CN113836188B - 数据处理方法、装置、服务器及存储介质 - Google Patents
数据处理方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN113836188B CN113836188B CN202111141249.0A CN202111141249A CN113836188B CN 113836188 B CN113836188 B CN 113836188B CN 202111141249 A CN202111141249 A CN 202111141249A CN 113836188 B CN113836188 B CN 113836188B
- Authority
- CN
- China
- Prior art keywords
- data
- crops
- pushed
- crop
- growth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 230000036541 health Effects 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 239000002689 soil Substances 0.000 claims description 78
- 230000003862 health status Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 241000607479 Yersinia pestis Species 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 235000015097 nutrients Nutrition 0.000 claims description 8
- 239000003337 fertilizer Substances 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 229910052700 potassium Inorganic materials 0.000 description 4
- 239000011591 potassium Substances 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种数据处理方法、装置、服务器及存储介质，通过获取待推送农作物的生长数据和与待推送农作物种植同一地块的历史农作物的健康状态数据，使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据。使用历史农作物的状态数据修正待推送农作物的健康状态数据并对修正后的健康状态数据进行分析处理，获得推荐方案数据。实现对健康状态数据的修正，提高健康状态数据的准确率及依据健康状态数据推荐农作物管理方案数据的准确性。
Description
技术领域
本申请涉及农业技术领域，尤其涉及一种数据处理方法、装置、服务器及存储介质。
背景技术
在农业技术领域中，按照农作物状态实施对应的农作物管理方案能够提高农作物的产量，因此，农作物管理方案的获取至关重要。
农作物管理方案的获取一般是通过农作物管理系统对实时获取的农作物相关数据进行分析处理，得到农作物的状态信息，从而做出对应的推荐方案。
然而，农作物管理系统在获取农作物信息时容易受到环境因素影响，导致获取的农作物相关数据存在误差，降低推荐方案的准确率。
发明内容
本申请提供一种数据处理方法、装置、服务器及存储介质，用以解决农作物管理系统中获取的农作物相关数据的校正问题，提高推荐方案的准确率。
第一方面，本申请提供一种数据处理方法，包括：
获取待推送农作物的生长数据和与待推送农作物种植同一地块的历史农作物的健康状态数据；
使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据；
使用历史农作物的状态数据修正待推送农作物的健康状态数据；
对修正后的健康状态数据进行分析处理，获得推荐方案数据。
在上述技术方案中，通过获取的农作物的生长数据可以得到农作物的健康状态数据，该健康状态数据通过历史相同生长时期的农作物的健康状态数据进行修正，降低获取信息中的误差信息的影响，提高获取健康状态数据的准确率，有利于提高依据健康状态数据推荐农作物管理方案的准确率。
可选地，获取待推送农作物的生长数据，具体包括：
获取农作物的图像数据、农作物的种植数据、农作物的土壤数据以及天气数据；
对农作物的种植数据、农作物的土壤数据以及天气数据进行分析处理，获得待推送农作物的第一生长子数据；
对农作物的图像数据进行生长状态识别处理，以获得待推送农作物的第二生长子数据；
其中，生长数据包括第一生长子数据和第二生长子数据。
可选地，对农作物的种植数据、农作物的土壤数据以及天气数据进行分析处理，获得待推送农作物的第一生长子数据，具体包括：
对农作物的种植数据、农作物的土壤数据以及天气数据进行数据离散化处理和归一化处理，获得第一预处理数据；
计算预处理数据的特征向量，并使用特征向量查找生长数据映射表获得第一生长子数据。
可选地，对农作物的图像数据进行生长状态识别处理，以获得待推送农作物的第二生长子数据，具体包括：
对农作物的图像数据进行虫孔识别处理，以获得待推送农作物的虫孔数据，其中，第二生长子数据包括虫孔数据。
可选地，使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据，具体包括：
使用待推送农作物的杆径数据和叶子颜色查找状态映射表，以获得待推送农作物的营养元素状态数据。
可选地，使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据，具体包括：
使用待推送农作物的叶子颜色、叶子卷曲度、土壤水分以及下雨概率数据查找状态映射表，以获得待推送农作物的干旱程度数据。
在上述技术方案中，通过从农作物种植信息、种植土壤信息、农作物所处环境的天气信息及农作物生长图像信息四个渠道获取的农作物的相关数据，扩大农作物相关数据的获取范围，提高推断农作物生长数据的相关数据的丰富度，从而得到农作物种植的生长数据的准确性与依据农作物的生长数据获取农作物的营养元素状态数据与干旱程度数据的准确性。
可选地，对修正后的健康状态数据进行分析处理，获得推荐方案数据，具体包括：
使用修正后的健康状态数据从预测推荐模型中获取第一推荐方案数据；
使用修正后的健康状态数据在历史方案数据库中查询获取第二推荐方案数据；
对第一推荐方案和第二推荐方案进行分析处理，获取第三推荐方案数据。
在上述技术方案中，分别利用预测推荐模型与历史方案数据库从健康状态数据获得第一推荐方案数据与第二推荐方案数据，通过对两种推荐方案数据进行分析处理，得到适合当前农田健康状态的农作物管理的第三推荐方案数据，提高了推荐的农作物管理方案数据的准确性。
第二方面，本申请提供一种数据处理装置，包括：
获取模块，用于获取待推送农作物的生长数据和与待推送农作物种植同一地块的历史农作物的健康状态数据；
处理模块，用于使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据；还用于使用历史农作物的状态数据修正待推送农作物的健康状态数据，并向客户端推送待推送农作物的修正后的健康状态数据。
可选地，获取模块具体用于：
获取农作物的图像数据、农作物的种植数据、农作物的土壤数据以及天气数据；
对农作物的种植数据、农作物的土壤数据以及天气数据进行分析处理，获得待推送农作物的第一生长子数据；
对农作物的图像数据进行生长状态识别处理，以获得待推送农作物的第二生长子数据；
其中，生长数据包括第一生长子数据和第二生长子数据。
第三方面，本申请提供一种服务器，包括：处理器，以及与处理器通信连接的存储器；
存储器存储计算机执行指令；
处理器在执行计算机指令时用于实现第一方面的数据处理方法。
第四方面，本申请提供一种计算机可读存储介质，包括计算机指令，计算机指令被处理器执行时用于实现第一方面的数据处理方法。
本申请提供一种数据处理方法、装置、服务器及存储介质，通过获取待推送农作物的生长数据和与待推送农作物种植同一地块的历史农作物的健康状态数据，使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据。使用历史农作物的状态数据修正待推送农作物的健康状态数据并对修正后的健康状态数据进行分析处理，获得推荐方案数据。实现对健康状态数据的修正，提高健康状态数据的准确率及依据健康状态数据推荐农作物管理方案数据的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请提供的信息推送系统结构图；
图2为本申请一实施例提供的数据处理方法的流程示意图；
图3为本申请另一实施例提供的数据处理方法的流程示意图；
图4为本申请另一实施例提供的数据处理方法的流程示意图；
图5为本申请一实施例提供一种数据处理装置的结构示意图；
图6为本申请一实施例提供的服务器的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在农业技术领域中，按照农作物状态实施对应的农作物管理方案能够提高农作物的产量，因此，农作物管理方案的获取至关重要。
农作物管理方案的获取一般是通过农作物管理系统对实时获取的农作物相关数据进行分析处理，得到农作物的状态信息，从而做出对应的推荐方案。
然而，农作物管理系统在获取农作物信息时容易受到环境因素影响，导致获取的农作物相关数据存在误差，降低推荐方案的准确率。
针对上述技术问题，本申请实施例提供一种数据处理方法、装置、服务器及存储介质，旨在解决获取的农作物相关数据中的误差导致推荐方案的准确率低的问题。本申请的技术构思是：利用农作物历史数据与历年该地块同类农作物历史数据对农作物当前阶段获取的健康状态数据进行修正，利用推荐模型生成农作物管理方案，并通过历史方案库对获取的农作物管理方案再次修正，提高推荐方案的准确率。
图1为本申请一实施例提供的信息推送系统结构图，如图1所示，包括服务器10和传感器单元11，其中，传感器单元11包括图像传感器110、光照传感器111、空气温度传感器112、空气湿度传感器113、降雨量传感器114、土壤盐分传感器115和土壤温湿度传感器116。服务器10包括输入单元100、历史信息储存单元101、处理单元102、显示单元103和历史方案储存单元104。
图像传感器110用于获取农作物的生长图像信息，包括安装在固定位置的图像传感器和安装在无人机内的图像传感器。其中，安装在固定位置的图像传感器是为了提供图像传感器周围的农作物的生长图像信息，安装在无人机内的图像传感器是为了提供农田中农作物的生长俯视图像信息和/或生长图像信息。光照传感器111是安装在农田中搭建的支架上，获取该传感器检测范围内农田获取的光照信息。空气温度传感器112是安装在地表，用于检测农田中空气温度信息。空气湿度传感器113与空气温度传感器的安装位置一致，用于检测农田中空气湿度信息。降雨量传感器114安装在地表或者农田中搭建的支架上，用于检测农田中的降雨量信息。土壤盐分传感器115安装在农田的土壤中，用于获取土壤盐分信息。土壤温湿度传感器116安装在农田的土壤中，包括长度不均等的探针，用于检测不同深度的土壤的温湿度信息。
服务器10接收传感器单元11发送的农作物的生长图像信息、光照信息、空气温度信息、空气湿度信息、降雨量信息、土壤盐分信息和土壤温湿度信息。服务器的处理单元102将接收到的传感器单元发送的数据、输入单元100接收的农作物相关数据与历史信息储存单元101中储存的历史农作物数据进行处理，得到农作物的健康状态数据，利用储存在本地已训练好的推荐模型，获得该模型推荐的第一方案数据。服务器10中还包含历史方案储存单元104，该单元中储存历史方案数据库，将服务器接收到的传感器单元检测的信息和服务器输入单元获取的信息在历史方案数据库中进行查询，获得对应的第二方案数据。处理单元102将第一方案数据与第二方案数据进行分析处理，得到适合当前农田健康状态的第三方案数据，并将第三方案数据发送到显示单元内安装的客户端，对第三方案数据进行显示。
图2为本申请一实施例提供的数据处理方法的流程示意图。如图2所示，本申请提供的数据处理方法，包括：
S201、服务器获取待推送农作物的生长数据和与待推送农作物种植同一地块的历史农作物的健康状态数据。
更具体地，农作物的生长数据是表示农作物生长指标的数据，该生长数据是通过农田中安装或者应用的传感器获取的数据中提取的。
更具体地，健康状态数据是指表示农作物的健康状态的数据。
更具体地，农作物种植同一地块的历史农作物的健康状态数据是表示在该地块种植过的农作物的健康状态数据，尤其是相同农作物的历史健康状态数据，用于判断从当前获取的农作物的生长数据中得到的健康状态数据是否存在获取不准确现象。其中，获取不准确现象是指健康状态数据中某一变量数据与历史变量数据间的误差超出正常波动范围而健康状态数据中的其他数据与历史变量数据误差较小的现象。
S202、服务器使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据。
更具体地，待推送农作物的生长数据是从步骤S201获取的。
更具体地，状态映射表表示农作物的生长数据与健康状态数据的关系。
S203、服务器使用历史农作物的状态数据修正待推送农作物的健康状态数据。
更具体地，历史农作物的状态数据是从步骤S201获取的。
更具体地，农作物的健康状态数据是从步骤S202获取的。
更具体地，使用历史农作物的状态数据修正待推送农作物的健康状态数据是指将满足步骤S201中解释的获取不准确现象的健康状态数据替换为历史数据中种植该种农作物在同一生长时期对应的健康状态数据。
S204、服务器对修正后的健康状态数据进行分析处理，获得推荐方案数据。
更具体地，修正后的健康状态数据是从步骤S203中获取的。
更具体地，推荐方案数据包括但不限于病虫害防治数据、化肥施肥方案数据、作物倒伏处理方案数据、作物干旱预警数据。
更具体地，对修正后的健康状态数据进行分析处理是将修正后的健康状态数据中依照推荐方案数据获取所需要的状态数据进行筛选，利用已在服务器内设定的对应关系获得对应的推荐方案数据。
在上述技术方案中，利用获取的农作物的生长数据得到农作物的健康状态数据，并通过历史相同生长时期的农作物的健康状态数据进行修正，降低获取信息中的误差信息的影响，提高获取健康状态数据的准确率，有利于提高依据健康状态数据推荐农作物管理方案的准确率。
图3为本申请一实施例提供的数据处理方法的流程示意图，该数据处理方法的执行主体为服务器。如图3所示，本申请提供的数据处理方法，包括：
S301、获取农作物的图像数据、农作物的种植数据、农作物的土壤数据以及天气数据。
更具体地，农作物的图像数据是通过图像传感器获取的农田中多个位置的农作物的图像数据，包括近距离获取的农作物叶片的图像数据与远距离获取的农作物的生长图像数据。其中，根据农作物的图像数据可以直接获取农作物长势数据与农作物叶子卷曲度数据。其中，农作物长势数据是指农作物的茎秆倾斜数据。
更具体地，图像传感器包括安装在农田中固定位置的图像传感器和安装在无人机上的图像传感器。其中，无人机可以设定飞行轨迹，安装在无人机中的图像传感器依照无人机的飞行轨迹进行预设坐标位置的图像信息的获取。
更具体地，图像传感器通过将感光区域收集到的场景光信号转化为电信号并对电信号进行多种处理获得图像数据，其中，对电信号的操作包括但不限于信号放大、A/D转换、色彩均衡。
更具体地，农作物的图像数据是依照时间间隔获取的，每次获取图像数据的位置是相同的，来观察农作物生长状态变化。
更具体地，农作物的种植数据包括农作物种类数据、播种时间数据、生长周期数据、农作物高度数据、农作物粗度数据、叶片数量数据、开花数据、坐果数据。
更具体地，农作物的种植数据是通过服务器的输入单元获取的。
更具体地，种类数据、播种时间数据、生长周期数据是按照播种农作物的生长时间周期获取的。农作物高度数据、农作物粗度数据、叶片数量数据是在农作物的生长时间周期内以第一预设时间间隔获取的，在一实施例中，第一预设时间间隔可以为一周。开花数据是在农作物开花期间以第二预设时间间隔获取的，其中，第二预设时间间隔是按照农作物的花期时间确定的，在一实施例中，第二预设时间间隔为该农作物的平均花期时长除以预设获取数据次数。坐果数据是在农作物结果期间以第三预设时间间隔获取的，其中，第三预设时间间隔是按照农作物的坐果时间确定的，在一实施例中，第三预设时间间隔为该农作物的平均坐果期时长除以预设获取数据次数。
更具体地，农作物的土壤数据包括土壤盐分数据、土壤连种情况数据、土壤温度数据、土壤湿度数据、农药使用次数数据、土壤氮磷钾含量数据、土壤害虫情况数据。
更具体地，土壤连种情况数据、农药使用次数数据、土壤害虫情况数据与土壤氮磷钾含量数据是通过服务器的输入单元获取的，其中，土壤连种情况数据是在每次农作物播种后获取的，农药使用次数数据是在每次喷洒完农药后获取的，土壤害虫情况是依照第一预设时间间隔获取的。土壤氮磷钾含量数据是通过对土壤样本稀释，加入电离抑制剂后通过原子吸收光谱法测定的。土壤盐分数据是通过土壤盐分传感器获取的，土壤温度数据和土壤湿度数据是通过土壤温湿度传感器获取的，其中，土壤盐分数据、土壤温度数据、土壤湿度数据和土壤氮磷钾含量数据是依照第四预设时间间隔获取的，在一实施例中，第四预设时间间隔可以为一天。
更具体地，土壤盐分传感器是通过将探头间接入的被测土壤溶液阻抗转换成与之对应的线性电压信号来获取对应的土壤盐分数据。土壤温度数据是利用土壤温湿度传感器中的热电阻阻值变化影响传感器中的电信号，从而得到土壤温度数据。其中，热电阻的阻值是随着插入土壤内长短不一的探针的位置处土壤温度确定的。土壤湿度数据的测量是利用电磁脉冲原理，通过土壤温湿度传感器发出的电磁波在介质中的传播频率来测量土壤的表观介电常数，从而得到土壤相对含水量。
更具体地，天气数据包括生长季节数据、空气温度数据、空气湿度数据、降雨天数数据、降水量数据、日平均温度数据、日平均相对湿度数据和日平均光照数据。
更具体地，生长季节数据是通过服务器的输入单元获取的，该数据是按照播种农作物的生长时间周期获取的。空气温度数据是通过空气温度传感器获取的，空气湿度数据是通过空气湿度传感器获取的相对湿度数据，其中，相对湿度数据是指空气中水汽压数据与相同温度下饱和水汽压数据的百分比。空气温度数据和空气湿度数据是按照1小时为时间间隔获取的，降雨天数数据和降水量数据是通过降雨量传感器获取的，其中，降雨天数数据与降水量数据是在每次雨停后获取的。日平均温度数据是对一天内获取的空气温度数据求取的均值。日平均相对湿度数据是对一天内获取的空气相对湿度数据求取的均值。日平均光照数据是对一天内通过光照传感器获取的光照数据求取的均值，其中，光照数据获取的时间间隔为1小时。
更具体地，空气温度传感器中包含有热敏电阻，该电阻跟随空气温度变化阻值，从而影响传感器中的电信号，变化的电信号可以通过变换得到空气温度数据。空气湿度传感器中包含有湿敏电容，该电容具有感湿特性，其具有的电介质的介电常数随相对湿度变化，从而影响电路中的电信号，变化的电信号可以通过变换得到空气湿度数据。降雨量传感器中包含有承水器，降水通过承水器及过滤斗流入翻斗中，当翻斗流入一定量的雨水后，翻斗翻转，倒空斗里的水，翻斗的另一个斗又开始接水，翻斗的每次翻转动作通过干簧管转成脉冲信号(1脉冲为0.1mm)传输到采集系统从而获得降水量数据，通过对脉冲信号换算可以得到降雨天数数据。
S302、对农作物的种植数据、农作物的土壤数据以及天气数据进行分析处理，获得待推送农作物的第一生长子数据。
更具体地，农作物的种植数据、农作物的土壤数据以及天气数据是从步骤S301获取的。
更具体地，第一生长子数据对农作物的种植数据、农作物的土壤数据以及天气数据分析处理后得到的表示农作物生长状态趋势的数据，在一实施例中，第一生长子程序可以表示为在生长指标下的数值评价，例如：对农作物开花状态的评价范围为1至10，评价数值越高，开花效果越好，从获取到的开花数据中经过分析处理后得到对农作物开花状态的评价结果为(8，9，9，10，10，8)，表示农作物在开花这一方面表现趋势。
更具体地，第一生长子数据的获取过程具体包括步骤S3021至S3022：
S3021、对农作物的种植数据、农作物的土壤数据以及天气数据进行数据离散化处理和归一化处理，获得第一预处理数据；
更具体地，离散化处理是指对每种数据以第五预设时间间隔中对应的预设时间子间隔进行采样获得的数据。其中，预设时间子间隔是依照获取的数据量与数据种类确定的。例如：由于农作物的土壤数据中的土壤温度数据的变化波动对农作物影响较大，因此该数据对应的预设时间子间隔为1小时；由于农作物的种植数据中的坐果数据一天之内变化不大，因此该数据对应的预设时间子间隔为1天。
更具体地，归一化处理是指在第一预设时间范围内对数据进行的归一化处理，其求取过程为：找到该数据在第一预设时间范围内对应的预设数据子范围，将该预设数据子范围内的一组农作物数据中求取该组数据的最大值与最小值，从而得到该组数据的最大数值范围，将预设时间子范围内的农作物数据中的每个数值减去最小值后所得的差值除以最大数值范围获得该组数据的归一化结果。其中，第一预设时间范围中的预设时间子范围数量与农作物种类的数量相同，每个预设时间子范围是依照获取的数据量与数据种类确定的。例如：由于农作物的土壤数据中的土壤温度数据的预设时间子间隔为1小时，则该数据的预设时间子范围为一天；由于农作物的种植数据中的坐果数据的预设时间子间隔为1天，则该数据的预设时间子范围为一个月。
更具体地，第一预处理数据是指从农作物的种植数据、农作物的土壤数据以及天气数据得到第一生长子数据的中间数据。
S3022、计算预处理数据的特征向量，并使用特征向量查找生长数据映射表获得第一生长子数据。
更具体地，预处理数据的特征向量是指同一种农作物指标下多个时间节点对应的数据组成的向量。计算预处理数据的特征向量是指将步骤S3021中经过数据离散化和归一化处理后得到的第一预处理数据进行相同农作物指标提取，将离散的数据整理成向量的形式。例如：第一预处理的土壤温度数据为：“10，13，15，18，14，12，9”，该数据为离散值，从该数据中获取的特征向量为(10，13，15，18，14，12，9)，特征向量为一组向量值。
更具体地，生长数据映射表是表示农作物数据的特征向量与第一生长子数据的关系。
S303、对农作物的图像数据进行生长状态识别处理，以获得待推送农作物的第二生长子数据。
更具体地，农作物的图像数据是从步骤S301获取的。
更具体地，对农作物的图像数据进行生长状态识别处理是指对农作物的图像数据进行虫孔识别处理，以获得待推送农作物的虫孔数据，其中，第二生长子数据包括虫孔数据。
更具体地，虫孔识别处理包括图像预处理与识别处理，其中，图像预处理是对获取的农作物图像中目标物体的图像增强处理，来提高获取的农作物图像的可视性和叶子虫洞的检测的准确率。
更具体地，图像预处理包括但不限于图像直方图均衡化、图像边缘增强。
更具体地，虫孔数据包括图像内虫孔与叶片的数据比值与造成虫孔的虫害类型。其中，虫孔与叶片的数据比值是通过已储存在服务器中的已训练好的图像检测模型对图像数据进行处理分别得到该图像内叶子的数量与虫孔的数量，从而得到虫孔与叶片的数据比值。虫孔的虫害类型也是通过同一图像检测模型对图像数据中的虫孔图像进行预测分析，得到虫害类型。其中，图像检测模型包括但不限于两阶段目标检测模型和单阶段目标检测模型。
S304、利用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的营养元素状态数据和/或干旱程度数据。
更具体地，生长数据包括步骤S02获取的第一生长子数据和步骤S303获取的第二生长子数据。
更具体地，状态映射表表示农作物的生长数据与农作物的营养元素状态数据和干旱程度数据之间的对应关系。
更具体地，使用待推送农作物的杆径数据和叶子颜色查找状态映射表，以获得待推送农作物的营养元素状态数据。其中，农作物的营养元素状态数据是指表示农作物中储存的所需生长元素的含量数据。其中，所需生长元素包括碳、氢、氧、氮、磷、硫、铁、硼、锰、铜、锌、钼和氯。
更具体地，农作物的杆径数据包括从步骤S301中获取的农作物高度数据、农作物粗度数据。
更具体地，使用待推送农作物的叶子颜色、叶子卷曲度、土壤水分以及下雨概率数据查找状态映射表，以获得待推送农作物的干旱程度数据。
更具体地，农作物的叶子颜色和叶子卷曲度是从步骤S301中获取的，土壤水分是从步骤S203中获取的，下雨概率数据是通过服务器根据网络数据获取的。
S305、对修正后的健康状态数据进行分析处理，获得推荐方案数据。
更具体地，修正后的健康状态数据是指将步骤S304中获得的营养元素状态数据和/或干旱程度数据与历史农作物的状态数据进行比较，找出异常数据，用历史数据将异常数据进行修正后得到的健康状态数据。对健康状态数据的具体解释已在步骤S203中进行解释，此处不再赘述。
更具体地，获得推荐数据方案的过程包括步骤S3051至S3053：
S3051、使用修正后的健康状态数据从预测推荐模型中获取第一推荐方案数据。
更具体地，预测推荐模型是储存在服务器中已经训练好的预测模型。
更具体地，预测推荐模型包括：病虫害防治方案推荐模型、化肥施肥方案推荐模型、作物倒伏处理方案推荐模型、作物干旱预警方案推荐模型。
更具体地，每种方案推荐模型是从第一预设推荐模型组中经过比较获得的最优模型，其中，第一预设推荐模型组包括：基于K最近邻的协同过滤推荐模型、基于回归模型的协同过滤推荐模型和基于矩阵分解的协同过滤推荐模型。比较标准是推荐模型获取的方案与实际处理方案的契合程度。
S3052、使用修正后的健康状态数据在历史方案数据库中查询获取第二推荐方案数据。
更具体地，历史方案数据库中包含多组健康状态数据、多组历史推荐方案即多组对应关系。其中，每组健康状态数据与每组历史推荐方案是一一对应的。
S3053、对第一推荐方案和第二推荐方案进行分析处理，获取第三推荐方案数据。
更具体地，第一推荐方案是在步骤S3051中获取的，第二推荐方案是在步骤S3052中获取的，第三推荐方案数据是指对第一推荐方案和第二推荐方案进行比较，将筛选出的更合适的推荐方案作为第三推荐方案。
更具体地，将获取的第三推荐方案及其对应的农作物数据补充进历史方案数据库中，提高历史方案数据库的完整性。
在上述技术方案中，通过从农作物种植信息、种植土壤信息、农作物所处环境的天气信息及农作物生长图像信息四个渠道获取的农作物的相关数据，扩大农作物相关数据的获取范围，提高推断农作物生长数据的相关数据的丰富度，从而提高农作物种植的生长数据的准确性与依据农作物的生长数据获取的农作物的营养元素状态数据与干旱程度数据的准确性。此外，服务器分别利用预测推荐模型与历史方案数据库从健康状态数据获得第一推荐方案数据与第二推荐方案数据，通过对两种推荐方案数据进行分析处理，得到适合当前农田健康状态的农作物管理的推荐方案数据，提高了推荐的农作物管理方案数据的准确性。
图4为本申请另一实施例提供的数据处理方法的流程示意图，该数据处理方法的执行主体为服务器。如图4所示，本申请提供的数据处理方法，包括：
S401、获取农作物的图像数据并提取图像特征。
更具体地，农作物的图像数据是从步骤S301获取的。
更具体地，提取图像特征的步骤具体包括步骤S4011至S4012：
S4011、对获取的农作物图像数据进行预处理。
更具体地，预处理是对获取的农作物图像中目标物体的图像增强处理，来提高获取的农作物图像的可视性和目标物体的检测的准确率。
更具体地，农作物图像中的目标物体包括农作物叶子图像与叶子中的虫洞图像。
更具体地，图像预处理包括但不限于图像直方图均衡化、图像边缘增强。
S4012、提取预处理图像特征。
更具体地，图像特征是指对农作物进行分析所获取的必要特征信息。
更具体地，图像特征包括但不限于形状特征、颜色特征、边缘信息特征、纹理特征、局部特征点。
更具体地，对农作物的分析包括但不限于农作物长势分析、农作物健康度分析、病虫害种类分析和病虫害受灾情况分析。
S402、获取农作物的其他数据并计算特征向量。
更具体地，农作物的其他数据包括农作物的种植数据、农作物的土壤数据以及天气数据。其中，农作物的其他数据是从步骤S301中获取的。
更具体地，计算特征向量的步骤具体包括步骤S4021至S4023：
S4021、对获取的农作物的其他数据离散化处理。
更具体地，离散化处理是对获取的农作物的其他数据以预设时间间隔获取离散数据。其中，数据离散化处理的具体解释已在步骤S3021中详细解释，此处不再赘述。
S4022、数据归一化处理。
更具体地，进行归一化处理的数据是从步骤S4021中经过离散化处理后得到的数据。
更具体地，归一化处理的具体解释已在步骤S3021中详细解释，此处不再赘述。
S4023、特征向量计算。
更具体地，进行特征向量计算的数据是从步骤S4022中经过归一化处理后得到的数据。
更具体地，特征向量的具体解释已在步骤S3022中详细解释，此处不再赘述。
S403、获得同类作物历史数据。
更具体地，同类作物历史数据是指储存在服务器中同类作物历史种植期间记录的数据，包括历史农作物的图像数据、历史农作物的种植数据、历史农作物的土壤数据、历史天气数据、历史生长数据、历史虫害数据、历史倒伏数据以及历史干旱数据。
S404、获得作物的历史生长数据。
更具体地，历史生长数据是指当前作物本轮记录开始时间之前记录的生长数据。其中，历史生长数据包括农作物的历史图像数据、农作物的历史种植数据、农作物的历史土壤数据、历史天气数据。本轮记录的时间范围与步骤S3021中进行归一化的第一预设时间范围相同。
S405、对获取的数据进行综合分析。
更具体地，获取的数据是指步骤S401中获取的图像数据及其图像特征、步骤S402中获取的农作物的其他数据的特征向量、步骤S403中获得的同类作物历史数据和步骤S404获得的历史生长数据。
更具体地，综合分析包括：对图像数据、图像特征即农作物的其他数据的特征向量分析处理得到农作物的健康状态数据，利用同类作物历史数据和历史生长数据对农作物的健康状态数据进行修正。其中，农作物的健康状态数据的获得的具体过程已在步骤S302至步骤S304中详细解释，对农作物的健康状态数据进行修正已在步骤S203中详细解释，此处均不再赘述。
S406、获得预测模型推荐的第一方案。
更具体地，利用预测模型获得推荐的第一方案是指按照农作物生长状态利用推荐模型得到的农作物管理方案，该过程已在步骤S3051中详细解释，此处不再赘述。
S407、获得方案库中查询的第二方案。
更具体地，方案库是指步骤S3052中的历史方案数据库。
更具体地，利用方案库获得的第二方案是指在服务器中储存的多个历史处理方案中进行查询，得到最符合的农作物管理方案，该方案的获取过程对已在步骤S3052中详细解释，此处不再赘述。
S408、获得第三推荐方案。
更具体地，第三推荐方案是指对步骤S406中的第一推荐方案和步骤S407中的第二推荐方案进行比较，将筛选出的更合适的推荐方案作为第三推荐方案。
更具体地，将获取的第三推荐方案及其对应的农作物数据补充进方案库中，提高方案库的完整性。
在上述技术方案中，通过从可视性的图像数据和依照预设时间间隔统计的农作物其他数据获得具有多样化的农作物数据，结合历史数据进行分析处理，得到准确率更高的农作物数据。在该农作物数据的技术上分别通过预测模型和方案库获取推荐方案，相互比较后得到合适的推荐方案数据，从而提高了推荐方案的准确性。
图5为本申请一实施例提供的数据处理装置500，该数据处理装置500包括：
获取模块501，用于获取待推送农作物的生长数据和与待推送农作物种植同一地块的历史农作物的健康状态数据；
处理模块502，用于使用待推送农作物的生长数据查找状态映射表，以获得待推送农作物的健康状态数据；
处理模块502还用于：
使用历史农作物的状态数据修正待推送农作物的健康状态数据，并向客户端推送待推送农作物的修正后的健康状态数据。
获取模块501还用于：
获取农作物的图像数据、农作物的种植数据、农作物的土壤数据以及天气数据；
获取模块501还用于获取生长数据：
其中，生长数据包括第一生长子数据和第二生长子数据。
对农作物的种植数据、农作物的土壤数据以及天气数据进行分析处理，获得待推送农作物的第一生长子数据；
对农作物的图像数据进行生长状态识别处理，以获得待推送农作物的第二生长子数据；
处理模块还用于：
根据修正后的健康状态数据和预测推荐模型获取农作物管理的第一推荐方案；
根据修正的健康状态数据和方案库获取农作物管理的第二推荐方案；
对第一推荐方案和第二推荐方案进行分析处理，获取第三推荐方案数据。
如图6所示，本申请一实施例提供一种服务器600，服务器600包括存储器601和处理器602。
其中，存储器601用于存储处理器可执行的计算机指令；
处理器602在执行计算机指令时实现上述实施例中数据处理方法中的各个步骤。具体可以参见前述数据处理方法实施例中的相关描述。
可选地，上述存储器601既可以是独立的，也可以跟处理器602集成在一起。当存储器601独立设置时，该服务器还包括总线，用于连接存储器601和处理器602。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当处理器执行计算机指令时，实现上述实施例中数据处理方法中的各个步骤。
本申请实施例还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述实施例中数据处理方法中的各个步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种数据处理方法，其特征在于，所述方法应用于服务器，所述方法包括：
获取待推送农作物的生长数据和与所述待推送农作物种植同一地块的历史农作物的健康状态数据；
使用所述待推送农作物的生长数据查找状态映射表，以获得所述待推送农作物的健康状态数据；
使用所述历史农作物的状态数据修正所述待推送农作物的健康状态数据；
对所述修正后的健康状态数据进行分析处理，获得推荐方案数据；所述推荐方案数据包括病虫害防治数据、化肥施肥方案数据、作物倒伏处理方案数据、作物干旱预警数据；
获取待推送农作物的生长数据，具体包括：
获取农作物的图像数据、农作物的种植数据、农作物的土壤数据以及天气数据；
对所述农作物的种植数据、所述农作物的土壤数据以及所述天气数据进行分析处理，获得所述待推送农作物的第一生长子数据；
对所述农作物的图像数据进行生长状态识别处理，以获得所述待推送农作物的第二生长子数据；
其中，所述生长数据包括所述第一生长子数据和所述第二生长子数据。
2.根据权利要求1所述的方法，其特征在于，对所述农作物的种植数据、所述农作物的土壤数据以及所述天气数据进行分析处理，获得所述待推送农作物的第一生长子数据，具体包括：
对所述农作物的种植数据、所述农作物的土壤数据以及所述天气数据进行数据离散化处理和归一化处理，获得第一预处理数据；
计算所述预处理数据的特征向量，并使用所述特征向量查找生长数据映射表获得所述第一生长子数据。
3.根据权利要求1所述的方法，其特征在于，对所述农作物的图像数据进行生长状态识别处理，以获得所述待推送农作物的第二生长子数据，具体包括：
对所述农作物的图像数据进行虫孔识别处理，以获得所述待推送农作物的虫孔数据，其中，所述第二生长子数据包括虫孔数据。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，使用所述待推送农作物的生长数据查找状态映射表，以获得所述待推送农作物的健康状态数据，具体包括：
使用所述待推送农作物的杆径数据和叶子颜色查找状态映射表，以获得所述待推送农作物的营养元素状态数据。
5.根据权利要求1至3中任意一项所述的方法，其特征在于，使用所述待推送农作物的生长数据查找状态映射表，以获得所述待推送农作物的健康状态数据，具体包括：
使用所述待推送农作物的叶子颜色、叶子卷曲度、土壤水分以及下雨概率数据查找状态映射表，以获得所述待推送农作物的干旱程度数据。
6.根据权利要求1所述的方法，其特征在于，对所述修正后的健康状态数据进行分析处理，获得推荐方案数据，具体包括：
使用所述修正后的健康状态数据从预测推荐模型中获取第一推荐方案数据；
使用所述修正后的健康状态数据在历史方案数据库中查询获取第二推荐方案数据；
对所述第一推荐方案和所述第二推荐方案进行分析处理，获取第三推荐方案数据。
7.一种数据处理装置，其特征在于，包括：
获取模块，用于获取待推送农作物的生长数据和与所述待推送农作物种植同一地块的历史农作物的健康状态数据；
处理模块，用于使用所述待推送农作物的生长数据查找状态映射表，以获得所述待推送农作物的健康状态数据；还用于使用所述历史农作物的状态数据修正所述待推送农作物的健康状态数据，对所述修正后的健康状态数据进行分析处理，获得推荐方案数据，并向客户端推送所述推荐方案数据；所述推荐方案数据包括病虫害防治数据、化肥施肥方案数据、作物倒伏处理方案数据、作物干旱预警数据；
获取模块具体用于：
获取农作物的图像数据、农作物的种植数据、农作物的土壤数据以及天气数据；
对所述农作物的种植数据、所述农作物的土壤数据以及所述天气数据进行分析处理，获得所述待推送农作物的第一生长子数据；
对所述农作物的图像数据进行生长状态识别处理，以获得所述待推送农作物的第二生长子数据；
其中，所述生长数据包括所述第一生长子数据和所述第二生长子数据。
8.一种服务器，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器在执行所述计算机执行指令时用于实现如权利要求1至5中任意一项所述的数据处理方法。
9.一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存储有计算机指令，所述计算机指令被处理器执行时用于实现如权利要求1至5中任意一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111141249.0A CN113836188B (zh) | 2021-09-28 | 2021-09-28 | 数据处理方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111141249.0A CN113836188B (zh) | 2021-09-28 | 2021-09-28 | 数据处理方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113836188A CN113836188A (zh) | 2021-12-24 |
| CN113836188B true CN113836188B (zh) | 2023-05-16 |
Family
ID=78970861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111141249.0A Active CN113836188B (zh) | 2021-09-28 | 2021-09-28 | 数据处理方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836188B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115752562A (zh) * | 2022-10-17 | 2023-03-07 | 青芥一合碳汇(武汉)科技有限公司 | 农作物的种植管理方法、装置、终端设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策系统 |
| CN103761674A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 基于遥感与海量气候信息的农作物生长期告警与干预方法 |
| WO2018232860A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的农作物生长管理方法及系统 |
| CN110999767A (zh) * | 2019-12-09 | 2020-04-14 | 海南云脉物联科技有限公司 | 一种智能灌溉控制管理系统 |
| CN111931711A (zh) * | 2020-09-17 | 2020-11-13 | 北京长隆讯飞科技有限公司 | 一种多源异构遥感大数据处理方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11555945B2 (en) * | 2015-04-29 | 2023-01-17 | Climate Llc | Systems, methods, and devices for monitoring weather and field conditions |
-
2021
- 2021-09-28 CN CN202111141249.0A patent/CN113836188B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策系统 |
| CN103761674A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 基于遥感与海量气候信息的农作物生长期告警与干预方法 |
| WO2018232860A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的农作物生长管理方法及系统 |
| CN110999767A (zh) * | 2019-12-09 | 2020-04-14 | 海南云脉物联科技有限公司 | 一种智能灌溉控制管理系统 |
| CN111931711A (zh) * | 2020-09-17 | 2020-11-13 | 北京长隆讯飞科技有限公司 | 一种多源异构遥感大数据处理方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| design of green agriculture system using internet of things and image processing techniques;Ha Anh等;2018 4th international conference on green technology and sustainable development;28-32 * |
| 玉米病虫害防治技术措施分析;黄光鲜;蒋世琴;;农家参谋(第11期);84 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113836188A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
| Sakamoto | Refined shape model fitting methods for detecting various types of phenological information on major US crops | |
| US9311605B1 (en) | Modeling of time-variant grain moisture content for determination of preferred temporal harvest windows and estimation of income loss from harvesting an overly-dry crop | |
| EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
| CN110956381A (zh) | 一种远程农业信息智能分析系统及农业环境调控方法 | |
| WO2019046967A1 (en) | GENERATING A YIELD CARD FOR AN AGRICULTURAL FIELD USING REGRESSION AND CLASSIFICATION PROCESSES | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| US10317260B2 (en) | Yield data calibration methods | |
| Jeffries et al. | Mapping sub-field maize yields in Nebraska, USA by combining remote sensing imagery, crop simulation models, and machine learning | |
| US20190107521A1 (en) | System and method for field test management | |
| Sehgal et al. | Deriving crop phenology metrics and their trends using times series NOAA-AVHRR NDVI data | |
| WO2016118684A1 (en) | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture | |
| Verdugo-Vásquez et al. | Towards an empirical model to estimate the spatial variability of grapevine phenology at the within field scale | |
| CN114926743A (zh) | 一种基于动态时间窗口的作物分类方法及系统 | |
| CN113836188B (zh) | 数据处理方法、装置、服务器及存储介质 | |
| CN116778333A (zh) | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 | |
| Jafari et al. | Improving CERES-Wheat yield forecasts by assimilating dynamic landsat-based leaf area index: A case study in Iran | |
| US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
| Li et al. | Estimation of winter wheat LAI based on color indices and texture features of RGB images taken by UAV | |
| KR20200070736A (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
| IL289666A (en) | Assesses variety for crop yield | |
| CN114359725A (zh) | 基于作物模型与同化技术的作物长势遥感监测系统及方法 | |
| Sisheber et al. | The influence of temporal resolution on crop yield estimation with Earth Observation data assimilation | |
| CN118351319A (zh) | 一种基于遥感影像玉米种植区域自动提取与产量评估方法 | |
| CN112785047B (zh) | 农作物的采收量预测方法和装置 |
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 |