CN115358883B - 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 - Google Patents
一种棉蚜的抗性动态监测与防治用药推荐方法及系统 Download PDFInfo
- Publication number
- CN115358883B CN115358883B CN202211121014.XA CN202211121014A CN115358883B CN 115358883 B CN115358883 B CN 115358883B CN 202211121014 A CN202211121014 A CN 202211121014A CN 115358883 B CN115358883 B CN 115358883B
- Authority
- CN
- China
- Prior art keywords
- crops
- target area
- cotton
- information
- cotton aphid
- 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
- 241001600408 Aphis gossypii Species 0.000 title claims abstract description 197
- 229940079593 drug Drugs 0.000 title claims abstract description 70
- 239000003814 drug Substances 0.000 title claims abstract description 70
- 230000002265 prevention Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 239000000575 pesticide Substances 0.000 claims abstract description 87
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 68
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000000638 solvent extraction Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 7
- 241000238631 Hexapoda Species 0.000 claims description 64
- 230000003595 spectral effect Effects 0.000 claims description 48
- 244000038559 crop plants Species 0.000 claims description 24
- 238000002156 mixing Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 238000002310 reflectometry Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000011282 treatment Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 231100001267 hazard identification Toxicity 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 206010059866 Drug resistance Diseases 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 229920000742 Cotton Polymers 0.000 description 5
- 241001124076 Aphididae Species 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 239000013043 chemical agent Substances 0.000 description 3
- 102000012440 Acetylcholinesterase Human genes 0.000 description 2
- 108010022752 Acetylcholinesterase Proteins 0.000 description 2
- JFLRKDZMHNBDQS-UCQUSYKYSA-N CC[C@H]1CCC[C@@H]([C@H](C(=O)C2=C[C@H]3[C@@H]4C[C@@H](C[C@H]4C(=C[C@H]3[C@@H]2CC(=O)O1)C)O[C@H]5[C@@H]([C@@H]([C@H]([C@@H](O5)C)OC)OC)OC)C)O[C@H]6CC[C@@H]([C@H](O6)C)N(C)C.CC[C@H]1CCC[C@@H]([C@H](C(=O)C2=C[C@H]3[C@@H]4C[C@@H](C[C@H]4C=C[C@H]3C2CC(=O)O1)O[C@H]5[C@@H]([C@@H]([C@H]([C@@H](O5)C)OC)OC)OC)C)O[C@H]6CC[C@@H]([C@H](O6)C)N(C)C Chemical compound CC[C@H]1CCC[C@@H]([C@H](C(=O)C2=C[C@H]3[C@@H]4C[C@@H](C[C@H]4C(=C[C@H]3[C@@H]2CC(=O)O1)C)O[C@H]5[C@@H]([C@@H]([C@H]([C@@H](O5)C)OC)OC)OC)C)O[C@H]6CC[C@@H]([C@H](O6)C)N(C)C.CC[C@H]1CCC[C@@H]([C@H](C(=O)C2=C[C@H]3[C@@H]4C[C@@H](C[C@H]4C=C[C@H]3C2CC(=O)O1)O[C@H]5[C@@H]([C@@H]([C@H]([C@@H](O5)C)OC)OC)OC)C)O[C@H]6CC[C@@H]([C@H](O6)C)N(C)C JFLRKDZMHNBDQS-UCQUSYKYSA-N 0.000 description 2
- 108090000312 Calcium Channels Proteins 0.000 description 2
- 102000003922 Calcium Channels Human genes 0.000 description 2
- KXDHJXZQYSOELW-UHFFFAOYSA-M Carbamate Chemical compound NC([O-])=O KXDHJXZQYSOELW-UHFFFAOYSA-M 0.000 description 2
- 239000005907 Indoxacarb Substances 0.000 description 2
- 102000019315 Nicotinic acetylcholine receptors Human genes 0.000 description 2
- 108050006807 Nicotinic acetylcholine receptors Proteins 0.000 description 2
- 108010052164 Sodium Channels Proteins 0.000 description 2
- 102000018674 Sodium Channels Human genes 0.000 description 2
- 239000005930 Spinosad Substances 0.000 description 2
- 229940022698 acetylcholinesterase Drugs 0.000 description 2
- VEMKTZHHVJILDY-UXHICEINSA-N bioresmethrin Chemical compound CC1(C)[C@H](C=C(C)C)[C@H]1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UXHICEINSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- CWFOCCVIPCEQCK-UHFFFAOYSA-N chlorfenapyr Chemical compound BrC1=C(C(F)(F)F)N(COCC)C(C=2C=CC(Cl)=CC=2)=C1C#N CWFOCCVIPCEQCK-UHFFFAOYSA-N 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- VBCVPMMZEGZULK-NRFANRHFSA-N indoxacarb Chemical compound C([C@@]1(OC2)C(=O)OC)C3=CC(Cl)=CC=C3C1=NN2C(=O)N(C(=O)OC)C1=CC=C(OC(F)(F)F)C=C1 VBCVPMMZEGZULK-NRFANRHFSA-N 0.000 description 2
- 239000003112 inhibitor Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000006540 mitochondrial respiration Effects 0.000 description 2
- FTQWRYSLUYAIRQ-UHFFFAOYSA-N n-[(octadecanoylamino)methyl]octadecanamide Chemical compound CCCCCCCCCCCCCCCCCC(=O)NCNC(=O)CCCCCCCCCCCCCCCCC FTQWRYSLUYAIRQ-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229940014213 spinosad Drugs 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 231100000027 toxicology Toxicity 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000015001 Cucumis melo var inodorus Nutrition 0.000 description 1
- 240000002495 Cucumis melo var. inodorus Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000011321 prophylaxis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开的一种棉蚜的抗性动态监测与防治用药推荐方法及系统，包括：获取目标区域内农作物高光谱图像信息，判断农作物生长阶段及是否存在棉蚜虫害，分析目标区域内棉蚜虫情指数，将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同区域匹配不同类型的农药，获取不同区域内棉蚜虫情指数变化，得到棉蚜的抗性信息；根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果。本发明通过对棉蚜的抗药性监测，根据抗性特征推荐筛选出高效、安全、持久、经济的防治用药，防止因滥用农药导致虫害防治效果不佳，提高农药利用率，使得棉蚜的化学防治更加科学高效。
Description
技术领域
本发明涉及虫害防治技术领域，更具体的，涉及一种棉蚜的抗性动态监测与防治用药推荐方法及系统。
背景技术
棉蚜是为害棉花、黄瓜、茄子、辣椒等经济作物的主要有害生物之一，由于棉蚜的寄主范围广、适应性强、繁殖速度快、世代历期短等的特性，一旦条件适宜，在短期内便能爆发成灾。其若虫、成虫集于植株的嫩枝、嫩叶刺吸为害造成叶片卷曲、植株衰弱和矮缩；棉蚜排出的大量蜜露，影响植株正常的光合作用和生理作用，易引发霉污病，严重影响棉花的产量和质量；棉蚜还可通过刺吸为害传播病毒病，给棉花产业带来不可估量的经济损失。
目前对棉蚜的防治主要依靠化学药剂。然而，由于长期不合理使用化学药剂，导致棉蚜对多种化学药剂产生不同程度的抗药性。长期以来，棉蚜的发生及危害一直是影响棉花高效、优质、安全生产的重要问题。由于经济作物的高要求和棉蚜发生规律的复杂性，加之抗药性的快速发展，棉蚜治理面临不小的挑战，棉蚜治理中药剂的高效、安全使用成为面对的现实问题之一。因此，如何对棉蚜的抗性进行动态监测，推荐科学的防治用药配比以完善用药决策规范和依据是目前亟需解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种棉蚜的抗性动态监测与防治用药推荐方法及系统。
本发明第一方面提供了一种棉蚜的抗性动态监测与防治用药推荐方法，包括：
获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段；
同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，通过虫情指数变化表征棉蚜的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果。
本方案中，所述的获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物生长阶段，具体为：
根据农作物高光谱图像信息提取图像信息及光谱信息，通过连续投影算法对所述光谱信息进行处理选取特征波长集合，通过所述特征波长集合生成光谱特征；
通过灰度共生矩阵获取图像信息中的纹理特征及轮廓特征，通过农作物植株的种类信息获取各生长阶段对应的叶片区域的典型特征；
将所述纹理特征及轮廓特征与各生长阶段的典型特征进行偏差度计算，获取偏差度最低的生长阶段作为农作物植株的生长阶段，根据农作物植株的生长阶段判断目标区域内农作物的平均生长阶段。
本方案中，根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数，具体为：
基于机器学习构建棉蚜虫害识别模型，提取正常农作物植株及受棉蚜危害的农作物植株的光谱特征及纹理特征生成训练集，输入所述棉蚜虫害识别模型进行初始化训练，训练至损失函数收敛；
获取目标区域农作物的高光谱图像信息的光谱特征及纹理特征作为模型输入，通过训练好的棉蚜虫害识别模型进行识别，输出目标区域内农作物是否被棉蚜危害；
通过目标区域农作物的高光谱图像信息的光谱特征获取光谱反射率，同时获取正常农作物相同波段的光谱反射率，将目标区域内农作物对应的光谱反射率与正常农作物对应的光谱放射率映射至多维空间，计算光谱向量夹角的余弦值作为目标区域内棉蚜虫情指数。
本方案中，将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，具体为：
根据各个子区域中的平均虫情指数及农作物的平均生长阶段利用大数据检索分析在相关数据库中建立索引任务，通过平均虫情指数、农作物种类及平均生长阶段构建索引标签；
计算相关数据库中数据与索引标签的相似度，获取所述相似度大于预设相似度阈值的数据集，根据所述数据集提取同种农作物相似虫情下不同类型的农药防治方案；
将各子区域与不同类型的单药剂农药防治方案进行匹配，判断施药预设时间后的不同子区域的虫情指数，根据施药前后的虫情指数获取虫情指数变化值；
根据所述虫情指数变化值获取目标区域内棉蚜虫害对不同类型农药的抗性信息。
本方案中，根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果，具体为：
将不同子区域的虫情指数变化值进行倒序排序，生成目标区域内棉蚜虫害对不同农药的抗性信息排序结果，根据目标区域内农作物平均生长阶段及农作物的种类信息设置不同农药配比的约束信息；
根据抗性信息排序结果获取棉蚜虫害对应抗性小于预设抗性阈值的农药信息列表，根据所述农药信息列表通过大数据检索分析获取混配效果为增强的混配方案；
通过所述约束信息对所述混配方案进行筛选，获取目标区域内棉蚜虫害对筛选后的各混配方案中占比最高的有效成分的抗性信息；
选取棉蚜对其占比最高的有效成分的抗性最低的混配方案进行优先推荐，作为目标区域预设时间内的棉蚜防治用药。
本方案中，还包括：根据约束信息对混配方案进行筛选后，获取筛选后各混配方案的主要作用机理，根据所述主要作用机理对各混配方案进行分类；
获取各混配方案的主要作用机理的特征信息，计算各混配方案两两之间的特征偏差率，将所述特征偏差率小于预设偏差率阈值的混配方案归为同一类别；
获取当前棉蚜防治用药所属类别信息，将所属类别中所有混配方案在下次棉蚜虫害防治用药推荐时暂时隐藏，构建棉蚜虫害防治用药的待推荐列表；
当监测到当前棉蚜防治用药进行施药后的虫情指数变化值小于预设阈值时或者连续施用预设时间间隔后，在所述待推荐列表中进行选择。
本发明第二方面还提供了一种棉蚜的抗性动态监测与防治用药推荐系统，该系统包括：存储器、处理器，所述存储器中包括一种棉蚜的抗性动态监测与防治用药推荐方法程序，所述一种棉蚜的抗性动态监测与防治用药推荐方法程序被所述处理器执行时实现如下步骤：
获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段；
同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，通过虫情指数变化表征棉蚜的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果。
本发明公开的一种棉蚜的抗性动态监测与防治用药推荐方法及系统，包括：获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物生长阶段；同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数，将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同区域匹配不同类型的农药，获取不同区域内棉蚜虫情指数变化，得到棉蚜的抗性信息；根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果。本发明通过对棉蚜的抗性进行监测，从而根据抗性特征推荐筛选出高效、安全、持久、经济的防治用药，防止因用错或乱用农药导致虫害防治效果不佳，使得棉蚜的化学防治更加科学高效。
附图说明
图1示出了本发明一种棉蚜的抗性动态监测与防治用药推荐方法的流程图；
图2示出了本发明将不同子区域匹配不同类型的农药防治方案的方法流程图；
图3示出了本发明生成防治用药方案的最佳推荐结果的方法流程图；
图4示出了本发明一种棉蚜的抗性动态监测与防治用药推荐系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种棉蚜的抗性动态监测与防治用药推荐方法的流程图。
如图1所示，本发明第一方面提供了一种棉蚜的抗性动态监测与防治用药推荐方法，包括：
S102，获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段；
S104，同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数；
S106，将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，通过虫情指数变化表征棉蚜的抗性信息；
S108，根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果。
需要说明的是，根据农作物高光谱图像信息提取图像信息及光谱信息，通过连续投影算法对所述光谱信息进行处理选取特征波长集合，通过所述特征波长集合生成光谱特征；连续投影方法从信息变量中选择冗余信息最少的变量，提取共线性最小的变量，将各个波长组合分别建立子集，每个子集逐一采用多元线性回归法计算均方根误差值，选择平稳且最小的均方根误差值对应子集作为特征波长子集；通过灰度共生矩阵获取图像信息中的纹理特征及轮廓特征，一般的通过获取能量、熵、对比度、均匀性、相关性、方差、和平均、和方差等特征值反应纹理特征及轮廓特征，通过农作物植株的种类信息获取各生长阶段对应的叶片区域的典型特征；将所述纹理特征及轮廓特征与各生长阶段的典型特征进行偏差度计算，获取偏差度最低的生长阶段作为农作物植株的生长阶段，根据农作物植株的生长阶段判断目标区域内农作物的平均生长阶段。
需要说明的是，基于支持向量机等机器学习构建棉蚜虫害识别模型，提取正常农作物植株及受棉蚜危害的农作物植株的光谱特征及纹理特征生成训练集，输入所述棉蚜虫害识别模型进行初始化训练，训练至损失函数收敛；
获取目标区域农作物的高光谱图像信息的光谱特征及纹理特征作为模型输入，通过训练好的棉蚜虫害识别模型进行识别，一方面通过光谱特征进行对比识别，另一方面通过纹理特征进行识别，将两方面识别结果进行结合输出目标区域内农作物是否被棉蚜危害；
通过目标区域农作物的高光谱图像信息的光谱特征获取光谱反射率，同时获取正常农作物相同波段的光谱反射率，将目标区域内农作物对应的光谱反射率与正常农作物对应的光谱放射率映射至多维空间，计算光谱向量夹角的余弦值作为目标区域内棉蚜虫情指数，其计算公式为：
其中，r为目标区域内棉蚜虫情指数，mi为目标区域内农作物在第i波段处的光谱反射率，ni为正常农作物在第i波段处的光谱反射率，j为波段样本总数，当两光谱向量之间的夹角越大，表示棉蚜虫害越严重，夹角的取值为
图2示出了本发明将不同子区域匹配不同类型的农药防治方案的方法流程图。
根据本发明实施例，将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，具体为：
S202，根据各个子区域中的平均虫情指数及农作物的平均生长阶段利用大数据检索分析在相关数据库中建立索引任务，通过平均虫情指数、农作物种类及平均生长阶段构建索引标签；
S204，计算相关数据库中数据与索引标签的相似度，获取所述相似度大于预设相似度阈值的数据集，根据所述数据集提取同种农作物相似虫情下不同类型的农药防治方案；
S206，将各子区域与不同类型的单药剂农药防治方案进行匹配，判断施药预设时间后的不同子区域的虫情指数，根据施药前后的虫情指数获取虫情指数变化值；
S208，根据所述虫情指数变化值获取目标区域内棉蚜虫害对不同类型农药的抗性信息。
需要说明的是，相关数据库包括农药使用相关专家经验数据库、农药特性数据库、毒理学数据网络及农药行动网络等，获取数据库中同种农作物种类、同一生长阶段下相似虫情的不同种类的农药防治方案对不同子区域进行农药施用，判断棉蚜对各类型农药的抗性信息。
图3示出了本发明生成防治用药方案的最佳推荐结果的方法流程图。
根据本发明实施例，根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果，具体为：
S302，将不同子区域的虫情指数变化值进行倒序排序，生成目标区域内棉蚜虫害对不同农药的抗性信息排序结果，根据目标区域内农作物平均生长阶段及农作物的种类信息设置不同农药配比的约束信息；
S304，根据抗性信息排序结果获取棉蚜虫害对应抗性小于预设抗性阈值的农药信息列表，根据所述农药信息列表通过大数据检索分析获取混配效果为增强的混配方案；
S306，通过所述约束信息对所述混配方案进行筛选，获取目标区域内棉蚜虫害对筛选后的各混配方案中占比最高的有效成分的抗性信息；
S308，选取棉蚜对其占比最高的有效成分的抗性最低的混配方案进行优先推荐，作为目标区域预设时间内的棉蚜防治用药。
需要说明的是，还包括：根据约束信息对混配方案进行筛选后，获取筛选后各混配方案的主要作用机理，例如：双酰胺类杀虫剂作用于钙离子通道，拟除虫菊酯类和茚虫威作用于钠离子通道，氨基甲酸酯类和有机磷杀虫剂作用于乙酰胆碱酯酶，多杀菌素类杀虫剂作用于烟碱乙酰胆碱受体，溴虫腈是线粒体呼吸作用的抑制剂；根据所述主要作用机理对各混配方案进行分类；获取各混配方案的主要作用机理的特征信息，计算各混配方案两两之间的特征偏差率，将所述特征偏差率小于预设偏差率阈值的混配方案归为同一类别；获取当前棉蚜防治用药所属类别信息，频繁施用同类型农药会产生交互抗性，因此将所属类别中所有混配方案在下次棉蚜虫害防治用药推荐时暂时隐藏，构建棉蚜虫害防治用药的待推荐列表；当监测到当前棉蚜防治用药进行施药后的虫情指数变化值小于预设阈值时或者连续施用预设时间间隔后，在所述待推荐列表中进行选择，防止目标区域棉蚜产生交互抗性。
根据本发明实施例，根据目标区域棉蚜的虫害指数设置综合防治方案，具体为：
通过预处理后的高光谱图像信息获取农作物植株叶片的感兴趣区域，根据所述感兴趣区域获取棉蚜当前的生长阶段；
获取目标区域内当前棉蚜虫害的虫害指数，根据所述虫害指数及棉蚜当前生长阶段通过棉蚜的世代周期判断棉蚜的爆发期；
获取所述爆发期与当前时间的时间间隔，判断所述时间间隔是否大于预设时间间隔阈值，当时间间隔小于预设时间间隔阈值时，则获取目标区域的棉蚜防治用药推荐；
当时间间隔大于等于预设时间间隔阈值时，根据大数据检索结合棉蚜历史防治方案获取物理防治方案，并根据目标区域的地理条件信息及生态环境信息获取适生条件相似度满足预设要求的棉蚜天敌昆虫生成生物防治方案，将所述生物防治方案、物理防治方案与目标区域的棉蚜防治用药相结合生成最终防治方案。
图4示出了本发明一种棉蚜的抗性动态监测与防治用药推荐系统的框图。
本发明第二方面还提供了一种棉蚜的抗性动态监测与防治用药推荐系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种棉蚜的抗性动态监测与防治用药推荐方法程序，所述一种棉蚜的抗性动态监测与防治用药推荐方法程序被所述处理器执行时实现如下步骤：
获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段；
同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，通过虫情指数变化表征棉蚜的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果。
需要说明的是，根据农作物高光谱图像信息提取图像信息及光谱信息，通过连续投影算法对所述光谱信息进行处理选取特征波长集合，通过所述特征波长集合生成光谱特征；连续投影方法从信息变量中选择冗余信息最少的变量，提取共线性最小的变量，将各个波长组合分别建立子集，每个子集逐一采用多元线性回归法计算均方根误差值，选择平稳且最小的均方根误差值对应子集作为特征波长子集；通过灰度共生矩阵获取图像信息中的纹理特征及轮廓特征，一般的通过获取能量、熵、对比度、均匀性、相关性、方差、和平均、和方差等特征值反应纹理特征及轮廓特征，通过农作物植株的种类信息获取各生长阶段对应的叶片区域的典型特征；将所述纹理特征及轮廓特征与各生长阶段的典型特征进行偏差度计算，获取偏差度最低的生长阶段作为农作物植株的生长阶段，根据农作物植株的生长阶段判断目标区域内农作物的平均生长阶段。
需要说明的是，基于支持向量机等机器学习构建棉蚜虫害识别模型，提取正常农作物植株及受棉蚜危害的农作物植株的光谱特征及纹理特征生成训练集，输入所述棉蚜虫害识别模型进行初始化训练，训练至损失函数收敛；
获取目标区域农作物的高光谱图像信息的光谱特征及纹理特征作为模型输入，通过训练好的棉蚜虫害识别模型进行识别，一方面通过光谱特征进行对比识别，另一方面通过纹理特征进行识别，将两方面识别结果进行结合输出目标区域内农作物是否被棉蚜危害；
通过目标区域农作物的高光谱图像信息的光谱特征获取光谱反射率，同时获取正常农作物相同波段的光谱反射率，将目标区域内农作物对应的光谱反射率与正常农作物对应的光谱放射率映射至多维空间，计算光谱向量夹角的余弦值作为目标区域内棉蚜虫情指数，其计算公式为：
其中，r为目标区域内棉蚜虫情指数，mi为目标区域内农作物在第i波段处的光谱反射率，ni为正常农作物在第i波段处的光谱反射率，j为波段样本总数，当两光谱向量之间的夹角越大，表示棉蚜虫害越严重，夹角的取值为
根据本发明实施例，将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，具体为：
根据各个子区域中的平均虫情指数及农作物的平均生长阶段利用大数据检索分析在相关数据库中建立索引任务，通过平均虫情指数、农作物种类及平均生长阶段构建索引标签；
计算相关数据库中数据与索引标签的相似度，获取所述相似度大于预设相似度阈值的数据集，根据所述数据集提取同种农作物相似虫情下不同类型的农药防治方案；
将各子区域与不同类型的单药剂农药防治方案进行匹配，判断施药预设时间后的不同子区域的虫情指数，根据施药前后的虫情指数获取虫情指数变化值；
根据所述虫情指数变化值获取目标区域内棉蚜虫害对不同类型农药的抗性信息。
需要说明的是，相关数据库包括农药使用相关专家经验数据库、农药特性数据库、毒理学数据网络及农药行动网络等，获取数据库中同种农作物种类、同一生长阶段下相似虫情的不同种类的农药防治方案对不同子区域进行农药施用，判断棉蚜对各类型农药的抗性信息。
根据本发明实施例，根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果，具体为：
将不同子区域的虫情指数变化值进行倒序排序，生成目标区域内棉蚜虫害对不同农药的抗性信息排序结果，根据目标区域内农作物平均生长阶段及农作物的种类信息设置不同农药配比的约束信息；
根据抗性信息排序结果获取棉蚜虫害对应抗性小于预设抗性阈值的农药信息列表，根据所述农药信息列表通过大数据检索分析获取混配效果为增强的混配方案；
通过所述约束信息对所述混配方案进行筛选，获取目标区域内棉蚜虫害对筛选后的各混配方案中占比最高的有效成分的抗性信息；
选取棉蚜对其占比最高的有效成分的抗性最低的混配方案进行优先推荐，作为目标区域预设时间内的棉蚜防治用药。
需要说明的是，还包括：根据约束信息对混配方案进行筛选后，获取筛选后各混配方案的主要作用机理，例如：双酰胺类杀虫剂作用于钙离子通道，拟除虫菊酯类和茚虫威作用于钠离子通道，氨基甲酸酯类和有机磷杀虫剂作用于乙酰胆碱酯酶，多杀菌素类杀虫剂作用于烟碱乙酰胆碱受体，溴虫腈是线粒体呼吸作用的抑制剂；根据所述主要作用机理对各混配方案进行分类；获取各混配方案的主要作用机理的特征信息，计算各混配方案两两之间的特征偏差率，将所述特征偏差率小于预设偏差率阈值的混配方案归为同一类别；获取当前棉蚜防治用药所属类别信息，频繁施用同类型农药会产生交互抗性，因此将所属类别中所有混配方案在下次棉蚜虫害防治用药推荐时暂时隐藏，构建棉蚜虫害防治用药的待推荐列表；当监测到当前棉蚜防治用药进行施药后的虫情指数变化值小于预设阈值时或者连续施用预设时间间隔后，在所述待推荐列表中进行选择，防止目标区域棉蚜产生交互抗性。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种棉蚜的抗性动态监测与防治用药推荐方法程序，所述一种棉蚜的抗性动态监测与防治用药推荐方法程序被处理器执行时，实现如上述任一项所述的一种棉蚜的抗性动态监测与防治用药推荐方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种棉蚜的抗性动态监测与防治用药推荐方法，其特征在于，包括以下步骤：
获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段；
同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，通过虫情指数变化表征棉蚜的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果；
所述的获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段，具体为：
根据农作物高光谱图像信息提取图像信息及光谱信息，通过连续投影算法对所述光谱信息进行处理选取特征波长集合，通过所述特征波长集合生成光谱特征；
通过灰度共生矩阵获取图像信息中的纹理特征及轮廓特征，通过农作物植株的种类信息获取各生长阶段对应的叶片区域的典型特征；
将所述纹理特征及轮廓特征与各生长阶段的典型特征进行偏差度计算，获取偏差度最低的生长阶段作为农作物植株的生长阶段，根据农作物植株的生长阶段判断目标区域内农作物的平均生长阶段；
根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数，具体为：
基于机器学习构建棉蚜虫害识别模型，提取正常农作物植株及受棉蚜危害的农作物植株的光谱特征及纹理特征生成训练集，输入所述棉蚜虫害识别模型进行初始化训练，训练至损失函数收敛；
获取目标区域农作物的高光谱图像信息的光谱特征及纹理特征作为模型输入，通过训练好的棉蚜虫害识别模型进行识别，输出目标区域内农作物是否被棉蚜危害；
通过目标区域农作物的高光谱图像信息的光谱特征获取光谱反射率，同时获取正常农作物相同波段的光谱反射率，将目标区域内农作物对应的光谱反射率与正常农作物对应的光谱放射率映射至多维空间，计算光谱向量夹角的余弦值作为目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，具体为：
根据各个子区域中的平均虫情指数及农作物的平均生长阶段利用大数据检索分析在相关数据库中建立索引任务，通过平均虫情指数、农作物种类及平均生长阶段构建索引标签；
计算相关数据库中数据与索引标签的相似度，获取所述相似度大于预设相似度阈值的数据集，根据所述数据集提取同种农作物相似虫情下不同类型的农药防治方案；
将各子区域与不同类型的单药剂农药防治方案进行匹配，判断施药预设时间后的不同子区域的虫情指数，根据施药前后的虫情指数获取虫情指数变化值；
根据所述虫情指数变化值获取目标区域内棉蚜虫害对不同类型农药的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果，具体为：
将不同子区域的虫情指数变化值进行倒序排序，生成目标区域内棉蚜虫害对不同农药的抗性信息排序结果，根据目标区域内农作物平均生长阶段及农作物的种类信息设置不同农药配比的约束信息；
根据抗性信息排序结果获取棉蚜虫害对应抗性小于预设抗性阈值的农药信息列表，根据所述农药信息列表通过大数据检索分析获取混配效果为增强的混配方案；
通过所述约束信息对所述混配方案进行筛选，获取目标区域内棉蚜虫害对筛选后的各混配方案中占比最高的有效成分的抗性信息；
选取棉蚜对其占比最高的有效成分的抗性最低的混配方案进行优先推荐，作为目标区域预设时间内的棉蚜防治用药。
2.根据权利要求1所述的一种棉蚜的抗性动态监测与防治用药推荐方法，其特征在于，还包括：
根据约束信息对混配方案进行筛选后，获取筛选后各混配方案的主要作用机理，根据所述主要作用机理对各混配方案进行分类；
获取各混配方案的主要作用机理的特征信息，计算各混配方案两两之间的特征偏差率，将所述特征偏差率小于预设偏差率阈值的混配方案归为同一类别；
获取当前棉蚜防治用药所属类别信息，将所属类别中所有混配方案在下次棉蚜虫害防治用药推荐时暂时隐藏，构建棉蚜虫害防治用药的待推荐列表；
当监测到当前棉蚜防治用药进行施药后的虫情指数变化值小于预设阈值时或者连续施用预设时间间隔后，在所述待推荐列表中进行选择。
3.一种棉蚜的抗性动态监测与防治用药推荐系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种棉蚜的抗性动态监测与防治用药推荐方法程序，所述一种棉蚜的抗性动态监测与防治用药推荐方法程序被所述处理器执行时实现如下步骤：
获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段；
同时根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，通过虫情指数变化表征棉蚜的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果；
所述的获取目标区域内农作物高光谱图像信息，将所述农作物高光谱图像信息进行预处理，判断农作物平均生长阶段，具体为：
根据农作物高光谱图像信息提取图像信息及光谱信息，通过连续投影算法对所述光谱信息进行处理选取特征波长集合，通过所述特征波长集合生成光谱特征；
通过灰度共生矩阵获取图像信息中的纹理特征及轮廓特征，通过农作物植株的种类信息获取各生长阶段对应的叶片区域的典型特征；
将所述纹理特征及轮廓特征与各生长阶段的典型特征进行偏差度计算，获取偏差度最低的生长阶段作为农作物植株的生长阶段，根据农作物植株的生长阶段判断目标区域内农作物的平均生长阶段；
根据预处理后的农作物高光谱图像信息进行棉蚜虫害识别，分析目标区域内棉蚜虫情指数，具体为：
基于机器学习构建棉蚜虫害识别模型，提取正常农作物植株及受棉蚜危害的农作物植株的光谱特征及纹理特征生成训练集，输入所述棉蚜虫害识别模型进行初始化训练，训练至损失函数收敛；
获取目标区域农作物的高光谱图像信息的光谱特征及纹理特征作为模型输入，通过训练好的棉蚜虫害识别模型进行识别，输出目标区域内农作物是否被棉蚜危害；
通过目标区域农作物的高光谱图像信息的光谱特征获取光谱反射率，同时获取正常农作物相同波段的光谱反射率，将目标区域内农作物对应的光谱反射率与正常农作物对应的光谱放射率映射至多维空间，计算光谱向量夹角的余弦值作为目标区域内棉蚜虫情指数；
将目标区域进行分区，获取各个子区域内棉蚜平均虫情指数，将不同子区域匹配不同类型的农药防治方案，获取不同区域内棉蚜虫情指数变化，具体为：
根据各个子区域中的平均虫情指数及农作物的平均生长阶段利用大数据检索分析在相关数据库中建立索引任务，通过平均虫情指数、农作物种类及平均生长阶段构建索引标签；
计算相关数据库中数据与索引标签的相似度，获取所述相似度大于预设相似度阈值的数据集，根据所述数据集提取同种农作物相似虫情下不同类型的农药防治方案；
将各子区域与不同类型的单药剂农药防治方案进行匹配，判断施药预设时间后的不同子区域的虫情指数，根据施药前后的虫情指数获取虫情指数变化值；
根据所述虫情指数变化值获取目标区域内棉蚜虫害对不同类型农药的抗性信息；
根据抗性信息的排序结果及农作物的平均生长阶段进行目标区域棉蚜虫害防治用药配比，生成防治用药方案的最佳推荐结果，具体为：
将不同子区域的虫情指数变化值进行倒序排序，生成目标区域内棉蚜虫害对不同农药的抗性信息排序结果，根据目标区域内农作物平均生长阶段及农作物的种类信息设置不同农药配比的约束信息；
根据抗性信息排序结果获取棉蚜虫害对应抗性小于预设抗性阈值的农药信息列表，根据所述农药信息列表通过大数据检索分析获取混配效果为增强的混配方案；
通过所述约束信息对所述混配方案进行筛选，获取目标区域内棉蚜虫害对筛选后的各混配方案中占比最高的有效成分的抗性信息；
选取棉蚜对其占比最高的有效成分的抗性最低的混配方案进行优先推荐，作为目标区域预设时间内的棉蚜防治用药。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211121014.XA CN115358883B (zh) | 2022-09-15 | 2022-09-15 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211121014.XA CN115358883B (zh) | 2022-09-15 | 2022-09-15 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115358883A CN115358883A (zh) | 2022-11-18 |
| CN115358883B true CN115358883B (zh) | 2023-10-24 |
Family
ID=84006390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211121014.XA Active CN115358883B (zh) | 2022-09-15 | 2022-09-15 | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358883B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982472B (zh) * | 2023-03-21 | 2023-08-08 | 中化现代农业有限公司 | 农药用药推荐方法、装置和电子设备 |
| CN116259078B (zh) * | 2023-05-16 | 2023-07-28 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
| CN117291291B (zh) * | 2023-08-12 | 2024-04-23 | 江苏信实环境工程有限公司 | 一种基于物联网的虫情智能监控系统及方法 |
| CN117151342B (zh) * | 2023-10-24 | 2024-01-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
| CN117151353B (zh) * | 2023-11-01 | 2024-04-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、系统及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1543784A (zh) * | 2003-11-14 | 2004-11-10 | 中国科学院合肥智能机械研究所 | 一种用于农作物病虫害监测及农药处方生成装置 |
| CN102175845A (zh) * | 2011-02-22 | 2011-09-07 | 山东农业大学 | 一种甜菜夜蛾幼虫对杀虫剂抗药性的监测方法 |
| KR20200030149A (ko) * | 2018-09-11 | 2020-03-20 | 대한민국(농촌진흥청장) | 해충 예보 시스템의 방제 농약 추천 방법 |
| CN113223660A (zh) * | 2021-05-14 | 2021-08-06 | 北京百瑞弘霖有害生物防治科技有限责任公司 | 一种药方获取的方法与装置 |
| CN113207511A (zh) * | 2021-03-31 | 2021-08-06 | 广西中烟工业有限责任公司 | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 |
| WO2022084412A1 (en) * | 2020-10-22 | 2022-04-28 | Basf Agro Trademarks Gmbh | Method for avoiding/reducing resistances when selectively applying pesticides |
| CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
-
2022
- 2022-09-15 CN CN202211121014.XA patent/CN115358883B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1543784A (zh) * | 2003-11-14 | 2004-11-10 | 中国科学院合肥智能机械研究所 | 一种用于农作物病虫害监测及农药处方生成装置 |
| CN102175845A (zh) * | 2011-02-22 | 2011-09-07 | 山东农业大学 | 一种甜菜夜蛾幼虫对杀虫剂抗药性的监测方法 |
| KR20200030149A (ko) * | 2018-09-11 | 2020-03-20 | 대한민국(농촌진흥청장) | 해충 예보 시스템의 방제 농약 추천 방법 |
| WO2022084412A1 (en) * | 2020-10-22 | 2022-04-28 | Basf Agro Trademarks Gmbh | Method for avoiding/reducing resistances when selectively applying pesticides |
| CN113207511A (zh) * | 2021-03-31 | 2021-08-06 | 广西中烟工业有限责任公司 | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 |
| CN113223660A (zh) * | 2021-05-14 | 2021-08-06 | 北京百瑞弘霖有害生物防治科技有限责任公司 | 一种药方获取的方法与装置 |
| CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于叶片纹理特征的棉花蚜害诊断模型研究;许敬诚;吕新;林皎;张泽;姚秋双;范向龙;洪延宏;;棉花学报(第02期);全文 * |
| 辽宁棉区棉蚜抗药性监测与治理抗性研究;刘德明, 杨秀芬, 王树礼, 孔凡信;昆虫知识(第02期);全文 * |
| 陕西小菜蛾对9种杀虫剂的抗药性监测;殷劭鑫;张春妮;张雅林;李显春;;西北农林科技大学学报(自然科学版);第44卷(第01期);正文第102-110页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115358883A (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115358883B (zh) | 一种棉蚜的抗性动态监测与防治用药推荐方法及系统 | |
| Hill et al. | The use of data mining to assist crop protection decisions on kiwifruit in New Zealand | |
| US11120552B2 (en) | Crop grading via deep learning | |
| Lichtenberg et al. | The econometrics of damage control: why specification matters | |
| Zadoks | On the conceptual basis of crop loss assessment: the threshold theory | |
| Hautaluoma et al. | Attributes of the deer hunting experience: a cluster-analytic study | |
| CN109446958B (zh) | 施药效果的确定方法及装置、系统 | |
| CN109197273B (zh) | 害虫活动时间段的确定方法及装置、施药时间的确定方法 | |
| Powers et al. | Some methods for heterogeneous treatment effect estimation in high-dimensions | |
| Boardman | Pesticides in world agriculture: the politics of international regulation | |
| Bain et al. | The key mimetic features of hoverflies through avian eyes | |
| CN108881985A (zh) | 基于脑电情绪识别的节目评分系统 | |
| CN113207511A (zh) | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 | |
| WO2011019513A1 (en) | Devices, systems, and methods for aiding in pest management decisions | |
| CN116630663A (zh) | 一种基于物联网的智能施药方法及系统 | |
| CN117173400B (zh) | 一种荔枝虫害的低碳治理方案推荐方法及系统 | |
| Nandi et al. | Social insect colony as a biological regulatory system: modelling information flow in dominance networks | |
| CN113962258A (zh) | 一种烟草病害的识别与防治方法、系统及存储介质 | |
| Holling et al. | Determining optimal policies for ecosystems | |
| Bain et al. | Constructing credibility: Using technoscience to legitimate strategies in agrifood governance | |
| Holling et al. | Ecological policy design: a case study of forest and pest management | |
| Schmitz et al. | Needed: a national center for biological invasions | |
| CN116740645A (zh) | 基于物联网的实蝇监测与综合防控方法、系统及存储介质 | |
| CN115982472A (zh) | 农药用药推荐方法、装置和电子设备 | |
| Cornforth et al. | Cluster evaluation, description, and interpretation for serious games: player profiling in Minecraft |
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 |