CN116882637A - 一种农田碳排放分析方法及系统 - Google Patents
一种农田碳排放分析方法及系统 Download PDFInfo
- Publication number
- CN116882637A CN116882637A CN202311135291.0A CN202311135291A CN116882637A CN 116882637 A CN116882637 A CN 116882637A CN 202311135291 A CN202311135291 A CN 202311135291A CN 116882637 A CN116882637 A CN 116882637A
- Authority
- CN
- China
- Prior art keywords
- farmland
- carbon emission
- information
- target
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 311
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 311
- 238000004458 analytical method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 108
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 230000004720 fertilization Effects 0.000 claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 39
- 238000009792 diffusion process Methods 0.000 claims description 34
- 239000002689 soil Substances 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 239000003337 fertilizer Substances 0.000 claims description 8
- 239000003895 organic fertilizer Substances 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012271 agricultural production Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种农田碳排放分析方法及系统，通过获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。通过本发明，能够充分利用大数据技术和农业领域数据，精确评估农田的碳排放情况，实现碳排放的精准分析与预测，为农业生产的环境影响评估提供可靠依据。
Description
技术领域
本发明涉及碳排放数据分析领域，更具体的，涉及一种农田碳排放分析方法及系统。
背景技术
目前，农业生产碳排放较大，如何准确评估和监测农田的碳排放情况成为了迫切需求。传统方法采用多次的实地调查和样本分析，且均基于人工经验分析，耗时耗力存在局限性。因此，现亟需一种能够精确评估农田的碳排放情况，为农业生产的环境影响评估提供可靠依据的方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种农田碳排放分析方法及系统。
本发明第一方面提供了一种农田碳排放分析方法，包括：
获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；
获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；
获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；
基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。
本方案中，所述获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型，具体为：
获取目标农田的地区基础信息；
所述地区基础信息包括目标农田的面积、地图轮廓、土壤类型、土壤颜色；
基于所述地区基础信息，构建基于三维可视化的农田模型，所述农田模型包括农田大气区域与土壤区域。
本方案中，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，之前包括：
构建基于CNN的识别模型；
将农田图像大数据进行数据清洗、标准化、去冗余预处理；
将所述农田图像大数据基于预设比例划分为训练数据集、测试数据集与验证数据集；
将所述训练数据集、测试数据集与验证数据集导入识别模型进行农田植物识别训练，直至通过所有测试数据。
本方案中，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，包括：
获取目标农田的多角度监控视频；
基于所述监控视频进行关键帧提取得到多角度的监测图像；
将所述监测图像导入识别模型进行农作物的识别与标记，得到图像识别结果；
根据所述图像识别结果与多角度的监测图像，基于微观层面并结合农田模型进行农作物分布分析，得到农作物分布初始信息；
获取目标农田遥感图像，根据所述目标农田遥感图像进行基于色彩、形状、轮廓的特征提取，得到农田遥感图像特征；
基于所述农田遥感图像特征进行农作物信息计算，得到农作物种植面积、农作物种植密度、农作物分布数据；
基于农作物分布数据，对农作物分布初始信息进行数据修正，得到农作物综合分布信息；
将农作物种植面积、农作物种植密度、农作物综合分布信息进行信息整合形成农作物种植信息。
本方案中，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，之前包括：
根据农作物种植信息，结合农田地图，基于不同农作物、不同种植密度，对目标农田区域进行区域划分，得到多个农田子区域；
获取每个农田子区域的施肥信息，所述施肥信息包括有机与无机肥料的含量、施用周期信息；
基于所述施肥信息，对每个农田子区域进行施肥碳排放评估，得到第一碳排放评估指数；
基于农作物种植信息，获取每个农田子区域的农作物类型、种植面积、种植密度信息；
基于所述农作物类型、种植面积、种植密度信息，对每个农田子区域进行农作物碳排放评估，得到第二碳排放评估指数。
本方案中，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，具体为：
根据所述第一碳排放评估指数与第二碳排放评估指数进行乘积计算，基于计算结果与预设标准，计算出每个农田子区域的碳排放等级；
基于碳排放等级，计算分析出每个农田子区域的碳扩散速率；
获取目标农田当前的大气环境数据；
构建基于高斯烟羽模型的碳排放模型，将大气环境数据转化为环境参数导入碳排放模型；
以农田模型的空间边界作为碳排放模型的空间边界，以每个农田子区域作为碳排放源点，以所述碳扩散速率作为扩散速度参数，在碳排放模型中进行碳排放模拟，并生成每个农田子区域的预测碳排放量；
在所述碳排放模拟中，记录碳排放的扩散路径，得到碳排放预测路径；
所述碳排放预测数据包括预测碳排放量与碳排放预测路径。
本方案中，所述基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案，具体为：
根据所述碳排放预测路径，基于预设距离间隔，分析出多个路径监测点；
基于路径监测点所在农田子区域的预测碳排放量的大小，计算出监测周期；
基于所述监测周期与路径监测点，生成碳排放监测方案。
本发明第二方面还提供了一种农田碳排放分析系统，该系统包括：存储器、处理器，所述存储器中包括农田碳排放分析程序，所述农田碳排放分析程序被所述处理器执行时实现如下步骤：
获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；
获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；
获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；
基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。
本方案中，所述获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型，具体为：
获取目标农田的地区基础信息；
所述地区基础信息包括目标农田的面积、地图轮廓、土壤类型、土壤颜色；
基于所述地区基础信息，构建基于三维可视化的农田模型，所述农田模型包括农田大气区域与土壤区域。
本方案中，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，之前包括：
构建基于CNN的识别模型；
将农田图像大数据进行数据清洗、标准化、去冗余预处理；
将所述农田图像大数据基于预设比例划分为训练数据集、测试数据集与验证数据集；
将所述训练数据集、测试数据集与验证数据集导入识别模型进行农田植物识别训练，直至通过所有测试数据。
本发明公开了一种农田碳排放分析方法及系统，通过获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。通过本发明，能够充分利用大数据技术和农业领域数据，精确评估农田的碳排放情况，实现碳排放的精准分析与预测，为农业生产的环境影响评估提供可靠依据。
附图说明
图1示出了本发明一种农田碳排放分析方法的流程图；
图2示出了本发明农田模型构建流程图；
图3示出了本发明识别模型构建流程图；
图4示出了本发明一种农田碳排放分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种农田碳排放分析方法的流程图。
如图1所示，本发明第一方面提供了一种农田碳排放分析方法，包括：
S102，获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；
S104，获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；
S106，获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；
S108，基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。
图2示出了本发明农田模型构建流程图。
根据本发明实施例，所述获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型，具体为：
S202，获取目标农田的地区基础信息；
S204，所述地区基础信息包括目标农田的面积、地图轮廓、土壤类型、土壤颜色；
S206，基于所述地区基础信息，构建基于三维可视化的农田模型，所述农田模型包括农田大气区域与土壤区域。
需要说明的是，通过农田模型，用户可以查看农田的土壤、大气、碳排放分布、农作物分布等信息，让用户更加直观与清晰掌握农田实时状况。
图3示出了本发明识别模型构建流程图。
根据本发明实施例，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，之前包括：
S302，构建基于CNN的识别模型；
S304，将农田图像大数据进行数据清洗、标准化、去冗余预处理；
S306，将所述农田图像大数据基于预设比例划分为训练数据集、测试数据集与验证数据集；
S308，将所述训练数据集、测试数据集与验证数据集导入识别模型进行农田植物识别训练，直至通过所有测试数据。
根据本发明实施例，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，包括：
获取目标农田的多角度监控视频；
基于所述监控视频进行关键帧提取得到多角度的监测图像；
将所述监测图像导入识别模型进行农作物的识别与标记，得到图像识别结果；
根据所述图像识别结果与多角度的监测图像，基于微观层面并结合农田模型进行农作物分布分析，得到农作物分布初始信息；
获取目标农田遥感图像，根据所述目标农田遥感图像进行基于色彩、形状、轮廓的特征提取，得到农田遥感图像特征；
基于所述农田遥感图像特征进行农作物信息计算，得到农作物种植面积、农作物种植密度、农作物分布数据；
基于农作物分布数据，对农作物分布初始信息进行数据修正，得到农作物综合分布信息；
将农作物种植面积、农作物种植密度、农作物综合分布信息进行信息整合形成农作物种植信息。
需要说明的是，所述农田图像大数据中包括多种农作物的图像数据，具体为基于历史数据进行采集得到。所述CNN即卷积神经网络算法。所述农田植物包括农作物、一般植物、花草等农田植物。
所述基于农作物分布数据，对农作物分布初始信息进行数据修正，得到农作物综合分布信息中，由于监测图像基于近距离的监控拍摄，分析得到的分布信息中存在一定空间误差，本发明通过基于遥感图像进行宏观分析与修正，能够进一步得到高精确度的分布数据。
根据本发明实施例，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，之前包括：
根据农作物种植信息，结合农田地图，基于不同农作物、不同种植密度，对目标农田区域进行区域划分，得到多个农田子区域；
获取每个农田子区域的施肥信息，所述施肥信息包括有机与无机肥料的含量、施用周期信息；
基于所述施肥信息，对每个农田子区域进行施肥碳排放评估，得到第一碳排放评估指数；
基于农作物种植信息，获取每个农田子区域的农作物类型、种植面积、种植密度信息；
基于所述农作物类型、种植面积、种植密度信息，对每个农田子区域进行农作物碳排放评估，得到第二碳排放评估指数。
需要说明的是，所述多个农田子区域中，每两个区域之间包括至少一个区别特征，即不同农作物种类或不同种植密度。每个农田子区域对应一个第一碳排放评估指数与第二碳排放评估指数，所述碳排放评估指数为反映碳排放量的特定指标。
值得一提的是，有机与无机肥料的含量、施用周期的不同，会影响碳排放的含量，且有机肥料的比例越高或施用周期越短，会加剧碳排放的含量增加。
根据本发明实施例，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，具体为：
根据所述第一碳排放评估指数与第二碳排放评估指数进行乘积计算，基于计算结果与预设标准，计算出每个农田子区域的碳排放等级；
基于碳排放等级，计算分析出每个农田子区域的碳扩散速率；
获取目标农田当前的大气环境数据；
构建基于高斯烟羽模型的碳排放模型，将大气环境数据转化为环境参数导入碳排放模型；
以农田模型的空间边界作为碳排放模型的空间边界，以每个农田子区域作为碳排放源点，以所述碳扩散速率作为扩散速度参数，在碳排放模型中进行碳排放模拟，并生成每个农田子区域的预测碳排放量；
在所述碳排放模拟中，记录碳排放的扩散路径，得到碳排放预测路径；
所述碳排放预测数据包括预测碳排放量与碳排放预测路径。
需要说明的是，所述大气环境数据包括风速、风向、大气稳定度等，所述预设标准即多个碳排放等级对应的数值范围，所述数值范围用于评判第一碳排放评估指数与第二碳排放评估指数的乘积。所述预设标准由用户设定。另外，碳排放等级越高，对应碳扩散速率越高。所述高斯烟羽模型为一种空气扩散模型，能够预测大气中的空气扩散运动，本发明中，通过计算每个农田子区域碳扩散速率并作为模型中的速度参数，进一步实现对碳排放的有效、精准预测。
根据本发明实施例，所述基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案，具体为：
根据所述碳排放预测路径，基于预设距离间隔，分析出多个路径监测点；
基于路径监测点所在农田子区域的预测碳排放量的大小，计算出监测周期；
基于所述监测周期与路径监测点，生成碳排放监测方案。
需要说明的是，所述计算出监测周期中，具体为基于预测碳排放量的均值大小决定，预测碳排放量越大，监测周期一般为越短，监测频率越高。另外，基于每个农田子区域的预测碳排放量的差距，可以适当调整每个农田子区域的监测周期。
根据本发明实施例，还包括：
在一个监测周期内，基于碳排放监测方案进行碳排放监测，获取每个监测点的碳排放量数据；
基于所述碳排放量数据进行碳排放波动分析与可视化图表转化，得到每个监测点的碳排放波动曲线；
基于每个监测点的碳排放波动曲线，对所有监测点进行碳排放的扩散分析，得到每个监测点的碳排放扩散趋势；
基于预设减碳方案对目标农田进行减碳调控，在第二个监测周期内，分析出每个监测点的第二碳排放波动曲线；
根据碳排放扩散趋势、基于线性回归预测法，以碳排放波动曲线、第二碳排放波动曲线作为因变量数据进行碳排放减量预测，并生成多个预测周期内的碳排放预测波动数据；
基于所述碳排放预测波动数据，生成多个预测周期对应的减碳指标信息；
基于所述减碳指标信息，对后续周期进行碳排放评估。
需要说明的是，所述碳排放扩散趋势包括扩散方向、扩散浓度等信息。所述预设减碳方案为人为设定，如减少肥料释放、更改耕种方式、周期等。在本发明中，通过线性回归预测法，对两个周期内的碳排放波动进行分析与预测，生成相应的碳排放减量预测数据，通过预测数据进一步生成减碳指标，通过减碳指标能够科学、精准地进行农田减碳指导与评估，循序渐进地对农田实行减碳工作，进一步加快碳中和目标。
图4示出了本发明一种农田碳排放分析系统的框图。
本发明第二方面还提供了一种农田碳排放分析系统4，该系统包括：存储器41、处理器42，所述存储器中包括农田碳排放分析程序，所述农田碳排放分析程序被所述处理器执行时实现如下步骤：
获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；
获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；
获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；
基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。
根据本发明实施例，所述获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型，具体为：
获取目标农田的地区基础信息；
所述地区基础信息包括目标农田的面积、地图轮廓、土壤类型、土壤颜色；
基于所述地区基础信息，构建基于三维可视化的农田模型，所述农田模型包括农田大气区域与土壤区域。
需要说明的是，通过农田模型，用户可以查看农田的土壤、大气、碳排放分布、农作物分布等信息，让用户更加直观与清晰掌握农田实时状况。
根据本发明实施例，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，之前包括：
构建基于CNN的识别模型；
将农田图像大数据进行数据清洗、标准化、去冗余预处理；
将所述农田图像大数据基于预设比例划分为训练数据集、测试数据集与验证数据集；
将所述训练数据集、测试数据集与验证数据集导入识别模型进行农田植物识别训练，直至通过所有测试数据。
根据本发明实施例，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，包括：
获取目标农田的多角度监控视频；
基于所述监控视频进行关键帧提取得到多角度的监测图像；
将所述监测图像导入识别模型进行农作物的识别与标记，得到图像识别结果；
根据所述图像识别结果与多角度的监测图像，基于微观层面并结合农田模型进行农作物分布分析，得到农作物分布初始信息；
获取目标农田遥感图像，根据所述目标农田遥感图像进行基于色彩、形状、轮廓的特征提取，得到农田遥感图像特征；
基于所述农田遥感图像特征进行农作物信息计算，得到农作物种植面积、农作物种植密度、农作物分布数据；
基于农作物分布数据，对农作物分布初始信息进行数据修正，得到农作物综合分布信息；
将农作物种植面积、农作物种植密度、农作物综合分布信息进行信息整合形成农作物种植信息。
需要说明的是，所述农田图像大数据中包括多种农作物的图像数据，具体为基于历史数据进行采集得到。所述CNN即卷积神经网络算法。所述农田植物包括农作物、一般植物、花草等农田植物。
所述基于农作物分布数据，对农作物分布初始信息进行数据修正，得到农作物综合分布信息中，由于监测图像基于近距离的监控拍摄，分析得到的分布信息中存在一定空间误差，本发明通过基于遥感图像进行宏观分析与修正，能够进一步得到高精确度的分布数据。
根据本发明实施例，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，之前包括：
根据农作物种植信息，结合农田地图，基于不同农作物、不同种植密度，对目标农田区域进行区域划分，得到多个农田子区域；
获取每个农田子区域的施肥信息，所述施肥信息包括有机与无机肥料的含量、施用周期信息；
基于所述施肥信息，对每个农田子区域进行施肥碳排放评估，得到第一碳排放评估指数；
基于农作物种植信息，获取每个农田子区域的农作物类型、种植面积、种植密度信息；
基于所述农作物类型、种植面积、种植密度信息，对每个农田子区域进行农作物碳排放评估，得到第二碳排放评估指数。
需要说明的是，所述多个农田子区域中，每两个区域之间包括至少一个区别特征，即不同农作物种类或不同种植密度。每个农田子区域对应一个第一碳排放评估指数与第二碳排放评估指数，所述碳排放评估指数为反映碳排放量的特定指标。
值得一提的是，有机与无机肥料的含量、施用周期的不同，会影响碳排放的含量，且有机肥料的比例越高或施用周期越短，会加剧碳排放的含量增加。
根据本发明实施例，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，具体为：
根据所述第一碳排放评估指数与第二碳排放评估指数进行乘积计算，基于计算结果与预设标准，计算出每个农田子区域的碳排放等级；
基于碳排放等级，计算分析出每个农田子区域的碳扩散速率；
获取目标农田当前的大气环境数据；
构建基于高斯烟羽模型的碳排放模型，将大气环境数据转化为环境参数导入碳排放模型；
以农田模型的空间边界作为碳排放模型的空间边界，以每个农田子区域作为碳排放源点，以所述碳扩散速率作为扩散速度参数，在碳排放模型中进行碳排放模拟，并生成每个农田子区域的预测碳排放量；
在所述碳排放模拟中，记录碳排放的扩散路径，得到碳排放预测路径；
所述碳排放预测数据包括预测碳排放量与碳排放预测路径。
需要说明的是，所述大气环境数据包括风速、风向、大气稳定度等，所述预设标准即多个碳排放等级对应的数值范围，所述数值范围用于评判第一碳排放评估指数与第二碳排放评估指数的乘积。所述预设标准由用户设定。另外，碳排放等级越高，对应碳扩散速率越高。所述高斯烟羽模型为一种空气扩散模型，能够预测大气中的空气扩散运动，本发明中，通过计算每个农田子区域碳扩散速率并作为模型中的速度参数，进一步实现对碳排放的有效、精准预测。
根据本发明实施例，所述基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案，具体为：
根据所述碳排放预测路径，基于预设距离间隔，分析出多个路径监测点；
基于路径监测点所在农田子区域的预测碳排放量的大小，计算出监测周期；
基于所述监测周期与路径监测点，生成碳排放监测方案。
需要说明的是，所述计算出监测周期中，具体为基于预测碳排放量的均值大小决定，预测碳排放量越大，监测周期一般为越短，监测频率越高。另外，基于每个农田子区域的预测碳排放量的差距，可以适当调整每个农田子区域的监测周期。
根据本发明实施例，还包括：
在一个监测周期内，基于碳排放监测方案进行碳排放监测，获取每个监测点的碳排放量数据；
基于所述碳排放量数据进行碳排放波动分析与可视化图表转化，得到每个监测点的碳排放波动曲线；
基于每个监测点的碳排放波动曲线，对所有监测点进行碳排放的扩散分析，得到每个监测点的碳排放扩散趋势；
基于预设减碳方案对目标农田进行减碳调控，在第二个监测周期内，分析出每个监测点的第二碳排放波动曲线；
根据碳排放扩散趋势、基于线性回归预测法，以碳排放波动曲线、第二碳排放波动曲线作为因变量数据进行碳排放减量预测，并生成多个预测周期内的碳排放预测波动数据；
基于所述碳排放预测波动数据，生成多个预测周期对应的减碳指标信息；
基于所述减碳指标信息，对后续周期进行碳排放评估。
需要说明的是，所述碳排放扩散趋势包括扩散方向、扩散浓度等信息。所述预设减碳方案为人为设定，如减少肥料释放、更改耕种方式、周期等。在本发明中，通过线性回归预测法，对两个周期内的碳排放波动进行分析与预测，生成相应的碳排放减量预测数据，通过预测数据进一步生成减碳指标，通过减碳指标能够科学、精准地进行农田减碳指导与评估，循序渐进地对农田实行减碳工作，进一步加快碳中和目标。
本发明公开了一种农田碳排放分析方法及系统，通过获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。通过本发明，能够充分利用大数据技术和农业领域数据，精确评估农田的碳排放情况，实现碳排放的精准分析与预测，为农业生产的环境影响评估提供可靠依据。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种农田碳排放分析方法，其特征在于，包括：
获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；
获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；
获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；
基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。
2.根据权利要求1所述的一种农田碳排放分析方法，其特征在于，所述获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型，具体为：
获取目标农田的地区基础信息；
所述地区基础信息包括目标农田的面积、地图轮廓、土壤类型、土壤颜色；
基于所述地区基础信息，构建基于三维可视化的农田模型，所述农田模型包括农田大气区域与土壤区域。
3.根据权利要求1所述的一种农田碳排放分析方法，其特征在于，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，之前包括：
构建基于CNN的识别模型；
将农田图像大数据进行数据清洗、标准化、去冗余预处理；
将所述农田图像大数据基于预设比例划分为训练数据集、测试数据集与验证数据集；
将所述训练数据集、测试数据集与验证数据集导入识别模型进行农田植物识别训练，直至通过所有测试数据。
4.根据权利要求3所述的一种农田碳排放分析方法，其特征在于，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，包括：
获取目标农田的多角度监控视频；
基于所述监控视频进行关键帧提取得到多角度的监测图像；
将所述监测图像导入识别模型进行农作物的识别与标记，得到图像识别结果；
根据所述图像识别结果与多角度的监测图像，基于微观层面并结合农田模型进行农作物分布分析，得到农作物分布初始信息；
获取目标农田遥感图像，根据所述目标农田遥感图像进行基于色彩、形状、轮廓的特征提取，得到农田遥感图像特征；
基于所述农田遥感图像特征进行农作物信息计算，得到农作物种植面积、农作物种植密度、农作物分布数据；
基于农作物分布数据，对农作物分布初始信息进行数据修正，得到农作物综合分布信息；
将农作物种植面积、农作物种植密度、农作物综合分布信息进行信息整合形成农作物种植信息。
5.根据权利要求4所述的一种农田碳排放分析方法，其特征在于，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，之前包括：
根据农作物种植信息，结合农田地图，基于不同农作物、不同种植密度，对目标农田区域进行区域划分，得到多个农田子区域；
获取每个农田子区域的施肥信息，所述施肥信息包括有机与无机肥料的含量、施用周期信息；
基于所述施肥信息，对每个农田子区域进行施肥碳排放评估，得到第一碳排放评估指数；
基于农作物种植信息，获取每个农田子区域的农作物类型、种植面积、种植密度信息；
基于所述农作物类型、种植面积、种植密度信息，对每个农田子区域进行农作物碳排放评估，得到第二碳排放评估指数。
6.根据权利要求5所述的一种农田碳排放分析方法，其特征在于，所述获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据，具体为：
根据所述第一碳排放评估指数与第二碳排放评估指数进行乘积计算，基于计算结果与预设标准，计算出每个农田子区域的碳排放等级；
基于碳排放等级，计算分析出每个农田子区域的碳扩散速率；
获取目标农田当前的大气环境数据；
构建基于高斯烟羽模型的碳排放模型，将大气环境数据转化为环境参数导入碳排放模型；
以农田模型的空间边界作为碳排放模型的空间边界，以每个农田子区域作为碳排放源点，以所述碳扩散速率作为扩散速度参数，在碳排放模型中进行碳排放模拟，并生成每个农田子区域的预测碳排放量；
在所述碳排放模拟中，记录碳排放的扩散路径，得到碳排放预测路径；
所述碳排放预测数据包括预测碳排放量与碳排放预测路径。
7.根据权利要求6所述的一种农田碳排放分析方法，其特征在于，所述基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案，具体为：
根据所述碳排放预测路径，基于预设距离间隔，分析出多个路径监测点；
基于路径监测点所在农田子区域的预测碳排放量的大小，计算出监测周期；
基于所述监测周期与路径监测点，生成碳排放监测方案。
8.一种农田碳排放分析系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括农田碳排放分析程序，所述农田碳排放分析程序被所述处理器执行时实现如下步骤：
获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型；
获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息；
获取目标农田的施肥信息，基于农作物种植信息与施肥信息，结合农田模型进行区域性的碳排放预测分析，得到碳排放预测数据；
基于碳排放预测数据，对目标农田进行区域性的碳排放分布分析，并生成碳排放监测方案。
9.根据权利要求8所述的一种农田碳排放分析系统，其特征在于，所述获取目标农田的地区基础信息，基于所述地区基础信息构建基于三维的农田模型，具体为：
获取目标农田的地区基础信息；
所述地区基础信息包括目标农田的面积、地图轮廓、土壤类型、土壤颜色；
基于所述地区基础信息，构建基于三维可视化的农田模型，所述农田模型包括农田大气区域与土壤区域。
10.根据权利要求8所述的一种农田碳排放分析系统，其特征在于，所述获取目标农田的监测图像与遥感图像，基于微观与宏观维度，结合农田图像大数据进行对比对目标农田中农作物进行识别与分析，得到农作物种植信息，之前包括：
构建基于CNN的识别模型；
将农田图像大数据进行数据清洗、标准化、去冗余预处理；
将所述农田图像大数据基于预设比例划分为训练数据集、测试数据集与验证数据集；
将所述训练数据集、测试数据集与验证数据集导入识别模型进行农田植物识别训练，直至通过所有测试数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135291.0A CN116882637B (zh) | 2023-09-05 | 2023-09-05 | 一种农田碳排放分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135291.0A CN116882637B (zh) | 2023-09-05 | 2023-09-05 | 一种农田碳排放分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116882637A true CN116882637A (zh) | 2023-10-13 |
| CN116882637B CN116882637B (zh) | 2023-11-21 |
Family
ID=88259084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311135291.0A Active CN116882637B (zh) | 2023-09-05 | 2023-09-05 | 一种农田碳排放分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882637B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
| CN118246817A (zh) * | 2024-05-28 | 2024-06-25 | 中国科学院南京土壤研究所 | 一种农作物碳足迹评估方法、系统、设备及存储介质 |
| CN118425425A (zh) * | 2024-04-29 | 2024-08-02 | 江苏省星霖工程咨询有限公司 | 一种基于大数据的智能化碳排放检测系统及方法 |
| CN118504790A (zh) * | 2024-07-18 | 2024-08-16 | 广东省农业科学院农业资源与环境研究所 | 一种基于减排固碳的碳污染预测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509172A (zh) * | 2011-10-25 | 2012-06-20 | 南京大学 | 一种基于gis技术的土地利用碳排放减量化控制优化方法 |
| CN106780078A (zh) * | 2016-11-25 | 2017-05-31 | 中国农业大学 | 一种粮食作物生产碳排放量的测量方法 |
| WO2022125834A1 (en) * | 2020-12-09 | 2022-06-16 | Board Of Trustees Of Michigan State University | Reduction of nitrogen greenhouse gas emissions in agroecosystems for precision conservation |
| CN114781135A (zh) * | 2022-04-06 | 2022-07-22 | 中国科学院地理科学与资源研究所 | 一种区域农业种植系统净温室气体排放综合估算方法及系统 |
| CN115063253A (zh) * | 2022-06-25 | 2022-09-16 | 武汉市秀谷科技有限公司 | 一种基于碳排放量计算的农田修复监测方法及系统 |
| CN115186519A (zh) * | 2022-09-09 | 2022-10-14 | 清华大学深圳国际研究生院 | 一种基于可变系统边界情景的农业碳足迹计量方法及装置 |
| CN115797093A (zh) * | 2022-11-11 | 2023-03-14 | 苏州规划设计研究院股份有限公司 | 一种基于农业投入产出数据的农田生态系统碳汇估算方法 |
| CN116128161A (zh) * | 2023-04-12 | 2023-05-16 | 南京农业大学 | 一种农业用地碳排放预测方法与系统 |
| CN116523147A (zh) * | 2023-06-30 | 2023-08-01 | 广东省农业科学院植物保护研究所 | 基于无人机红外探测的农田碳排放预测方法及系统 |
-
2023
- 2023-09-05 CN CN202311135291.0A patent/CN116882637B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509172A (zh) * | 2011-10-25 | 2012-06-20 | 南京大学 | 一种基于gis技术的土地利用碳排放减量化控制优化方法 |
| CN106780078A (zh) * | 2016-11-25 | 2017-05-31 | 中国农业大学 | 一种粮食作物生产碳排放量的测量方法 |
| WO2022125834A1 (en) * | 2020-12-09 | 2022-06-16 | Board Of Trustees Of Michigan State University | Reduction of nitrogen greenhouse gas emissions in agroecosystems for precision conservation |
| CN114781135A (zh) * | 2022-04-06 | 2022-07-22 | 中国科学院地理科学与资源研究所 | 一种区域农业种植系统净温室气体排放综合估算方法及系统 |
| CN115063253A (zh) * | 2022-06-25 | 2022-09-16 | 武汉市秀谷科技有限公司 | 一种基于碳排放量计算的农田修复监测方法及系统 |
| CN115186519A (zh) * | 2022-09-09 | 2022-10-14 | 清华大学深圳国际研究生院 | 一种基于可变系统边界情景的农业碳足迹计量方法及装置 |
| CN115797093A (zh) * | 2022-11-11 | 2023-03-14 | 苏州规划设计研究院股份有限公司 | 一种基于农业投入产出数据的农田生态系统碳汇估算方法 |
| CN116128161A (zh) * | 2023-04-12 | 2023-05-16 | 南京农业大学 | 一种农业用地碳排放预测方法与系统 |
| CN116523147A (zh) * | 2023-06-30 | 2023-08-01 | 广东省农业科学院植物保护研究所 | 基于无人机红外探测的农田碳排放预测方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
| CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
| CN118425425A (zh) * | 2024-04-29 | 2024-08-02 | 江苏省星霖工程咨询有限公司 | 一种基于大数据的智能化碳排放检测系统及方法 |
| CN118425425B (zh) * | 2024-04-29 | 2024-10-11 | 江苏省星霖工程咨询有限公司 | 一种基于大数据的智能化碳排放检测系统及方法 |
| CN118246817A (zh) * | 2024-05-28 | 2024-06-25 | 中国科学院南京土壤研究所 | 一种农作物碳足迹评估方法、系统、设备及存储介质 |
| CN118504790A (zh) * | 2024-07-18 | 2024-08-16 | 广东省农业科学院农业资源与环境研究所 | 一种基于减排固碳的碳污染预测方法及系统 |
| CN118504790B (zh) * | 2024-07-18 | 2024-10-01 | 广东省农业科学院农业资源与环境研究所 | 一种基于减排固碳的碳污染预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116882637B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
| Araujo et al. | Impacts of drought on grape yields in Western Cape, South Africa | |
| Stoyan et al. | Recent applications of point process methods in forestry statistics | |
| CN116362571B (zh) | 一种基于深度学习的多源污染时空特征分析方法及系统 | |
| CN116842350B (zh) | 一种污染场地植物修复的分析方法、系统及介质 | |
| CN116777082B (zh) | 基于资源预估的农田碳排放预测方法及系统 | |
| CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
| CN117151353B (zh) | 一种荔枝虫害智能识别与生态调控方法、系统及介质 | |
| CN117172992B (zh) | 一种污染农田土壤的微生态特征调查方法及系统 | |
| CN112001520B (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
| CN116686814A (zh) | 一种植保无人机的施药控制方法、系统及介质 | |
| CN117171223B (zh) | 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 | |
| CN116523147B (zh) | 基于无人机红外探测的农田碳排放预测方法及系统 | |
| CN114418211A (zh) | 降水量的修正方法以及修正装置 | |
| CN116993025B (zh) | 一种基于数据处理的虫害诱杀设备管理方法及系统 | |
| CN112992286A (zh) | 一种物质气味留香值快速获取方法 | |
| CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
| CN111582035A (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
| CN115482930A (zh) | 一种臭氧污染对人体健康影响的数值预报方法，系统和储存介质 | |
| CN103136439B (zh) | 植物病症辨识方法及其系统 | |
| CN117610742B (zh) | 一种城市碳追踪分析方法、系统及存储介质 | |
| CN118153272A (zh) | 一种智慧种植仓通风实时在线监测方法、系统及介质 | |
| CN117172990A (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 | |
| CN117458711B (zh) | 一种基于物联网的电网调度工作监测管理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |