CN113962474A - 用于预测植物株高的方法及处理器 - Google Patents

用于预测植物株高的方法及处理器 Download PDF

Info

Publication number
CN113962474A
CN113962474A CN202111284632.1A CN202111284632A CN113962474A CN 113962474 A CN113962474 A CN 113962474A CN 202111284632 A CN202111284632 A CN 202111284632A CN 113962474 A CN113962474 A CN 113962474A
Authority
CN
China
Prior art keywords
plant
plant height
soil
humidity
irrigation
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.)
Pending
Application number
CN202111284632.1A
Other languages
English (en)
Inventor
黄敬易
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xaircraft Technology Co Ltd
Original Assignee
Guangzhou Xaircraft Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Xaircraft Technology Co Ltd filed Critical Guangzhou Xaircraft Technology Co Ltd
Priority to CN202111284632.1A priority Critical patent/CN113962474A/zh
Publication of CN113962474A publication Critical patent/CN113962474A/zh
Pending legal-status Critical Current

Links

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

本申请实施例提供一种用于预测植物株高的方法、处理器、存储介质及计算机程序产品。方法包括获取与植物相关联的农田的土壤湿度；获取与植物相关联的积温；根据土壤湿度和积温预测植物的株高。通过上述技术方案，可以根据农田的湿度和积温来预测未来一时间周期的株高情况，不需要频繁地使用无人机航测来监测植物(例如棉花)的株高，由此可以使得株高监测更为可行，降低实现难度。

Description

用于预测植物株高的方法及处理器
技术领域
本申请涉及农业技术领域，尤其涉及一种用于预测植物株高的方法、处理器、存储介质及计算机程序产品。
背景技术
目前，在农业生产过程中，植物(例如作物)的生长管理对于作物的产出有明显影响。以棉花为例，棉花的株高过高或过低都会给棉花的产量带来不利影响。在一些地区(例如中国新疆南部)，对棉花株高的监测需求较高，例如每三天进行一次监测，而这种监测频率对目前以航测为主的监测方式来说实现成本过高。
发明内容
本申请实施例的目的是提供一种用于预测植物株高的方法、处理器、存储介质及计算机程序产品。
为了实现上述目的，本申请第一方面提供一种用于预测植物株高的方法，包括：
获取与植物相关联的农田的土壤湿度；
获取与植物相关联的积温；
根据土壤湿度和积温预测植物的株高。
在本申请实施例中，根据土壤湿度和积温预测植物的株高，包括：将土壤湿度和积温输入到预先训练好的株高预测模型，以预测植物的株高。
在本申请实施例中，预测的植物的株高包括在一时间周期中植物的株高变化。
在本申请实施例中，方法还包括：
获取植物的实际株高；
其中，根据土壤湿度和积温预测植物的株高包括：
根据土壤湿度、积温以及实际株高预测植物的株高。
在本申请实施例中，获取与植物相关联的农田的土壤湿度包括：
获取农田的第一遥感图像；
将第一遥感图像输入到预先训练好的土壤湿度反演模型，以得到土壤湿度。
在本申请实施例中，对土壤湿度反演模型的训练包括：
获取农田的第二遥感图像；
获取农田的不同区域的土壤湿度；
使用不同区域的土壤湿度对第二遥感图像进行标注，以生成训练样本；以及
使用训练样本对基于语义分割的神经网络进行训练，以得到土壤湿度反演模型。
在本申请实施例中，第二遥感图像包括不同时间采集的第二遥感图像。
在本申请实施例中，使用不同区域的土壤湿度对第二遥感图像进行标注，包括：
在第二遥感图像上标注出同湿度区域；
确定距离同湿度区域最近的土壤湿度传感器；
获取第二遥感图像的时间戳；
获取土壤湿度传感器的与时间戳对应的读数；
根据读数确定与同湿度区域对应的湿度标注值。
在本申请实施例中，根据读数确定与同湿度区域对应的湿度标注值，包括：
在土壤湿度传感器位于同湿度区域外的情况下，将湿度标注值确定为该读数与土壤类型系数的乘积；
在土壤湿度传感器位于同湿度区域内的情况下，将湿度标注值确定为该读数。
在本申请实施例中，获取与植物相关联的农田的土壤湿度包括：
在对农田进行灌溉后的预定时间之后，获取土壤湿度。
在本申请实施例中，获取与植物相关联的积温包括：
获取从对农田的灌溉完成时至将对植物的株高进行预测时的积温。
在本申请实施例中，获取实际株高和/或预测植物的株高发生在对农田进行下一次灌溉的前一天。
在本申请实施例中，土壤湿度通过土表旱涝分布图来呈现。
在本申请实施例中，预测的植物的株高通过株高预测分布图来呈现。
本申请第二方面提供一种用于植物的灌溉方法，包括：
获取使用上述的用于预测植物株高的方法预测的植物的株高；
根据所预测的株高确定针对植物的灌溉方案。
在本申请实施例中，根据所预测的株高确定针对植物的灌溉方案包括：
根据预测的株高确定植物在预设时长内的株高变化量；
根据株高变化量确定灌溉方案。
在本申请实施例中，根据株高变化量确定灌溉方案包括：
根据灌溉系统的灌溉点的分布将农田划分成多个区域；
根据每个区域内的植物的株高变化量确定灌溉方案。
本申请第三方面提供一种处理器，被配置成执行上述的用于预测植物株高的方法，和/或，执行上述的用于植物的灌溉方法。
本申请第四方面提供一种存储介质，存储介质上存储有指令，指令用于使得机器执行上述的用于预测植物株高的方法，和/或，执行上述的用于植物的灌溉方法。
本申请第五方面提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的用于预测植物株高的方法，和/或，执行上述的用于植物的灌溉方法。
通过上述技术方案，可以根据农田的湿度和积温来预测未来一时间周期的株高情况，不需要频繁地使用无人机航测来监测植物(例如棉花)的株高，由此可以使得株高监测更为可行，降低实现难度。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的用于预测植物株高的方法的示例流程图；
图2示意性示出了根据本申请实施例的用于确定土壤湿度的方法的示例流程图；
图3示意性示出了根据本申请实施例的用于训练土壤湿度反演模型的方法的示例流程图；
图4A和图4B示意性示出了土壤湿度预测mask可视化叠加在原图像上的效果；
图5示出了根据本发明实施例的用于预测植物的株高的方法中涉及的各个步骤的执行时机的示意图；
图6示出了根据本申请实施例的用于植物的灌溉方法的示例流程图；
图7示出了根据本申请实施例的用于检测灌溉异常点的方法；
图8示意性示出了根据本申请实施例的灌溉系统的示例框图；以及
图9示意性示出了可以执行根据本申请实施例的方法的计算机设备的内部结构图。
具体实施方式
以下结合附图对本申请实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。
在农业生产管理过程中，植物(例如作物)的株高是其生长管理决策的重要参考。以棉花为例，棉花株高过高，将导致棉花只顾营养生长，不顾生殖生长；而棉花株高过低，则会导致棉花营养生长不足，无法生殖生长。因此，棉花株高过高或过低都将影响棉花的产量。
目前可用的棉花株高监测可以是采用无人机航测(例如，广州极飞科技股份有限公司的极侠XMISSION多功能无人飞行系统)的方式来获取棉花株高。但是，例如在一些地区，例如中国新疆南部，需要提高对棉花株高的监测频率来精确获知棉花株高，例如棉花株高的监测需求达到三天一次(在营养成长期内)。而通过无人机航测来实现这种高频率监测存在一定难度。
另一方面，棉花株高的变化主要受物质输入(例如水肥)和能量输入反映量(例如积温)的影响。如果这两个因素都能达到理想状态的均匀，那么棉田的生长管理的难度较小。然而，在实际大田生产中，这两个因素在大型农场中都很难做到均匀。水肥灌溉不均是常见的现象，原因是当前可能采用的滴灌系统本身就存在末端压力等问题，管道接驳位置多就为损坏漏水等问题埋下伏笔，而这些问题的人工巡查难度都会随着农场面积的扩大而增大。同一个农场的积温的均匀性也会随着农场面积的扩大，受到地块小气候的考验。
水肥与积温作为影响棉花株高的两大主要因素，这两者的不均匀会反映在株高的不均匀上，因此，经常监测棉花株高是个棉田生长管理的可靠措施。即使株高监测做到高频，相对于水肥这些输入量监测，它仍然是个滞后的措施。如果把棉花植株当作一个系统，那么水肥和光照是输入，株高变化是个时间积累的结果。从这个角度出发，监测水肥的不均匀以及监测积温的不均匀是有必要的。如此一来，单独监测株高就可以发展为综合监测水肥、积温以及株高的综合方案。
肥料可以是通过灌溉的水带进去的，肥料的配比可以是预先获知的，因此水肥可以与灌溉情况相关联，而灌溉情况可以通过农田的土壤湿度来反映。另外，积温可以通过田间物联网设备，如田间温度传感器持续监测获得。获取土壤湿度和积温的实现难度较低。
本申请实施例可以是基于上述整体发明构思提出的。为了便于描述，本申请实施例将以棉花为示例描述本申请实施例的方案，但是所属领域技术人员可以理解，本申请实施例提供的方案也可以适用于其他植物(作物)。除了棉花之外，可适用的植物(作物)的示例还可以包括但不限于，玉米、小麦、高粱等。
图1示意性示出了根据本申请实施例的用于预测植物株高的方法的示例流程图。如图1所示，在本申请实施例中，用于预测植物株高的方法可以包括以下步骤。
在步骤S110中，获取与植物相关联的农田的土壤湿度。
具体地，土壤湿度的获取可以采用多种方式。
在一个示例中，可以采用多光谱相机和热成像仪来测定农田的土壤湿度。具体地，多光谱相机和热成像仪可以装载在无人机上。多光谱相机可以采集多种光谱范围的图像，例如蓝、绿、红、红边、近红外。无人机携带多光谱相机和热成像仪对农田进行航拍，获取农田的多光谱图像和热图像。对获取的多光谱图像和热图像进行处理。
可以使用土壤线(soil line)方程的概念，以红色光谱的反射比作为x 轴，以近红外(NIR)光谱的反射比作为y轴，土壤线方程可以被定义为公式(1)：
Rs，NIR＝MRs，RED+I 公式(1)
其中，Rs,RED，Rs,NIR可以分别表示多光谱相机获取的多光谱图像中的红色光谱和NIR光谱的反射比，M表示土壤线的斜率，I是y轴的截距。
其中，土壤线可以通过绘制含水量明显变化的完整土表的光谱表现来确定。
可以使用土壤湿度指数(soil moisture index，SMI)来估计土壤湿度。具体地，可以例如使用公式(2)来表征SMI：
Figure RE-GDA0003429867430000071
其中，RNIR和Rred分别表示多光谱相机获取的多光谱图像中的红色光谱和近红外(NIR)光谱的反射值。M是土壤线方程的斜率，以及b是在NIR- 红光谱空间(x-y坐标系)中的土壤线的垂线的截距，其中该垂线经过表示湿裸土的点。在确定最湿的点的起点之后，可以通过土壤线的NIR-红色光谱特性来估计土壤湿度。
在该示例中，在获取图像之后，从农田的预先确定的采样位置收集多个土壤样本，对土壤样本进行称重、干燥、再称重等处理，以计算土壤含水量，例如重量含水率(gravimetric water content，GWC)。可以将GWC与SMI 进行关联，例如GWC与SMI的线性关系，来判断土壤湿度的估计精度。
在进一步的示例中，土壤湿度估计还可以考虑温度植被干燥指数(Temperaturevegetation dryness index，TVDI)。
在另一个示例中，可以使用无人机携带RGB相机采集农田的图像。然后采集土壤样本通过烘干法测量土壤湿度。将采集的图像与测量的土壤湿度进行匹配，以构建土壤湿度反演模型。使用土壤湿度反演模型来估计土壤湿度。
具体地，土壤湿度反演模型的构建可以包括以下步骤：
a、选择采样点。在一个示例中，可以通过之前拍摄的农田的图像(例如高清图像)选择多个(例如8个或8个以上)湿度地图的土表区域，并且可选地可以进行地面实地检查。图像的获取方式也可以当天通过无人机进行航拍得到图像。
b、标记物以及采集土壤样本。在一个示例中，可以对地面进行标记，例如采用相邻不同颜色的标记物(例如旗帜)。具体地，可以将旗帜斜插在地膜边沿以获得最大的正射图投影面，同时可以在智慧农场系统(例如，广州极飞科技股份有限公司提供的XSAS智慧农场系统)上打上标记物“土样采集点#编号”，此处实际上就是采样点标记以对应到图像位置，在所选择的同湿度土表区域的湿度代表点采集一定重量(例如80克)表面土壤，装进密封袋并在密封袋上写上编号。然后将装有土壤样本的密封袋进行恒温保存，例如放入有冰袋的保温箱中。
c、航拍。采集完土壤样本后，可以使用无人机低空飞行以采集用于土表湿度反演的高清影像。考虑到模型的兼容性，清晰度可以设定为1GSD。
d、土壤样本湿度测定与记录。在一个示例中，可尽快将土壤样本带回实验室进行测量，获得称重，记为W0。称重完毕后，将土壤样本迅速放入一定温度(例如105℃)的烘烤箱中进行烘烤。烘烤结束后将土壤样本放入干燥器内冷却到室温，然后对土壤进行再次进行称重，得到重量，记为W1。
可以根据以下公式计算土壤含水量：
土壤含水量＝(W0-W1)/W0*100％
e、在确定对不同采样标记点编号的土壤样本的土壤含水量之后，可以上传结果并对数据进行检查，最终确定土壤湿度。
表1示出了在上述示例过程中可能使用的材料。
表1
Figure RE-GDA0003429867430000091
上述示例的获取土壤湿度的方法需要的工作量较大，效率较低，得到的含水率数值不直观，对于泡水的土壤状态无法处理。
实际农田生产环境中，土表纹理非常多样，影响因素包括平整缺陷导致的泥土块、中耕导致的表面疏松、土壤类型差异、脚印等等，导致遥感数据中土表的特征非常丰富，靠人工采集土表土样烘干法需要耗费巨大的人力。
在本申请实施例中，提供了一种用于确定土壤湿度的方法。该方法能够提高土表湿度遥感反演模型建立过程中的地面验证数据的采集速度与丰富度。
该实施例的总的构思可以包括通过安装多个联网的土壤湿度传感器，可以覆盖多土壤类型，多土表纹理类型，多湿度区间的土表，通过灌溉周期的土表湿度自然风干干湿交替过程，可以得到时间连续的土表湿度数值。通过密集的高清遥感影像采集设备对所有传感器区域进行拍摄，得到丰富的“地面-空中”土表湿度数据集。
具体地，如图2所示，该方法可以包括以下步骤。
在步骤S210中，获取农田的遥感图像。例如，可以使用无人机对农田进行航拍，以得到农田的遥感图像。无人机的示例可以包括广州极飞科技股份有限公司的极侠XMISSION多功能无人飞行系统。遥感图像可以例如为 RGB图像。
在步骤S220中，可以将在步骤S210中获取的遥感图像输入到预先训练好的土壤湿度反演模型，以得到土壤湿度。
土壤湿度反演模型可以例如是基于语义分割的神经网络模型。可选地，该神经网络模型还可以包括回归网络。土壤湿度反演模型的精度很大程度上取决于训练样本。在一示例中，如图3所示，可以通过以下方式对土壤湿度反演模型进行训练。
在步骤S310中，获取农田的遥感图像。具体地，可以使用无人机对农田进行航拍来得到遥感图像。该遥感图像可以包括时间戳，即记录图像获取的时间。
在步骤S320中，获取农田的不同区域的土壤湿度。具体地，可以在农田的不同位置设置土壤湿度传感器。每个土壤湿度传感器可以具有定位功能和通信功能(例如包括定位模块和通信模块，或具有定位功能和通信功能)，可以确定自身的位置并通过通信功能发送自身的位置信息。另外，土壤湿度传感器还可以发送用于标识自身身份的标识信息(例如ID或编号)。在进一步示例中，土壤湿度传感器可以具有多个检测深度。例如土壤湿度传感器可以具有5个检测深度，分别为0cm、-10cm、-20cm、-30cm、-40cm(其中，符号“-”代表土表以下)。每个土壤湿度传感器可以获取不同时间上的土壤湿度，由此，可以获得不同区域不同时间上的土壤湿度。在一个示例中，土壤湿度的值可以用0至1之间的值来表示。土壤湿度传感器的示例可以包括但不限于，极飞ISM50土壤监测仪。
在步骤S330中，使用不同区域的土壤湿度对遥感图像进行标注，以生成训练样本。
具体地，可以在遥感图像上标注出农田中的同湿度区域。在标注出同湿度区域之后，针对任一同湿度区域，确定多个土壤湿度传感器中距离该同湿度区域最近的土壤湿度传感器。例如，可以从遥感图像中识别出与同湿度区域最近的土壤湿度传感器，并确定其位置。根据土壤湿度传感器发送的自身的位置信息和标识信息，可以确定该土壤湿度传感器。
然后，可以获取遥感图像的时间戳，即该遥感图像采集(拍摄)的时间，根据该时间戳获取该土壤湿度传感器的与该时间戳对应的读数。在一个示例中，土壤湿度传感器可以持续检测土壤湿度，因此可以从土壤湿度传感器的历史(读数)数据中找到与遥感图像的时间戳对应的读数。在另一示例中，土壤湿度传感器可以周期性地检测土壤湿度，在这种情况下，如果土壤湿度传感器检测土壤湿度的检测时刻中没有与遥感图像的时间戳相同的一个检测时刻，则可以获取与时间戳最接近的检测时刻所检测的土壤湿度的读数。
根据读数确定与同湿度区域对应的湿度标注值。具体地，在一个示例中，可以直接根据土壤湿度传感器的读数确定湿度标注值。在另一示例中，湿度标注值可以考虑土壤湿度传感器与同湿度区域之间的位置关系。位置关系可以包括两种情况：1、土壤湿度传感器在同湿度区域之外；2、土壤湿度传感器在同湿度区域之内。
针对第一种情况，即，土壤湿度传感器在同湿度区域之外，湿度标注值可以等于土壤湿度传感器的读数乘以土壤类型系数，即w标注＝k土壤类型× w传感器读数。其中，k土壤类型为经验系数。
针对第二种情况，即，土壤湿度传感器在同湿度区域之内，湿度标注值可以等于土壤湿度传感器读数乘以土壤类型系数，即，w标注＝w传感器读数。
可以通过上述方式，得到一定数量的遥感图像及其标注，由此形成训练样本。训练样本可以包括图像(例如，遥感图像)和标注(例如，标注掩膜)。
需要说明的是，为了获取更加丰富的湿度标注值，以使得训练得到的土壤湿度反演模型和株高监测模型具备更高的输出精度和更强的鲁棒性，可以在地块不同区域处均布设土壤湿度传感器。以土壤覆膜种植的地块为例，可以在膜外裸土、以及覆膜区域或种植行处布设土壤湿度传感器。由此，一方面，由于膜外裸土在灌溉周期内的干湿变化明显，因此可以使得相应的土壤湿度传感器的读数能够明显反应灌溉周期内的干湿变化情况，更加有利于后续的土表湿度反演建模；另一方面，由于土壤传感器安装于种植行处或覆膜区域，与作物距离近的同时也与裸土距离近，由此可以很好地监测作物水分供给情况和土壤湿度情况，有利于后续的作物供水反演、株高预测建模和土表湿度反演建模。在步骤S340中，使用训练样本对基于语义分割的神经网络进行训练，以得到土壤湿度反演模型。
具体地，在一示例中，待训练的神经网络可以包括语义分割和回归网络。对于训练样本中的任意一张标注过的图像，图像标注范围之外的通道DN值 (DN值(Digital Number)是遥感影像像元亮度值，记录的地物的灰度值) 可以都设为0，标注范围内可以保持原数值。标注掩膜与图像尺寸(高度、宽度)可以保持一致。同湿度土壤区域可以为标注湿度值映射到的数值区间，例如[0,1]、[1,2]，同湿度土壤区域赋值区间之外的数值可以进行回归训练。
可以使用损失函数的结果来确定模型是否训练完毕。损失函数的示例可以包括但不限于，L1、L2。
适用的神经网络的示例可以包括但不限于，UNet，ResNet等。
图4A和图4B示意性示出了土壤湿度预测掩膜(mask)可视化叠加在原图像上的效果。如图所示，可以看出土表区域有湿度区间值，土表外的物体都是背景值。能在区分出土表的同时给土表湿度赋值。因此，上述实施例的土壤湿度反演模型可以适用于大面积土壤，同时提高效率。
在步骤S120中，获取与植物相关联的积温。获取积温的方式为所属领域技术人员所知的方式，在此不再赘述。
在步骤S130中，根据土壤湿度和积温预测植物的株高。
具体地，在一个示例中，可以预先确定土壤湿度、积温与株高的映射关系。例如，可以通过实验的方式来确定土壤湿度、积温与株高的映射关系。在确定映射关系后，可以根据获取的土壤湿度和积温来预测株高。
在另一个示例中，可以将土壤湿度和积温输入到预先训练好的株高预测模型，以预测植物的株高。可以通过训练神经网络模型来得到株高预测模型。适用的神经网络模型可以包括但不限于，UNet，ResNet等。可以预先获取土壤湿度、积温以及植物的实际株高，来形成训练样本，然后使用训练样本对神经网络模型进行训练，以得到株高预测模型。
在本申请一实施例中，预测的植物的株高可以包括在一时间周期中植物的株高变化(变化量)。株高变化预测的时间周期可以根据需求来设定。例如，时间周期可以基于植物的水肥管理周期。以棉花为例，棉花的水肥管理周期可以例如为7至10天，则时间周期可以设定为7至10天。
在本申请一实施例中，株高预测还可以考虑预测时的植物的实际株高。在一个示例中，可以将进行预测时(或预测之前的一小段时间)得到的植物的实际株高与预测的株高变化进行叠加，以得到未来一时间周期中的株高 (以及随时间的变化)。在另一个示例中，可以将实际株高也作为株高预测模型的输入之一。对株高预测模型的训练也加入实际株高这一输入参量。在该实施例中，株高预测的时间周期可以与植物(例如棉花)的水肥管理周期相关联，例如7至10天。这样，不需要频繁地(例如，2天一次，3天一次) 通过无人机航测来监测植物(例如棉花)的株高，对植物株高的监测更加可行，易于实现。
在本申请一实施例中，预测的植物的株高可以通过株高预测分布图来呈现。具体地，可以将针对农田的不同区域预测的株高形成株高分布图，且还可以显示在未来的时间周期中株高的变化。
在本申请一实施例中，获取的实际株高可以通过株高分布图来呈现。
在本申请一实施例中，可以确定获取农田的土壤湿度的时机。具体地，可以在对农田进行灌溉后的预定时间之后，获取土壤湿度。在一个示例中，以棉花为例，棉田的水肥管理在营养生长期约7至10天进行一次。以7天为一周期为例，可以对农田进行灌溉之后的一至两天，获取农田的土壤湿度。在本申请一实施例中，土壤湿度可以通过土表旱涝分布图来呈现。例如，可以根据获取的农田的不同区域的土壤湿度确定湿度分布，形成土表旱涝分布图。
在本申请实施例中，对积温的检测可以是连续的。在需要进行株高预测时，可以获取对农田的灌溉完成时至进行株高预测时的积温。例如，预测株高的时机可以在对农田进行下一次灌溉(即第二个周期开始)之前的一段时间(例如前一天)，在这种情况下，获取的积温可以是第一次灌溉之后的6 天的积温。在需要获取实际株高的示例中，获取实际株高的时机可以与预测株高的时机接近(例如在同一天)，或稍早于预测株高的时机(例如前一天)。图5示出了根据本发明实施例的用于预测植物的株高的方法中涉及的各个步骤的执行时机的示意图。
在本申请实施例中，提供一种处理器，被配置成执行上述实施例中的用于预测植物株高的方法。
在本申请实施例中，处理器被配置成：
获取与植物相关联的农田的土壤湿度；
获取与植物相关联的积温；
根据土壤湿度和积温预测植物的株高。
在本申请实施例中，处理器被配置成根据土壤湿度和积温预测植物的株高包括：处理器被配置成将土壤湿度和积温输入到预先训练好的株高预测模型，以预测植物的株高。
在本申请实施例中，预测的植物的株高包括在一时间周期中植物的株高变化。
在本申请实施例中，处理器还被配置成：
获取植物的实际株高；
其中，处理器被配置成根据土壤湿度和积温预测植物的株高包括：
处理器被配置成根据土壤湿度、积温以及实际株高预测植物的株高。
在本申请实施例中，处理器被配置成获取与植物相关联的农田的土壤湿度包括处理器被配置成：
获取农田的第一遥感图像；
将第一遥感图像输入到预先训练好的土壤湿度反演模型，以得到土壤湿度。
在本申请实施例中，对土壤湿度反演模型的训练包括：
获取农田的第二遥感图像；
获取农田的不同区域的土壤湿度；
使用不同区域的土壤湿度对第二遥感图像进行标注，以生成训练样本；以及
使用训练样本对基于语义分割的神经网络进行训练，以得到土壤湿度反演模型。
在本申请实施例中，第二遥感图像包括不同时间的第二遥感图像。
在本申请实施例中，使用不同区域的土壤湿度对第二遥感图像进行标注，包括：
在第二遥感图像上标注出同湿度区域；
确定距离同湿度区域最近的土壤湿度传感器；
获取第二遥感图像的时间戳；
获取土壤湿度传感器的与时间戳对应的读数；
根据读数确定与同湿度区域对应的湿度标注值。
在本申请实施例中，根据读数确定与同湿度区域对应的湿度标注值，包括：
在土壤湿度传感器与同湿度区域相邻的情况下，将湿度标注值确定为读数；
在土壤湿度传感器位于同湿度区域内的情况下，将湿度标注值确定为读数与土壤类型系数的乘积。
在本申请实施例中，处理器被配置成获取与植物相关联的农田的土壤湿度包括处理器被配置成：
在对农田进行灌溉后的预定时间之后，获取土壤湿度。
在本申请实施例中，处理器被配置成获取与植物相关联的积温包括处理器被配置成：
获取从对农田的灌溉完成时至将对植物的株高进行预测时的积温。
在本申请实施例中，获取实际株高和/或预测植物的株高发生在对农田进行下一次灌溉的前一天。
在本申请实施例中，土壤湿度通过土表旱涝分布图来呈现。
在本申请实施例中，预测的植物的株高通过株高预测分布图来呈现。
在本申请实施例中，提供一种存储介质，该存储介质上存储有指令，该指令被处理器执行时使得处理器能够实现上述实施例中的用于预测植物株高的方法。
在本申请实施例中，提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述实施例中的用于预测植物株高的方法。
在本申请实施例中，提供一种处理器，被配置成执行上述实施例中的用于确定土壤湿度的方法。
在本申请实施例中，提供一种存储介质，该存储介质上存储有指令，该指令被处理器执行时使得处理器能够实现上述实施例中的用于确定土壤湿度的方法。
在本申请实施例中，提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述实施例中的用于确定土壤湿度的方法。
上述实施例中的用于预测植物株高的方法可以应用于其他场景，其中一种应用场景可以涉及植物的灌溉。在本申请实施例中，提供一种用于植物的灌溉方法，包括：
获取使用上述实施例的用于预测植物株高的方法预测的植物的株高；
根据所预测的株高确定针对植物的灌溉方案。
其中，根据所预测的株高确定针对植物的灌溉方案包括：
根据预测的株高确定植物在预设时长内的株高变化量；
根据株高变化量确定所述灌溉方案。
具体地，在一实施例中，可以将预设时长内植物的株高变化量(例如增长量)划分成多种类型的区间。在一示例中，可以将植物的日增长量划分成三种类型的区间，即，高区间、中区间和低区间。可以针对每种类型的区间设定灌溉量。例如，日增长量属于高区间的，灌溉量可以设置较低，日增长量属于低区间的，灌溉量可以设置较高。在预测植物的株高之后，可以根据株高的日增长量来确定对应的灌溉量。在一个示例中，可以根据灌溉系统的灌溉点的分布将农田划分成多个区域，根据每个区域的日增长量所属的区间来确定灌溉方案。例如，针对每个区域，可以计算该区域中所有植物的株高日增长量的平均值，根据该平均值来确定所属的区间。在另一示例中，针对每个区域，可以计算该区域中所有植物的株高日增长量的中位数，根据该中位数来确定所属的区间。在确定对应的灌溉量后，在下一次灌溉时可以根据确定的灌溉量进行灌溉。
在另一实施例中，可以预先设定预设时长内植物的株高变化量(例如日增长量)与灌溉量的映射关系(例如，函数)，根据映射关系来确定对应的灌溉量。在一个示例中，可以根据灌溉系统的灌溉点的分布将农田划分成多个区域，根据每个区域的日增长量和映射关系来确定灌溉方案。例如，针对每个区域，可以计算该区域中所有植物的株高日增长量的平均值，根据该平均值和映射关系来确定对应的灌溉量。在另一示例中，针对每个区域，可以计算该区域中所有植物的株高日增长量的中位数，根据该中位数和映射关系来确定对应的灌溉量。在确定对应的灌溉量后，在下一次灌溉时可以根据确定的灌溉量进行灌溉。
在再一个实施例中，可以使用知识图谱法，可以根据预设时长内植物的株高变化量(例如日增长量)以及植物所处物候期对应的灌溉建议量来确定灌溉方案。
在本申请实施例中，可以基于上述实施例中的获取土壤湿度的方法得到的土壤湿度来引导灌溉作业或确定灌溉异常点。
在本申请一实施例中，提供一种用于植物的灌溉方法。图6示出了根据本申请实施例的用于植物的灌溉方法的示例流程图。如图6所示，在本申请实施例中，用于植物的灌溉方法可以包括以下步骤。
在步骤S610中，获取农田的土壤湿度。具体地，可以使用上述实施例中用于确定土壤湿度的方法来获取土壤湿度。
在步骤S620中，根据获取的土壤湿度确定农田中不同的湿度区域。具体地，可以根据获取的土壤湿度确定农田中的湿度分布，根据湿度分布可以确定(例如，划定)不同的湿度区域。例如，可以根据湿度分布划分湿度相同或湿度在设定范围内的同湿度区域。
在步骤S630中，根据湿度区域确定灌溉方案。具体地，可以预先确定目标湿度值，如果湿度区域的湿度低于目标湿度值，则在下一次灌溉时可以增加灌溉水量。如果湿度区域的湿度高于目标湿度值，则可以在下一次灌溉时可以减少灌溉水量或不进行灌溉。在一个示例中，目标湿度值可以设置为在下一次灌溉时或之前(例如前一天或数小时)的目标湿度值。在一个示例中，可以根据实际需求针对不用的区域设定相同或不同的目标湿度值。
在本申请实施例中，提供一种处理器，被配置成执行上述实施例中的用于植物的灌溉方法。
在本申请实施例中，提供一种存储介质，该存储介质上存储有指令，该指令被处理器执行时使得处理器能够实现上述实施例中的用于植物的灌溉方法。
在本申请实施例中，提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述实施例中的用于植物的灌溉方法。
在本申请一实施例中，提供一种用于检测灌溉异常点的方法。图7示出了根据本申请实施例的用于检测灌溉异常点的方法。如图7所示，在本申请实施例中，用于检测灌溉异常点的方法可以包括以下步骤。
在步骤S710中，获取农田的土壤湿度。具体地，可以使用上述实施例中用于确定土壤湿度的方法来获取土壤湿度。
在步骤S720中，根据获取的土壤湿度确定农田中不同的湿度区域。具体地，可以根据获取的土壤湿度确定农田中的湿度分布，根据湿度分布可以确定(例如，划定)不同的湿度区域。例如，可以根据湿度分布划分湿度相同或湿度在设定范围内的同湿度区域。
在步骤S730中，将不同的湿度区域的湿度进行比较和分析，以确定异常湿度区域。具体地，在一个示例中，可以将不同的湿度区域的湿度进行比较，将湿度最大或最小的湿度区域确定为异常湿度区域。在另一示例中，可以对不同的湿度区域的湿度求均值，将每个湿度区域的湿度与均值进行比较，如果湿度与均值之间的差值超过设定阈值，则可以确定该湿度对应的湿度区域是异常湿度区域。在再一个示例中，可以设定目标湿度值。目标湿度值可以设置为在下一次灌溉时或之前(例如前一天或数小时)的目标湿度值。可以将湿度区域的湿度与目标湿度值进行比较，如果湿度与目标湿度值的差值超过设定阈值，则可以确定该湿度对应的湿度区域是异常湿度区域。
在步骤S740中，根据异常湿度区域确定灌溉异常点。对于持续比较湿润的区域或持续比较干燥的区域，可能是灌溉系统的灌溉带漏水或者堵塞。可以根据异常湿度区域来确定该异常湿度区域中的灌溉异常点(坏点)。具体地，在一个示例中，灌溉系统的每个灌溉点的位置可以是已知的，在确定了异常湿度区域后，就可以知道与该异常湿度区域相关联(例如，位于该异常湿度区域内或与该异常湿度区域相邻)的灌溉点。这些灌溉点可以认为是灌溉异常点。在另一个示例中，灌溉系统的每个灌溉点可以设置有定位装置，例如GPS(Global Positioning System，全球定位系统)定位装置、北斗定位装置等。定位装置可以发送灌溉点的位置信息。
在本申请一实施例中，在确定灌溉异常点后，可以以图示的形式在地图中将异常区域或坏掉的灌溉带显示出来，以使用户直观确定位置并方便到底维修。
在本申请一实施例中，可以使用标记区分显示灌溉异常点。
在本申请一实施例中，还可以结合定位技术。具体地，在确定灌溉异常点之后，可以获取用户的位置。例如用户可以携带定位装置，例如GPS定位装置、具有定位功能的移动终端(例如，手机、遥控器)。用户的移动终端可以接收异常灌溉点的位置信息，移动终端的定位功能或定位装置可以获取用户的当前位置。移动终端可以根据灌溉异常点的位置和用户的当前位置生成行进路径，并根据行进路径给用户提供导航功能。
在本申请实施例中，提供一种处理器，被配置成执行上述实施例中的用于检测灌溉异常点的方法。
如图8所示，在本申请实施例中，提供一种灌溉系统810，可以包括：
灌溉装置811，包括至少一个灌溉点，用于对农田进行灌溉；以及处理器812，被配置成执行上述实施例中的用于检测灌溉异常点的方法。
在本申请实施例中，灌溉系统810还可以包括定位装置813，与至少一个灌溉点对应，用于发送至少一个灌溉点的位置信息。处理器812可以接收该位置信息。
在本申请实施例中，灌溉系统810还可以包括存储器814和通信模块815。存储器814可以用于存储处理器812确定的异常灌溉点及其位置信息。处理器812可以通过通信模块815与用户的移动终端820进行无线通信，向移动终端820发送异常灌溉点的位置信息。移动终端820可以具有定位功能或包括定位模块(例如GPS模块)，移动终端820可以接收异常灌溉点的位置信息，并通过定位功能或定位模块获取用户的当前位置，根据异常灌溉点的位置信息和用户的当前位置生成导航路径。移动终端820可以根据生成的导航路径向用户提供导航功能，以引导用户至异常灌溉点。
在本申请实施例中，提供一种存储介质，该存储介质上存储有指令，该指令被处理器执行时使得处理器能够实现上述实施例中的用于检测灌溉异常点的方法。
在本申请实施例中，提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述实施例中的用于检测灌溉异常点的方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质 A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现上述实施例的方法。该计算机设备的显示屏A04 可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (19)

1.一种用于预测植物株高的方法，其特征在于，包括：
获取与植物相关联的农田的土壤湿度；
获取与所述植物相关联的积温；
根据所述土壤湿度和所述积温预测所述植物的株高。
2.根据权利要求1所述的方法，其特征在于，所述根据所述土壤湿度和所述积温预测所述植物的株高，包括：
将所述土壤湿度和所述积温输入到预先训练好的株高预测模型，以预测所述植物的株高。
3.根据权利要求1所述的方法，其特征在于，预测的所述植物的株高包括在一时间周期中所述植物的株高变化。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取所述植物的实际株高；
其中，所述根据所述土壤湿度和所述积温预测所述植物的株高包括：
根据所述土壤湿度、所述积温以及所述实际株高预测所述植物的株高。
5.根据权利要求1所述的方法，其特征在于，所述获取与植物相关联的农田的土壤湿度包括：
获取所述农田的第一遥感图像；
将所述第一遥感图像输入到预先训练好的土壤湿度反演模型，以得到所述土壤湿度。
6.根据权利要求5所述的方法，其特征在于，对所述土壤湿度反演模型的训练包括：
获取所述农田的第二遥感图像；
获取所述农田的不同区域的土壤湿度；
使用所述不同区域的土壤湿度对所述第二遥感图像进行标注，以生成训练样本；以及
使用所述训练样本对基于语义分割的神经网络进行训练，以得到所述土壤湿度反演模型。
7.根据权利要求6所述的方法，其特征在于，所述第二遥感图像包括不同时间采集的第二遥感图像。
8.根据权利要求7所述的方法，其特征在于，所述使用所述不同区域的土壤湿度对所述第二遥感图像进行标注，包括：
在所述第二遥感图像上标注出同湿度区域；
确定距离所述同湿度区域最近的土壤湿度传感器；
获取所述第二遥感图像的时间戳；
获取所述土壤湿度传感器的与所述时间戳对应的读数；
根据所述读数确定与所述同湿度区域对应的湿度标注值。
9.根据权利要求8所述的方法，其特征在于，所述根据所述读数确定与所述同湿度区域对应的湿度标注值，包括：
在所述土壤湿度传感器位于所述同湿度区域外的情况下，将所述湿度标注值确定为所述读数与土壤类型系数的乘积；
在所述土壤湿度传感器位于所述同湿度区域内的情况下，将所述湿度标注值确定为所述读数。
10.根据权利要求1所述的方法，其特征在于，所述获取与植物相关联的农田的土壤湿度包括：
在对所述农田进行灌溉后的预定时间之后，获取所述土壤湿度。
11.根据权利要求10所述的方法，其特征在于，所述获取与所述植物相关联的积温包括：
获取从对所述农田的灌溉完成时至将对所述植物的株高进行预测时的积温。
12.根据权利要求11所述的方法，其特征在于，获取所述实际株高和/或预测所述植物的株高发生在对所述农田进行下一次灌溉的前一天。
13.根据权利要求1所述的方法，其特征在于，所述土壤湿度通过土表旱涝分布图来呈现。
14.根据权利要求1所述的方法，其特征在于，预测的所述植物的株高通过株高预测分布图来呈现。
15.一种用于植物的灌溉方法，其特征在于，包括：
获取通过权利要求1至14中任意一项所述的用于预测植物株高的方法预测得到的植物的株高；
根据所预测的株高确定针对所述植物的灌溉方案。
16.根据权利要求15所述的灌溉方法，其特征在于，所述根据所预测的株高确定针对所述植物的灌溉方案包括：
根据预测的株高确定所述植物在预设时长内的株高变化量；
根据所述株高变化量确定所述灌溉方案。
17.根据权利要求16所述的灌溉方法，其特征在于，所述根据所述株高变化量确定所述灌溉方案包括：
根据灌溉系统的灌溉点的分布将所述农田划分成多个区域；
根据每个区域内的植物的所述株高变化量确定所述灌溉方案。
18.一种处理器，其特征在于，被配置成执行权利要求1至14中任意一项所述的用于预测植物株高的方法，和/或，执行权利要求15至17中任意一项所述的用于植物的灌溉方法。
19.一种存储介质，所述存储介质上存储有指令，其特征在于，所述指令用于使得机器执行权利要求1至14中任意一项所述的用于预测植物株高的方法，和/或，执行权利要求15至17中任意一项所述的用于植物的灌溉方法。
CN202111284632.1A 2021-11-01 2021-11-01 用于预测植物株高的方法及处理器 Pending CN113962474A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111284632.1A CN113962474A (zh) 2021-11-01 2021-11-01 用于预测植物株高的方法及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111284632.1A CN113962474A (zh) 2021-11-01 2021-11-01 用于预测植物株高的方法及处理器

Publications (1)

Publication Number Publication Date
CN113962474A true CN113962474A (zh) 2022-01-21

Family

ID=79468717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111284632.1A Pending CN113962474A (zh) 2021-11-01 2021-11-01 用于预测植物株高的方法及处理器

Country Status (1)

Country Link
CN (1) CN113962474A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115756006A (zh) * 2022-11-14 2023-03-07 黑龙江大学 用于滴灌管的防堵方法、装置、设备以及系统
CN116627193A (zh) * 2023-07-21 2023-08-22 山东梦芯信息科技有限公司 一种温室大棚智能管控平台及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596616A (zh) * 2018-12-04 2019-04-09 山东农业大学 一种土壤盐分监测方法、系统及设备
CN109934515A (zh) * 2019-04-18 2019-06-25 中国水利水电科学研究院 一种作物精量灌溉决策方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596616A (zh) * 2018-12-04 2019-04-09 山东农业大学 一种土壤盐分监测方法、系统及设备
CN109934515A (zh) * 2019-04-18 2019-06-25 中国水利水电科学研究院 一种作物精量灌溉决策方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王海华，等: "基于温室番茄长势信息的水肥决策方法研究", 农业工程技术, no. 7, 31 March 2019 (2019-03-31), pages 10 - 14 *
蒋菊生, 谢贵水, 林位夫, 王岳坤, 蔡明道, 陈俊明: "气象因子与甘蔗生长的关系及其预测模型的建立", 甘蔗, no. 01, 25 February 1999 (1999-02-25), pages 1 - 5 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115756006A (zh) * 2022-11-14 2023-03-07 黑龙江大学 用于滴灌管的防堵方法、装置、设备以及系统
CN116627193A (zh) * 2023-07-21 2023-08-22 山东梦芯信息科技有限公司 一种温室大棚智能管控平台及方法

Similar Documents

Publication Publication Date Title
CN113962474A (zh) 用于预测植物株高的方法及处理器
US11564357B2 (en) Capture of ground truthed labels of plant traits method and system
Zinkernagel et al. New technologies and practical approaches to improve irrigation management of open field vegetable crops
Guo et al. Biomass and vegetation coverage survey in the Mu Us sandy land-based on unmanned aerial vehicle RGB images
US6397162B1 (en) System, device and method for estimating evapo-transpiration in plants
US20180267008A1 (en) Systems and methods for producing agricultural prescriptions
CA3115301A1 (en) Method and system for plant stress determination and irrigation based thereon
US20180308229A1 (en) Method and information system for detecting at least one plant planted on a field
AU2013341873A1 (en) A method and system for automated differential irrigation
CN110267525B (zh) 信息产生方法、信息产生装置和程序
JP6589978B2 (ja) 植物健全性診断装置、該方法および該プログラム
WO2018107245A1 (en) Detection of environmental conditions
KR20190143680A (ko) IoT 기반 온실 내 작물 생육상태 실시간 모니터링 시스템
CN102636486A (zh) 一种棉花三真叶期的自动检测方法
CN104236486B (zh) 一种棉花叶面积指数快速无损测定方法
Hearst Remote sensing of soybean canopy cover, color, and visible indicators of moisture stress using imagery from unmanned aircraft systems
Bacsa et al. Correlation of UAV-based multispectral vegetation indices and leaf color chart observations for nitrogen concentration assessment on rice crops
CN111814585A (zh) 无人机近地空作物苗情遥感监测方法、装置及存储介质
US20230082714A1 (en) Soil Property Model Using Measurements of Properties of Nearby Zones
Paul et al. Evaluating surface energy balance system (SEBS) using aircraft data collected during BEAREX07
Krapez et al. Comparison of three methods based on the temperature-NDVI diagram for soil moisture characterization
Al-Shehhi et al. Evaluating the effect of soil moisture, surface temperature, and humidity variations on MODIS-derived NDVI values
KR20190084878A (ko) 측정 장치
Alam et al. Determining pasture evapotranspiration using active optical sensor derived normalized difference vegetation index
US20230384279A1 (en) Method and apparatus for open micro-environment plant health sensing

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