CN116602105A - 一种基于相关性研究的植物营养施肥控制方法 - Google Patents
一种基于相关性研究的植物营养施肥控制方法 Download PDFInfo
- Publication number
- CN116602105A CN116602105A CN202310529750.7A CN202310529750A CN116602105A CN 116602105 A CN116602105 A CN 116602105A CN 202310529750 A CN202310529750 A CN 202310529750A CN 116602105 A CN116602105 A CN 116602105A
- Authority
- CN
- China
- Prior art keywords
- plant
- fertilizer
- yield
- fertilization
- amount
- 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
- 230000004720 fertilization Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000001863 plant nutrition Effects 0.000 title claims abstract description 20
- 238000011160 research Methods 0.000 title abstract description 7
- 239000003337 fertilizer Substances 0.000 claims abstract description 151
- 230000000694 effects Effects 0.000 claims abstract description 30
- 241000196324 Embryophyta Species 0.000 claims description 145
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 56
- DLYUQMMRRRQYAE-UHFFFAOYSA-N tetraphosphorus decaoxide Chemical compound O1P(O2)(=O)OP3(=O)OP1(=O)OP2(=O)O3 DLYUQMMRRRQYAE-UHFFFAOYSA-N 0.000 claims description 48
- 239000002689 soil Substances 0.000 claims description 45
- 238000003973 irrigation Methods 0.000 claims description 44
- 230000002262 irrigation Effects 0.000 claims description 44
- 238000012544 monitoring process Methods 0.000 claims description 42
- 235000015097 nutrients Nutrition 0.000 claims description 32
- 229910052757 nitrogen Inorganic materials 0.000 claims description 28
- CHWRSCGUEQEHOH-UHFFFAOYSA-N potassium oxide Chemical compound [O-2].[K+].[K+] CHWRSCGUEQEHOH-UHFFFAOYSA-N 0.000 claims description 24
- 229910001950 potassium oxide Inorganic materials 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 18
- 230000008635 plant growth Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000012010 growth Effects 0.000 claims description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 4
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000011575 calcium Substances 0.000 claims description 4
- 229910052791 calcium Inorganic materials 0.000 claims description 4
- 239000011777 magnesium Substances 0.000 claims description 4
- 229910052749 magnesium Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011591 potassium Substances 0.000 claims description 4
- 229910052700 potassium Inorganic materials 0.000 claims description 4
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 claims description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 3
- 240000001987 Pyrus communis Species 0.000 claims description 3
- 235000014443 Pyrus communis Nutrition 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 3
- 229910052796 boron Inorganic materials 0.000 claims description 3
- 239000000460 chlorine Substances 0.000 claims description 3
- 229910052801 chlorine Inorganic materials 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000010949 copper Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 229910052750 molybdenum Inorganic materials 0.000 claims description 3
- 239000011733 molybdenum Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000011701 zinc Substances 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000004927 clay Substances 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
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- 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
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Soil Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Fertilizing (AREA)
Abstract
本发明属于植物营养施肥控制技术领域，公开了一种基于相关性研究的植物营养施肥控制方法。本发明通过对植物施肥量进行预测方法本发明实施例提供的植物施肥量预测方法及系统，基于施肥习惯构建合理的肥料效应函数以及其曲线，并利用该曲线，仅需输入植物的预期产量即可准确获得对应的推荐植物施肥量，有效的减少了肥料的投入，提高了肥料利用率；同时，通过确定施肥方案方法无需用户进行编程等操作，能够很好地适应国内用户的使用需求，可实现智能化施肥，且施肥方案更加准确，能够避免肥料施加过度或者施加不足的问题。
Description
技术领域
本发明属于植物营养施肥控制技术领域，尤其涉及一种基于相关性研究的植物营养施肥控制方法。
背景技术
植物营养施肥是指通过添加营养元素，以满足植物正常生长所需的营养物质，从而促进植物生长和发育的一种施肥技术。植物所需的主要营养元素包括氮、磷、钾、钙、镁和微量元素等；植物土壤营养环境包括：物理环境、化学环境和养分环境。土壤物理环境首先影响作物的水分和空气供应，也直接影响养分的供应和保蓄。土壤是由大小不同的颗粒组成，这些颗粒构成了土体的三相，即固相、液相和气相。一般肥沃土壤，它的固相占整个土壤体积的一半以上，另外不到一半的体积，充满水分和空气。土壤孔隙不仅承担着作物水分、空气的供应，本身也对作物生长有重要作用，同时也直接影响养分在土壤中的扩散。土壤粘粒、土壤有机质和土壤酸度是影响土壤化学环境的重要因素，土壤养分即使在施肥的情况下也对植物生长起重要作用；然而，现有基于相关性研究的植物营养施肥控制方法对植物施肥量预测不准确；同时，不能自动确定施肥方案。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有基于相关性研究的植物营养施肥控制方法对植物施肥量预测不准确。
(2)不能自动确定施肥方案。
(3)植物营养施肥控制需要获取植物生长图像；现有获取的生长图像不清晰，影像对植物的生长判断，从而无法精准进行营养施肥。
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相关性研究的植物营养施肥控制方法。
本发明是这样实现的，一种基于相关性研究的植物营养施肥控制方法包括：
步骤一，通过采样设备采集植物种植土壤样本，对植物种植土壤各营养元素进行检测分析；
所述对植物种植土壤各营养元素进行检测分析方法：
采集植物种植中期阶段的土壤样本；
配置光谱设备参数，通过光谱设备获取土壤样本光谱图像；
根据土壤样本光谱图像确定土壤样本中元素；
通过大量检测数据对土壤各营养元素含量进行分析；
所述土壤各营养元素为氮、磷、钾、钙、镁、硫、铜、铁、锰、锌、钼、硼、氯、硅；
步骤二，通过摄像设备采集植物图像，并对植物图像进行增强处理，对植物健康进行分析判断；
所述对植物图像进行增强处理方法：
对植物生长状态进行记录分析，确定在植物生长阶段获取原始植物图像；对所述原始植物图像进行分解，得到所述原始植物图像的多个分解系数；
利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；
将包括至少一个增强系数的多个分解系数进行重构，获得所述原始植物图像对应的增强植物图像；
所述机器学习模型基于以下训练方法获得：
获取训练集，所述训练集中包括多个样本对；其中，样本对包括样本植物图像的多个分解系数和所述样本植物图像对应的增强植物图像的多个分解系数；
利用所述训练集对初始机器学习模型进行训练，获得所述机器学习模型；
步骤三，测量植物种植面积，对植物种植区域土壤/基质和植物本体进行全营养元素精准测定，结合该植物对某一营养元素的真实需求值以及种植土壤营养元素检测分析结果；对植物施肥量进行预测；并确定施肥方案；
所述测量植物种植面积方法：
通过遥感设备采集植物种植区域图像；
根据植物生长周期，选择生长周期时间段成像的影像数据；
对遥感影像进行正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪等处理；
提取遥感影像信息，利用验证样本对结果进行精度验证；通过统计结果得到种植面积信息；
所述植物为：梨树。
进一步，所述对植物施肥量进行预测方法如下：
(1)收集植物施肥量与产量的历史数据集；获取与所述肥料的投入量相对应的肥料有效施用量，构建肥料有效施用量与产量的数据集；
(2)根据所述肥料有效施用量与产量的数据集，构建肥料效应函数；基于所述肥料效应函数，根据预期植物产量获取推荐植物施肥量。
进一步，所述根据所述肥料有效施用量与产量的数据集，构建肥料效应函数，包括：
根据所述肥料有效施用量与产量的数据集，绘制肥料施用量与产量的散点图，所述散点图的横轴为肥料施用量，所述散点图的纵轴为产量；
确定预设步长肥料施用量下的最高产量作为待拟合产量点；
基于S-G滤波法，对由所述待拟合产量点构成的曲线进行平滑处理，获取所述肥料效应函数。
进一步，所述肥料效应函数的表达式为：
其中，a1＞a2且b2＞b1，x为肥料施用量，y为产量，k为拟合曲线中产量增加无显著差异的产量点所对应的肥料有效施用量，a1和a2分别为肥料效应曲线的斜率，b1和b2分别为肥料效应曲线的y轴截距。
进一步，所述在所述根据所述肥料有效施用量与产量的数据集，绘制肥料施用量与产量的散点图之前，还包括采用箱线图的四分位法对所述肥料有效施用量与产量的数据集进行异常值的剔除。
进一步，所述采用箱线图的四分位法对所述肥料有效施用量与产量的数据集进行异常值的剔除，包括：
确定所述肥料有效施用量与产量的数据集的下四分位数、上四分位数和中位数；
根据所述下四分位数、上四分位数和中位数确定四分位距；
根据所述四分位距并结合所述下四分位数，确定所述肥料有效施用量与产量的数据集的上边缘和下边缘；
将产量小于所述上边缘且大于所述下边缘的点所对应的数据作为异常值进行剔除。
进一步，所述根据所述下四分位数、上四分位数和中位数确定四分位距，包括：
以所述上四分位数与所述下分位数之差作为所述四分位距；
所述根据所述四分位距并结合所述下四分位数，确定所述肥料有效施用量与产量的数据集的上边缘和下边缘，包括：
确定所述肥料有效施用量与产量的数据集的上边缘为Q3+m1IQR；
确定所述肥料有效施用量与产量的数据集的下边缘为Q1-m2IQR；
其中，Q1为下四分位数，Q3为上四分位数，IQR为四分位距，m1和m2分别为预设倍率。
进一步，所述收集植物施肥量与产量的历史数据集，包括：
设计调查问卷；
利用所述调查问卷在水果收获后对进行逐个的问卷调查，获取问卷调查数据集；
将所述问卷调查数据集进行数据汇总整理及电子化，获取所述植物施肥量与产量的历史数据集。
进一步，所述获取与所述肥料的投入量相对应的肥料有效施用量，包括：
通过肥料介绍或文献查阅获得各类肥料的有效含量，构建肥料的投入量与肥料有效施用量的查找表；
基于所述查找表获取与所述肥料的投入量相对应的肥料有效施用量。
进一步，所述确定施肥方案方法如下：
1)配置监测设备参数，通过监测设备获取待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息，其中，所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息由用户在触控终端输入，并通过触控终端发送至监测设备；
2)监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息确定施肥方案；监测设备将所述施肥方案发送至触控终端；
其中，所述监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息确定施肥方案，包括：
监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数和所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量；
监测设备根据本次施肥所需的氮、五氧化二磷、氧化钾的量，以及监测设备上的预定肥料成分含量数据库中本次施肥需要的预定肥料的氮、五氧化二磷、氧化钾含量，计算出本次施肥需要的预定肥料的实际施加量，得到施肥方案；
其中，所述监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数和所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量，包括；
监测设备根据待施肥植物在特定产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量，计算出待施肥植物在单位产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量；
监测设备根据待施肥植物在单位产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量，以及所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量；
监测设备将所述施肥方案发送至触控终端之后，还包括：
触控终端根据所述施肥方案，控制施肥机施肥。
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：
本发明通过对植物施肥量进行预测方法本发明实施例提供的植物施肥量预测方法及系统，基于施肥习惯构建合理的肥料效应函数以及其曲线，并利用该曲线，仅需输入植物的预期产量即可准确获得对应的推荐植物施肥量，有效的减少了肥料的投入，提高了肥料利用率；同时，通过确定施肥方案方法无需用户进行编程等操作，能够很好地适应国内用户的使用需求，可实现智能化施肥，且施肥方案更加准确，能够避免肥料施加过度或者施加不足的问题。
本发明通过对植物图像进行增强处理可以大大提高获取的植物生长图像的清晰度，根据植物生长状态图像，可以更加精准的进行植物营养施肥控制。
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：
本发明通过对植物施肥量进行预测方法本发明实施例提供的植物施肥量预测方法及系统，基于施肥习惯构建合理的肥料效应函数以及其曲线，并利用该曲线，仅需输入植物的预期产量即可准确获得对应的推荐植物施肥量，有效的减少了肥料的投入，提高了肥料利用率；同时，通过确定施肥方案方法无需用户进行编程等操作，能够很好地适应国内用户的使用需求，可实现智能化施肥，且施肥方案更加准确，能够避免肥料施加过度或者施加不足的问题。
附图说明
图1是本发明实施例提供的基于相关性研究的植物营养施肥控制方法流程图。
图2是本发明实施例提供的对植物施肥量进行预测方法流程图。
图3是本发明实施例提供的确定施肥方案方法流程图。
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相关性研究的植物营养施肥控制方法包括以下步骤：
S101，通过采样设备采集植物种植土壤样本，对植物种植土壤各营养元素进行检测分析；
所述对植物种植土壤各营养元素进行检测分析方法：
采集植物种植中期阶段的土壤样本；
配置光谱设备参数，通过光谱设备获取土壤样本光谱图像；
根据土壤样本光谱图像确定土壤样本中元素；
通过大量检测数据对土壤各营养元素含量进行分析；
所述土壤各营养元素为氮、磷、钾、钙、镁、硫、铜、铁、锰、锌、钼、硼、氯、硅；
S102，通过摄像设备采集植物图像，并对植物图像进行增强处理，对植物健康进行分析判断；
所述对植物图像进行增强处理方法：
对植物生长状态进行记录分析，确定在植物生长阶段获取原始植物图像；对所述原始植物图像进行分解，得到所述原始植物图像的多个分解系数；
利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；
将包括至少一个增强系数的多个分解系数进行重构，获得所述原始植物图像对应的增强植物图像；
所述机器学习模型基于以下训练方法获得：
获取训练集，所述训练集中包括多个样本对；其中，样本对包括样本植物图像的多个分解系数和所述样本植物图像对应的增强植物图像的多个分解系数；
利用所述训练集对初始机器学习模型进行训练，获得所述机器学习模型；
S103，测量植物种植面积，对植物种植区域土壤/基质和植物本体进行全营养元素精准测定，结合该植物对某一营养元素的真实需求值以及种植土壤营养元素检测分析结果；对植物施肥量进行预测；并确定施肥方案；
所述测量植物种植面积方法：
通过遥感设备采集植物种植区域图像；
根据植物生长周期，选择生长周期时间段成像的影像数据；
对遥感影像进行正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪等处理；
提取遥感影像信息，利用验证样本对结果进行精度验证；通过统计结果得到种植面积信息；
所述植物为：梨树。
如图2所示，本发明提供的对植物施肥量进行预测方法如下：
S201，收集植物施肥量与产量的历史数据集；获取与所述肥料的投入量相对应的肥料有效施用量，构建肥料有效施用量与产量的数据集；
S202，根据所述肥料有效施用量与产量的数据集，构建肥料效应函数；基于所述肥料效应函数，根据预期植物产量获取推荐植物施肥量。
本发明提供的根据所述肥料有效施用量与产量的数据集，构建肥料效应函数，包括：
根据所述肥料有效施用量与产量的数据集，绘制肥料施用量与产量的散点图，所述散点图的横轴为肥料施用量，所述散点图的纵轴为产量；
确定预设步长肥料施用量下的最高产量作为待拟合产量点；
基于S-G滤波法，对由所述待拟合产量点构成的曲线进行平滑处理，获取所述肥料效应函数。
本发明提供的肥料效应函数的表达式为：
其中，a1＞a2且b2＞b1，x为肥料施用量，y为产量，k为拟合曲线中产量增加无显著差异的产量点所对应的肥料有效施用量，a1和a2分别为肥料效应曲线的斜率，b1和b2分别为肥料效应曲线的y轴截距。
本发明提供的在所述根据所述肥料有效施用量与产量的数据集，绘制肥料施用量与产量的散点图之前，还包括采用箱线图的四分位法对所述肥料有效施用量与产量的数据集进行异常值的剔除。
本发明提供的采用箱线图的四分位法对所述肥料有效施用量与产量的数据集进行异常值的剔除，包括：
确定所述肥料有效施用量与产量的数据集的下四分位数、上四分位数和中位数；
根据所述下四分位数、上四分位数和中位数确定四分位距；
根据所述四分位距并结合所述下四分位数，确定所述肥料有效施用量与产量的数据集的上边缘和下边缘；
将产量小于所述上边缘且大于所述下边缘的点所对应的数据作为异常值进行剔除。
本发明提供的根据所述下四分位数、上四分位数和中位数确定四分位距，包括：
以所述上四分位数与所述下分位数之差作为所述四分位距；
所述根据所述四分位距并结合所述下四分位数，确定所述肥料有效施用量与产量的数据集的上边缘和下边缘，包括：
确定所述肥料有效施用量与产量的数据集的上边缘为Q3+m1IQR；
确定所述肥料有效施用量与产量的数据集的下边缘为Q1-m2IQR；
其中，Q1为下四分位数，Q3为上四分位数，IQR为四分位距，m1和m2分别为预设倍率。
本发明提供的收集植物施肥量与产量的历史数据集，包括：
设计调查问卷；
利用所述调查问卷在水果收获后对进行逐个的问卷调查，获取问卷调查数据集；
将所述问卷调查数据集进行数据汇总整理及电子化，获取所述植物施肥量与产量的历史数据集。
本发明提供的获取与所述肥料的投入量相对应的肥料有效施用量，包括：
通过肥料介绍或文献查阅获得各类肥料的有效含量，构建肥料的投入量与肥料有效施用量的查找表；
基于所述查找表获取与所述肥料的投入量相对应的肥料有效施用量。
如图3所示，本发明提供的确定施肥方案方法如下：
S301，配置监测设备参数，通过监测设备获取待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息，其中，所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息由用户在触控终端输入，并通过触控终端发送至监测设备；
S302，监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息确定施肥方案；监测设备将所述施肥方案发送至触控终端；
其中，所述监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息确定施肥方案，包括：
监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数和所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量；
监测设备根据本次施肥所需的氮、五氧化二磷、氧化钾的量，以及监测设备上的预定肥料-成分含量数据库中本次施肥需要的预定肥料的氮、五氧化二磷、氧化钾含量，计算出本次施肥需要的预定肥料的实际施加量，得到施肥方案；
其中，所述监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数和所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量，包括；
监测设备根据待施肥植物在特定产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量，计算出待施肥植物在单位产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量；
监测设备根据待施肥植物在单位产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量，以及所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量；
监测设备将所述施肥方案发送至触控终端之后，还包括：
触控终端根据所述施肥方案，控制施肥机施肥。
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。
本发明通过对植物施肥量进行预测方法本发明实施例提供的植物施肥量预测方法及系统，基于施肥习惯构建合理的肥料效应函数以及其曲线，并利用该曲线，仅需输入植物的预期产量即可准确获得对应的推荐植物施肥量，有效的减少了肥料的投入，提高了肥料利用率；同时，通过确定施肥方案方法无需用户进行编程等操作，能够很好地适应国内用户的使用需求，可实现智能化施肥，且施肥方案更加准确，能够避免肥料施加过度或者施加不足的问题。
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。
本发明通过对植物施肥量进行预测方法本发明实施例提供的植物施肥量预测方法及系统，基于施肥习惯构建合理的肥料效应函数以及其曲线，并利用该曲线，仅需输入植物的预期产量即可准确获得对应的推荐植物施肥量，有效的减少了肥料的投入，提高了肥料利用率；同时，通过确定施肥方案方法无需用户进行编程等操作，能够很好地适应国内用户的使用需求，可实现智能化施肥，且施肥方案更加准确，能够避免肥料施加过度或者施加不足的问题。
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)
1.一种基于相关性研究的植物营养施肥控制方法，其特征在于，所述基于相关性研究的植物营养施肥控制方法包括以下步骤：
步骤一，通过采样设备采集植物种植土壤样本，对植物种植土壤各营养元素进行检测分析；
所述对植物种植土壤各营养元素进行检测分析方法：
采集植物种植中期阶段的土壤样本；
配置光谱设备参数，通过光谱设备获取土壤样本光谱图像；
根据土壤样本光谱图像确定土壤样本中元素；
通过大量检测数据对土壤各营养元素含量进行分析；
所述土壤各营养元素为氮、磷、钾、钙、镁、硫、铜、铁、锰、锌、钼、硼、氯、硅；
步骤二，通过摄像设备采集植物图像，并对植物图像进行增强处理，对植物健康进行分析判断；
所述对植物图像进行增强处理方法：
对植物生长状态进行记录分析，确定在植物生长阶段获取原始植物图像；对所述原始植物图像进行分解，得到所述原始植物图像的多个分解系数；
利用机器学习模型对所述多个分解系数中的至少一个进行增强处理，获得至少一个增强系数；
将包括至少一个增强系数的多个分解系数进行重构，获得所述原始植物图像对应的增强植物图像；
所述机器学习模型基于以下训练方法获得：
获取训练集，所述训练集中包括多个样本对；其中，样本对包括样本植物图像的多个分解系数和所述样本植物图像对应的增强植物图像的多个分解系数；
利用所述训练集对初始机器学习模型进行训练，获得所述机器学习模型；
步骤三，测量植物种植面积，对植物种植区域土壤/基质和植物本体进行全营养元素精准测定，结合该植物对某一营养元素的真实需求值以及种植土壤营养元素检测分析结果；对植物施肥量进行预测；并确定施肥方案；
所述测量植物种植面积方法：
通过遥感设备采集植物种植区域图像；
根据植物生长周期，选择生长周期时间段成像的影像数据；
对遥感影像进行正射校正、图像配准、大气校正、图像融合、镶嵌与裁剪等处理；
提取遥感影像信息，利用验证样本对结果进行精度验证；通过统计结果得到种植面积信息；
所述植物为：梨树。
2.如权利要求1所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述对植物施肥量进行预测方法如下：
(1)收集植物施肥量与产量的历史数据集；获取与所述肥料的投入量相对应的肥料有效施用量，构建肥料有效施用量与产量的数据集；
(2)根据所述肥料有效施用量与产量的数据集，构建肥料效应函数；基于所述肥料效应函数，根据预期植物产量获取推荐植物施肥量。
3.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述根据所述肥料有效施用量与产量的数据集，构建肥料效应函数，包括：
根据所述肥料有效施用量与产量的数据集，绘制肥料施用量与产量的散点图，所述散点图的横轴为肥料施用量，所述散点图的纵轴为产量；
确定预设步长肥料施用量下的最高产量作为待拟合产量点；
基于S-G滤波法，对由所述待拟合产量点构成的曲线进行平滑处理，获取所述肥料效应函数。
4.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述肥料效应函数的表达式为：
其中，a1＞a2且b2＞b1，x为肥料施用量，y为产量，k为拟合曲线中产量增加无显著差异的产量点所对应的肥料有效施用量，a1和a2分别为肥料效应曲线的斜率，b1和b2分别为肥料效应曲线的y轴截距。
5.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述在所述根据所述肥料有效施用量与产量的数据集，绘制肥料施用量与产量的散点图之前，还包括采用箱线图的四分位法对所述肥料有效施用量与产量的数据集进行异常值的剔除。
6.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述采用箱线图的四分位法对所述肥料有效施用量与产量的数据集进行异常值的剔除，包括：
确定所述肥料有效施用量与产量的数据集的下四分位数、上四分位数和中位数；
根据所述下四分位数、上四分位数和中位数确定四分位距；
根据所述四分位距并结合所述下四分位数，确定所述肥料有效施用量与产量的数据集的上边缘和下边缘；
将产量小于所述上边缘且大于所述下边缘的点所对应的数据作为异常值进行剔除。
7.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述根据所述下四分位数、上四分位数和中位数确定四分位距，包括：
以所述上四分位数与所述下分位数之差作为所述四分位距；
所述根据所述四分位距并结合所述下四分位数，确定所述肥料有效施用量与产量的数据集的上边缘和下边缘，包括：
确定所述肥料有效施用量与产量的数据集的上边缘为Q3+m1IQR；
确定所述肥料有效施用量与产量的数据集的下边缘为Q1-m2IQR；
其中，Q1为下四分位数，Q3为上四分位数，IQR为四分位距，m1和m2分别为预设倍率。
8.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述收集植物施肥量与产量的历史数据集，包括：
设计调查问卷；
利用所述调查问卷在水果收获后对进行逐个的问卷调查，获取问卷调查数据集；
将所述问卷调查数据集进行数据汇总整理及电子化，获取所述植物施肥量与产量的历史数据集。
9.如权利要求2所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述获取与所述肥料的投入量相对应的肥料有效施用量，包括：
通过肥料介绍或文献查阅获得各类肥料的有效含量，构建肥料的投入量与肥料有效施用量的查找表；
基于所述查找表获取与所述肥料的投入量相对应的肥料有效施用量。
10.如权利要求1所述基于相关性研究的植物营养施肥控制方法，其特征在于，所述确定施肥方案方法如下：
1)配置监测设备参数，通过监测设备获取待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息，其中，所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息由用户在触控终端输入，并通过触控终端发送至监测设备；
2)监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息确定施肥方案；监测设备将所述施肥方案发送至触控终端；
其中，所述监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数、目标产量以及预定肥料信息确定施肥方案，包括：
监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数和所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量；
监测设备根据本次施肥所需的氮、五氧化二磷、氧化钾的量，以及监测设备上的预定肥料-成分含量数据库中本次施肥需要的预定肥料的氮、五氧化二磷、氧化钾含量，计算出本次施肥需要的预定肥料的实际施加量，得到施肥方案；
其中，所述监测设备根据所述待施肥植物信息、拟施肥的轮灌组面积、本物候期的灌溉次数和所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量，包括；
监测设备根据待施肥植物在特定产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量，计算出待施肥植物在单位产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量；
监测设备根据待施肥植物在单位产量下，一个全生育期中每个物候期里每次灌溉时需要施入的氮、五氧化二磷、氧化钾的量，以及所述目标产量，计算出本次施肥所需的氮、五氧化二磷、氧化钾的量；
监测设备将所述施肥方案发送至触控终端之后，还包括：
触控终端根据所述施肥方案，控制施肥机施肥。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310529750.7A CN116602105A (zh) | 2023-05-11 | 2023-05-11 | 一种基于相关性研究的植物营养施肥控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310529750.7A CN116602105A (zh) | 2023-05-11 | 2023-05-11 | 一种基于相关性研究的植物营养施肥控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116602105A true CN116602105A (zh) | 2023-08-18 |
Family
ID=87682853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310529750.7A Pending CN116602105A (zh) | 2023-05-11 | 2023-05-11 | 一种基于相关性研究的植物营养施肥控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116602105A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598084A (zh) * | 2023-12-28 | 2024-02-27 | 日照市农业科学研究院 | 一种大豆栽培智能施肥方法及系统 |
-
2023
- 2023-05-11 CN CN202310529750.7A patent/CN116602105A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598084A (zh) * | 2023-12-28 | 2024-02-27 | 日照市农业科学研究院 | 一种大豆栽培智能施肥方法及系统 |
| CN117598084B (zh) * | 2023-12-28 | 2024-05-10 | 日照市农业科学研究院 | 一种大豆栽培智能施肥方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Toscano et al. | A precision agriculture approach for durum wheat yield assessment using remote sensing data and yield mapping | |
| Folberth et al. | Uncertainty in soil data can outweigh climate impact signals in global crop yield simulations | |
| Whetton et al. | Nonlinear parametric modelling to study how soil properties affect crop yields and NDVI | |
| Lawes et al. | Optimal nitrogen rate can be predicted using average yield and estimates of soil water and leaf nitrogen with infield experimentation | |
| CN116602105A (zh) | 一种基于相关性研究的植物营养施肥控制方法 | |
| Kazlauskas et al. | Comparative analysis of energy and GHG emissions using fixed and variable fertilization rates | |
| Dutta et al. | A multi model evaluation of long-term effects of crop management and cropping systems on nitrogen dynamics in the Canadian semi-arid prairie | |
| CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
| Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
| 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 | |
| Puig-Sirera et al. | Zero-tillage effects on durum wheat productivity and soil-related variables in future climate scenarios: A modeling analysis | |
| Kaur | Automated nutrient deficiency detection in plants: A Review | |
| Zhang et al. | Making GIS a versatile analytical tool for research in precision farming | |
| CN112241981B (zh) | 一种验证农作物种植面积二类测量数据精度的方法及装置 | |
| CN116843529A (zh) | 基于遥感数据的湿地生态系统健康监测与评估方法及系统 | |
| Bansal et al. | Winter wheat crop yield prediction on multiple heterogeneous datasets using machine learning | |
| Liao et al. | Toward a framework for the multimodel ensemble prediction of soil nitrogen losses | |
| Zare et al. | Improving winter wheat yield prediction by accounting for weather and model parameter uncertainty while assimilating LAI and updating weather data within a crop model | |
| Tejada-Castro et al. | Trends in the use of webapps in agriculture: a systematic review | |
| Sahni et al. | Precision Agriculture Technologies | |
| Tian et al. | Synergistic use of spectral features of leaf nitrogen and physiological indices improves the estimation accuracy of nitrogen concentration in rapeseed | |
| Kumar | Quantifying Within-field Variability in Soil Moisture and Nutrients and Scheduling Site-Specific Irrigation Using Numerical Modeling | |
| Liu et al. | An approach for multi-depth soil moisture prediction in alfalfa based on a dual-branch combined model | |
| Vandenberghe et al. | Propagation of uncertainty in diffuse pollution into water quality predictions: application to the River Dender in Flanders, Belgium | |
| CN118552336B (zh) | 基于遥感的农田生态系统时序净交换估算方法及系统 |
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 |