CN117114374A - 一种基于天气预测的智慧农业灌溉管理系统 - Google Patents

一种基于天气预测的智慧农业灌溉管理系统 Download PDF

Info

Publication number
CN117114374A
CN117114374A CN202311385552.4A CN202311385552A CN117114374A CN 117114374 A CN117114374 A CN 117114374A CN 202311385552 A CN202311385552 A CN 202311385552A CN 117114374 A CN117114374 A CN 117114374A
Authority
CN
China
Prior art keywords
data
weather
soil
crops
rainfall
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311385552.4A
Other languages
English (en)
Other versions
CN117114374B (zh
Inventor
王启凡
曾宇航
李艳琼
赵雪梅
曾麟钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Shangtou Information Technology Co ltd
Original Assignee
Sichuan Shangtou Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Shangtou Information Technology Co ltd filed Critical Sichuan Shangtou Information Technology Co ltd
Priority to CN202311385552.4A priority Critical patent/CN117114374B/zh
Publication of CN117114374A publication Critical patent/CN117114374A/zh
Application granted granted Critical
Publication of CN117114374B publication Critical patent/CN117114374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Environmental Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Agronomy & Crop Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)

Abstract

本发明公开了一种基于天气预测的智慧农业灌溉管理系统，包括数据采集模块、气象预测模型建立模块、传感器模块和决策模块，通过采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水率，最大根深，作物覆盖率，胁迫系数临界点，基于循环神经网络对气象指标数据训练气象预测模型，采用土壤传感器测量土壤含水量，根据作物的需求量以及土壤供水之间的关系，结合天气雷达预报降雨数据，根据估测降水的时间、降水量等要素，对作物进行灌溉管理。

Description

一种基于天气预测的智慧农业灌溉管理系统
技术领域
本发明属于智慧农业领域，具体涉及一种基于天气预测的智慧农业灌溉管理系统。
背景技术
国家近年来也大力发展农业，支持农业现代化加速发展新格局。
国内外在作物需水量、土壤入渗以及智能灌溉控制方面做了大量的研究，推动了智能灌溉决策的发展，并取得了较多的研究成果，但现有气象预测模型仅限于中期预测，而短时预测对作物的灌溉决策起着更为重要的作用，且现有气象预测模型多处理二维数据，不能充分提取气象数据特征，无法精准预测降水量。
发明内容
为了解决现有技术存在的缺陷，本发明提供了一种基于天气预测的智慧农业灌溉管理系统。
本发明采用技术方案是，一种基于天气预测的智慧农业灌溉管理系统，包括：
数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量，将其输入气象预测模型中进行模拟和预测作物区域的降水量；
气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；
传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；
决策模块：数据决策分析主要采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充。
本发明的有益效果是，采用三维神经网络算法建立气象预测模型，可以实现短时天气预测，依据作物在不同生长时期的需水量、灌溉量和灌溉周期，达到精确管理，从而为作物的灌溉起到更精准的决策辅助，增加作物产出量的效果，且三维神经网络算法可以处理不均匀的3D气象数据，建立更精准的气象预测模型，精准预测降水量，实现智慧农业灌溉管理。
具体实施方式
下面详细描述本申请，本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面对本发明的技术方案如何解决上述技术问题进行详细说明。
本发明采用的技术方案是，一种基于天气预测的智慧农业灌溉管理系统，包括：
数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量，将其输入气象预测模型中进行模拟和预测作物区域的降水量；
数据采集模块包括环境收集模块和卫星气象数据模块，具体的，收集模块包括摄像机，摄像机用来以收集和监测土壤表层的干湿度情况，卫星气象数据模块包括从气象站数据和网络气象数据实时抓取的气象数据。
气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，提取气象数据特征，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；
对气象数据特征提取时，先将样本数据归一化，设置样本每个维度的均值为0，方差为1，计算方法如下：
，
其中，为第i个样本，为所有样本每个特征维度下的平均值，为所有样 本每个特征维度下的标准差，为训练样本数量；
计算协方差矩阵，并对其进行特征值分解；
取前k个特征值对应的特征向量：u1,u2,…,uk;
得到降维后的数据：，其中k为降维后的维度大小；
使用循环神经网络对上下文进行编码，采用卷积层中大小为 3 × 3 × 3 的小卷积核，每个卷积层后跟一个归一化层和一个线性修正单元；将同一个输入序列分别接入向前和向后的两个LSTM中，然后将两个网络的隐含层链接在一起，共同接入到输出层进行预测；给定一个输入序列 x = (x1, ..., xT ) 和目标序列y = (y1, ..., yK)，通过以下等式对当前时间输出的概率进行建模，在训练期间，对于每个学习元素，循环神经网络为每个神经元确定一组权重和偏置：
，
，
，
其中、、、、、和表示权重矩阵，h 表示由可调门控制的内 部隐藏状态，、和表示偏置向量，是隐藏层函数，为t时刻的输出，为向前LSTM 中t时刻的隐藏状态，为向后LSTM中t时刻的隐藏状态。
迭代优化得到使该总体成本函数最小化的权重和偏置参数，该监督机制的损失函数为：
其中，为主损失函数，为辅助损失函数，为训练组，是主网络的权重，是权重辅助分类器，其中取值为２，是最终损失中的对应比率， 为辅助分类器的个数，为权重系数。
此外，需要对气象预测模型进行评估，评估模型效果选用决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）：
，
其中，X为试验数据，Y为模型预测数据，n为总数据数量，为预测数据平均值；R2 值越大，表明建模准确度越高；RMSE 值越小，表明模型准确度越高；当相对分析误差在 2.0 ≤RPD≤2.5 时，表明模型具有很好的定量预测能力。
传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；
具体的，还可以依据作物在不同生长时期的需水量、灌溉量和灌溉周期，综合考虑分析各种环境因素，设置在不同土壤种类下土壤含水量上下阈值，当土壤含水量超过阈值时进行告警提示。
决策模块：数据决策分析主要采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充。
需要说明的是，传感器模块将测量到的土壤含水量传送至数据采集模块，气象预测模型建立模块用来训练预测模型，数据采集模块将采集到的实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点输入气象预测模型中进行模拟和预测作物区域的降水量，最后在决策模块根据估测降水的时间、降水量，对作物在这段时间内蒸腾量损失进行灌溉补充，而使用相应的硬件和软件组成上述模块以实现上述功能是本领域惯用技术手段。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应当理解，上述较佳实施方式仅用来解释和说明本发明的技术方案，而并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所作的任何修饰、等效替换、变形、改进等，均应包含在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于天气预测的智慧农业灌溉管理系统，其特征在于，所述系统包括：
数据采集模块：采集实时气象指标，作物的种植季节，生长阶段信息，土壤含水量，最大根深，作物覆盖率，胁迫系数临界点；其中气象指标来源于风云卫星遥感数据，提取各个维度的数据特征，包括平均大气压力、最高温度、最低温度、平均气温、相对湿度、风速和降雨量，将其输入气象预测模型中进行模拟和预测作物区域的降水量；
气象预测模型建立模块：采用气象站数据和网络气象数据实时抓取，融合现场气象数据，从总样本中随机抽取80%作为训练样本，剩下的20%作为测试样本，基于循环神经网络对气象指标数据进行训练，将降维后的数据作为气象预测模型的输入，实测的未来一到两小时内的降雨量作为标签，训练气象预测模型，并评估模型效果；
传感器模块：采用土壤水分传感器测量土壤含水量，土壤水分传感器发射电磁波，电磁波沿探针传输，到达底部后返回，检测探头输出的电压，由于土壤介电常数的变化取决于土壤的含水量，由输出电压和水分的关系计算出土壤的含水量；
决策模块：数据决策分析主要采用土壤湿度法，即根据作物的需求量以及土壤供水之间的关系，在作物各生育阶段制定出几个不同水平的土壤湿度下限，当土壤湿度为下限时，结合天气雷达预报降雨数据，根据估测降水的时间、降水量，需对作物在这段时间内蒸腾量损失进行灌溉补充。
2.如权利要求1所述的系统，其特征在于，对气象数据特征提取时，先将样本数据归一化，设置样本每个维度的均值为0，方差为1，计算方法如下：
，
其中，为第i个样本，/>为所有样本每个特征维度下的平均值，/>为所有样本每个特征维度下的标准差，/>为训练样本数量；
计算协方差矩阵，并对其进行特征值分解；
取前k个特征值对应的特征向量：u1,u2,…,uk;
得到降维后的数据：，其中k为降维后的维度大小。
3.如权利要求1所述的系统，其特征在于，在神经网络算法中，采用卷积层中大小为 3× 3 × 3 的小卷积核，每个卷积层后跟一个归一化层和一个线性修正单元。
4.如权利要求1所述的系统，其特征在于，使用循环神经网络对上下文进行编码，将同一个输入序列分别接入向前和向后的两个LSTM中，然后将两个网络的隐含层链接在一起，共同接入到输出层进行预测；给定一个输入序列 x = (x1, ..., xT ) 和目标序列y =(y1, ..., yK)，通过以下等式对当前时间输出的概率进行建模，在训练期间，对于每个学习元素，循环神经网络为每个神经元确定一组权重和偏置：
，
，
，
其中、/>、/>、/>、/>、和/>表示权重矩阵，h 表示由可调门控制的内部隐藏状态，/>、/>和/>表示偏置向量，/>是隐藏层函数，/>为t时刻的输出，/>为向前LSTM中t时刻的隐藏状态，/>为向后LSTM中t时刻的隐藏状态。
5.如权利要求1所述的系统，其特征在于，迭代优化得到使总体成本函数最小化的权重和偏置参数，监督机制的损失函数为：
，
其中，为主损失函数，/>为辅助损失函数，/>为训练组，/>是主网络的权重，是权重辅助分类器，其中/>取值为２，/>是最终损失中的对应比率，/>为辅助分类器的个数，/>为权重系数。
6.如权利要求1所述的系统，其特征在于，评估模型效果选用：决定系数（R2 ）、均方根误差（RMSE）和相对分析误差（RPD）：
，
其中，X为试验数据，Y为模型预测数据，n为总数据数量，为预测数据平均值。
CN202311385552.4A 2023-10-25 2023-10-25 一种基于天气预测的智慧农业灌溉管理系统 Active CN117114374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311385552.4A CN117114374B (zh) 2023-10-25 2023-10-25 一种基于天气预测的智慧农业灌溉管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311385552.4A CN117114374B (zh) 2023-10-25 2023-10-25 一种基于天气预测的智慧农业灌溉管理系统

Publications (2)

Publication Number Publication Date
CN117114374A true CN117114374A (zh) 2023-11-24
CN117114374B CN117114374B (zh) 2024-02-06

Family

ID=88798808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311385552.4A Active CN117114374B (zh) 2023-10-25 2023-10-25 一种基于天气预测的智慧农业灌溉管理系统

Country Status (1)

Country Link
CN (1) CN117114374B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117561964A (zh) * 2024-01-15 2024-02-20 上海农林职业技术学院 一种基于人工智能的农业数据管理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106688827A (zh) * 2016-12-09 2017-05-24 中国科学院新疆生态与地理研究所 一种基于农业系统模型的灌溉决策系统及方法
CN110533547A (zh) * 2019-09-27 2019-12-03 中国农业科学院农业信息研究所 果蔬水肥调控方法和装置以及计算机可读存储介质
CN111967665A (zh) * 2020-08-17 2020-11-20 河海大学 一种基于神经网络的灌溉决策方法及系统
CN113449917A (zh) * 2021-06-29 2021-09-28 深圳七号家园信息技术有限公司 一种农业精准种植预警管理方法及系统
CN113554522A (zh) * 2021-06-11 2021-10-26 安徽商贸职业技术学院 基于动态神经网络的葡萄园精准滴灌控制系统
US20220061236A1 (en) * 2020-08-25 2022-03-03 The Board Of Trustees Of The University Of Illinois Accessing agriculture productivity and sustainability
CN117252292A (zh) * 2023-08-10 2023-12-19 谢发焕 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106688827A (zh) * 2016-12-09 2017-05-24 中国科学院新疆生态与地理研究所 一种基于农业系统模型的灌溉决策系统及方法
CN110533547A (zh) * 2019-09-27 2019-12-03 中国农业科学院农业信息研究所 果蔬水肥调控方法和装置以及计算机可读存储介质
CN111967665A (zh) * 2020-08-17 2020-11-20 河海大学 一种基于神经网络的灌溉决策方法及系统
US20220061236A1 (en) * 2020-08-25 2022-03-03 The Board Of Trustees Of The University Of Illinois Accessing agriculture productivity and sustainability
CN113554522A (zh) * 2021-06-11 2021-10-26 安徽商贸职业技术学院 基于动态神经网络的葡萄园精准滴灌控制系统
CN113449917A (zh) * 2021-06-29 2021-09-28 深圳七号家园信息技术有限公司 一种农业精准种植预警管理方法及系统
CN117252292A (zh) * 2023-08-10 2023-12-19 谢发焕 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PAHUJA, ROOP: "Development of semi-automatic recalibration system and curve-fit models for smart soil moisture sensor", MEASUREMENT, vol. 203, pages 1 - 9 *
李若渝: "基于神经网络的磁共振脑组织分割算法的研究", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑), no. 6, pages 060 - 38 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117561964A (zh) * 2024-01-15 2024-02-20 上海农林职业技术学院 一种基于人工智能的农业数据管理系统及方法
CN117561964B (zh) * 2024-01-15 2024-03-19 上海农林职业技术学院 一种基于人工智能的农业数据管理系统及方法

Also Published As

Publication number Publication date
CN117114374B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN109508824A (zh) 一种农作物生长态势检测及产量预估方法
CN110956381A (zh) 一种远程农业信息智能分析系统及农业环境调控方法
CN117114374B (zh) 一种基于天气预测的智慧农业灌溉管理系统
CN114254561A (zh) 一种内涝预测方法、系统及存储介质
CN111783987A (zh) 基于改进bp神经网络的农田参考作物蒸散量预测方法
CN112836575B (zh) 一种基于作物物候期的多时序影像水稻估产方法
CN110222714B (zh) 一种基于arma与bp神经网络的太阳总辐照资源预测方法
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
CN113255972B (zh) 基于Attention机制的短临降水预测方法
CN115376016A (zh) 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
Sun et al. Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network
CN113159439A (zh) 一种作物产量的预测方法、系统、存储介质和电子设备
CN115099500A (zh) 基于权重修正和drsn-lstm模型的水位预测方法
CN113705937A (zh) 联合机器视觉与作物模型的作物估产方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN117423003B (zh) 一种冬小麦越冬期苗情分级遥感监测方法
CN115169728A (zh) 一种基于简化神经网络的土壤肥力预测方法
CN110765901A (zh) 一种基于物联网的农业灾害信息遥感提取系统及方法
CN117114913A (zh) 一种基于大数据的智能化农业数据采集系统
Hassan et al. Integration remote sensing and meteorological data to monitoring plant phenology and estimation crop coefficient and evapotranspiration
CN116403048B (zh) 一种基于多模态数据融合的农作物生长估计模型构建方法
CN112434569A (zh) 一种无人机热成像系统
CN115661674A (zh) 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法

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