CN113822469A - 一种基于土壤病原菌的风险预测方法、系统及可存储介质 - Google Patents
一种基于土壤病原菌的风险预测方法、系统及可存储介质 Download PDFInfo
- Publication number
- CN113822469A CN113822469A CN202111003799.6A CN202111003799A CN113822469A CN 113822469 A CN113822469 A CN 113822469A CN 202111003799 A CN202111003799 A CN 202111003799A CN 113822469 A CN113822469 A CN 113822469A
- Authority
- CN
- China
- Prior art keywords
- pathogenic bacteria
- target area
- risk
- soil
- 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
- 244000052616 bacterial pathogen Species 0.000 title claims abstract description 275
- 239000002689 soil Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000005527 soil sampling Methods 0.000 claims abstract description 7
- 244000052769 pathogen Species 0.000 claims description 33
- 239000005416 organic matter Substances 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 230000000737 periodic effect Effects 0.000 claims description 16
- 230000001717 pathogenic effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 abstract description 19
- 241001465754 Metazoa Species 0.000 abstract description 17
- 208000015181 infectious disease Diseases 0.000 abstract description 6
- 230000003449 preventive effect Effects 0.000 abstract description 6
- 230000004083 survival effect Effects 0.000 description 23
- 230000006378 damage Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 14
- 229910017053 inorganic salt Inorganic materials 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 230000000644 propagated effect Effects 0.000 description 6
- 244000000034 soilborne pathogen Species 0.000 description 6
- 230000037406 food intake Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000004103 aerobic respiration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007403 mPCR Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000588724 Escherichia coli Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000607142 Salmonella Species 0.000 description 1
- 241000194021 Streptococcus suis Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 210000002700 urine Anatomy 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
Abstract
本申请涉及土壤风险预测领域,尤其涉及一种基于土壤病原菌的风险预测方法、系统及可存储介质,通过确定土壤病原菌风险预测目标区域;在所述目标区域内选择取样点进行土壤取样;提取所述取样点的土壤的病原菌种类,得到病原菌信息;判断所述病原菌信息是否为预设病原菌信息;若是,则对所述目标区域进行风险预测;对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。当周期预测值超过一定范围时,标记该目标区域为高风险等级区域;对该病原菌进行预测,能够提前采取预防措施,进而有效地降低了农田中的作物受到的病原菌污染,从而间接地减低了生物与人或动物接触感染的概率。
Description
技术领域
本发明涉及土壤风险预测领域,尤其涉及一种基于土壤病原菌的风险预测方法、系统及可存储介质。
背景技术
全球畜牧养殖业每年产生大量的粪便排泄物,这些废弃物中含有大量肠道病原菌,以大肠杆菌、猪链球菌和沙门氏菌数量最多,若未经有效处理就将其排放到土壤或作为有机肥施入到农田,便会严重污染环境,土壤中的病原菌容易进入到农作物中,进而威胁人类健康。病原菌进入土壤后,可吸附在土壤颗粒上或随水流进行运移,该过程深刻影响其感染活性和扩散范围。而且,病原菌可通过消耗土壤中的有机物含量来维持生命活动,病原菌在土壤颗粒内的吸附的比例越大,分布在土壤浅层的病原菌越难以随水流垂直运移到土壤深层,从而增大生物与人或动物接触感染的概率,农田中的作物也存在较大的污染。而且有机物质的含量越高病原菌的存活时间越长。现有技术中,还未拥有对土壤中的病原菌进行风险预测的技术方案。
发明内容
本发明克服了现有技术的不足,提供了一种基于土壤病原菌的风险预测方法、系统及可存储介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于土壤病原菌的风险预测方法,包括以下步骤:
确定土壤病原菌风险预测目标区域;
在所述目标区域内选择取样点进行土壤取样;
提取所述取样点的土壤的病原菌种类,得到病原菌信息;
判断所述病原菌信息是否为预设病原菌信息;
若是,则对所述目标区域进行风险预测;
对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。
进一步地,本发明的一个较佳实施例中,判断所述病原菌信息是否为预设病原菌信息,具体包括以下步骤:
测定所述取样点的土壤的有机物种类、各种类的有机物的含量值、含水率;
对所述病原菌信息进行分类,得到一种或多种病原菌;
根据所述有机物种类判断是否存在有机物有利于所述病原菌繁殖;
若是,则提取该病原菌的含量值以及该有机物的含量值,并生成病原菌信息以及有机物含量值信息;
判断所述病原菌信息是否为预设病原菌信息。
进一步地,本发明的一个较佳实施例中,若大于,则对所述目标区域进行风险预测,具体包括以下步骤:
利用所述有机物的含量信息、含水率以及所述病原菌的含量建立分布分析模型;
基于所述分布分析模型对所述目标区域进行周期性预测,得到周期性分布图;
根据所述周期性分布图得到农作物种植对应周期的周期预测值;
基于所述周期预测值对所述目标区域进行风险预测。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
获取所述病原菌的历史状况信息;
获取所述目标区域种植的农作物信息并根据所述病原菌的历史状况信息以及所述农作物信息判断所述病原菌能否感染该农作物;
若能,则标记该目标区域,并获取该目标区域的周期预测值;
根据所述周期预测值得到该目标区域的病原菌危害程度;
通过所述危害程度确定该目标区域的风险等级。
进一步地,本发明的一个较佳实施例中,所述风险等级分为高风险等级、中高风险等级、中风险等级、低风险等级,不同风险等级对应着不同风险预测周期且风险等级越高风险预测周期越长。
本发明第二方面提供了一种基于土壤病原菌的风险预测系统,该系统包括存储器、处理器,述存储器中包括基于土壤病原菌的风险预测方法程序,所述基于土壤病原菌的风险预测方法程序被所述处理器执行时实现如下步骤:
确定土壤病原菌风险预测目标区域;
在所述目标区域内选择取样点进行土壤取样;
提取所述取样点的土壤的病原菌种类,得到病原菌信息;
判断所述病原菌信息是否为预设病原菌信息;
若是,则对所述目标区域进行风险预测;
对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。
进一步地,本发明的一个较佳实施例中,判断所述病原菌信息是否为预设病原菌信息,具体包括以下步骤:
测定所述取样点的土壤的有机物种类、各种类的有机物的含量值、含水率;
对所述病原菌信息进行分类,得到一种或多种病原菌;
根据所述有机物种类判断是否存在有机物有利于所述病原菌繁殖;
若是,则提取该病原菌的含量值以及该有机物的含量值,并生成病原菌信息以及有机物含量值信息;
判断所述病原菌信息是否为预设病原菌信息。
进一步地,本发明的一个较佳实施例中,若大于,则对所述目标区域进行风险预测,具体包括以下步骤:
利用所述有机物的含量信息、含水率以及所述病原菌的含量建立分布分析模型;
基于所述分布分析模型对所述目标区域进行周期性预测,得到周期性分布图;
根据所述周期性分布图得到农作物种植对应周期的周期预测值;
基于所述周期预测值对所述目标区域进行风险预测。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
获取所述病原菌的历史状况信息;
获取所述目标区域种植的农作物信息并根据所述病原菌的历史状况信息以及所述农作物信息判断所述病原菌能否感染该农作物;
若能,则标记该目标区域,并获取该目标区域的周期预测值;
根据所述周期预测值得到该目标区域的病原菌危害程度;
通过所述危害程度确定该目标区域的风险等级。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于土壤病原菌的风险预测方法程序,所述基于土壤病原菌的风险预测方法程序被所述处理器执行时,实现任一项所述的基于土壤病原菌的风险预测方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明通过测定目标区域中土壤的有机物种类以及含量、病原菌的种类,当土壤中的有机物有利于病原菌繁殖时,则对该目标区域进行风险预测,进而通过目标区域的有机物含量预测该病原菌的对应周期预测值,并且种植户可以根据周期预测值对该目标区域的土壤进行提前处理、选择最佳的周期预测值点种植农作物、选择合适的施药量对该地区的土壤进行修复等;当周期预测值超过一定范围时,标记该目标区域为高风险等级区域;对该病原菌进行预测,能够提前采取预防措施,进而有效地降低了农田中的作物受到的病原菌污染,从而间接地减低了生物与人或动物接触感染的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了基于土壤病原菌的方法流程图;
图2示出了有机物实发有利于所述病原菌繁殖的方法流程图;
图3示出了得到周期预测值的方法流程图;
图4示出了得到风险等级的方法流程图;
图5示出了一种基于土壤病原菌的风险预测的系统框图;
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于土壤病原菌的风险预测方法,包括以下步骤:
S102:确定土壤病原菌风险预测目标区域;
S104:在所述目标区域内选择取样点进行土壤取样;
S106:提取所述取样点的土壤的病原菌种类,得到病原菌信息;
S108:判断所述病原菌信息是否为预设病原菌信息;
S110:若是,则对所述目标区域进行风险预测;
S112:对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。
需要说明的是,采用多重PCR法检测出多种病原菌,并通过含量提取仪测定各种类的病原菌的数量,即为病原菌的含量值;不同风险等级的目标区域对应着不同的风险预测周期,如高风险等级的风险预测周期最长,高风险等级的目标区域意味着该病原菌侵染作物,而且危害动物或者人,而且病原菌的数量繁多,在该目标区域种植的作物的概率亦增大。因此,高风险等级的目标区域的风险预测周期最长,土壤中的病原菌主要依靠消耗土壤中的有机物以维持生命活动,而农作物的光合作用为将无机物合成有机物,所以果实部分最容易被病原菌侵染,而果实部分常常被动物或者人体摄入。因此,通过风险预测能够对该目标区域提前采取措施对病原菌土壤修复,进而预防动物或者人体摄入,从而能够避免病原菌摄入人体。
进一步地,本发明的一个较佳实施例中,判断所述病原菌信息是否为预设病原菌信息,具体包括以下步骤:
S202:测定所述取样点的土壤的有机物种类、各种类的有机物的含量值、含水率;
S204:对所述病原菌信息进行分类,得到一种或多种病原菌;
S206:根据所述有机物种类判断是否存在有机物有利于所述病原菌繁殖;
S208:若是,则提取该病原菌的含量值以及该有机物的含量值,并生成病原菌信息以及有机物含量值信息;
S210:判断所述病原菌信息是否为预设病原菌信息。
需要说明的是,并非所有的病原菌都会侵染农作物,因此,预设病原菌信息为危害农作物、动物或者人的病原菌,当病原菌不危及农作物、动物或者人,即不必对此类病原菌进行风险预测。其中病原菌的含量值作为初始值来根据土壤中有机物消耗的含量、含水率等来预测病原菌的含量变化。
进一步地,本发明的一个较佳实施例中,若大于,则对所述目标区域进行风险预测,具体包括以下步骤:
S302:利用所述有机物的含量信息、含水率以及所述病原菌的含量建立分布分析模型;
S304:基于所述分布分析模型对所述目标区域进行周期性预测,得到周期性分布图;
S306:根据所述周期性分布图得到农作物种植对应周期的周期预测值;
S308:基于所述周期预测值对所述目标区域进行风险预测。
需要说明的是,由于土壤中的病原菌一般通过消耗土壤中的有机物来维持自身的生命活动,本领域的研究人员发现,在一定的时间段内,由于土壤内有机物的含量变化是很小的,因此可忽略不计。因此,土壤中有机物的含量对于土壤中的病原菌的繁殖在一段时间内呈现一定的类抛物线方程式模型,单位质量内的土壤中的病原菌的数量在达到最大的幅值时开始慢慢地降低,直至在目标区域消耗完土壤层中的有机物含量,病原菌的数量逐渐下降直至降为0或者转移到其他的区域内。因此,在该目标区域的面积范围之内,其病原菌的密集程度可代表其区域的风险程度,病原菌的周期预测值与土壤中有机物的含量对于土壤中的病原菌的繁殖关系相符合,所以周期预测值亦在一段时间内呈现一定的类抛物线方程式模型。
其中周期预测值满足以下关系式:
其中A为周期预测值;a为有机物含量的质量之和;n为含水率,表示该土壤中水的湿度,可以利用湿度传感器测量出实际值;z为取样土壤的体积,单位为立方米;ε0为真空介电常数,取值为8.85*10-12CV-1m-1;ε1为水的相对介电常数,取值为80;k为Boltzmann常数,取值为1.38*10-23JK-1;T为病原菌繁殖时的温度,与外界环境的温度有关,单位为K。t为时间,单位为秒;e为自然对数,取值为2.718。
周期预测值在一段时间内上升到顶峰值时,由于土壤中的有机物含量是一定的,在有机物含量被消耗完时,病原菌由于有机物的缺失,从而无法继续维持生命活动。因此,在目标区域内,随着时间的推移,目标区域的病原菌会逐渐消失或者转移到其他区域。由关系式可以得知,周期预测值在一定的时间点到达峰值,而且周期预测值越大说明风险程度越高;若A出现负值,表示该目标区域风险程度较低,该值越小表面风险程度越低。取样的土壤的体积一定时,周期预测值越大,表示其风险程度越高;从关系式中可以看出,其他条件一定时,温度T对病原菌的生长亦有影响,在自然环境中,在最适繁殖的温度下,病原菌的繁殖速度最快,但在本申请中均为自然环境中的温度值。需要说明的是,该温度T为病原菌可繁殖的温度范围。其中周期分布图为关系式在一定的时间段内的函数表达图,该表达图能够有效地表现各个时间点对应的周期预测值。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
S402:获取所述病原菌的历史状况信息;
S404:获取所述目标区域种植的农作物信息并根据所述病原菌的历史状况信息以及所述农作物信息判断所述病原菌能否感染农作物;
S406:若能,则标记该目标区域,并获取该目标区域的周期预测值。
S408:根据所述周期预测值得到该目标区域的病原菌危害程度;
S410:通过所述危害程度确定该目标区域的风险等级。
需要说明的是,通过大数据网络获取病原菌的可繁殖的温度范围、最适繁殖的水分环境、适合病原菌维持生命活动的有机物的类型,当确定在病原菌的可繁殖的温度范围之内而且该有机物的类型是能够维持病原菌的生命活动的进行时,通过上述关系式得到其周期预测值,进而通过周期预测值得到病原菌的危害程度,其危害程度可表示为病原菌单位质量内的病原菌预测数量在目标区域的面积的占比,该比值越大,表示该目标区域的病原菌危害程度越高。在同一个时间点时,其中该危害程度与周期预测值A呈一定的线性关系,即在相同的时间点时,周期预测值A越大表示危害程度越高,亦表示周期预测值A越大表示土壤中病原菌的预测数量越大,所以周期预测值A与病原菌预测数量呈一定的线性关系,该单位质量内的病原菌预测数量满足一定的线性关系式:
其中,A为周期预测值,M为单位质量内病原菌预测数量;b为亲和力系数,取值为0.97,表示病原菌吸附在土壤颗粒上的亲和力系数;C为单位质量内土壤的病原菌平衡时的浓度。
需要说明的是,在预测病原菌的数量时,将病原菌的繁殖的温度值调节至与目标区域的温度值,其中,可以理解的是,单位质量内病原菌的预测数量与周期预测值的数量接近,而本关系式的意义在于相当于增加修正系数对单位质量内病原菌的预测数量进行修正。而通过该目标区域对应的危险程度确定该目标区域的风险等级,单位质量内病原菌预测数量越大表示危害程度越高,而危害程度越高表示风险程度越高。病原菌平衡时的浓度意义为在某个时间段内病原菌不在增加,达到相对平衡状态。
进一步地,本发明的一个较佳实施例中,所述风险等级分为高风险等级、中高风险等级、中风险等级、低风险等级,不同风险等级对应着不同风险预测周期且风险等级越高风险预测周期越长。
综上所述,本发明通过测定目标区域中土壤的有机物种类以及含量、病原菌的种类,当土壤中的有机物有利于病原菌繁殖时,则对该目标区域进行风险预测,进而通过目标区域的有机物含量预测该病原菌的对应周期预测值,并且种植户可以根据周期预测值对该目标区域的土壤进行提前处理、选择最佳的周期预测值点种植农作物、选择合适的施药量对该地区的土壤进行修复等;当周期预测值超过一定范围时,标记该目标区域为高风险等级区域;对该病原菌进行预测,能够提前采取预防措施,进而有效地降低了农田中的作物受到的病原菌污染,从而间接地减低了生物与人或动物接触感染的概率。
此外,该方法还包括以下步骤:
获取历史病原菌状况信息;
基于神经网络建立病原菌存活预测模型并根据所述历史病原菌状况信息导入所述病原菌存活预测模型进行训练;
将所述各种类的有机物的含量值导入所述病原菌存活预测模型预测所述各种类的有机物的含量值对病原菌的存活影响值;
根据所述病原菌的存活影响值来预测所述目标区域内的病原菌存活周期;
通过判断所述目标区域内的病原菌存活周期预测所述目标区域发生病原菌侵蚀农作物的发生概率。
需要说明的是,土壤中的病原菌一般需要进行有氧呼吸来维持生命活动的进行,土壤中的无机物含量为病原菌提供着原料,在其他因素一定的情况下,有机物含量越高,土壤中病原菌能够存活的周期越长。当存活影响值越大时,可以代表病原菌在该目标区域病原菌的存活周期越长,进而在种植农作物时,通过病原菌的存活周期来进行预测目标区域发生病原菌侵蚀农作物发生的概率,当病原菌侵蚀农作物时,在食物链中经过多次转移容易被动物或者人体摄入,从而产生症状,使用该方法能够有效地来预防此类事件的发生。
另外,该方法还包括以下步骤:
获取农作物的历史生长阶段信息,建立农作物生长阶段数据库;
测定所述目标区域的无机盐的种类以及含量,得到无机盐信息;
将所述无机盐信息导入农作物生长阶段数据库进行拟合,得到拟合相似度;
通过所述拟合相似度来预测农作物的表现症状;
根据所述表现症状来定期采取预防措施。
需要说明的是,通过大数据网络获取农作物的历史生长阶段信息,历史生长阶段信息体现为农作物缺乏某种无机盐时体现出来的症状,拟合度的取值范围为0-1,当拟合度趋向于1时,说明此类事件发生的概率很大,即该农作物的某个生长阶段展现出该症状的概率很大。因此,通过本方法的预测,可在农作物的某个生长阶段提前采取措施。
本发明第二方面提供了一种基于土壤病原菌的风险预测系统,该系统包括存储器、处理器,述存储器中包括基于土壤病原菌的风险预测方法程序,所述基于土壤病原菌的风险预测方法程序被所述处理器执行时实现如下步骤:
确定土壤病原菌风险预测目标区域;
在所述目标区域内选择取样点进行土壤取样;
提取所述取样点的土壤的病原菌种类,得到病原菌信息;
判断所述病原菌信息是否为预设病原菌信息;
若是,则对所述目标区域进行风险预测;
对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。
需要说明的是,采用多重PCR法检测出多种病原菌,并通过含量提取仪测定各种类的病原菌的数量,即为病原菌的含量值;不同风险等级的目标区域对应着不同的风险预测周期,如高风险等级的风险预测周期最长,高风险等级的目标区域意味着该病原菌侵染作物,而且危害动物或者人,而且病原菌的数量繁多,在该目标区域种植的作物的概率亦增大。因此,高风险等级的目标区域的风险预测周期最长,土壤中的病原菌主要依靠消耗土壤中的有机物以维持生命活动,而农作物的光合作用为将无机物合成有机物,所以果实部分最容易被病原菌侵染,而果实部分常常被动物或者人体摄入。因此,通过风险预测能够对该目标区域提前采取措施对病原菌土壤修复,进而预防动物或者人体摄入,从而能够避免病原菌摄入人体。
进一步地,本发明的一个较佳实施例中,判断所述病原菌信息是否为预设病原菌信息,具体包括以下步骤:
测定所述取样点的土壤的有机物种类、各种类的有机物的含量值、含水率;
对所述病原菌信息进行分类,得到一种或多种病原菌;
根据所述有机物种类判断是否存在有机物有利于所述病原菌繁殖;
若是,则提取该病原菌的含量值以及该有机物的含量值,并生成病原菌信息以及有机物含量值信息;
判断所述病原菌信息是否为预设病原菌信息。
需要说明的是,并非所有的病原菌都会侵染农作物,因此,预设病原菌信息为危害农作物、动物或者人的病原菌,当病原菌不危及农作物、动物或者人,即不必对此类病原菌进行风险预测。
进一步地,本发明的一个较佳实施例中,若大于,则对所述目标区域进行风险预测,具体包括以下步骤:
利用所述有机物的含量信息、含水率以及所述病原菌的含量建立分布分析模型;
基于所述分布分析模型对所述目标区域进行周期性预测,得到周期性分布图;
根据所述周期性分布图得到农作物种植对应周期的周期预测值;
基于所述周期预测值对所述目标区域进行风险预测。
需要说明的是,由于土壤中的病原菌一般通过消耗土壤中的有机物来维持自身的生命活动,本领域的研究人员发现,在一定的时间段内,由于土壤内有机物的含量变化是很小的,因此可忽略不计。因此,土壤中有机物的含量对于土壤中的病原菌的繁殖在一段时间内呈现一定的类抛物线方程式模型,单位质量内的土壤中的病原菌的数量在达到最大的幅值时开始慢慢地降低,直至在目标区域消耗完土壤层中的有机物含量,病原菌的数量逐渐下降直至降为0或者转移到其他的区域内。因此,在该目标区域的面积范围之内,其病原菌的密集程度可代表其区域的风险程度,病原菌的周期预测值与土壤中有机物的含量对于土壤中的病原菌的繁殖关系相符合,所以周期预测值亦在一段时间内呈现一定的类抛物线方程式模型。
其中周期预测值满足以下关系式:
其中A为周期预测值;a为有机物含量的质量之和;n为含水率,表示该土壤中水的湿度,可以利用湿度传感器测量出实际值;z为取样土壤的体积,单位为立方米;ε0为真空介电常数,取值为8.85*10-12CV-1m-1;ε1为水的相对介电常数,取值为80;k为Boltzmann常数,取值为1.38*10-23JK-1;T为病原菌繁殖时的温度,与外界环境的温度有关,单位为K。t为时间,单位为秒;e为自然对数,取值为2.718。
周期预测值在一段时间内上升到顶峰值时,由于土壤中的有机物含量是一定的,在有机物含量被消耗完时,病原菌由于有机物的缺失,从而无法继续维持生命活动。因此,在目标区域内,随着时间的推移,目标区域的病原菌会逐渐消失或者转移到其他区域。由关系式可以得知,周期预测值在一定的时间点到达峰值,而且周期预测值越大说明风险程度越高;若A出现负值,表示该目标区域风险程度较低,该值越小表面风险程度越低。取样的土壤的体积一定时,周期预测值越大,表示其风险程度越高;从关系式中可以看出,其他条件一定时,温度T对病原菌的生长亦有影响,在自然环境中,在最适繁殖的温度下,病原菌的繁殖速度最快,但在本申请中均为自然环境中的温度值。需要说明的是,该温度T为病原菌可繁殖的温度范围。其中周期分布图为关系式在一定的时间段内的函数表达图,该表达图能够有效地表现各个时间点对应的周期预测值。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
获取所述病原菌的历史状况信息;
获取所述目标区域种植的农作物信息并根据所述病原菌的历史状况信息以及所述农作物信息判断所述病原菌能否感染农作物;
若能,则标记该目标区域,并获取该目标区域的周期预测值。
根据所述周期预测值得到该目标区域的病原菌危害程度;
通过所述危害程度确定该目标区域的风险等级。
需要说明的是,通过大数据网络获取病原菌的可繁殖的温度范围、最适繁殖的水分环境、适合病原菌维持生命活动的有机物的类型,当确定在病原菌的可繁殖的温度范围之内而且该有机物的类型是能够维持病原菌的生命活动的进行时,通过上述关系式得到其周期预测值,进而通过周期预测值得到病原菌的危害程度,其危害程度可表示为病原菌单位质量内的病原菌预测数量在目标区域的面积的占比,该比值越大,表示该目标区域的病原菌危害程度越高。在同一个时间点时,其中该危害程度与周期预测值A呈一定的线性关系,即在相同的时间点时,周期预测值A越大表示危害程度越高,亦表示周期预测值A越大表示土壤中病原菌的预测数量越庞大,所以周期预测值A与病原菌预测数量呈一定的线性关系,该单位质量内的病原菌预测数量满足一定的线性关系式:
其中,A为周期预测值,M为单位质量内病原菌预测数量;b为亲和力系数,取值为0.97,表示病原菌吸附在土壤颗粒上的亲和力系数;C为单位质量内土壤的病原菌平衡时的浓度。
需要说明的是,在预测病原菌的数量时,将病原菌的繁殖的温度值调节至与目标区域的温度值,其中,可以理解的是,单位质量内病原菌的预测数量与周期预测值的数量接近,而本关系式的意义在于相当于增加修正系数对单位质量内病原菌的预测数量进行修正。而通过该目标区域对应的危险程度确定该目标区域的风险等级,单位质量内病原菌预测数量越大表示危害程度越高,而危害程度越高表示风险程度越高。病原菌平衡时的浓度意义为在某个时间段内病原菌不在增加,达到相对平衡状态。
综上所述,本发明通过测定目标区域中土壤的有机物种类以及含量、病原菌的种类,当土壤中的有机物有利于病原菌繁殖时,则对该目标区域进行风险预测,进而通过目标区域的有机物含量预测该病原菌的对应周期预测值,并且种植户可以根据周期预测值对该目标区域的土壤进行提前处理、选择最佳的周期预测值点种植农作物、选择合适的施药量对该地区的土壤进行修复等;当周期预测值超过一定范围时,标记该目标区域为高风险等级区域;对该病原菌进行预测,能够提前采取预防措施,进而有效地降低了农田中的作物受到的病原菌污染,从而间接地减低了生物与人或动物接触感染的概率。
此外,该系统还包括以下步骤:
获取历史病原菌状况信息;
基于神经网络建立病原菌存活预测模型并根据所述历史病原菌状况信息导入所述病原菌存活预测模型进行训练;
将所述各种类的有机物的含量值导入所述病原菌存活预测模型预测所述各种类的有机物的含量值对病原菌的存活影响值;
根据所述病原菌的存活影响值来预测所述目标区域内的病原菌存活周期;
通过判断所述目标区域内的病原菌存活周期预测所述目标区域发生病原菌侵蚀农作物的发生概率。
需要说明的是,土壤中的病原菌一般需要进行有氧呼吸来维持生命活动的进行,土壤中的无机物含量为病原菌提供着原料,在其他因素一定的情况下,有机物含量越高,土壤中病原菌能够存活的周期越长。当存活影响值越大时,可以代表病原菌在该目标区域病原菌的存活周期越长,进而在种植农作物时,通过病原菌的存活周期来进行预测目标区域发生病原菌侵蚀农作物发生的概率,当病原菌侵蚀农作物时,在食物链中经过多次转移容易被动物或者人体摄入,从而产生症状。使用该方法能够有效地来预防此类事件的发生。
另外,该方法还包括以下步骤:
获取农作物的历史生长阶段信息,建立农作物生长阶段数据库;
测定所述目标区域的无机盐的种类以及含量,得到无机盐信息;
将所述无机盐信息导入农作物生长阶段数据库进行拟合,得到拟合相似度;
通过所述拟合相似度来预测农作物的表现症状;
根据所述表现症状来定期采取预防措施。
需要说明的是,通过大数据网络获取农作物的历史生长阶段信息,历史生长阶段信息体现为农作物缺乏某种无机盐时体现出来的症状,拟合度的取值范围为0-1,当拟合度趋向于1时,说明此类事件发生的概率增加,即该农作物的某个生长阶段展现出该症状的概率增加。因此,通过本方法的预测,可在农作物的某个生长阶段提前采取措施。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于土壤病原菌的风险预测方法程序,所述基于土壤病原菌的风险预测方法程序被所述处理器执行时,实现任一项所述的基于土壤病原菌的风险预测方法的步骤。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于土壤病原菌的风险预测方法,其特征在于,包括以下步骤:
确定土壤病原菌风险预测目标区域;
在所述目标区域内选择取样点进行土壤取样;
提取所述取样点的土壤的病原菌种类,得到病原菌信息;
判断所述病原菌信息是否为预设病原菌信息;
若是,则对所述目标区域进行风险预测;
对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。
2.根据权利要求1所述的一种基于土壤病原菌的风险预测方法,其特征在于,判断所述病原菌信息是否为预设病原菌信息,具体包括以下步骤:
测定所述取样点的土壤的有机物种类、各种类的有机物的含量值、含水率;
对所述病原菌信息进行分类,得到一种或多种病原菌;
根据所述有机物种类判断是否存在有机物有利于所述病原菌繁殖;
若是,则提取该病原菌的含量值以及该有机物的含量值,并生成病原菌信息以及有机物含量值信息;
判断所述病原菌信息是否为预设病原菌信息。
3.根据权利要求2所述的一种基于土壤病原菌的风险预测方法,其特征在于,若大于,则对所述目标区域进行风险预测,具体包括以下步骤:
利用所述有机物的含量信息、含水率以及所述病原菌的含量建立分布分析模型;
基于所述分布分析模型对所述目标区域进行周期性预测,得到周期性分布图;
根据所述周期性分布图得到农作物种植对应周期的周期预测值;
基于所述周期预测值对所述目标区域进行风险预测。
4.根据权利要求3所述的一种基于土壤病原菌的风险预测方法,其特征在于,还包括以下步骤:
获取所述病原菌的历史状况信息;
获取所述目标区域种植的农作物信息并根据所述病原菌的历史状况信息以及所述农作物信息判断所述病原菌能否感染该农作物;
若能,则标记该目标区域,并获取该目标区域的周期预测值;
根据所述周期预测值得到该目标区域的病原菌危害程度;
通过所述危害程度确定该目标区域的风险等级。
5.根据权利要求1所述的一种基于土壤病原菌的风险预测方法,其特征在于,所述风险等级分为高风险等级、中高风险等级、中风险等级、低风险等级,不同风险等级对应着不同风险预测周期且风险等级越高风险预测周期越长。
6.一种基于土壤病原菌的风险预测系统,其特征在于,该系统包括存储器、处理器,述存储器中包括基于土壤病原菌的风险预测方法程序,所述基于土壤病原菌的风险预测方法程序被所述处理器执行时实现如下步骤:
确定土壤病原菌风险预测目标区域;
在所述目标区域内选择取样点进行土壤取样;
提取所述取样点的土壤的病原菌种类,得到病原菌信息;
判断所述病原菌信息是否为预设病原菌信息;
若是,则对所述目标区域进行风险预测;
对需要进行风险预测的目标区域划分为不同的风险等级并根据所述风险等级建立对应的风险预测周期。
7.根据权利要求6所述的一种基于土壤病原菌的风险预测系统,其特征在于,判断所述病原菌信息是否为预设病原菌信息,具体包括以下步骤:
测定所述取样点的土壤的有机物种类、各种类的有机物的含量值、含水率;
对所述病原菌信息进行分类,得到一种或多种病原菌;
根据所述有机物种类判断是否存在有机物有利于所述病原菌繁殖;
若是,则提取该病原菌的含量值以及该有机物的含量值,并生成病原菌信息以及有机物含量值信息;
判断所述病原菌信息是否为预设病原菌信息。
8.根据权利要求7所述的一种基于土壤病原菌的风险预测系统,其特征在于,若大于,则对所述目标区域进行风险预测,具体包括以下步骤:
利用所述有机物的含量信息、含水率以及所述病原菌的含量建立分布分析模型;
基于所述分布分析模型对所述目标区域进行周期性预测,得到周期性分布图;
根据所述周期性分布图得到农作物种植对应周期的周期预测值;
基于所述周期预测值对所述目标区域进行风险预测。
9.根据权利要求8所述的一种基于土壤病原菌的风险预测系统,其特征在于,还包括以下步骤:
获取所述病原菌的历史状况信息;
获取所述目标区域种植的农作物信息并根据所述病原菌的历史状况信息以及所述农作物信息判断所述病原菌能否感染该农作物;
若能,则标记该目标区域,并获取该目标区域的周期预测值;
根据所述周期预测值得到该目标区域的病原菌危害程度;
通过所述危害程度确定该目标区域的风险等级。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于土壤病原菌的风险预测方法程序,所述基于土壤病原菌的风险预测方法程序被处理器执行时,实现如权利要求1至5中任一项所述的基于土壤病原菌的风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003799.6A CN113822469B (zh) | 2021-08-30 | 2021-08-30 | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003799.6A CN113822469B (zh) | 2021-08-30 | 2021-08-30 | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822469A true CN113822469A (zh) | 2021-12-21 |
CN113822469B CN113822469B (zh) | 2023-05-26 |
Family
ID=78923340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003799.6A Active CN113822469B (zh) | 2021-08-30 | 2021-08-30 | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822469B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112322497A (zh) * | 2020-11-03 | 2021-02-05 | 蒙自海关综合技术中心 | 一种石榴病原菌流行趋势评估方法及系统 |
CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
CN114354892A (zh) * | 2022-01-04 | 2022-04-15 | 北京市科学技术研究院资源环境研究所 | 一种基于工业园区的土壤污染分析方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104694658A (zh) * | 2015-03-19 | 2015-06-10 | 中国农业大学 | 土壤中植物病原菌含量的检测方法 |
CN109785898A (zh) * | 2019-01-14 | 2019-05-21 | 清华大学 | 一种基于微生物网络评估环境污染风险的方法 |
CN112461828A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
CN113222242A (zh) * | 2021-05-08 | 2021-08-06 | 朱江 | 一种森林火险等级预报方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111003799.6A patent/CN113822469B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104694658A (zh) * | 2015-03-19 | 2015-06-10 | 中国农业大学 | 土壤中植物病原菌含量的检测方法 |
CN109785898A (zh) * | 2019-01-14 | 2019-05-21 | 清华大学 | 一种基于微生物网络评估环境污染风险的方法 |
CN112461828A (zh) * | 2019-09-09 | 2021-03-09 | 云南天质弘耕科技有限公司 | 一种基于卷积神经网络的病虫害智能测报预警系统 |
CN113222242A (zh) * | 2021-05-08 | 2021-08-06 | 朱江 | 一种森林火险等级预报方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
JINGCHENG ZHANG ET AL.: ""Monitoring plant diseases and pests through remote sensing technology: A review"", 《ELSEVIER》 * |
吴卿;赵新华;: "BP神经网络用于饮用水管网细菌总数预测", 天津大学学报 * |
王秀芳 等: ""烟粉虱在山东烟区的发生动态及为害调查"", 《植物保护》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112322497A (zh) * | 2020-11-03 | 2021-02-05 | 蒙自海关综合技术中心 | 一种石榴病原菌流行趋势评估方法及系统 |
CN114354892A (zh) * | 2022-01-04 | 2022-04-15 | 北京市科学技术研究院资源环境研究所 | 一种基于工业园区的土壤污染分析方法和系统 |
CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113822469B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822469B (zh) | 一种基于土壤病原菌的风险预测方法、系统及可存储介质 | |
Astorga et al. | Habitat heterogeneity drives the geographical distribution of beta diversity: the case of N ew Z ealand stream invertebrates | |
Steen et al. | Effects of roads on the structure of freshwater turtle populations | |
Hugo et al. | Adult survivorship of the dengue mosquito Aedes aegypti varies seasonally in central Vietnam | |
Zhou et al. | Effects of soil moisture on the temperature sensitivity of soil heterotrophic respiration: a laboratory incubation study | |
Holdo et al. | A disease-mediated trophic cascade in the Serengeti and its implications for ecosystem C | |
Sheil et al. | Disturbing hypotheses in tropical forests | |
Philibert et al. | Prediction of N2O emission from local information with Random Forest | |
Meineri et al. | Combining correlative and mechanistic habitat suitability models to improve ecological compensation | |
Gale | Land application of treated sewage sludge: quantifying pathogen risks from consumption of crops | |
Ottaviani et al. | Body mass as a predictive variable of home‐range size among Italian mammals and birds | |
Haslam et al. | Soils of contrasting pH affect the decomposition of buried mammalian (Ovis aries) skeletal muscle tissue | |
Cardinale et al. | Modelling recruitment and abundance of Atlantic cod, Gadus morhua, in the eastern Skagerrak–Kattegat (North Sea): evidence of severe depletion due to a prolonged period of high fishing pressure | |
Cordellier et al. | Assessing the effects of climate change on the distribution of pulmonate freshwater snail biodiversity | |
Alvarez et al. | An artificial neural network approach for predicting soil carbon budget in agroecosystems | |
CN114511157B (zh) | 一种基于蔬菜青枯病防治的微生态调控方法及系统 | |
Thomas et al. | Waterborne signaling primes the expression of elicitor-induced genes and buffers the oxidative responses in the brown alga Laminaria digitata | |
Ulvan et al. | Direct and indirect climatic drivers of biotic interactions: ice-cover and carbon runoff shaping Arctic char Salvelinus alpinus and brown trout Salmo trutta competitive asymmetries | |
Martinez et al. | Using the Q10 model to simulate E. coli survival in cowpats on grazing lands | |
Goldenberg et al. | Inter-generational change in African elephant range use is associated with poaching risk, primary productivity and adult mortality | |
López‐Acosta et al. | Silicon consumption kinetics by marine sponges: An assessment of their role at the ecosystem level | |
Ptatscheck et al. | Meio-and macrofaunal communities in artificial water-filled tree holes: effects of seasonality, physical and chemical parameters, and availability of food resources | |
Genedy et al. | Using machine learning techniques to predict liquid dairy manure temperature during storage | |
Rasouli-Sadaghiani et al. | Soil quality of an Iranian forest ecosystem after conversion to various types of land use | |
Asao et al. | Photodegradation accelerates ecosystem N cycling in a simulated California grassland |
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 |