CN116629494A - 一种基于大数据平台的作物精准施肥方法及系统 - Google Patents
一种基于大数据平台的作物精准施肥方法及系统 Download PDFInfo
- Publication number
- CN116629494A CN116629494A CN202310657426.3A CN202310657426A CN116629494A CN 116629494 A CN116629494 A CN 116629494A CN 202310657426 A CN202310657426 A CN 202310657426A CN 116629494 A CN116629494 A CN 116629494A
- Authority
- CN
- China
- Prior art keywords
- soil
- fertilization
- nutrient
- crop
- key
- 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 204
- 238000000034 method Methods 0.000 title claims abstract description 47
- 235000015097 nutrients Nutrition 0.000 claims abstract description 286
- 239000002689 soil Substances 0.000 claims abstract description 281
- 238000005070 sampling Methods 0.000 claims abstract description 114
- 238000005192 partition Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000003337 fertilizer Substances 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000005527 soil sampling Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000035558 fertility Effects 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009469 supplementation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 22
- 229910052757 nitrogen Inorganic materials 0.000 description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 10
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 10
- 229910052698 phosphorus Inorganic materials 0.000 description 10
- 239000011574 phosphorus Substances 0.000 description 10
- 229910052700 potassium Inorganic materials 0.000 description 10
- 239000011591 potassium Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 241000208125 Nicotiana Species 0.000 description 5
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005904 alkaline hydrolysis reaction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据平台的作物精准施肥方法及系统,涉及数据处理技术领域,该方法包括:获得样本土壤养分信息,按照农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息,结合采样区定位信息,建立土壤养分电子地图发送至用户智能终端,对采样区土壤进行分区,获得大田试验数据集,结合大田试验构建作物推荐施肥模型,基于土壤养分电子地图确定关注土壤分区,结合作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。本发明解决了现有技术中由于作物测土施肥技术方案难以落实,导致施肥精准性低的技术问题,达到了基于大数据平台有效指导农户进行科学施肥,提高作物施肥的精准性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于大数据平台的作物精准施肥方法及系统。
背景技术
目前,农业施肥主要依靠农民经验进行,不仅造成了作物产量下降和品质降低,而且导致了环境污染和资源浪费。为了解决这些问题,专家学者和农业部门提出了测土配方施肥,依据土壤养分状况和作物需肥情况确定施肥配方,在一定程度上缓解了农民凭经验施肥问题。但是,测土配方施肥技术在实际操作过程中,由于农民很难及时准确掌握具体田块的土壤养分状况和施肥技术方案,导致好的技术很难准确落实到位。
发明内容
本申请提供了一种基于大数据平台的作物精准施肥方法及系统,用于解决现有技术中由于作物测土施肥技术方案难以落实,导致施肥精准性低的技术问题。
本申请的第一个方面,提供了一种基于大数据平台的作物精准施肥方法,所述方法包括:采集农田土壤样本,对所述农田土壤样本进行土壤养分测定,获得样本土壤养分信息;按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息;基于采样区定位信息、所述采样区土壤养分农田全覆盖信息,建立土壤养分电子地图发送至用户智能终端;根据作物品种产量信息进行养分因子分析,确定关键养分因子,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间;获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,构建作物推荐施肥模型;基于所述土壤养分电子地图确定关注土壤分区,根据所述关注土壤分区的土壤养分信息、作物品种产量信息,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
本申请的第二个方面,提供了一种基于大数据平台的作物精准施肥系统,所述系统包括:样本土壤养分信息获得模块,所述样本土壤养分信息获得模块用于采集农田土壤样本,对所述农田土壤样本进行土壤养分测定,获得样本土壤养分信息;农田全覆盖信息构建模块,所述农田全覆盖信息构建模块用于按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息;土壤养分电子地图建立模块,所述土壤养分电子地图建立模块用于基于采样区定位信息、所述采样区土壤养分农田全覆盖信息,建立土壤养分电子地图发送至用户智能终端;采样区土壤分区模块,所述采样区土壤分区模块用根据作物品种产量信息进行养分因子分析,确定关键养分因子,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间;作物推荐施肥模型构建模块,所述作物推荐施肥模型构建模块用于获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,构建作物推荐施肥模型;施肥推荐量计算模块,所述施肥推荐量计算模块用于基于所述土壤养分电子地图确定关注土壤分区,根据所述关注土壤分区的土壤养分信息、作物品种产量信息,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种基于大数据平台的作物精准施肥方法,涉及数据处理技术领域,通过获得样本土壤养分信息,按照土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息,结合采样区定位信息,建立土壤养分电子地图发送至用户智能终端,对采样区土壤进行分区,获得大田试验数据集,构建作物推荐施肥模型,基于土壤养分电子地图确定关注土壤分区,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端,解决了现有技术中由于作物测土施肥技术方案难以落实,导致施肥精准性低的技术问题,实现了基于大数据平台有效指导农户进行科学施肥,提高作物施肥的精准性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,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的附图。
图1为本申请实施例提供的一种基于大数据平台的作物精准施肥方法流程示意图;
图2为本申请实施例提供的一种基于大数据平台的作物精准施肥方法中构建采样区土壤养分农田全覆盖信息的流程示意图;
图3为本申请实施例提供的一种基于大数据平台的作物精准施肥方法中对采样区土壤进行分区的流程示意图;
图4为本申请实施例提供的一种基于大数据平台的作物精准施肥系统结构示意图。
附图标记说明:样本土壤养分信息获得模块11,农田全覆盖信息构建模块12,土壤养分电子地图建立模块13,采样区土壤分区模块14,作物推荐施肥模型构建模块15,施肥推荐量计算模块16。
具体实施方式
本申请提供了一种基于大数据平台的作物精准施肥方法,用于解决现有技术中由于作物测土施肥技术方案难以落实,导致施肥精准性低的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种基于大数据平台的作物精准施肥方法,所述方法包括:
S100:采集农田土壤样本,对所述农田土壤样本进行土壤养分测定,获得样本土壤养分信息;
具体的,从目标农田区域中采集多份土壤作为样本,由专业实验人员,对所述农田土壤样本依次进行土壤养分测定,得到样本土壤的养分信息,比如土壤中氮、磷、钾等养分的含量,存在形态等,作为后续构建采样区土壤养分农田全覆盖信息的基础数据。
进一步的,本申请实施例步骤S100还包括:
S110:获得目标采样区域,对所述目标采样区域进行土壤分布、环境资源分布采集,得到目标采样区域数据库;
S120:对所述目标采样区域数据库进行差异度计算、平均量计算,获得土壤分布差异度、平均量和环境资源分布差异度、平均量;
S130:根据所述土壤分布差异度、平均量,按照预设采集数量,确定第一土壤采样点;
S140:根据所述环境资源分布差异度、平均量,按照预设采集数量,确定第二土壤采样点;
S150:将所述第一土壤采样点、第二土壤采样点进行重复点剔除,确定采样目标区域进行样本采集。
具体而言,获取当前需要采样的农田的地理位置,也就是目标采样区域,对所述目标采样区域进行土壤分布、环境资源分布调查,判断当前农田区域的土壤类型以及周边环境资源的分布情况,示例性的,土壤类型有砖红壤、赤红壤、红黄壤、黄棕壤、棕壤、暗棕壤、寒棕壤、褐土等,周边环境资源包括水资源、矿物资源、生物资源等,将采集到的土壤分布和环境资源分布情况作为构建数据,生成目标采样区域数据库,分别对所述目标采样区域数据库内的土壤分布、环境资源分布数据进行差异度计算和平均量计算,因为所述目标采集区域内各子区域的土壤类型存在差异,通过计算每两个子区域之间土壤的差异比例,得到目标采集区域内各子区域的土壤分布差异度,通过将目标采集区域的土壤成分按照面积比例进行加权平均计算,得到土壤分布平均量,同理,计算出目标区域内环境资源分布的差异度和平均量,根据所述土壤分布差异度、平均量,按照预设采集数量,确定第一土壤采样点,所述第一土壤采样点包括多个土壤采样点,优先选择布置在所述分布差异度大的不同子区域,以保证样本数据的全面性,所述预设采集数量根据目标采集区域的面积大小来设定,可根据实际情况做适应性调整。根据所述环境资源分布差异度、平均量,按照预设采集数量,在所述目标采集区域内确定第二土壤采样点,所述第二土壤采样点分布在多个环境资源分布不同的区域内,可以体现目标区域的环境资源分布情况。将所述第一土壤采样点、第二土壤采样点进行对比筛选,剔除重复的采样点,然后将剩余采样点合并作为最终的采样点,对采样点所在的采样目标区域进行样本采集,可以用作进行目标区域的土壤养分测定。
S200:按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息;
具体的,按照所述农田土壤样本的土壤分布差异度、平均量和环境资源分布差异度、平均量,利用空间插值法对未采样的区域进行数据补充,将样本点数据转换为面数据。所述空间插值法常用于将离散点的测量数据转换为连续的数据曲面,以便与其他空间现象的分布模式进行比较,包括了空间内插和外推两种算法,空间内插算法是通过已知点的数据推求同一区域其它未知点数据,空间外推算法则是通过已知区域的数据,推求其它区域数据的方法。由补充完整的样本数据构成采样区土壤养分农田全覆盖信息,可以作为后续建立土壤养分电子地图发送至用户智能终端的基础数据。
进一步的,如图2所示,本申请实施例步骤S200还包括:
S210:根据所述土壤分布差异度、平均量和环境资源分布差异度、平均量,获得所述农田土壤样本的分布特征;
S220:根据所述样本点数据、分布特征,进行数据相关性分析,基于数据相关性对采样跨度区域进行数据补充,获得区域面数据;
S230:根据所述区域面数据进行目标采样区域全范围映射,构建所述采样区土壤养分农田全覆盖信息。
具体而言,通过目标采集区域的所述土壤分布差异度、平均量和环境资源分布差异度、平均量,分析所述农田土壤样本的分布特征,包括土壤样本的分散程度、土壤样本间的成分差异度等,将每个样本点的土壤成分数据、样本的整体分布特征数据,进行数据相关性分析,所述相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。基于样本点数据和分布特征数据相关性对采样跨度区域进行数据补充,所述采样跨度区域是指未进行采样的农田区域,实际土壤数据处于两个采样点之间。将采样点之间的数据补充完整,得到整个目标区域的区域面数据,将所述区域面数据与目标采样区域全范围进行关联映射,得到所述采样区土壤养分农田全覆盖信息,所述采样区土壤养分农田全覆盖信息可以体现目标采样区域全范围内的土壤数据,可以作为后续建立土壤养分电子地图发送至用户智能终端的基础数据。
S300:基于采样区定位信息、所述采样区土壤养分农田全覆盖信息,建立土壤养分电子地图发送至用户智能终端;
具体的,通过地图软件等获取目标采样区的位置信息,以及目标采样区的电子地图,将所述采样区土壤养分农田全覆盖信息映射到电子地图中,生成所述土壤养分电子地图,所述土壤养分电子地图可以反映所述采样区各个区域的土壤养分情况,将所述土壤养分电子地图发送至用户智能终端,所述用户智能终端可以是手机、电能等联网的电子设备,运用数字化技术,将农田养分状况通过手机端推送给农户,使用人员可利用手机定位系统显示当前所在田块的土壤养分状况,也可通过手机或电脑查询任意田块的土壤养分状况。
S400:根据作物品种产量信息进行养分因子分析,确定关键养分因子,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间;
具体而言,根据每种作物的产量和所需养分的关系,确定能够决定每种作物的产量的关键养分因子,示例性的,以茎叶为主的蔬菜的关键养分因子为氮,种子、块根茎等作物的关键养分因子为氮、磷、钾。以所述关键养分因子为基准对采样区土壤养分进行聚类,将所述关键养分因子的水平位于同范围的区域分为一类,根据所述关键养分因子的分布情况对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间,进行分区后的采样区土壤,可以反映采集区关键养分因子的分布情况。
进一步的,如图3所示,本申请实施例步骤S400还包括:
S410:根据所述关键养分因子,确定第一关键养分因子、第二关键养分因子,第N关键养分因子,N为大于2的正整数;
S420:分别基于所述第一关键养分因子、第二关键养分因子,第N关键养分因子进行样本区土壤养分分布,确定最高值、中间值、最低值及最高值与中间值之间的次高值,最低值与中间值之间的次低值;
S430:分别利用最高值、次高值、中间值、次低值、最低值作为聚类中心对采样区土壤养分进行聚类,获得第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层;
S440:将所述第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层进行图层叠加,得到采样区土壤分区结果。
具体的,将所有作物的所述关键养分因子进行分类,按照不同的养分类别,分为第一关键养分因子、第二关键养分因子,第N关键养分因子,N为大于2的正整数是指至少有两种关键养分因子。分别提取所述第一关键养分因子、第二关键养分因子,第N关键养分因子在样本区的土壤养分分布量,分别确定每个关键养分因子的分布量的最高值、中间值、最低值,以及最高值与中间值之间的次高值,最低值与中间值之间的次低值。然后分别将每个关键养分因子的分布量的最高值、次高值、中间值、次低值、最低值作为聚类中心,对采样区土壤养分进行聚类,将与每个关键养分因子的分布量的最高值、次高值、中间值、次低值、最低值相似的值分为一类,并进行标记,依次生成第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层,将所述第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层进行图层叠加,可以得到采样区内每一类关键养分因子的聚类区域范围,利用每一类关键养分因子的聚类区域范围进行土壤分区,得到采样区土壤分区结果,可以反映采集区关键养分因子的分布情况。
S500:获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,结合大田试验构建作物推荐施肥模型;
具体而言,通过设置大田试验,研究并明确土壤养分供应规律、作物需肥规律、肥料养分利用规律等参数,并将试验数据整理成大田试验数据集,所述大田试验是在实际栽培环境下,对植物种子、栽培技术、使用肥料农药等情况的评估试验。从预设的多个维度分析所述大田试验数据集,所述预设多维度包括肥料的用量、关键养分因子的含量、作物的产量等,基于施肥量与作物产量的映射关系,构建所述作物推荐施肥模型,可以用作后续根据土壤养分、作物品种等信息计算施肥推荐量,指导农民施肥。
进一步的,本申请实施例步骤S500还包括:
S510:根据所述大田试验数据集,确定影响作物品质和产量的关键养分因子测定结果;
S520:基于所述大田试验数据集,获得养分校正系数、肥料利用率;
S530:根据所述养分校正系数、肥料利用率、关键养分因子测定结果,拟合不同目标产量与关键养分因子施肥量的函数关系,构建所述作物推荐施肥模型。
具体的,从所述大田试验数据集中,提取影响作物品质和产量的关键养分因子的含量测定数据,基于所述大田试验数据集,设置养分校正系数,由于检测仪器的准确性等原因,养分检测结果可能存在偏差,所述养分校正系数就是用于校正养分检测数据的偏差,根据施肥前后作物的产量对比情况计算出各类肥料的利用率。根据所述养分校正系数、肥料利用率、关键养分因子测定结果等数据,推导出土壤养分供应规律、作物需肥规律、肥料养分利用规律等,根据这些规律推导出不同目标作物产量与关键养分因子施肥量的函数关系,并根据该函数关系构建所述作物推荐施肥模型。
进一步的,本申请实施例步骤S520还包括:
S531:根据所述关键养分因子测定结果,所述大田试验数据集,拟合施肥量与土壤肥力的幂函数关系、作物品质的线性相关性;
S532:基于所述施肥量与土壤肥力的幂函数关系、作物品质的线性相关性,拟合施肥公式为:z=ax+byc,其中z为施肥量、x为上等品质作物比例、y为土壤肥力水平;
S533:利用所述养分校正系数,构建数据校正模块,利用所述施肥公式构建施肥计算模块,利用所述肥料利用率构建施肥结果校正模块;
S534:将所述数据校正模块、施肥计算模块、施肥结果校正模块进行连接,构建所述作物推荐施肥模型。
具体而言,利用施肥前后所述关键养分因子含量的测定结果,结合所述大田试验数据集中施肥前后作物的生长情况及品质、肥料的用量等数据,推导出施肥量与土壤肥力的幂函数关系,以及施肥量与作物品质的线性相关性,并推导出施肥公式为:z=ax+byc,其中z为施肥量、x为上等品质作物所占的比例、y为土壤肥力水平。由于养分检测结果可能存在偏差,所以利用所述养分校正系数,构建数据校正模块对养分检测结果进行校正,利用所述施肥公式构建施肥计算模块,使用所述施肥计算模块来计算上等品质作物需要的施肥量,最后根据所述肥料利用率,构建施肥结果校正模块,用来消除无法利用的施肥量误差,得到正确的施肥量。将所述数据校正模块、施肥计算模块、施肥结果校正模块进行连接融合,构建所述作物推荐施肥模型,所述物推荐施肥模型可以根据土壤养分、作物品种等信息计算施肥推荐量,指导农民施肥。
示例性的,该模型应用于烟草种植中,采集某植烟区县多年来田间试验、土壤测试等资料数据,使用所述拟合施肥公式:z=ax+byc进行施肥量计算。首先,获取氮、磷、钾土壤养分校正系数公式分别为:
使用所述养分校正公式对土壤养分测定值进行校正,计算过程如下:
式中,SN、SP、SK分别为碱解氮、有效磷和速效钾的校正值(单位:kg·亩-1),S'N、S'P、S'K分别为碱解氮、有效磷和速效钾的土壤测定值(单位:mg·kg-1),2.29为P转化为P2O5的换算系数,1.2为K转化为K2O的换算系数,0.15为单位换算系数。
将校正后的土壤养分测定值和所述上等烟比例输入所述作物推荐施肥模型中,以所述上等烟比例与所述土壤养分测定值为变量,使用所述作物推荐施肥模型进行多次模拟,得到不同目标上等烟比例下,氮、磷、钾的推荐施肥量,所述推荐施肥量的计算过程如下:
N=0.024Y+16.054SN -0.734
P2O5=0.032Y+5.142SP -0.065
K2O=0.072Y+20.421SK -0.191
式中,N、P2O5、K2O为氮、磷、钾的推荐施肥量,Y为目标上等烟比例(单位:%),SN、SP、SK分别为碱解氮、有效磷和速效钾的校正值。使用当地烟叶往年上等烟比例和土壤碱解氮、有效磷和速效钾的所述土壤养分测定值就可以算出氮磷钾的推荐施用量。根据所述土壤施肥分区和所述推荐施肥量,制定相应的施肥策略,可以达到精准指导土壤施肥的效果。
S600:基于所述土壤养分电子地图确定关注土壤分区,根据所述关注土壤分区的土壤养分信息、作物品种产量信息,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
进一步的,本申请实施例步骤S600还包括:
S610:通过用户智能终端在所述土壤养分电子地图中确定所述关注土壤分区,其中,所述关注土壤分区为土壤养分电子地图中任意分区;
S620:基于关注土壤分区,获得分区土壤养分信息;
S630:设定上等品质作物比例;
S640:将所述分区土壤养分信息、上等品质作物比例输入作物推荐施肥模型,通过所述数据校正模块将土壤养分测定值进行校正,校正后养分测定值与预设上等品质作物比例输入施肥计算模块进行施肥计算,获得关键养分因子推荐施肥量,通过施肥结果校正模块对关键养分因子推荐施肥量基于利用率进行校正,输出施肥推荐结果;
S650:将所述施肥推荐结果发送至所述用户智能终端上。
具体而言,使用用户智能终端在所述土壤养分电子地图中找到当前关注的土壤分区,所述关注土壤分区是用户选择的地图上的任意区域,可以是查看自己耕种的区域,也可以通过手机或电脑查看任意田块的土壤养分状况,基于关注土壤分区所在的土壤区域,从所述土壤养分电子地图中提取分区土壤养分信息,包括关键养分因子含量、土壤类型等,设定需要的上等品质的作物比例,比如设置为80%。将所述分区土壤养分信息、上等品质作物比例输入作物推荐施肥模型中,首先通过所述数据校正模块将土壤养分测定值进行校正,然后将校正过的养分测定值与预设上等品质作物比例输入施肥计算模块进行施肥计算,得到由关键养分因子计算出的推荐施肥量,最后基于肥料利用率,通过施肥结果校正模块对关键养分因子的推荐施肥量进行校正,将校正后的推荐施肥量作为施肥推荐结果进行输出,并通过互联网将所述施肥推荐结果发送至所述用户智能终端上,达到有效指导农户进行科学施肥的目的。
进一步的,本申请实施例还包括步骤S700,步骤S700还包括:
S710:根据所述施肥推荐结果,获得施肥操作节点;
S720:采集关注土壤分区的气象信息;
S730:根据所述气象信息、施肥操作节点进行施肥操作匹配分析,生成施肥提醒信息。
具体的,根据所述施肥推荐结果,推导出进行施肥操作的时间节点。由于作物的生长和施肥效果与天气条件密切相关,光照、温度、湿度等均会影响农作物对养分的吸收,故通过天气预测平台获得关注土壤分区的气象信息,根据所述气象信息为所述施肥操作节点匹配相应的天气信息,根据每个施肥操作节点的天气情况判断当前施肥节点是否合理,若天气对当前施肥节点无影响,则发送施肥提醒信息,提醒农民用户及时进行施肥操作,若天气对当前施肥节点有影响,则生成天气预警信息,并推算出更加合理的施肥时间,一并发送给用户,提醒用户暂停施肥。以达到规避不良天气影响施肥效果的情况。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过获得样本土壤养分信息,按照农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息,结合采样区定位信息,建立土壤养分电子地图发送至用户智能终端,对采样区土壤进行分区,获得大田试验数据集,构建作物推荐施肥模型,基于土壤养分电子地图确定关注土壤分区,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
达到了基于大数据平台有效指导农户进行科学施肥,提高作物施肥的精准性的技术效果。
实施例二
基于与前述实施例中一种基于大数据平台的作物精准施肥方法相同的发明构思,如图4所示,本申请提供了一种基于大数据平台的作物精准施肥系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
样本土壤养分信息获得模块11,所述样本土壤养分信息获得模块11用于采集农田土壤样本,对所述农田土壤样本进行土壤养分测定,获得样本土壤养分信息;
农田全覆盖信息构建模块12,所述农田全覆盖信息构建模块12用于按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息;
土壤养分电子地图建立模块13,所述土壤养分电子地图建立模块13用于基于采样区定位信息、所述采样区土壤养分农田全覆盖信息,建立土壤养分电子地图发送至用户智能终端;
采样区土壤分区模块14,所述采样区土壤分区模块14用根据作物品种产量信息进行养分因子分析,确定关键养分因子,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间;
作物推荐施肥模型构建模块15,所述作物推荐施肥模型构建模块15用于获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,结合大田试验构建作物推荐施肥模型;
施肥推荐量计算模块16,所述施肥推荐量计算模块16用于基于所述土壤养分电子地图确定关注土壤分区,根据所述关注土壤分区的土壤养分信息、作物品种产量信息,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
进一步的,所述样本土壤养分信息获得模块11还用于执行以下步骤:
获得目标采样区域,对所述目标采样区域进行土壤分布、环境资源分布采集,得到目标采样区域数据库;
对所述目标采样区域数据库进行差异度计算、平均量计算,获得土壤分布差异度、平均量和环境资源分布差异度、平均量;
根据所述土壤分布差异度、平均量,按照预设采集数量,确定第一土壤采样点;
根据所述环境资源分布差异度、平均量,按照预设采集数量,确定第二土壤采样点;
将所述第一土壤采样点、第二土壤采样点进行重复点剔除,确定采样目标区域进行样本采集。
进一步的,所述农田全覆盖信息构建模块12还用于执行以下步骤:
根据所述土壤分布差异度、平均量和环境资源分布差异度、平均量,获得所述农田土壤样本的分布特征;
根据所述样本点数据、分布特征,进行数据相关性分析,基于数据相关性对采样跨度区域进行数据补充,获得区域面数据;
根据所述区域面数据进行目标采样区域全范围映射,构建所述采样区土壤养分农田全覆盖信息。
进一步的,所述采样区土壤分区模块14还用于执行以下步骤:
根据所述关键养分因子,确定第一关键养分因子、第二关键养分因子,第N关键养分因子,N为大于2的正整数;
分别基于所述第一关键养分因子、第二关键养分因子,第N关键养分因子进行样本区土壤养分分布,确定最高值、中间值、最低值及最高值与中间值之间的次高值,最低值与中间值之间的次低值;
分别利用最高值、次高值、中间值、次低值、最低值作为聚类中心对采样区土壤养分进行聚类,获得第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层;
将所述第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层进行图层叠加,得到采样区土壤分区结果。
进一步的,所述作物推荐施肥模型构建模块15还用于执行以下步骤:
根据所述大田试验数据集,确定影响作物品质和产量的关键养分因子测定结果;
基于所述大田试验数据集,获得养分校正系数、肥料利用率;
根据所述养分校正系数、肥料利用率、关键养分因子测定结果,拟合不同目标产量与关键养分因子施肥量的函数关系,构建所述作物推荐施肥模型。
进一步的,所述作物推荐施肥模型构建模块15还用于执行以下步骤:
根据所述关键养分因子测定结果,所述大田试验数据集,拟合施肥量与土壤肥力的幂函数关系、作物品质的线性相关性;
基于所述施肥量与土壤肥力的幂函数关系、作物品质的线性相关性,拟合施肥公式为:z=ax+byc,其中z为施肥量、x为上等品质作物比例、y为土壤肥力水平;
利用所述养分校正系数,构建数据校正模块,利用所述施肥公式构建施肥计算模块,利用所述肥料利用率构建施肥结果校正模块;
将所述数据校正模块、施肥计算模块、施肥结果校正模块进行连接,构建所述作物推荐施肥模型。
进一步的,所述施肥推荐量计算模块16还用于执行以下步骤:
通过用户智能终端在所述土壤养分电子地图中确定所述关注土壤分区,其中,所述关注土壤分区为土壤养分电子地图中任意分区;
基于关注土壤分区,获得分区土壤养分信息;
设定上等品质作物比例;
将所述分区土壤养分信息、上等品质作物比例输入作物推荐施肥模型,通过所述数据校正模块将土壤养分测定值进行校正,校正后养分测定值与预设上等品质作物比例输入施肥计算模块进行施肥计算,获得关键养分因子推荐施肥量,通过施肥结果校正模块对关键养分因子推荐施肥量基于利用率进行校正,输出施肥推荐结果;
将所述施肥推荐结果发送至所述用户智能终端上。
进一步的,所述系统还包括:
施肥操作节点获得模块,所述施肥操作节点获得模块用于根据所述施肥推荐结果,获得施肥操作节点;
气象信息采集模块,所述气象信息采集模块用于采集关注土壤分区的气象信息;
施肥提醒信息生成模块,所述施肥提醒信息生成模块用于根据所述气象信息、施肥操作节点进行施肥操作匹配分析,生成施肥提醒信息。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于大数据平台的作物精准施肥方法,其特征在于,所述方法包括:
采集农田土壤样本,对所述农田土壤样本进行土壤养分测定,获得样本土壤养分信息;
按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息;
基于采样区定位信息、所述采样区土壤养分农田全覆盖信息,建立土壤养分电子地图发送至用户智能终端;
根据作物品种产量信息进行养分因子分析,确定关键养分因子,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间;
获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,结合大田试验构建作物推荐施肥模型;
基于所述土壤养分电子地图确定关注土壤分区,根据所述关注土壤分区的土壤养分信息、作物品种产量信息,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
2.如权利要求1所述的方法,其特征在于,所述采集农田土壤样本,包括:
获得目标采样区域,对所述目标采样区域进行土壤分布、环境资源分布采集,得到目标采样区域数据库;
对所述目标采样区域数据库进行差异度计算、平均量计算,获得土壤分布差异度、平均量和环境资源分布差异度、平均量;
根据所述土壤分布差异度、平均量,按照预设采集数量,确定第一土壤采样点;
根据所述环境资源分布差异度、平均量,按照预设采集数量,确定第二土壤采样点;
将所述第一土壤采样点、第二土壤采样点进行重复点剔除,确定采样目标区域进行样本采集。
3.如权利要求2所述的方法,其特征在于,按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息,包括:
根据所述土壤分布差异度、平均量和环境资源分布差异度、平均量,获得所述农田土壤样本的分布特征;
根据所述样本点数据、分布特征,进行数据相关性分析,基于数据相关性对采样跨度区域进行数据补充,获得区域面数据;
根据所述区域面数据进行目标采样区域全范围映射,构建所述采样区土壤养分农田全覆盖信息。
4.如权利要求1所述的方法,其特征在于,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,包括:
根据所述关键养分因子,确定第一关键养分因子、第二关键养分因子,第N关键养分因子,N为大于2的正整数;
分别基于所述第一关键养分因子、第二关键养分因子,第N关键养分因子进行样本区土壤养分分布,确定最高值、中间值、最低值及最高值与中间值之间的次高值,最低值与中间值之间的次低值;
分别利用最高值、次高值、中间值、次低值、最低值作为聚类中心对采样区土壤养分进行聚类,获得第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层;
将所述第一关键养分因子聚类图层、第二关键养分因子聚类图层,第N关键养分因子聚类图层进行图层叠加,得到采样区土壤分区结果。
5.如权利要求1所述的方法,其特征在于,所述获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,构建作物推荐施肥模型,包括:
根据所述大田试验数据集,确定影响作物品质和产量的关键养分因子测定结果;
基于所述大田试验数据集,获得养分校正系数、肥料利用率;
根据所述养分校正系数、肥料利用率、关键养分因子测定结果,拟合不同目标产量与关键养分因子施肥量的函数关系,构建所述作物推荐施肥模型。
6.如权利要求5所述的方法,其特征在于,根据所述养分校正系数、肥料利用率、关键养分因子测定结果,拟合不同目标产量与关键养分因子施肥量的函数关系,结合大田试验构建所述作物推荐施肥模型,包括:
根据所述关键养分因子测定结果,所述大田试验数据集,拟合施肥量与土壤肥力的幂函数关系、作物品质的线性相关性;
基于所述施肥量与土壤肥力的幂函数关系、作物品质的线性相关性,拟合施肥公式为:z=ax+byc,其中z为施肥量、x为上等品质作物比例、y为土壤肥力水平;
利用所述养分校正系数,构建数据校正模块,利用所述施肥公式构建施肥计算模块,利用所述肥料利用率构建施肥结果校正模块;
将所述数据校正模块、施肥计算模块、施肥结果校正模块进行连接,构建所述作物推荐施肥模型。
7.如权利要求6所述的方法,其特征在于,还包括:
通过用户智能终端在所述土壤养分电子地图中确定所述关注土壤分区,其中,所述关注土壤分区为土壤养分电子地图中任意分区;
基于关注土壤分区,获得分区土壤养分信息;
设定上等品质作物比例;
将所述分区土壤养分信息、上等品质作物比例输入作物推荐施肥模型,通过所述数据校正模块将土壤养分测定值进行校正,校正后养分测定值与预设上等品质作物比例输入施肥计算模块进行施肥计算,获得关键养分因子推荐施肥量,通过施肥结果校正模块对关键养分因子推荐施肥量基于利用率进行校正,输出施肥推荐结果;
将所述施肥推荐结果发送至所述用户智能终端上。
8.如权利要求7所述的方法,其特征在于,还包括:
根据所述施肥推荐结果,获得施肥操作节点;
采集关注土壤分区的气象信息;
根据所述气象信息、施肥操作节点进行施肥操作匹配分析,生成施肥提醒信息。
9.一种基于大数据平台的作物精准施肥系统,其特征在于,所述系统包括:
样本土壤养分信息获得模块,所述样本土壤养分信息获得模块用于采集农田土壤样本,对所述农田土壤样本进行土壤养分测定,获得样本土壤养分信息;
农田全覆盖信息构建模块,所述农田全覆盖信息构建模块用于按照所述农田土壤样本的分布特征,利用空间插值法将样本点数据转换为面数据,构建采样区土壤养分农田全覆盖信息;
土壤养分电子地图建立模块,所述土壤养分电子地图建立模块用于基于采样区定位信息、所述采样区土壤养分农田全覆盖信息,建立土壤养分电子地图发送至用户智能终端;
采样区土壤分区模块,所述采样区土壤分区模块用根据作物品种产量信息进行养分因子分析,确定关键养分因子,基于所述关键养分因子对采样区土壤养分进行聚类,按照聚类结果对采样区土壤进行分区,其中各分区中关键养分因子水平位于同范围区间;
作物推荐施肥模型构建模块,所述作物推荐施肥模型构建模块用于获得大田试验数据集,根据所述大田试验数据集进行预设多维度关系分析,结合大田试验构建作物推荐施肥模型;
施肥推荐量计算模块,所述施肥推荐量计算模块用于基于所述土壤养分电子地图确定关注土壤分区,根据所述关注土壤分区的土壤养分信息、作物品种产量信息,通过作物推荐施肥模型计算施肥推荐量,发送至用户智能终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657426.3A CN116629494A (zh) | 2023-06-05 | 2023-06-05 | 一种基于大数据平台的作物精准施肥方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657426.3A CN116629494A (zh) | 2023-06-05 | 2023-06-05 | 一种基于大数据平台的作物精准施肥方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629494A true CN116629494A (zh) | 2023-08-22 |
Family
ID=87613272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310657426.3A Pending CN116629494A (zh) | 2023-06-05 | 2023-06-05 | 一种基于大数据平台的作物精准施肥方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629494A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171223A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及系统 |
CN117540409A (zh) * | 2024-01-10 | 2024-02-09 | 中化现代农业有限公司 | 土壤采样样本点加密方法、装置、电子设备及存储介质 |
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
CN117540908B (zh) * | 2023-11-07 | 2024-06-11 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2774467A1 (fr) * | 2013-03-05 | 2014-09-10 | Polyor SARL | Procédé pour la préconisation et le dosage de la fertilisation phospho-potassique et magnésique (PKMG) de cultures agronomiques |
CN106385914A (zh) * | 2016-01-21 | 2017-02-15 | 中国农业科学院农业资源与农业区划研究所 | 一种作物专用复合肥料的施用方法 |
CN111373913A (zh) * | 2020-03-19 | 2020-07-07 | 刘进华 | 马铃薯高产栽培中土壤供肥指标及测定方法 |
CN114546991A (zh) * | 2022-03-15 | 2022-05-27 | 中国烟草总公司重庆市公司巫溪分公司 | 山地烟区烤烟施肥数量控制方法 |
-
2023
- 2023-06-05 CN CN202310657426.3A patent/CN116629494A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2774467A1 (fr) * | 2013-03-05 | 2014-09-10 | Polyor SARL | Procédé pour la préconisation et le dosage de la fertilisation phospho-potassique et magnésique (PKMG) de cultures agronomiques |
CN106385914A (zh) * | 2016-01-21 | 2017-02-15 | 中国农业科学院农业资源与农业区划研究所 | 一种作物专用复合肥料的施用方法 |
CN111373913A (zh) * | 2020-03-19 | 2020-07-07 | 刘进华 | 马铃薯高产栽培中土壤供肥指标及测定方法 |
CN114546991A (zh) * | 2022-03-15 | 2022-05-27 | 中国烟草总公司重庆市公司巫溪分公司 | 山地烟区烤烟施肥数量控制方法 |
Non-Patent Citations (1)
Title |
---|
周孚美;陈小虎;: "烤烟施肥数学模型及推荐施肥专家系统研究", 湖南农业科学, no. 12, pages 68 - 72 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171223A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及系统 |
CN117171223B (zh) * | 2023-11-02 | 2024-02-06 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及系统 |
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
CN117540908B (zh) * | 2023-11-07 | 2024-06-11 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
CN117540409A (zh) * | 2024-01-10 | 2024-02-09 | 中化现代农业有限公司 | 土壤采样样本点加密方法、装置、电子设备及存储介质 |
CN117540409B (zh) * | 2024-01-10 | 2024-04-19 | 中化现代农业有限公司 | 土壤采样样本点加密方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116629494A (zh) | 一种基于大数据平台的作物精准施肥方法及系统 | |
Kucharik | Evaluation of a process-based agro-ecosystem model (Agro-IBIS) across the US Corn Belt: Simulations of the interannual variability in maize yield | |
CN111727443A (zh) | 一种基于深度神经网络的土壤速效养分反演方法 | |
CN109374860A (zh) | 一种基于机器学习算法的土壤养分预测及综合评价方法 | |
CN113268703A (zh) | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 | |
Tian et al. | Changes in production potentials of rapeseed in the Yangtze River Basin of China under climate change: A multi-model ensemble approach | |
CN110413666A (zh) | 一种耕地质量多源异构数据整合方法 | |
CN107860889A (zh) | 土壤有机质的预测方法和设备 | |
CN115759524B (zh) | 一种基于遥感影像植被指数的土壤生产力等级识别方法 | |
CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN112149827A (zh) | 基于卫星影像的土壤速效钾分析模型构建系统及方法 | |
CN107038501B (zh) | 一种基于r语言的小麦生育期特征参数估算方法 | |
CN116027010A (zh) | 一种多源卫星测量土壤水分的数据校正方法 | |
Mavromatis et al. | Evaluation of HadCM2 and direct use of daily GCM data in impact assessment studies | |
CN117694070A (zh) | 养分要素反演评估与智能变量精准施肥决策系统 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN117787081A (zh) | 一种基于Morris和Sobol法的水文模型参数不确定性分析方法 | |
Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
CN116758420A (zh) | 一种作物苗情分级遥感监测系统 | |
CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
CN111289725B (zh) | 一种结合模型与时序采样的农田土壤有机碳储量估算方法及系统 | |
CN113408701A (zh) | 一种卷积神经网络土壤有机质分析模型构建系统及方法 | |
CN113408700A (zh) | 一种卷积神经网络土壤碱解氮分析模型构建系统及方法 | |
CN112733780A (zh) | 一种基于卫星影像的土壤有效磷分析模型构建系统及方法 | |
CN110033187B (zh) | 一种基于环境数据的指标数据获取方法 |
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 |