CN115968760A - 一种基于马铃薯根系时空分布的在地化灌溉方法 - Google Patents
一种基于马铃薯根系时空分布的在地化灌溉方法 Download PDFInfo
- Publication number
- CN115968760A CN115968760A CN202211642153.7A CN202211642153A CN115968760A CN 115968760 A CN115968760 A CN 115968760A CN 202211642153 A CN202211642153 A CN 202211642153A CN 115968760 A CN115968760 A CN 115968760A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- root
- root system
- potato
- image
- 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
- 238000003973 irrigation Methods 0.000 title claims abstract description 185
- 230000002262 irrigation Effects 0.000 title claims abstract description 185
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 178
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000009826 distribution Methods 0.000 title claims abstract description 71
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 230000012010 growth Effects 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000002123 temporal effect Effects 0.000 claims abstract description 10
- 239000002689 soil Substances 0.000 claims description 70
- 235000012015 potatoes Nutrition 0.000 claims description 49
- 241000196324 Embryophyta Species 0.000 claims description 42
- 238000003709 image segmentation Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000009825 accumulation Methods 0.000 claims description 22
- 229920002472 Starch Polymers 0.000 claims description 19
- 235000019698 starch Nutrition 0.000 claims description 19
- 239000008107 starch Substances 0.000 claims description 19
- 238000000691 measurement method Methods 0.000 claims description 17
- 238000003306 harvesting Methods 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000009331 sowing Methods 0.000 claims description 14
- 238000009412 basement excavation Methods 0.000 claims description 13
- 239000003337 fertilizer Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000009736 wetting Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000002686 phosphate fertilizer Substances 0.000 claims description 6
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010899 nucleation Methods 0.000 claims description 5
- 102000004190 Enzymes Human genes 0.000 claims description 4
- 108090000790 Enzymes Proteins 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 239000003621 irrigation water Substances 0.000 claims description 4
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 3
- 239000004202 carbamide Substances 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006740 morphological transformation Effects 0.000 claims description 3
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- OTYBMLCTZGSZBG-UHFFFAOYSA-L potassium sulfate Chemical group [K+].[K+].[O-]S([O-])(=O)=O OTYBMLCTZGSZBG-UHFFFAOYSA-L 0.000 claims description 3
- 229910052939 potassium sulfate Inorganic materials 0.000 claims description 3
- 235000011151 potassium sulphates Nutrition 0.000 claims description 3
- 229910052704 radon Inorganic materials 0.000 claims description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- YYRMJZQKEFZXMX-UHFFFAOYSA-L calcium bis(dihydrogenphosphate) Chemical group [Ca+2].OP(O)([O-])=O.OP(O)([O-])=O YYRMJZQKEFZXMX-UHFFFAOYSA-L 0.000 claims description 2
- 229910000389 calcium phosphate Inorganic materials 0.000 claims description 2
- 238000012938 design process Methods 0.000 claims description 2
- 235000019691 monocalcium phosphate Nutrition 0.000 claims description 2
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 claims 1
- 229940072033 potash Drugs 0.000 claims 1
- 235000015320 potassium carbonate Nutrition 0.000 claims 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 235000013573 potato product Nutrition 0.000 abstract description 2
- 238000011282 treatment Methods 0.000 description 55
- 239000010410 layer Substances 0.000 description 49
- 238000012360 testing method Methods 0.000 description 32
- 230000006872 improvement Effects 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006798 recombination Effects 0.000 description 6
- 238000005215 recombination Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 102220480414 Adhesion G-protein coupled receptor D1_S13A_mutation Human genes 0.000 description 1
- 102220560218 Calcium/calmodulin-dependent protein kinase type IV_S12A_mutation Human genes 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- YYRMJZQKEFZXMX-UHFFFAOYSA-N calcium;phosphoric acid Chemical group [Ca+2].OP(O)(O)=O.OP(O)(O)=O YYRMJZQKEFZXMX-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003895 groundwater pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 102200048773 rs2224391 Human genes 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000002426 superphosphate Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Cultivation Of Plants (AREA)
Abstract
本发明属于农业领域,具体涉及一种基于马铃薯根系时空分布的在地化灌溉方法。该在地化灌溉方法包括如下过程:一、在本地选择采用典型生产模式和等量灌溉方案种植的马铃薯作物作为采样对象。二、在不同生长期对马铃薯植株进行根系采样和预处理,并对采集到的根系样本的根系长度和干重进行测量。三、统计出马铃薯的根系时空分布特征,并生成对应的根系时空分布图。四、选择滴灌的灌溉方式,根据根系时空分布图生成对应的精细化灌溉策略。特别地,步骤二中本实施例采用基于深度学习和机器视觉的数字化测量方案。本发明解决了马铃薯产品灌溉方式不合理导致的水资源浪费和马铃薯产量较低等问题,在一定程度上缓解了当地马铃薯产区的水资源短缺困境。
Description
技术领域
本发明属于农业领域,具体涉及一种基于马铃薯根系时空分布的在地化灌溉方法。
背景技术
马铃薯是一种重要的经济作物,马铃薯的淀粉含量丰富,在某些地区也作为人民的主粮食用,是全球第四大重要的粮食作物。马铃薯是一种比较耐旱的作物,因此在我国北方半干旱地区广泛种植,例如内蒙古阴山北麓地区就是我国的一个重要的马铃薯产区。
内蒙古大部分马铃薯主产区的土壤均属于保水保肥能力差的沙质土壤,为了提高产量,种植户在马铃薯种植周期内通常需要消耗大量的农业用水。在该地区大部分马铃薯产区,由于种植过程中不科学的灌溉方式和过量施用氮肥,导致当地马铃薯水肥利用效率较低。这不仅会严重造成水资源的浪费,土壤盐碱化,也会不断加剧由硝酸盐淋洗导致的地下水污染风险。
考虑到马铃薯种植区域大多处于水资源并不丰富的半干旱区域,传统的粗放式灌溉方式造成的水资源短缺问题日益成为限制马铃薯产业进一步发展的主要因素之一。在内蒙古马铃薯主产区开展灌溉技术的创新,提高马铃薯的水分利用效率势在必行。除此之外,在现有的各个马铃薯产区内,土壤的状态、当地的气候、马铃薯品种的特性各不相同,单一的灌溉策略无法推广到不同地区。同时,水资源的短缺也使得种植户对调整灌溉策略的动机不足。因此,如何设计出一种适应本地气候和物候的在地化灌溉方法,在不增加灌溉用水量的基础上,提高水分利用效率,成为本领域技术人员的亟待解决的技术难题。
发明内容
为了解决马铃薯产品灌溉方式不合理导致的水资源浪费和马铃薯产量较低等问题,本发明提供一种基于马铃薯根系时空分布的在地化灌溉方法。
本发明采用以下技术方案实现:
一种基于马铃薯根系时空分布的在地化灌溉方法,其用于以传统灌溉用水量为约束,根据马铃薯不同生长周期对水分的需求以及不同区域的土壤状况生成对应的精细化灌溉策略,以提高水分利用效率。该在地化灌溉方法包括如下过程:
一、采样对象的选择
在本地选择采用典型生产模式和等量灌溉方案种植的马铃薯作物作为采样对象,用于获取植株在包含苗期、块茎形成期、块茎膨大期和淀粉积累期的全生长周期内的植株根系样本。
二、根系的采样与测量
在不同生长期对马铃薯植株进行根系采样和预处理,并对采集到的根系样本的根系长度和干重进行测量。
其中,根系长度为同一深度范围内所有根系的总长度,并采用基于图像处理的植株根系长度测量方法对马铃薯的根系长度进行测量。
三、根系时空分布图的统计
基于采集到的不同时期的马铃薯的根系在不同深度范围内的称重和长度测量结果,统计出马铃薯的根系时空分布特征,并生成对应的根系时空分布图。
根系时空分布图是本发明提出的一种新的概念,该特征量可以采用函数、曲线、统计图表等数学模型进行表示。根系时空分布图主要用于反应作物的根系在不同土壤深度范围内的根系分布量随生长周期的变化规律。
四、灌溉策略的生成
选择滴灌的灌溉方式,然后根据上步骤的根系时空分布图生成对应的精细化灌溉策略,具体过程如下:
(1)将常规的等量灌溉方案的总灌溉量Vb作为精细化灌溉策略的总量约束;
(2)将根系时空分布图中各时期的80%根系的最大深度作为对应灌溉时期滴灌土壤湿润体的目标深度Z。
(3)采用下式的灌溉数学模型计算出每轮灌溉任务中单个滴灌带滴头下对应的出水量V:
上式中,Vb表示当前灌溉轮次中每公顷土地面积的总灌溉量,单位为m3;n为每公顷面积内滴灌系统的滴头数量;Z为滴灌后土壤湿润体的目标深度,单位为m;q是滴灌带的滴头流量,单位为m3/h;Ks(Z)为一个与目标深度Z相关的表征土壤饱和导水率的函数,单位为m/s;a为灌溉数学模型的一个系统参数,a用于修订灌溉数学模型在不同场景中应用时的模型偏差。
(4)根据计算出的每个灌溉轮次下对应的单个滴灌带滴头下对应的出水量V,对马铃薯种植区的滴灌系统的灌溉模式进行调整。
作为本发明进一步的改进,步骤一中,采样对象要求采用典型生产模式和等量灌溉方案种植,种植过程中需要控制的生产因素包括:植株行间距、种植密度、总灌溉量、灌溉频次、肥料的用法用量,种植期、出苗期和收获期。
将采样对象的来源设置为同一产区的不同区域,并在每个区位内选择多处不同样本采样点,以克服样本的抽样误差。
作为本发明进一步的改进,采样对象的马铃薯播种行距为90cm,株距为30cm,播种密度为3.7×104株/hm。马铃薯整个生长季的总灌溉量为1800m3/hm2,灌溉8次,每7-8天灌溉一次,灌溉方式为等量灌溉,灌溉量为225m3/hm2。种植所用氮肥为尿素,施用量为300kg/hm2,播种时撒施30%,滴灌追肥70%;磷肥为过磷酸钙,施用量为180kg/hm2,钾肥为硫酸钾,施用量为300kg/hm2,在播种时与磷肥一次性全部撒施。播种期为5月4-6日,出苗期为6月14-17日,收获期为9月10-12日。
作为本发明进一步的改进,步骤二中,植株根系的采样和预处理方法如下:
(1)按照180cm×90cm的面积选择围合植株的土方开挖区域;并根据植株生长周期选择开挖深度;获取包含植株根系的土方。其中,苗期开挖深度为60cm,其他生育时期开挖深度均为120cm。
(2)将土方按照10cm为分层间隔从土表向下依次分层,得到不同层的样本块。
(3)将样本块破碎并过20目网筛,收集的根系经人工剔除残余杂质后装入到网袋中。
(4)将网袋中各深度处采集到的根系样品用清水清洗后用滤纸吸干水分,并完整展开后均匀放置在背景板上。
(5)通过图像采集设备获取背景板的正投影方向上的样本图像;样本图像用于测量根系长度。
(6)图像采集结束后将不同深度处的根系样品以105℃的温度杀青,并以80℃的温度烘干至恒重,烘干后的根系用于进行称重。
作为本发明进一步的改进,步骤二中,基于图像处理的植株根系长度测量方法的测量步骤如下:
S1:基于DeepLabV3+语义分割模型设计一种用于提取马铃薯根系局部图像的图像分割网络。图像分割网络的设计过程如下:
S11:选择引入编码器-解码器结构的DeepLabV3+网络模型作为图像分割网络的基础模型,并将基础模型中的主干网络Xception替换为MobileNetV2网络。
S12:采用CARAFE上采样模块替换基础网络中的Upsample by 4上采样模块,分别用于对编码器输出的高层次特征和解码器的输出结果进行上采样。
S13:在DCNN输出的低层次特征和编码器的特征连接层后分别增加一个CBAM注意力机制模块。
S2:采用大量预标注的样本图像构成的训练集对设计的图像分割网络进行训练,并通过验证集对训练后的网络模型进行验证;保留训练完成后的图像分割网络的模型参数。
S3:通过固定拍摄参数的图像采集设备获取背景板上包含马铃薯根系的样本图像,并将样本图像输入到训练好的图像分割网络中进行识别和处理,得到分割出的根系局部图像。
S4:采用Hilditch细化算法对获取的根系局部图像进行细化,去除根系局部图像中孤立的干扰像素,得到优化后的根系局部图像,并输出根系局部图像对应的像素值。
S5:获取优化后的根系局部图像中所有根系对应的像素表示的根系长度PL,并通过下式计算真实的根系长度RL:
RL=B·PL
上式中,B为一个用于表征步骤S3中输出的样本图像中目标的像素长度与真实长度间比例关系的像素转换系数。
作为对本发明进一步的改进,步骤S5中的像素转换系数B是一个与图像采集设备的相机参数以及拍摄时的物像距离相关的状态参数,当步骤S3中图像采集设备获取样本图像时的拍摄参数固定时,像素转换系数B是一个常数。
这里的拍摄参数具体包括:相机参数,如变焦倍率;分辨率、ISO值等等。相机光轴与背景板中拍摄目标的拍摄角度,以及相机镜头至背景板中拍摄目标的距离。
作为对本发明进一步的改进,在步骤S3获取的样本图像中,像素转换系数B的确定方法如下:
(1)通过相机获取放置在采集平板上的真实的带刻度直尺的图像。
(2)对直尺的图像进行中值滤波处理,并使用迭代式分割方法分割感兴趣区域,寻找直尺上的厘米标记,并利用形态学变换去除毫米标记。
(3)通过拉东变换获得厘米标记在直尺上的水平投影,最后在此投影上确定连相邻厘米标记之间的中间间隔值Di。
(4)根据相邻厘米标记之间的中间间隔值Di与图像中像素之间的对应关系,计算得到“像素—毫米”的转换因子,即像素转换系数B,计算公式如下:
上式中,Pd为相邻厘米标记间的像素值;Di为相邻厘米标记间的中间间隔值;像素转换系数B的单位为:像素/mm。
作为对本发明进一步的改进,步骤三中,根系时空分布图中不同深度的根系分布量采用根系总长度或根系干重进行表征,或采用融合根系总长度长度和根系干重的一个加权融合特征量进行表征。
作为对本发明进一步的改进,步骤二中,以苗期、块茎形成期、块茎膨大期和淀粉积累期为马铃薯生长周期的划分标准,并在每个生长周期内设置至少一个采样的时间节点,获取对应时间节点的根系长度和根系干重的数据;
步骤三中,马铃薯的根系时空分布图按照苗期、块茎形成期、块茎膨大期和淀粉积累期四个时间节点进行数据分类,并生成一个反映80%根系的最大分布深度随时间的变化规律的动态曲线。
作为对本发明进一步的改进,步骤四中,单位公顷面积内滴灌系统的滴头数量n取值为37037;滴灌带的滴头流量q取值为2.2L/h,操作压力0.1MPa;饱和导水率Ks(Z)通过在当地土壤的不同深度采用马氏瓶原理进行定水头法测定得到,取值范围在4.26×10-6m/s—6.04×10-6m/s之间。
本发明提供的技术方案,具有如下有益效果:
本发明针对目前内蒙古阴山北麓马铃薯主产区传统灌溉方法存在水分利用效率低,马铃薯产量较低等问题,提出一种基于马铃薯根系时空分布的在地化灌溉方法。在本发明方案的研究过程中,技术人员基于大量试验数据设计出一个可以根据马铃薯80%的根系生长深度与润湿深度相匹配的数学模型,并利用设计的数学模型指导灌溉过程对用水量的调整,使得灌溉过程不仅用水量更加节约,并且供应的水资源能够与马铃薯的生长周期相适应,进而大幅提高灌溉过程的水资源利用效率并提升马铃薯的产量。
本发明提供的技术方案是基于特定地域提供的在地化方案,对于大部分地区来说,只要采用相应方案进行研究和分析,都可以得到最适宜本地的优化灌溉策略。该方案在广大干旱的马铃薯主产区具有极高的推广应用前景,可产生极大经济价值和社会效益。并在一定程度上缓解土豆主产区普遍存在的水资源短缺困境。
在本发明中,还提供了一个用于测量马铃薯等作物根系长度测量的数字化方案,包括对于的硬件设备和软件系统。该数字化测量方案可以通过非接触式测量方案,快速测量出大量样本的总长度,进而解决传统根系长度测量方法存在的耗时长、工作量大、自动化程度低、准确率不高等问题。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中一种基于马铃薯根系时空分布的在地化灌溉方法的步骤流程图。
图2为本发明实施例1中灌溉策略生成阶段设定的目标深度的示意图。
图3本发明实施例2为了测量根系长度搭建的简易版图像采集设备的实拍照片。
图4本发明实施例2中图像分割网络的设计和训练过程的步骤流程图。
图5为传统的DeepLabV3+网络的模型架构。
图6为本发明实施例2中基于DeepLabV3+网络改进设计的图像分割网络的模型架构。
图7为本发明实施例2中确定图像采集设备不同拍摄状态对应的像素转换系数的步骤流程图。
图8为本发明实施例2中测量马铃薯根系长度测量方法对应的步骤流程图。
图9为性能测试阶段采用人工测量和实施例2中的数字化测量方法进行马铃薯根系长度测量时测量结果的精度对照图。
图10为种植试验中统计出的察右中旗试验田中马铃薯根系干重的时空分布图。
图11为种植试验中统计出的四子王旗试验田中马铃薯根系干重的时空分布图。
图12为种植试验中统计出的察右中旗试验田中马铃薯根系长度的时空分布图。
图13为种植试验中统计出的四子王旗试验田中马铃薯根系长度的时空分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种基于马铃薯根系时空分布的在地化灌溉方法,其用于以传统灌溉用水量为约束,根据马铃薯不同生长周期对水分的需求以及不同区域的土壤状况生成对应的精细化灌溉策略,以提高水分利用效率。
本实施例提供的在地化灌溉方法如图1所示,包括如下过程:
一、采样对象的选择
在本地选择采用典型生产模式和等量灌溉方案种植的马铃薯作物作为采样对象,用于获取植株在包含苗期、块茎形成期、块茎膨大期和淀粉积累期的全生长周期内的植株根系样本。
由于本实施例提供的灌溉方法是一种在地化的方案,因此应该的以当地常规种植方案为基础进行研究和改进,这里选择的采样对象要求采用当地的典型生产模式和等量灌溉方案种植,种植过程中需要控制的生产因素包括:植株行间距、种植密度、总灌溉量、灌溉频次、肥料的用法用量,种植期、出苗期和收获期。
此外,为了克服样本的抽样误差,将采样对象的来源地设置为同一产区的不同区域,并在每个区位内选择多处不同样本采样点。
二、根系的采样与测量
在不同生长期对马铃薯植株进行根系采样和预处理,并对采集到的根系样本的根系长度和干重进行测量。
其中,本实施例中的根系长度为同一深度范围内所有根系的总长度,因此,对于采集到的马铃薯根系需要先根据根系深度进行分割,然后对不同深度区域采集到的根系进行分别测量和统计。需要强调的是:在本实施例的方案中,马铃薯的全生长周期以苗期、块茎形成期、块茎膨大期和淀粉积累期为分类标准进行划分。其中,苗期大概是对应出苗后1-15天的时期;块茎形成期为对应出苗后16-30天的时期;块茎膨大期对应出苗后31-45天的时期;淀粉积累期为对应出苗后46-60天的时期。出苗后61-75天为收获期。
通常来说,苗期、块茎形成期、块茎膨大期和淀粉积累期属于马铃薯生长发育的关键时期,以上时期需要对植株进行多次浇水,而收获期属于马铃薯的生命周期末期,此时马铃薯果实已经发育成熟,植株的生命活性也趋于下降,因此无需浇水。基于上述规律,本实施例在马铃薯苗期、块茎形成期、块茎膨大期和淀粉积累期每个生长周期内分别设置至少一个采样的时间节点,获取对应时间节点的根系长度和根系干重的数据;而对于收获期,则不采样。
在本实施例中,植株根系的采样和预处理方法如下:
(1)按照180cm×90cm的面积选择围合植株的土方开挖区域;并根据植株生长周期选择开挖深度;获取包含植株根系的土方。其中,苗期开挖深度为60cm,其他生育时期开挖深度均为120cm。
(2)将土方按照10cm为分层间隔从土表向下依次分层,得到不同层的样本块。
(3)将样本块破碎并过20目网筛,收集的根系经人工剔除匍匐茎以及其上的马铃薯,并去除残余杂质后装入到网袋中。
(4)将网袋中各深度处采集到的根系样品用清水清洗后用滤纸吸干水分,并完整展开后均匀放置在背景板上。
(5)通过图像采集设备获取背景板的正投影方向上的样本图像;样本图像用于测量根系长度。
(6)图像采集结束后将不同深度处的根系样品以105℃的温度杀青,并以80℃的温度烘干至恒重,烘干后的根系用于进行称重。
在本实施例中,马铃薯的根系干重可以直接通过微量计量称进行称重得到。而根系长度由于测量的根系样本量大,根系较为细小且处于蜷曲状态,测量难度较大。本实施例并未采样常规的人工测量方法,而是采用基于图像处理的植株根系长度测量方法对马铃薯的根系长度进行测量。
特别地,基于图像处理的植株根系长度测量方法是本案技术人员为了克服传统植株根系人工测量方法存在的程序繁琐,处理难度大,测量精度低等问题,而设计出的另外一项新的数字化测量方法。该测量方法具有更加简便、快速,测量精度更高,可大幅降低人力负荷等特点。关于该新型数字化测量方法的内容将在后文单独设置对应的章节进行详细说明,这里不再进行赘述。
三、根系时空分布图的统计
基于采集到的不同时期的马铃薯的根系在不同深度范围内的称重和长度测量结果,统计出马铃薯的根系时空分布特征,并生成对应的根系时空分布图。
根系时空分布图是本发明为了描述该新型灌溉测量的改良依据而提出的一种新的概念,是一种新的特征量。该特征量可以采用函数、曲线、统计图表等数学模型进行表示。具体地,根系时空分布图主要用于反应作物的根系在不同土壤深度范围内的根系分布量随生长周期的变化规律。
在前述步骤中,本实施例已经获得了马铃薯植株不同生长期对应的各个土壤深度范围内的根系长度和干重的相关数据。则在本步骤的时空分布图中,不同深度的根系分布量可以选择单独采用根系总长度或根系干重进行表征,或者是采用融合根系总长度长度和根系干重的一个加权融合特征量进行表征。事实上无论是以长度计还是重量计,马铃薯的根系时空分布图反应的规律大致是统一的。
其中,在本实施例中,基于采样到的数据,马铃薯的根系时空分布图需要按照苗期、块茎形成期、块茎膨大期和淀粉积累期四个时间节点进行数据分类和统计。最终可以根据得到马铃薯的根系时空分布图生成一个反映80%根系的最大分布深度随时间的变化规律的动态曲线。
四、灌溉策略的生成
选择滴灌的灌溉方式,然后根据上步骤的根系时空分布图生成对应的精细化灌溉策略,具体过程如下:
(1)将常规的等量灌溉方案的总灌溉量Vb作为精细化灌溉策略的总量约束。
(2)如图2所示,将根系时空分布图中各时期的80%根系的最大深度H作为对应灌溉时期滴灌土壤湿润体的目标深度Z。
(3)采用下式的灌溉数学模型计算出每轮灌溉任务中单个滴灌带滴头下对应的出水量V:
上式中,Vb表示当前灌溉轮次中每公顷土地面积的总灌溉量,单位为m3;n为每公顷面积内滴灌系统的滴头数量;Z为滴灌后土壤湿润体的目标深度,单位为m;q是滴灌带的滴头流量,单位为m3/h;Ks(Z)为一个与目标深度Z相关的表征土壤饱和导水率的函数,单位为m/s;a为灌溉数学模型的一个系统参数,a用于修订灌溉数学模型在不同场景中应用时的模型偏差。
(4)根据计算出的每个灌溉轮次下对应的单个滴灌带滴头下对应的出水量V,对马铃薯种植区的滴灌系统的灌溉模式进行调整。
实施例2
本实施例提供一种基于图像处理的植株根系长度测量方法,该测量方法即为实施例1中进行马铃薯根系长度测量时采用的测量方案。该测量方法非常适合对具有丰富根系的植株样本的根系总长度进行测量。由于本实施例提供的这一测量方法是一种基于图像的数字化测量方法,无需进行人工测量与统计,只需要对植株样本的根系按照预设方式进行拍照后,就可以由计算机直接完成相应的测量任务,并输出对应的测量结果。因此,本实施例提供的基于图像处理的植株根系长度测量方法的测量效率和精度均明显高于传统的人工测量方法。
具体地,本实施例提供的基于图像处理的植株根系长度测量方法的原理和处理流程大致如下:
首先,设计一种可以非常精准地将待测目标物(即植物根系)从背景中准确提取并提取出来的图像分割网络,并利用标注后的真实的植物根部图像对设计出的图像分割网络进行训练,直到网络模型的精度达到要求。
然后,设计一个可固定拍摄参数的图像采集设备,图3为搭建出本实施例设计的图像采集设备的简易产品实物图。该图像采集设备包括一个操作平台,操作台放置有用于固定背景板和待测样本的样本安置板。操作平台上方固定有一个可升降调节的支架,支架上固定连接有相机和补光灯。相机和补光灯与可进行数据处理和设备控制的笔记本电脑通过线缆通讯连接,相机和补光灯均由电脑控制。
本实施例还在图像采集设备在各个拍摄状态下,得到的图像中的像素值与拍摄目标的真实物理尺度间的像素转换系数。像素转换系数是一个与图像采集设备的相机参数以及拍摄时的物像距离相关的状态参数,当图像采集设备获取样本图像时的拍摄参数固定时,像素转换系数是一个常数。这里的拍摄参数具体包括:相机参数,如变焦倍率;分辨率、ISO值等等。相机光轴与背景板中拍摄目标的拍摄角度,以及相机镜头至背景板中拍摄目标的距离。简单来说就是,在拍摄时,相机不动也不调,那么该拍摄状态下对应的像素转换系数就是固定的。相机的高度或拍摄角度每次发生移动,或相机的参数发生调整,则需要重新测试并确定对应的像素转换系数。
接着,将待测目标物的根部分割为离散的根系,并平铺在背景板上,保持各条根系之间无重叠和遮挡。通过设计的图像采集设备,按照已知像素转换系数的拍摄状态,拍摄得到待测目标物的样本图像。并将样本图像输入到训练后的图像分割网络中,得到网络模型输出的图像分割后的根系局部图像;
接着,对根系局部图像进行分析处理,得到像素表示的根系长度;然后利用样本图像拍摄时已知的像素转换系数计算出分割出的根系局部图像中所有根系对应真实长度。具体地,方案的而事实过程宝库如下内容:
一、图像分割网络的设计与应用
在本实施例的方案中,如图4所示,图像分割网络的设计和训练过程如下:
S1A:基于DeepLabV3+语义分割模型设计一种用于提取马铃薯根系局部图像的图像分割网络。详细步骤如下:
S11A:选择引入编码器-解码器结构的DeepLabV3+网络模型作为图像分割网络的基础模型,并将基础模型中的主干网络Xception替换为MobileNetV2网络。
S12A:采用CARAFE上采样模块替换基础网络中的Upsample by 4上采样模块,分别用于对编码器输出的高层次特征和解码器的输出结果进行上采样。
S13A:在DCNN输出的低层次特征和编码器的特征连接层后分别增加一个CBAM注意力机制模块。
传统的DeepLabV3+网络模型和本实施例改进后的网络模型的架构大致如图5和图6所示。在本实施例为处理马铃薯根系长度测量任务而设计出的图像分割网络中,采用的标准的DeepLabV3+引入了编码器-解码器结构,同时将空洞空间金字塔池化(Atrous SpatialPyramid Pooling,ASPP)方法与编解码结构进行融合,采用线性插值方法对特征图进行上采样操作。但该方法只考虑亚像素邻域,不能充分捕捉丰富语义信息,对检测精度有一定的影响。而引入CARAFE上采样后能够在较大的感受野聚合信息,动态适应于特定的内容,且保持高效的计算效率,本实施例以CARAFE作为DeepLabV3+语义分割网络的上采样。
CARAFE上采样方法是一种通用、轻量级、高效的算子,能够在较大的感知领域内聚合上下文信息,可以对特定的内容进行感知,从而动态生成自适应内核,且计算速度快,易集成到现代网络架构,主要由上采用核预测模块和特征重组模块组成。在每个位置,CARAFE可以利用底层内容信息来预测重组核并在预定义的附近区域内重组特征。
上采样核预测模块负责以内容感知的方式生成重组核。假设上采样倍率为σ,对于尺寸为C×H×W的输入特征图,使用1×1卷积层对通道进行压缩,将其压缩至Cm,得到Cm×H×W特征图,该过程可以减少后续计算量;然后通过大小为kencoder×kencoder的卷积核对上述内容进行编码以生成重组核,得到尺寸为的特征图;将上述得到的特征图重组为并使用softmax函数进行归一化,使得卷积核的权重之和为1。其中,C为输入特征图的长、H和W分别为输入特征图的高和宽;Cm为输入通道数;为输出通道数。
对于每个重组核WL′,特征重组模块通过加权求和算子重组局部区域内的特征。对于位置L′和以L=(i,j)为中心的正方形区域N=(XL,kup),使用下式计算重组的L′处的特征:
上式中,WL′为特征重组核;r为kup/2;X为原输入特征图。
通过输入特征图与预测的上采样核进行点积运算,获取上采样结果。重组后的特征图比原输入特征图具有更强的语义,可以更好地关注局部区域内相关点信息。与传统的上采样方法相比,CARAFE可以在不同位置使用自适应优化的重组核,且带来很小的参数量和计算量,有助于提高上采样算子的性能。
针对标准Deeplabv3+模型对图像分割的拟合速度慢、目标边缘分割精度不高的问题,本实施例引入CBAM注意力机制对高级特征层和低级特征层进行处理,使模型对输入图像的不同部分给予不同的权重及注意力,提升语义分割网络对特征提取的敏感性和精度。
CBAM注意力机制由通道注意力模块和空间注意力模块组成,其中,通道注意力模块关注图像的哪些特征更有意义,而空间注意力模块重点关注哪个区域的特征更有意义。该模块不仅关注每个通道的比重,而且还关注每个像素点的比重,可以根据输入图像的特征进行自适应优化。此外,CBAM模块的一大优点是轻量级,可以无缝集成到任何神经网络中,实现即插即用。
CBAM模块输入特征层经过通道注意力模块进行池化操作,得到输入特征层每一个通道的权值,并将其施加到空间注意力模块。而空间注意力模块在每一个特征点的通道上取最大值和平均值,之后通过与通道注意力相同的操作,得到输入特征层每一个特征点的权值,最后将该权值与原输入特征层进行乘积,并经过卷积处理后获得包含多尺度上下文信息的深层特征。在解码器部分,将提取的原始特征送入CBAM模块,经过相同处理后得到包含多尺度上下文信息的浅层特征。最后通过上采样、卷积等操作对融合后的图像进行特征提取,实现马铃薯根系图像的准确分割。
同时,为减少模型参数量、提高训练速度,本实施例以轻量级MobileNetV2网络作为模型的主干网络,替换原网络模型中的主干网络Xception。
MobileNetV2网络模型在使用深度可分离卷积的基础上引入了倒置残差模块和线性瓶颈层,大大减少了模型参数量,从而使网络收敛变得更快。该特征提取网络首先通过3×3深度卷积和ReLU6激活函数得到相同维度的特征,以防止非线性层破坏过多的特征信息。在通过1×1卷积和ReLU6处理得到降维后的特征,最后利用1×1卷积进行升维处理。倒置残差模块主要用于改善多层特征信息的有效传输,提高网络的特征提取能力。对于该模块,输入首先经过1×1卷积进行升维,在通过3×3深度卷积提取特征,最后使用1×1卷积对特征进行降维处理,获得特征信息。
S2A:将大量真实的马铃薯根系进行切割后放置在背景板上,拍摄对应的样本图像,对样本图像进行旋转、镜像和亮度变化等处理完成数据扩充;得到所需的样本数据集;
S3A:将样本数据集分为训练集和验证,二者的数据量比为8:2;并通过采用Labelme图像标记工具对训练集中的马铃薯根系特征部位进行标注;
S4A:采用大量预标注的训练集中的样本图像对设计出的图像分割网络进行训练,训练结束后通过验证集对训练后的网络模型进行验证;保留训练完成后的图像分割网络的模型参数。
在网络模型的训练阶段,本实施例选用处理器为24核Intel Xeon Platinum8168、128G内存、主频2.7GHz、NVIDIA Quadro P6000显卡、24GB显存的深度学习工作站对分割模型进行训练。开发语言为Python 3.7、开发环境VS Code 1.45.0、采用Pytorch 1.2.0框架对本文分割模型进行搭建和参数调整。
为保证同一批次在不同轮模型中看到的数据是不同的,每次训练前对数据集进行随机打乱,这不仅可以提高模型的收敛速度,而且可以改善模型在测试集上的预测结果。模型训练结束后打开模型训练日志log,log中包含训练集和验证集的损失函数的变化值。
二、图像采集设备中转换系数的确定
基于搭建出的图像采集设备,如图7所示,本实施例通过以下方法确定各个拍摄状态下对应的像素转换系数;
S01B:通过图像采集设备获取放置在采集平板上的真实的带刻度直尺的图像。
S02B:对直尺的图像进行中值滤波处理,并使用迭代式分割方法分割感兴趣区域,寻找直尺上的厘米标记,并利用形态学变换去除毫米标记。
S03B:通过拉东变换获得厘米标记在直尺上的水平投影,最后在此投影上确定连相邻厘米标记之间的中间间隔值Di。
S04B:根据相邻厘米标记之间的中间间隔值Di与图像中像素之间的对应关系,计算得到“像素—毫米”的转换因子,即像素转换系数B,计算公式如下:
上式中,Pd为相邻厘米标记间的像素值;Di为相邻厘米标记间的中间间隔值;像素转换系数B的单位为:像素/mm。
S05B:调整图像采集设备的拍摄状态,并重复步骤S01B~S04B的步骤,确定不同拍摄状态对应的像素转换系数,并记录拍摄状态与像素转换系数间的映射关系。
三、马铃薯根系长度的测量
基于前述步骤中设计出来的图像分割网络,以及测试得到的图像采集设备在不同拍摄状态下的像素转换系数B。如图8所示,采用以下方法对马铃薯的根系长度进行测量:
S001C:将待测量的马铃薯根系均匀平铺在背景板上,保持各条根系之间无堆叠和遮挡。
S002C:利用搭建的图像采集设备,采用已知像素转换系数的拍摄状态采集背景板上包含马铃薯根系的样本图像。
S003C:将获取的样本图像输入到训练好的图像分割网络中进行识别和处理,得到分割出的根系局部图像。
S004C:采用Hilditch细化算法对获取的根系局部图像进行细化,去除根系局部图像中孤立的干扰像素,得到优化后的根系局部图像,并输出根系局部图像对应的像素值。
S005C:获取优化后的根系局部图像中所有根系对应的像素表示的根系长度PL,并通过下式计算真实的根系长度RL:
RL=B·PL
上式中,B为已知的样本图像中目标的像素长度与真实长度间比例关系的像素转换系数。
性能测试
在前述方案的基础上,本实施例还针对设计的马铃薯根系长度测量方案以及基于马铃薯根系时空分布的在地化灌溉方法进行了相应的试验。已验证前述各实施例中方案的有效性。
具体的试验内容如下:
1、采用对象的选择与样本图像的收集
技术人员选择内蒙古乌兰察布市察右中旗和四子王旗两个地点开展相应试验。实验过程在两个地点分别设置4个小区,每小区面积为90m2。马铃薯时播种行距为90cm,株距为30cm,播种密度为3.7×104株/hm2。
对当地马铃薯种植户进行调查发现,在该地区马铃薯整个生长季的总灌溉量为1800m3/hm2,灌溉8次,每7-8天灌溉一次,灌溉方式为等量灌溉(225m3/hm2)。试验所用氮肥为尿素(N含量为46%),施用量为300kg/hm2,播种时撒施30%,滴灌追肥70%;磷肥为过磷酸钙(P2O5含量为46%),施用量为180kg/hm2,钾肥为硫酸钾(K2O含量为50%),施用量为300kg/hm2,在播种时与磷肥一次性全部撒施。察右中旗于5月6日进行播种,9月10日收获;四子王旗于5月4日进行播种,9月12日收获。
技术人员采用土壤剖面挖掘法在马铃薯苗期、块茎形成期、块茎膨大期和淀粉积累期进行植株根系取样。每小区随机挖取三个面积为180cm×90cm土方,土方深为120cm(其中苗期取根深度为60cm,其他生育时期取根深度均为120cm),每个土方包含4株完整的马铃薯植株,以每10cm为一层从土表向下依次分层取样。将各土层内的根系同该层土壤一并挖出后过20目网筛,将搜集到的根系装入网袋,使用镊子剔除杂质,用水冲洗,再用滤纸吸干根系样品表面水分,用于测定根系实际长度。之后将洗净的根系样品置于烘箱内105℃条件下杀青,80℃烘干至恒重,测定根系干重。
2、马铃薯根系长度的测量与统计
其中,马铃薯根系长度完全采用实施例3中的设备,并采用实施例2中的测量方法进行实施。此外,杂应用于本实施例3中的图像分割网络和测量方法进行计量之外,本实施例在对比了本实施例与其它几个典型的图像分割网络进行图像处理,并对比不同图像分割网络的性能差异。
在马铃薯根系图像测试集上,其他条件均保持一致的前提下,利用SegNet、PSPNet、U-Net、DeepLabv3+和改进的DeepLabv3+对马铃薯根系进行分割识别,结果如下表1所示。
表1不同分割方法在验证集上的性能比较
分析表1中数据可知:本实施例2中提出的改进的DeepLabv3+模型的分割效果远优于SegNet、PSPNet、U-Net和DeepLabv3+,其均交并比(MIoU)达到93.36%,训练时间达到9.27h,因此,改进的DeepLabv3+语义分割模型能够有效提升马铃薯根系分割精度,且网络模型的训练时间更短,收敛速率更快。
性能测试过程中还从根系数据集中随机选择50张图像,计算其根系总长度,并与手动测量的根系长度结果进行比较。不同测量方法测量结果的数据统计如图9所示,分析图中数据可以:本实施例的数字化测量方法与人工测量方法的曲线拟合的相关系数达到0.967,说明本案提出的方法可信度较高。完全可以适应实际应用的需求。
3、马铃薯根系时空分布特征的分析
(1)马铃薯根系干重的时空变化
根据性能测量试验得到的数据,察右中旗与四子王旗试验点的马铃薯根系干重变化分别如图10和图11所示,由图中数据可知,根系在土壤中的垂直分布呈自上而下锥形递减模式。两地观察结果均表明马铃薯根系干重受生长发育阶段影响较大。
在马铃薯苗期,根系主要分布在0-20cm的浅层土壤中,该深度下的根干重占总根重的93%和95%。到块茎形成期,根系下扎到了50cm的深度,两个试验点0到20cm土层内的根系干重分别占该时期总根干重的62%-68%,20cm到30cm土层内的根系干重占总根干重的20%-22%左右,30cm到50cm土层内的根系干重约占总根干重的12%-16%。在块茎膨大期,马铃薯根系进一步发育,根系深扎到了70cm的深度,且分布在深层土壤中的根系占比增加,其中49%-52%的根系分布在0-20cm的土层中,36%-37%的根系分布在20-40cm的土层内,12%-15%的根系分布40-70cm土层内。到了淀粉积累期,深层根系逐渐减少,表层根系占比增加,两个试验点0-20cm土层内的根系干重分别占该时期总根干重的69%-71%,20cm-40cm土层内的根系干重占总根干重的23%-25%,40cm-60cm土层内的根系干重占总根干重的6%左右。
(2)马铃薯根系长度的时空变化
根据性能测量试验得到的数据,察右中旗与四子王旗试验点的马铃薯根系长度变化分别如图12和13所示,由图中数据可知,两个试验点马铃薯根系长度时空分布的变化类似于根系干重的时空变化特点,在不同生长发育阶段不同土层中的根长变化很大。在马铃薯苗期,0-20cm土层内的根长约占总根长的88%左右,而20-30cm土层内的根系长度仅占整株根系总长度的12%。到块茎形成期,0-20cm土层内的根系长度分别占该时期总根长的62%,20cm-30cm土层内的根系长度占总根长的22%左右,30cm-50cm土层内的根系长度约占总根长的15%左右。进入块茎膨大期,深土层中的根系长度逐渐增加,其中52%-55%的根系长度分布在0-20cm的土层内,38%-40%的根系长度分布在20-40cm土层内。在淀粉积累期,深层根系的长度快速减少,两个试验点的数据均表明66%-68%的根系长度分布在0-20cm土层内,20cm-40cm土层内的根系长度占总根长的29%-30%。
对比图10与12,以及图11与13可知:不同生长发育阶段,马铃薯的根系长度和根系干重的分布规律基本相同。结合两种数据可以大致判定:在苗期、块茎形成期、块茎膨大期、淀粉积累期,马铃薯80%的根系分别分布在0-20cm、0-30cm、0-40cm及0-30cm土层内。
4、基于马铃薯根系时空分布特征的精细化灌溉策略
为了验证技术人员提出的如实施例1中灌溉方法的有效性。技术人员于2019年、2020年和2021年在内蒙古乌兰察布市察右中旗进行试验种植。试验设置两个处理组,处理组1(T1)采用传统种植方式中的等量灌溉的灌溉策略。处理组2(T2)采用本实施例1提出的,基于马铃薯时空分布的在地化灌溉方法,该灌溉测量为变量灌溉。处理组1和2的灌溉策略中总灌溉量和灌溉次数相同。两个处理组试验种植时均采用滴灌系统进行灌溉,试验过程中,单位公顷面积内滴灌系统的滴头数量n取值为37037;滴灌带的滴头流量q取值为2.2L/h,操作压力0.1MPa;饱和导水率Ks(Z)通过在当地土壤的不同深度采用马氏瓶原理进行定水头法测定得到,取值范围在4.26×10-6m/s—6.04×10-6m/s之间。处理组1和处理组2的种植试验分别同步在2019年于5月6日播种,9月8日收获;2020年于5月1日播种,9月9日收获;2021年于5月2日播种,9月9日收获。
处理组1与处理2的区别在于:处理组2中单次灌溉量根据实施例1中提出的方案进行优化调整。不同处理组中马铃薯生育期内的单次灌溉计划如表2所示:
表2马铃薯生育期单次灌溉计划
试验过程中,每次灌溉12h后,在滴灌带的滴头正下方挖开土壤纵剖面,测量检验每次灌溉量下土壤垂直湿润峰的深度是否与马铃薯80%的根系分布深度相匹配。同时,测定土壤含水量,避免超过最大田间持水量的75%,防止发生深层渗漏。
4、不同灌溉策略对马铃薯生长发育的影响
为了评估本例灌溉策略与常规灌溉策略相比,是否可以提高马铃薯对水分的利用率,以及提升马铃薯的产量。技术人员分别以不同处理组对应的马铃薯的干物质积累、根系分布、产量和水分利用效率作为指标,进行了数据统计和评估。数据统计结构和评估结论如下:
(1)干物质积累
对2019年和2021年的三年试验种植过程,不同灌溉处理下不同土层内的马铃薯的干物质积累进行了测定,结果如表3所示:
表3:不同灌溉方式对马铃薯群体干物质累积的影响(kg/hm2)
注:同列数据后不同小写字母代表存在0.05水平显著性差异(字母不表示年度间差异性)
分析上表数据可知:在苗期,两种灌溉处理下马铃薯植株的干物质累积量没有显著差异,三年的结果均一致。然而,从马铃薯块茎形成期开始,三年的研究结果均表明两个处理间的干物质累积量存在显著差异。T2处理的干物质累积量显著高于T1处理,且随着生育期的推进处理间的差异逐渐增大。在该时期,2019、2020、2021年T2处理的干物质累积量比T1处理分别高出6%、7.9%和6.8%。到了块茎膨大期,三年T2处理的干物质累积量比T1处理分别高出12.1%、12.9%和11.9%,比块茎形成期时处理间的增长量提高了将近一倍。进入淀粉积累期,两个处理间的差异达到最大,3年T2处理的干物质累积量比T1处理分别高出13.3%、14.6%和13.4%。在马铃薯收获期,基于根系分布的灌溉处理的干物质累积量比等量灌溉处理在三年平均提高13.6%。
(2)根系分布
基于2019年和2020年的试验,对不同灌溉处理下不同土层内的马铃薯根系干重和根系长度进行了测量。结果如表4和表5所示:
表4:不同灌溉方式对马铃薯根干重的影响(g/株)
注:同行数据后不同小写字母代表处理间存在0.05水平显著性差异
分析表4数据可知:改变灌溉方式对马铃薯根系时空动态分布的变化有显著影响。结果表明,在苗期,等量灌溉T1处理的马铃薯根系主要分布在土壤表层0-20cm处,占总根重的91%,而基于根系分布的灌溉处理T2下根系伸到40cm的深度,其中89%的根系分布在土壤表层0-30cm处。在块茎形成期,T1处理的马铃薯最大根深达到50cm,而T2处理的马铃薯最大根深达到70cm,T2处理的根干重均显著高于T1处理。到块茎膨大期,T1和T2处理的马铃薯最大根深均达到70cm土层,T2处理的根干重显著高于T1处理,两年平均比T1处理高32%。马铃薯收获期,T1处理的根系只分布在0-40cm深的土层中,且80%以上的根系分布在0-20cm的浅层土层中;而T2处理的最大根深仍达到60cm,80%以上的根系分布在0-30cm的土层。
表5:不同灌溉方式对马铃薯根长的影响(cm/株)
注:同行数据后不同小写字母代表处理间存在0.05水平显著性差异
分析表5数据可知:改变灌溉方式对马铃薯根长时空动态分布的变化有显著影响。结果表明,在苗期,0-20cm土层内等量灌溉T1处理的根长占总根长的85%,基于根系分布的灌溉处理T2的根长占总根长的71%,在20-40cm土层的根长占总根长的29%。在块茎形成期,T1处理的马铃薯最大根深达到50cm,而T2处理的马铃薯最大根深达到70cm,且T2处理的总根长显著高于T1处理。在块茎膨大期,T2处理的总根长显著高于T1处理,比T1处理高22%-24%。在淀粉积累期,在0-20cm土层内T1处理的根长占总根长的66%-69%,T2处理的根长占总根长的46%;在20-40cm土层中T1的根长占总根长的28%-29%,而T2的根长占总根长的43%-44%,尤其在30cm-60cm的各土层内,T2处理的根长是T1处理的三倍左右。马铃薯收获期,处理间的总根长存在显著差异,2019年T2处理总根长比T1处理高30%,2020年T2处理的总根长比T1处理同样高30%。
(3)产量
统计不同处理组在2019、2020和2021三年的马铃薯产量数据如表6所示:
表6:不同灌溉方式对马铃薯产量的影响(kg/hm2)
注:同列数据后不同小写字母代表存在0.05水平显著性差异(字母不表示年度间差异性)
分析表6数据可知:在2019、2020和2021三年的马铃薯产量数据中,本实施方法与等量灌溉处理(T1)相比可显著提高马铃薯产量。三年T2处理的产量比T1处理分别提高了12.3%、7%和12.4%。而且T2处理的马铃薯商品薯率显著高于T1处理,在2019年T2处理的商品薯率较T1处理提高15.1%,2020年T2处理的商品薯率较T1处理提高15.2%,2021年T2处理的商品薯率较T1处理提高14.2%。
(4)水分利用效率
统计2019年、2020年和2021三年不同处理组的水分利用效率,数据如表7所示:
表7:不同灌溉方式对马铃薯水分利用效率的影响
注:同列数据后不同小写字母代表存在0.05水平显著性差异(字母不表示年度间差异性)
分析表7中数据可知:2019年、2020年和2021三年不同灌溉策略的水分利用效率均存在显著差异。2019年、2020年和2021年,T2处理的水分利用效率比T1处理分别高18.8%、14.3%和17.9%。T2处理的水分利用效率在三年的平均结果达到158.2kg/(mm.hm2),T1处理为135.1kg/(mm.hm2)。
结合四项不同指标的评估结果可知:与等量灌溉相比,本案提出的基于马铃薯根系时空分布的在地化灌溉方法给出的灌溉策略,可以显著增加马铃薯根系在中下层土壤中的分布量。提高了块茎形成期至收获期的干物质累积量7%-14%,最终提高了马铃薯商品薯率15%,产量7%-12%。同时提高马铃薯作物的水分利用效率14%-19%,这对于改善较为干旱的马铃薯产区的水资源短缺问题具有建设性意义,适于在广大马铃薯主产区进行推广应用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于马铃薯根系时空分布的在地化灌溉方法,其特征在于,其用于以传统灌溉用水量为约束,根据马铃薯不同生长周期对水分的需求以及不同区域的土壤状况设计对应的精细化灌溉策略,以提高灌溉时的水分利用效率;所述在地化灌溉方法包括如下过程:
一、采样对象的选择
在本地选择采用典型生产模式和等量灌溉方案种植的马铃薯作物作为采样对象,用于获取植株在包含苗期、块茎形成期、块茎膨大期和淀粉积累期的全生长周期内的植株根系样本;
二、根系的采样与测量
在不同生长期对马铃薯植株进行根系采样和预处理,并对采集到的根系样本的根系长度和干重进行测量;其中,根系长度为同一深度范围内所有根系的总长度,并采用基于图像处理的植株根系长度测量方法对马铃薯的根系长度进行测量;
三、根系时空分布图的统计
基于采集到的不同时期的马铃薯的根系在不同深度范围内的称重和长度测量结果,统计出马铃薯的根系时空分布特征,并生成对应的根系时空分布图;所述根系时空分布图反应了作物的根系在不同土壤深度范围内的根系分布量随生长周期的变化规律;
四、灌溉策略的生成
选择滴灌的灌溉方式,然后根据上步骤的根系时空分布图生成对应的精细化灌溉策略,具体过程如下:
(1)将常规的等量灌溉方案的总灌溉量Vb作为精细化灌溉策略的总量约束;
(2)将根系时空分布图中各时期的80%根系的最大深度作为对应灌溉时期滴灌土壤湿润体的目标深度Z;
(3)采用下式的灌溉数学模型计算出每轮灌溉任务中单个滴灌带滴头下对应的出水量V:
上式中,Vb表示当前灌溉轮次中每公顷土地面积的总灌溉量,单位为m3;n为每公顷面积内滴灌系统的滴头数量;Z为滴灌后土壤湿润体的目标深度,单位为m;q是滴灌带的滴头流量,单位为m3/h;Ks(Z)为一个与目标深度Z相关的表征土壤饱和导水率的函数,单位为m/s;a为灌溉数学模型的一个系统参数,a用于修订灌溉数学模型在不同场景中应用时的模型偏差;
(4)根据计算出的每个灌溉轮次下对应的单个滴灌带滴头下对应的出水量V,对马铃薯种植区的滴灌系统的灌溉模式进行调整。
2.如权利要求1所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤一中,采样对象要求采用典型生产模式和等量灌溉方案种植,种植过程中需要控制的生产因素包括:植株行间距、种植密度、总灌溉量、灌溉频次、肥料的用法用量,种植期、出苗期和收获期;
将采样对象的来源设置为同一产区的不同区域,并在每个区位内选择多处不同样本采样点,以克服样本的抽样误差。
3.如权利要求2所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:采样对象的马铃薯播种行距为90cm,株距为30cm,播种密度为3.7×104株/hm2;马铃薯整个生长季的总灌溉量为1800m3/hm2,灌溉8次,每7-8天灌溉一次,灌溉方式为等量灌溉,灌溉量为225m3/hm2;种植所用氮肥为尿素,施用量为300kg/hm2,播种时撒施30%,滴灌追肥70%;磷肥为过磷酸钙,施用量为180kg/hm2,钾肥为硫酸钾,施用量为300kg/hm2,在播种时与磷肥一次性全部撒施;播种期为5月4-6日,出苗期为6月14-17日,收获期为9月10-12日。
4.如权利要求1所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤二中,植株根系的采样和预处理方法如下:
(1)按照180cm×90cm的面积选择围合植株的土方开挖区域;并根据植株生长周期选择开挖深度,获取包含植株根系的土方;其中,苗期开挖深度为60cm,其他生育时期开挖深度均为120cm;
(2)将土方按照10cm为分层间隔从土表向下依次分层,得到不同层的样本块;
(3)将样本块破碎并过20目网筛,收集的根系经人工剔除残余杂质后装入到网袋中;
(4)将网袋中各深度处采集到的根系样品用清水清洗后用滤纸吸干水分,并完整展开后均匀放置在背景板上;
(5)通过图像采集设备获取背景板的正投影方向上的样本图像;所述样本图像用于测量根系长度;
(6)图像采集结束后将不同深度处的根系样品以105℃的温度杀青,并以80℃的温度烘干至恒重,烘干后的根系用于进行称重。
5.如权利要求4所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤二中,基于图像处理的植株根系长度测量方法的测量步骤如下:
S1:基于DeepLabV3+语义分割模型设计一种用于提取马铃薯根系局部图像的图像分割网络;所述图像分割网络的设计过程如下:
S11:选择引入编码器-解码器结构的DeepLabV3+网络模型作为图像分割网络的基础模型,并将基础模型中的主干网络Xception替换为MobileNetV2网络;
S12:采用CARAFE上采样模块替换基础网络中的Upsample by 4上采样模块,对编码器输出的高层次特征和解码器非输出结果进行上采样;
S13:在DCNN输出的低层次特征和编码器的特征连接层后分别增加一个CBAM注意力机制模块;
S2:采用大量预标注的样本图像构成的训练集对设计的图像分割网络进行训练,并通过验证集对训练后的网络模型进行验证;保留训练完成后的图像分割网络的模型参数;
S3:通过固定拍摄参数的图像采集设备获取背景板上包含马铃薯根系的样本图像,并将所述样本图像输入到训练好的图像分割网络中进行识别和处理,得到分割出的根系局部图像;
S4:采用Hilditch细化算法对获取的根系局部图像进行细化,去除根系局部图像中孤立的干扰像素,得到优化后的根系局部图像,并输出根系局部图像对应的像素值;
S5:获取优化后的根系局部图像中所有根系对应的像素表示的根系长度PL,并通过下式计算真实的根系长度RL:
RL=B·PL
上式中,B为一个用于表征步骤S3中输出的样本图像中目标的像素长度与真实长度间比例关系的像素转换系数。
6.如权利要求5所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤S5中的像素转换系数B是一个与图像采集设备的相机参数以及拍摄时的物像距离相关的状态参数,当步骤S3中图像采集设备获取样本图像时的拍摄参数固定时,像素转换系数B是一个常数;
所述拍摄参数包括:相机参数、相机光轴与背景板中拍摄目标的拍摄角度,相机镜头至背景板中拍摄目标的距离。
7.如权利要求6所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:在步骤S3获取的样本图像中,像素转换系数B的确定方法如下:
(1)通过相机获取放置在采集平板上的真实的带刻度直尺的图像;
(2)对直尺的图像进行中值滤波处理,并使用迭代式分割方法分割感兴趣区域,寻找直尺上的厘米标记,并利用形态学变换去除毫米标记;
(3)通过拉东变换获得厘米标记在直尺上的水平投影,最后在此投影上确定连相邻厘米标记之间的中间间隔值Di;
(4)根据相邻厘米标记之间的中间间隔值Di与图像中像素之间的对应关系,计算得到“像素—毫米”的转换因子,即像素转换系数B,计算公式如下:
上式中,Pd为相邻厘米标记间的像素值;Di为相邻厘米标记间的中间间隔值;像素转换系数B的单位为:像素/mm。
8.如权利要求1所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤三中,根系时空分布图中不同深度的根系分布量采用根系总长度或根系干重进行表征,或采用融合根系总长度长度和根系干重的一个加权融合特征量进行表征。
9.如权利要求1所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤二中,以苗期、块茎形成期、块茎膨大期和淀粉积累期为马铃薯生长周期的划分标准,并在每个生长周期内设置至少一个采样的时间节点,获取对应时间节点的根系长度和根系干重的数据;
步骤三中,马铃薯的根系时空分布图按照苗期、块茎形成期、块茎膨大期和淀粉积累期四个时间节点进行数据分类,并生成一个反映根系分布深度随时间的变化规律的动态曲线。
10.如权利要求1所述的基于马铃薯根系时空分布的在地化灌溉方法,其特征在于:步骤四中,单位公顷面积内滴灌系统的滴头数量n取值为37037;滴灌带的滴头流量q取值为2.2L/h,操作压力0.1MPa;饱和导水率Ks(Z)通过在当地土壤的不同深度采用马氏瓶原理进行定水头法测定得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211642153.7A CN115968760A (zh) | 2022-12-20 | 2022-12-20 | 一种基于马铃薯根系时空分布的在地化灌溉方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211642153.7A CN115968760A (zh) | 2022-12-20 | 2022-12-20 | 一种基于马铃薯根系时空分布的在地化灌溉方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115968760A true CN115968760A (zh) | 2023-04-18 |
Family
ID=85957394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211642153.7A Pending CN115968760A (zh) | 2022-12-20 | 2022-12-20 | 一种基于马铃薯根系时空分布的在地化灌溉方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115968760A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686443A (zh) * | 2024-02-02 | 2024-03-12 | 甘肃荣腾农业科技开发有限责任公司 | 马铃薯种植基质水分监测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060108439A1 (en) * | 2003-07-23 | 2006-05-25 | C. I. T. Controlled Irrigation Technologies Ltd. | Adaptive irrigation of vegetation |
CN104521464A (zh) * | 2014-11-19 | 2015-04-22 | 大禹节水(天津)有限公司 | 一种马铃薯的滴灌种植方法 |
US20170038749A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
JP2019170201A (ja) * | 2018-03-27 | 2019-10-10 | Jfeエンジニアリング株式会社 | 植物栽培の潅水制御方法及び装置 |
CN111758538A (zh) * | 2020-07-27 | 2020-10-13 | 肖智安 | 一种节水灌溉系统 |
CN111869391A (zh) * | 2020-08-24 | 2020-11-03 | 内蒙古农业大学 | 一种栗钙土滴灌马铃薯时空调控的磷肥减量增效施用方法 |
CN113115694A (zh) * | 2020-01-10 | 2021-07-16 | 中国农业科学院作物科学研究所 | 一种现代化农业精准灌溉系统及其灌溉方法 |
CN114627290A (zh) * | 2022-02-25 | 2022-06-14 | 中国科学院沈阳自动化研究所 | 一种基于改进DeepLabV3+网络的机械零部件图像分割算法 |
-
2022
- 2022-12-20 CN CN202211642153.7A patent/CN115968760A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060108439A1 (en) * | 2003-07-23 | 2006-05-25 | C. I. T. Controlled Irrigation Technologies Ltd. | Adaptive irrigation of vegetation |
CN104521464A (zh) * | 2014-11-19 | 2015-04-22 | 大禹节水(天津)有限公司 | 一种马铃薯的滴灌种植方法 |
US20170038749A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
JP2019170201A (ja) * | 2018-03-27 | 2019-10-10 | Jfeエンジニアリング株式会社 | 植物栽培の潅水制御方法及び装置 |
CN113115694A (zh) * | 2020-01-10 | 2021-07-16 | 中国农业科学院作物科学研究所 | 一种现代化农业精准灌溉系统及其灌溉方法 |
CN111758538A (zh) * | 2020-07-27 | 2020-10-13 | 肖智安 | 一种节水灌溉系统 |
CN111869391A (zh) * | 2020-08-24 | 2020-11-03 | 内蒙古农业大学 | 一种栗钙土滴灌马铃薯时空调控的磷肥减量增效施用方法 |
CN114627290A (zh) * | 2022-02-25 | 2022-06-14 | 中国科学院沈阳自动化研究所 | 一种基于改进DeepLabV3+网络的机械零部件图像分割算法 |
Non-Patent Citations (4)
Title |
---|
LAN WU: "Improving Potato Yield, Water Productivity and Nitrogen Use Efficiency by Managing Irrigation Based on Potato Root Distribution", INTERNATIONAL JOURNAL OF PLANT PRODUCTION, vol. 16, 16 July 2022 (2022-07-16), pages 547 - 555 * |
刘星;曹红霞;廖阳;周宸光;: "滴灌模式对黄土高原苹果树生长、产量及根系分布的影响", 干旱地区农业研究, no. 04, 10 July 2020 (2020-07-10), pages 63 - 72 * |
苏亚拉其其格;樊明寿;贾立国;祁迷;杨彩平;乌云敖日格拉;: "基于高光谱的马铃薯水分亏缺状况实时监测", 中国马铃薯, no. 03, 25 June 2020 (2020-06-25), pages 57 - 63 * |
陈杨;秦永林;于静;贾立国;樊明寿;: "内蒙古灌溉马铃薯氮肥减施依据及措施", 作物杂志, no. 06, 15 December 2019 (2019-12-15), pages 96 - 99 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686443A (zh) * | 2024-02-02 | 2024-03-12 | 甘肃荣腾农业科技开发有限责任公司 | 马铃薯种植基质水分监测方法和系统 |
CN117686443B (zh) * | 2024-02-02 | 2024-04-05 | 甘肃荣腾农业科技开发有限责任公司 | 马铃薯种植基质水分监测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制系统及其控制方法 | |
CN102524024B (zh) | 基于计算机视觉的作物灌溉系统 | |
US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
CN104424390B (zh) | 灌溉面积监测方法及装置 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN107316116A (zh) | 一种叶类蔬菜产量预测方法 | |
CN106718363B (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
CN105389663B (zh) | 一种农田灌溉智能决策系统和方法 | |
CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
CN109673439B (zh) | 一种水肥耦合对水稻产量及生长性状的调控方法 | |
CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
CN102156886A (zh) | 基于统计数据和遥感影像数据的区域化肥投入空间化方法 | |
CN115968760A (zh) | 一种基于马铃薯根系时空分布的在地化灌溉方法 | |
CN108401854A (zh) | 一种基于土壤水分检测的脐橙节水灌溉方法 | |
CN109042176A (zh) | 一种高氮肥利用效率水稻品种的筛选方法 | |
CN107122739A (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
CN106530104A (zh) | 种植区生产适宜性的评价方法及装置 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
Adekunle | Precision agriculture: Applicability and opportunities for Nigerian agriculture | |
CN113435667B (zh) | 一种稻田灌排模式水资源利用综合评价方法及系统 | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
CN109315286B (zh) | 筛选提高玉米/大豆间作体系氮效率玉米基因型的方法 | |
Karn et al. | Assessing grapevine vigor as affected by soil physicochemical properties and topographic attributes for precision vineyard management |
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 |