CN116738766A - 基于数字孪生的智慧农业线上产业化服务系统 - Google Patents
基于数字孪生的智慧农业线上产业化服务系统 Download PDFInfo
- Publication number
- CN116738766A CN116738766A CN202311010821.9A CN202311010821A CN116738766A CN 116738766 A CN116738766 A CN 116738766A CN 202311010821 A CN202311010821 A CN 202311010821A CN 116738766 A CN116738766 A CN 116738766A
- Authority
- CN
- China
- Prior art keywords
- area
- wheat
- insect pest
- coefficient
- rainfall
- 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.)
- Granted
Links
- 241000209140 Triticum Species 0.000 claims abstract description 240
- 235000021307 Triticum Nutrition 0.000 claims abstract description 228
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 172
- 241000238631 Hexapoda Species 0.000 claims abstract description 120
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 208000015181 infectious disease Diseases 0.000 claims abstract description 82
- 230000004720 fertilization Effects 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 230000009746 freeze damage Effects 0.000 claims abstract description 60
- 230000006378 damage Effects 0.000 claims abstract description 54
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 47
- 238000007710 freezing Methods 0.000 claims abstract description 47
- 230000008014 freezing Effects 0.000 claims abstract description 47
- 208000014674 injury Diseases 0.000 claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 31
- 238000001816 cooling Methods 0.000 claims description 29
- 239000003337 fertilizer Substances 0.000 claims description 28
- 238000003384 imaging method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 13
- 238000011282 treatment Methods 0.000 claims description 10
- 241000196324 Embryophyta Species 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 239000003102 growth factor Substances 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000009991 scouring Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000015816 nutrient absorption Nutrition 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于数字孪生的智慧农业线上产业化服务系统，涉及智慧农业技术领域，生成天气条件系数，通过小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型；并建立病虫害感染数据集，并进而生成虫害感染系数，筛选出虫害区域；通过小麦成长系数筛选出施肥区域，确定各个施肥区域内需要施肥的量；判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，生成小麦的生长系数，筛选出重点关注区域并向外预警。通过仿真分析确定出雨水聚集点，从而在需要时提前进行排水，或者设置排措施以减少小麦冻害的产生。
Description
技术领域
本发明涉及智慧农业技术领域，具体为基于数字孪生的智慧农业线上产业化服务系统。
背景技术
智慧农业是一种利用先进技术和数据分析来提高农业生产效率和可持续性的方法，它结合了传统农业实践和现代技术，以实现更高的农作物产量、资源效率和农业管理的精确性。智慧农业依靠各种技术和创新，包括物联网（IoT）、大数据分析、人工智能（AI）、机器学习、传感器技术、精准农业等。
智慧农业可以实时监测土壤湿度、温度、光照和气象条件等因素，并根据这些数据做出精确的农业决策。智慧农业系统还可以自动化和优化农业生产流程，例如自动灌溉系统、智能化施肥系统和无人机用于作物监测和喷洒。
小麦作为主粮，是最为主要的农作物。在进入冬季后，若是存在较大的降雨及降温，温度在零下后，小麦种植区域的土层可能大量的结冰，小麦也可能会存在较为严重的冻害，特别是在低洼区域，如果缺乏对应的排水措施，该区域的小麦可能会面临更为严重的冻害，导致小麦的减产。
为此，本发明提供了基于数字孪生的智慧农业线上产业化服务系统。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了基于数字孪生的智慧农业线上产业化服务系统，通过生成天气条件系数，通过小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型；并建立病虫害感染数据集，并进而生成虫害感染系数，筛选出虫害区域；通过小麦成长系数筛选出施肥区域，确定各个施肥区域内需要施肥的量；判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，生成小麦的生长系数，筛选出重点关注区域并向外预警。通过仿真分析确定出雨水聚集点，从而在需要时提前进行排水，或者设置排措施以减少小麦冻害的产生，解决了背景技术中的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于数字孪生的智慧农业线上产业化服务方法，包括如下步骤：
在小麦种植区域内即将降温降雨时，依据天气条件的变化建立天气条件数据集，并进而生成天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则使用在小麦种植区域内检测获取的小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；
包括如下内容：获取小麦种植区域内预测后的天气条件，若预计小麦种植区域会产生降雨降温，则将预测结果汇总后建立天气条件数据集；其中，所述的天气条件数据集建立方式如下：获取整个降雨期间的总降雨量，生成降雨量Jr，获取降温的幅度，生成降温量Jw；汇总降雨量Jr及降温量Jw，建立天气条件数据集；结合天气条件数据集，建立天气条件系数Tqs；
结合小麦种植数字孪生模型，对小麦面临的冻害进行仿真分析，并依据小麦是否产生冻害将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型，通过仿真分析获取冻害区域内的雨水聚集点，在雨水聚集点处设置排水措施；
由巡检无人机对各个检测区域进行成像，通过图像对检测区域内的虫害进行识别，并建立病虫害感染数据集，并进而生成虫害感染系数Cgs，由虫害感染系数Cgs在若干个检测区域内区分出虫害隐患区域，并结合小麦种植数字孪生模型对虫害隐患区域内降雨后的虫害感染进行预测，筛选出虫害区域；
对小麦图像信息进行分析，汇总分析结果并建立小麦植株数据集并生成小麦成长系数Czs，通过小麦成长系数Czs筛选出施肥区域，并获取施肥区域的位置信息；结合施肥区域的地形，依据在降雨后施肥区域内肥料的剩余量，确定各个施肥区域内需要施肥的量；
分别获取施肥区域、虫害区域及冻害区域的位置信息，在产生降雨时，采取针对性措施，并依据以上三个区域是否重合，判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，依据对应区域内的虫害感染系数Cgs及小麦成长系数Czs生成小麦的生长系数ST，以此筛选出重点关注区域并向外预警。
进一步的，天气条件系数Tqs的生成方式如下：获取并对降雨量Jr及降温量Jw做无量纲处理，依照如下公式关联生成天气条件系数Tqs：
其中，，且/>为权重，其具体值由用户调整设置；
获取天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则向外部发出预警信息；获取小麦种植区域的电子点图，网格化的将小麦种植区域分割为若干个检测区域；在检测区域内均匀的设置若干个数据检测点，获取检测数据，并使相邻的两个检测点的间距大于预设的距离阈值；其中，所述检测的数据包括：土壤数据、空气条件数据及小麦成长数据，在训练和测试后，建立并输出小麦种植数字孪生模型。
进一步的，在收到预警信息后，结合预测获取的天气条件及小麦种植数字孪生模型，对位于各个检测区域内小麦冻害进行仿真分析，获取冻害分析结果；由训练后分类器依据小麦是否产生冻害对检测区域进行区分，分别生成冻害区域和非冻害区域，将冻害区域在电子地图上进行标记；
获取各个冻害区域的位置信息，使用训练后的路径规划模型，结合冻害区域的位置信息，采用巡检无人机对冻害区域进行成像和扫描，并在经过识别和分析后，获取冻害区域的地形信息；结合地形信息，建立冻害区域的地形模型，产生降雨时，对地面雨水的聚集和流动进行分析；确定出低洼区域及容易产生积水的区域；在设置降雨条件后，在地面存在雨水聚集时，结合地形模型进行仿真分析，获取冻害区域内的雨水聚集点，将雨水聚集点在电子地图上标记，并提前在雨水聚集点处设置排水措施。
进一步的，由巡检无人机对各个检测区域进行成像，通过图像识别获取种植区域内的小麦图像信息；对小麦图像识别后，若检测区域内存在病虫害；获取检测区域的病虫密度Bc及感染面积Gr；若病虫害感染的病虫密度Bc超过预设的密度阈值，则在预设时间后再次进行成像，通过感染面积Gr的变化获取病虫害感染的扩散速度Ks；将以上数据汇总后，建立病虫害感染数据集；使用病虫害感染数据集中的参数数据生成虫害感染系数Cgs。
进一步的，生成虫害感染系数Cgs的方式如下：获取并对病虫密度Bc、感染面积Gr及扩散速度Ks做无量纲处理，依照如下公式：
其中，参数的意义及取值为：为权重，其具体值由用户调整设置，/>为常数修正系数；若虫害感染系数Cgs超过预设的虫害阈值，则将对应的区域确定为虫害隐患区域；获取虫害区域内的虫害种类、小麦感染虫害的部位、虫害的数量，结合小麦种植数字孪生模型及由预测获取的天气条件，对病虫的低温条件下的病虫害发展进行仿真分析，确定在温度回升后是否还存在虫害；若仍存在虫害感染，则获取仿真分析结构中获取病虫密度Bc，若病虫密度Bc仍大于密度阈值，则将其确定虫害区域。
进一步的，从种植区域内的小麦图像信息中，通过图像识别分析依次获取小麦的平均植株高度，生成植株高度Zg；获取小麦的平均叶片数量，生成叶片数Ys；获取小麦的平均的主径粗细，生成径粗Jc；汇总以上数据，建立小麦植株数据集；结合小麦植株数据集中的数据，生成小麦成长系数Czs，其中，小麦成长系数Czs的生成方法如下：对植株高度Zg、叶片数Ys及径粗Jc，做无量纲处理后，依照如下公式关联生成小麦成长系数Czs：
其中，均为权重系数，/>，其具体值由用户调整设置，/>为常数修正系数。
进一步的，若小麦成长系数Czs低于生长状态阈值，将低于的阈值确定为施肥区域，获取施肥区域的位置信息，结合施肥区域的位置信息，向外部发出通信；由巡检无人机对施肥区域进行扫描及成像，在识别和分析后，获取施肥区域的地形信息，并结合雨水落地后在地面的流向，依据地形模型对肥料的转移和流动进行仿真分析；获取在经过雨水冲刷之后各个检测区域剩余的肥料量，并对施肥的量进行重新分配。
进一步的，分别获取施肥区域和虫害区域在电子地图上的位置，并分别结合其位置信息，由训练后的路径规划模型，分别规划出施肥路径及杀虫路径；在降雨前，结合重新分配后施肥量，由施肥无人机依次对施肥区域进行施肥；在降雨时，在冻害区域内的雨水聚集点执行排水措施；在降雨后，由杀虫无人机依次对虫害区域进行杀虫；此时，依次对小麦的种植区域进行处理。进一步的，确定施肥区域、冻害区域及虫害区域在电子地图上的位置，将以上三者重叠的检测区域确定为一级风险区域；将以上两者重叠的检测区域确定为二级风险区域；分别获取二级风险区域内及一级风险区域内的虫害感染系数Cgs及小麦成长系数Czs；在执行经过施肥、排水及杀虫后，在下一次降温降雨来临前，以固定的间隔获取检测区域内若干个虫害感染系数Cgs及小麦成长系数Czs；依照如下方式关联生成小麦的生长系数ST；
其中，，且/>为权重，其具体值可由用户调整设置；/>
其中，为小麦成长系数Czs的预期中间值，/>为虫害感染系数Cgs的预期中间值，n为获取虫害感染系数Cgs及小麦成长系数Czs的次数；获取生长系数ST，若检测区域内的生长系数ST低于预设的生长状态阈值，则向外发出预警。
基于数字孪生的智慧农业线上产业化服务系统，包括：
第一监测单元、在小麦种植区域内即将降温降雨时，依据天气条件的变化建立天气条件数据集，生成天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则使用在小麦种植区域内检测获取的小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；
第一分析单元、结合小麦种植数字孪生模型，对小麦面临的冻害进行仿真分析，并依据小麦是否产生冻害将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型，通过仿真分析获取冻害区域内的雨水聚集点，在雨水聚集点处设置排水措施；
第二监测单元、由巡检无人机对各个检测区域进行成像，通过图像对检测区域内的虫害进行识别，并建立病虫害感染数据集，并进而生成虫害感染系数Cgs，由虫害感染系数Cgs在若干个检测区域内区分出虫害隐患区域，并结合小麦种植数字孪生模型对虫害隐患区域内降雨后的虫害感染进行预测，筛选出虫害区域；
第二分析单元、对小麦图像信息进行分析，汇总分析结果并建立小麦植株数据集并生成小麦成长系数Czs，通过小麦成长系数Czs筛选出施肥区域，并获取施肥区域的位置信息；结合施肥区域的地形，依据在降雨后施肥区域内肥料的剩余量，确定各个施肥区域内需要施肥的量；
预警单元、分别获取施肥区域、虫害区域及冻害区域的位置信息，在产生降雨时，采取针对性措施，并依据以上三个区域是否重合，判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，依据对应区域内的虫害感染系数Cgs及小麦成长系数Czs生成小麦的生长系数ST，以此筛选出重点关注区域并向外预警。
（三）有益效果
本发明提供了基于数字孪生的智慧农业线上产业化服务系统，具备以下有益效果：
1、在小麦处于成长阶段时，对小麦种植区域内的天气条件进行监测，若小麦种植区域即将降温降雨时，及时的进行预警，对小麦生长的安全性形成保障，减少由降温降雨所带来的直接影响，通过建立和输出小麦种植数字孪生模型，也便于对小麦在降雨降温条件下的生长状态的变化进行预测及监控。
2、在降雨降温时，对小麦是否会遭受冻害进行仿真分析，若是会产生冻害，则结合降雨量及降温的程度，提前的冻害的程度进行预测，通过仿真分析确定出雨水聚集点，从而在需要时提前进行排水，或者设置排措施以减少小麦冻害的产生。
3、若小麦成长系数Czs低于生长状态阈值，将低于阈值的确定为施肥区域，对这些检测区域进行施肥，使小麦能够保持正常的生长状态；考虑降雨过程可能会对肥料形成冲刷，通过分析获取在雨水冲刷后的肥料残余量，并重新分配施肥的料，从而使施肥更具有针对性及精准性，充分保障小麦的养分吸收。
4、在下一轮的降雨来临前，生成小麦的生长系数ST，以生长系数ST对小麦的生长状态进行评估，结合预设的生长状态阈值，对已知的风险区域内的小麦生长进行监控，若对应检测区域内小麦的虫害状态及生长状态难以达到预期，则及时向外部报警，对小麦种植区域形成重点关注。
5、结合数字孪生技术建立模型并采取仿真分析，若是小麦即将面临降温及降雨，种植人员能够针对小麦的生长、施肥及虫害进行持续性监控，并获取对应性的处理策略，及时采取针对性的处理措施，确保小麦的正常生长。
附图说明
图1为本发明基于数字孪生的智慧农业线上产业化服务方法流程示意图；
图2为本发明基于数字孪生的智慧农业线上产业化服务系统结构示意图；
图中：10、第一监测单元；20、第一分析单元；30、第二监测单元；40、第二分析单元；50、预警单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供基于数字孪生的智慧农业线上产业化服务方法，包括如下步骤：
步骤一、在小麦种植区域内即将降温降雨时，依据天气条件的变化建立天气条件数据集，并进而生成天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则使用在小麦种植区域内检测获取的小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；
所述步骤一包括如下内容：
步骤101、在进入冬季小麦处于生长阶段时，从天气预报或者天气站处获取小麦种植区域内预测后的天气条件，若预计小麦种植区域会产生降雨降温，则将预测结果汇总后建立天气条件数据集；
其中，所述的天气条件数据集建立方式如下：
在预测种植区域即将产生降雨时，获取整个降雨期间的总降雨量，生成降雨量Jr；若持续的降雨伴随着温度的变化，例如产生降温，则获取降温的幅度，生成降温量Jw；汇总降雨量Jr及降温量Jw，建立天气条件数据集；
步骤102、结合天气条件数据集，建立天气条件系数Tqs，其中，天气条件系数Tqs的生成方式如下：获取并对降雨量Jr及降温量Jw做无量纲处理，依照如下公式关联生成天气条件系数Tqs：
其中，，且/>为权重，其具体值由用户调整设置；
获取天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则向外部发出预警信息；此时，若是已经判断出天气条件即将变化时，能够及时预知及时预警，避免小麦在恶劣天气下遭受影响。
步骤103、获取小麦种植区域的电子点图，网格化的将小麦种植区域分割为若干个检测区域；在检测区域内均匀的设置若干个数据检测点，获取检测数据，并使相邻的两个检测点的间距大于预设的距离阈值；
其中，所述检测的数据包括：
土壤数据，例如，土壤理化性质数据及土壤养分含量数据等；空气条件数据：例如：空气湿度及空气温度等；小麦成长数据：例如：茎高及茎粗等；结合以上数据，在训练和测试后，建立并输出小麦种植数字孪生模型。
使用时，结合步骤101至103中的内容：
在小麦处于成长阶段时，对小麦种植区域内的天气条件进行监测，若预测结果显示小麦种植区域即将降温降雨时，可以及时的进行预警，对小麦生长的安全性形成保障，减少由降温降雨所带来的直接影响，同时，通过建立和输出小麦种植数字孪生模型，也便于对小麦在降雨降温条件下的生长状态的变化进行预测及监控。
步骤二、结合小麦种植数字孪生模型，对小麦面临的冻害进行仿真分析，并依据小麦是否产生冻害将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型，通过仿真分析获取冻害区域内的雨水聚集点，在雨水聚集点处设置排水措施；
所述步骤二包括如下内容：
步骤201、在收到预警信息后，结合预测获取的天气条件及小麦种植数字孪生模型，对位于各个检测区域内小麦是否会由于降雨降温而受到冻害进行仿真分析，获取冻害分析结果；也即产生冻害或者不产生冻害；
由训练后分类器依据小麦是否产生冻害对检测区域进行区分，分别生成冻害区域和非冻害区域，将冻害区域在电子地图上进行标记；此时，通过仿真分析，在产生降雨及降温时，能够对小麦是否产生冻害进行分析和预测；
步骤202、获取各个冻害区域的位置信息，使用训练后的路径规划模型，结合冻害区域的位置信息，采用巡检无人机对冻害区域进行成像和扫描，并在经过识别和分析后，获取冻害区域的地形信息，例如：地面的平整度、坡度及坡面走向等；
结合地形信息，建立冻害区域的地形模型，建立地形模型后，若是产生降雨，则可以对地面雨水的聚集和流动进行分析；确定出低洼区域及容易产生积水的区域；在设置降雨条件后，在地面存在雨水聚集时，结合地形模型进行仿真分析，获取冻害区域内的雨水聚集点，将雨水聚集点在电子地图上标记，并提前在雨水聚集点处设置排水措施；
使用时，结合步骤201及202中的内容：
在建立小麦种植数字孪生模型后，在降雨降温时，可以对小麦是否会遭受冻害进行仿真分析，若是会产生冻害，则结合降雨量及降温的程度，提前的冻害的程度进行预测，同时，通过仿真分析确定出雨水聚集点，从而在需要时提前进行排水，或者设置排措施以减少小麦冻害的产生。
步骤三、由巡检无人机对各个检测区域进行成像，通过图像对检测区域内的虫害进行识别，并建立病虫害感染数据集，并进而生成虫害感染系数Cgs，由虫害感染系数Cgs在若干个检测区域内区分出虫害隐患区域，并结合小麦种植数字孪生模型对虫害隐患区域内降雨后的虫害感染进行预测，筛选出虫害区域；
所述步骤三包括如下内容：
步骤301、由巡检无人机对各个检测区域进行成像，通过图像识别获取种植区域内的小麦图像信息；对小麦图像识别后，若检测区域内存在病虫害；获取检测区域的病虫密度Bc及感染面积Gr；
若病虫害感染的病虫密度Bc超过预设的密度阈值，则在预设时间，例如在1天之后，再次进行成像，通过感染面积Gr的变化获取病虫害感染的扩散速度Ks；将以上数据汇总后，建立病虫害感染数据集；通过病虫害感染数据集，可以对小麦是否产生病虫害进行预测和判断，从而及时进行处理。
步骤302、使用病虫害感染数据集中的参数数据生成虫害感染系数Cgs，生成虫害感染系数Cgs的方式如下：获取并对病虫密度Bc、感染面积Gr及扩散速度Ks做无量纲处理，依照如下公式：
其中，参数的意义及取值为：为权重，其具体值由用户调整设置，/>为常数修正系数；若虫害感染系数Cgs超过预设的虫害阈值，则将对应的区域确定为虫害隐患区域；生成虫害感染系数Cgs后，可以从检测区域中筛选出存在虫害隐患的区域，从而便于针对性的进行预防；
步骤303、获取虫害区域内的虫害种类、小麦感染虫害的部位、虫害的数量，结合小麦种植数字孪生模型及由预测获取的天气条件，对病虫的低温条件下的病虫害发展进行仿真分析，确定在温度回升后是否还存在虫害；
若仍存在虫害感染，则获取仿真分析结构中获取病虫密度Bc，若病虫密度Bc仍大于密度阈值，则将其确定虫害区域；在获取到虫害隐患区域后，可以在此基础上做出处理。
步骤四、对小麦图像信息进行分析，汇总分析结果并建立小麦植株数据集并生成小麦成长系数Czs，通过小麦成长系数Czs筛选出施肥区域，并获取施肥区域的位置信息；结合施肥区域的地形，依据在降雨后施肥区域内肥料的剩余量，确定各个施肥区域内需要施肥的量；
所述步骤四包括如下内容：
步骤401、从获取的种植区域内的小麦图像信息中，通过图像识别分析依次获取小麦的平均植株高度，生成植株高度Zg；获取小麦的平均叶片数量，生成叶片数Ys；获取小麦的平均的主径粗细，生成径粗Jc；汇总以上数据，建立小麦植株数据集；
步骤402、结合小麦植株数据集中的数据，生成小麦成长系数Czs，其中，小麦成长系数Czs的生成方法如下：对植株高度Zg、叶片数Ys及径粗Jc，做无量纲处理后，依照如下公式关联生成小麦成长系数Czs：
其中，均为权重系数，/>，其具体值由用户调整设置，/>为常数修正系数。
若小麦成长系数Czs低于生长状态阈值，将低于的阈值确定为施肥区域，获取施肥区域的位置信息，结合施肥区域的位置信息，向外部发出通信；
步骤403、由巡检无人机对施肥区域进行扫描及成像，在识别和分析后，获取施肥区域的地形信息，并结合雨水落地后在地面的流向，考虑到肥料会随着水流进行转移，依据地形模型对肥料的转移和流动进行仿真分析；
获取在经过雨水冲刷之后，各个检测区域在降雨之后能够剩余的肥料量，依据剩余的肥料量，对施肥的量进行重新分配，确定各个施肥区域内需要施肥的量。
使用时，结合步骤401至403中的内容：
获取小麦当前的生长状况并生成小麦成长系数Czs，若小麦成长系数Czs低于生长状态阈值，将低于阈值的确定为施肥区域，此时，筛选出若干个检测区域内小麦生长状态不达预期的，将其确定为待施肥区域，在需要时，对这些检测区域进行施肥，使小麦能够保持正常的生长状态；而特别的是，在此基础上考虑降雨过程可能会对肥料形成冲刷，通过分析获取在雨水冲刷后的肥料残余量，并重新分配施肥的料，从而使施肥更具有针对性及精准性，充分保障小麦的养分吸收。
步骤五、分别获取施肥区域、虫害区域及冻害区域的位置信息，在产生降雨时，采取针对性措施，并依据以上三个区域是否重合，判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，依据对应区域内的虫害感染系数Cgs及小麦成长系数Czs生成小麦的生长系数ST，以此筛选出重点关注区域并向外预警；
所述步骤五包括如下内容：
步骤501、分别获取施肥区域、虫害区域在电子地图上的位置，并分别结合其位置信息，由训练后的路径规划模型，分别规划出施肥路径及杀虫路径；
在降雨前，结合重新分配后施肥量，由施肥无人机依次对施肥区域进行施肥；在降雨时，在冻害区域内的雨水聚集点执行排水措施；在降雨后，由杀虫无人机依次对虫害区域进行杀虫；此时，依次对小麦的种植区域进行处理；
步骤502、确定施肥区域、冻害区域及虫害区域在电子地图上的位置，将以上三者重叠的检测区域确定为一级风险区域；将以上两者重叠的检测区域确定为二级风险区域；分别获取二级风险区域内及一级风险区域内的虫害感染系数Cgs及小麦成长系数Czs；
步骤503、在执行经过施肥、排水及杀虫后，在下一次降温降雨来临前，以固定的间隔获取检测区域内若干个虫害感染系数Cgs及小麦成长系数Czs；依照如下方式关联生成小麦的生长系数ST；
其中，，且/>为权重，其具体值可由用户调整设置；
其中，为小麦成长系数Czs的预期中间值，/>为虫害感染系数Cgs的预期中间值，n为获取虫害感染系数Cgs及小麦成长系数Czs的次数。
获取生长系数ST，若检测区域内的生长系数ST低于预设的生长状态阈值，则向外发出预警。其中，虫害感染系数Cgs及小麦成长系数Czs均需要沿着时间轴，以固定的间隔获取若干个，例如虫害感染系数直至/>；例如小麦成长系数/>直至。
使用时，在预测的降雨来临并结束降雨后，在下一轮的降雨来临前，获取检测区域内的虫害感染系数Cgs及小麦成长系数Czs并进而生成小麦的生长系数ST，在进行杀虫及施肥后，以之后的生长系数ST对小麦的生长状态进行评估，结合预设的生长状态阈值，对已知的风险区域内的小麦生长进行监控，若对应检测区域内小麦的虫害状态及生长状态难以达到预期，则及时向外部报警，对小麦种植区域形成重点关注。
使用时，结合步骤一至五中的内容，在种植小麦时，结合数字孪生技术建立模型并采取仿真分析，若是小麦即将面临降温及降雨，种植人员能够针对小麦的生长、施肥及虫害进行持续性监控，并获取对应性的处理策略，及时采取针对性的处理措施，确保小麦的正常生长。
请参阅图2，本发明提供基于数字孪生的智慧农业线上产业化服务系统，包括：
第一监测单元（10）、在小麦种植区域内即将降温降雨时，依据天气条件的变化建立天气条件数据集，生成天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则使用在小麦种植区域内检测获取的小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；
第一分析单元（20）、结合小麦种植数字孪生模型，对小麦面临的冻害进行仿真分析，并依据小麦是否产生冻害将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型，通过仿真分析获取冻害区域内的雨水聚集点，在雨水聚集点处设置排水措施；
第二监测单元（30）、由巡检无人机对各个检测区域进行成像，通过图像对检测区域内的虫害进行识别，并建立病虫害感染数据集，并进而生成虫害感染系数Cgs，由虫害感染系数Cgs在若干个检测区域内区分出虫害隐患区域，并结合小麦种植数字孪生模型对虫害隐患区域内降雨后的虫害感染进行预测，筛选出虫害区域；
第二分析单元（40）、对小麦图像信息进行分析，汇总分析结果并建立小麦植株数据集并生成小麦成长系数Czs，通过小麦成长系数Czs筛选出施肥区域，并获取施肥区域的位置信息；结合施肥区域的地形，依据在降雨后施肥区域内肥料的剩余量，确定各个施肥区域内需要施肥的量；
预警单元（50）、分别获取施肥区域、虫害区域及冻害区域的位置信息，在产生降雨时，采取针对性措施，并依据以上三个区域是否重合，判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，依据对应区域内的虫害感染系数Cgs及小麦成长系数Czs生成小麦的生长系数ST，以此筛选出重点关注区域并向外预警。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.基于数字孪生的智慧农业线上产业化服务方法，其特征在于：包括如下步骤：
在小麦种植区域内即将降温降雨时，依据天气条件的变化建立天气条件数据集，并进而生成天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则使用在小麦种植区域内检测获取的小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；
包括如下内容：
获取小麦种植区域内预测后的天气条件，若预计小麦种植区域会产生降雨降温，则将预测结果汇总后建立天气条件数据集；其中，所述的天气条件数据集建立方式如下：获取整个降雨期间的总降雨量，生成降雨量Jr，获取降温的幅度，生成降温量Jw；汇总降雨量Jr及降温量Jw，建立天气条件数据集；结合天气条件数据集，建立天气条件系数Tqs；
结合小麦种植数字孪生模型，对小麦面临的冻害进行仿真分析，并依据小麦是否产生冻害将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型，通过仿真分析获取冻害区域内的雨水聚集点，在雨水聚集点处设置排水措施；
由巡检无人机对各个检测区域进行成像，通过图像对检测区域内的虫害进行识别，并建立病虫害感染数据集，并进而生成虫害感染系数Cgs，由虫害感染系数Cgs在若干个检测区域内区分出虫害隐患区域，并结合小麦种植数字孪生模型对虫害隐患区域内降雨后的虫害感染进行预测，筛选出虫害区域；
对小麦图像信息进行分析，汇总分析结果并建立小麦植株数据集并生成小麦成长系数Czs，通过小麦成长系数Czs筛选出施肥区域，并获取施肥区域的位置信息；结合施肥区域的地形，依据在降雨后施肥区域内肥料的剩余量，确定各个施肥区域内需要施肥的量；
分别获取施肥区域、虫害区域及冻害区域的位置信息，在产生降雨时，采取针对性措施，并依据以上三个区域是否重合，判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，依据对应区域内的虫害感染系数Cgs及小麦成长系数Czs生成小麦的生长系数ST，以此筛选出重点关注区域并向外预警。
2.根据权利要求1所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：天气条件系数Tqs的生成方式如下：获取并对降雨量Jr及降温量Jw做无量纲处理，依照如下公式关联生成天气条件系数Tqs：
其中，/>，且/>为权重，其具体值由用户调整设置；
获取天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则向外部发出预警信息；
获取小麦种植区域的电子点图，网格化的将小麦种植区域分割为若干个检测区域；在检测区域内均匀的设置若干个数据检测点，获取检测数据，并使相邻的两个检测点的间距大于预设的距离阈值；其中，所述检测的数据包括：土壤数据、空气条件数据及小麦成长数据，在训练和测试后，建立并输出小麦种植数字孪生模型。
3.根据权利要求1所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：在收到预警信息后，结合预测获取的天气条件及小麦种植数字孪生模型，对位于各个检测区域内小麦冻害进行仿真分析，获取冻害分析结果；由训练后分类器依据小麦是否产生冻害对检测区域进行区分，分别生成冻害区域和非冻害区域，将冻害区域在电子地图上进行标记；
获取各个冻害区域的位置信息，使用训练后的路径规划模型，结合冻害区域的位置信息，采用巡检无人机对冻害区域进行成像和扫描，并在经过识别和分析后，获取冻害区域的地形信息；
结合地形信息，建立冻害区域的地形模型，产生降雨时，对地面雨水的聚集和流动进行分析；确定出低洼区域及容易产生积水的区域；在设置降雨条件后，在地面存在雨水聚集时，结合地形模型进行仿真分析，获取冻害区域内的雨水聚集点，将雨水聚集点在电子地图上标记，并提前在雨水聚集点处设置排水措施。
4.根据权利要求2所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：由巡检无人机对各个检测区域进行成像，通过图像识别获取种植区域内的小麦图像信息；对小麦图像识别后，若检测区域内存在病虫害；获取检测区域的病虫密度Bc及感染面积Gr；
若病虫害感染的病虫密度Bc超过预设的密度阈值，则在预设时间后再次进行成像，通过感染面积Gr的变化获取病虫害感染的扩散速度Ks；将以上数据汇总后，建立病虫害感染数据集；使用病虫害感染数据集中的参数数据生成虫害感染系数Cgs。
5.根据权利要求4所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：生成虫害感染系数Cgs的方式如下：获取并对病虫密度Bc、感染面积Gr及扩散速度Ks做无量纲处理，依照如下公式：
其中，参数的意义及取值为：为权重，其具体值由用户调整设置，/>为常数修正系数；若虫害感染系数Cgs超过预设的虫害阈值，则将对应的区域确定为虫害隐患区域；
获取虫害区域内的虫害种类、小麦感染虫害的部位、虫害的数量，结合小麦种植数字孪生模型及由预测获取的天气条件，对病虫的低温条件下的病虫害发展进行仿真分析，确定在温度回升后是否还存在虫害；若仍存在虫害感染，则获取仿真分析结构中获取病虫密度Bc，若病虫密度Bc仍大于密度阈值，则将其确定虫害区域。
6.根据权利要求5所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：从种植区域内的小麦图像信息中，通过图像识别分析依次获取小麦的平均植株高度，生成植株高度Zg；获取小麦的平均叶片数量，生成叶片数Ys；获取小麦的平均的主径粗细，生成径粗Jc；汇总以上数据，建立小麦植株数据集；
结合小麦植株数据集中的数据，生成小麦成长系数Czs，其中，小麦成长系数Czs的生成方法如下：对植株高度Zg、叶片数Ys及径粗Jc，做无量纲处理后，依照如下公式关联生成小麦成长系数Czs：
其中，/>均为权重系数，，其具体值由用户调整设置，/>为常数修正系数。
7.根据权利要求6所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：若小麦成长系数Czs低于生长状态阈值，将低于的阈值确定为施肥区域，获取施肥区域的位置信息，结合施肥区域的位置信息，向外部发出通信；
由巡检无人机对施肥区域进行扫描及成像，在识别和分析后，获取施肥区域的地形信息，并结合雨水落地后在地面的流向，依据地形模型对肥料的转移和流动进行仿真分析；获取在经过雨水冲刷之后各个检测区域剩余的肥料量，并对施肥的量进行重新分配。
8.根据权利要求7所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：分别获取施肥区域和虫害区域在电子地图上的位置，并分别结合其位置信息，由训练后的路径规划模型，分别规划出施肥路径及杀虫路径；在降雨前，结合重新分配后施肥量，由施肥无人机依次对施肥区域进行施肥；在降雨时，在冻害区域内的雨水聚集点执行排水措施；在降雨后，由杀虫无人机依次对虫害区域进行杀虫；此时，依次对小麦的种植区域进行处理。
9.根据权利要求8所述的基于数字孪生的智慧农业线上产业化服务方法，其特征在于：确定施肥区域、冻害区域及虫害区域在电子地图上的位置，将以上三者重叠的检测区域确定为一级风险区域；将以上两者重叠的检测区域确定为二级风险区域；分别获取二级风险区域内及一级风险区域内的虫害感染系数Cgs及小麦成长系数Czs；在执行经过施肥、排水及杀虫后，在下一次降温降雨来临前，以固定的间隔获取检测区域内若干个虫害感染系数Cgs及小麦成长系数Czs；依照如下方式关联生成小麦的生长系数ST；
其中，/>，且为权重，其具体值可由用户调整设置；
其中，/>为小麦成长系数Czs的预期中间值，/>为虫害感染系数Cgs的预期中间值，n为获取虫害感染系数Cgs及小麦成长系数Czs的次数；获取生长系数ST，若检测区域内的生长系数ST低于预设的生长状态阈值，则向外发出预警。
10.基于数字孪生的智慧农业线上产业化服务系统，其特征在于：包括：
第一监测单元（10）、在小麦种植区域内即将降温降雨时，依据天气条件的变化建立天气条件数据集，生成天气条件系数Tqs，若天气条件系数Tqs大于预设的天气条件阈值，则使用在小麦种植区域内检测获取的小麦种植生长状态及条件数据，训练并建立小麦种植数字孪生模型；
第一分析单元（20）、结合小麦种植数字孪生模型，对小麦面临的冻害进行仿真分析，并依据小麦是否产生冻害将种植区域分割为冻害区域和非冻害区域；结合种植区域的地形信息，建立冻害区域的地形模型，通过仿真分析获取冻害区域内的雨水聚集点，在雨水聚集点处设置排水措施；
第二监测单元（30）、由巡检无人机对各个检测区域进行成像，通过图像对检测区域内的虫害进行识别，并建立病虫害感染数据集，并进而生成虫害感染系数Cgs，由虫害感染系数Cgs在若干个检测区域内区分出虫害隐患区域，并结合小麦种植数字孪生模型对虫害隐患区域内降雨后的虫害感染进行预测，筛选出虫害区域；
第二分析单元（40）、对小麦图像信息进行分析，汇总分析结果并建立小麦植株数据集并生成小麦成长系数Czs，通过小麦成长系数Czs筛选出施肥区域，并获取施肥区域的位置信息；结合施肥区域的地形，依据在降雨后施肥区域内肥料的剩余量，确定各个施肥区域内需要施肥的量；
预警单元（50）、分别获取施肥区域、虫害区域及冻害区域的位置信息，在产生降雨时，采取针对性措施，并依据以上三个区域是否重合，判定对应检测区域的风险级别，若风险级别高于预期，在采取针对性措施后，依据对应区域内的虫害感染系数Cgs及小麦成长系数Czs生成小麦的生长系数ST，以此筛选出重点关注区域并向外预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010821.9A CN116738766B (zh) | 2023-08-11 | 2023-08-11 | 基于数字孪生的智慧农业线上产业化服务系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010821.9A CN116738766B (zh) | 2023-08-11 | 2023-08-11 | 基于数字孪生的智慧农业线上产业化服务系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738766A true CN116738766A (zh) | 2023-09-12 |
| CN116738766B CN116738766B (zh) | 2023-10-13 |
Family
ID=87909953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311010821.9A Active CN116738766B (zh) | 2023-08-11 | 2023-08-11 | 基于数字孪生的智慧农业线上产业化服务系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738766B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094532A (zh) * | 2023-10-18 | 2023-11-21 | 中国农业科学院果树研究所 | 一种果园智能监测系统 |
| CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及系统 |
| CN117516639A (zh) * | 2024-01-08 | 2024-02-06 | 吉林农业大学 | 一种基于多光谱点云融合的高通量温室植物表型测量系统 |
| CN117390110B (zh) * | 2023-12-13 | 2024-02-06 | 四川省林业科学研究院 | 一种病虫害电子地图的生成方法及系统 |
| CN117911957A (zh) * | 2024-03-19 | 2024-04-19 | 凉山彝族自治州农业科学研究院 | 一种针对观赏葵病虫害的防治监控系统及方法 |
| CN118155141A (zh) * | 2024-05-09 | 2024-06-07 | 中国林业科学研究院林业研究所 | 一种预测外来树种在本地造林区扩散速度的方法 |
| CN118246974A (zh) * | 2024-05-28 | 2024-06-25 | 科芯(天津)生态农业科技有限公司 | 一种基于云计算的智慧农业种植控制方法及系统 |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102413161A (zh) * | 2011-07-06 | 2012-04-11 | 西北农林科技大学 | 一种苹果果园精准管理系统 |
| CN103632305A (zh) * | 2013-11-15 | 2014-03-12 | 东莞市艾炜特电子有限公司 | 一种基于云服务的智能现代农业系统及实现方法 |
| CN104635694A (zh) * | 2015-01-08 | 2015-05-20 | 沈阳远大智能高科农业有限公司 | 一种智能农业预警系统 |
| CN108846718A (zh) * | 2018-05-28 | 2018-11-20 | 苏州格目软件技术有限公司 | 一种基于物联网的农业机械智能管理系统 |
| CN108934691A (zh) * | 2018-06-28 | 2018-12-07 | 普定县祝春农产品有限公司 | 一种基于灾害分析的苹果种植管理系统 |
| CN110309969A (zh) * | 2019-06-28 | 2019-10-08 | 河南农业大学 | 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法 |
| AU2020101124A4 (en) * | 2020-06-25 | 2020-07-30 | Harbin Inst Technology Shenzhen | A Blockchain-based Agricultural Service and Intelligent Contract Management Method |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN113191914A (zh) * | 2021-05-13 | 2021-07-30 | 廊坊市气象局 | 用于日光温室精准监测的数字孪生体构造系统 |
| CN113273449A (zh) * | 2021-05-13 | 2021-08-20 | 廊坊市气象局 | 用于日光温室精准监测的数字孪生体构造方法 |
| CN113657751A (zh) * | 2021-08-16 | 2021-11-16 | 农湾农业科技发展(山东)有限公司 | 一种智慧农业产融综合服务平台 |
| CN113849022A (zh) * | 2021-09-23 | 2021-12-28 | 上海孪数科技有限公司 | 一种基于数字孪生及空间计算的光伏温室环境管理系统 |
| CN113985757A (zh) * | 2021-09-28 | 2022-01-28 | 安徽金海迪尔信息技术有限责任公司 | 一种基于bs架构的水务数字化监管系统 |
| US20220138560A1 (en) * | 2020-11-05 | 2022-05-05 | Institute For Information Industry | Behavior recommendation apparatus, behavior recommendation method, and non-transitory computer readable storage medium thereof |
| CN114820223A (zh) * | 2022-05-17 | 2022-07-29 | 北京比尔比特科技有限公司 | 智农云管家智慧农业平台 |
| CN114881453A (zh) * | 2022-05-05 | 2022-08-09 | 中元域(山东)信息科技有限公司 | 基于数字孪生技术的农业域空间映射方法 |
| CN114912359A (zh) * | 2022-05-19 | 2022-08-16 | 安徽金海迪尔信息技术有限责任公司 | 一种基于XGBoost机器学习模型的水位动态预测方法 |
| CN115293475A (zh) * | 2022-03-11 | 2022-11-04 | 平湖华数广电网络有限公司 | 一种基于数字孪生的智慧城乡线上产业化服务系统 |
| CN115362811A (zh) * | 2022-08-11 | 2022-11-22 | 贵州电子科技职业学院 | 一种基于数字孪生的山地农作物智慧栽培系统 |
| CN115496460A (zh) * | 2022-08-03 | 2022-12-20 | 慧之安信息技术股份有限公司 | 基于数字孪生的智慧农贸系统 |
| CN115599028A (zh) * | 2022-12-14 | 2023-01-13 | 山东捷瑞数字科技股份有限公司（Cn） | 一种基于数字孪生技术的智慧田园系统及调控方法 |
| CN115685799A (zh) * | 2022-09-07 | 2023-02-03 | 沈阳智信佰达科技有限公司 | 一种生态灌区信息化的数字孪生远程控制方法及平台 |
| CN115804334A (zh) * | 2022-11-28 | 2023-03-17 | 江苏大学 | 一种基于数字孪生的农田灌溉智慧决策系统 |
| CN115880433A (zh) * | 2022-12-20 | 2023-03-31 | 中国科学院合肥物质科学研究院 | 一种基于数字孪生的农作物培育优化方法 |
| CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
| CN116011812A (zh) * | 2022-12-29 | 2023-04-25 | 北星空间信息技术研究院(南京)有限公司 | 一种基于农业物联网的气象灾害预警系统及方法 |
| CN116029860A (zh) * | 2023-03-29 | 2023-04-28 | 山东科翔智能科技有限公司 | 基于gis的智慧农业种植区域规划辅助决策系统 |
| CN116414129A (zh) * | 2023-03-21 | 2023-07-11 | 深圳市爱云信息科技有限公司 | 基于数字孪生平台的智慧农业的农机监测控制方法及系统 |
| CN116664332A (zh) * | 2023-08-01 | 2023-08-29 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的农业生产的监控系统 |
-
2023
- 2023-08-11 CN CN202311010821.9A patent/CN116738766B/zh active Active
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102413161A (zh) * | 2011-07-06 | 2012-04-11 | 西北农林科技大学 | 一种苹果果园精准管理系统 |
| CN103632305A (zh) * | 2013-11-15 | 2014-03-12 | 东莞市艾炜特电子有限公司 | 一种基于云服务的智能现代农业系统及实现方法 |
| CN104635694A (zh) * | 2015-01-08 | 2015-05-20 | 沈阳远大智能高科农业有限公司 | 一种智能农业预警系统 |
| CN108846718A (zh) * | 2018-05-28 | 2018-11-20 | 苏州格目软件技术有限公司 | 一种基于物联网的农业机械智能管理系统 |
| CN108934691A (zh) * | 2018-06-28 | 2018-12-07 | 普定县祝春农产品有限公司 | 一种基于灾害分析的苹果种植管理系统 |
| CN110309969A (zh) * | 2019-06-28 | 2019-10-08 | 河南农业大学 | 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法 |
| AU2020101124A4 (en) * | 2020-06-25 | 2020-07-30 | Harbin Inst Technology Shenzhen | A Blockchain-based Agricultural Service and Intelligent Contract Management Method |
| US20220138560A1 (en) * | 2020-11-05 | 2022-05-05 | Institute For Information Industry | Behavior recommendation apparatus, behavior recommendation method, and non-transitory computer readable storage medium thereof |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN113191914A (zh) * | 2021-05-13 | 2021-07-30 | 廊坊市气象局 | 用于日光温室精准监测的数字孪生体构造系统 |
| CN113273449A (zh) * | 2021-05-13 | 2021-08-20 | 廊坊市气象局 | 用于日光温室精准监测的数字孪生体构造方法 |
| CN113657751A (zh) * | 2021-08-16 | 2021-11-16 | 农湾农业科技发展(山东)有限公司 | 一种智慧农业产融综合服务平台 |
| CN113849022A (zh) * | 2021-09-23 | 2021-12-28 | 上海孪数科技有限公司 | 一种基于数字孪生及空间计算的光伏温室环境管理系统 |
| CN113985757A (zh) * | 2021-09-28 | 2022-01-28 | 安徽金海迪尔信息技术有限责任公司 | 一种基于bs架构的水务数字化监管系统 |
| CN115293475A (zh) * | 2022-03-11 | 2022-11-04 | 平湖华数广电网络有限公司 | 一种基于数字孪生的智慧城乡线上产业化服务系统 |
| CN114881453A (zh) * | 2022-05-05 | 2022-08-09 | 中元域(山东)信息科技有限公司 | 基于数字孪生技术的农业域空间映射方法 |
| CN114820223A (zh) * | 2022-05-17 | 2022-07-29 | 北京比尔比特科技有限公司 | 智农云管家智慧农业平台 |
| CN114912359A (zh) * | 2022-05-19 | 2022-08-16 | 安徽金海迪尔信息技术有限责任公司 | 一种基于XGBoost机器学习模型的水位动态预测方法 |
| CN115496460A (zh) * | 2022-08-03 | 2022-12-20 | 慧之安信息技术股份有限公司 | 基于数字孪生的智慧农贸系统 |
| CN115362811A (zh) * | 2022-08-11 | 2022-11-22 | 贵州电子科技职业学院 | 一种基于数字孪生的山地农作物智慧栽培系统 |
| CN115685799A (zh) * | 2022-09-07 | 2023-02-03 | 沈阳智信佰达科技有限公司 | 一种生态灌区信息化的数字孪生远程控制方法及平台 |
| CN115804334A (zh) * | 2022-11-28 | 2023-03-17 | 江苏大学 | 一种基于数字孪生的农田灌溉智慧决策系统 |
| CN115599028A (zh) * | 2022-12-14 | 2023-01-13 | 山东捷瑞数字科技股份有限公司（Cn） | 一种基于数字孪生技术的智慧田园系统及调控方法 |
| CN115880433A (zh) * | 2022-12-20 | 2023-03-31 | 中国科学院合肥物质科学研究院 | 一种基于数字孪生的农作物培育优化方法 |
| CN116011812A (zh) * | 2022-12-29 | 2023-04-25 | 北星空间信息技术研究院(南京)有限公司 | 一种基于农业物联网的气象灾害预警系统及方法 |
| CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
| CN116414129A (zh) * | 2023-03-21 | 2023-07-11 | 深圳市爱云信息科技有限公司 | 基于数字孪生平台的智慧农业的农机监测控制方法及系统 |
| CN116029860A (zh) * | 2023-03-29 | 2023-04-28 | 山东科翔智能科技有限公司 | 基于gis的智慧农业种植区域规划辅助决策系统 |
| CN116664332A (zh) * | 2023-08-01 | 2023-08-29 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的农业生产的监控系统 |
Non-Patent Citations (11)
| Title |
|---|
| "非常时期，智慧农业助力园区正常生产", 农业工程技术, no. 04 * |
| COR VERDOUW ET AL.: "Digital twins in smart farming", 《AGRICULTURAL SYSTEMS》, vol. 189 * |
| 傅振扬、李秀安等: "涡阳城市智慧水利平台设计与实现", 《科技推广与应用》, pages 40 - 43 * |
| 刘婷婷;戴慎志;宋海瑜;: "智慧社会基础设施新类型拓展与数据基础设施规划编制探索", 城市规划学刊, no. 04 * |
| 孙杰;佟泽华;刘晓婷;刘阳如冰;: "面向智慧社会的情报生态协同体构建研究", 情报资料工作, no. 01 * |
| 康孟珍;王秀娟;王浩宇;华净;董永亮;徐振强;李冬;王飞跃;: "数字合作社:产销融合的农业智能系统", 农业现代化研究, no. 04 * |
| 曹宏鑫;葛道阔;张文宇;张伟欣;曹静;梁万杰;宣守丽;刘岩;吴茜;孙传亮;张玲玲;夏吉安;刘永霞;陈昱利;岳延滨;张智优;万倩;潘月;韩旭杰;吴菲;: "农业模型发展分析及应用案例", 智慧农业(中英文), no. 01 * |
| 曹春;马晓菡;王信;: "农业物联网技术作用及其对乡村空间的影响趋势", 小城镇建设, no. 07 * |
| 王文礼;刘娜;郝磊;: "山东寿光：构建农业智慧用能生态圈", 中国电力企业管理, no. 14 * |
| 王金宝;: "浅谈城市大脑与智慧城市发展趋势", 自动化博览, no. 05 * |
| 钱晖;: "数字经济时代的乡村振兴战略与实践", 软件和集成电路, no. 12 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094532A (zh) * | 2023-10-18 | 2023-11-21 | 中国农业科学院果树研究所 | 一种果园智能监测系统 |
| CN117094532B (zh) * | 2023-10-18 | 2023-12-22 | 中国农业科学院果树研究所 | 一种果园智能监测系统 |
| CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及系统 |
| CN117371337B (zh) * | 2023-12-07 | 2024-03-15 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及系统 |
| CN117390110B (zh) * | 2023-12-13 | 2024-02-06 | 四川省林业科学研究院 | 一种病虫害电子地图的生成方法及系统 |
| CN117516639A (zh) * | 2024-01-08 | 2024-02-06 | 吉林农业大学 | 一种基于多光谱点云融合的高通量温室植物表型测量系统 |
| CN117911957A (zh) * | 2024-03-19 | 2024-04-19 | 凉山彝族自治州农业科学研究院 | 一种针对观赏葵病虫害的防治监控系统及方法 |
| CN117911957B (zh) * | 2024-03-19 | 2024-05-14 | 凉山彝族自治州农业科学研究院 | 一种针对观赏葵病虫害的防治监控系统及方法 |
| CN118155141A (zh) * | 2024-05-09 | 2024-06-07 | 中国林业科学研究院林业研究所 | 一种预测外来树种在本地造林区扩散速度的方法 |
| CN118246974A (zh) * | 2024-05-28 | 2024-06-25 | 科芯(天津)生态农业科技有限公司 | 一种基于云计算的智慧农业种植控制方法及系统 |
| CN118246974B (zh) * | 2024-05-28 | 2024-08-09 | 科芯(天津)生态农业科技有限公司 | 一种基于云计算的智慧农业种植控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116738766B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116738766B (zh) | 基于数字孪生的智慧农业线上产业化服务系统 | |
| US10139797B2 (en) | Customized land surface modeling in a soil-crop system for irrigation decision support in precision agriculture | |
| US11026376B2 (en) | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture | |
| US9652840B1 (en) | System and method for remote nitrogen monitoring and prescription | |
| Acevedo-Opazo et al. | Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field | |
| CN115362811A (zh) | 一种基于数字孪生的山地农作物智慧栽培系统 | |
| Sun et al. | Design of feed rate monitoring system and estimation method for yield distribution information on combine harvester | |
| CN118414964A (zh) | 一种块茎类农作物收割机的智能控制方法 | |
| CN102592118A (zh) | 一种玉米出苗期的自动检测方法 | |
| Dorbu et al. | UAV remote sensing assessment of crop growth | |
| CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
| CN109034450A (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
| CN117455141A (zh) | 基于物联网的水肥药一体化灌溉设备调控方法及系统 | |
| WO2024002993A1 (en) | Method for determining location-specific seeding rate or seeding depth based on seeding parameters assigned to zones of different levels | |
| CN114445713A (zh) | 一种多设备联动植保系统及方法 | |
| Samborski et al. | Sensitivity of sensor-based nitrogen rates to selection of within-field calibration strips in winter wheat | |
| Usama | Application of Digital Technologies & Remote Sensing in Precision Agriculture for Sustainable Crop Production | |
| Kalivas et al. | Using geographic information systems to map the prevalent weeds at an early stage of the cotton crop in relation to abiotic factors | |
| Navaneethan et al. | Advanced Technologies for Precision Agriculture and Farming | |
| Ruiz et al. | Identifying associations among sterile oat (Avena sterilis) infestation level, landscape characteristics, and crop yields | |
| Tamburis et al. | Precision grazing: when agriculture, livestock and technology unite | |
| CN118279431B (zh) | 大区域低样本依赖度的作物制图方法与系统 | |
| CN118230177B (zh) | 一种水稻种植区有害生物灾害预测方法及系统 | |
| CN117132883B (zh) | 一种基于gis的智慧农业灾害判别方法及系统 | |
| CN112766178B (zh) | 基于智能除虫系统的病虫定位方法、装置、设备及介质 |
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 |