CN116930459B - 一种土壤原位探测装置及其探测方法 - Google Patents
一种土壤原位探测装置及其探测方法 Download PDFInfo
- Publication number
- CN116930459B CN116930459B CN202310924498.XA CN202310924498A CN116930459B CN 116930459 B CN116930459 B CN 116930459B CN 202310924498 A CN202310924498 A CN 202310924498A CN 116930459 B CN116930459 B CN 116930459B
- Authority
- CN
- China
- Prior art keywords
- soil
- parameters
- pressure
- parameter
- transverse
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 186
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 27
- 241000196324 Embryophyta Species 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 239000000523 sample Substances 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000012010 growth Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000010496 root system development Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及土壤检测技术领域，尤其涉及一种土壤原位探测装置及其探测方法，方法包括：在设定位置，采集土壤参数；将土壤参数输入到训练好的识别神经网络模型中，获得模拟输出值，模拟输出值为植物品种预测结果。通过本发明，有效解决了原先技术时效性差，易受不定因素影响的问题，实现了对土壤原位探测的快速分析处理，提高了获取土壤指标的效率，减少了对资源的消耗。
Description
技术领域
本发明涉及土壤检测技术领域，具体涉及一种土壤原位探测装置及其探测方法。
背景技术
土壤的温度、湿度、松散度以及酸碱度等信息参数是土壤是否适宜植物生长的重要指标，针对土壤如上述指标的检测，可分为实验室分析和原位检测两类。实验室分析结果精确，但是时效性差，容易延误植物生产时间；而原位检测的方法由于现场条件的限制，极易受到不定因素的影响，而造成对于土壤上述指标的测量获得较大误差。
同时，现有的土壤原位探测方法即使获得了土壤信息参数，仍需大量的数据处理、表征分析才能够确定适宜该区域土壤种植的植物，耗费大量的时间和资源，且无法保证时效性。
发明内容
本发明提供一种土壤原位探测装置及其探测方法，从而有效解决背景技术中的问题。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种土壤原位探测方法，包括：
在设定位置，采集土壤参数；
将所述土壤参数输入到训练好的识别神经网络模型中，获得模拟输出值，所述模拟输出值为植物品种预测结果。
进一步地，所述土壤参数包括土壤压力参数，所述土壤压力参数由横向压力参数和纵向压力参数拟合得到。
进一步地，所述横向压力参数和纵向压力参数的获得方法如下：
取直径为1～3cm，表面粗糙度＜0.2Ra，底面为平面，外表为圆柱面的棒体；
在所述棒体的底部和侧面分别安装压力感应片；
将安装有所述压力感应片的棒体垂直插入土壤中的设定深度，各所述压力感应片被土壤覆盖；
待稳定后通过位于所述棒体侧面的压力感应片采集所述横向压力参数，通过位于底部的压力感应片采集所述纵向压力参数。
进一步地，在所述棒体的不同高度分别安装所述压力感应片，对应获得不同的所述横向压力参数。
进一步地，所述土壤压力参数由第一横向压力参数、第二横向压力参数和纵向压力参数拟合得到，拟合土壤压力参数的公式如下：
Sn＝(aSc1+bSc2+nSd)/(a+b+n)
其中，Sn土壤压力参数，Sc1、Sc2和Sd分别为第一横向压力参数、第二横向压力参数和纵向压力参数，a、b和n为权重调整系数，根据植物根系生长习性确定。
进一步地，所述第一横向压力参数的采集点距纵向压力参数的采集点的距离为h1；所述第二横向压力参数的采集点距纵向压力参数的采集点的距离为h2，h/4≤|h1-h2|≤h/2；其中h为所述设定深度。
进一步地，所述的识别神经网络模型训练方法为：
获取历史检测的土壤参数和在该土壤参数下的植物种类；
将历史检测的土壤参数和植物种类进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述训练好的识别神经网络模型。
进一步地，所述土壤参数还包括土壤的电导率参数和土壤酸碱度参数采集的具体操作为：
通过温度探针或湿度探针向土壤发射电信号；
通过酸碱度探针接受土壤对所述发射电信号的反射电信号；
通过所述发射电信号与反射电信号获得土壤湿电导率参数和土壤酸碱度参数。
一种土壤原位探测装置，包括传感器模块、控制模块和数据处理模块；
其中，所述传感器模块用于采集土壤参数；
所述数据处理模块接收所述土壤参数，且对所述土壤参数进行处理；
所述控制模块接收处理后的所述土壤参数，且将所述土壤参数输入到存储且训练好的识别神经网络模型中，获得模拟输出值，所述模拟输出值为植物品种预测结果。
进一步地，所述传感器模块包括压力采集单元，所述压力采集单元包括棒体及压力感应片；
所述棒体包括圆柱面的侧面和平面的底部；
所述压力感应片分别安装于所述侧面，用于采集来自于土壤的横向压力参数，以及安装于所述底部，用于采集来自于土壤的纵向压力参数。
综上所述，本发明具有以下有益效果：通过本发明，有效解决了原先技术时效性差，易受不定因素影响的问题，实现了对土壤原位探测的快速分析处理，提高了获取土壤指标的效率，减少了对资源的消耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为土壤原位探测方法的流程示意图；
图2为获得横向和纵向压力参数的流程示意图；
图3为识别神经网络模型训练方法的流程示意图；
图4为土壤湿电导率参数和土壤酸碱度参数采集的流程示意图；
图5土壤原位探测装置的结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，对依据本发明提出的一种土壤原位探测装置及其探测方法，其具体实施方式、特征及其功效，详细说明如后。
实施例一
如图1所示，本申请提供了一种土壤原位探测方法，方法包括：
在设定位置，采集土壤参数；
将土壤参数输入到训练好的识别神经网络模型中，获得模拟输出值，模拟输出值为植物品种预测结果。
具体而言，确定需要采集土壤参数的位置，并在这些位置进行土壤参数的采集，一般而言，选择与植物生长密切相关的土壤参数进行采集和分析，以提高模型的预测准确性，在采集过程中，可以对采集到的土壤参数数据进行预处理，包括数据清洗、去除异常值、缺失值处理等，以确保数据质量和完整性；继而将预处理后的新土壤参数输入到训练好的神经网络模型中，通过模型输出获得植物品种的预测结果。
通过本发明的技术方案，有效解决了原先技术时效性差，易受不定因素影响的问题，实现了对土壤原位探测的快速分析处理，提高了获取土壤指标的效率，减少了对资源的消耗。
进一步来说，土壤参数包括土壤压力参数，土壤压力参数由横向压力参数和纵向压力参数拟合得到。
具体而言，土壤压力是土壤中固体颗粒之间或颗粒与水之间的相互作用所产生的力，对于植物的生长和根系发育来说，土壤压力参数是一个重要的指标，能够反映土壤结构、密实度以及水分分布情况等，横向压力参数表示土壤颗粒之间的侧向压力，描述了土壤颗粒之间的相对位移和相互作用；纵向压力参数表示土壤颗粒和水之间的竖向压力，反映了土壤中水分的分布和压力传递，因此通过横向和纵向压力参数的采集可以使得拟合得到的土壤压力参数更全面地反映土壤的压力情况。
进一步来说，横向压力参数和纵向压力参数的获得方法如下：
取直径为1～3cm，表面粗糙度＜0.2Ra，底面为平面，外表为圆柱面的棒体；
在棒体的底部和侧面分别安装压力感应片；
将安装有压力感应片的棒体垂直插入土壤中的设定深度，各压力感应片被土壤覆盖；
具体而言，选择直径为1～3cm、表面粗糙度＜0.2Ra的棒体，并确保底面为平面，外表为圆柱面，可以使用金属或其他合适的材料制作棒体。在棒体的底部和侧面分别安装压力感应片，将压力感应片固定在棒体上，并确保其与棒体充分接触以获取准确的压力数据，并根据需要确定要插入土壤的深度，一般来说，根据具体实验目的和土壤特性来决定，之后将安装有压力感应片的棒体垂直插入土壤中，确保各个压力感应片被土壤覆盖；插入过程中要注意避免损坏压力感应片和改变土壤的自然状态，插入土壤后，需要等待一段时间，使土壤与棒体达到稳定状态，在稳定状态下采集到的压力参数能够反映真实的土壤压力情况采集纵向压力参数。
待稳定后通过位于棒体侧面的压力感应片采集横向压力参数，通过位于底部的压力感应片采集纵向压力参数。
具体而言，选择合适的压力感应片，通常采用压阻式或微电子机械系统压力传感器，这些传感器可以转换压力信号为电信号，以便进行数据采集和处理。
例如，压阻式传感器基于材料的电阻随着受力而发生变化的特性，当施加压力到传感器上时，压力会使传感器内部的压阻元件或薄膜发生形变，从而改变电阻值。
当传感器的电阻值发生变化时，电桥电路会测量并输出一个与压力相关的电压信号，这个电压信号可以进一步放大、滤波和数字化处理，以便进行数据采集和分析；将压力感应片安装在棒体上，确保其与棒体充分接触且固定牢固，使用适当的粘合剂或夹具将感应片固定在棒体上，并确保感应片与棒体的表面没有空隙；将压力感应片与数据采集系统连接，这可以通过导线、无线传输等方式实现，将感应片测量到的压力信号传输给数据采集系统进行记录和存储；当棒体插入土壤后，位于侧面的压力感应片可以测量土壤对棒体横向施加的压力。
感应片将压力信号转换为相应的电信号，并通过连接的数据采集系统记录和存储这些信号，可以根据实验需要选择采集的时间间隔，并确保采集足够的数据量，底部的压力感应片可以测量土壤对棒体底部施加的压力，即纵向压力，感应片同样将压力信号转换为电信号，并通过连接的数据采集系统记录和存储这些信号。
进一步来说，在棒体的不同高度分别安装压力感应片，对应获得不同的横向压力参数。
具体而言，土壤的物理性质和水分分布通常会随着深度的变化而有所不同，因此，通过在不同深度处测量横向压力参数，可以获取土壤剖面的侧向压力分布情况，通过这种方式，可以获取垂直方向上土壤侧向压力的变化情况。例如，下部感应片可能测量到较大的侧向压力值，而上部感应片可能测量到较小的侧向压力值；通过对不同深度处的横向压力参数进行测量和分析，可以揭示土壤侧向压力的变化规律，提供关于土壤结构、稳定性和水分运动等方面的信息。
进一步来说，土壤压力参数由第一横向压力参数、第二横向压力参数和纵向压力参数拟合得到，拟合土壤压力参数的公式如下：
Sn＝(aSc1+bSc2+nSd)/(a+b+n)
其中，Sn土壤压力参数，Sc1、Sc2和Sd分别为第一横压力参数、第二横向压力参数和纵向压力参数，a、b和n为权重调整系数，根据植物根系生长习性确定。
具体而言，公式中的a、b和n是权重调整系数，其值可以根据具体情况进行设定，这些权重调整系数是根据植物根系生长习性来确定的，不同植物的根系生长习性可能会对土壤压力参数产生不同的需求，因此需要根据实际情况对权重进行调整。
一般而言，寡根性植物，例如大部分禾本科植物，它们的根系相对较浅，多呈平面状，在这种情况下，根系主要集中在表层土壤，对纵向压力更为敏感，而对横向压力的响应相对较弱，因此，在公式中可以给予纵向压力参数Sd较高的权重，即n较大，而对两个横向压力参数Sc1和Sc2给予较小的权重，即a和b较小；而深根性植物，例如一些乔木或灌木植物，它们的根系可以深入土壤深处。这些植物的根系对横向压力的响应较为敏感，尤其是对垂直方向扩展的横向压力较为敏感，因此，在公式中可以给予第二横向压力参数Sc2相对较高的权重，即b较大，而对其他两个参数Sc1和Sd给予较小的权重，即a和n较小。
该公式的意义是综合考虑了不同方向的压力参数对土壤压力的影响，并根据权重调整系数给予不同方向的压力参数不同的权重。通过这种方式，可以将不同方向的压力参数进行合理的组合，进而拟合得到更准确的土壤压力参数。
进一步来说，第一横向压力参数的采集点距纵向压力参数的采集点的距离为h1；第二横向压力参数的采集点距纵向压力参数的采集点的距离为h2，h/4≤|h1-h2|≤h/2；其中h为所述设定深度。
具体而言，设置第一横向压力参数和第二横向压力参数的采集点在离纵向压力参数采集点适当的距离范围内，可以保证所测得的数据具有一定的独立性和代表性，如果两个横向压力参数的采集点过于接近或重合，可能导致数据相关性较高，使得其独立性受到影响，进而无法准确反映土壤应力分布的多个方向特征。
设置第一横向压力参数的采集点与纵向压力参数的采集点的距离为h1，第二横向压力参数的采集点与纵向压力参数的采集点的距离为h2，要求的绝对值为h/4≤|h1-h2|≤h/2的范围内，这样的设置可以减小由于采集点位置误差或测量误差引起的数据偏差，将采集点的距离限制在一定的范围内，使得所测得的压力参数具有更好的精确性和可靠性，规定第一横向压力参数和第二横向压力参数的采集点之间的距离范围也需要结合实际情况，选择合适的距离范围可以根据土壤类型、根系分布特征以及研究目的等因素进行调整，确保采集到的数据能够全面反映土壤的应力状态。
进一步来说，识别神经网络模型训练方法为：
获取历史检测的土壤参数和在该土壤参数下的植物种类；
将历史检测的土壤参数和植物种类进行预处理，得到训练样本集；
将训练样本集输入至初始化的识别神经网络模型中训练；
获取输出结果的准确率；
若准确率大于预设的准确率阈值，则停止训练，得到训练好的识别神经网络模型。
具体而言，首先收集历史检测的土壤参数和相应的植物种类数据，对收集到的土壤参数和植物种类数据进行预处理，一般包括数据清洗、去除异常值或缺失值、标准化等操作，以确保数据的有效性和一致性，将经过预处理的土壤参数和相应的植物种类组合，形成训练样本集，每个样本包含一组土壤参数和其对应的植物种类。根据具体需求和问题，选择适当的神经网络模型架构，并进行初始化，可以选择常见的深度学习模型，如多层感知器或卷积神经网络，并设置适当的参数。
使用初始化的神经网络模型，将训练样本集输入模型进行训练，通过迭代的方式，模型会自动调整权重和偏置，以优化预测结果，并最小化损失函数，在模型训练过程中，可以使用验证集或交叉验证的方法评估输出结果的准确率，通过比较预测结果与真实植物种类标签之间的差异，计算准确率和损失函数值，根据预设的准确率阈值，判断当前模型的准确率是否满足要求，如果准确率达到或超过预设阈值，则停止训练，得到训练完成的识别神经网络模型，该模型可以用于预测新的土壤参数，并给出相应的植物品种预测结果。
进一步来说，土壤参数还包括土壤湿电导率参数和土壤酸碱度参数采集的具体操作为：
通过温度探针或湿度探针向土壤发射电信号；
通过酸碱度探针接受土壤对发射电信号的反射电信号；
通过发射电信号与反射电信号获得土壤湿电导率参数和土壤酸碱度参数。
具体而言，使用温度探针或湿度探针将电信号发送到土壤中，探针通常通过接触土壤表面或插入土壤中来测量土壤的湿度或电导率，接收从土壤返回的反射电信号，该反射电信号会受到土壤湿度或电导率的影响，并在探针中被检测和记录下来，使用酸碱度探针将电信号发送到土壤中，酸碱度探针通常是用于测量土壤pH值的设备，它会将电信号发送到土壤并测量反射电信号的特性，接收从土壤返回的反射电信号，土壤酸碱度会影响反射电信号的特性，并由探针检测和记录下来，将发射电信号与反射电信号进行比较或分析，以计算土壤的湿电导率参数和酸碱度参数，具体的计算方法可能因设备和测量原理而有所不同。
一般情况下，土壤湿电导率测量常见的设备是电导率计，它使用两个针状电极将电信号传递到土壤中，这些电极之间的电流与土壤中的湿度和电解质浓度相关联，该设备会测量通过土壤的电流，并根据预先设定的电压计算出土壤的湿电导率值吗，对于土壤酸碱度测量常见的设备是pH计，它使用酸碱度探针来测量土壤中的氢离子浓度，酸碱度探针通常由玻璃电极和参比电极组成，探针插入土壤中，玻璃电极接收反射的电信号，并转换为相应的电势差，该电势差与土壤的氢离子浓度成比例，pH计会根据电势差计算出土壤的pH值，并在显示屏上给出相应的结果。
实施例二
基于与前述实施例中一种土壤原位探测方法同样发明构思，本发明还提供了一种土壤原位探测装置，如图5所示，装置包括：
传感器模块、控制模块和数据处理模块；
其中，传感器模块用于采集土壤参数；
数据处理模块接收所述土壤参数，且对所述土壤参数进行处理；
控制模块接收处理后的土壤参数，且将土壤参数输入到存储且训练好的识别神经网络模型中，获得模拟输出值，模拟输出值为植物品种预测结果。
本发明中的上述探测装置可有效的实现土壤原位探测方法，能够起到的技术效果如上述实施例所描述的，此处不再赘述。
进一步来说，传感器模块包括压力采集单元，压力采集单元包括棒体及压力感应片；
棒体包括圆柱面的侧面和平面的底部；
压力感应片分别安装于所述侧面，用于采集来自于土壤的横向压力参数，以及安装于所述底部，用于采集来自于土壤的纵向压力参数。
同样地，对系统的上述优化方案，也分别地可对应实现实施例一中方法对应的优化效果，此处同样不再赘述。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例展示如上，但并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围。
Claims (6)
1.一种土壤原位探测方法，其特征在于，包括：
在设定位置，采集土壤参数；
将所述土壤参数输入到训练好的识别神经网络模型中，获得模拟输出值，所述模拟输出值为植物品种预测结果；
所述土壤参数包括土壤压力参数，所述土壤压力参数由横向压力参数和纵向压力参数拟合得到；
所述横向压力参数和纵向压力参数的获得方法如下：
取直径为1～3cm，表面粗糙度＜0.2Ra，底面为平面，外表为圆柱面的棒体；
在所述棒体的底部和侧面分别安装压力感应片；
将安装有所述压力感应片的棒体垂直插入土壤中的设定深度，各所述压力感应片被土壤覆盖；
待稳定后通过位于所述棒体侧面的压力感应片采集所述横向压力参数，通过位于底部的压力感应片采集所述纵向压力参数；
在所述棒体的不同高度分别安装所述压力感应片，对应获得不同的所述横向压力参数；
所述土壤压力参数由第一横向压力参数、第二横向压力参数和纵向压力参数拟合得到，拟合土壤压力参数的公式如下：
Sn＝(aSc1+bSc2+nSd)/(a+b+n)
其中，Sn土壤压力参数，Sc1、Sc2和Sd分别为第一横向压力参数、第二横向压力参数和纵向压力参数，a、b和n为权重调整系数，根据植物根系生长习性确定。
2.根据权利要求1所述的土壤原位探测方法，其特征在于，所述第一横向压力参数的采集点距纵向压力参数的采集点的距离为h1；所述第二横向压力参数的采集点距纵向压力参数的采集点的距离为h2，h/4≤|h1-h2|≤h/2；其中h为所述设定深度。
3.根据权利要求1所述的土壤原位探测方法，其特征在于，所述的识别神经网络模型训练方法为：
获取历史检测的土壤参数和在该土壤参数下的植物种类；
将历史检测的土壤参数和植物种类进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述训练好的识别神经网络模型。
4.根据权利要求1所述的一种土壤原位探测方法，其特征在于，所述土壤参数还包括土壤湿电导率参数和土壤酸碱度参数采集的具体操作为：
通过温度探针或湿度探针向土壤发射电信号；
通过酸碱度探针接受土壤对所述发射电信号的反射电信号；
通过所述发射电信号与反射电信号获得土壤湿电导率参数和土壤酸碱度参数。
5.一种用于权利要求1～4任意一项所述的土壤原位探测方法的土壤原位探测装置，其特征在于，包括传感器模块、控制模块和数据处理模块；
其中，所述传感器模块用于采集土壤参数；
所述数据处理模块接收所述土壤参数，且对所述土壤参数进行处理；
所述控制模块接收处理后的所述土壤参数，且将所述土壤参数输入到存储且训练好的识别神经网络模型中，获得模拟输出值，所述模拟输出值为植物品种预测结果。
6.根据权利要求5所述的一种土壤原位探测装置，其特征在于，所述传感器模块包括压力采集单元，所述压力采集单元包括棒体及压力感应片；
所述棒体包括圆柱面的侧面和平面的底部；
所述压力感应片分别安装于所述侧面，用于采集来自于土壤的横向压力参数，以及安装于所述底部，用于采集来自于土壤的纵向压力参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310924498.XA CN116930459B (zh) | 2023-07-25 | 2023-07-25 | 一种土壤原位探测装置及其探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310924498.XA CN116930459B (zh) | 2023-07-25 | 2023-07-25 | 一种土壤原位探测装置及其探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116930459A CN116930459A (zh) | 2023-10-24 |
| CN116930459B true CN116930459B (zh) | 2024-03-12 |
Family
ID=88380300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310924498.XA Active CN116930459B (zh) | 2023-07-25 | 2023-07-25 | 一种土壤原位探测装置及其探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116930459B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600444A (zh) * | 2016-12-12 | 2017-04-26 | 北京大学 | 基于神经网络算法和投资组合理论的品种选择方法和装置 |
| US10102473B1 (en) * | 2017-09-12 | 2018-10-16 | Technical Development Consultants, Inc. | Soil moisture sensing determines soil type |
| CN109147541A (zh) * | 2018-10-25 | 2019-01-04 | 郑州大学 | 土体渗透破坏模拟装置及使用方法 |
| CN109784626A (zh) * | 2018-12-10 | 2019-05-21 | 北京云无忧大数据科技有限公司 | 用于植物保护的方法和装置，存储介质和电子设备 |
| CN110659783A (zh) * | 2019-10-09 | 2020-01-07 | 四川大学 | 有植被群落河道横断面平均流速纵向分布预测方法 |
| CN110847110A (zh) * | 2019-11-21 | 2020-02-28 | 四川大学 | 植被群落前端及内部水流偏转区纵向流速分布预测方法 |
| CN111034527A (zh) * | 2019-12-20 | 2020-04-21 | 宁夏大学 | 一种草方格造林对植被和土壤特征影响的研究方法 |
| CN111109015A (zh) * | 2019-12-31 | 2020-05-08 | 南大（常熟）研究院有限公司 | 一种可升降式沉水植物种植方法 |
| CN112189550A (zh) * | 2020-09-30 | 2021-01-08 | 中原工学院 | 一种基于数据驱动的智能植物培育系统及其使用方法 |
| CN113578956A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学院地理科学与资源研究所 | 一种土壤治理植物的确定方法及装置 |
| CN113673866A (zh) * | 2021-08-20 | 2021-11-19 | 上海寻梦信息技术有限公司 | 农作物决策方法、模型训练方法以及相关设备 |
| CN114065481A (zh) * | 2021-10-14 | 2022-02-18 | 中国科学院地理科学与资源研究所 | 基于大数据的草地数据监测方法、系统和可读存储介质 |
| CN114065801A (zh) * | 2021-10-14 | 2022-02-18 | 中国科学院地理科学与资源研究所 | 基于神经网络模型的土壤监测方法、系统和可读存储介质 |
| CN114169400A (zh) * | 2021-11-12 | 2022-03-11 | 深圳市绿恩环保技术有限公司 | 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 |
| CN114219673A (zh) * | 2021-07-12 | 2022-03-22 | 南开大学 | 一种基于物联网的农业云服务系统 |
| CN114549224A (zh) * | 2022-02-24 | 2022-05-27 | 中联智慧农业股份有限公司 | 一种基于大数据的农作物种植指导方法 |
| CN114862125A (zh) * | 2022-04-11 | 2022-08-05 | 中电建路桥集团有限公司 | 一种基于感知数据的土壤盐碱状态判定方法 |
| CN115176547A (zh) * | 2022-03-21 | 2022-10-14 | 塔里木大学 | 一种盐渍化土壤开垦方案制定方法 |
| CN115656167A (zh) * | 2022-09-27 | 2023-01-31 | 杭州睿胜软件有限公司 | 植物诊断方法、装置及计算机可读存储介质 |
| CN115752565A (zh) * | 2022-10-28 | 2023-03-07 | 苏州深莓智能科技有限公司 | 土壤参数检测方法及装置、土壤参数传感器、电子设备和存储介质 |
| CN115754221A (zh) * | 2022-08-30 | 2023-03-07 | 沈阳一凡农业科技有限公司 | 一种步进式时域反射土壤有效态养分原位速测系统及方法 |
| CN115860434A (zh) * | 2023-02-16 | 2023-03-28 | 四川省林业科学研究院 | 一种基于土壤水分资源承载力的植被恢复规划方法和装置 |
| CN115943414A (zh) * | 2020-11-26 | 2023-04-07 | 农业会社法人株式会社志人 | 基于作物种植应用的适应型种植信息提供系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220299496A1 (en) * | 2012-02-27 | 2022-09-22 | Agq Technological Corporate S.A. | Monitoring and control of soil conditions |
| EP3295344A4 (en) * | 2015-05-14 | 2019-01-23 | Board of Trustees of Michigan State University | PROCESSES AND SYSTEMS FOR THE ASSESSMENT OF HARVEST AREAS AND ADMINISTRATION OF THE GROWTH OF ERNTEGUT |
| AU2017377078B2 (en) * | 2016-12-16 | 2020-07-09 | Farmers Edge Inc. | Classification of soil texture and content by near-infrared spectroscopy |
| US10512212B2 (en) * | 2016-12-19 | 2019-12-24 | The Climate Corporation | Systems, methods, and apparatus for soil and seed monitoring |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US20190050741A1 (en) * | 2017-08-10 | 2019-02-14 | Iteris, Inc. | Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture |
| US11985925B2 (en) * | 2017-08-22 | 2024-05-21 | Sentek Pty Ltd. | Method of determination of water stress in a one or more plants in a crop located in the region of a soil moisture sensor array and knowledge of ETo |
| CA2987761A1 (en) * | 2017-12-06 | 2019-06-06 | South Country Equipment Ltd. | Water-driven crop yield potential forecasting |
-
2023
- 2023-07-25 CN CN202310924498.XA patent/CN116930459B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600444A (zh) * | 2016-12-12 | 2017-04-26 | 北京大学 | 基于神经网络算法和投资组合理论的品种选择方法和装置 |
| US10102473B1 (en) * | 2017-09-12 | 2018-10-16 | Technical Development Consultants, Inc. | Soil moisture sensing determines soil type |
| CN109147541A (zh) * | 2018-10-25 | 2019-01-04 | 郑州大学 | 土体渗透破坏模拟装置及使用方法 |
| CN109784626A (zh) * | 2018-12-10 | 2019-05-21 | 北京云无忧大数据科技有限公司 | 用于植物保护的方法和装置，存储介质和电子设备 |
| CN110659783A (zh) * | 2019-10-09 | 2020-01-07 | 四川大学 | 有植被群落河道横断面平均流速纵向分布预测方法 |
| CN110847110A (zh) * | 2019-11-21 | 2020-02-28 | 四川大学 | 植被群落前端及内部水流偏转区纵向流速分布预测方法 |
| CN111034527A (zh) * | 2019-12-20 | 2020-04-21 | 宁夏大学 | 一种草方格造林对植被和土壤特征影响的研究方法 |
| CN111109015A (zh) * | 2019-12-31 | 2020-05-08 | 南大（常熟）研究院有限公司 | 一种可升降式沉水植物种植方法 |
| CN112189550A (zh) * | 2020-09-30 | 2021-01-08 | 中原工学院 | 一种基于数据驱动的智能植物培育系统及其使用方法 |
| CN115943414A (zh) * | 2020-11-26 | 2023-04-07 | 农业会社法人株式会社志人 | 基于作物种植应用的适应型种植信息提供系统 |
| CN114219673A (zh) * | 2021-07-12 | 2022-03-22 | 南开大学 | 一种基于物联网的农业云服务系统 |
| CN113578956A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学院地理科学与资源研究所 | 一种土壤治理植物的确定方法及装置 |
| CN113673866A (zh) * | 2021-08-20 | 2021-11-19 | 上海寻梦信息技术有限公司 | 农作物决策方法、模型训练方法以及相关设备 |
| CN114065801A (zh) * | 2021-10-14 | 2022-02-18 | 中国科学院地理科学与资源研究所 | 基于神经网络模型的土壤监测方法、系统和可读存储介质 |
| CN114065481A (zh) * | 2021-10-14 | 2022-02-18 | 中国科学院地理科学与资源研究所 | 基于大数据的草地数据监测方法、系统和可读存储介质 |
| CN114169400A (zh) * | 2021-11-12 | 2022-03-11 | 深圳市绿恩环保技术有限公司 | 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 |
| CN114549224A (zh) * | 2022-02-24 | 2022-05-27 | 中联智慧农业股份有限公司 | 一种基于大数据的农作物种植指导方法 |
| CN115176547A (zh) * | 2022-03-21 | 2022-10-14 | 塔里木大学 | 一种盐渍化土壤开垦方案制定方法 |
| CN114862125A (zh) * | 2022-04-11 | 2022-08-05 | 中电建路桥集团有限公司 | 一种基于感知数据的土壤盐碱状态判定方法 |
| CN115754221A (zh) * | 2022-08-30 | 2023-03-07 | 沈阳一凡农业科技有限公司 | 一种步进式时域反射土壤有效态养分原位速测系统及方法 |
| CN115656167A (zh) * | 2022-09-27 | 2023-01-31 | 杭州睿胜软件有限公司 | 植物诊断方法、装置及计算机可读存储介质 |
| CN115752565A (zh) * | 2022-10-28 | 2023-03-07 | 苏州深莓智能科技有限公司 | 土壤参数检测方法及装置、土壤参数传感器、电子设备和存储介质 |
| CN115860434A (zh) * | 2023-02-16 | 2023-03-28 | 四川省林业科学研究院 | 一种基于土壤水分资源承载力的植被恢复规划方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| "A hybridized artificial neural network and imperialist competitive algorithm optimization approach for prediction of soil compaction in soil bin facility";Taghavifar, H et al;《MEASUREMENT》;第46卷(第8期);第2288-2299页 * |
| "Linear mixed modeling and artificial neural network techniques for predicting wind drift and evaporation losses under moving sprinkler irrigation systems";Sarwar, A et al;《IRRIGATION SCIENC》;第38卷(第2期);第177-188页 * |
| "基于植被指数的猕猴桃根域土壤水分反演影响因素研究";张军等;《农业机械学报》;第53卷(第12期);第223-230页 * |
| "寒旱环境灌木植物根土复合体强度模型试验研究";余芹芹等;《岩石力学与工程学报》;第32卷(第5期);第1020-1031页 * |
| "植物固土边坡稳定基本原理的研究以及固坡植物的选择设计";宋云;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第3期);第1- 95页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116930459A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104380094B (zh) | 分析物感测装置 | |
| EP0552275A1 (en) | Moisture and salinity sensor and method of use | |
| CN115372551B (zh) | 一种监测天麻蜜环菌菌种质量系统 | |
| CN114935374A (zh) | 一种油井天然气流量计量过程的控制方法及系统 | |
| CN116985183B (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
| CN110553631B (zh) | 一种关于水位流量关系的水位测量系列误差分析方法 | |
| CN115638718A (zh) | 一种基于大数据的位移检测装置运行环境检测系统 | |
| CN115791891A (zh) | 一种基于压电阻抗技术的结构损伤识别方法及系统 | |
| CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
| CN106352948A (zh) | 新型电容式传感器液位检测系统及检测方法 | |
| US10578579B2 (en) | Probe for the continuous monitoring in real time of chemical parameters of interest directly in the ground and system for the continuous monitoring in real time of said chemical parameters of interest | |
| CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
| CN116930459B (zh) | 一种土壤原位探测装置及其探测方法 | |
| CN116929438B (zh) | 传感器的性能测试方法及装置 | |
| CN116859875B (zh) | 一种基于使用需求的钢管生产工艺调节控制方法及系统 | |
| CN103076400A (zh) | 一种基于振动频率的新型腐蚀探头及其测量系统 | |
| US20210405254A1 (en) | Rain sensor | |
| CN108132194B (zh) | 一种远程无线混凝土内钢筋锈蚀风险监测传感装置 | |
| CN108225617A (zh) | 传感器标定装置及标定方法 | |
| CN116879121B (zh) | 一种基于光纤传感技术的空气颗粒物浓度实时监测系统 | |
| Kandwal et al. | Development and Analysis of Novel IoT Based Resistive Soil Moisture Sensor using Arduino UNO | |
| CN111123406A (zh) | 手持气象仪温度数据拟合方法 | |
| CN115600117B (zh) | 一种畜牧粪便成分检测与识别方法 | |
| Ritchey | Electronic sensing devices used for in situ ground water monitoring | |
| TWI649583B (zh) | 用於動態環境感知校正裝置 |
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 |