CN114048897A - 一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法 - Google Patents
一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法 Download PDFInfo
- Publication number
- CN114048897A CN114048897A CN202111267343.0A CN202111267343A CN114048897A CN 114048897 A CN114048897 A CN 114048897A CN 202111267343 A CN202111267343 A CN 202111267343A CN 114048897 A CN114048897 A CN 114048897A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- organic matter
- humidity
- matter content
- 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
Links
- 239000005416 organic matter Substances 0.000 title claims abstract description 63
- 239000002361 compost Substances 0.000 title claims abstract description 56
- 239000010902 straw Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 239000002689 soil Substances 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 239000005662 Paraffin oil Substances 0.000 description 2
- DGEZNRSVGBDHLK-UHFFFAOYSA-N [1,10]phenanthroline Chemical compound C1=CN=C2C3=NC=CC=C3C=CC2=C1 DGEZNRSVGBDHLK-UHFFFAOYSA-N 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- PTKRHFQQMJPPJN-UHFFFAOYSA-N dipotassium;oxido-(oxido(dioxo)chromio)oxy-dioxochromium;sulfuric acid Chemical compound [K+].[K+].OS(O)(=O)=O.[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O PTKRHFQQMJPPJN-UHFFFAOYSA-N 0.000 description 2
- 235000003891 ferrous sulphate Nutrition 0.000 description 2
- 239000011790 ferrous sulphate Substances 0.000 description 2
- BAUYGSIQEAFULO-UHFFFAOYSA-L iron(2+) sulfate (anhydrous) Chemical compound [Fe+2].[O-]S([O-])(=O)=O BAUYGSIQEAFULO-UHFFFAOYSA-L 0.000 description 2
- 229910000359 iron(II) sulfate Inorganic materials 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N sulfuric acid Substances OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012797 qualification Methods 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Fertilizers (AREA)
Abstract
本发明公开了步骤一:测量秸秆堆肥有机质含量,通过对秸秆堆肥中有机质含量的测量,获取有机质含量数据;步骤二:获取温度、湿度数据,通过温度传感器和湿度传感器测量秸秆堆肥中的温度和湿度数据;步骤三:确定区域预报概念模型,根据测量的温度、湿度数据,初步确定区域预报概念模型;步骤四:最终确定区域预报解析模型,根据秸秆堆肥有机质含量数据和温度、湿度数据,确定最终的区域预报解析模型。基于一个地区过去连续八个月以上有机质含量检测结果和同一土壤的温湿度数据而建立的模型,模型简单、实用、参数容易获得、预报精度高,可以代表一个实验田情况。
Description
技术领域
本发明属于生物质发酵堆肥领域,尤其涉及一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法。
背景技术
有机质含量是衡量秸秆堆肥质量的重要指标,但有机质含量测试相对于不具备实验室测试条件的生产者来说,是比较困难的事情。秸秆堆肥发酵进程一般会随着堆肥温度和含水量的变化而加快或变缓,在一般发酵条件下,如果能够构建一种可以通过易得到的堆肥温度和含水量数据,就能够对堆肥有机质含量进行预测,就将为生产者提供一种简单的堆肥有机质含量判断方法,为更好地发酵堆肥、确保堆肥质量提供重要的管理手段。
发明内容
针对现有技术不足,本发明的目的在于提供一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,以解决目前针对秸秆堆肥有机质含量检测难度大,费用高的问题。
本发明提供如下技术方案:
一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,包括以下步骤:
步骤一:测量秸秆堆肥有机质含量,通过对秸秆堆肥中有机质含量的测量,获取有机质含量数据;
步骤二:获取温度、湿度数据,通过温度传感器和湿度传感器测量秸秆堆肥中的温度和湿度数据;
步骤三:确定区域预报概念模型,根据测量的温度、湿度数据,初步确定区域预报概念模型;
步骤四:最终确定区域预报解析模型,根据秸秆堆肥有机质含量数据和温度、湿度数据,确定最终的区域预报解析模型。
优选的,在步骤一中,有机质含量数据通过重铬酸钾容量法测量获取,其数据为连续多个月份的监测数据,数据量不少于2000组,且数据来源均为同一地区,所述月份为八个月。
优选的,在步骤二中,所述温度数据包括每日的最高温度、最低温度和平均温度,所述湿度数据包括最低湿度和平均湿度,所述温度数据的数据量和湿度数据的数据量均不少于2000组。
优选的,所述步骤三中区域预报概念模型为:Pi=f(X1;X2);其中:X1、X2分别为连续多个月份温度和湿度数据,所述月份为八个月。
优选的,所述步骤四中区域预报解析模型为:Pi=a0+a1*X1+a2*X2,其中a0~a2为统计方法获得的模型参数。
优选的,具体区域预报解析模型为:P=23.15831+0.00714*X1+0.76149*X2,预报合格定义为:与当年实测年型相比,误差在±1个年型内的结果为预报合格。
优选的,所述温度数据、湿度数据和有机质含量数据为同一时间段内在同一区域内获取,所述温湿数据和湿度数据使用相应的传感器检测,每隔半小时自动检测记录一组。
优选的,通过重铬酸钾容量法测量有机质含量时,首先通过60目筛子进行筛分,然后在分析天平上秤取一定量的样品,所述样品的质量为0.2-0.5g,将样品全部倒入至硬质试管中,用移液管缓慢加入0.136mol/L重铬酸钾-硫酸溶液10ml,将预先准备好的石蜡油在浴锅中加热至185-190度,将试管放入铁丝笼中,然后将铁丝笼放入浴锅中加热。使加热温度控制在170-180度,待试管中液体沸腾时开始计时,煮沸5min,取出试管,擦拭试管外部油液;冷却后,将试管内容物倒入容器中,使瓶内总体积在60-70ml,保持浓硫酸浓度为1-1.5mol/l,此时溶液的颜色为橙黄色或者淡黄色,加入邻菲罗啉指示剂3-4滴,用0.2mol/l的标准硫酸亚铁溶液滴定,溶液由黄色依次变为绿色、淡绿色、棕红色,在测定样品时同时做两个空白试验,取其平均值。
优选的,在计算当日的平均温度时,剔除当日的最高温度和最低温度,减少极值对平均温度数值的影响,提高平均温度数据的准确性。
优选的,在确定最终的区域预报解析模型时,设置对照组,所述对照组中的温度和湿度保持恒定,由此判断温度和湿度对有机质的影响。
与现有技术相比,本发明具有以下有益效果:
(1)本发明一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,基于一个地区过去连续八个月以上有机质含量检测结果和同一土壤的温湿度数据而建立的,模型简单、实用、参数容易获得、预报精度高,可以代表一个实验田情况。
(2)本发明一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,基于温度、含水量指标,即可对秸秆堆肥有机质含量进行提前预测,能够及时了解土壤中有机质的含量,便于对土壤的管理。
(3)本发明一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,以秸秆堆肥有机质预报模型参数为依据,对堆肥进行温度和水分调控,为实现秸秆堆肥的适宜有机质含量创造最佳的管理条件。
(4)本发明一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,通过在不同月份内提取多组数据,增加了模型的准确性。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
实施例一
结合图1所示,一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,包括以下步骤:
步骤一:测量秸秆堆肥有机质含量,通过对秸秆堆肥中有机质含量的测量,获取有机质含量数据;
步骤二:获取温度、湿度数据,通过温度传感器和湿度传感器测量秸秆堆肥中的温度和湿度数据;
步骤三:确定区域预报概念模型,根据测量的温度、湿度数据,初步确定区域预报概念模型;
步骤四:最终确定区域预报解析模型,根据秸秆堆肥有机质含量数据和温度、湿度数据,确定最终的区域预报解析模型。
在步骤一中,有机质含量数据通过重铬酸钾容量法测量获取,其数据为连续八个月的监测数据,数据量不少于2000组,且数据来源均为同一地区。
在步骤二中,所述温度数据包括每日的最高温度、最低温度和平均温度,所述湿度数据包括最低湿度和平均湿度,所述温度数据的数据量和湿度数据的数据量均不少于2000组。
所述步骤三中区域预报概念模型为:Pi=f(X1;X2);其中:X1、X2分别为连续八个月温度和湿度数据。
所述步骤四中区域预报解析模型为:Pi=a0+a1*X1+a2*X2,其中a0~a2为统计方法获得的模型参数。具体区域预报解析模型为:P=23.15831+0.00714*X1+0.76149*X2,预报合格定义为:与当年实测年型相比,误差在±1个年型内的结果为预报合格。
所述温度数据、湿度数据和有机质含量数据为同一时间段内在同一区域内获取,所述温湿数据和湿度数据使用相应的传感器检测,每隔半小时自动检测记录一组。有机质含量分为6个等级:一级表示有机质含量(%)>4.00;二级表示有机质含量(%)3.01--4.00;三级表示有机质含量(%)2.01--3.00;四级表示有机质含量(%)1.01--2.00;五级表示有机质含量(%)0.60--1.00;六级表示有机质含量(%)<0.60 。
实施例二
一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,包括以下步骤:
步骤一:测量秸秆堆肥有机质含量,通过对秸秆堆肥中有机质含量的测量,获取有机质含量数据;
步骤二:获取温度、湿度数据,通过温度传感器和湿度传感器测量秸秆堆肥中的温度和湿度数据;
步骤三:确定区域预报概念模型,根据测量的温度、湿度数据,初步确定区域预报概念模型;
步骤四:最终确定区域预报解析模型,根据秸秆堆肥有机质含量数据和温度、湿度数据,确定最终的区域预报解析模型。
在步骤一中,有机质含量数据通过重铬酸钾容量法测量获取,其数据为连续八个月的监测数据,数据量不少于2000组,且数据来源均为同一地区。
在步骤二中,所述温度数据包括每日的最高温度、最低温度和平均温度,所述湿度数据包括最低湿度和平均湿度,所述温度数据的数据量和湿度数据的数据量均不少于2000组。
所述步骤三中区域预报概念模型为:Pi=f(X1;X2);其中:X1、X2分别为连续八个月温度数据和湿度数据,所述温度数据和湿度数据累计正相关。
所述步骤四中区域预报解析模型为:Pi=a0+a1*X1+a2*X2,其中a0~a2为统计方法获得的模型参数。具体区域预报解析模型为:P=23.15831+0.00714*X1+0.76149*X2,r=0.78844,n=500,合格率100%。预报合格定义为:与当年实测年型相比,误差在±1个年型内的结果为预报合格。
所述温度数据、湿度数据和有机质含量数据为同一时间段内在同一区域内获取,所述温湿数据和湿度数据使用相应的传感器检测,每隔半小时自动检测记录一组。有机质含量分为6个等级:一级表示有机质含量(%)>4.00;二级表示有机质含量(%)3.01--4.00;三级表示有机质含量(%)2.01--3.00;四级表示有机质含量(%)1.01--2.00;五级表示有机质含量(%)0.60--1.00;六级表示有机质含量(%)<0.60 。
通过重铬酸钾容量法测量有机质含量时,首先通过60目筛子进行筛分,然后在分析天平上秤取一定量的样品,所述样品的质量为0.2-0.5g,将样品全部倒入至硬质试管中,用移液管缓慢加入0.136mol/L重铬酸钾-硫酸溶液10ml,将预先准备好的石蜡油在浴锅中加热至185-190度,将试管放入铁丝笼中,然后将铁丝笼放入浴锅中加热。使加热温度控制在170-180度,待试管中液体沸腾时开始计时,煮沸5min,取出试管,擦拭试管外部油液;冷却后,将试管内容物倒入容器中,使瓶内总体积在60-70ml,保持浓硫酸浓度为1-1.5mol/l,此时溶液的颜色为橙黄色或者淡黄色,加入邻菲罗啉指示剂3-4滴,用0.2mol/l的标准硫酸亚铁溶液滴定,溶液由黄色依次变为绿色、淡绿色、棕红色,在测定样品时同时做两个空白试验,取其平均值。
在计算当日的平均温度时,剔除当日的最高温度和最低温度,减少极值对平均温度数值的影响,提高平均温度数据的准确性。
在确定最终的区域预报解析模型时,设置对照组,所述对照组中的温度和湿度保持恒定,由此判断温度和湿度对有机质的影响。
通过上述技术方案得到的装置是一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,基于一个地区过去连续八个月以上有机质含量检测结果和同一土壤的温湿度数据而建立的,模型简单、实用、参数容易获得、预报精度高,可以代表一个实验田情况。基于温度、含水量指标,即可对秸秆堆肥有机质含量进行提前预测,能够及时了解土壤中有机质的含量,便于对土壤的管理。以秸秆堆肥有机质预报模型参数为依据,对堆肥进行温度和水分调控,为实现秸秆堆肥的适宜有机质含量创造最佳的管理条件。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化;凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,其特征在于,包括以下步骤:
步骤一:测量秸秆堆肥有机质含量,通过对秸秆堆肥中有机质含量的测量,获取有机质含量数据;
步骤二:获取温度、湿度数据,通过温度传感器和湿度传感器测量秸秆堆肥中的温度和湿度数据;
步骤三:确定区域预报概念模型,根据测量的温度、湿度数据,初步确定区域预报概念模型;
步骤四:最终确定区域预报解析模型,根据秸秆堆肥有机质含量数据和温度、湿度数据,确定最终的区域预报解析模型。
2.根据权利要求1所述一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,其特征在于,在步骤一中,有机质含量数据通过重铬酸钾容量法测量获取,其数据为连续多个月份的监测数据,数据量不少于2000组,且数据来源均为同一地区。
3.根据权利要求1所述一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,其特征在于,在步骤二中,所述温度数据包括每日的最高温度、最低温度和平均温度,所述湿度数据包括最低湿度和平均湿度,所述温度数据的数据量和湿度数据的数据量均不少于2000组。
4.根据权利要求1所述一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,其特征在于,所述步骤三中区域预报概念模型为:Pi=f(X1;X2);其中:X1、X2分别为连续多个月温度和湿度数据。
5.根据权利要求1所述一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,其特征在于,所述步骤四中区域预报解析模型为:Pi=a0+a1*X1+a2*X2,其中a0~a2为统计方法获得的模型参数。
6.根据权利要求5所述一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法,其特征在于,具体区域预报解析模型为:P=23.15831+0.00714*X1+0.76149*X2,预报合格定义为:与当年实测年型相比,误差在±1个年型内的结果为预报合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267343.0A CN114048897A (zh) | 2021-10-29 | 2021-10-29 | 一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267343.0A CN114048897A (zh) | 2021-10-29 | 2021-10-29 | 一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114048897A true CN114048897A (zh) | 2022-02-15 |
Family
ID=80206781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111267343.0A Pending CN114048897A (zh) | 2021-10-29 | 2021-10-29 | 一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048897A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001342089A (ja) * | 2000-05-26 | 2001-12-11 | Shunnosuke Shimano | 堆肥管理システム |
CN103575680A (zh) * | 2013-11-22 | 2014-02-12 | 南京农业大学 | 一种评估有机肥质量指标的光谱学方法 |
CN112417655A (zh) * | 2020-11-05 | 2021-02-26 | 天津市农业质量标准与检测技术研究所 | 一种建立农田土壤有机质预测模型的方法 |
CN112986531A (zh) * | 2021-01-25 | 2021-06-18 | 南宁师范大学 | 一种基于水热条件预测土壤全氮含量的方法 |
CN113139342A (zh) * | 2021-04-23 | 2021-07-20 | 上海交通大学 | 一种好氧堆肥监测系统及结果预测方法 |
CN113449907A (zh) * | 2021-06-16 | 2021-09-28 | 南宁师范大学 | 一种基于气象条件的金桔产量区域预报模型的构建方法 |
CN113793645A (zh) * | 2021-09-16 | 2021-12-14 | 浙江大学 | 一种基于机器学习模型的堆肥腐熟度预测方法 |
-
2021
- 2021-10-29 CN CN202111267343.0A patent/CN114048897A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001342089A (ja) * | 2000-05-26 | 2001-12-11 | Shunnosuke Shimano | 堆肥管理システム |
CN103575680A (zh) * | 2013-11-22 | 2014-02-12 | 南京农业大学 | 一种评估有机肥质量指标的光谱学方法 |
CN112417655A (zh) * | 2020-11-05 | 2021-02-26 | 天津市农业质量标准与检测技术研究所 | 一种建立农田土壤有机质预测模型的方法 |
CN112986531A (zh) * | 2021-01-25 | 2021-06-18 | 南宁师范大学 | 一种基于水热条件预测土壤全氮含量的方法 |
CN113139342A (zh) * | 2021-04-23 | 2021-07-20 | 上海交通大学 | 一种好氧堆肥监测系统及结果预测方法 |
CN113449907A (zh) * | 2021-06-16 | 2021-09-28 | 南宁师范大学 | 一种基于气象条件的金桔产量区域预报模型的构建方法 |
CN113793645A (zh) * | 2021-09-16 | 2021-12-14 | 浙江大学 | 一种基于机器学习模型的堆肥腐熟度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gehrels et al. | Foraminifera, testate amoebae and diatoms as sea‐level indicators in UK saltmarshes: a quantitative multiproxy approach | |
Sweeney et al. | Biogeochemical impacts due to mesoscale eddy activity in the Sargasso Sea as measured at the Bermuda Atlantic Time-series Study (BATS) | |
CN116391131A (zh) | 一种电池温度预测方法及系统 | |
CN113658640B (zh) | 一种淡水生态系统健康评价方法 | |
CN104075983B (zh) | 一种适用于苦苣苔科植物基因组大小的测定方法 | |
CN113378967B (zh) | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 | |
Krause et al. | Production, dissolution, accumulation, and potential export of biogenic silica in a Sargasso Sea mode‐water eddy | |
CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
CN114169638A (zh) | 一种水质预测方法及装置 | |
CN110132916B (zh) | 一种金属元素的精确定量分析方法 | |
Rodríguez-Ezpeleta et al. | Biodiversity monitoring using environmental DNA | |
CN102928379A (zh) | 一种近红外光谱技术快速检测增健口服液多糖含量的方法 | |
CN109852664B (zh) | 一种用于检测水华或赤潮水体中单一藻类生物量的方法 | |
CN110850049A (zh) | 一种水体质量监测及水体感官愉悦度评价方法 | |
CN114048897A (zh) | 一种基于温度、湿度条件的秸秆堆肥有机质含量预测模型构建方法 | |
Strass | On the calibration of large-scale fluorometric chlorophyll measurements from towed undulating vehicles | |
CN109959673B (zh) | 一种陆相干酪根的评价方法 | |
CN116925908A (zh) | 一种细胞培养过程在线智能监测系统和方法 | |
EP3126833B1 (en) | A method of predicting phenotypic instability in a cell | |
CN108022239B (zh) | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 | |
CN116184533A (zh) | 一种基于新型权重系数的逐小时时间滞后集合降水预报订正方法 | |
Clark et al. | Assessing variability in total phosphorus measurements in Ontario lakes | |
CN112198299B (zh) | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 | |
Ben‐Yaakov et al. | An automatic method for on‐line estimation of the photosynthetic rate in open algal ponds | |
CN113555059A (zh) | 环境变化下有机碳和微生物耦合关系的定量方法 |
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 |