CN117110242A - 一种药肥使用的监测方法、装置及存储介质 - Google Patents
一种药肥使用的监测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117110242A CN117110242A CN202311348151.1A CN202311348151A CN117110242A CN 117110242 A CN117110242 A CN 117110242A CN 202311348151 A CN202311348151 A CN 202311348151A CN 117110242 A CN117110242 A CN 117110242A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- remote sensing
- data
- pesticide
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000003337 fertilizer Substances 0.000 title claims abstract description 73
- 239000000575 pesticide Substances 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000002689 soil Substances 0.000 claims abstract description 97
- 230000004927 fusion Effects 0.000 claims abstract description 40
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 34
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 17
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims abstract description 17
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 17
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 17
- 239000011574 phosphorus Substances 0.000 claims abstract description 17
- 229910052700 potassium Inorganic materials 0.000 claims abstract description 17
- 239000011591 potassium Substances 0.000 claims abstract description 17
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 15
- 239000000447 pesticide residue Substances 0.000 claims abstract description 15
- 239000000126 substance Substances 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 24
- 230000036541 health Effects 0.000 claims description 9
- 235000015097 nutrients Nutrition 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000003973 irrigation Methods 0.000 claims description 4
- 230000002262 irrigation Effects 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 235000016709 nutrition Nutrition 0.000 claims description 4
- 230000035764 nutrition Effects 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 37
- 230000008859 change Effects 0.000 description 21
- 241000209094 Oryza Species 0.000 description 20
- 235000007164 Oryza sativa Nutrition 0.000 description 20
- 235000009566 rice Nutrition 0.000 description 20
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 229910001385 heavy metal Inorganic materials 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000003066 decision tree Methods 0.000 description 12
- 241000607479 Yersinia pestis Species 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 239000003344 environmental pollutant Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 231100000719 pollutant Toxicity 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000002028 Biomass Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 235000013348 organic food Nutrition 0.000 description 7
- 238000004876 x-ray fluorescence Methods 0.000 description 7
- 239000012895 dilution Substances 0.000 description 6
- 238000010790 dilution Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 241000238631 Hexapoda Species 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000012496 blank sample Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000005416 organic matter Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000003608 fece Anatomy 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000012488 sample solution Substances 0.000 description 2
- 239000003802 soil pollutant Substances 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- -1 etc. Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012846 near infrared spectroscopy analysis technique Methods 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- 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
- G01N33/246—Earth materials for water content
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Soil Sciences (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
Abstract
本申请涉及一种药肥使用的监测方法、装置及存储介质,涉及监测技术领域,方法包括:获取目标区域的遥感监测数据以及环境监测数据并将其融合,根据融合结果判断目标区域是否违规使用农药化肥;其中判断目标区域是否违规使用农药化肥具体包括:根据环境监测数据中的土壤养分含量数据,计算土壤中氮、磷和钾元素的含量;根据遥感监测数据和环境监测数据计算农作物体内的农药残留量;根据遥感监测数据和环境监测数据,建立农作物生长模型;根据土壤养分含量数据、农药残留量和农作物生长模型,确定目标区域是否违规使用农药化肥。该方法解决了有机认证困难的技术问题,实现了能实时判断是否违规使用农药化肥,提高判断的精确性和可靠性的有益效果。
Description
技术领域
本申请涉及监测技术领域,尤其涉及一种药肥使用的监测方法、装置及存储介质。
背景技术
有机食品(比如有机大米)需要符合产地环境质量标准、生产技术标准、产品标准、产品包装、储藏和运输标准。在有机食品生产过程中,不可以使用化肥,而是施用有机肥(羊栏粪、兔子粪、圈肥、厩肥、沼渣等)。而部分商家在有机食品的生长过程中可能会偷偷使用农药化肥,导致有机食品农残超标,因此,对有机农作物生长过程的监管尤为重要。
传统的有机农作物生长过程监管方法常常是派检查员对土壤及产品抽样,由申请人将样品送指定的质检机构进行检测。有机认证一般由第三方认证公司收费执行,认证过程不可避免的带有利益纠葛,容易妨碍认证的公正与客观,同时,人工抽样检测常常带来不确定性,样本也难以全面代表农作物的实际生长情况,因此,对有机食品生长过程的监管方法还有待提升。
发明内容
为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题,本申请提供一种药肥使用的监测方法、装置及存储介质,提高判断耕地是否违规使用农药化肥的准确性和可靠性。
第一方面,本申请提供了一种药肥使用的监测方法,包括:
获取目标区域的遥感监测数据以及环境监测数据,所述遥感监测数据是通过所述目标区域的遥感图像或光谱数据得到的,所述环境监测数据是通过环境监测设备得到的;
将所述遥感监测数据与所述环境监测数据交叉融合,并根据融合结果判断所述目标区域是否违规使用农药化肥;
其中,根据融合结果判断所述目标区域是否违规使用农药化肥,具体包括:
根据所述环境监测数据中的土壤养分含量数据,计算土壤中氮、磷和钾元素的含量;
根据遥感监测数据和环境监测数据计算农作物体内的农药残留量;
根据遥感监测数据和环境监测数据,建立农作物生长模型,预测农作物的生长状况和产量;
根据所述土壤养分含量数据、农药残留量和所述农作物生长模型,确定所述目标区域是否违规使用农药化肥。
优选的,将所述遥感监测数据与所述环境监测数据交叉融合,包括:数据层融合、特征层融合和决策层融合。
优选的,数据层融合具体包括:将所述遥感监测数据与所述环境监测数据按表达式(1)直接进行融合,生成新的综合数据集;
NewData=α 1 ×SatelliteData+(1−α 1 )×EnvironmentData (1)
其中,NewData是融合后的综合数据集,SatelliteData是遥感监测数据集,EnvironmentData是环境监测数据集,α 1 是第一权重系数,α 1 用于调节遥感监测数据和环境监测数据的比例。
优选的,特征层融合具体包括:提取遥感监测数据和环境监测数据的特征,然后按表达式(2)将特征进行融合,生成新的综合特征集;
NewFeatures=α 2 ×SatelliteFeatures+(1−α 2 )×EnvironmentFeatures (2)
其中,NewFeatures是融合后的综合特征集,SatelliteFeatures是遥感监测数据的特征集,EnvironmentFeatures是环境监测数据的特征集,α 2 是第二权重系数,α 2 用于调节遥感监测数据的特征集和环境监测数据的特征集的比例。
优选的,决策层融合具体包括:将遥感监测数据和环境监测数据进行独立的判断和分析,按表达式(3)将判断结果进行融合,生成新的综合判断结果;NewDecision=α 3 × SatelliteDecision+(1−α 3 )×EnvironmentDecision(3)
其中,NewDecision是融合后的综合判断结果,SatelliteDecision是遥感监测数据的判断结果,EnvironmentDecision是环境监测数据的判断结果,α 3 是第三权重系数,α 3 用于调节遥感监测数据的判断结果和环境监测数据的判断结果的比例。
优选的,所述药肥使用的监测方法还包括:根据融合结果验证遥感监测数据与环境监测数据的一致性。
优选的,所述的药肥使用的监测方法还包括:
使用遥感图像分析农作物的光谱反射率评估农作物的健康状况和营养状况;
使用遥感图像监测所述目标区域的灌溉情况和/或土壤湿度。
优选的,所述药肥使用的监测方法还包括:通过环境监测设备获取所述目标区域的环境监测数据,所述环境监测设备包括土壤湿度传感器、土壤养分传感器、温度传感器和/或湿度传感器。
第二方面,本申请提供了一种药肥使用的监测装置,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令以实现如第一方面中任一技术方案所述的药肥使用的监测方法。
第三方面,本申请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存储有程序代码,所述程序代码用于实现如第一方面中任一技术方案所述的药肥使用的监测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:该方法将通过遥感图像或光谱数据得到的遥感监测数据和通过环境监测设备得到的环境监测数据进行交叉融合,可以互相验证并判断耕地是否违规使用农药化肥,通过两者的联合分析,可提取更多有用的信息,提高判断耕地是否违规使用农药化肥的准确性和可靠性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种药肥使用的监测方法的流程示意图。
图2为本申请实施例提供的药肥使用的监测方法的另一种流程示意图。
图3为本申请实施例提供的一种药肥使用的监测装置的模块图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,下面对本申请实施例提供的一种药肥使用的监测方法、装置及存储介质进行详细介绍,参见图1,一种药肥使用的监测方法,包括以下步骤:
步骤S1, 获取目标区域的遥感监测数据以及环境监测数据,所述遥感监测数据是通过所述目标区域的遥感图像或光谱数据得到的,所述环境监测数据是通过环境监测设备得到的;
步骤S2,将所述遥感监测数据与所述环境监测数据交叉融合,并根据融合结果判断所述目标区域是否违规使用农药化肥;
其中,参见图2,步骤S2具体包括:
步骤S201,根据所述环境监测数据中的土壤养分含量数据,计算土壤中氮、磷和钾元素的含量;
步骤S202,根据遥感监测数据和环境监测数据计算农作物体内的农药残留量;
步骤S203,根据遥感监测数据和环境监测数据,建立农作物生长模型,预测农作物的生长状况和产量;
步骤S204,根据所述土壤养分含量数据、农药残留量和所述农作物生长模型,确定所述目标区域是否违规使用农药化肥。
目标区域为用于种植有机农作物的耕地。卫星遥感监测数据可以通过高分辨率的遥感图像或光谱数据来获取耕地环境和农作物生长状况的信息。例如,可以使用高光谱遥感图像分析农作物的光谱反射率,以评估农作物的健康状况和营养状况。另外,可以使用遥感图像来监测耕地的灌溉情况、土壤湿度等信息。
农田环境监测数据可以通过部署在农田现场的环境监测设备来获取,如土壤湿度传感器、土壤养分传感器、温度传感器、湿度传感器等。这些设备可以实时监测农田环境的各项指标,包括土壤养分含量、土壤湿度、温度、湿度等。
交叉融合之前,可以对卫星遥感监测数据和农田环境监测数据进行预处理,对预处理后的卫星遥感监测数据和农田环境监测数据进行联合分析,提取更多有用的信息,以提高判断耕地是否违规使用农药化肥的准确性和可靠性。
将卫星遥感监测数据与农田环境监测数据交叉融合,可以互相验证并判断耕地是否违规使用农药化肥。具体的,卫星遥感监测数据与农田环境监测数据交叉融合的计算公式和方法如下:
(1)土壤养分含量计算:
根据农田环境监测数据中的土壤养分含量数据,可以计算出土壤中氮、磷、钾等元素的含量,计算公式如下:
氮含量(N)= 样本中全氮含量(%)× 土壤质量(g)÷ 1000
磷含量(P)= 样本中全磷含量(%)× 土壤质量(g)÷ 1000
钾含量(K)= 样本中全钾含量(%)× 土壤质量(g)÷ 1000
其中,样本中全氮、全磷、全钾含量可以通过土壤养分分析仪等设备进行测量。
(2)农药残留量计算:
根据卫星遥感监测数据和农田环境监测数据,可以计算出农药残留量。例如,可以通过以下公式计算农作物体内的农药残留量:
农药残留量(mg/kg)=(采样浓度-本底浓度)/采样体积×干燥样品质量÷1000
其中,采样浓度是指从农作物样品中测得的农药浓度,本底浓度是指环境中不含农药时的背景浓度,采样体积是指采样时采样仪器的体积,干燥样品质量是指采样后干燥样品的质量。
(3)农作物生长模型建立:
根据卫星遥感监测数据和农田环境监测数据,可以建立农作物生长模型,预测农作物的生长状况和产量。例如,可以使用以下公式计算农作物的生物量:
生物量(g/m²)=(地上部分生物量+地下部分生物量)÷取样面积
其中,地上部分生物量是指农作物地上部分的干重,地下部分生物量是指农作物地下部分的干重,取样面积是指取样时所占的面积。
判断是否违规使用农药化肥的具体过程为:
通过以上计算公式获取的土壤养分含量、农药残留量和农作物生长模型等信息,可以判断耕地是否违规使用农药化肥。例如,如果土壤养分含量过高或过低,或者农作物体内农药残留量超过规定阈值,或者农作物生长模型出现异常等情况,可能意味着耕地存在违规使用农药化肥等问题。需要根据具体情况进行分析和判断,制定相应的应对措施。
该方法将通过遥感图像或光谱数据得到的遥感监测数据和通过环境监测设备得到的环境监测数据进行交叉融合,可以互相验证并判断耕地是否违规使用农药化肥,通过两者的联合分析,可提取更多有用的信息,提高判断耕地是否违规使用农药化肥的准确性和可靠性。本发明提出了一种对多源监测数据进行合理高效计算的监控方法,不仅能实现实时判断有机产地是否违规使用农药化肥,还提高了判断过程的精确性和可靠性,是本发明的创新点之一。
一种实现方式中,将所述遥感监测数据与所述环境监测数据交叉融合,包括:数据层融合、特征层融合和决策层融合。
一种实现方式中,数据层融合具体包括:将所述遥感监测数据与所述环境监测数据按表达式(1)直接进行融合,生成新的综合数据集;
NewData=α 1 ×SatelliteData+(1−α 1 )×EnvironmentData (1)
其中,NewData是融合后的综合数据集,SatelliteData是遥感监测数据集,EnvironmentData是环境监测数据集,α 1 是第一权重系数,α 1 用于调节遥感监测数据和环境监测数据的比例。
一种实现方式中,特征层融合具体包括:提取遥感监测数据和环境监测数据的特征,然后按表达式(2)将特征进行融合,生成新的综合特征集;
NewFeatures=α 2 ×SatelliteFeatures+(1−α 2 )×EnvironmentFeatures (2)
其中,NewFeatures是融合后的综合特征集,SatelliteFeatures是遥感监测数据的特征集,EnvironmentFeatures是环境监测数据的特征集,α 2 是第二权重系数,α 2 用于调节遥感监测数据的特征集和环境监测数据的特征集的比例。
一种实现方式中,决策层融合具体包括:将遥感监测数据和环境监测数据进行独立的判断和分析,按表达式(3)将判断结果进行融合,生成新的综合判断结果;NewDecision =α 3 ×SatelliteDecision+(1−α 3 )×EnvironmentDecision(3)
其中,NewDecision是融合后的综合判断结果,SatelliteDecision是遥感监测数据的判断结果,EnvironmentDecision是环境监测数据的判断结果,α 3 是第三权重系数,α 3 用于调节遥感监测数据的判断结果和环境监测数据的判断结果的比例。
一种实现方式中,所述药肥使用的监测方法还包括:根据融合结果验证遥感监测数据与环境监测数据的一致性。
一种实现方式中,所述的药肥使用的监测方法还包括:
使用遥感图像分析农作物的光谱反射率评估农作物的健康状况和营养状况;
使用遥感图像监测所述目标区域的灌溉情况和/或土壤湿度。
一种实现方式中,所述药肥使用的监测方法还包括:通过环境监测设备获取所述目标区域的环境监测数据,所述环境监测设备包括土壤湿度传感器、土壤养分传感器、温度传感器和/或湿度传感器。
参见图3,本申请提供了一种药肥使用的监测装300,包括:
存储器301,用于存储程序指令;
处理器302,用于调用所述存储器中存储的所述程序指令以实现如上述任一实施例所述的药肥使用的监测方法。
在本申请的又一些具体实施例中,还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存储有程序代码,所述程序代码用于实现如上述任一实施例所述的药肥使用的监测方法。
为了便于理解,下面以有机大米为例,对本申请提供的药肥使用监测方法进行详细说明。
卫星遥感通过近红外光谱分析技术可用于识别土壤中的特定化合物和物质。近红外波段是光谱中紧邻可见光波段的一部分,具有一些独特的功能和应用,通过分析土壤在近红外波段的光谱反射特征,可以获取土壤的质地、含水量、有机质含量、养分含量等信息。通过收集土壤的近红外光谱数据,可以分析土壤中的化学成分,从而确定化肥和农药的含量,判断该地块是否施用农药化肥。
卫星遥感通过高光谱成像技术可以确定土壤中的化肥和农药含量。高光谱成像技术利用多个光谱带来获取土壤的详细信息。这种技术可以识别土壤中的特定物质,如氮、磷、钾等营养元素,以及农药和有机污染物等。同时高光谱遥感技术被广泛地用于反演土壤中有机质含量、含水量、重金属及土壤质地等方面的研究应用,以此可以从而确定化肥和农药的含量,判断该地块是否施用农药化肥。
有机大米在生长过程中,均是施用有机肥以及一些无害的方式治理病虫害,其特点便是不会导致产区环境监测指标出现剧烈变化,保护产区环境。
为实现对有机大米产区的农作物生长状况和环境参数的实时监测,在本申请的一些具体实施例中,还提供一种基于卫星遥感和传感器的有机食品农药残留监测系统,该系统通过结合卫星遥感技术和传感器技术,实现了对有机大米产区的农作物生长状况和环境参数的实时监测。本系统当出现其中某一项环境报警,系统将自动关联卫星遥感监测信息,查看变化趋势,若多项均出现异常报警,则判断该有机大米产地违规使用农药化肥。本系统具有广泛的应用前景,可广泛应用于有机农业、生态环保等领域。
系统的建立具体的包括以下步骤:
步骤一:建立有机大米产区卫星遥感数据库
基于多源遥感数据,汇总近三年有机大米产区农作物长势、土壤墒情、病虫害监测等数据,每周更新现在的有机大米的农作物长势情况及产地土壤环境变化情况,实现区域农作物及土壤质量动态变化分析、历史地块大米种植环节追溯等功能。
步骤二:建立有机大米产区本底环境数据库
支持以地块为单位查询相应的环境信息,构建包括但不限于田间空气质量、灌溉水环境质量、土壤环境质量组成的有机大米产区土壤本底数据库。实现区域环境质量、各具体环境指标(例如土壤全氮、速效磷、速效钾、PH、有机质)的一键查询。
步骤三:建立有机大米产区环境监测网
通过网格布点法在有机大米产区布设环境多功能传感器,可随时获取产区土壤数据,若施用农药化肥,环境监测数据((例如空气中的VOCs、土壤全氮、速效磷、速效钾、PH、有机质))将会发生剧烈变化,以此实现对农药化肥监控的监控功能。
步骤四:搭建有机大米综合监测模型,开始常态化监管
首先将有机大米产区本底土壤数据库、卫星遥感近三年有机大米产区农作物长势、土壤墒情、病虫害监测等数据录入平台作为数据底座。通过以下几种功能辨别产地是否施用农药化肥:
本发明提供的一种药肥使用监测方法的实施方式包括以下步骤:
1.通过卫星遥感模块获取地面遥感图像数据;
2.将获取的遥感图像数据输入到图像处理模块进行处理和分析;
3.将处理后的遥感图像数据与传感器模块获取的环境参数进行综合分析;
4.根据综合分析结果判断有机食品是否受到农药的污染。
具体的,农田环境监测系统主要工作过程和原理包括:
首先利用7*24小时的农田环境监测系统对有机大米农田进行常态化监控;
自动监测有机大米农田的各项环境监测数据是否出现异常波动;
若出现某项监测参数(大气环境VOCs、土壤环境PH值、氮磷钾元素、有机质、重金属等指标)剧烈升高或下降,系统将标记为重点监控区域;
同时调取对历史同时期卫星遥感监测数据、最近上一次卫星遥感监测数据、以及异常农事后最近一次的卫星遥感监测数据进行交叉比对,观察农作物长势、病虫害情况、产量预估情况、土壤重金属含量变化以及土壤墒情变化等信息;
若上述指标均与历史数据对比有所变化,则可以判定该地块在这个时期使用了农药化肥等不符合有机大米标准要求的农田投入品。
进一步的,通过对历史同时期、最近上一次和异常农事后最近一次的卫星遥感监测数据进行交叉比对,可以观察农作物长势、病虫害情况、产量预估情况、土壤重金属含量变化以及土壤墒情变化等信息。包括以下几种:
农作物长势信息计算:
通过比较卫星遥感监测数据中的农作物反射率、植被指数等信息与农田环境监测数据中的土壤温度、湿度等参数,可以计算农作物的长势情况。其中,常用的植被指数包括NDVI(归一化差值植被指数)和RVI(比值植被指数)等,计算公式如下:
NDVI =(NIR - Red)÷(NIR + Red);
RVI = NIR ÷ Red;
其中,NIR和Red分别表示近红外波段和红光波段的反射率。
病虫害情况计算:
通过分析卫星遥感监测数据中的农作物纹理、颜色等信息以及农田环境监测数据中的土壤微生物数量、PH值等参数,可以判断农作物是否受到病虫害的侵袭。其中,常用的病虫害指数包括B I (病情指数)和D I (虫情指数)等,计算公式如下:
B I = [(S 1 + S 2 + ... + S n )/ N]×100%;
DI = [(C 1 + C 2 + ... + C n )/ N]×100%;
其中,S 1 、S 2 、...、S n 分别表示病情级别为1、2、...、n的农作物面积,N表示总农作物面积;C 1 、C 2 、...、C n 分别表示虫情级别为1、2、...、n的农作物面积,N表示总农作物面积。
产量预估情况计算:
通过结合卫星遥感监测数据中的农作物长势、生物量等信息以及农田环境监测数据中的土壤营养物质含量、光照强度等参数,可以预测农作物的产量情况。其中,常用的产量预估模型包括线性模型:
线性模型是一种简单的预测模型,通常使用线性回归算法进行建模。它的计算公式如下:
Y = a + bX;
其中,Y表示产量,X表示影响产量的因素(如农作物长势、土壤养分等),a和b是模型的参数。通过训练数据集,可以拟合出参数a和b的值,从而预测产量。
非线性模型:
非线性模型是指模型中包含非线性关系的预测模型。常用的非线性模型包括决策树、支持向量机、神经网络等。决策树(Decision Tree):
决策树是一种基于树结构的分类和回归算法。它的计算公式如下:
F(x) = G(x,θ);
其中,x表示影响产量的因素,θ表示决策树的参数,G(x,θ)表示根据参数θ计算出的决策树模型。决策树模型通过将特征空间划分为多个子空间,并对每个子空间进行递归划分,最终得到一个树形结构,可以根据每个叶子节点的值来进行产量预测。
支持向量机(Support Vector Machine,SVM):
支持向量机是一种基于核函数的分类和回归算法。它的计算公式如下:
f(x) = ∑i=1n ai * k(xi, x) + b
其中:
x表示输入样本。
n表示样本数量。
ai表示支持向量机模型的参数。
k(xi, x)表示核函数,用于计算样本xi和x之间的相似度。
b表示偏置,用于调整超平面的位置和斜率。
支持向量机模型通过将数据映射到高维空间中,并使用核函数来计算样本之间的相似度,最终得到一个超平面,可以根据超平面的位置和斜率来进行产量预测。
神经网络(Neural Network):
神经网络是一种基于神经元模型的分类和回归算法。它的计算公式如下:
y = H(xW+b);
其中,x表示影响产量的因素,W和b表示神经网络的参数,H()表示激活函数,y表示神经网络模型的输出。神经网络模型通过将输入数据经过多层的神经元处理,最终得到一个输出值,可以根据输出值来进行产量预测。
这些模型的计算公式比较复杂,通常需要进行特征工程、选择合适的参数和算法进行建模,然后使用训练数据集进行模型训练和优化。
机器学习模型:
机器学习模型是指通过学习数据中的模式来进行预测的模型。常用的机器学习模型包括随机森林、梯度提升机等。
随机森林(Random Forest):
随机森林是一种基于决策树的集成学习算法。它的计算公式如下:
F(x) = ∑i=1kF^i(x);
其中,x表示影响产量的因素,k表示随机森林中决策树的数量,F^i(x)表示第i棵决策树模型的预测结果。随机森林模型通过将数据集划分为多个子集,并在每个子集上训练一棵决策树,最终将多个决策树的预测结果进行平均或投票,得到最终的产量预测结果。
梯度提升(Gradient Boosting):
梯度提升是一种基于弱学习器的集成学习算法。它的计算公式如下:
F(x) = ∑i=1Tf^i(x);
其中,x表示影响产量的因素,T表示梯度提升模型中的弱学习器数量,f^i(x)表示第i个弱学习器的预测结果。梯度提升模型通过将数据集划分为多个子集,并在每个子集上训练一个弱学习器,最终将多个弱学习器的预测结果进行累加,得到最终的产量预测结果。
这些模型的计算公式也比较复杂,但通常需要进行数据预处理、特征工程、选择合适的参数和算法进行建模,然后使用训练数据集进行模型训练和优化。
土壤重金属含量变化计算:
通过比较卫星遥感监测数据中的农作物长势信息和农田环境监测数据中的土壤重金属含量变化情况,可以判断土壤质量的变化情况。其中,常用的土壤重金属含量计算公式:
土壤质量变化情况 = [(遥感监测数据中的农作物长势信息 - 农田环境监测数据中的土壤重金属含量变化情况)] × 权重系数;
其中,遥感监测数据中的农作物长势信息通常使用农作物长势指数、植被指数等指标来表示,农田环境监测数据中的土壤重金属含量变化情况通常使用土壤重金属含量的变化量或变化率来表示。权重系数可以根据实际情况和需求进行调整和确定,以反映不同因素对土壤质量的影响程度。
土壤墒情变化计算
(1)土壤水分含量变化量=最近一次农田环境监测数据中的土壤水分含量-历史同时期农田环境监测数据中的土壤水分含量;
(2)土壤水分含量变化率=土壤水分含量变化量/最近一次农田环境监测数据中的土壤水分含量×100%。
进一步的,为了提高监测精度,除了卫星遥感监测数据与农田环境监测数据外,还可以增加监测数据的维度,在增加监测数据维度后,可以对多项监测参数进行综合分析,以更全面地评估耕地的健康状况和产量预测。以下是一些可能的数据处理过程或公式:
污染物排放量(EMQ):
EMQ =∑(Q i ×Y i );
其中,Q i 表示某种污染物的排放量,Y i 表示该污染物对耕地健康的影响系数。EMQ用于评估耕地受到的污染物排放量,可以反映土壤和农作物的健康状况。
土壤污染物负荷(SPQ):
SPQ=∑(P i × J i );
其中,P i 表示土壤中某种污染物的含量,J i 表示该污染物对农作物产量的影响系数。SPQ用于评估土壤的污染物负荷,可以反映土壤的质量和对农作物产量的影响。
农作物污染物吸收量(CAP):
CAP =∑(S i × P i × Y i );
其中,S i 表示农作物中某种污染物的吸收量,P i 表示土壤中该污染物的含量,Y i 表示该污染物对农作物产量的影响系数。CAP用于评估农作物对污染物的吸收量,可以反映农作物对土壤污染物的吸收情况和产量预测的影响。
通过大气环境的监测,可以获得耕地周围的大气环境中污染物的种类、浓度和排放情况,从而评估耕地所处的环境质量。同时,根据大气环境中污染物的种类和浓度,可以进一步分析耕地可能受到的环境污染影响,以及可能对农作物生长和产量产生的影响。
具体来说,通过比较不同时间、不同地点的大气环境中污染物监测数据,可以分析耕地周围的大气环境变化趋势,以及可能对耕地健康状况和产量预测的影响。同时,结合其他环境因素(如温度、湿度、光照等)和农作物生长数据,可以更准确地评估耕地的健康状况和产量预测。
土壤环境PH值监测:
PH值是衡量土壤酸碱性的重要指标,可以通过以下公式进行计算:
PH值=[E(H+)/ E0(H+)-E(OH-)/ E0(OH-)]×2.303;
其中,E(H+)为氢离子电极的电动势,E0(H+)为标准氢电极的电动势,E(OH-)为氢氧根离子电极的电动势,E0(OH-)为标准氢氧根电极的电动势,2.303为常数。
氮磷钾元素、有机质、重金属等指标监测:
对于氮磷钾元素、有机质、重金属等指标,可以通过土壤养分分析仪、X射线荧光分析仪等设备进行测量。具体包括:
(1)氮元素监测:
土壤全氮含量(%)= [(样品读数-空白读数)×样品的厚度]/[(标准品的浓度×标准品的厚度)×仪器常数] ;
其中,样品读数为样品测量时得到的数值,空白读数为空白样品测量时得到的数值,样品的厚度为样品在X射线荧光分析仪中的测量厚度,标准品的浓度为标准品中的氮含量,标准品的厚度为标准品在X射线荧光分析仪中的测量厚度,仪器常数为仪器的校准系数。
(2)磷元素监测:
土壤有效磷含量(mg/kg)= [(样品读数-空白读数)×样品的厚度]/[(标准品的浓度×标准品的厚度)×仪器常数] ;
其中,样品读数为样品测量时得到的数值,空白读数为空白样品测量时得到的数值,样品的厚度为样品在X射线荧光分析仪中的测量厚度,标准品的浓度为标准品中的磷含量,标准品的厚度为标准品在X射线荧光分析仪中的测量厚度,仪器常数为仪器的校准系数。
(3)钾元素监测:
土壤速效钾含量(mg/kg)= [(样品读数-空白读数)×样品的厚度]/[(标准品的浓度×标准品的厚度)×仪器常数] ;
其中,样品读数为样品测量时得到的数值,空白读数为空白样品测量时得到的数值,样品的厚度为样品在X射线荧光分析仪中的测量厚度,标准品的浓度为标准品中的钾含量,标准品的厚度为标准品在X射线荧光分析仪中的测量厚度,仪器常数为仪器的校准系数。
有机质监测:
(1)土壤有机质含量(%)= [(传感器读数-空白读数)×稀释倍数]/称样量×转换系数;
其中,传感器读数为传感器测量土壤样品时得到的数值,空白读数为传感器测量空白样品时得到的数值,稀释倍数为样品溶液的稀释倍数,称样量为称取土样的质量,转换系数为将有机质换算为含量的系数。
重金属监测:
(1)土壤重金属含量(mg/kg)= [(传感器读数-空白读数)×稀释倍数]/称样量;
其中,传感器读数为传感器测量土壤样品时得到的数值,空白读数为传感器测量空白样品时得到的数值,稀释倍数为样品溶液的稀释倍数,称样量为称取土样的质量。
需要说明的是,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种药肥使用的监测方法,其特征在于,包括:
获取目标区域的遥感监测数据以及环境监测数据,所述遥感监测数据是通过所述目标区域的遥感图像或光谱数据得到的,所述环境监测数据是通过环境监测设备得到的;
将所述遥感监测数据与所述环境监测数据交叉融合,并根据融合结果判断所述目标区域是否违规使用农药化肥;
其中,根据融合结果判断所述目标区域是否违规使用农药化肥,具体包括:
根据所述环境监测数据中的土壤养分含量数据,计算土壤中氮、磷和钾元素的含量;
根据遥感监测数据和环境监测数据计算农作物体内的农药残留量;
根据遥感监测数据和环境监测数据,建立农作物生长模型,预测农作物的生长状况和产量;
根据所述土壤养分含量数据、农药残留量和所述农作物生长模型,确定所述目标区域是否违规使用农药化肥。
2.根据权利要求1所述的药肥使用的监测方法,其特征在于,将所述遥感监测数据与所述环境监测数据交叉融合,包括:数据层融合、特征层融合和决策层融合。
3. 根据权利要求2所述的药肥使用的监测方法,其特征在于,数据层融合具体包括:将所述遥感监测数据与所述环境监测数据按表达式(1)直接进行融合,生成新的综合数据集;
NewData=α 1 ×SatelliteData+(1−α 1 )×EnvironmentData (1)
其中,NewData是融合后的综合数据集,SatelliteData是遥感监测数据集,EnvironmentData是环境监测数据集,α 1 是第一权重系数,α 1 用于调节遥感监测数据和环境监测数据的比例。
4. 根据权利要求2所述的药肥使用的监测方法,其特征在于,特征层融合具体包括:提取遥感监测数据和环境监测数据的特征,然后按表达式(2)将特征进行融合,生成新的综合特征集;
NewFeatures=α 2 ×SatelliteFeatures+(1−α 2 )×EnvironmentFeatures (2)
其中,NewFeatures是融合后的综合特征集,SatelliteFeatures是遥感监测数据的特征集,EnvironmentFeatures是环境监测数据的特征集,α 2 是第二权重系数,α 2 用于调节遥感监测数据的特征集和环境监测数据的特征集的比例。
5.根据权利要求2所述的药肥使用的监测方法,其特征在于,决策层融合具体包括:将遥感监测数据和环境监测数据进行独立的判断和分析,按表达式(3)将判断结果进行融合,生成新的综合判断结果;NewDecision=α 3 ×SatelliteDecision+(1−α 3 )× EnvironmentDecision(3)
其中,NewDecision是融合后的综合判断结果,SatelliteDecision是遥感监测数据的判断结果,EnvironmentDecision是环境监测数据的判断结果,α 3 是第三权重系数,α 3 用于调节遥感监测数据的判断结果和环境监测数据的判断结果的比例。
6.根据权利要求1所述的药肥使用的监测方法,其特征在于,还包括:根据融合结果验证遥感监测数据与环境监测数据的一致性。
7.根据权利要求1所述的药肥使用的监测方法,其特征在于,还包括:
使用遥感图像分析农作物的光谱反射率评估农作物的健康状况和营养状况;
使用遥感图像监测所述目标区域的灌溉情况和/或土壤湿度。
8.根据权利要求1所述的药肥使用的监测方法,其特征在于,包括:通过环境监测设备获取所述目标区域的环境监测数据,所述环境监测设备包括土壤湿度传感器、土壤养分传感器、温度传感器和/或湿度传感器。
9.一种药肥使用的监测装置,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令以实现如权利要求1至8中任一项所述的药肥使用的监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序代码,所述程序代码用于实现如权利要求1至8中任一项所述的药肥使用的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311348151.1A CN117110242B (zh) | 2023-10-18 | 2023-10-18 | 一种药肥使用的监测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311348151.1A CN117110242B (zh) | 2023-10-18 | 2023-10-18 | 一种药肥使用的监测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117110242A true CN117110242A (zh) | 2023-11-24 |
CN117110242B CN117110242B (zh) | 2024-01-16 |
Family
ID=88809356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311348151.1A Active CN117110242B (zh) | 2023-10-18 | 2023-10-18 | 一种药肥使用的监测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110242B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测系统及方法 |
US20190220964A1 (en) * | 2018-01-15 | 2019-07-18 | The Boeing Company | System and method for monitoring crops |
RU2705549C1 (ru) * | 2019-03-25 | 2019-11-07 | Федеральное государственное бюджетное научное учреждение "Российский научно-исследовательский институт проблем мелиорации" (ФГБНУ "РосНИИПМ") | Способ агрохимического обследования земель сельскохозяйственного назначения |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
CN112179414A (zh) * | 2020-10-08 | 2021-01-05 | 广东后海控股股份有限公司 | 一种作物生长物联网监测系统 |
CN114202438A (zh) * | 2021-11-15 | 2022-03-18 | 安徽易刚信息技术有限公司 | 一种基于智慧农业的天空地一体化农业遥感大数据系统 |
CN114758223A (zh) * | 2022-03-08 | 2022-07-15 | 深圳市五谷网络科技有限公司 | 农药使用的监测预警方法、装置、终端设备及存储介质 |
CN115190373A (zh) * | 2022-06-28 | 2022-10-14 | 伟志股份公司 | 一种基于卫星遥感技术的农业环境及状态监控系统和方法 |
CN116630663A (zh) * | 2023-05-11 | 2023-08-22 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于物联网的智能施药方法及系统 |
-
2023
- 2023-10-18 CN CN202311348151.1A patent/CN117110242B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测系统及方法 |
US20190220964A1 (en) * | 2018-01-15 | 2019-07-18 | The Boeing Company | System and method for monitoring crops |
RU2705549C1 (ru) * | 2019-03-25 | 2019-11-07 | Федеральное государственное бюджетное научное учреждение "Российский научно-исследовательский институт проблем мелиорации" (ФГБНУ "РосНИИПМ") | Способ агрохимического обследования земель сельскохозяйственного назначения |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
CN112179414A (zh) * | 2020-10-08 | 2021-01-05 | 广东后海控股股份有限公司 | 一种作物生长物联网监测系统 |
CN114202438A (zh) * | 2021-11-15 | 2022-03-18 | 安徽易刚信息技术有限公司 | 一种基于智慧农业的天空地一体化农业遥感大数据系统 |
CN114758223A (zh) * | 2022-03-08 | 2022-07-15 | 深圳市五谷网络科技有限公司 | 农药使用的监测预警方法、装置、终端设备及存储介质 |
CN115190373A (zh) * | 2022-06-28 | 2022-10-14 | 伟志股份公司 | 一种基于卫星遥感技术的农业环境及状态监控系统和方法 |
CN116630663A (zh) * | 2023-05-11 | 2023-08-22 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于物联网的智能施药方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117110242B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lutz et al. | Applications of new technologies for monitoring and predicting grains quality stored: Sensors, internet of things, and artificial intelligence | |
Franzen et al. | Algorithms for in‐season nutrient management in cereals | |
Hbirkou et al. | Airborne hyperspectral imaging of spatial soil organic carbon heterogeneity at the field-scale | |
Ayoubi et al. | Application of artificial neural network (ANN) to predict soil organic matter using remote sensing data in two ecosystems | |
Khavaninzadeh et al. | Leaf injury symptoms of Tilia sp. as an indicator of urban habitat quality | |
Gabrielle et al. | A priori parameterisation of the CERES soil-crop models and tests against several European data sets | |
Wuepper et al. | National leverage points to reduce global pesticide pollution | |
Roelofsen et al. | An evaluation of remote sensing derived soil pH and average spring groundwater table for ecological assessments | |
Yan et al. | Impact of parameter uncertainty and water stress parameterization on wheat growth simulations using CERES-Wheat with GLUE | |
CN110057764B (zh) | 一种农药施药安全管理警示装置及方法 | |
Munawar et al. | Agriculture environment monitoring: rapid soil fertility evaluation by means of near infrared spectroscopy | |
Bakhshandeh et al. | A cost and time-effective method to evaluate soil microbial respiration for soil quality assessment | |
Mishra et al. | Machine learning for cation exchange capacity prediction in different land uses | |
Vasudeva et al. | Mapping spatial variability of foliar nitrogen and carbon in Indian tropical moist deciduous sal (Shorea robusta) forest using machine learning algorithms and Sentinel-2 data | |
McMahon et al. | Management intensification maintains wood production over multiple harvests in tropical Eucalyptus plantations | |
Khorrami et al. | A fuzzy multi-criteria decision-making approach for the assessment of forest health applying hyper spectral imageries: A case study from Ramsar forest, North of Iran | |
Kotsaki et al. | Proximal sensing and relationships to soil and vine water status, yield, and berry composition in Ontario vineyards | |
CN117110242B (zh) | 一种药肥使用的监测方法、装置及存储介质 | |
Plaza-Bonilla et al. | The sensitivity of C and N mineralization to soil water potential varies with soil characteristics: Experimental evidences to fine-tune models | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
Gholami et al. | Evaluation the effects of temperature and packaging conditions on the quality of button mushroom during storage using e-nose system | |
Tola et al. | Determining soil organic carbon concentration in agricultural fields using a handheld spectroradiometer: Implication for soil fertility measurement | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
CN111929407A (zh) | 一种茶叶硒含量的预测模型及其构建方法与应用 | |
Meena et al. | Advanced and Emerging Techniques in Soil Health Management |
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 |