CN116523147B - 基于无人机红外探测的农田碳排放预测方法及系统 - Google Patents
基于无人机红外探测的农田碳排放预测方法及系统 Download PDFInfo
- Publication number
- CN116523147B CN116523147B CN202310788858.8A CN202310788858A CN116523147B CN 116523147 B CN116523147 B CN 116523147B CN 202310788858 A CN202310788858 A CN 202310788858A CN 116523147 B CN116523147 B CN 116523147B
- Authority
- CN
- China
- Prior art keywords
- data information
- carbon emission
- target area
- crop
- crops
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 188
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims abstract description 169
- 238000003860 storage Methods 0.000 claims description 32
- 238000001228 spectrum Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 20
- 230000009036 growth inhibition Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 239000000575 pesticide Substances 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 239000003337 fertilizer Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 238000012272 crop production Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
Abstract
本发明涉及一种基于无人机红外探测的农田碳排放预测方法及系统，属于碳排放预测技术领域，本发明通过获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，最终基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果。本发明根据实际的情况充分预测了作物的生长态势，从而预测出作为需要经历的预估生产历程，从而能够提前准确的预估出目标区域的农田碳排放量数据，能够提前根据目标区域的农田碳排放量数据来调整农田的生产调控方向，有利于减少农田的碳排放量。
Description
技术领域
本发明涉及碳排放预测领域，尤其涉及一种基于无人机红外探测的农田碳排放预测方法及系统。
背景技术
以气候变暖为主要特征的全球气候变化是迄今为止人类面临的最大环境问题。农业是国民经济的基础性产业,全球10%~20%的碳排放来源于农业生产活动,而农田生态系统是重要的温室气体排放源。因此，预测农田生态系统碳排放时空格局及发展趋势,以期为寻求减少农业碳排放有效策略提供参考。
发明内容
本发明克服了现有技术的不足，提供了一种基于无人机红外探测的农田碳排放预测方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于无人机红外探测的农田碳排放预测方法，包括以下步骤：
通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果；
通过大数据获取作物的识别结果的生产流程数据信息，并根据生产流程数据信息获取与碳排放相关的生产流程数据信息；
获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果。
进一步地，根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，具体包括：
通过大数据获取每一作物类型的高光谱特性数据信息，构建光谱识别数据库，将光谱识别数据库分为若干个存储空间，并对每一存储空间配置地址信息；
引入注意力机制，并通过注意力机制计算每一作物类型的高光谱特性数据信息，获取每一作物类型的高光谱特性数据信息对应的注意力分数，并根据每一作物类型的高光谱特性数据信息对应的注意力分数构建高光谱特征序列；
通过特征排序CMFS算法对相同的高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，将冗余的高光谱特性数据信息从高光谱特征序列进行剔除，生成剔除后的高光谱特征序列；
将剔除后的高光谱特征序列依次输入到光谱识别数据库的存储空间中存储，定期更新光谱识别数据库，将目标区域中的高光谱特性数据信息输入到光谱识别数据库中进行识别，获取目标区域中每一区域位置的作物的识别结果。
进一步地，通过大数据获取作物的识别结果的生产流程数据信息，并根据生产流程数据信息获取与碳排放相关的生产流程数据信息，具体包括：
通过大数据获取作物的识别结果的生产流程数据信息，并根据作物的识别结果的生产流程数据信息设置关键词信息，根据关键词信息进行检索，获取样本数据信息；
引入多头注意力机制，通过多头注意力机制计算样本数据信息与碳排放之间的相关性，并判断相关性是否大于预设相关性；
当所述相关性大于预设相关性时，则将所述相关性大于预设相关性对应的生产流程信息作为与碳排放相关的生产流程数据信息进行输出；
当所述相关性不大于预设相关性时，则将所述相关性不大于预设相关性对应的生产流程信息不作为与碳排放相关的生产流程数据信息进行输出。
进一步地，获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，具体包括：
获取作物在生长过程中的生长阻碍因素数据信息，并根据生长阻碍因素数据信息通过大数据检索，获取在生长阻碍因素数据信息之下的作物历史生长态势样本数据信息；
基于深度学习网络构建作物生长态势预测模型，根据作物历史生长态势样本数据信息构建特征矩阵，并将特征矩阵输入到作物生长态势预测模型中进行训练；
当作物生长态势预测模型符合预设要求之后，保存模型参数，并通过特征矩阵对作物生长态势预测模型进行测试，获取测试结果，当测试结果满足预设测试结果之后，输出作物生长态势预测模型；
通过作物生长态势预测模型预测目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息。
进一步地，基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果，具体包括：
计算与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息之间的相似度，判断相似度是否大于预设相似度；
若相似度大于预设相似度，则通过大数据获取单位面积内各作物资源数据在各生产流程内的碳排放量数据信息，并获取目标区域中各作物资源数据的种植面积数据；
基于单位面积内各作物资源数据在各生产流程内的碳排放量数据信息、目标区域中各作物资源数据的种植面积数据以及目标区域中作物需要历经的生产流程数据信息计算出每一生产流程的碳排放量预估信息；
统计每一生产流程的碳排放量预估信息，生成农田碳排放量预测结果，并将农田碳排放量预测结果输出。
进一步地，所述的基于无人机红外探测的农田碳排放预测方法，还包括以下步骤：
获取目标区域的农田碳排放量预测结果，并根据目标区域的农田碳排放量预测结果生成碳排放时空特征分布图，设置碳排放阈值；
从碳排放时空特征分布图中获取碳排放量大于碳排放阈值的区域位置，并获取碳排放量大于碳排放阈值的区域位置的每一生产流程的碳排放数据；
通过大数据获取每一生产流程对应的历史绿色调控措施，并根据碳排放量大于碳排放阈值的区域位置的每一生产流程的碳排放数据以及每一生产流程对应的历史绿色调控措施生成当前农田生产调整方向；
根据当前农田生产调整方向生成相关的调整建议，并将相关的调整建议按照预设方式进行显示。
本发明第二方面提供了一种基于无人机红外探测的农田碳排放预测系统，系统包括存储器以及处理器，存储器中包括基于无人机红外探测的农田碳排放预测方法程序，基于无人机红外探测的农田碳排放预测方法程序被处理器执行时，实现如下步骤：
通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果；
通过大数据获取作物的识别结果的生产流程数据信息，并根据生产流程数据信息获取与碳排放相关的生产流程数据信息；
获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果。
在本系统中，根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，具体包括：
通过大数据获取每一作物类型的高光谱特性数据信息，构建光谱识别数据库，将光谱识别数据库分为若干个存储空间，并对每一存储空间配置地址信息；
引入注意力机制，并通过注意力机制计算每一作物类型的高光谱特性数据信息，获取每一作物类型的高光谱特性数据信息对应的注意力分数，并根据每一作物类型的高光谱特性数据信息对应的注意力分数构建高光谱特征序列；
通过特征排序CMFS算法对相同的高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，将冗余的高光谱特性数据信息从高光谱特征序列进行剔除，生成剔除后的高光谱特征序列；
将剔除后的高光谱特征序列依次输入到光谱识别数据库的存储空间中存储，定期更新光谱识别数据库，将目标区域中的高光谱特性数据信息输入到光谱识别数据库中进行识别，获取目标区域中每一区域位置的作物的识别结果。
在本系统中，获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，具体包括：
获取作物在生长过程中的生长阻碍因素数据信息，并根据生长阻碍因素数据信息通过大数据检索，获取在生长阻碍因素数据信息之下的作物历史生长态势样本数据信息；
基于深度学习网络构建作物生长态势预测模型，根据作物历史生长态势样本数据信息构建特征矩阵，并将特征矩阵输入到作物生长态势预测模型中进行训练；
当作物生长态势预测模型符合预设要求之后，保存模型参数，并通过特征矩阵对作物生长态势预测模型进行测试，获取测试结果，当测试结果满足预设测试结果之后，输出作物生长态势预测模型；
通过作物生长态势预测模型预测目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息。
在本系统中，基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果，具体包括：
计算与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息之间的相似度，判断相似度是否大于预设相似度；
若相似度大于预设相似度，则通过大数据获取单位面积内各作物资源数据在各生产流程内的碳排放量数据信息，并获取目标区域中各作物资源数据的种植面积数据；
基于单位面积内各作物资源数据在各生产流程内的碳排放量数据信息、目标区域中各作物资源数据的种植面积数据以及目标区域中作物需要历经的生产流程数据信息计算出每一生产流程的碳排放量预估信息；
统计每一生产流程的碳排放量预估信息，生成农田碳排放量预测结果，并将农田碳排放量预测结果输出。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，进而通过大数据获取作物的识别结果的生产流程数据信息，并根据生产流程数据信息获取与碳排放相关的生产流程数据信息，从而获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，最终基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果。本发明根据实际的情况充分预测了作物的生长态势，从而预测出作为需要经历的预估生产历程，从而能够提前准确的预估出目标区域的农田碳排放量数据，能够提前根据目标区域的农田碳排放量数据来调整农田的生产调控方向，有利于减少农田的碳排放量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了基于无人机红外探测的农田碳排放预测方法的整体方法流程图；
图2示出了基于无人机红外探测的农田碳排放预测方法的第一方法流程图；
图3示出了基于无人机红外探测的农田碳排放预测方法的第二方法流程图；
图4示出了基于无人机红外探测的农田碳排放预测系统的系统框图。
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。
如图1所示，本发明第一方面提供了一种基于无人机红外探测的农田碳排放预测方法，包括以下步骤：
S102:通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果；
S104:通过大数据获取作物的识别结果的生产流程数据信息，并根据生产流程数据信息获取与碳排放相关的生产流程数据信息；
S106:获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
S108:基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果。
需要说明的是，本发明根据实际的情况充分预测了作物的生长态势，从而预测出作为需要经历的预估生产历程，从而能够提前准确的预估出目标区域的农田碳排放量数据，能够提前根据目标区域的农田碳排放量数据来调整农田的生产调控方向，有利于减少农田的碳排放量。
如图2所示，在步骤S102中，其中，根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，具体包括：
S202:通过大数据获取每一作物类型的高光谱特性数据信息，构建光谱识别数据库，将光谱识别数据库分为若干个存储空间，并对每一存储空间配置地址信息；
示例性的，不同种类的物体发射出的红外光波段是有其特定波段的，该波段的红外光处在可见光波段之外，从而导致了高光谱特性数据信息。因此人们可以利用这种特定波段的红外光来实现对物体目标的探测。如水稻、三华李、桃类作物高光谱特性数据信息是不一致。
S204:引入注意力机制，并通过注意力机制计算每一作物类型的高光谱特性数据信息，获取每一作物类型的高光谱特性数据信息对应的注意力分数，并根据每一作物类型的高光谱特性数据信息对应的注意力分数构建高光谱特征序列；
S206:通过特征排序CMFS算法对相同的高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，将冗余的高光谱特性数据信息从高光谱特征序列进行剔除，生成剔除后的高光谱特征序列；
需要说明的是，通过特征排序CMFS算法对相同的高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，从而能够使得重合的高光谱特性数据信息进行剔除，优化数据库的存储，提高在识别时的速度。
S208:将剔除后的高光谱特征序列依次输入到光谱识别数据库的存储空间中存储，定期更新光谱识别数据库，将目标区域中的高光谱特性数据信息输入到光谱识别数据库中进行识别，获取目标区域中每一区域位置的作物的识别结果。
需要说明的是，通过本方法能够提高作物的识别结果的数据查询速度以及数据识别速度。
进一步地，本发明的一个较佳实施例中，在步骤S104中，具体包括：
通过大数据获取作物的识别结果的生产流程数据信息，并根据作物的识别结果的生产流程数据信息设置关键词信息，根据关键词信息进行检索，获取样本数据信息；
示例性的，每一种作物有着一定的生产流程，如水稻的种植的过程中涉及农田翻耕、农田灌溉、化肥使用、农药施用等。
引入多头注意力机制，通过多头注意力机制计算样本数据信息与碳排放之间的相关性，并判断相关性是否大于预设相关性；
示例性的，通过多头注意力机制能够获取样本数据信息与碳排放之间的相关性，如多头注意力机制能够识别出样本数据中化肥使用与碳排放之间的相关性、样本数据中农药施用与碳排放之间的相关性等。
当所述相关性大于预设相关性时，则将所述相关性大于预设相关性对应的生产流程信息作为与碳排放相关的生产流程数据信息进行输出；
示例性的，如获取到样本数据中农药施用与碳排放之间的相关性之后，当相关性大于预设相关性时，说明农药施用与碳排放之间的相关。
当所述相关性不大于预设相关性时，则将所述相关性不大于预设相关性对应的生产流程信息不作为与碳排放相关的生产流程数据信息进行输出。
进一步地，本发明的一个较佳实施例中，在步骤S106中，具体包括：
获取作物在生长过程中的生长阻碍因素数据信息，并根据生长阻碍因素数据信息通过大数据检索，获取在生长阻碍因素数据信息之下的作物历史生长态势样本数据信息；
示例性的，生长阻碍因素数据信息包括作物的土壤环境因素、天气环境因素、病虫害因素等，由于土壤环境因素、病虫害因素都会导致某一生产流程的产生，如土壤环境因素会导致农田中产生化肥施用的生产流程，而化肥施用是农田碳排放的主要原因之一。病虫害因素会导致农田中产生农药施用的生产流程。
基于深度学习网络构建作物生长态势预测模型，根据作物历史生长态势样本数据信息构建特征矩阵，并将特征矩阵输入到作物生长态势预测模型中进行训练；
当作物生长态势预测模型符合预设要求之后，保存模型参数，并通过特征矩阵对作物生长态势预测模型进行测试，获取测试结果，当测试结果满足预设测试结果之后，输出作物生长态势预测模型；
通过作物生长态势预测模型预测目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息。
需要说明的是，通过本方法能够根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，从而来更加准确地预测出未来的农田碳排放。
如图3所示，进一步地，本发明的一个较佳实施例中，在步骤S108中，具体包括：
S302:计算与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息之间的相似度，判断相似度是否大于预设相似度；
S304:若相似度大于预设相似度，则通过大数据获取单位面积内各作物资源数据在各生产流程内的碳排放量数据信息，并获取目标区域中各作物资源数据的种植面积数据；
当相似度大于预设相似度时，说明目标区域中作物需要历经的生产流程数据信息为与碳排放相关的生产流程数据信息。
示例性的，如在农作物灌溉生产流程中单位面积的碳排放量为66.480kg/hm2。
S306:基于单位面积内各作物资源数据在各生产流程内的碳排放量数据信息、目标区域中各作物资源数据的种植面积数据以及目标区域中作物需要历经的生产流程数据信息计算出每一生产流程的碳排放量预估信息；
S308:统计每一生产流程的碳排放量预估信息，生成农田碳排放量预测结果，并将农田碳排放量预测结果输出。
需要说明的是，按照本方法能够快速地计算出农田碳排放量预测结果。碳排放预测结果包括二氧化碳、甲烷等温室气体。
进一步地，本发明的一个较佳实施例中，所述的基于无人机红外探测的农田碳排放预测方法，还包括以下步骤：
获取目标区域的农田碳排放量预测结果，并根据目标区域的农田碳排放量预测结果生成碳排放时空特征分布图，设置碳排放阈值；
从碳排放时空特征分布图中获取碳排放量大于碳排放阈值的区域位置，并获取碳排放量大于碳排放阈值的区域位置的每一生产流程的碳排放数据；
通过大数据获取每一生产流程对应的历史绿色调控措施，并根据碳排放量大于碳排放阈值的区域位置的每一生产流程的碳排放数据以及每一生产流程对应的历史绿色调控措施生成当前农田生产调整方向；
根据当前农田生产调整方向生成相关的调整建议，并将相关的调整建议按照预设方式进行显示。
此外，本方法还可以包括以下步骤：
获取预设时间之内目标区域的气象数据信息，并判断所述气象数据信息是否为恶劣的气象数据信息；
当所述气象数据信息为恶劣的气象数据信息，并获取目标区域的地形时空分布特征数据，根据所述目标区域的地形时空分布特征数据确定易损区域以及非易损区域；
获取所述地形时空分布特征数据之下的历史平均作物损伤数据信息，并根据所述历史平均作物损伤数据信息对易损区域以及非易损区域的作物损失进行预估，获取作物损失量；
获取所述作物损失量的剩余生产流程信息，并根据所述剩余生产流程信息对碳排放预测结果进行修正。
需要说明的是，地形时空分布特征数据包括地形结构、地形信息，由于恶劣天气以及目标区域的地形时空分布特征数据能够造成作物的损害，如洪灾，一些靠近河流的区域为易损区域，该损失的区域不在需要后续的生产流程，如农药施用环节、化肥施用环节，通过本方法能够根据所述剩余生产流程信息对碳排放预测结果进行修正，从而提高碳排放预测结果的准确性。
此外，本方法还可以包括以下步骤：
获取预设时间之内当前目标区域中的作物订单数据信息，并基于深度学习网络构建作物销售偏好预测模型，将所述预设时间之内当前目标区域中的作物订单数据信息输入到所述作物销售偏好预测模型中进行编码学习；
通过编码学习之后，获取作物销售偏好预测模型，并通过所述作物销售偏好预测模型预测下一预设时间的当前目标区域中的作物订单数据信息；
根据所述下一预设时间的当前目标区域中的作物订单数据信息获取下一预设时间的作物生产方向，并通过大数据获取下一预设时间的作物生产方向的历史碳排放预测结果；
根据所述下一预设时间的作物生产方向的历史碳排放预测结果生成下一预设时间的碳排放结果，并获取下一预设时间的碳排放结果每个生产流程的碳排放结果，根据所述下一预设时间的碳排放结果每个生产流程的碳排放结果生成碳排放调整方向。
需要说明的是，通过本方法能够结合预设时间之内当前目标区域中的作物订单数据信息来预测出下一预设时间之内的销售偏好，从而能够确定作物的类型，进而能够根据作物的类型生成碳排放调整方向。
如图4所示，本发明第二方面提供了一种基于无人机红外探测的农田碳排放预测系统4，系统包括存储器41以及处理器62，存储器41中包括基于无人机红外探测的农田碳排放预测方法程序，基于无人机红外探测的农田碳排放预测方法程序被处理器62执行时，实现如下步骤：
通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果；
通过大数据获取作物的识别结果的生产流程数据信息，并根据生产流程数据信息获取与碳排放相关的生产流程数据信息；
获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果。
在本系统中，根据目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，具体包括：
通过大数据获取每一作物类型的高光谱特性数据信息，构建光谱识别数据库，将光谱识别数据库分为若干个存储空间，并对每一存储空间配置地址信息；
引入注意力机制，并通过注意力机制计算每一作物类型的高光谱特性数据信息，获取每一作物类型的高光谱特性数据信息对应的注意力分数，并根据每一作物类型的高光谱特性数据信息对应的注意力分数构建高光谱特征序列；
通过特征排序CMFS算法对相同的高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，将冗余的高光谱特性数据信息从高光谱特征序列进行剔除，生成剔除后的高光谱特征序列；
将剔除后的高光谱特征序列依次输入到光谱识别数据库的存储空间中存储，定期更新光谱识别数据库，将目标区域中的高光谱特性数据信息输入到光谱识别数据库中进行识别，获取目标区域中每一区域位置的作物的识别结果。
在本系统中，获取目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，具体包括：
获取作物在生长过程中的生长阻碍因素数据信息，并根据生长阻碍因素数据信息通过大数据检索，获取在生长阻碍因素数据信息之下的作物历史生长态势样本数据信息；
基于深度学习网络构建作物生长态势预测模型，根据作物历史生长态势样本数据信息构建特征矩阵，并将特征矩阵输入到作物生长态势预测模型中进行训练；
当作物生长态势预测模型符合预设要求之后，保存模型参数，并通过特征矩阵对作物生长态势预测模型进行测试，获取测试结果，当测试结果满足预设测试结果之后，输出作物生长态势预测模型；
通过作物生长态势预测模型预测目标区域中作物在预设时间之内的生长态势信息，并根据目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息。
在本系统中，基于与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果，具体包括：
计算与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息之间的相似度，判断相似度是否大于预设相似度；
若相似度大于预设相似度，则通过大数据获取单位面积内各作物资源数据在各生产流程内的碳排放量数据信息，并获取目标区域中各作物资源数据的种植面积数据；
基于单位面积内各作物资源数据在各生产流程内的碳排放量数据信息、目标区域中各作物资源数据的种植面积数据以及目标区域中作物需要历经的生产流程数据信息计算出每一生产流程的碳排放量预估信息；
统计每一生产流程的碳排放量预估信息，生成农田碳排放量预测结果，并将农田碳排放量预测结果输出。
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，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权利要求的保护范围为准。
Claims (6)
1.基于无人机红外探测的农田碳排放预测方法，其特征在于，包括以下步骤：
通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据所述目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果；
通过大数据获取所述作物的识别结果的生产流程数据信息，并根据所述生产流程数据信息获取与碳排放相关的生产流程数据信息；
获取目标区域中作物在预设时间之内的生长态势信息，并根据所述目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
基于所述与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果；
其中，获取目标区域中作物在预设时间之内的生长态势信息，并根据所述目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，具体包括：
获取作物在生长过程中的生长阻碍因素数据信息，并根据所述生长阻碍因素数据信息通过大数据检索，获取在所述生长阻碍因素数据信息之下的作物历史生长态势样本数据信息；
基于深度学习网络构建作物生长态势预测模型，根据所述作物历史生长态势样本数据信息构建特征矩阵，并将所述特征矩阵输入到所述作物生长态势预测模型中进行训练；
当所述作物生长态势预测模型符合预设要求之后，保存模型参数，并通过所述特征矩阵对所述作物生长态势预测模型进行测试，获取测试结果，当所述测试结果满足预设测试结果之后，输出作物生长态势预测模型；
通过所述作物生长态势预测模型预测目标区域中作物在预设时间之内的生长态势信息，并根据所述目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
其中，基于所述与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果，具体包括：
计算所述与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息之间的相似度，判断所述相似度是否大于预设相似度；
若所述相似度大于预设相似度，则通过大数据获取单位面积内各作物资源数据在各生产流程内的碳排放量数据信息，并获取目标区域中各作物资源数据的种植面积数据；
基于所述单位面积内各作物资源数据在各生产流程内的碳排放量数据信息、目标区域中各作物资源数据的种植面积数据以及所述目标区域中作物需要历经的生产流程数据信息计算出每一生产流程的碳排放量预估信息；
统计所述每一生产流程的碳排放量预估信息，生成农田碳排放量预测结果，并将所述农田碳排放量预测结果输出。
2.根据权利要求1所述的基于无人机红外探测的农田碳排放预测方法，其特征在于，根据所述目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，具体包括：
通过大数据获取每一作物类型的高光谱特性数据信息，构建光谱识别数据库，将所述光谱识别数据库分为若干个存储空间，并对每一存储空间配置地址信息；
引入注意力机制，并通过所述注意力机制计算所述每一作物类型的高光谱特性数据信息，获取每一作物类型的高光谱特性数据信息对应的注意力分数，并根据所述每一作物类型的高光谱特性数据信息对应的注意力分数构建高光谱特征序列；
通过特征排序CMFS算法对相同的所述高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，将所述冗余的高光谱特性数据信息从所述高光谱特征序列进行剔除，生成剔除后的高光谱特征序列；
将所述剔除后的高光谱特征序列依次输入到所述光谱识别数据库的存储空间中存储，定期更新所述光谱识别数据库，将所述目标区域中的高光谱特性数据信息输入到所述光谱识别数据库中进行识别，获取目标区域中每一区域位置的作物的识别结果。
3.根据权利要求1所述的基于无人机红外探测的农田碳排放预测方法，其特征在于，通过大数据获取所述作物的识别结果的生产流程数据信息，并根据所述生产流程数据信息获取与碳排放相关的生产流程数据信息，具体包括：
通过大数据获取所述作物的识别结果的生产流程数据信息，并根据所述作物的识别结果的生产流程数据信息设置关键词信息，根据所述关键词信息进行检索，获取样本数据信息；
引入多头注意力机制，通过所述多头注意力机制计算所述样本数据信息与碳排放之间的相关性，并判断所述相关性是否大于预设相关性；
当所述相关性大于预设相关性时，则将所述相关性大于预设相关性对应的生产流程信息作为与碳排放相关的生产流程数据信息进行输出；
当所述相关性不大于预设相关性时，则将所述相关性不大于预设相关性对应的生产流程信息不作为与碳排放相关的生产流程数据信息进行输出。
4.根据权利要求1所述的基于无人机红外探测的农田碳排放预测方法，其特征在于，还包括以下步骤：
获取目标区域的农田碳排放量预测结果，并根据所述目标区域的农田碳排放量预测结果生成碳排放时空特征分布图，设置碳排放阈值；
从所述碳排放时空特征分布图中获取碳排放量大于所述碳排放阈值的区域位置，并获取所述碳排放量大于所述碳排放阈值的区域位置的每一生产流程的碳排放数据；
通过大数据获取每一生产流程对应的历史绿色调控措施，并根据所述碳排放量大于所述碳排放阈值的区域位置的每一生产流程的碳排放数据以及每一生产流程对应的历史绿色调控措施生成当前农田生产调整方向；
根据所述当前农田生产调整方向生成相关的调整建议，并将所述相关的调整建议按照预设方式进行显示。
5.基于无人机红外探测的农田碳排放预测系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于无人机红外探测的农田碳排放预测方法程序，所述基于无人机红外探测的农田碳排放预测方法程序被所述处理器执行时，实现如下步骤：
通过无人机搭载的红外探测仪获取目标区域中的高光谱特性数据信息，并根据所述目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果；
通过大数据获取所述作物的识别结果的生产流程数据信息，并根据所述生产流程数据信息获取与碳排放相关的生产流程数据信息；
获取目标区域中作物在预设时间之内的生长态势信息，并根据所述目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
基于所述与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果；
其中，获取目标区域中作物在预设时间之内的生长态势信息，并根据所述目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息，具体包括：
获取作物在生长过程中的生长阻碍因素数据信息，并根据所述生长阻碍因素数据信息通过大数据检索，获取在所述生长阻碍因素数据信息之下的作物历史生长态势样本数据信息；
基于深度学习网络构建作物生长态势预测模型，根据所述作物历史生长态势样本数据信息构建特征矩阵，并将所述特征矩阵输入到所述作物生长态势预测模型中进行训练；
当所述作物生长态势预测模型符合预设要求之后，保存模型参数，并通过所述特征矩阵对所述作物生长态势预测模型进行测试，获取测试结果，当所述测试结果满足预设测试结果之后，输出作物生长态势预测模型；
通过所述作物生长态势预测模型预测目标区域中作物在预设时间之内的生长态势信息，并根据所述目标区域中作物在预设时间之内的生长态势信息预估目标区域中作物需要历经的生产流程数据信息；
其中，基于所述与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息生成农田碳排放量预测结果，具体包括：
计算所述与碳排放相关的生产流程数据信息以及目标区域中作物需要历经的生产流程数据信息之间的相似度，判断所述相似度是否大于预设相似度；
若所述相似度大于预设相似度，则通过大数据获取单位面积内各作物资源数据在各生产流程内的碳排放量数据信息，并获取目标区域中各作物资源数据的种植面积数据；
基于所述单位面积内各作物资源数据在各生产流程内的碳排放量数据信息、目标区域中各作物资源数据的种植面积数据以及所述目标区域中作物需要历经的生产流程数据信息计算出每一生产流程的碳排放量预估信息；
统计所述每一生产流程的碳排放量预估信息，生成农田碳排放量预测结果，并将所述农田碳排放量预测结果输出。
6.根据权利要求5所述的基于无人机红外探测的农田碳排放预测系统，其特征在于，根据所述目标区域中的高光谱特性数据信息进行识别，获取作物的识别结果，具体包括：
通过大数据获取每一作物类型的高光谱特性数据信息，构建光谱识别数据库，将所述光谱识别数据库分为若干个存储空间，并对每一存储空间配置地址信息；
引入注意力机制，并通过所述注意力机制计算所述每一作物类型的高光谱特性数据信息，获取每一作物类型的高光谱特性数据信息对应的注意力分数，并根据所述每一作物类型的高光谱特性数据信息对应的注意力分数构建高光谱特征序列；
通过特征排序CMFS算法对相同的所述高光谱特性数据信息进行搜索，获取冗余的高光谱特性数据信息，将所述冗余的高光谱特性数据信息从所述高光谱特征序列进行剔除，生成剔除后的高光谱特征序列；
将所述剔除后的高光谱特征序列依次输入到所述光谱识别数据库的存储空间中存储，定期更新所述光谱识别数据库，将所述目标区域中的高光谱特性数据信息输入到所述光谱识别数据库中进行识别，获取目标区域中每一区域位置的作物的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310788858.8A CN116523147B (zh) | 2023-06-30 | 2023-06-30 | 基于无人机红外探测的农田碳排放预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310788858.8A CN116523147B (zh) | 2023-06-30 | 2023-06-30 | 基于无人机红外探测的农田碳排放预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523147A CN116523147A (zh) | 2023-08-01 |
| CN116523147B true CN116523147B (zh) | 2023-09-05 |
Family
ID=87396240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310788858.8A Active CN116523147B (zh) | 2023-06-30 | 2023-06-30 | 基于无人机红外探测的农田碳排放预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523147B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777082B (zh) * | 2023-08-17 | 2023-10-27 | 北京建工环境修复股份有限公司 | 基于资源预估的农田碳排放预测方法及系统 |
| CN116882637B (zh) * | 2023-09-05 | 2023-11-21 | 北京建工环境修复股份有限公司 | 一种农田碳排放分析方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293921A (zh) * | 2022-07-01 | 2022-11-04 | 上海交通大学 | 稻田生态种养系统碳足迹预测方法及电子设备 |
| KR102466658B1 (ko) * | 2022-05-13 | 2022-11-11 | 농협생명보험 주식회사 | 농작물 재배 게임 시스템 및 방법 |
| CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
| CN115719152A (zh) * | 2022-11-29 | 2023-02-28 | 布瑞克农业大数据科技集团有限公司 | 一种农业碳排放管理方法和系统 |
| US11610272B1 (en) * | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| CN115983437A (zh) * | 2022-12-07 | 2023-04-18 | 广东工业大学 | 一种多气候因子作用下农业活动碳排放预测方法 |
| CN116091917A (zh) * | 2022-12-01 | 2023-05-09 | 广东工业大学 | 一种基于光谱扩展方法的农作物目标检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230153722A1 (en) * | 2016-09-15 | 2023-05-18 | Cirlesx LLC | System and method for trading emissions units using location data |
-
2023
- 2023-06-30 CN CN202310788858.8A patent/CN116523147B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11610272B1 (en) * | 2020-01-29 | 2023-03-21 | Arva Intelligence Corp. | Predicting crop yield with a crop prediction engine |
| KR102466658B1 (ko) * | 2022-05-13 | 2022-11-11 | 농협생명보험 주식회사 | 농작물 재배 게임 시스템 및 방법 |
| CN115293921A (zh) * | 2022-07-01 | 2022-11-04 | 上海交通大学 | 稻田生态种养系统碳足迹预测方法及电子设备 |
| CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
| CN115719152A (zh) * | 2022-11-29 | 2023-02-28 | 布瑞克农业大数据科技集团有限公司 | 一种农业碳排放管理方法和系统 |
| CN116091917A (zh) * | 2022-12-01 | 2023-05-09 | 广东工业大学 | 一种基于光谱扩展方法的农作物目标检测方法及系统 |
| CN115983437A (zh) * | 2022-12-07 | 2023-04-18 | 广东工业大学 | 一种多气候因子作用下农业活动碳排放预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中国西部农产品碳排放研究综述;李彩弟;《宁夏农林科技》;第61卷(第1期);第50-62页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523147A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116523147B (zh) | 基于无人机红外探测的农田碳排放预测方法及系统 | |
| Kindt et al. | Package ‘BiodiversityR’ | |
| CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
| Rußwurm et al. | Breizhcrops: A satellite time series dataset for crop type identification | |
| EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
| CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
| JP2021509212A (ja) | 病害の予測・コントロール方法、及びそのシステム | |
| CN115983533B (zh) | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 | |
| CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
| Ranjani et al. | Crop yield prediction using machine learning algorithm | |
| CN115496300B (zh) | 一种月季育苗生长信息及环境监测方法 | |
| Kamal et al. | FCN Network‐Based Weed and Crop Segmentation for IoT‐Aided Agriculture Applications | |
| CN113435252A (zh) | 一种基于遥感的烟草病虫害监测预警方法和系统 | |
| CN115630770A (zh) | 一种基于植保无人机的作业效果评价方法、系统及介质 | |
| CN117173400B (zh) | 一种荔枝虫害的低碳治理方案推荐方法及系统 | |
| CN116523182B (zh) | 一种生态果园的构建和生产管理方法、系统及存储介质 | |
| Jha et al. | Contrasting occupancy models with presence-only models: Does accounting for detection lead to better predictions? | |
| Kavitha et al. | Smart System for Crop and Diseases Prediction using Random Forest and Resnet Architecture | |
| Costa‐Neto et al. | Environmental clusters defining breeding zones for tropical irrigated rice in Brazil | |
| CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
| EP3617816B1 (en) | Modeling and decision support for horticulture | |
| Martinez et al. | Comparative analysis of learning and meta-learning algorithms for creating models for predicting the probable alcohol level during the ripening of grape berries | |
| Wang et al. | Poplar seedling varieties and drought stress classification based on multi-source, time-series data and deep learning | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
| Lyimo et al. | Sensitivity Analysis of Coffee Leaf Rust Disease using Three Deep Learning Algorithms |
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 |