CN117035471B - 一种基于多植被指数图像的施肥决策方法及系统 - Google Patents
一种基于多植被指数图像的施肥决策方法及系统 Download PDFInfo
- Publication number
- CN117035471B CN117035471B CN202311303186.3A CN202311303186A CN117035471B CN 117035471 B CN117035471 B CN 117035471B CN 202311303186 A CN202311303186 A CN 202311303186A CN 117035471 B CN117035471 B CN 117035471B
- Authority
- CN
- China
- Prior art keywords
- image
- vegetation index
- trainable parameters
- outputs
- farmland
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 48
- 230000004720 fertilization Effects 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 235000015097 nutrients Nutrition 0.000 claims abstract description 33
- 239000002689 soil Substances 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 76
- 239000003337 fertilizer Substances 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000035558 fertility Effects 0.000 abstract 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical group [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 8
- 229940072033 potash Drugs 0.000 description 8
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 8
- 235000015320 potassium carbonate Nutrition 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000007812 deficiency Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- 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
- G01N33/0098—Plants or trees
-
- 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
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/188—Vegetation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Soil Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Marketing (AREA)
- Food Science & Technology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明提供了一种基于多植被指数图像的施肥决策方法及系统,基于无人机搭载的遥感传感器获取农作物的多种植被指数图像,并融合根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,得到多通道图像;预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;基于目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况。本发明融合了土壤肥力情况和植被指数提高了决策的准确性,而且在解码器的输入中引入了多个可训练参数,能够灵活地调整这些参数以计算不同的营养元素需求。
Description
技术领域
本发明涉及农业领域,尤其一种基于多植被指数图像的施肥决策方法及系统。
背景技术
农业作为人类历史最悠久且最基本的生产活动,一直以来都扮演着至关重要的角色。尽管在当今社会,工业、科技等领域不断取得进步,但农业仍然占据着不可替代的地位,对人类的生存和繁荣至关重要。食品供应不足将威胁到人们的正常生活,也将制约社会的发展和进步。此外,农业的发展与农村居民的经济状况和生活品质密切相关,还关系到农村生态环境的保护。为了提高农业生产效率、农产品质量和农民收入水平,以实现农业的可持续发展目标,现代科技和管理方法已经被引入到农业生产、管理、科研、组织等方面。
施肥在农业生产中具有重要作用,可以提高农作物的产量。然而,过度施肥可能导致肥料流失和渗漏,对土壤和水体造成污染,对环境造成潜在危害。因此,科学和合理的施肥策略对于减少农业面源污染至关重要。精准施肥作为农业现代化的一部分,强调根据土地特性和作物需求,以科学和合理的方式施用肥料,以实现最佳的农作物产量和品质。然而,如何实施精准施肥仍然是农业现代化所面临的重要挑战。
发明内容
为了解决上述问题,在第一个方面,本发明提供了一种基于多植被指数图像的施肥决策方法,所述方法包括以下步骤:
步骤1,数据准备阶段
通过土壤养分速测设备测量得到农田的多个位置中每个位置的多种元素含量;使用无人机搭载的遥感传感器获取农作物的多种植被指数图像;
步骤2,数据处理阶段
根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,将元素分布图和植被指数图像经过预处理后合并为多通道图像;
步骤3,模型训练阶段
构建决策模型,并为预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;
步骤4,决策阶段
根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况。
优选地,所述根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,具体为:
采用土壤养分速测设备测量得到农田N个采样点的多种养分情况;
对于每种元素分别构建包含N个像素点的单通道图像,其中,所述单通道图像的像素值为采样点采集的样本中所述元素的含量;
对每个单通道图像进行双线性插值得到预设大小的元素分布图,其中,每个元素分布图对应一种元素。
优选地,所述使用无人机搭载的遥感传感器获取农作物的多种植被指数图像,具体为:
在施肥前预设时间内获取农田的多个植被指数图像,对多个植被指数图像每一个归一化后进行卷积操作得到多个预设大小的植被指数图像。
优选地,所述采用所述多通道图像对所述决策模型和多组可训练参数进行训练,具体为:
获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图。
优选地,所述根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况,具体为:
将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。
优选地,所述根据NVDI植被指数图像对K1个编码器输出进行处理,具体为:
将NVDI植被指数分割为K1个图像块,其中,NVDI植被指数图像分割的K1个图像块和多通道图像分割为K1个图像块的位置相同;
计算NVDI植被指数分割后的K1个图像块的每一个的平均灰度值和第一特征值,对所述平均灰度值和第一特征值分别进行编码,将所述平均灰度值的编码结果、所述第一特征值的编码结果和对应的编码器输出相加作为处理后K1个编码器输出。
优选地,所述第一特征值的计算方式为:计算NVDI植被指数分割后的K1个图像块的每一个的NVDI植被指数中大于0.5的像素点个数与小于0.5的像素点个数的比值,将所述比值作为第一特征值。
另一方面,本发明还提供了一种基于多植被指数图像的施肥决策系统,所述系统包括以下模块:
数据采集模块,用于通过土壤养分速测设备测量得到农田的多个位置中每个位置的多种元素含量;使用无人机搭载的遥感传感器获取农作物的多种植被指数图像;
数据处理模块,用于根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,将元素分布图和植被指数图像经过预处理后合并为多通道图像;
模型训练模块,用于构建决策模型,并为预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;
决策模块,用于根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况。
优选地,所述根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,具体为:
采用土壤养分速测设备测量得到农田N个采样点的多种养分情况;
对于每种元素分别构建包含N个像素点的单通道图像,其中,所述单通道图像的像素值为采样点采集的样本中所述元素的含量;
对每个单通道图像进行双线性插值得到预设大小的元素分布图,其中,每个元素分布图对应一种元素。
优选地,所述使用无人机搭载的遥感传感器获取农作物的多种植被指数图像,具体为:
在施肥前预设时间内获取农田的多个植被指数图像,对多个植被指数图像每一个归一化后进行卷积操作得到多个预设大小的植被指数图像。
优选地,所述采用所述多通道图像对所述决策模型和多组可训练参数进行训练,具体为:
获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图。
优选地,所述根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况,具体为:
将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。
优选地,所述根据NVDI植被指数图像对K1个编码器输出进行处理,具体为:
将NVDI植被指数分割为K1个图像块,其中,NVDI植被指数图像分割的K1个图像块和多通道图像分割为K1个图像块的位置相同;
计算NVDI植被指数分割后的K1个图像块的每一个的平均灰度值和第一特征值,对所述平均灰度值和第一特征值分别进行编码,将所述平均灰度值的编码结果、所述第一特征值的编码结果和对应的编码器输出相加作为处理后K1个编码器输出。
优选地,所述第一特征值的计算方式为:计算NVDI植被指数分割后的K1个图像块的每一个的NVDI植被指数中大于0.5的像素点个数与小于0.5的像素点个数的比值,将所述比值作为第一特征值。
最后,本发明还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,实现如上所述的方法。
针对目前在农田施肥中难以准确掌握肥料用量的挑战,本发明综合运用了土壤成分分析和植被指数两个关键方面。首先,我们将植被指数的特征融入土壤成分特征中,而且在编码器输出中进一步强化了植被指数的作用,有助于提高施肥决策的准确性。
此外,本发明还解决了在不同营养元素的肥料预测中需要训练多个不同神经网络模型的问题。在解码器的输入中引入了多个可训练参数,能够灵活地调整这些参数以计算不同的营养元素需求。本发明综合利用土壤成分分析和植被指数,通过融合特征和引入可训练参数的方式,为解决农田施肥中的挑战提供了一种高效、准确的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为实施例一的流程图;
图2为预设模型的编码器结构图;
图3为预设模型的解码器结构图;
图4为实施例二的结构图。
具体实施方式
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。
实施例一
本发明提供了一种基于多植被指数图像的施肥决策方法,如图1所示,所述方法包括以下步骤:
步骤1,数据准备阶段
通过土壤养分速测设备测量得到农田的多个位置中每个位置的多种元素含量;使用无人机搭载的遥感传感器获取农作物的多种植被指数图像;
土壤养分的情况可以通过土壤养分分析仪测量,在测量土壤养分时,采集农田中不同位置的土壤样本,然后进行分析即可,土壤养分速测设备可以快速测量土壤养分,有些土壤养分速测设备在半个小时可以测量10份土壤样本。由于土壤成分分析的工作量较大,对于土壤成分分析每个季度或者每个种植周期测量一次,具体地,如果春秋两季作物,在春季播种前测量一次,在秋季播种前测量一次。此外,不同农作物对不同元素的需求量不同,采样点的选取根据农田形状和农作物品种确定。
在进行土壤成分分析后,得到每个采集点的多种元素情况,例如氮磷钾,每个元素对应一个养分分布图,由于采集点的稀疏性,本发明采用双线性插值的方法得到预设大小的养分分布图。在一个具体实施例中,所述根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,具体为:
采用土壤养分速测设备测量得到农田N个采样点的多种养分情况;
对于每种元素分别构建包含N个像素点的单通道图像,其中,所述单通道图像的像素值为采样点采集的样本中所述元素的含量;
对每个单通道图像进行双线性插值得到预设大小的元素分布图,其中,每个元素分布图对应一种元素。
植被指数图像的获取相对容易,通过搭载遥感相机的无人机即可,在一个具体实施例中,在施肥前预设时间内获取农田的多个植被指数图像,所述预设时间为一天或者一周。植被指数为利用不同波段探测数据组合而成的,反映了植物生长状况的指数,常见的植被指数有NDVI、RVI、GVI等,每种植被指标对应一个植被指数图像。由于植被植被可能为负数,为了和养分分布图对应,本发明对养分分布图和植被指标图像都会进行归一化处理。此外,由于植被图像较大,通过卷积将其转换为预设大小的植被指数图像。在一个具体实施例中:在施肥前预设时间内获取农田的多个植被指数图像,对多个植被指数图像每一个归一化后进行卷积操作得到多个预设大小的植被指数图像。
步骤2,数据处理阶段
根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,将元素分布图和植被指数图像经过预处理后合并为多通道图像;
多个预设大小的养分分布图和多个预设大小的植被指数图像可以得到一个多通道图像,所述多通道图像的通道数为养分分布图个数和植被指数图像个数之和。
步骤3,模型训练阶段
构建决策模型,并为预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;
由于涉及到图像,本发明采用的决策模型包括编码器和解码器,其中编码器结构如图2。在一个具体实施例中,本发明优选地使用Segmenter模型中的编码器和解码器。
预设模型的解码器结构如图3所示,解码器还包括了多个可训练参数,不同的养分对应不同组的可训练参数,一种养分对应一组可训练参数,在进行训练时,获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图。
例如一个训练子集为钾肥训练子集,随机化一组K2个与钾肥对应的可训练参数,使用钾肥训练子集对预设模型进行训练,通过反向传播不断的调整与钾肥对应的一组可训练参数,对于氮肥、磷肥的训练同钾肥,三种肥料对应三组可训练参数,可训练参数中含有氮肥、磷肥、钾肥的信息,在使用预设模型进行计算时,如果需要了解农田不同区域钾肥的用量,选择训练好的钾肥对应可训练参数即可。
在一个具体实施例中,所述采用所述多通道图像对所述决策模型和多组可训练参数进行训练,具体为:
获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图。
在具体进行训练时,将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个多通道输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。通过缺肥状态图和标注信息计算loss,实现对决策模型和K2个可训练参数的训练。
步骤4,决策阶段
根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况。
农田土壤的养分或者称为元素是动态变化的,但是单单的依靠土壤成分分析设备采集的数据不可能是实时的,而植被指数的获取相对简单,而且植被指数和农作物密切相关,在一个具体实施例中,步骤4具体为:
根据目标元素确定对应的K2个可训练参数,将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个多通道输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。K1、K2和N都是正整数。
其中,所述将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个输出,是指得到K1个多通道输出,每个多通道输出有K2个通道,如图3所示。在一个具体实施例中,所述将K1个输出合并得到农田的缺肥状况图是指将K1个输出拼接,当然也可以采用其他方式根据K1个输出得到农田的缺肥状况图。
步骤3中训练阶段和步骤4中决策阶段,K2个可训练参数的不同在于,在步骤3中K2个可训练参数是不断被训练而更新的,而步骤4中K2个可训练参数是确定的。
将多通道图像分割为K1个图像块,由于图像块为多通道,在一个具体实施例中,优选地,对图像块的各个通道进行编码(embedding),然后将各个通道的编码结果拼接,拼接的方式为add或操concat操作,拼接操作方式不同,后续根据NVDI植被指数图像对K1个编码器输出进行处理中,对NVDI植被指数的编码方式不同,这是由于拼接操作方式不同通过编码器后的输出数据维度不同,需要对NVDI植被指数进行编码的方式也有所区别。
通过编码器后,得到K1个输出,然后采用NVDI植被指数图像进一步对K个编码器输出进一步处理,在一个具体实施例中,所述根据NVDI植被指数图像对K1个编码器输出进行处理,具体为:
将NVDI植被指数分割为K1个图像块,其中,NVDI植被指数图像分割的K1个图像块和多通道图像分割为K1个图像块的位置相同;所述NVDI植被指数图像为归一化并通过卷积后的预设大小的植被指数图像。
NVDI植被指数又称为归一化植被指数,当有植物覆盖时,其值为正,反之为负。NVDI指数的平均灰度值和第一特征值反映了农作物的生长阶段和生长状况,例如玉米的花期要比苗期的平均灰度值和第一特征值大。所述根据NVDI植被指数图像对K1个编码器输出进行处理,具体为:
将NVDI植被指数分割为K1个图像块,其中,NVDI植被指数图像分割的K1个图像块和多通道图像分割为K1个图像块的位置相同;
计算NVDI植被指数分割后的K1个图像块的每一个的平均灰度值和第一特征值,对所述平均灰度值和第一特征值分别进行编码,将所述平均灰度值的编码结果、所述第一特征值的编码结果和对应的编码器输出相加作为处理后K1个编码器输出。
其中,所述第一特征值的计算方式为:计算NVDI植被指数分割后的K1个图像块的每一个的NVDI植被指数中大于0.5的像素点个数与小于0.5的像素点个数的比值,将所述比值作为第一特征值。
在一个具体实施例中,在步骤4之后,还包括步骤5:基于所述缺肥状况图和GIS利用无人机对农作物进行施肥。
在得到缺肥状况图后,根据GIS系统人工规划或者自动规划无人机施肥线路,路线的规划有多种方式,本发明对此不作具体限定。在一个具体实施例中,通过控制施肥开关的方式控制施肥量,在行进到缺肥区域时,提高喷洒量。在另外一个实施例中,通过控制无人机飞行速度的方式控制施肥量,在行进到缺肥区域时,降低无人机飞行速度。
实施例二
本发明还提供了一种基于多植被指数图像的施肥决策系统,如图4所示,所述系统包括以下模块:
数据采集模块,用于通过土壤养分速测设备测量得到农田的多个位置中每个位置的多种元素含量;使用无人机搭载的遥感传感器获取农作物的多种植被指数图像;
数据处理模块,用于根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,将元素分布图和植被指数图像经过预处理后合并为多通道图像;
模型训练模块,用于构建决策模型,并为预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;
决策模块,用于根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况。
优选地,所述根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,具体为:
采用土壤养分速测设备测量得到农田N个采样点的多种养分情况;
对于每种元素分别构建包含N个像素点的单通道图像,其中,所述单通道图像的像素值为采样点采集的样本中所述元素的含量;
对每个单通道图像进行双线性插值得到预设大小的元素分布图,其中,每个元素分布图对应一种元素。
优选地,所述使用无人机搭载的遥感传感器获取农作物的多种植被指数图像,具体为:
在施肥前预设时间内获取农田的多个植被指数图像,对多个植被指数图像每一个归一化后进行卷积操作得到多个预设大小的植被指数图像。
优选地,所述采用所述多通道图像对所述决策模型和多组可训练参数进行训练,具体为:
获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图。
优选地,所述根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况,具体为:
将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。
优选地,所述根据NVDI植被指数图像对K1个编码器输出进行处理,具体为:
将NVDI植被指数分割为K1个图像块,其中,NVDI植被指数图像分割的K1个图像块和多通道图像分割为K1个图像块的位置相同;
计算NVDI植被指数分割后的K1个图像块的每一个的平均灰度值和第一特征值,对所述平均灰度值和第一特征值分别进行编码,将所述平均灰度值的编码结果、所述第一特征值的编码结果和对应的编码器输出相加作为处理后K1个编码器输出。
优选地,所述第一特征值的计算方式为:计算NVDI植被指数分割后的K1个图像块的每一个的NVDI植被指数中大于0.5的像素点个数与小于0.5的像素点个数的比值,将所述比值作为第一特征值。
实施例三
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时实现如第一实施例所述的方法。
实施例四
本发明还提供了一种计算机设备,所述计算机设备包括处理器、存储器,所述存储器上存储有计算机程序,所述计算机程序在被处理器执行时实现如第一实施例所述的方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述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计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于多植被指数图像的施肥决策方法,其特征在于,所述方法包括以下步骤:
步骤1,数据准备阶段
通过土壤养分速测设备测量得到农田的多个位置中每个位置的多种元素含量;使用无人机搭载的遥感传感器获取农作物的多种植被指数图像;
步骤2,数据处理阶段
根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,将元素分布图和植被指数图像经过预处理后合并为多通道图像;
步骤3,模型训练阶段
构建决策模型,并为预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;
步骤4,决策阶段
根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况;
所述采用所述多通道图像对所述决策模型和多组可训练参数进行训练,具体为:
获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图;
所述根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况,具体为:
将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。
2.如权利要求1所述的方法,其特征在于,所述根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,具体为:
采用土壤养分速测设备测量得到农田N个采样点的多种养分情况;
对于每种元素分别构建包含N个像素点的单通道图像,其中,所述单通道图像的像素值为采样点采集的样本中所述元素的含量;
对每个单通道图像进行双线性插值得到预设大小的元素分布图,其中,每个元素分布图对应一种元素。
3.如权利要求1所述的方法,其特征在于,所述使用无人机搭载的遥感传感器获取农作物的多种植被指数图像,具体为:
在施肥前预设时间内获取农田的多个植被指数图像,对多个植被指数图像每一个归一化后进行卷积操作得到多个预设大小的植被指数图像。
4.如权利要求1所述的方法,其特征在于,所述根据NVDI植被指数图像对K1个编码器输出进行处理,具体为:
将NVDI植被指数分割为K1个图像块,其中,NVDI植被指数图像分割的K1个图像块和多通道图像分割为K1个图像块的位置相同;
计算NVDI植被指数分割后的K1个图像块的每一个的平均灰度值和第一特征值,对所述平均灰度值和第一特征值分别进行编码,将所述平均灰度值的编码结果、所述第一特征值的编码结果和对应的编码器输出相加作为处理后K1个编码器输出。
5.如权利要求4所述的方法,其特征在于,所述第一特征值的计算方式为:计算NVDI植被指数分割后的K1个图像块的每一个的NVDI植被指数中大于0.5的像素点个数与小于0.5的像素点个数的比值,将所述比值作为第一特征值。
6.一种基于多植被指数图像的施肥决策系统,其特征在于,所述系统包括以下模块:
数据采集模块,用于通过土壤养分速测设备测量得到农田的多个位置中每个位置的多种元素含量;使用无人机搭载的遥感传感器获取农作物的多种植被指数图像;
数据处理模块,用于根据多个位置中每个位置的多种元素含量得到农田的每种元素的元素分布图,将元素分布图和植被指数图像经过预处理后合并为多通道图像;
模型训练模块,用于构建决策模型,并为预设的元素中的每一个设置一组可训练参数,采用所述多通道图像对所述决策模型和多组可训练参数进行训练;
决策模块,用于根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况;
所述采用所述多通道图像对所述决策模型和多组可训练参数进行训练,具体为:
获取训练集,所述训练集中样本根据施肥种类和施肥量进行标注,将训练集分为多个训练子集,每个训练子集中样本标注的施肥种类相同;在训练时,同一个训练子集采用同一组K2个可训练参数,在使用训练后的预设模型时,选择与要预测的施肥种类对应的K2个可训练参数,得到农田与要预测的施肥种类对应缺肥状况图;
所述根据目标元素确定对应的可训练参数,根据可训练参数和目标农田的所述多通道图像采用所述决策模型确定目标元素的分布情况,具体为:
将目标农田的所述多通道图像分割为K1个图像块作为预设模型的编码器的输入,得到K1个编码器输出;根据NVDI植被指数图像对K1个编码器输出进行处理,然后将处理后K1个编码器输出和K2个可训练参数作为预设模型的解码器的输入,得到与所述K1个编码器输出对应的K1个解码器输出,以及与所述K2个可训练参数对应的K2个解码器输出;将K1个解码器输出分别与K2个解码器输出中每一个进行点乘,得到K1个多通道输出,将K1个输出中的每一个经过上采样、降维后,将K1个输出合并得到农田的缺肥状况图。
7.一种计算机可读存储介质,所述存储介质上存储有计算机程序,其特征在于,所述计算机程序在被处理器执行时,实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311303186.3A CN117035471B (zh) | 2023-10-10 | 2023-10-10 | 一种基于多植被指数图像的施肥决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311303186.3A CN117035471B (zh) | 2023-10-10 | 2023-10-10 | 一种基于多植被指数图像的施肥决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035471A CN117035471A (zh) | 2023-11-10 |
CN117035471B true CN117035471B (zh) | 2023-12-22 |
Family
ID=88624912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311303186.3A Active CN117035471B (zh) | 2023-10-10 | 2023-10-10 | 一种基于多植被指数图像的施肥决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035471B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982486A (zh) * | 2012-11-14 | 2013-03-20 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
JP2021006017A (ja) * | 2019-06-28 | 2021-01-21 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
CN112632796A (zh) * | 2020-12-31 | 2021-04-09 | 广州极飞科技有限公司 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
CN114187515A (zh) * | 2021-12-08 | 2022-03-15 | 中国建设银行股份有限公司 | 图像分割方法和图像分割装置 |
CN116503740A (zh) * | 2023-05-31 | 2023-07-28 | 南京邮电大学通达学院 | 一种精准识别作物种类的无人机视觉系统 |
-
2023
- 2023-10-10 CN CN202311303186.3A patent/CN117035471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982486A (zh) * | 2012-11-14 | 2013-03-20 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
JP2021006017A (ja) * | 2019-06-28 | 2021-01-21 | 株式会社日立製作所 | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN112632796A (zh) * | 2020-12-31 | 2021-04-09 | 广州极飞科技有限公司 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
CN114187515A (zh) * | 2021-12-08 | 2022-03-15 | 中国建设银行股份有限公司 | 图像分割方法和图像分割装置 |
CN116503740A (zh) * | 2023-05-31 | 2023-07-28 | 南京邮电大学通达学院 | 一种精准识别作物种类的无人机视觉系统 |
Non-Patent Citations (1)
Title |
---|
基于NDVI的绿洲棉田土壤肥力质量评价方法研究;王琼;王克如;李少昆;肖春华;李静;戴建国;房林峰;陈兵;王方永;;棉花学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035471A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hedley | The role of precision agriculture for improved nutrient management on farms | |
US20190043142A1 (en) | Systems to prescribe and deliver fertilizer over agricultural fields and related methods | |
CN103823371A (zh) | 基于神经网络模型的农业精准施肥系统及施肥方法 | |
CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
CN116662753B (zh) | 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法 | |
CN116152007A (zh) | 植物施肥量的确定方法、装置、终端设备和可读存储介质 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
Liu et al. | Statistical analysis of nitrogen use efficiency in Northeast China using multiple linear regression and Random Forest | |
CN102584399B (zh) | 肥料配制方法及系统 | |
Bongiovanni et al. | Nitrogen management in corn using site-specific crop response estimates from a spatial regression model | |
Prasad et al. | Evaluation of nitrogen fertilization patterns using DSSAT for enhancing grain yield and nitrogen use efficiency in rice | |
Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
CN114066033A (zh) | 一种智慧农业优化方法和系统 | |
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 | |
CN113255999A (zh) | 基于多模型的农作物产量评估方法、装置、设备及介质 | |
CN117035471B (zh) | 一种基于多植被指数图像的施肥决策方法及系统 | |
Bongiovanni | A spatial econometric approach to the economics of site-specific nitrogen management in corn production | |
CN110782112B (zh) | 一种农作物生产温室气体减排潜力估算方法及系统 | |
CN116114450A (zh) | 基于遥感的玉米氮素立体调控方法 | |
Li et al. | Variation and determinants of rice yields among individual paddy fields: Case study of a large-scale farm in the Kanto Region of Japan | |
Meena et al. | Fertilizer Recommendations by Using Different Geospatial Technologies in Precision Farming or Nanotechnology | |
CN115481795A (zh) | 推荐模型的生成方法、氮肥施用量的推荐方法及其装置 | |
CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和系统 | |
Van Keulen | Options for agricultural development: a new quantitative approach | |
Swaminathan et al. | Improving crop yields through better planting schedules |
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 |