CN115039549B - 一种农作物种植施肥信息处理方法及系统 - Google Patents
一种农作物种植施肥信息处理方法及系统 Download PDFInfo
- Publication number
- CN115039549B CN115039549B CN202210747187.6A CN202210747187A CN115039549B CN 115039549 B CN115039549 B CN 115039549B CN 202210747187 A CN202210747187 A CN 202210747187A CN 115039549 B CN115039549 B CN 115039549B
- Authority
- CN
- China
- Prior art keywords
- information
- fertilization
- crop
- environmental
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000004720 fertilization Effects 0.000 claims abstract description 310
- 230000007613 environmental effect Effects 0.000 claims abstract description 126
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 230000000737 periodic effect Effects 0.000 claims abstract description 41
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 abstract description 12
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 239000003337 fertilizer Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 6
- 239000003102 growth factor Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (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)
- Fertilizing (AREA)
Abstract
本申请公开了一种农作物种植施肥信息处理方法及系统，通过根据农作物基础信息、生长周期信息在农作物周期映射列表中进行信息匹配，获得周期施肥信息、周期环境信息；根据周期施肥信息、周期环境信息，确定环境影响信息、施肥影响信息；基于环境影响信息、施肥影响信息进行权重分析，获得因素权重关系；基于环境影响信息进行环境数据检测提取，获得当前环境信息；根据当前环境信息、因素权重关系，获得施肥要求占比关系；将施肥要求占比关系、周期施肥信息输入施肥分析模型确定施肥执行信息。解决现有农作物种植施肥为按照人工经验进行设定和实施，受人为经验水平的限制，存在施肥量和时间把握不准而造成浪费或影响农作物生长收成的技术问题。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种农作物种植施肥信息处理方法及系统。
背景技术
农作物包括粮食作物、经济作物，其中粮食作物关于到民生问题，人以食为天，粮食农作物的科学种植关于到粮食的收成，也就影响到粮食的供给，我国常见的粮食作物包括小麦、水稻、玉米等，不论那种农作物都具有一定的生长周期，在不同的生长周期对于农作物的生长具有不同的意义，如有的周期为发芽生根期，确保一定的阳光、水分，如有的周期为结果期，需要施肥、灭虫等，不同的周期对应了不同的生长要求，对于农作物的生长起到不同的作用，如何协调好施肥浇水和自然环境之间的关系，对于农作物的生长收成起到重要作用。
发现上述技术至少存在如下技术问题：
现有技术中农作物种植施肥为按照人工经验进行设定和实施，受到人为经验水平的限制，存在施肥量和时间把握不准而造成浪费或影响农作物生长收成的技术问题。
发明内容
本申请的目的是提供一种农作物种植施肥信息处理方法及系统，用以解决现有技术中农作物种植施肥为按照人工经验进行设定和实施，受到人为经验水平的限制，存在施肥量和时间把握不准而造成浪费或影响农作物生长收成的技术问题。达到了针对农作物的生长周期特征进行针对性生长因素分析，结合自然环境因素的影响性，对施肥参数进行占比关系进行调整，以保证施肥参数满足农作生长要求，确保施肥参数的精准性，利用精准的施肥参数实施施肥提升农作物生长效果和收成，避免盲目施肥造成的肥料浪费或影响生长情况出现的技术效果。
鉴于上述问题，本申请提供了一种农作物种植施肥信息处理方法及系统。
第一方面，本申请提供了一种农作物种植施肥信息处理方法，所述方法包括：获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息；根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系；基于所述环境影响信息进行环境数据检测提取，获得当前环境信息；根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系；将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息。
另一方面，本申请还提供了一种农作物种植施肥信息处理系统，用于执行如第一方面所述的一种农作物种植施肥信息处理方法，所述系统包括：
第一获得单元，所述第一获得单元用于获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息；
第二获得单元，所述第二获得单元用于根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；
第一确定单元，所述第一确定单元用于根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；
第三获得单元，所述第三获得单元用于基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系；
第四获得单元，所述第四获得单元用于基于所述环境影响信息进行环境数据检测提取，获得当前环境信息；
第五获得单元，所述第五获得单元用于根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系；
第一执行单元，所述第一执行单元用于将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息。
第三方面，本申请还提供了一种农作物种植施肥信息处理系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请公开了一种农作物种植施肥信息处理方法及系统，通过获得农作物基础信息、生长周期信息；根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系，确定环境影响信息、施肥影响信息对农作物在当前生长周期的影响程度；基于所述环境影响信息中的环境因素进行环境数据检测提取，获得当前环境信息，当前环境信息中包括了环境影响信息中对应的环境信息；根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系，即在当前的环境影响信息下需要进行的施肥要求占比关系；将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，通过施肥分析模型输出施肥参数信息，其中包括施肥种类、施肥时间、施肥量次，根据施肥参数信息确定施肥执行信息。达到了针对农作物的生长周期特征进行针对性生长因素分析，结合自然环境因素的影响性，对施肥参数进行占比关系进行调整，以保证施肥参数满足农作生长要求，确保施肥参数的精准性，利用精准的施肥参数实施施肥提升农作物生长效果和收成，避免盲目施肥造成的肥料浪费或影响生长情况出现的技术效果。解决了现有技术中农作物种植施肥为按照人工经验进行设定和实施，受到人为经验水平的限制，存在施肥量和时间把握不准而造成浪费或影响农作物生长收成的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例的一种农作物种植施肥信息处理方法的流程示意图；
图2为本申请实施例一种农作物种植施肥信息处理系统的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一确定单元13，第三获得单元14，第四获得单元15，第五获得单元16，第一执行单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种农作物种植施肥信息处理方法及系统，解决了现有技术中农作物种植施肥为按照人工经验进行设定和实施，受到人为经验水平的限制，存在施肥量和时间把握不准而造成浪费或影响农作物生长收成的技术问题。
下面，将参考附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
本申请提供的技术方案总体思路如下：
获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息；根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系；基于所述环境影响信息进行环境数据检测提取，获得当前环境信息；根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系；将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息。达到了针对农作物的生长周期特征进行针对性生长因素分析，结合自然环境因素的影响性，对施肥参数进行占比关系进行调整，以保证施肥参数满足农作生长要求，确保施肥参数的精准性，利用精准的施肥参数实施施肥提升农作物生长效果和收成，避免盲目施肥造成的肥料浪费或影响生长情况出现的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1，本申请实施例提供了一种农作物种植施肥信息处理方法，所述方法包括：
步骤S100：获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息。
具体而言，本方法应用于农作物种植施肥信息处理系统中，该系统主要用于对农作物各生长周期中施肥信息的处理，以提供关于农作物的施肥处理参数，实现对农作物施肥的精准控制，以提高农作物的成活率或者收成量。农作物信息为待进行施肥信息处理的农作物，要进行农作物施肥信息处理，农作物信息中应包括农作物基础信息即农作物名称、品种，生长周期信息农作物正处于的生长周期阶段，或需要进行施肥处理分析的生长周期。
可选的，农作物信息的获取可以通过在系统中自行录入选择对应的农作物基础信息、生长周期信息，对于不确定农作物基础信息或生长周期的也可以对具体信息进行评定，如录入种下的时间、农作物的种类(小麦、水稻、玉米等)、种子图片、当前的生长图片，系统内预存为图像提取、语义分析等相关工具，按照输入的信息类型匹配到对应的工具进行内容提取，利用提取和录入的信息在系统的农作物数据库中进行特征匹配，确定农作物基础信息、生长周期评估结果。
农作物数据库为通过大数据、专业书籍、专家平台等进行农作物数据搜集和分类汇总、更新后，创建的农作物数据集合。其中包括了农作物名称、品种及对应的生长地、生长周期信息、周期状态等。由于农作物在不同的生长地如南方北方，具有不同的生长周期和特征，因而结合不同生长地的周期和状态进行分别处理。
步骤S200：根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息。
进一步的，所述方法还包括：步骤S810：获得农作物种植记录集，所述农作物种植记录集包括农作物名称、农作物生长周期、生长周期对应的环境、施肥信息；步骤S820：基于所述农作物生长周期对所述农作物种植记录集进行生长周期划分，并将生长周期划分特征作为第一分类特征，获得生长周期分类集，所述生长周期分类集中各分类均包括多种农作物名称；步骤S830：基于所述生长周期对应的环境、施肥信息对所述生长周期分类集进行环境因素、施肥因素划分，并将划分特征作为第二分类特征，获得因素分类层集；步骤S840：基于所述第一分类特征、第二分类特征确定群集分级关系；步骤S850：基于所述群集分级关系将所述生长周期分类集、所述因素分类层级进行关系映射，构建所述农作物周期映射列表。
具体而言，利用农作物基础信息在农作物周期映射列表中进行匹配，确定农作物名称和品种对应的周期信息和施肥信息，再利用生长周期信息与该农作物名称品种对应的周期信息中进行匹配，匹配到该周期中的施肥信息和生长要求，根据匹配结果确定该农作物对应周期内需要的生长要求和具体的施肥操作内容，如施哪种类型的肥以满足该周期内农作物的哪些生长要求，如补哪种微量元素的肥料等。
农作物周期映射列表为针对农作物信息库中各农作物名称、品种，在各生长周期的不同生长要求、施肥处理内容、环境要求等进行信息整合，按照历史种植的周期记录数据进行分析处理，以掌握各农作物的生长状态和特征，按照各农作物与生长周期的生长要求、施肥处理、环境等的对应关系建立映射，可以实现利用农作物名称、生长周期能够快速在农作物周期映射列表中匹配到对应的生长要求、施肥处理信息、环境要求等信息。
可选的，为了快速有效的进行农作物周期映射列表的构建，本申请实施例利用机器学习通过对历史数据的学习而完成对农作物历史周期记录信息的划分和层级关系构建，从而完成对映射列表的建立。农作物种植记录集即历史种植数据，其中包括了多种农作物名称，包括了市面上所有农作物内容，即农作物对应生长过程中各生长周期、生长要求、施肥、环境等各方面的信息。首先对农作物种植记录集中所有农作物包括的生长周期进行特征提取，获得各生长周期的特征，将所有生长周期的划分特征进行第一层级的分类，实现对各生长周期的划分，生长周期分类集中包括了所有生长周期，及各生长周期中对应的农作物名称，由于各种农作物的生长周期存在不同，因而有的周期阶段多，有的周期少，按照所有周期进行统计，对于没有该周期的农作物进行特殊标记，或者不做标记，将具有该周期的农作物进行分类，从而实现了所有农作物、所有生长周期的划分。
针对各周期中的各农作物的周期特征和生长要求，对该农作物在对应生长周期内的环境因素、施肥因素进行划分，其中环境因素包括了自然环境、地区环境、土壤环境等，为自然环境下生产的因素，施肥因素为人为因素，包括施肥、农药、浇水等人工进行种植的因素，针对各农作物各生长周期中对应的因素进行环境、施肥因素的划分，按照环境因素、施肥因素的特征确定第二层级的分类特征，利用第一分类特征、第二分类特征构建分类模型，分类模型即为经过机器学习后获得的计算机运算模型，将农作物历史记录数据输入值分类模型中，按照各分类的特征分类，输出分类结果，按照各层级的群集分级关系建立映射，将各层级的结果和映射关系建立农作物周期映射列表。
步骤S300：根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息。
进一步的，所述根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息，步骤S300包括：步骤S310：根据所述周期施肥信息进行特征提取，获得施肥种类、施肥时间、施肥量次；步骤S320：根据所述施肥种类、施肥时间、施肥量次，获得施肥影响信息；步骤S330：根据所述周期环境信息进行特征提取，获得土壤信息、光照信息、水分信息；步骤S340：根据所述土壤信息、光照信息、降水量，获得环境影响信息。
具体而言，根据匹配到的周期施肥信息、周期环境信息对其中的因素进行分析，找到环境信息中对农作物该周期的影响信息，对周期施肥信息中的因素分析，找到其中会农作该周期的生长具有影响的信息。
环境影响信息包括该周期需要的自然因素，如需要多久的光照、土壤成分湿度、降雨量的影响，施肥因素中包括了需要施加哪方面的肥料，即施肥种类，施肥时间即位于周期的那个阶段、时间点，施肥量次为需要经历几次施肥，每次施肥分别需要多少量。
步骤S400：基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系。
进一步的，基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系，步骤S400包括：步骤S410：根据所述施肥影响信息、所述环境影响信息，构建影响因素矩阵；步骤S420：对所述影响因素矩阵进行标准差计算，获得指标标准差；步骤S430：对所述影响因素矩阵进行指标相关性计算，获得指标相关性；步骤S440：根据所述指标标准差、所述指标相关性进行综合运算，获得各指标权重值，确定所述因素权重关系。
进一步的，所述根据所述指标标准差、所述指标相关性进行综合运算，获得各指标权重值，包括：根据公式
获得各指标权重值，其中，Sj为第j个指标的指标标准差、Rj为指标相关性、Wj为指标权重值。
具体而言，针对所有影响信息包括环境、施肥信息进行权重分析，确定各影响信息对该农作物当前的生长周期的影响比重，不同的生长周期需要的生长条件不同，有的阶段不需要进行施肥，主要依靠自然环境的影响，若自然环境能够满足该农作物生长周期的要求则不需要进行施肥，则该农作物生长周期中环境信息的占比会远大于施肥信息的权重值。有的农作物的周期对应的生长要求为环境因素和施肥因素占比均重要，在环境信息和施肥信息的占比接近，按照各因素对于该生长周期的影响程度确定其权重值。权重值的运算利用历史数据中的实际种植过程不同环境的种植效果进各因素的影响程度确定，按照各因素的影响程度来确定该权重关系。
为了进一步提升权重值运算的可靠性，可选的，利用CRITIC法进行权重运算，按照匹配的该农作物在该生长周期中的所有数据，其中包括了多组历史记录数据，多组数据为不同环境不同条件下记录的该农作物的生长过程的记录信息，对每组数据均进行了环境信息、施肥信息的分析，利用所有环境影响信息、施肥影响信息构建影响因素矩阵，其中的数据为历史记录的原始数据，针对各组数据中的环境因素、施肥因素进行权重分析，确定各因素对于该农作物该生长周期产生的影响占比。
首先，对影响因素矩阵进行无量纲化处理，消除其中因量纲不同对结果的影响，对无量纲化处理后的各因素数据进行标准差运算，获得各影响因素的标准差，标准差标识各因素的取值的差异波动情况，越大则波动性越大，对应的信息更多，该因素本身的评价强度就越强，则权重就越高。在对影响因素矩阵进行冲突性计算，用相关系数表示，使用相关系数来表示因素间的相关性，与其他因素信息的相关性越强，说明该因素与其他的冲突性小，相同信息越多，则结果具有重复性，不利于分析，则其权重应减少。针对指标标准差和指标相关性进行综合分析，确定各因素的最终权重值，根据所有因素之间的权重值，确定各因素的权重关系，同时利用环境影响信息中的各参数的权重值也可以对环境影响信息中的各参数进行权重关系确定，同理，施肥影响信息中的具体各参数也可以进行权重关系确定。
步骤S500：基于所述环境影响信息进行环境数据检测提取，获得当前环境信息。
进一步的，所述基于所述环境影响信息进行环境数据检测提取，获得当前环境信息，步骤S500包括：步骤S510：根据所述环境影响信息进行数据获取手段匹配，获得匹配手段；步骤S520：根据所述匹配手段生成数据提取信息，所述生成数据提取信息为按照所述匹配手段进行数据提取，获得数据原始信息；步骤S530：基于所述环境影响信息，确定数据参数要求；步骤S540：根据所述数据参数要求对所述数据原始信息进行数据提取，获得所述当前环境信息。
具体而言，针对该农作物针对当前的生长周期需要的环境影响信息，进行各数据的提取和监测，得到当前环境信息，其中包括了环境影响信息中需要的自然条件，如降水量、光照强度和时长、土壤成分等，降水量、光照强度可以通过气象网站发布的官方数据进行提取，针对土壤成分可以根据定位对所在地的地理位置进行定位，同时结合土壤成分的物联网监测传感器进行监测，将采集到的土壤成分结果通过网络返回至系统中，用于进行后续的分析处理。
可选的，当前环境信息的监测提取，可以通过人为进行搜集后上传至系统。还可以进行智能采集，针对智能监测和提取的，利用环境影响信息中的要求进行数据获取手段的分析和匹配，手段为预设限定的手段，如通过大数据网络链接端口进行数据获取，如与物联网监测设备、传感器等进行数据链接端口，根据匹配的手段进行连接端口的连接，通过与链接端口建立连接，基于环境影响信息中的参数要求生成监测提取要求，按照参数要求通过端口连接实现对数据的提取和监测，获得数据原始信息，为了避免在采集数据中出现数据采集偏差，按照环境影响信息中的参数进行采集后得到的所有数据进行具体要求的匹配，如时间范围、地理区间等，筛选得到符合当前分析要求的数据作为当前环境信息。
步骤S600：根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系。
具体而言，针对当前环境信息与环境影响信息中进行信息匹配，找到当前环境信息满足环境影响信息中的要求的比例值，针对因素权重关系中的权重占比，和当前环境实现要求的比例值继续运算，确定当前的环境信息是否满足生长周期中要求，和满足的程度，对于满足要求的，结合当前的因素权重关系来确定是否需要进行施肥处理，对于不满足的，需要通过施肥因素进行生长要求的补给，补给要求和因素权重关系，确定需要施肥要求占了多大的比例关系。
举例而言，当前的环境信息已经满足了环境影响信息的要求，则按照因素权重关系中的施肥因素的权重值，确定施肥要求占比关系，即因素权重关系中的权重值直接作为施肥要求占比关系。
若当前环境信息不满足环境影响信息的要求，则按照差异值和施肥因素之间的关系，确定是否需要利用施肥因素进行补给，如偏差值可以通过施肥因素进行补给的，则利用施肥因素对偏差值进行补给，同时将需要补给的占比加上因素权重关系中的施肥权重值，即作为施肥要求占比关系。
步骤S700：将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息。
具体而言，基于施肥要求占比关系中施肥的占比要求，结合当前周期中的施肥信息中的施肥参数要求进行综合分析处理，确定当前的施肥占比下的施肥参数，即施肥方案，使用哪种施肥手段、施肥类型、施肥时间、施肥量次，从而确定施肥执行信息。
在进行施肥参数的确定中，本申请利用施肥分析模型对输入的占比关系和周期施肥信息中的施肥参数进行分析判断，确定与其对应的施肥参数要求进行输出，按照输出的施肥参数要求确定施肥执行信息，指导用户进行农作物的种植施肥处理，以确保施肥时间点、施肥种类、施肥量次的精准化，针对农作物的生长周期要求，从而提高种植效果。解决了现有技术中农作物种植施肥为按照人工经验进行设定和实施，受到人为经验水平的限制，存在施肥量和时间把握不准而造成浪费或影响农作物生长收成的技术问题。达到了针对农作物的生长周期特征进行针对性生长因素分析，结合自然环境因素的影响性，对施肥参数进行占比关系进行调整，以保证施肥参数满足农作生长要求，确保施肥参数的精准性，利用精准的施肥参数实施施肥提升农作物生长效果和收成，避免盲目施肥造成的肥料浪费或影响生长情况出现的技术效果。
其中施肥分析模型为经过深度学习的神经网络模型，通过对历史训练数据的学习，确定施肥要求占比关系、周期施肥信息与施肥参数，训练数据中包括了多组收成达到理想状态的数据，每组数据均包括施肥要求占比关系、周期施肥信息及标识施肥参数信息的标识结果，施肥参数信息包括施肥种类、施肥时间、施肥量次，利用训练数据中的标识结果对模型进行收敛和验证，指导施肥分析模型达到了输出结果的准确性要求，则收敛验证完成，确定施肥分析模型，使得施肥分析模型具有按照输入的施肥要求占比关系、周期施肥信息进行运算处理后输出对应的施肥参数信息，按照施肥参数信息生成对应的施肥执行信息。
进一步的，所述方法还包括：步骤S910：获得实时环境信息；步骤S920：根据所述实时环境信息、所述当前环境信息，获得环境变化量；步骤S930：根据所述环境变化量进行施肥参数的调整，获得调整施肥要求；步骤S940：基于所述调整施肥要求对所述施肥执行信息进行调整。
具体而言，利用当前环境信息同样的手段对环境信息进行实时监测提取，获得实时环境信息，利用实时环境信息和前期进行施肥执行信息确定的当前环境信息进行比较，是否存在偏差，或者因素数据的突变，针对环境变化量进行变化分析，针对环境变化量对当前的农作物的施肥参数信息产生影响的，则根据环境变化量对施肥参数进行调整，以满足实时的环境要求，以保证农作物当前生长周期的要求，
在进行参数调整时，可选的，利用环境变化量输入值施肥分析模型进行处理，得到施肥参数预测值，针对施肥参数预测值进行损失函数分析，得到损失数据，将损失数据输入值施肥分析模型进行训练，获得增量分析模型，利用增加的变化量对施肥分析模型进行增量分析，施肥参数预测值时针对差异变化量进行预测得到的系数，由于增量分析模型引入损失函数完成数据损失分析进而得到的新模型，具有保存原有模型的训练结果，同时增加了新的训练数据进行学习，达到了保留原施肥分析模型的基本功能，并维持模型不断更新的性能，从而提高了参数分析的准确性，保证更新业务能力准确性的技术效果。
综上，本申请实施例至少如下技术效果：
1.通过根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系，即在当前的环境影响信息下需要进行的施肥要求占比关系；将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，通过施肥分析模型输出施肥参数信息，根据施肥参数信息确定施肥执行信息。达到了针对农作物的生长周期特征进行针对性生长因素分析，结合自然环境因素的影响性，对施肥参数进行占比关系进行调整，以保证施肥参数满足农作生长要求，确保施肥参数的精准性，利用精准的施肥参数实施施肥提升农作物生长效果和收成，避免盲目施肥造成的肥料浪费或影响生长情况出现的技术效果。
2.通过利用CRITIC法对环境影响信息、施肥影响信息进行权重分析，以提高权重分析的效率和可靠性，为进行后续的施肥参数定制提供了基础，为施肥执行信息的精准性提供了保证。
3.通过对环境信息进行实时监测，针对监测的实时环境信息与当前环境信息的变化值对施肥参数进行实时调整，以保证施肥执行信息的可靠性，利用增量学习对施肥分析模型进行增量学习，达到了保留原施肥分析模型的基本功能，并维持模型不断更新的性能，从而提高了参数分析的准确性，保证更新业务能力准确性的技术效果。
实施例二
基于与前述实施例中一种农作物种植施肥信息处理方法，同样发明构思，本发明还提供了一种农作物种植施肥信息处理系统，请参阅附图2，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息；
第二获得单元12，所述第二获得单元12用于根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；
第一确定单元13，所述第一确定单元13用于根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；
第三获得单元14，所述第三获得单元14用于基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系；
第四获得单元15，所述第四获得单元15用于基于所述环境影响信息进行环境数据检测提取，获得当前环境信息；
第五获得单元16，所述第五获得单元16用于根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系；
第一执行单元17，所述第一执行单元17用于将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息。
进一步的，所述系统还包括：
第六获得单元，所述第六获得单元用于获得农作物种植记录集，所述农作物种植记录集包括农作物名称、农作物生长周期、生长周期对应的环境、施肥信息；
第七获得单元，所述第七获得单元用于基于所述农作物生长周期对所述农作物种植记录集进行生长周期划分，并将生长周期划分特征作为第一分类特征，获得生长周期分类集，所述生长周期分类集中各分类均包括多种农作物名称；
第八获得单元，所述第八获得单元用于基于所述生长周期对应的环境、施肥信息对所述生长周期分类集进行环境因素、施肥因素划分，并将划分特征作为第二分类特征，获得因素分类层集；
第二确定单元，所述第二确定单元用于基于所述第一分类特征、第二分类特征确定群集分级关系；
第一构建单元，所述第一构建单元用于基于所述群集分级关系将所述生长周期分类集、所述因素分类层级进行关系映射，构建所述农作物周期映射列表。
进一步的，所述系统还包括：
第九获得单元，所述第九获得单元用于根据所述周期施肥信息进行特征提取，获得施肥种类、施肥时间、施肥量次；
第十获得单元，所述第十获得单元用于根据所述施肥种类、施肥时间、施肥量次，获得施肥影响信息；
第十一获得单元，所述第十一获得单元用于根据所述周期环境信息进行特征提取，获得土壤信息、光照信息、水分信息；
第十二获得单元，所述第十二获得单元用于根据所述土壤信息、光照信息、水分信息，获得环境影响信息。
进一步的，所述系统还包括：
第二构建单元，所述第二构建单元用于根据所述施肥影响信息、所述环境影响信息，构建影响因素矩阵；
第十三获得单元，所述第十三获得单元用于对所述影响因素矩阵进行标准差计算，获得指标标准差；
第十四获得单元，所述第十四获得单元用于对所述影响因素矩阵进行指标相关性计算，获得指标相关性；
第二执行单元，所述第二执行单元用于根据所述指标标准差、所述指标相关性进行综合运算，获得各指标权重值，确定所述因素权重关系。
进一步的，所述系统还包括：
第三执行单元，所述第三执行单元用于根据公式
获得各指标权重值，其中，Sj为第j个指标的指标标准差、Rj为指标相关性、Wj为指标权重值。
进一步的，所述系统还包括：
第十五获得单元，所述第十五获得单元用于根据所述环境影响信息进行数据获取手段匹配，获得匹配手段；
第十六获得单元，所述第十六获得单元用于根据所述匹配手段生成数据提取信息，所述生成数据提取信息为按照所述匹配手段进行数据提取，获得数据原始信息；
第三确定单元，所述第三确定单元用于基于所述环境影响信息，确定数据参数要求；
第十七获得单元，所述第十七获得单元用于根据所述数据参数要求对所述数据原始信息进行数据提取，获得所述当前环境信息。
进一步的，所述系统还包括：
第十八获得单元，所述第十八获得单元用于获得实时环境信息；
第十九获得单元，所述第十九获得单元用于根据所述实时环境信息、所述当前环境信息，获得环境变化量；
第二十获得单元，所述第二十获得单元用于根据所述环境变化量进行施肥参数的调整，获得调整施肥要求；
第一调整单元，所述第一调整单元用于基于所述调整施肥要求对所述施肥执行信息进行调整。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是预期他实施例的不同之处，前述图1实施例一中的一种农作物种植施肥信息处理方法和具体实例同样适用于本实施例的一种农作物种植施肥信息处理系统，通过前述对一种农作物种植施肥信息处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种农作物种植施肥信息处理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种农作物种植施肥信息处理方法的发明构思，本发明还提供一种农作物种植施肥信息处理系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种农作物种植施肥信息处理方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
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、装置、或计算机程序产品。因此，本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory，简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、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系统。
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系统的制造品，该指令系统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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例进行另外的变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种农作物种植施肥信息处理方法，其特征在于，所述方法包括：
获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息；
根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；
根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；
基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系；
基于所述环境影响信息进行环境数据检测提取，获得当前环境信息；
根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系；
将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息；
所述方法还包括：
获得农作物种植记录集，所述农作物种植记录集包括农作物名称、农作物生长周期、生长周期对应的环境、施肥信息；
基于所述农作物生长周期对所述农作物种植记录集进行生长周期划分，并将生长周期划分特征作为第一分类特征，获得生长周期分类集，所述生长周期分类集中各分类均包括多种农作物名称；
基于所述生长周期对应的环境、施肥信息对所述生长周期分类集进行环境因素、施肥因素划分，并将划分特征作为第二分类特征，获得因素分类层集；
基于所述第一分类特征、第二分类特征确定群集分级关系；
基于所述群集分级关系将所述生长周期分类集、所述因素分类层级进行关系映射，构建所述农作物周期映射列表；
基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系，包括：
根据所述施肥影响信息、所述环境影响信息，构建影响因素矩阵；
对所述影响因素矩阵进行标准差计算，获得指标标准差；
对所述影响因素矩阵进行指标相关性计算，获得指标相关性；
根据所述指标标准差、所述指标相关性进行综合运算，获得各指标权重值，确定所述因素权重关系；
所述根据所述指标标准差、所述指标相关性进行综合运算，获得各指标权重值，包括：
根据公式
获得各指标权重值，其中，Sj为第j个指标的指标标准差、Rj为指标相关性、Wj为指标权重值。
2.如权利要求1所述的方法，其特征在于，所述根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息，包括：
根据所述周期施肥信息进行特征提取，获得施肥种类、施肥时间、施肥量次；
根据所述施肥种类、施肥时间、施肥量次，获得施肥影响信息；
根据所述周期环境信息进行特征提取，获得土壤信息、光照信息、水分信息；
根据所述土壤信息、光照信息、水分信息，获得环境影响信息。
3.如权利要求1所述的方法，其特征在于，所述基于所述环境影响信息进行环境数据检测提取，获得当前环境信息，包括：
根据所述环境影响信息进行数据获取手段匹配，获得匹配手段；
根据所述匹配手段生成数据提取信息，所述生成数据提取信息为按照所述匹配手段进行数据提取，获得数据原始信息；
基于所述环境影响信息，确定数据参数要求；
根据所述数据参数要求对所述数据原始信息进行数据提取，获得所述当前环境信息。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
获得实时环境信息；
根据所述实时环境信息、所述当前环境信息，获得环境变化量；
根据所述环境变化量进行施肥参数的调整，获得调整施肥要求；
基于所述调整施肥要求对所述施肥执行信息进行调整。
5.一种农作物种植施肥信息处理系统，其特征在于，所述系统应用于权利要求1-4任一所述方法，所述系统包括：
第一获得单元，所述第一获得单元用于获得农作物信息，其中，所述农作物信息包括农作物基础信息、生长周期信息；
第二获得单元，所述第二获得单元用于根据所述农作物基础信息、所述生长周期信息在农作物周期映射列表中进行信息匹配，获得农作物生长要求，其中所述农作物生长要求包括周期施肥信息、周期环境信息；
第一确定单元，所述第一确定单元用于根据所述周期施肥信息、所述周期环境信息，确定环境影响信息、施肥影响信息；
第三获得单元，所述第三获得单元用于基于所述环境影响信息、所述施肥影响信息进行权重分析，获得因素权重关系；
第四获得单元，所述第四获得单元用于基于所述环境影响信息进行环境数据检测提取，获得当前环境信息；
第五获得单元，所述第五获得单元用于根据所述当前环境信息、所述环境影响信息、所述因素权重关系，获得施肥要求占比关系；
第一执行单元，所述第一执行单元用于将所述施肥要求占比关系、所述周期施肥信息输入施肥分析模型，确定施肥执行信息。
6.一种农作物种植施肥信息处理系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210747187.6A CN115039549B (zh) | 2022-06-28 | 2022-06-28 | 一种农作物种植施肥信息处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210747187.6A CN115039549B (zh) | 2022-06-28 | 2022-06-28 | 一种农作物种植施肥信息处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115039549A CN115039549A (zh) | 2022-09-13 |
| CN115039549B true CN115039549B (zh) | 2023-03-10 |
Family
ID=83163496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210747187.6A Active CN115039549B (zh) | 2022-06-28 | 2022-06-28 | 一种农作物种植施肥信息处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115039549B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520747B (zh) * | 2023-05-06 | 2023-11-03 | 江苏东久机械有限公司 | 一种变量施肥控制系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013168482A1 (ja) * | 2012-05-09 | 2013-11-14 | 株式会社クボタ | 施肥量設定方法、施肥量設定装置、施肥量設定プログラム |
| WO2016090212A1 (en) * | 2014-12-05 | 2016-06-09 | Board Of Trustees Of Michigan State University | Methods and systems for precision crop management |
| CN106339795A (zh) * | 2016-08-16 | 2017-01-18 | 中国联合网络通信有限公司吉林省分公司 | 运营指数综合评价方法 |
| CN109952847A (zh) * | 2019-02-25 | 2019-07-02 | 深圳市赛亿科技开发有限公司 | 盆栽培养控制方法和装置、电子设备、存储介质 |
| CN111279952A (zh) * | 2020-03-18 | 2020-06-16 | 嘉应学院 | 一种基于云平台的水肥一体化管理系统 |
| JP2020149652A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社アグリスマート | 営農に最適な潅水と肥料を施す学習型農業システム |
| CN113238917A (zh) * | 2021-05-31 | 2021-08-10 | 康键信息技术（深圳）有限公司 | 前端性能监控方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI107368B (fi) * | 1999-12-20 | 2001-07-31 | Kemira Agro Oy | Viljelykasvien lannoitusmenetelmä, jolla optimoidaan sadon määrä ja laatu |
-
2022
- 2022-06-28 CN CN202210747187.6A patent/CN115039549B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013168482A1 (ja) * | 2012-05-09 | 2013-11-14 | 株式会社クボタ | 施肥量設定方法、施肥量設定装置、施肥量設定プログラム |
| WO2016090212A1 (en) * | 2014-12-05 | 2016-06-09 | Board Of Trustees Of Michigan State University | Methods and systems for precision crop management |
| CN106339795A (zh) * | 2016-08-16 | 2017-01-18 | 中国联合网络通信有限公司吉林省分公司 | 运营指数综合评价方法 |
| CN109952847A (zh) * | 2019-02-25 | 2019-07-02 | 深圳市赛亿科技开发有限公司 | 盆栽培养控制方法和装置、电子设备、存储介质 |
| JP2020149652A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社アグリスマート | 営農に最適な潅水と肥料を施す学習型農業システム |
| CN111279952A (zh) * | 2020-03-18 | 2020-06-16 | 嘉应学院 | 一种基于云平台的水肥一体化管理系统 |
| CN113238917A (zh) * | 2021-05-31 | 2021-08-10 | 康键信息技术（深圳）有限公司 | 前端性能监控方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 桂西丘陵地区玉米不同施肥处理DTOPSIS法肥效评价;李玉梅等;《广西农学报》;20170820(第04期);第14-18页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115039549A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pereira et al. | Crop evapotranspiration estimation with FAO56: Past and future | |
| Jones et al. | Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science | |
| Fountas et al. | A model of decision-making and information flows for information-intensive agriculture | |
| CN107392376B (zh) | 一种农作物气象产量预测方法及系统 | |
| Sun et al. | Uncertainty and sensitivity assessments of an agricultural–hydrological model (RZWQM2) using the GLUE method | |
| Loyce et al. | Management planning for winter wheat with multiple objectives (1): the BETHA system | |
| CN115039549B (zh) | 一种农作物种植施肥信息处理方法及系统 | |
| Buis et al. | The STICS crop model and associated software for analysis, parameterization, and evaluation | |
| Irawan et al. | Intelligent Irrigation Water Requirement System Based on Artificial Neural Networks and Profit Optimization for Planning Time Decision Making of Crops in Lombok Island | |
| CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
| CN111985728A (zh) | 一种建立有机高粱产量预测模型的方法 | |
| Manschadi et al. | Full parameterisation matters for the best performance of crop models: inter-comparison of a simple and a detailed maize model | |
| Ellis | Using Bayesian growth models to predict grape yield | |
| EP3474167A1 (en) | System and method for predicting genotype performance | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
| Premasudha et al. | ML based methods XGBoost and random forest for crop and fertilizer prediction | |
| CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及系统 | |
| CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
| Thorburn et al. | Cropping systems modeling in AgMIP: a new protocol-driven approach for regional integrated assessments | |
| Mezouari et al. | Towards smart farming through machine learning-based automatic irrigation planning | |
| Singh | Crop growth simulation models | |
| Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network | |
| Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University | |
| Lagrazon et al. | A Comparative Analysis of the Machine Learning Model for Crop Yield Prediction in Quezon Province, Philippines |
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 |