CN114067113A - 基于物化条件校正的土壤大数据分析方法及装置 - Google Patents

基于物化条件校正的土壤大数据分析方法及装置 Download PDF

Info

Publication number
CN114067113A
CN114067113A CN202111313464.4A CN202111313464A CN114067113A CN 114067113 A CN114067113 A CN 114067113A CN 202111313464 A CN202111313464 A CN 202111313464A CN 114067113 A CN114067113 A CN 114067113A
Authority
CN
China
Prior art keywords
soil
gray level
data analysis
observation point
histogram
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
CN202111313464.4A
Other languages
English (en)
Inventor
石媛媛
覃其云
潘波
赵隽宇
宋贤冲
覃祚玉
唐健
王会利
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.)
Guangxi Zhuang Autonomous Region Forestry Research Institute
Original Assignee
Guangxi Zhuang Autonomous Region Forestry Research Institute
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 Guangxi Zhuang Autonomous Region Forestry Research Institute filed Critical Guangxi Zhuang Autonomous Region Forestry Research Institute
Priority to CN202111313464.4A priority Critical patent/CN114067113A/zh
Publication of CN114067113A publication Critical patent/CN114067113A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及大数据技术领域，具体涉及基于物化条件校正的土壤大数据分析方法及装置。所述方法执行以下步骤：步骤1：在目标区域设置多个观测点，每个观测点以设定的时间周期获取所在位置的土壤的某一项物理/化学参数，将获取到的参数发送至远端；每个观测点获取的物理/化学参数的类型均不相同；步骤2：每个观测点以设定的时间周期实时获取所在位置的土壤的图像数据，将获取到的图像数据发送至远端。其通过在现场设置观测点，以及通过观测点获取土壤的图像数据，无须将对土壤样本进行运输，再进行土壤分析，且分析过程中，不需要对每个观测点均进行测量和分析，而是进行归一化的分析和处理，提升了处理效率。

Description

基于物化条件校正的土壤大数据分析方法及装置
技术领域
本发明属于大数据技术领域，具体涉及基于物化条件校正的土壤大数据分析方法及装置。
背景技术
为了提高农产品的生产性，有必要适当把握土壤的肥力。作为土壤的肥力的指标，存在土壤中所含的有效氮、有效磷酸、总磷、总碳、总氮、K、Ca、Mg、Fe、Al、Na、CN比、CEC(Cation Exchange Capacity，阳离子交换容量)等的土壤肥力特征。例如，为了分析有效氮的量，提出了针对使用磷酸缓冲液提取了土壤的有机物的提取液进行可见吸收分光或者紫外吸收分光，或者利用近红外反射光分光的方法。
土壤是在母质、气候、生物、地形、时间等多种成土因素综合作用下形成和演变而成的。土壤组成很复杂，总体来说是由矿物质、动植物残体腐解产生的有机质、水分和空气等固、液、气三相组成的土壤环境质量评价涉及评价因子、评价标准和评价模式。评价因子数量与项目类型取决于监测的目的和现实的经济和技术条件。评价标准常采用国家土壤环境质量标准、区域土壤背景值或部门土壤质量标准。评价模式常用污染指数法或者与其有关的评价方法。
但现有技术在对土壤进行分析时，往往都通过采集土壤样本来进行分析，这种技术虽然准确率较高，但由于很多时候，土壤样本在采集或者运输过程中会导致土壤的成本变化，从而导致分析的结果和原土壤实际的情况发生偏差。另外，由于土壤具备的地域性，从一个目标地采集土壤然后运输到另外一个目标地往往需要消耗大量的时间和成本，导致土壤检测的成本增加。因此，研发一种能够在不接触土壤样本的情况进行土壤数据分析，同时基于大量土壤分析的结果对数据分析的结果进行校正的方法，以提升准确率，另外结合物化条件的变化进一步进行校正，则能大幅度提升土壤检测的效果。
公开号为CN106097131A的专利文献公开了基于大数据的农业精准种植方法，具体公开了：农业精准种植系统使用的大数据包括土壤大数据、农作物生长规律大数据、水肥大数据、农产品市场大数据四个模块。首先，根据农产品的以往市场销售量和价格大数据选择适宜种植的农作物类别。然后，根据农作物生长阶段大数据安排农作物的播种时间，根据土壤温度和湿度数据、适合土壤生长的农作物大数据选择适宜种植农作物的土壤。但其进行大数据分析时，没有针对土壤数据进行物化条件校正，导致准确率较低。
发明内容
有鉴于此，本发明的主要目的在于提供基于物化条件校正的土壤大数据分析方法及装置，其通过在现场设置观测点，以及通过观测点获取土壤的图像数据，无须将对土壤样本进行运输，再进行土壤分析，且分析过程中，不需要对每个观测点均进行测量和分析，而是进行归一化的分析和处理，提升了处理效率。
为达到上述目的，本发明的技术方案是这样实现的：
基于物化条件校正的土壤大数据分析方法，所述方法执行以下步骤：
步骤1：在目标区域设置多个观测点，每个观测点以设定的时间周期获取所在位置的土壤的某一项物理/化学参数，将获取到的参数发送至远端；每个观测点获取的物理/化学参数的类型均不相同；
步骤2：每个观测点以设定的时间周期实时获取所在位置的土壤的图像数据，将获取到的图像数据发送至远端；
步骤3：基于获取到的图像数据进行图像比对识别，基于图像比对识别结果进行土壤质量评价，得到土壤数据分析结果；
步骤4：基于步骤1中在设定的时间范围内得到的每个观测点的物理化学参数，生成校正因子；
步骤5：使用生成的校正因子对土壤数据分析结果进行校正，得到校正后的土壤数据分析结果；
步骤6：基于校正后的数据分析结果，进行土壤质量大数据分析。
进一步的，所述步骤1中获取的土壤的物理/化学参数包括：土壤PH值，土壤电导率，土壤碳酸盐含量，土壤含水量，土壤孔隙度，土壤土粒密度，土壤容重和土壤中多种重金属含量。
进一步的，所述观测点在获取土壤中多种重金属含量时，每一观测点只获取一种重金属的含量。
进一步的，所述步骤3中基于获取到的图像数据进行图像比对识别，基于图像比对识别结果进行土壤质量评价，得到土壤数据分析结果的方法执行以下步骤：
步骤3.1：基于获取到的图像数据，构建土壤图像灰度直方图，将灰度直方图进行直方图均衡映射，得到直方图映射集合，再对直方图映射集合中的元素按照先后顺序进行矩阵排列，得到直方图映射矩阵；
步骤3.2：求取直方图映射矩阵的秩，作为识别基数；
步骤3.3：基于所述识别基数，将土壤图像灰度直方图进行分割，得到多个子灰度直方图；
步骤3.4：求取每个子灰度直方图的隶属度矩阵及像素点邻域的空间信息构造目标函数，并根据所述目标函数对每个子灰度直方图进行图像比对识别；
步骤3.5：基于每个子灰度直方图的识别结果，求和后取平均值，得到最终的识别结果；
步骤3.6：基于最终的识别结果，进行土壤质量评价，得到土壤数据分析结果。
进一步的，所述步骤3.3：基于所述识别基数，将土壤图像灰度直方图进行分割，得到多个子灰度直方图的方法执行以下步骤：若识别基数≥18时，则将土壤图像灰度直方图分割成4*4个子灰度直方图；若识别基数≥11且<18时，将土壤图像灰度直方图分割成3*4个子灰度直方图；若识别基数>7且<11时，土壤图像灰度直方图分割成3*3个子灰度直方图。
进一步的，所述步骤3.4中构造的目标函数使用如下公式进行表示：
Figure BDA0003342881300000041
其中，J为目标函数，xi为第i个像素点的灰度值，
Figure BDA0003342881300000042
为第i个像素点的灰度值的中值，n为像素点个数，c为识别基数的个数，uij为概率向量，m为设定值，取值范围为1～2；vj为子灰度直方图的每个像素点的像素值，α为调整系数，取值范围为0.2～0.5。
进一步的，所述步骤4中基于步骤1中在设定的时间范围内得到的每个观测点的物理化学参数，生成校正因子的方法执行以下步骤：
步骤4.1：将在设定的时间范围内得到的每个观测点的物理化学参数进行离散处理，并在坐标系中进行标注；
步骤4.2：基于坐标系中的标注结果，使用基于线性回归的方法生成校正因子，使得生成的校正因子满足设定的约束条件。
进一步的，所述约束条件为：位于线性回归函数的两侧的校正因子的数量相等。
进一步的，所述位于线性回归函数的两侧的校正因子的数量的差值在设定的阈值范围内。
基于物化条件校正的土壤大数据分析装置。
本发明的基于物化条件校正的土壤大数据分析方法及装置，与传统方法相比，其通过在现场设置观测点，以及通过观测点获取土壤的图像数据，无须将对土壤样本进行运输，再进行土壤分析，且分析过程中，不需要对每个观测点均进行测量和分析，而是进行归一化的分析和处理，提升了处理效率。
主要通过以下过程实现：
1.观测点的设置：本发明通过设置多个观测点，各个观测点实时获取土壤的物化参数，但每个观测点仅仅获取一种物化参数，一方面简化了观测点的功能，另一方面又提升了参数获取的效率；同时，获取到的物化参数并不直接作为土壤分析的参数，而是作为校正参数来处理，这样做的目的在于，一方面如果直接使用获取的物化参数，将降低土壤分析的准确性，因为不同地点的物化参数存在差异，而如果将所有的物化参数都利用起来进行分析，则将这种差异带来的误差扩大了，另一方面将物化参数作为校正参数则是对其他分析结果进行一定程度的校正，则可以避免多差异带来的准确率降低的问题；
2.数据校正，本发明通过图像匹配分析来对土壤质量进行，这种分析过程可以阐述为通过对土壤图像进行图像识别，然后基于预设的匹配模板来进行匹配识别，通过这种识别来判断土壤质量，但这种识别往往会因为土壤图像的灰度变化不明显而出现较大偏差，而本发明通过两种过程来处理这种偏差，一是通过对识别算法的优化，使用基于灰度的多子图像的图像识别来提升土壤图像的灰度变化，进而提升识别准确率；二是通过生成校正因子来对识别结果进行校正，这样可以实现了物化参数和土壤图像识别的结合，两者的结合更能提升准确率，同时，也由于没有使用传统的土壤分析手段，提升了效率。
附图说明
图1为本发明实施例提供的基于物化条件校正的土壤大数据分析方法的方法流程示意图；
图2为本发明实施例提供的基于物化条件校正的土壤大数据分析方法及装置的观测点的设置示意图；
图3为本发明实施例提供的基于物化条件校正的土壤大数据分析方法及装置的校正因子的生成示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，基于物化条件校正的土壤大数据分析方法，所述方法执行以下步骤：
步骤1：在目标区域设置多个观测点，每个观测点以设定的时间周期获取所在位置的土壤的某一项物理/化学参数，将获取到的参数发送至远端；每个观测点获取的物理/化学参数的类型均不相同；
步骤2：每个观测点以设定的时间周期实时获取所在位置的土壤的图像数据，将获取到的图像数据发送至远端；
步骤3：基于获取到的图像数据进行图像比对识别，基于图像比对识别结果进行土壤质量评价，得到土壤数据分析结果；
步骤4：基于步骤1中在设定的时间范围内得到的每个观测点的物理化学参数，生成校正因子；
步骤5：使用生成的校正因子对土壤数据分析结果进行校正，得到校正后的土壤数据分析结果；
步骤6：基于校正后的数据分析结果，进行土壤质量大数据分析。
参考图2，图2中的观测点的设置应当满足观测点的数量多于对目标区域进行分区的数量。
参考图3，图3中生成的校正因子应当满足约束条件。
实施例2
在上一实施例的基础上，所述步骤1中获取的土壤的物理/化学参数包括：土壤PH值，土壤电导率，土壤碳酸盐含量，土壤含水量，土壤孔隙度，土壤土粒密度，土壤容重和土壤中多种重金属含量。
具体的，土壤污染物大致可分为无机污染物和有机污染物两大类。无机污染物主要包括酸、碱、重金属，盐类、放射性元素铯、锶的化合物、含砷、硒、氟的化合物等。有机污染物主要包括有机农药、酚类、氰化物、石油、合成洗涤剂、3,4-苯并芘以及由城市污水、污泥及厩肥带来的有害微生物等。当土壤中含有害物质过多，超过土壤的自净能力，就会引起土壤的组成、结构和功能发生变化，微生物活动受到抑制，有害物质或其分解产物在土壤中逐渐积累通过“土壤→植物→人体”，或通过“土壤→水→人体”间接被人体吸收，达到危害人体健康的程度，就是土壤污染。
实施例3
在上一实施例的基础上，所述观测点在获取土壤中多种重金属含量时，每一观测点只获取一种重金属的含量。
具体的，土壤分析是对土壤的组成分和(或)物理、化学性质进行的定性、定量测定。是进行土壤生成发育、肥力演变、土壤资源评价、土壤改良和合理施肥研究的基础工作，也是环境科学中进行环境质量评价的重要手段。
实施例4
在上一实施例的基础上，所述步骤3中基于获取到的图像数据进行图像比对识别，基于图像比对识别结果进行土壤质量评价，得到土壤数据分析结果的方法执行以下步骤：
步骤3.1：基于获取到的图像数据，构建土壤图像灰度直方图，将灰度直方图进行直方图均衡映射，得到直方图映射集合，再对直方图映射集合中的元素按照先后顺序进行矩阵排列，得到直方图映射矩阵；
步骤3.2：求取直方图映射矩阵的秩，作为识别基数；
步骤3.3：基于所述识别基数，将土壤图像灰度直方图进行分割，得到多个子灰度直方图；
步骤3.4：求取每个子灰度直方图的隶属度矩阵及像素点邻域的空间信息构造目标函数，并根据所述目标函数对每个子灰度直方图进行图像比对识别；
步骤3.5：基于每个子灰度直方图的识别结果，求和后取平均值，得到最终的识别结果；
步骤3.6：基于最终的识别结果，进行土壤质量评价，得到土壤数据分析结果。
具体的，因为土壤图像的灰度变化非常不明显，单纯通过图像识别将非常难以得到土壤图像的准确的识别结果。因此将土壤图像灰度直方图进行分割后再进行图像识别，同时基于每个子灰度直方图的隶属度矩阵及像素点邻域的空间信息构造目标函数，可以提升每个子图像中的差异，进而提升识别准确率。
实施例5
在上一实施例的基础上，所述步骤3.3：基于所述识别基数，将土壤图像灰度直方图进行分割，得到多个子灰度直方图的方法执行以下步骤：若识别基数≥18时，则将土壤图像灰度直方图分割成4*4个子灰度直方图；若识别基数≥11且<18时，将土壤图像灰度直方图分割成3*4个子灰度直方图；若识别基数>7且<11时，土壤图像灰度直方图分割成3*3个子灰度直方图。
实施例6
在上一实施例的基础上，所述步骤3.4中构造的目标函数使用如下公式进行表示：
Figure BDA0003342881300000081
Figure BDA0003342881300000082
其中，J为目标函数，xi为第i个像素点的灰度值，
Figure BDA0003342881300000083
为第i个像素点的灰度值的中值，n为像素点个数，c为识别基数的个数，uij为概率向量，m为设定值，取值范围为1～2；vj为子灰度直方图的每个像素点的像素值，α为调整系数，取值范围为0.2～0.5。
实施例7
在上一实施例的基础上，所述步骤4中基于步骤1中在设定的时间范围内得到的每个观测点的物理化学参数，生成校正因子的方法执行以下步骤：
步骤4.1：将在设定的时间范围内得到的每个观测点的物理化学参数进行离散处理，并在坐标系中进行标注；
步骤4.2：基于坐标系中的标注结果，使用基于线性回归的方法生成校正因子，使得生成的校正因子满足设定的约束条件。
具体的，满足约束条件的校正因子将更加能反应所有物化参数的特性，线性回归的方法也能使得所有的物化参数能有一个归一化的结果。
实施例8
在上一实施例的基础上，所述约束条件为：位于线性回归函数的两侧的校正因子的数量相等。
实施例9
在上一实施例的基础上，所述位于线性回归函数的两侧的校正因子的数量的差值在设定的阈值范围内。
实施例10
基于物化条件校正的土壤大数据分析装置。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和属性约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (10)

1.基于物化条件校正的土壤大数据分析方法，其特征在于，所述方法执行以下步骤：
步骤1：在目标区域设置多个观测点，每个观测点以设定的时间周期获取所在位置的土壤的某一项物理/化学参数，将获取到的参数发送至远端；每个观测点获取的物理/化学参数的类型均不相同；
步骤2：每个观测点以设定的时间周期实时获取所在位置的土壤的图像数据，将获取到的图像数据发送至远端；
步骤3：基于获取到的图像数据进行图像比对识别，基于图像比对识别结果进行土壤质量评价，得到土壤数据分析结果；
步骤4：基于步骤1中在设定的时间范围内得到的每个观测点的物理化学参数，生成校正因子；
步骤5：使用生成的校正因子对土壤数据分析结果进行校正，得到校正后的土壤数据分析结果；
步骤6：基于校正后的数据分析结果，进行土壤质量大数据分析。
2.如权利要求1所述的方法，其特征在于，所述步骤1中获取的土壤的物理/化学参数包括：土壤PH值，土壤电导率，土壤碳酸盐含量，土壤含水量，土壤孔隙度，土壤土粒密度，土壤容重和土壤中多种重金属含量。
3.如权利要求2所述的方法，其特征在于，所述观测点在获取土壤中多种重金属含量时，每一观测点只获取一种重金属的含量。
4.如权利要求3所述的方法，其特征在于，所述步骤3中基于获取到的图像数据进行图像比对识别，基于图像比对识别结果进行土壤质量评价，得到土壤数据分析结果的方法执行以下步骤：
步骤3.1：基于获取到的图像数据，构建土壤图像灰度直方图，将灰度直方图进行直方图均衡映射，得到直方图映射集合，再对直方图映射集合中的元素按照先后顺序进行矩阵排列，得到直方图映射矩阵；
步骤3.2：求取直方图映射矩阵的秩，作为识别基数；
步骤3.3：基于所述识别基数，将土壤图像灰度直方图进行分割，得到多个子灰度直方图；
步骤3.4：求取每个子灰度直方图的隶属度矩阵及像素点邻域的空间信息构造目标函数，并根据所述目标函数对每个子灰度直方图进行图像比对识别；
步骤3.5：基于每个子灰度直方图的识别结果，求和后取平均值，得到最终的识别结果；
步骤3.6：基于最终的识别结果，进行土壤质量评价，得到土壤数据分析结果。
5.如权利要求4所述的方法，其特征在于，所述步骤3.3：基于所述识别基数，将土壤图像灰度直方图进行分割，得到多个子灰度直方图的方法执行以下步骤：若识别基数≥18时，则将土壤图像灰度直方图分割成4*4个子灰度直方图；若识别基数≥11且<18时，将土壤图像灰度直方图分割成3*4个子灰度直方图；若识别基数>7且<11时，土壤图像灰度直方图分割成3*3个子灰度直方图。
6.如权利要求5所述的方法，其特征在于，所述步骤3.4中构造的目标函数使用如下公式进行表示：
Figure FDA0003342881290000021
Figure FDA0003342881290000022
其中，J为目标函数，xi为第i个像素点的灰度值，
Figure FDA0003342881290000023
为第i个像素点的灰度值的中值，n为像素点个数，c为识别基数的个数，uij为概率向量，m为设定值，取值范围为1～2；vj为子灰度直方图的每个像素点的像素值，α为调整系数，取值范围为0.2～0.5。
7.如权利要求6所述的方法，其特征在于，所述步骤4中基于步骤1中在设定的时间范围内得到的每个观测点的物理化学参数，生成校正因子的方法执行以下步骤：
步骤4.1：将在设定的时间范围内得到的每个观测点的物理化学参数进行离散处理，并在坐标系中进行标注；
步骤4.2：基于坐标系中的标注结果，使用基于线性回归的方法生成校正因子，使得生成的校正因子满足设定的约束条件。
8.如权利要求7所述的方法，其特征在于，所述约束条件为：位于线性回归函数的两侧的校正因子的数量相等。
9.如权利要求7所述的方法，其特征在于，所述位于线性回归函数的两侧的校正因子的数量的差值在设定的阈值范围内。
10.用于权利要求1至9之一所述方法的基于物化条件校正的土壤大数据分析装置。
CN202111313464.4A 2021-11-08 2021-11-08 基于物化条件校正的土壤大数据分析方法及装置 Pending CN114067113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111313464.4A CN114067113A (zh) 2021-11-08 2021-11-08 基于物化条件校正的土壤大数据分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111313464.4A CN114067113A (zh) 2021-11-08 2021-11-08 基于物化条件校正的土壤大数据分析方法及装置

Publications (1)

Publication Number Publication Date
CN114067113A true CN114067113A (zh) 2022-02-18

Family

ID=80274657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111313464.4A Pending CN114067113A (zh) 2021-11-08 2021-11-08 基于物化条件校正的土壤大数据分析方法及装置

Country Status (1)

Country Link
CN (1) CN114067113A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565580A (zh) * 2022-03-01 2022-05-31 广西壮族自治区林业科学研究院 使用图像和传感结合进行土壤数据采集的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565580A (zh) * 2022-03-01 2022-05-31 广西壮族自治区林业科学研究院 使用图像和传感结合进行土壤数据采集的方法及装置
CN114565580B (zh) * 2022-03-01 2024-03-19 广西壮族自治区林业科学研究院 使用图像和传感结合进行土壤数据采集的方法及装置

Similar Documents

Publication Publication Date Title
Higgins et al. Improving productivity and increasing the efficiency of soil nutrient management on grassland farms in the UK and Ireland using precision agriculture technology
He et al. Soil organic carbon prediction using phenological parameters and remote sensing variables generated from Sentinel-2 images
Diacono et al. Precision nitrogen management of wheat. A review
Rabbi et al. Climate and soil properties limit the positive effects of land use reversion on carbon storage in Eastern Australia
Sena et al. Discrimination of management effects on soil parameters by using principal component analysis: a multivariate analysis case study
Kitchen et al. Delineating productivity zones on claypan soil fields using apparent soil electrical conductivity
CA2392962C (en) Methods and systems for managing farmland
CN110110595B (zh) 一种基于卫星遥感影像的农田画像及药肥大数据分析方法
Jiang et al. Spatio-temporal distribution of soil nitrogen in Poyang lake ecological economic zone (South-China)
Corwin Site-specific management and delineating management zones
Aranguren et al. Crop sensor-based in-season nitrogen management of wheat with manure application
Vogel et al. Direct prediction of site-specific lime requirement of arable fields using the base neutralizing capacity and a multi-sensor platform for on-the-go soil mapping
CN114067113A (zh) 基于物化条件校正的土壤大数据分析方法及装置
Bleeker et al. Field intercomparison of throughfall measurements performed within the framework of the Pan European intensive monitoring program of EU/ICP Forest
Hegedus et al. Rationale for field-specific on-farm precision experimentation
Farrar et al. Rapid assessment of soil carbon and nutrients following application of organic amendments
Sullivan et al. Baseline soil nitrogen mineralization: measurement and interpretation
US20240099179A1 (en) Machine learning-based hyperspectral detection and visualization method of nitrogen content in soil profile
Wade et al. Over-parameterised, uncertain ‘mathematical marionettes’—How can we best use catchment water quality models? An example of an 80-year catchment-scale nutrient balance
Zhang et al. Effects of air pollutants and their interactive environmental factors on winter wheat yield
Roelsma et al. Comparative study of nitrate leaching models on a regional scale
CN116297603A (zh) 一种农作物土壤中重金属污染的检测方法
Krogstad et al. Nitrogen Mineralization of Apple Orchard Soils in Regions of Western and South-Eastern Norway
Meena et al. Fertilizer Recommendations by Using Different Geospatial Technologies in Precision Farming or Nanotechnology
Kumar et al. Identifying sensitive soil properties as a function of land use change in Thar Desert of India

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