CN116542920A - 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 - Google Patents
基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 Download PDFInfo
- Publication number
- CN116542920A CN116542920A CN202310463726.8A CN202310463726A CN116542920A CN 116542920 A CN116542920 A CN 116542920A CN 202310463726 A CN202310463726 A CN 202310463726A CN 116542920 A CN116542920 A CN 116542920A
- Authority
- CN
- China
- Prior art keywords
- plant
- soil
- planting soil
- plant planting
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 200
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 230000004720 fertilization Effects 0.000 title claims description 47
- 230000012010 growth Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 239000003337 fertilizer Substances 0.000 claims abstract description 29
- 230000035558 fertility Effects 0.000 claims abstract description 22
- 241000196324 Embryophyta Species 0.000 claims description 341
- 238000005303 weighing Methods 0.000 claims description 33
- 229910052782 aluminium Inorganic materials 0.000 claims description 30
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 27
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 239000011521 glass Substances 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000001035 drying Methods 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000003756 stirring Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 235000006040 Prunus persica var persica Nutrition 0.000 claims description 3
- 239000004411 aluminium Substances 0.000 claims description 3
- 238000012550 audit Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 239000012153 distilled water Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N sulfuric acid Substances OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 240000006413 Prunus persica var. persica Species 0.000 claims 1
- 238000001704 evaporation Methods 0.000 claims 1
- 230000008020 evaporation Effects 0.000 claims 1
- 238000005498 polishing Methods 0.000 claims 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 abstract description 14
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 abstract description 7
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 abstract description 7
- 229910052757 nitrogen Inorganic materials 0.000 abstract description 7
- 229910052698 phosphorus Inorganic materials 0.000 abstract description 7
- 239000011574 phosphorus Substances 0.000 abstract description 7
- 229910052700 potassium Inorganic materials 0.000 abstract description 7
- 239000011591 potassium Substances 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000005416 organic matter Substances 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008635 plant growth Effects 0.000 description 3
- 244000144730 Amygdalus persica Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001863 plant nutrition Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
- G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medicinal Chemistry (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明属于施肥量的评估技术领域,公开了一种基于施肥溶液和土壤EC值来评估植物施肥量的评估方法。本发明通过对植物种植土壤肥力进行检测方法对植物种植土壤中有机物含量与对植物种植土壤中氮、磷、钾进行检测,增强了对植物种植土壤肥力检测结果的准确性,同时多次通过植物种植土壤EC传感器对植物种植土壤进行多次检测,有利于减小检测的误差,提高检测结果的准确性;同时,通过对植物生长状况进行检测方法实现了植物生长状况信息的远程实时监测,并且能够根据植物的生长状况信息,给出培育指导建议,发送至移动终端。
Description
技术领域
本发明属于施肥量的评估技术领域,尤其涉及一种基于施肥溶液和土壤EC值来评估植物施肥量的评估方法。
背景技术
施肥,是指将肥料施于土壤中或喷洒在植物上,提供植物所需养分,并保持和提高土壤肥力的农业技术措施。施肥的主要目的是增加作物产量,改善作物品质,培肥地力以及提高经济效益,因此合理和科学施肥是保障粮食安全和维护农业可持续性发展的主要手段之一。施肥的主要依据是土壤肥力水平、作物类型、目标产量、气候环境以及肥料特点,从而选择合适的肥料,估算所需要肥料用量,并确定施肥时间和施肥模式;然而,现有基于施肥溶液和土壤EC值来评估植物施肥量的评估方法在对植物种植土壤肥力进行检测时,只对氮、磷、钾含量进行检测,并没有对有机物进行检测,导致检测结果不准确;同时,传统的植物生长信息检测仪检测过程复杂,而叶绿素仪和植物营养测定仪都需要人工手持式操作,需要用仪器夹住叶片进行测定,不能进行自动检测。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有基于施肥溶液和土壤EC值来评估植物施肥量的评估方法在对植物种植土壤肥力进行检测时,只对氮、磷、钾含量进行检测,并没有对有机物进行检测,导致检测结果不准确。
(2)传统的植物生长信息检测仪检测过程复杂,而叶绿素仪和植物营养测定仪都需要人工手持式操作,需要用仪器夹住叶片进行测定,不能进行自动检测。
发明内容
针对现有技术存在的问题,本发明提供了一种基于施肥溶液和土壤EC值来评估植物施肥量的评估方法。
本发明是这样实现的,一种基于施肥溶液和土壤EC值来评估植物施肥量的评估方法包括:
步骤一,采集土壤EC值;对植物种植土壤肥力进行检测;对植物生长状况进行检测;收集植物施肥量与产量的历史数据集;获取与植物肥料的投入量相对应的植物肥料有效施用量,构建植物肥料有效施用量与产量的数据集;
所述收集植物施肥量与产量的历史数据集方法:
构建植物施肥量与产量调查表;将植物施肥量与产量调查表投放到种植户中;
种植户将每年植物施肥量与产量进行填写并提交;
审核员通过对植物施肥量与产量调查表填写信息进行审核校准,并输入到电子数据库中上传到云服务器进行存储;
通过云服务器植物施肥量与产量的历史数据集;
所述采集土壤EC值采集方法:
在植物土壤水分观测点用土钻取样装入铝盒,每个观测点应作三次重复;
在室内将装有土样的铝盒称重,称量出铝盒加湿土的质量W湿;
揭开铝盒盖,放人烘箱中,在105℃下烘至恒重(约13h),
从烘箱中取出铝盒,盖好盒盖,称量,即铝盒加烘干土的重量W干;
计算公式:重量含水量%=(W湿-W干)/(W干-W)×100%;
式中:W湿—-湿土+铝盒重g;
W干—-干士+铝盒重g;
W—-铝盒重g;
步骤二,根据土壤EC值、植物肥料有效施用量与产量的数据集,构建植物肥料效应函数;基于植物肥料效应函数,根据预期植物产量获取推荐的植物施肥量;
所述植物为:桃树。
进一步,所述对植物种植土壤肥力进行检测方法如下:
(1)取样,对植物种植土壤表层的植物进行清除,然后移除植物种植土壤表面2-4cm,然后用取样装置对下层的植物种植土壤进行取样,并对植物种植土壤进行称重,然后将植物种植土壤进行破碎,放到筛选筛中进行筛选,将植物种植土壤中的石粒进行去除,并将植物种植土壤中的有枯枝落叶取出;
(2)将分离出来的枯枝落叶进行干燥称重,并对筛选好的植物种植土壤进行称重,然后将植物种植土壤放置到玻璃板上,均匀的铺开,然后放到加热灯下进行加热,温度为88℃,时间为8h,在加热时,将植物种植土壤进行翻腾,确保植物种植土壤受热均匀,完成后对植物种植土壤进行碾碎,最后将植物种植土壤倒入收集瓶中,进行称重;
(3)在收集瓶中加入蒸馏水,然后用玻璃棒进行搅拌,时间为8min,静至30-45min,然后用植物种植土壤EC传感器伸进收集瓶中植物种植土壤进行检测,检测的温度为28℃,并对检测数值进行记录;然后取出植物种植土壤EC传感器,对植物种植土壤EC传感器金属探头进行擦拭,然后再进行检测,并对数值进行记录;重复以上步骤,用植物种植土壤EC传感器进行第三次检测;对植物种植土壤EC检测完成后,对收集瓶进行称重,然后在收集瓶中加入定量的溶液,对植物种植土壤中的有机物进行反应分解,从而对植物种植土壤有机物的含量进行检测。
进一步,所述将植物种植土壤进行碾碎时,准备研磨器,并对研磨器的进行清洗,然后烘干,完成后将干燥的植物种植土壤在研磨器中,手动进行研磨,时间为2-5min,防止在对植物种植土壤进行干燥时,使植物种植土壤结块,不易溶解,待植物种植土壤研磨结束后,将植物种植土壤放置到空白纸上,然后将空白纸进行对折引流,将植物种植土壤倒入收集瓶中进行收集。
进一步,所述在对植物种植土壤研磨结束后,通过毛刷对研磨器内壁进行清理,将粘附在研磨器内壁上的植物种植土壤颗粒进行刮下。
进一步,所述在对植物种植土壤进行称重完成后,在收集瓶上贴上标签,并记录上植物种植土壤的重量,同时收集瓶为透明玻璃瓶。
进一步,所述在对枯枝落叶进行干燥时,干燥时的温度为50-60℃,干燥时间为2-4h,确保枯枝落叶中的水分充分蒸发。
进一步,所述对有机物进行反应分解时,具体步骤如下:在收集瓶中加入过量的重铬酸钾溶液,并对重铬酸钾溶液进行称重,然后在定量的加入浓硫酸溶液,并不断进行搅拌,然后对溶液进行冷却,时间为20-30min,然后对收集瓶进行称重,收集瓶减少的重量极为植物种植土壤中有机物的含量,然后加上枯枝落叶质量,可到植物种植土壤中有机物的总质量。
进一步,所述对植物生长状况进行检测方法如下:
1)配置影像采集器参数,接收影像采集器获取的植物影像;对植物影像进行初步去噪处理,得到初步去噪植物影像;根据待处理植物影像和初步去噪植物影像分别对应的特定能量参数的数值,计算对应于待处理植物影像上的每个单位区域的中心像素的残差量;利用残差量计算对应于每个单位区域的权重矩阵,并根据权重矩阵对待处理植物影像进行非局部均值计算,以实现对待处理植物影像的去噪处理;
2)将去噪后的植物影像从RGB色彩空间转换到灰度空间,接着用OTSU算法分割前景和背景,然后将背景像素点置为(255,255,255),即白色;将所得的叶片影像尺寸缩放到统一尺寸;将所得的预处理完成后的影像用基于LeNet的卷积神经网络进行训练,得到一个区分植物种类的分类器;
3)用得到的分类器对植物叶片进行分类,获得不同种类的植物叶片;对每一种类植物叶片分别进行叶色-叶色值建模;利用得到的叶色-叶色值模型,估计新叶片的叶色值,分析所述植物影像,以得到所述植物的生长状况信息;根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端。
进一步,所述植物影像中携带有影像采集器的标识信息,所述服务器中预存有所述标识信息与所述植物种类信息的对应关系,所述方法还包括:
提取所述植物影像中携带的标识信息;
根据所述标识信息查找出与该标识信息对应的植物种类信息;
所述植物的生长状况信息通过分析所述植物影像,并结合所述植物种类信息得到。
进一步,所述分析所述植物影像,以得到所述植物的生长状况信息的步骤,包括:
提取所述植物影像的RGB值和纹理特征;
分析所述RGB值和纹理特征,并结合所述植物种类信息,根据预设的运算规则获得所述植物的生长状况信息;
根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端的步骤,包括:
根据所述生长状况信息,并结合所述植物种类信息,生成培育指导建议并存储;
在接收到所述移动终端发送的信息获取请求时,将所述培育指导建议发送至所述移动终端;
所述方法还包括:
根据所述植物影像,判断所述影像采集器的摄像头位置是否符合预设拍摄标准;
若是,则执行分析所述植物影像,以得到所述植物的生长状况信息的步骤;
若否,则按照预设调整计划调整所述摄像头,并接收调整所述摄像头后所述影像采集器获取的植物影像,对调整后的所述摄像头位置是否符合预设拍摄标准进行判断,直到根据再次接收到的植物影像,判断得出所述摄像头位置符合预设拍摄标准为止。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明通过对植物种植土壤肥力进行检测方法对植物种植土壤中有机物含量与对植物种植土壤中氮、磷、钾进行检测,增强了对植物种植土壤肥力检测结果的准确性,同时多次通过植物种植土壤EC传感器对植物种植土壤进行多次检测,有利于减小检测的误差,提高检测结果的准确性;同时,通过对植物生长状况进行检测方法配置影像采集器参数,接收影像采集器获取的植物影像,分析所述植物影像,以得到所述植物的生长状况信息,根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端,实现了植物生长状况信息的远程实时监测,并且能够根据植物的生长状况信息,给出培育指导建议,发送至移动终端。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明通过对植物种植土壤肥力进行检测方法对植物种植土壤中有机物含量与对植物种植土壤中氮、磷、钾进行检测,增强了对植物种植土壤肥力检测结果的准确性,同时多次通过植物种植土壤EC传感器对植物种植土壤进行多次检测,有利于减小检测的误差,提高检测结果的准确性;同时,通过对植物生长状况进行检测方法配置影像采集器参数,接收影像采集器获取的植物影像,分析所述植物影像,以得到所述植物的生长状况信息,根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端,实现了植物生长状况信息的远程实时监测,并且能够根据植物的生长状况信息,给出培育指导建议,发送至移动终端。
附图说明
图1是本发明实施例提供的基于施肥溶液和土壤EC值来评估植物施肥量的评估方法流程图。
图2是本发明实施例提供的对植物种植土壤肥力进行检测方法流程图。
图3是本发明实施例提供的对植物生长状况进行检测方法流程图。
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仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明提供一种基于施肥溶液和土壤EC值来评估植物施肥量的评估方法包括以下步骤:
S101,采集土壤EC值;对植物种植土壤肥力进行检测;对植物生长状况进行检测;收集植物施肥量与产量的历史数据集;获取与植物肥料的投入量相对应的植物肥料有效施用量,构建植物肥料有效施用量与产量的数据集;
所述收集植物施肥量与产量的历史数据集方法:
构建植物施肥量与产量调查表;将植物施肥量与产量调查表投放到种植户中;
种植户将每年植物施肥量与产量进行填写并提交;
审核员通过对植物施肥量与产量调查表填写信息进行审核校准,并输入到电子数据库中上传到云服务器进行存储;
通过云服务器植物施肥量与产量的历史数据集;
所述采集土壤EC值采集方法:
在植物土壤水分观测点用土钻取样装入铝盒,每个观测点应作三次重复;
在室内将装有土样的铝盒称重,称量出铝盒加湿土的质量W湿;
揭开铝盒盖,放人烘箱中,在105℃下烘至恒重(约13h),
从烘箱中取出铝盒,盖好盒盖,称量,即铝盒加烘干土的重量W干;
计算公式:重量含水量%=(W湿-W干)/(W干-W)×100%;
式中:W湿—-湿土+铝盒重g;
W干—-干士+铝盒重g;
W—-铝盒重g;
S102,根据土壤EC值、植物肥料有效施用量与产量的数据集,构建植物肥料效应函数;基于植物肥料效应函数,根据预期植物产量获取推荐的植物施肥量;
所述植物为:桃树。
如图2所示,本发明提供的对植物种植土壤肥力进行检测方法如下:
S201,取样,对植物种植土壤表层的植物进行清除,然后移除植物种植土壤表面2-4cm,然后用取样装置对下层的植物种植土壤进行取样,并对植物种植土壤进行称重,然后将植物种植土壤进行破碎,放到筛选筛中进行筛选,将植物种植土壤中的石粒进行去除,并将植物种植土壤中的有枯枝落叶取出;
S202,将分离出来的枯枝落叶进行干燥称重,并对筛选好的植物种植土壤进行称重,然后将植物种植土壤放置到玻璃板上,均匀的铺开,然后放到加热灯下进行加热,温度为88℃,时间为8h,在加热时,将植物种植土壤进行翻腾,确保植物种植土壤受热均匀,完成后对植物种植土壤进行碾碎,最后将植物种植土壤倒入收集瓶中,进行称重;
S203,在收集瓶中加入蒸馏水,然后用玻璃棒进行搅拌,时间为8min,静至30-45min,然后用植物种植土壤EC传感器伸进收集瓶中植物种植土壤进行检测,检测的温度为28℃,并对检测数值进行记录;然后取出植物种植土壤EC传感器,对植物种植土壤EC传感器金属探头进行擦拭,然后再进行检测,并对数值进行记录;重复以上步骤,用植物种植土壤EC传感器进行第三次检测;对植物种植土壤EC检测完成后,对收集瓶进行称重,然后在收集瓶中加入定量的溶液,对植物种植土壤中的有机物进行反应分解,从而对植物种植土壤有机物的含量进行检测。
本发明提供的将植物种植土壤进行碾碎时,准备研磨器,并对研磨器的进行清洗,然后烘干,完成后将干燥的植物种植土壤在研磨器中,手动进行研磨,时间为2-5min,防止在对植物种植土壤进行干燥时,使植物种植土壤结块,不易溶解,待植物种植土壤研磨结束后,将植物种植土壤放置到空白纸上,然后将空白纸进行对折引流,将植物种植土壤倒入收集瓶中进行收集。
本发明提供的在对植物种植土壤研磨结束后,通过毛刷对研磨器内壁进行清理,将粘附在研磨器内壁上的植物种植土壤颗粒进行刮下。
本发明提供的在对植物种植土壤进行称重完成后,在收集瓶上贴上标签,并记录上植物种植土壤的重量,同时收集瓶为透明玻璃瓶。
本发明提供的在对枯枝落叶进行干燥时,干燥时的温度为50-60℃,干燥时间为2-4h,确保枯枝落叶中的水分充分蒸发。
本发明提供的对有机物进行反应分解时,具体步骤如下:在收集瓶中加入过量的重铬酸钾溶液,并对重铬酸钾溶液进行称重,然后在定量的加入浓硫酸溶液,并不断进行搅拌,然后对溶液进行冷却,时间为20-30min,然后对收集瓶进行称重,收集瓶减少的重量极为植物种植土壤中有机物的含量,然后加上枯枝落叶质量,可到植物种植土壤中有机物的总质量。
如图3所示,本发明提供的对植物生长状况进行检测方法如下:
S301,配置影像采集器参数,接收影像采集器获取的植物影像;对植物影像进行初步去噪处理,得到初步去噪植物影像;根据待处理植物影像和初步去噪植物影像分别对应的特定能量参数的数值,计算对应于待处理植物影像上的每个单位区域的中心像素的残差量;利用残差量计算对应于每个单位区域的权重矩阵,并根据权重矩阵对待处理植物影像进行非局部均值计算,以实现对待处理植物影像的去噪处理;
S302,将去噪后的植物影像从RGB色彩空间转换到灰度空间,接着用OTSU算法分割前景和背景,然后将背景像素点置为(255,255,255),即白色;将所得的叶片影像尺寸缩放到统一尺寸;将所得的预处理完成后的影像用基于LeNet的卷积神经网络进行训练,得到一个区分植物种类的分类器;
S303,用得到的分类器对植物叶片进行分类,获得不同种类的植物叶片;对每一种类植物叶片分别进行叶色-叶色值建模;利用得到的叶色-叶色值模型,估计新叶片的叶色值,分析所述植物影像,以得到所述植物的生长状况信息;根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端。
本发明提供的植物影像中携带有影像采集器的标识信息,所述服务器中预存有所述标识信息与所述植物种类信息的对应关系,所述方法还包括:
提取所述植物影像中携带的标识信息;
根据所述标识信息查找出与该标识信息对应的植物种类信息;
所述植物的生长状况信息通过分析所述植物影像,并结合所述植物种类信息得到。
本发明提供的分析所述植物影像,以得到所述植物的生长状况信息的步骤,包括:
提取所述植物影像的RGB值和纹理特征;
分析所述RGB值和纹理特征,并结合所述植物种类信息,根据预设的运算规则获得所述植物的生长状况信息;
根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端的步骤,包括:
根据所述生长状况信息,并结合所述植物种类信息,生成培育指导建议并存储;
在接收到所述移动终端发送的信息获取请求时,将所述培育指导建议发送至所述移动终端;
所述方法还包括:
根据所述植物影像,判断所述影像采集器的摄像头位置是否符合预设拍摄标准;
若是,则执行分析所述植物影像,以得到所述植物的生长状况信息的步骤;
若否,则按照预设调整计划调整所述摄像头,并接收调整所述摄像头后所述影像采集器获取的植物影像,对调整后的所述摄像头位置是否符合预设拍摄标准进行判断,直到根据再次接收到的植物影像,判断得出所述摄像头位置符合预设拍摄标准为止。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过对植物种植土壤肥力进行检测方法对植物种植土壤中有机物含量与对植物种植土壤中氮、磷、钾进行检测,增强了对植物种植土壤肥力检测结果的准确性,同时多次通过植物种植土壤EC传感器对植物种植土壤进行多次检测,有利于减小检测的误差,提高检测结果的准确性;同时,通过对植物生长状况进行检测方法配置影像采集器参数,接收影像采集器获取的植物影像,分析所述植物影像,以得到所述植物的生长状况信息,根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端,实现了植物生长状况信息的远程实时监测,并且能够根据植物的生长状况信息,给出培育指导建议,发送至移动终端。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
本发明通过对植物种植土壤肥力进行检测方法对植物种植土壤中有机物含量与对植物种植土壤中氮、磷、钾进行检测,增强了对植物种植土壤肥力检测结果的准确性,同时多次通过植物种植土壤EC传感器对植物种植土壤进行多次检测,有利于减小检测的误差,提高检测结果的准确性;同时,通过对植物生长状况进行检测方法配置影像采集器参数,接收影像采集器获取的植物影像,分析所述植物影像,以得到所述植物的生长状况信息,根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端,实现了植物生长状况信息的远程实时监测,并且能够根据植物的生长状况信息,给出培育指导建议,发送至移动终端。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法包括以下步骤:
步骤一,采集土壤EC值;对植物种植土壤肥力进行检测;对植物生长状况进行检测;收集植物施肥量与产量的历史数据集;获取与植物肥料的投入量相对应的植物肥料有效施用量,构建植物肥料有效施用量与产量的数据集;
所述收集植物施肥量与产量的历史数据集方法:
构建植物施肥量与产量调查表;将植物施肥量与产量调查表投放到种植户中;
种植户将每年植物施肥量与产量进行填写并提交;
审核员通过对植物施肥量与产量调查表填写信息进行审核校准,并输入到电子数据库中上传到云服务器进行存储;
通过云服务器植物施肥量与产量的历史数据集;
所述采集土壤EC值采集方法:
在植物土壤水分观测点用土钻取样装入铝盒,每个观测点应作三次重复;
在室内将装有土样的铝盒称重,称量出铝盒加湿土的质量W湿;
揭开铝盒盖,放人烘箱中,在105℃下烘至恒重(约13h),
从烘箱中取出铝盒,盖好盒盖,称量,即铝盒加烘干土的重量W干;
计算公式:重量含水量%=(W湿-W干)/(W干-W)×100%;
式中:W湿—-湿土+铝盒重g;
W干—-干士+铝盒重g;
W—-铝盒重g;
步骤二,根据土壤EC值、植物肥料有效施用量与产量的数据集,构建植物肥料效应函数;基于植物肥料效应函数,根据预期植物产量获取推荐的植物施肥量;
所述植物为:桃树。
2.如权利要求1所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述对植物种植土壤肥力进行检测方法如下:
(1)取样,对植物种植土壤表层的植物进行清除,然后移除植物种植土壤表面2-4cm,然后用取样装置对下层的植物种植土壤进行取样,并对植物种植土壤进行称重,然后将植物种植土壤进行破碎,放到筛选筛中进行筛选,将植物种植土壤中的石粒进行去除,并将植物种植土壤中的有枯枝落叶取出;
(2)将分离出来的枯枝落叶进行干燥称重,并对筛选好的植物种植土壤进行称重,然后将植物种植土壤放置到玻璃板上,均匀的铺开,然后放到加热灯下进行加热,温度为88℃,时间为8h,在加热时,将植物种植土壤进行翻腾,确保植物种植土壤受热均匀,完成后对植物种植土壤进行碾碎,最后将植物种植土壤倒入收集瓶中,进行称重;
(3)在收集瓶中加入蒸馏水,然后用玻璃棒进行搅拌,时间为8min,静至30-45min,然后用植物种植土壤EC传感器伸进收集瓶中植物种植土壤进行检测,检测的温度为28℃,并对检测数值进行记录;然后取出植物种植土壤EC传感器,对植物种植土壤EC传感器金属探头进行擦拭,然后再进行检测,并对数值进行记录;重复以上步骤,用植物种植土壤EC传感器进行第三次检测;对植物种植土壤EC检测完成后,对收集瓶进行称重,然后在收集瓶中加入定量的溶液,对植物种植土壤中的有机物进行反应分解,从而对植物种植土壤有机物的含量进行检测。
3.如权利要求2所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述将植物种植土壤进行碾碎时,准备研磨器,并对研磨器的进行清洗,然后烘干,完成后将干燥的植物种植土壤在研磨器中,手动进行研磨,时间为2-5min,防止在对植物种植土壤进行干燥时,使植物种植土壤结块,不易溶解,待植物种植土壤研磨结束后,将植物种植土壤放置到空白纸上,然后将空白纸进行对折引流,将植物种植土壤倒入收集瓶中进行收集。
4.如权利要求2所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述在对植物种植土壤研磨结束后,通过毛刷对研磨器内壁进行清理,将粘附在研磨器内壁上的植物种植土壤颗粒进行刮下。
5.如权利要求2所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述在对植物种植土壤进行称重完成后,在收集瓶上贴上标签,并记录上植物种植土壤的重量,同时收集瓶为透明玻璃瓶。
6.如权利要求2所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述在对枯枝落叶进行干燥时,干燥时的温度为50-60℃,干燥时间为2-4h,确保枯枝落叶中的水分充分蒸发。
7.如权利要求2所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述对有机物进行反应分解时,具体步骤如下:在收集瓶中加入过量的重铬酸钾溶液,并对重铬酸钾溶液进行称重,然后在定量的加入浓硫酸溶液,并不断进行搅拌,然后对溶液进行冷却,时间为20-30min,然后对收集瓶进行称重,收集瓶减少的重量极为植物种植土壤中有机物的含量,然后加上枯枝落叶质量,可到植物种植土壤中有机物的总质量。
8.如权利要求1所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述对植物生长状况进行检测方法如下:
1)配置影像采集器参数,接收影像采集器获取的植物影像;对植物影像进行初步去噪处理,得到初步去噪植物影像;根据待处理植物影像和初步去噪植物影像分别对应的特定能量参数的数值,计算对应于待处理植物影像上的每个单位区域的中心像素的残差量;利用残差量计算对应于每个单位区域的权重矩阵,并根据权重矩阵对待处理植物影像进行非局部均值计算,以实现对待处理植物影像的去噪处理;
2)将去噪后的植物影像从RGB色彩空间转换到灰度空间,接着用OTSU算法分割前景和背景,然后将背景像素点置为(255,255,255),即白色;将所得的叶片影像尺寸缩放到统一尺寸;将所得的预处理完成后的影像用基于LeNet的卷积神经网络进行训练,得到一个区分植物种类的分类器;
3)用得到的分类器对植物叶片进行分类,获得不同种类的植物叶片;对每一种类植物叶片分别进行叶色-叶色值建模;利用得到的叶色-叶色值模型,估计新叶片的叶色值,分析所述植物影像,以得到所述植物的生长状况信息;根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端。
9.如权利要求8所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述植物影像中携带有影像采集器的标识信息,所述服务器中预存有所述标识信息与所述植物种类信息的对应关系,所述方法还包括:
提取所述植物影像中携带的标识信息;
根据所述标识信息查找出与该标识信息对应的植物种类信息;
所述植物的生长状况信息通过分析所述植物影像,并结合所述植物种类信息得到。
10.如权利要求8所述基于施肥溶液和土壤EC值来评估植物施肥量的评估方法,其特征在于,所述分析所述植物影像,以得到所述植物的生长状况信息的步骤,包括:
提取所述植物影像的RGB值和纹理特征;
分析所述RGB值和纹理特征,并结合所述植物种类信息,根据预设的运算规则获得所述植物的生长状况信息;
根据所述生长状况信息,生成培育指导建议,并发送至所述移动终端的步骤,包括:
根据所述生长状况信息,并结合所述植物种类信息,生成培育指导建议并存储;
在接收到所述移动终端发送的信息获取请求时,将所述培育指导建议发送至所述移动终端;
所述方法还包括:
根据所述植物影像,判断所述影像采集器的摄像头位置是否符合预设拍摄标准;
若是,则执行分析所述植物影像,以得到所述植物的生长状况信息的步骤;
若否,则按照预设调整计划调整所述摄像头,并接收调整所述摄像头后所述影像采集器获取的植物影像,对调整后的所述摄像头位置是否符合预设拍摄标准进行判断,直到根据再次接收到的植物影像,判断得出所述摄像头位置符合预设拍摄标准为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310463726.8A CN116542920A (zh) | 2023-04-26 | 2023-04-26 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310463726.8A CN116542920A (zh) | 2023-04-26 | 2023-04-26 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542920A true CN116542920A (zh) | 2023-08-04 |
Family
ID=87453515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310463726.8A Pending CN116542920A (zh) | 2023-04-26 | 2023-04-26 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542920A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990074A (zh) * | 2023-09-26 | 2023-11-03 | 武汉理工大学 | 一种智能土壤识别采样系统及方法 |
CN117807549A (zh) * | 2024-02-29 | 2024-04-02 | 菏泽学院 | 一种农田土壤肥力评价方法及系统 |
-
2023
- 2023-04-26 CN CN202310463726.8A patent/CN116542920A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990074A (zh) * | 2023-09-26 | 2023-11-03 | 武汉理工大学 | 一种智能土壤识别采样系统及方法 |
CN116990074B (zh) * | 2023-09-26 | 2023-12-29 | 武汉理工大学 | 一种智能土壤识别采样系统及方法 |
CN117807549A (zh) * | 2024-02-29 | 2024-04-02 | 菏泽学院 | 一种农田土壤肥力评价方法及系统 |
CN117807549B (zh) * | 2024-02-29 | 2024-05-17 | 菏泽学院 | 一种农田土壤肥力评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116542920A (zh) | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 | |
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
Son et al. | A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation | |
CN111399508A (zh) | 智慧农业系统和智慧农业方法 | |
CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
Houborg et al. | Adapting a regularized canopy reflectance model (REGFLEC) for the retrieval challenges of dryland agricultural systems | |
Noguera et al. | Nutritional status assessment of olive crops by means of the analysis and modelling of multispectral images taken with UAVs | |
Zhou et al. | Modeling winter wheat phenology and carbon dioxide fluxes at the ecosystem scale based on digital photography and eddy covariance data | |
Korohou et al. | Wheat grain yield estimation based on image morphological properties and wheat biomass | |
CN110954650A (zh) | 一种棉花冠层氮素的卫星遥感监测方法 | |
CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
CN115456476A (zh) | 一种基于机器视觉的国土空间规划数据采集分析系统 | |
CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
CN113111799B (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
Zhou et al. | Improved yield prediction of Ratoon rice using unmanned aerial vehicle-based multi-temporal feature method | |
Bacsa et al. | Correlation of UAV-based multispectral vegetation indices and leaf color chart observations for nitrogen concentration assessment on rice crops | |
CN112632796A (zh) | 氮含量确定方法、作业方法、装置、电子设备及存储介质 | |
CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
CN116602105A (zh) | 一种基于相关性研究的植物营养施肥控制方法 | |
Graf et al. | Insights from field phenotyping improve satellite remote sensing based in-season estimation of winter wheat growth and phenology | |
CN115619286A (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
CN104330798A (zh) | 基于合成孔径雷达遥感影像监测农作物播期的方法及装置 | |
CN114067113A (zh) | 基于物化条件校正的土壤大数据分析方法及装置 | |
Longfei et al. | Improved Yield Prediction of Ratoon Rice Using Unmanned Aerial Vehicle-Based Multi-Temporal Feature Method | |
CN111027523A (zh) | 一种棉花冠层类胡萝卜素含量的卫星遥感监测方法 |
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 |