CN115629585A - 一种智慧农业的种植管理方法及系统 - Google Patents
一种智慧农业的种植管理方法及系统 Download PDFInfo
- Publication number
- CN115629585A CN115629585A CN202211344815.2A CN202211344815A CN115629585A CN 115629585 A CN115629585 A CN 115629585A CN 202211344815 A CN202211344815 A CN 202211344815A CN 115629585 A CN115629585 A CN 115629585A
- Authority
- CN
- China
- Prior art keywords
- data
- planting
- regulation
- control
- parameters
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 85
- 238000003860 storage Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000001105 regulatory effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000012010 growth Effects 0.000 claims description 49
- 239000002689 soil Substances 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012314 multivariate regression analysis Methods 0.000 claims description 6
- 238000003973 irrigation Methods 0.000 claims description 5
- 230000002262 irrigation Effects 0.000 claims description 5
- 239000003337 fertilizer Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000035784 germination Effects 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 5
- 230000035558 fertility Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000008635 plant growth Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011534 incubation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
- G06F16/83—Querying
-
- 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
- G06F16/906—Clustering; Classification
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧农业种植技术领域,提供一种智慧农业的种植管理方法及系统,通过获取种植区域的监控数据,建立种植数据库,通过检索分析从种植数据库中获取针对性的存储数据,代入预设训练模型,获取到分别对应植株出土前、出土后的初始调控参数、后期调控参数,进而可获取到最贴合当前植株的实时状态的目标参数,进而通过与种植植株的实时监测数据进行对比,判断出是否需要对种植参数进行调控;以数据库为基础,通过云端的大数据分析计算获取到最合适的种植参数,能够有效提升农业种植智能化水平,进而满足露天种植需求。
Description
技术领域
本发明涉及智慧农业种植技术领域,尤其涉及一种智慧农业的种植管理方法及系统。
背景技术
我国是农业大国,而非农业强国。近30年来农业高产量主要依靠农药化肥的大量投入,大部分化肥和水资源没有被有效利用而随地弃置,导致大量养分损失并造成环境污染。我国农业生产仍然以传统生产模式为主,传统耕种只能凭经验施肥灌溉,不仅浪费大量的人力物力,也对环境保护与水土保持构成严重威胁,对农业可持续性发展带来严峻挑战。
随着而来的是智慧农业的种植方式,"智慧农业"能够有效改善农业生态环境。将农田、畜牧养殖场、水产养殖基地等生产单位和周边的生态环境视为整体,并通过对其物质交换和能量循环关系进行系统、精密运算,保障农业生产的生态环境在可承受范围内,如定量施肥不会造成土壤板结,经处理排放的畜禽粪便不会造成水和大气污染,反而能培肥地力等。
智慧农业实质上是采用运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制,通过监测的形式进行人工控制以此为农作物进行播种灌溉等操作进行监测管理。但是,实际的管理过程中,依旧依赖于人工经验所做出的决策,主观因素过大,无法满足智能化需求。
同时,智慧农业种植方式多适用于大棚种植,通过改变大棚内的温度湿度光照等数据,促进植物生成,但是该方式无法对露天农田种植作物进行有效的控制管理。
发明内容
本发明提供一种智慧农业的种植管理方法及系统,解决了现有的智慧农业种植方式管理依赖于人工处理不够智能化,且无法适用于露天种植管理的技术问题。
为解决以上技术问题,本发明提供一种智慧农业的种植管理方法,包括步骤:
S1、获取种植区域的监测数据,并采用XML数据存储架构进行存储得到种植数据库;
S2、根据植株类别从所述种植数据库中检索得到相关的存储数据,代入预设训练模型,获取初始调控参数和后期调控参数;
S3、获取当前的种植植株的生长图像并识别,判断是否处于生长状态,若是则调用对应的所述后期调控参数作为目标参数,若否则调用对应的所述初始调控参数作为目标参数;
S4、获取种植植株的实时监测数据,并与所述目标参数进行对比,若对比不一致,则根据所述目标参数调控所述种植植株的种植参数。
本基础方案通过获取种植区域的监控数据,建立种植数据库,通过检索分析从种植数据库中获取针对性的存储数据,代入预设训练模型,获取到分别对应植株出土前、出土后的初始调控参数、后期调控参数,进而可获取到最贴合当前植株的实时状态的目标参数,进而通过与种植植株的实时监测数据进行对比,判断出是否需要对种植参数进行调控;以数据库为基础,通过云端的大数据分析计算获取到最合适的种植参数,能够有效提升农业种植智能化水平,进而满足露天种植需求。
在进一步的实施方案中,所述步骤S1包括步骤:
S11、通过传感网络对每一类植株的露天种植区域进行数据采集,获取监测数据;
S12、对所述监测数据标注对应的区域标签及监测时间;
S13、将标注后的所述监测数据上传至云端,并以XML数据存储架构进行存储得到每一类植株的种植数据库;
所述监测数据至少包括土壤数据、温度数据、水分数据、图像数据及天气数据中的一种或多种。
本方案针对性的对每一类植株的监测数据、区域标签及监测时间进行分类存储,有利于后期的针对性的种植管理,同时以XML数据存储架构进行数据存储,可提高数据存储的条理性和有效性,便于后续的初始调控参数和后期调控参数的计算。
在进一步的实施方案中,所述步骤S2包括步骤:
S21、以当前种植植株为前提,从所述种植数据库中获取对应的所述存储数据,通过关键词检索筛选近似生长环境的所述存储数据,进行多元回归分析获取相关回归函数,并根据所述相关回归函数和当前环境参数计算对应的初始调控参数;
S22、以当前种植植株为前提,从所述种植数据库中获取对应的所述存储数据,通过关键词检索获取近似生长环境的所述存储数据,进行加权平均计算得到对应的后期调控参数。
在进一步的实施方案中,所述步骤S21包括步骤:
A1、以当前种植植株为前提,匹配对应的种植数据库;
A2、根据第一检索条件对所述种植数据库进行关键词检索,获取与当前种植植株所属区域生长环境最为近似的存储数据;
A3、获取培育阶段的所述存储数据,并进行异常值去除;
A4、将所述存储数据中的土壤数据和水分数据作为因变量、天气数据和温度数据作为自变量进行多元回归分析,得到相关回归函数;
A5、将所述所属区域的当前环境参数代入所述相关回归函数,得到初始调控参数;
其中,所述第一检索条件依次序为相近区域、不同年份、接近时间段;所述当前环境参数包括天气数据及温度数据,所述初始调控参数包括目标土壤数据及目标水分数据。
本方案针对植株种子从播种到发芽阶段的种植实况,设置的针对性的检索条件“依次序的相近区域、不同年份、接近时间段”,进而为植株筛选出了最优的发芽条件对应的存储数据;经过异常值去除处理,进一步保证数据的有效性,提高植株的发芽几率;通过多元回归分析得到相关回归函数,确立可控变量(即因变量,土壤数据和水分数据)与不可控变量(自变量,天气数据和温度数据)之间关系,进而在代入所属区域的当前环境参数后,可获取到最适用于当前植株状态的土壤数据和水分数据,调控数据精度高可提高植株培育效率。
在进一步的实施方案中,所述步骤S23包括步骤:
B1、以当前种植植株为前提,匹配对应的种植数据库;
B2、根据第二检索条件对所述种植数据库进行关键词检索,获取与当前种植植株所属区域生长环境最为近似的存储数据;
B3、对每一所述存储数据中的生长图像进行图像识别,进行生长状况评分;
B4、获取评分较高的若干组所述存储数据进行加权平均计算,得到预测数据;
B5、获取所述预测数据对应的接近时间段中的天气数据和温度数据,判断是否存在异常天气,若是则剔除对应异常天气的所述存储数据,返回步骤B2重新生成预测数据作为所述后期调控参数;
其中,所述第二检索条件依次序为相近区域、同一年份、接近时间段;所述后期调控参数包括目标土壤数据及目标水分数据。
本方案针对植株生长阶段的种植实况,设置的针对性的检索条件“依次序的相近区域、同一年份、接近时间段”,为植株提供最接近、最合理的调控数据;采用图像识别每一存储数据中的生长图像,进行生长状况评分,可通过生长状况较好的存储数据来控制植株进入相似的生长环境中,进而保证植株的生长环境趋于最优;采用加权平均计算进行数据预测可保证后期调控参数的均衡稳定性;同时,进行异常天气的数据剔除,避免异常天气的数据干扰植株正常生长环境数据参数(即后期调控参数)的分析,提高数据准确率,进而保证后期调控数据的有效性。
在进一步的实施方案中,在所述步骤B5中,所述异常天气的判断具体为:获取天气数据和温度数据,并绘制对应的变化曲线,对所述变化曲线进行微分计算,若微分计算数值大于预设阈值,则认为外部环境发生剧烈变化,对应时间段存在异常天气。
在进一步的实施方案中,所述步骤S4包括步骤:
S41、以所述目标参数为区间中点值、以中点值的10%作为区间长度进行范围划分,生成调控区间;
S42、获取种植植株的实时监测数据,判断其是否处于是所述调控区间内,若是则不作为,若否则计算所述实时监测数据与所述调控区间的最接近边界值的差值,并根据所述差值生成控制信号控制对应的调控设备,对所述种植植株的种植区域进行环境调控。
本方案以目标参数设置区间中值点及调控区间,适配实际的环境变化范围对植物的影响,更为贴合实际的植株生长;在调控区间与实时监测数据的对比分析中,以实时监测数据与调控区间的最接近边界值的差值生长控制信号,可避免植株环境变化过于剧烈,但能够达到较为良好的生长环境中,保证植株的正常生长。
本发明还提供一种智慧农业的种植管理系统,用于实现上述的一种智慧农业的种植管理方法,包括处理模块及与其数据连接的传感网络、数据终端、调控设备;
所述传感网络用于采集露天种植区域的监测数据;
所述处理模块用于将所述监测数据上传到所述数据终端;
所述数据终端用于获取种植区域的监测数据,并采用XML数据存储架构进行存储得到种植数据库;还用于根据植株类别从所述种植数据库中检索得到相关的存储数据,代入预设训练模型,获取初始调控参数和后期调控参数;
所述处理模块用于获取当前的种植植株的生长图像并识别,判断是否处于生长状态,若是则调用对应的所述后期调控参数作为目标参数,若否则调用对应的所述初始调控参数作为目标参数;还获取种植植株的实时监测数据,并与所述目标参数进行对比,若对比不一致,则根据所述目标参数生成控制信号;
所述调控设备用于根据所述控制信号对种植区域进行环境调控。
在进一步的实施方案中,所述调控设备包括滴灌设备、排水设备及加肥设备中的一种或多种。
在进一步的实施方案中,所述传感网络采用分布式物联网,所述分布物联网中包括数据连接的传感节点、网关设备;所述处理模块连接有若干个所述网关设备,所述网关设备连接有若干个所述传感节点。
本方案将物联网技术运用到传统农业中去,运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制,使传统农业更具有"智慧"。
附图说明
图1是本发明实施例提供的一种智慧农业的种植管理方法的工作流程图;
图2是本发明实施例提供的一种智慧农业的种植管理系统的系统框架图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
实施例1
本发明实施例提供的一种智慧农业的种植管理方法,如图1所示,在本实施例中,包括步骤:
S1、获取种植区域的监测数据,并采用XML数据存储架构进行存储得到种植数据库,包括步骤S11~S13:
S11、通过传感网络对每一类植株的露天种植区域进行数据采集,获取监测数据;
S12、对监测数据标注对应的区域标签及监测时间;
S13、将标注后的监测数据上传至云端,并以XML数据存储架构进行存储得到每一类植株的种植数据库;
具体的,XML数据存储架构中按照所属区域、时间、监测数据的层层递进的顺序进行存储,并将所属区域作为约束条件,将时间作为所属区域下的详细描述,将监测数据中的天气数据作为时间下的详细描述,将温度数据作为天气数据下的详细描述,将其他的监测数据作为温度数据下的详细描述,同时对不同的监测数据按照设定的顺序进行排列约束,设定顺序可以为土壤数据、水分数据、图像数据。通过上述内容进行构建XML架构,架构构建后,将接收到的数据存储到该架构中的对应位置,形成存储文件。其中,在其它实施例中,区域、时间天气、温度等因素的先后顺序和种类可根据对植株生长的影响大小进行选择性调整,本实施例不做限制。
在本实施例中,监测数据至少包括土壤数据、温度数据、水分数据、图像数据及天气数据中的一种或多种。土壤数据为土壤内一定物质的含量,将光照及风力作为天气数据,
或者,还包括S14、在种植数据库中补充人工种植数据。
人工种植数据的补充可保证前期数据的充足性,由于上述数据按照一定结构进行排列,能够对数据进行有效信息的提取,对后续的数据分析提供数据基础,有效节省了数据梳理的时间。
本实施例针对性的对每一类植株的监测数据、区域标签及监测时间进行分类存储,有利于后期的针对性的种植管理,同时以XML数据存储架构进行数据存储,可提高数据存储的条理性和有效性,便于后续的初始调控参数和后期调控参数的计算。
S2、根据植株类别从种植数据库中检索得到相关的存储数据,代入预设训练模型,获取初始调控参数和后期调控参数,包括步骤S21~S22:
S21、以当前种植植株为前提,从种植数据库中获取对应的存储数据,通过关键词检索筛选近似生长环境的存储数据,进行多元回归分析获取相关回归函数,并根据相关回归函数和当前环境参数计算对应的初始调控参数,包括步骤A1~A5:
A1、以当前种植植株为前提,匹配对应的种植数据库;
A2、根据第一检索条件对种植数据库进行关键词检索,获取与当前种植植株所属区域生长环境最为近似的存储数据;
其中,第一检索条件依次序为相近区域、不同年份、接近时间段。
例如,具体的检索过程如下:提取所属区域一定范围内如边界最短距离100米之内的区域,并提取上述区域下的不同年份下前后一段时间如前后30天下的时间详细描述,将该时间描述下的前后差值一定阈值之内如风力前后差值1.5米每秒之内的天气数据进行提取,并将天气数据下温度差值一定范围之内的如上下差值4℃的温度数据进行提取,完成提取与所属区域相关的数据(即步骤A2中的存储数据)。
A3、获取培育阶段的存储数据,并进行异常值去除。
具体的,培育阶段的存储数据的筛选原理如下:
对步骤A2中的存储数据中温度数据下的图像数据进行图像识别,识别图像是否为能够观测到生长的状况及具体的生长状况评分,该识别过程中通过python组件构建的三个卷积层及两个全连接层所组成的卷积神经网络识别完成即可,构建完成后需要对其进行训练,训练有效后即可使用。若无法观测到该区域的作为的生长状况,则判断为播种后一定时间下的图像,即为培育阶段的图像,则对应数据也为培育阶段的存储数据。图像识别训练模型为本领域常用的技术手段,本实施例不做限制与不再赘述。
此时,保留培育阶段图像下对应的土壤数据及水分数据,对土壤数据及水分数据进行异常值去除。
A4、将存储数据中的土壤数据和水分数据作为因变量、天气数据和温度数据作为自变量进行多元回归分析,得到相关回归函数。
例如,对以土壤数据中的氮、磷、钾含量及水分数据分别作为因变量、天气数据及温度数据全部作为自变量进行多元回归分析,分别生成土壤数据中的氮、磷、钾含量及水分数据的相关回归函数。相关回归函数的公式如下:
y=β1x1+β2x2+β2x1+c
其中,x1为光照数据、x2为风力数据、x3为温度数据,上述公式中当y分别表示不同因变量时,其光照权重β1、风力权重β2、温度权重β3、常数项c根据y表示的因变量不同分别设置有不同常数数值。
A5、将所属区域的当前环境参数代入相关回归函数,得到初始调控参数;
具体的,通过将该所属区域下的当前环境参数中的天气数据及温度数据代入相关回归函数中,生成土壤数据、水分数据的初始调控参数。
其中,当前环境参数包括天气数据及温度数据,初始调控参数包括目标土壤数据及目标水分数据。
在露天农田中,因为天气温度为不可控因素,即作为自变量,在不同天气及温度下对土壤数据及水分数据进行预测,进而生成适合于上述条件下的土壤数据及水分数据,并通过调控设备根据上述数据进行调控,以实现露天农田播种时的有效控制管理。
本实施例针对植株种子从播种到发芽阶段的种植实况,设置的针对性的检索条件“依次序的相近区域、不同年份、接近时间段”,进而为植株筛选出了最优的发芽条件对应的存储数据;经过异常值去除处理,进一步保证数据的有效性,提高植株的发芽几率;通过多元回归分析得到相关回归函数,确立可控变量(即因变量,土壤数据和水分数据)与不可控变量(自变量,天气数据和温度数据)之间关系,进而在代入所属区域的当前环境参数后,可获取到最适用于当前植株状态的土壤数据和水分数据,调控数据精度高可提高植株培育效率。
S22、以当前种植植株为前提,从种植数据库中获取对应的存储数据,通过关键词检索获取近似生长环境的存储数据,进行加权平均计算得到对应的后期调控参数,包括步骤B1~B5:
B1、以当前种植植株为前提,匹配对应的种植数据库;
B2、根据第二检索条件对种植数据库进行关键词检索,获取与当前种植植株所属区域生长环境最为近似的存储数据;
例如,具体的检索过程如下:
首先在上述存储器中的存储文件中进行所属区域的关键词检索,提取所属区域较大范围内如边界最短距离300米之内的区域,并提取上述区域下的同一年份下前较短时间如前3天下的时间详细描述,完成提取与所属区域相关的数据(即步骤B2中存储数据的提取)。
B3、对每一存储数据中的生长图像进行图像识别,进行生长状况评分;
B4、获取评分较高的若干组存储数据进行加权平均计算,得到预测数据。
在本实施例中,评分越高的所赋予权重越大,权重之间呈等差分布且总和为1,如权重间差值为0.005。
B5、获取预测数据对应的接近时间段中的天气数据和温度数据,判断是否存在异常天气,若是则剔除对应异常天气的存储数据,返回步骤B2重新生成预测数据作为后期调控参数;
其中,第二检索条件依次序为相近区域、同一年份、接近时间段;后期调控参数包括目标土壤数据及目标水分数据。
在本实施例中,异常天气的判断具体为:获取天气数据和温度数据,并绘制对应的变化曲线,对变化曲线进行微分计算,若微分计算数值大于预设阈值,则认为外部环境发生剧烈变化,对应时间段存在异常天气。
对应异常天气的存储数据的剔除具体为:根据判断超出预设阈值的时间,并以该时间前一天为时间提取节点的终止时间,提取终止时间之前的时间段下的时间详细描述。
本实施例针对植株生长阶段的种植实况,设置的针对性的检索条件“依次序的相近区域、同一年份、接近时间段”,为植株提供最接近、最合理的调控数据;采用图像识别每一存储数据中的生长图像,进行生长状况评分,可通过生长状况较好的存储数据来控制植株进入相似的生长环境中,进而保证植株的生长环境趋于最优;采用加权平均计算进行数据预测可保证后期调控参数的均衡稳定性;同时,进行异常天气的数据剔除,避免异常天气的数据干扰植株正常生长环境数据参数(即后期调控参数)的分析,提高数据准确率,进而保证后期调控数据的有效性。
即,初始调控参数为调控植株从播种到能够通过图像观测到生长的状况之间时段的参数,后期调控参数为调控能够通过图像观测到生长的状况过程中的参数。
S3、获取当前的种植植株的生长图像并识别,判断是否处于生长状态,若是则调用对应的后期调控参数作为目标参数,若否则调用对应的初始调控参数作为目标参数;
S4、获取种植植株的实时监测数据,并与目标参数进行对比,若对比不一致,则根据目标参数调控种植植株的种植参数,包括步骤S41~S42:
S41、以目标参数为区间中点值、以中点值的10%作为区间长度进行范围划分,生成调控区间;
S42、获取种植植株的实时监测数据,判断其是否处于是调控区间内,若是则不作为,若否则计算实时监测数据与调控区间的最接近边界值的差值,并根据差值生成控制信号控制对应的调控设备,对种植植株的种植区域进行环境调控。
其中,该差值带有正负符号,正为减少,负为增加。
本实施例以目标参数设置区间中值点及调控区间,适配实际的环境变化范围对植物的影响,更为贴合实际的植株生长;在调控区间与实时监测数据的对比分析中,以实时监测数据与调控区间的最接近边界值的差值生长控制信号,可避免植株环境变化过于剧烈,但能够达到较为良好的生长环境中,保证植株的正常生长。
本发明实施例通过获取种植区域的监控数据,建立种植数据库,通过检索分析从种植数据库中获取针对性的存储数据,代入预设训练模型,获取到分别对应植株出土前、出土后的初始调控参数、后期调控参数,进而可获取到最贴合当前植株的实时状态的目标参数,进而通过与种植植株的实时监测数据进行对比,判断出是否需要对种植参数进行调控;以数据库为基础,通过云端的大数据分析计算获取到最合适的种植参数,能够有效提升农业种植智能化水平,进而满足露天种植需求。
实施例2
本发明实施例附图中出现的附图标记包括:处理模块1、传感网络2、数据终端3、调控设备4。
本发明实施例还提供一种智慧农业的种植管理系统,用于实现上述实施例所提供的一种智慧农业的种植管理方法,参见图2,包括处理模块1及与其数据连接的传感网络2、数据终端3、调控设备4;
传感网络2用于采集露天种植区域的监测数据;
在本实施例中,传感网络2采用分布式物联网,分布物联网中包括数据连接的传感节点、网关设备;处理模块1连接有若干个网关设备,网关设备连接有若干个传感节点。
具体地,传感节点包括土壤氮磷钾传感器、温度传感器、水分传感器、无人机搭载相机、固定相机、光照传感器及风力传感器。根据一定区域如10亩,在该区域内分别设置一个或若干个上述传感器,无人机搭载相机由于其可移动监测性,可同时采集多片区域的图像,非必须一片区域配置一个无人机,在节点设置完成后,通过一个网关设备连通该区域内传感器,其网关设备负责传输该区域内的监测数据,并在传输过程中对监测数据进行标注,标注属于区域标签及监测时间。
本实施例将物联网技术运用到传统农业中去,运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制,使传统农业更具有"智慧"。
处理模块1用于将监测数据上传到数据终端3。
传感网络2设置完成后,将监测数据传输给处理模块1,处理模块1使用单片机,单片机上设置无线通信网络接口,无线接收网关设备的数据,并将网关设备的数据传输给数据终端3。
数据终端3用于获取种植区域的监测数据,并采用XML数据存储架构进行存储得到种植数据库;还用于根据植株类别从种植数据库中检索得到相关的存储数据,代入预设训练模型,获取初始调控参数和后期调控参数。
同时,所述数据终端3还可连接移动终端,通过移动终端对存储数据进行所属区域、时间及监测数据的查看,实现数据的显示溯源作用,方便相关人员的分析及远程监测溯源。
处理模块1用于获取当前的种植植株的生长图像并识别,判断是否处于生长状态,若是则调用对应的后期调控参数作为目标参数,若否则调用对应的初始调控参数作为目标参数;还获取种植植株的实时监测数据,并与目标参数进行对比,若对比不一致,则根据目标参数生成控制信号。
处理模块1中的控制信号可周期性提供,当如每隔3天提供一次,当监测数据达到区间时,停止提供信号控制。同时可人工修改控制信号。
需要说明的是,在控制信号中,当所述土壤肥力高于调控区间时,生成土壤肥力减少控制信号,土壤肥力减少控制信号优先级最高,土壤肥力削减完成排水设备一直开启,间隔1天后,再通过其他控制信号通过调控设备4对外部环境进行调控。
调控设备4用于根据控制信号对种植区域进行环境调控。
在本实施例中,调控设备4包括滴灌设备、排水设备及加肥设备中的一种或多种。
本实施例所提供的种植管理系统采用各个模块实现种植管理方法中的各个步骤,为种植管理方法提供硬件基础,便于方法实施。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种智慧农业的种植管理方法,其特征在于,包括步骤:
S1、获取种植区域的监测数据,并采用XML数据存储架构进行存储得到种植数据库;
S2、根据植株类别从所述种植数据库中检索得到相关的存储数据,代入预设训练模型,获取初始调控参数和后期调控参数;
S3、获取当前的种植植株的生长图像并识别,判断是否处于生长状态,若是则调用对应的所述后期调控参数作为目标参数,若否则调用对应的所述初始调控参数作为目标参数;
S4、获取种植植株的实时监测数据,并与所述目标参数进行对比,若对比不一致,则根据所述目标参数调控所述种植植株的种植参数。
2.如权利要求1所述的一种智慧农业的种植管理方法,其特征在于,所述步骤S1包括步骤:
S11、通过传感网络对每一类植株的露天种植区域进行数据采集,获取监测数据;
S12、对所述监测数据标注对应的区域标签及监测时间;
S13、将标注后的所述监测数据上传至云端,并以XML数据存储架构进行存储得到每一类植株的种植数据库;
所述监测数据至少包括土壤数据、温度数据、水分数据、图像数据及天气数据中的一种或多种。
3.如权利要求2所述的一种智慧农业的种植管理方法,其特征在于,所述步骤S2包括步骤:
S21、以当前种植植株为前提,从所述种植数据库中获取对应的所述存储数据,通过关键词检索筛选近似生长环境的所述存储数据,进行多元回归分析获取相关回归函数,并根据所述相关回归函数和当前环境参数计算对应的初始调控参数;
S22、以当前种植植株为前提,从所述种植数据库中获取对应的所述存储数据,通过关键词检索获取近似生长环境的所述存储数据,进行加权平均计算得到对应的后期调控参数。
4.如权利要求3所述的一种智慧农业的种植管理方法,其特征在于,所述步骤S21包括步骤:
A1、以当前种植植株为前提,匹配对应的种植数据库;
A2、根据第一检索条件对所述种植数据库进行关键词检索,获取与当前种植植株所属区域生长环境最为近似的存储数据;
A3、获取培育阶段的所述存储数据,并进行异常值去除;
A4、将所述存储数据中的土壤数据和水分数据作为因变量、天气数据和温度数据作为自变量进行多元回归分析,得到相关回归函数;
A5、将所述所属区域的当前环境参数代入所述相关回归函数,得到初始调控参数;
其中,所述第一检索条件依次序为相近区域、不同年份、接近时间段;所述当前环境参数包括天气数据及温度数据,所述初始调控参数包括目标土壤数据及目标水分数据。
5.如权利要求3所述的一种智慧农业的种植管理方法,其特征在于,所述步骤S23包括步骤:
B1、以当前种植植株为前提,匹配对应的种植数据库;
B2、根据第二检索条件对所述种植数据库进行关键词检索,获取与当前种植植株所属区域生长环境最为近似的存储数据;
B3、对每一所述存储数据中的生长图像进行图像识别,进行生长状况评分;
B4、获取评分较高的若干组所述存储数据进行加权平均计算,得到预测数据;
B5、获取所述预测数据对应的接近时间段中的天气数据和温度数据,判断是否存在异常天气,若是则剔除对应异常天气的所述存储数据,返回步骤B2重新生成预测数据作为所述后期调控参数;
其中,所述第二检索条件依次序为相近区域、同一年份、接近时间段;所述后期调控参数包括目标土壤数据及目标水分数据。
6.如权利要求5所述的一种智慧农业的种植管理方法,其特征在于,在所述步骤B5中,所述异常天气的判断具体为:获取天气数据和温度数据,并绘制对应的变化曲线,对所述变化曲线进行微分计算,若微分计算数值大于预设阈值,则认为外部环境发生剧烈变化,对应时间段存在异常天气。
7.如权利要求1所述的一种智慧农业的种植管理方法,其特征在于,所述步骤S4包括步骤:
S41、以所述目标参数为区间中点值、以中点值的10%作为区间长度进行范围划分,生成调控区间;
S42、获取种植植株的实时监测数据,判断其是否处于是所述调控区间内,若是则不作为,若否则计算所述实时监测数据与所述调控区间的最接近边界值的差值,并根据所述差值生成控制信号控制对应的调控设备,对所述种植植株的种植区域进行环境调控。
8.一种智慧农业的种植管理系统,用于实现如权利要求1~7中任一项权利要求所述的一种智慧农业的种植管理方法,其特征在于:包括处理模块及与其数据连接的传感网络、数据终端、调控设备;
所述传感网络用于采集露天种植区域的监测数据;
所述处理模块用于将所述监测数据上传到所述数据终端;
所述数据终端用于获取种植区域的监测数据,并采用XML数据存储架构进行存储得到种植数据库;还用于根据植株类别从所述种植数据库中检索得到相关的存储数据,代入预设训练模型,获取初始调控参数和后期调控参数;
所述处理模块用于获取当前的种植植株的生长图像并识别,判断是否处于生长状态,若是则调用对应的所述后期调控参数作为目标参数,若否则调用对应的所述初始调控参数作为目标参数;还获取种植植株的实时监测数据,并与所述目标参数进行对比,若对比不一致,则根据所述目标参数生成控制信号;
所述调控设备用于根据所述控制信号对种植区域进行环境调控。
9.如权利要求8所述的一种智慧农业的种植管理方法,其特征在于:所述调控设备包括滴灌设备、排水设备及加肥设备中的一种或多种。
10.如权利要求8所述的一种智慧农业的种植管理系统,其特征在于:所述传感网络采用分布式物联网,所述分布物联网中包括数据连接的传感节点、网关设备;所述处理模块连接有若干个所述网关设备,所述网关设备连接有若干个所述传感节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344815.2A CN115629585A (zh) | 2022-10-31 | 2022-10-31 | 一种智慧农业的种植管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344815.2A CN115629585A (zh) | 2022-10-31 | 2022-10-31 | 一种智慧农业的种植管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115629585A true CN115629585A (zh) | 2023-01-20 |
Family
ID=84908298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344815.2A Pending CN115629585A (zh) | 2022-10-31 | 2022-10-31 | 一种智慧农业的种植管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629585A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596344A (zh) * | 2023-05-29 | 2023-08-15 | 东北农业大学 | 基于融雪水利用的寒区防止旱涝灾害可持续高效调控方法 |
CN117041303A (zh) * | 2023-10-09 | 2023-11-10 | 睿兴科技(天津)有限公司 | 一种用于水泵智能诊断的数据传输方法及系统 |
CN117035196A (zh) * | 2023-08-24 | 2023-11-10 | 广东海洋大学 | 基于数据分析的农业生产信息化管理系统 |
-
2022
- 2022-10-31 CN CN202211344815.2A patent/CN115629585A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596344A (zh) * | 2023-05-29 | 2023-08-15 | 东北农业大学 | 基于融雪水利用的寒区防止旱涝灾害可持续高效调控方法 |
CN117035196A (zh) * | 2023-08-24 | 2023-11-10 | 广东海洋大学 | 基于数据分析的农业生产信息化管理系统 |
CN117035196B (zh) * | 2023-08-24 | 2024-02-13 | 广东海洋大学 | 基于数据分析的农业生产信息化管理系统 |
CN117041303A (zh) * | 2023-10-09 | 2023-11-10 | 睿兴科技(天津)有限公司 | 一种用于水泵智能诊断的数据传输方法及系统 |
CN117041303B (zh) * | 2023-10-09 | 2023-12-15 | 睿兴科技(天津)有限公司 | 一种用于水泵智能诊断的数据传输方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110545531A (zh) | 一种基于大数据和云计算的农作物长势监控方法与系统 | |
CN115629585A (zh) | 一种智慧农业的种植管理方法及系统 | |
RU2688234C1 (ru) | Способ интеллектуального управления выращиванием и интеллектуальное устройство для выращивания | |
CN108781926B (zh) | 基于神经网络预测的大棚灌溉系统及方法 | |
CN105700593B (zh) | 一种植物种植监控系统及其方法 | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉系统 | |
CN204576316U (zh) | 一种大棚智能控制系统 | |
CN112232976A (zh) | 一种基于物联网智慧农业信息共享系统 | |
CN114442705B (zh) | 一种基于物联网的智慧农业系统及控制方法 | |
CN112042353A (zh) | 一种适用于日光温室的水肥精准决策方法及系统 | |
CN113642729A (zh) | 基于机器学习的智能沼液施用方法、系统及存储介质 | |
Mudholka et al. | Study of improvement in efficiency and effectiveness of performing farming using internet of things | |
KR102381491B1 (ko) | 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템 | |
CN113313469A (zh) | 一种基于窄带物联网的智慧农业管理系统 | |
CN106465635A (zh) | 基于土壤的农业互联生产方法 | |
CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
CN106713414A (zh) | 一种生命周期模型解决种植问题的服务系统 | |
Dayoub et al. | Applications of Internet of Things (IoT) in Agriculture-The Potential and Challenges in Smart Farm in Uganda | |
Gassner et al. | Improving food security through increasing the precision of agricultural development | |
Lin et al. | The Design and Application of Intelligent Agricultural Greenhouse in Big Data Era | |
CN106508453A (zh) | 基于气象的农业互联生产方法 | |
Wang et al. | The application of the internet of things technology in apple production | |
AU2021106696A4 (en) | Sustainable Development of Rural India using Modern Tools and Technologies in Agriculture Sector | |
Tiple et al. | IoT based Weather Monitoring System Using OSSA & MA Techniques | |
Aleksiev et al. | AI shaping agriculture: smart technologies for smart production in Bulgaria |
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 |