计方法。
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,该程序被处理器执行时实现权利要求1-7任一项所述的农田墒情数据估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843087.9A CN113533695B (zh) | 2021-07-26 | 2021-07-26 | 一种农田墒情数据估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843087.9A CN113533695B (zh) | 2021-07-26 | 2021-07-26 | 一种农田墒情数据估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113533695A true CN113533695A (zh) | 2021-10-22 |
CN113533695B CN113533695B (zh) | 2024-10-15 |
Family
ID=78088949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110843087.9A Active CN113533695B (zh) | 2021-07-26 | 2021-07-26 | 一种农田墒情数据估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113533695B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971097A (zh) * | 2022-08-03 | 2022-08-30 | 北京市农林科学院智能装备技术研究中心 | 土壤墒情数据重建方法及预报方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901501A (zh) * | 2011-07-26 | 2013-01-30 | 高德软件有限公司 | 目标位置查询方法及服务器 |
WO2016106958A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种基于山脊能量校正的山地中带状地下目标的探测方法 |
CN105825433A (zh) * | 2016-04-01 | 2016-08-03 | 北京邮电大学 | 一种土壤墒情的确定方法及装置 |
CN106651006A (zh) * | 2016-11-21 | 2017-05-10 | 中国农业大学 | 基于复数神经网络的土壤墒情预测方法及装置 |
CN106771051A (zh) * | 2016-11-16 | 2017-05-31 | 北京邮电大学 | 一种大田土壤墒情信息测量方法及系统 |
CN107145666A (zh) * | 2017-05-05 | 2017-09-08 | 南京信息工程大学 | 小麦自然水分亏缺干旱评估模型的gis建模方法 |
CN107179784A (zh) * | 2017-06-06 | 2017-09-19 | 合肥助航生态农业科技有限公司 | 一种农田土壤墒情监测系统及方法 |
CN108733952A (zh) * | 2018-05-30 | 2018-11-02 | 山东省农业科学院科技信息研究所 | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 |
CN109978234A (zh) * | 2019-03-01 | 2019-07-05 | 北京农业信息技术研究中心 | 墒情预测、灌溉决策方法和装置 |
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 |
RU2701745C1 (ru) * | 2019-01-31 | 2019-10-01 | федеральное государственное бюджетное образовательное учреждение высшего образования "Самарский государственный аграрный университет" | Способ автоматизированного отбора и исследования проб почвы и устройство для его осуществления |
CN110730415A (zh) * | 2019-10-09 | 2020-01-24 | 浙江大学 | 一种基于分层海流模型的水下传感器节点定位方法 |
CN112858632A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院空天信息创新研究院 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
KR20210066036A (ko) * | 2019-11-27 | 2021-06-07 | (주)신한항업 | 초분광센서와 토양 함수율 센서를 이용한 토양 가뭄 모니터링 방법 |
-
2021
- 2021-07-26 CN CN202110843087.9A patent/CN113533695B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901501A (zh) * | 2011-07-26 | 2013-01-30 | 高德软件有限公司 | 目标位置查询方法及服务器 |
WO2016106958A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种基于山脊能量校正的山地中带状地下目标的探测方法 |
CN105825433A (zh) * | 2016-04-01 | 2016-08-03 | 北京邮电大学 | 一种土壤墒情的确定方法及装置 |
CN106771051A (zh) * | 2016-11-16 | 2017-05-31 | 北京邮电大学 | 一种大田土壤墒情信息测量方法及系统 |
CN106651006A (zh) * | 2016-11-21 | 2017-05-10 | 中国农业大学 | 基于复数神经网络的土壤墒情预测方法及装置 |
CN107145666A (zh) * | 2017-05-05 | 2017-09-08 | 南京信息工程大学 | 小麦自然水分亏缺干旱评估模型的gis建模方法 |
CN107179784A (zh) * | 2017-06-06 | 2017-09-19 | 合肥助航生态农业科技有限公司 | 一种农田土壤墒情监测系统及方法 |
CN108733952A (zh) * | 2018-05-30 | 2018-11-02 | 山东省农业科学院科技信息研究所 | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 |
RU2701745C1 (ru) * | 2019-01-31 | 2019-10-01 | федеральное государственное бюджетное образовательное учреждение высшего образования "Самарский государственный аграрный университет" | Способ автоматизированного отбора и исследования проб почвы и устройство для его осуществления |
CN109978234A (zh) * | 2019-03-01 | 2019-07-05 | 北京农业信息技术研究中心 | 墒情预测、灌溉决策方法和装置 |
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 |
CN110730415A (zh) * | 2019-10-09 | 2020-01-24 | 浙江大学 | 一种基于分层海流模型的水下传感器节点定位方法 |
KR20210066036A (ko) * | 2019-11-27 | 2021-06-07 | (주)신한항업 | 초분광센서와 토양 함수율 센서를 이용한 토양 가뭄 모니터링 방법 |
CN112858632A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院空天信息创新研究院 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
Non-Patent Citations (9)
Title |
---|
刘欣伟;司秀丽;蒋小琴;: "土壤墒情监测系统的设计与实现", 福建电脑, no. 07, 25 July 2013 (2013-07-25) * |
刘述强;张长利;高君峰;张景泉;: "土壤水分空间变异性的研究", 东北农业大学学报, no. 08, 25 August 2008 (2008-08-25) * |
孙凯: "墒情(旱情)监测与预测预报方法研究", 万方学术论文, 25 April 2006 (2006-04-25), pages 4 * |
李文峰;: "BP神经网络在许昌土壤墒情预测模型的应用", 中国农学通报, no. 32, 15 November 2013 (2013-11-15) * |
李淑华;郝星耀;周清波;高秉博;潘瑜春;: "基于三明治估计的全国土壤墒情估计方法", 中国农业资源与区划, no. 10, 25 October 2016 (2016-10-25) * |
李雨鸿;李辑;王婷;胡春丽;宋晓巍;李琳琳;李晶;: "辽宁省土壤墒情预测方法研究", 土壤通报, no. 04, 6 August 2016 (2016-08-06) * |
杨绍辉;杨卫中;王一鸣;: "土壤墒情信息采集与远程监测系统", 农业机械学报, no. 09, 25 September 2010 (2010-09-25) * |
程一松;胡春胜;张玉铭;雷玉平;李红军;李晓欣;陈素英;: "栾城县域精准种植运行体系建设与模式示范", 中国生态农业学报, no. 05, 15 September 2011 (2011-09-15) * |
谢恒星;张振华;刘继龙;谭春英;李清翠;: "苹果园土壤含水量测定取样点数目及插值方法研究", 莱阳农学院学报, no. 04, 30 December 2005 (2005-12-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971097A (zh) * | 2022-08-03 | 2022-08-30 | 北京市农林科学院智能装备技术研究中心 | 土壤墒情数据重建方法及预报方法 |
CN114971097B (zh) * | 2022-08-03 | 2022-11-29 | 北京市农林科学院智能装备技术研究中心 | 土壤墒情数据重建方法及预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113533695B (zh) | 2024-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
WO2019143836A1 (en) | Methods for agronomic characterization and related systems and apparatus | |
CN108766203B (zh) | 一种紧致极化水稻制图的方法及系统 | |
CN104376204A (zh) | 一种采用改进的像元二分法反演植被覆盖度的方法 | |
US20210223433A1 (en) | Determination of location-specific weather information for agronomic decision support | |
CN112308047B (zh) | 一种耕地质量监测方法及系统 | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN113624716A (zh) | 一种基于植被覆盖度的土壤氮素估计方法 | |
CN115616194A (zh) | 一种基于辅助信息的土壤有机质预测方法 | |
CN113533695B (zh) | 一种农田墒情数据估计方法及系统 | |
CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
CN114239274A (zh) | 多源遥感数据驱动指数滤波模型推求根层土壤水的方法 | |
CN111949752B (zh) | 基于数字高程模型的特定生物种群高程获取方法 | |
CN116502050B (zh) | 全球通量站点蒸散发观测缺失的动态插补方法与系统 | |
Nolin et al. | Within‐Field Spatial Variability of Soil Nutrients and Corn Yield in a Montreal Lowlands Clay Soil | |
CN111103262B (zh) | 一种基于散射计数据的北极多年冰密集度反演方法 | |
Cunningham et al. | Generating spatially and statistically representative maps of environmental variables to test the efficiency of alternative sampling protocols | |
Singh et al. | Soil fertility manning and its validation using spatial prediction techniques | |
CN111289725B (zh) | 一种结合模型与时序采样的农田土壤有机碳储量估算方法及系统 | |
CN112733780A (zh) | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 | |
Tagarakis et al. | Using the WOFOST crop growth model to assess within-field yield variability | |
PHONTUSANG et al. | Field-scale spatial variability of electrical conductivity of the inland, salt-affected soils of Northeast Thailand | |
CN118296971B (zh) | 一种作物物候期表型预测方法、系统、装置及存储介质 | |
CN109993410B (zh) | 农机深松作业质量评价方法及装置 | |
Liu et al. | Spatial variability analysis of soil properties within a 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 |