CN117114913A - 一种基于大数据的智能化农业数据采集系统 - Google Patents
一种基于大数据的智能化农业数据采集系统 Download PDFInfo
- Publication number
- CN117114913A CN117114913A CN202310807052.9A CN202310807052A CN117114913A CN 117114913 A CN117114913 A CN 117114913A CN 202310807052 A CN202310807052 A CN 202310807052A CN 117114913 A CN117114913 A CN 117114913A
- Authority
- CN
- China
- Prior art keywords
- average
- value
- parameter
- data
- values
- 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.)
- Pending
Links
- 230000012010 growth Effects 0.000 claims abstract description 65
- 239000002689 soil Substances 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 105
- 238000005286 illumination Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013480 data collection Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 30
- 230000007613 environmental effect Effects 0.000 abstract description 25
- 230000008569 process Effects 0.000 abstract description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 239000003570 air Substances 0.000 description 33
- 238000009826 distribution Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000003929 acidic solution Substances 0.000 description 1
- 239000012670 alkaline solution Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- General Business, Economics & Management (AREA)
Abstract
本申请公开了一种基于大数据的智能化农业数据采集系统,其通过综合利用多个时间点的环境数据、土壤条件数据和作物生长数据,来智能化地分析作物的生长进度是否正常,以准确地评估农作物的生长情况,并在作物生长过程中出现异常时能提醒工作人员及时采取措施来改进生长环境或处理潜在问题。
Description
技术领域
本申请涉及大数据领域,且更为具体地,涉及一种基于大数据的智能化农业数据采集系统。
背景技术
现代农业的发展虽然势头凶猛,但是,农作物在生长进度的判断与监控上,大多还是依赖于经验,并且,需要频繁的前往田间进行确认,无法实现智能化、自动化的生产和判断,当大规模的粮食种植时,这将是一个较为繁琐的过程。因此,期待一种解决方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于大数据的智能化农业数据采集系统,其通过综合利用多个时间点的环境数据、土壤条件数据和作物生长数据,来智能化地分析作物的生长进度是否正常,以准确地评估农作物的生长情况,并在作物生长过程中出现异常时能提醒工作人员及时采取措施来改进生长环境或处理潜在问题。
根据本申请的一个方面,提供了一种基于大数据的智能化农业数据采集系统,其包括:
数据获取模块,用于获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值;
数据分析模块,用于基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列;以及
监控结果生成模块,用于基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常。
根据本申请的另一个方面,提供了一种基于大数据的智能化农业数据采集方法,其包括:
获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值;
基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列;以及
基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常。
与现有技术相比,本申请提供的一种基于大数据的智能化农业数据采集系统,其通过综合利用多个时间点的环境数据、土壤条件数据和作物生长数据,来智能化地分析作物的生长进度是否正常,以准确地评估农作物的生长情况,并在作物生长过程中出现异常时能提醒工作人员及时采取措施来改进生长环境或处理潜在问题。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于大数据的智能化农业数据采集系统的框图;
图2为根据本申请实施例的基于大数据的智能化农业数据采集系统的系统架构图;
图3为根据本申请实施例的基于大数据的智能化农业数据采集系统中数据分析模块的框图;
图4为根据本申请实施例的基于大数据的智能化农业数据采集方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
现代农业的发展虽然势头凶猛,但是,农作物在生长进度的判断与监控上,大多还是依赖于经验,并且,需要频繁的前往田间进行确认,无法实现智能化、自动化的生产和判断,当大规模的粮食种植时,这将是一个较为繁琐的过程。因此,期待一种解决方案。
在本申请的技术方案中,提出了一种基于大数据的智能化农业数据采集系统。图1为根据本申请实施例的基于大数据的智能化农业数据采集系统的框图。
图2为根据本申请实施例的基于大数据的智能化农业数据采集系统的系统架构图。如图1和图2所示,根据本申请的实施例的基于大数据的智能化农业数据采集系统300,包括:数据获取模块310,用于获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值;数据分析模块320,用于基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列;以及,监控结果生成模块330,用于基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常。
具体地,所述数据获取模块310,用于获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值。应可以理解,农作物的实际生长状态可通过农作物生长环境和农作物的生长数据来评估。
根据本申请的实施例,可通过温度传感器、湿度传感器、光照传感器、风速传感器、雨量传感器、气压传感器、PH传感器、高度传感器来分别获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值。
温度传感器是一种用于测量环境或物体温度的设备。它可以将温度转换为电信号或数字信号,以便进行监测、控制或记录。温度传感器在许多领域得到广泛应用,包括工业控制、气象监测、医疗设备和家用电器等。通过监测和控制温度,温度传感器可以帮助确保设备的正常运行,并提高生产效率和产品质量。
湿度传感器是一种用于测量空气中湿度水分含量的传感器。它可以通过测量空气中的水蒸气量来确定湿度的程度。湿度传感器通常使用电子元件或化学物质来测量湿度,并将其转换为电信号或其他形式的输出。
光照传感器是一种用于测量环境光照强度的设备。它通常使用光敏元件来转换光信号为电信号,然后通过电路进行处理和测量。光照传感器在许多应用中都有广泛的用途。例如,它们可以用于自动照明系统,根据环境光照强度自动调节灯光亮度。它们还可以在室内外环境监测系统中使用,以监测光照变化并做出相应的调整。
风速传感器是一种用于测量风速的设备。它通常使用一种称为风速传感器的装置来感知周围空气的运动并将其转化为电信号。这些传感器可以测量风的速度、方向和体积流量。
雨量传感器是一种用于测量降水量的设备。它通常由一个容器和一个测量装置组成。当雨水进入容器时,测量装置会记录下降水的数量。这些传感器可以用于气象观测、农业灌溉、城市排水系统等领域。
气压传感器是一种用于测量大气压力的设备。它可以感知周围环境中的气体压力,并将其转换为电信号输出。气压传感器通常由一个压力感应器和一个信号处理器组成,用于将压力转换为可读的数据。
PH传感器是一种用于测量溶液酸碱性的传感器。PH值是用于表示溶液酸碱性强弱的指标,其数值范围从0到14,其中7表示中性溶液,小于7表示酸性溶液,大于7表示碱性溶液。
高度传感器是一种用于测量物体相对高度或海拔高度的设备。它通常通过测量物体与地面或参考平面之间的距离来确定高度。高度传感器可以使用多种技术来实现测量,包括气压传感器、超声波传感器、激光传感器等。
相应的,在一种可能的实现方式中,可通过以下步骤来获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值,例如:安装传感器设备:在农田中安装相应的传感器设备,包括温度传感器、湿度传感器、光照传感器、风速传感器、雨量传感器、气压传感器、土壤PH传感器以及高度传感器。这些传感器将用于测量环境参数和农作物高度;设置数据采集系统:建立一个数据采集系统,用于接收和记录传感器测量到的数据。该系统可以是一个物联网平台或者数据记录仪等,用于实时或定期采集传感器数据;设定采集时间点:根据农作物的生长周期,设定多个时间点进行数据采集。这些时间点应该涵盖整个生长周期,以获得全面的数据;数据采集:在设定的时间点上,通过数据采集系统记录传感器测量到的温度、湿度、光照时间、风速、雨量、气压、土壤PH和农作物高度数据。确保数据的准确性和完整性;数据处理:将采集到的数据进行处理,计算每个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、平均土壤PH值和农作物高度值。可以使用统计分析软件或编程语言进行数据处理;数据分析和应用:根据得到的平均数值,进行数据分析和应用。例如,可以根据平均温度和湿度来判断农作物的生长条件,根据平均光照时间来优化灌溉和光照管理,根据平均风速和雨量来调整防护措施,根据平均气压和土壤PH来评估农作物健康状况。
具体地,所述数据分析模块320,用于基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列。特别地,在本申请的一个具体示例中,如图3所示,所述数据分析模块320,包括:预处理单元321,用于对所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值进行数据预处理以得到多参数集合输入矩阵;局部关联特征提取单元322,用于从所述多参数集合输入矩阵中提取多参数局部关联特征图;展平单元323,用于将所述多参数局部关联特征图的沿通道维度的各个特征矩阵进行特征展平以得到多参数局部关联特征向量的序列;关联表达效果优化单元324,用于对所述多参数局部关联特征向量的序列进行整体关联表达效果优化以得到优化后多参数局部关联特征向量的序列;及,注意力增强单元325,用于将所述优化后多参数局部关联特征向量的序列通过自注意力模块以得到所述加权后多参数局部关联特征向量的序列。
更具体地,所述预处理单元321,用于对所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值进行数据预处理以得到多参数集合输入矩阵。具体地,在本申请的一个具体示例中,所述预处理单元321,包括:将所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值按照时间维度和样本维度排列为所述多参数集合输入矩阵。也就是,将所述被监控农作物在生长周期内的多个时间点下的离散环境数据、土壤条件数据和生长数据进行结构化处理,以便于作为后续模型的输入。值得一提的是,按照时间维度排列可以保留数据的时序关系,使模型能够学习到时间相关的变化和趋势,而按照样本维度排列这样可以将不同参数之间的关联性考虑在内,使模型能够分析多个参数之间的局部关联模式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值进行数据预处理以得到多参数集合输入矩阵,例如:数据收集:收集每个时间点的温度、湿度、光照时间、风速、雨量、气压、土壤PH值和农作物高度值的原始数据。这些数据可以通过传感器、气象站或其他设备进行采集;数据清洗:对收集到的原始数据进行清洗,包括去除异常值、缺失值处理和数据格式转换等。异常值可以通过统计方法或领域知识进行识别和处理,而缺失值可以通过插值、删除或填充等方法进行处理;数据归一化:对不同范围的参数进行归一化,以消除参数之间的量纲差异。常用的归一化方法包括最小-最大归一化和标准化等;特征工程:根据实际需求和领域知识,对原始数据进行特征提取和转换,以得到更具有代表性和可解释性的特征。例如,可以根据温度和湿度计算出露点温度作为一个新的特征;数据合并:将每个时间点的环境参数和农作物高度值进行合并,形成多参数集合输入矩阵。确保每个时间点的数据按照相同的顺序排列,以便后续处理和分析;数据划分:将合并后的数据集划分为训练集、验证集和测试集,用于模型的训练、调优和评估。通常,可以采用随机划分或按时间顺序划分的方法;据保存:将预处理后的数据保存为适当的格式,以便后续的数据分析和建模。常见的数据格式包括CSV、Excel、JSON等。
更具体地,所述局部关联特征提取单元322,用于从所述多参数集合输入矩阵中提取多参数局部关联特征图。具体地,在本申请的一个具体示例中,所述局部关联特征提取单元322,包括:将所述多参数集合输入矩阵通过基于卷积神经网络模型的参数间局部邻域关联模式特征提取器以得到所述多参数局部关联特征图。考虑到所述多参数集合输入矩阵中,各类数据之间往往存在局部的关联关系,比如温度、湿度等参数在时间上可能存在某种规律。因此,在本申请的技术方案中,将所述多参数集合输入矩阵通过基于卷积神经网络模型的参数间局部邻域关联模式特征提取器以得到多参数局部关联特征图。也就是,利用卷积神经网络模型来构建所述参数间局部邻域关联模式特征提取器,以捕捉各类数据之间隐含的高维关联特征信息。
卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,例如图像和视频。CNN在计算机视觉领域取得了很大的成功,广泛应用于图像分类、目标检测、图像生成等任务。CNN的核心思想是利用卷积层和池化层来提取输入数据中的特征,并通过全连接层进行分类或回归。卷积层通过使用一组可学习的滤波器(也称为卷积核)来对输入数据进行卷积操作,从而捕捉局部特征。池化层则用于减小特征图的尺寸,同时保留重要的特征信息。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式从所述多参数集合输入矩阵中提取多参数局部关联特征图,例如:收集环境参数数据:首先,需要收集各个环境参数的数据。这可以通过传感器网络或气象站等设备来实现。例如,温度可以通过温度传感器测量,湿度可以通过湿度传感器测量,光照时间可以通过光照传感器测量,风速可以通过风速传感器测量,雨量可以通过雨量计测量,气压可以通过气压传感器测量,土壤PH值可以通过PH传感器测量;构建多参数集合输入矩阵:将收集到的环境参数数据组织成一个多参数集合输入矩阵。矩阵的每一行代表一个时间点,每一列代表一个环境参数。例如,第一列可以是温度值,第二列可以是湿度值,以此类推;提取多参数局部关联特征图:使用适当的算法或方法,从多参数集合输入矩阵中提取多参数局部关联特征图。特征图是一种表示数据特征的可视化方式,可以帮助我们理解数据之间的关联关系。在这种情况下,多参数局部关联特征图可以显示不同环境参数之间的相关性和变化趋势;分析特征图:对提取得到的多参数局部关联特征图进行分析。通过观察特征图中的模式、趋势和异常,可以获得有关环境参数之间的相互作用和对农作物生长的影响的信息。这些信息可以用于优化农作物种植条件和管理措施。
更具体地,所述展平单元323,用于将所述多参数局部关联特征图的沿通道维度的各个特征矩阵进行特征展平以得到多参数局部关联特征向量的序列。值得注意的是,展平操作可以将特征矩阵中的每个元素按顺序排列,形成一个长向量。这样做的好处是可以保留每个特征图中的空间信息,并将其编码到一维向量中。这种编码方式可以更好地捕捉到特征图中的局部关联性,同时减少了数据的维度,有助于降低计算复杂度和内存消耗。展平操作后的特征向量可以作为输入传递给后续的全连接层或其他分类、回归等任务的网络结构。展平操作后的特征向量可以更方便地进行特征提取和处理,同时也便于网络对特征进行学习和表达。
特征展平(Feature flattening)是指将具有多个维度或层级的特征数据转换为一维的形式,以便更方便地进行处理和分析。在机器学习和数据分析中,特征通常以矩阵或张量的形式表示,其中每个维度或层级代表不同的特征。然而,某些模型或算法可能需要输入一维的特征向量,因此需要对特征进行展平操作。
相应的,在一种可能的实现方式中,可通过以下步骤将所述多参数局部关联特征图的沿通道维度的各个特征矩阵进行特征展平以得到多参数局部关联特征向量的序列,例如:对于每个时间点的多参数局部关联特征图,沿通道维度将各个特征矩阵展平。这意味着将每个特征矩阵的行和列组合成一个一维向量;对于每个时间点,得到的展平特征矩阵将变成一个多参数局部关联特征向量;将每个时间点的多参数局部关联特征向量按顺序排列,形成一个序列;最终得到的序列将包含所有时间点的多参数局部关联特征向量,可以用于后续的分析和处理。
更具体地,所述关联表达效果优化单元324,用于对所述多参数局部关联特征向量的序列进行整体关联表达效果优化以得到优化后多参数局部关联特征向量的序列。在本申请的技术方案中,将所述多参数集合输入矩阵通过基于卷积神经网络模型的参数间局部邻域关联模式特征提取器得到所述多参数局部关联特征图后,所述多参数局部关联特征图的各个特征矩阵之间符合所述卷积神经网络模型的通道分布,由此其特征分布之间存在通道分布差异,而在通过展平层特征展平之后,由于对于特征矩阵的特征分布的空间维度进行了降维,就使得所述多参数局部关联特征向量的序列的各个特征向量之间的关联度进一步降低。这里,考虑到所述多个多参数局部关联特征向量可以被视为每个多参数局部关联特征向量的局部特征集合组成的整体特征集合,从而具有特征集合维度下的相互关联的邻域分布关系。并且,由于所述多个多参数局部关联特征向量遵循所述参数的时间-样本交叉维度下基于卷积神经网络模型的不同维度的局部交叉关联特征分布,因此所述多个多参数局部关联特征向量还具有对应于所述参数在卷积神经网络模型的时间-样本交叉维度关联分布信息的多源信息关联关系。因此,在本申请的一个具体示例中,为了提升所述多个多参数局部关联特征向量之间的整体关联表达效果,对所述多个多参数局部关联特征向量中的每个多参数局部关联特征向量,例如记为Vi进行多源信息融合验前分布评估优化,以获得优化后的多参数局部关联特征向量V′i,具体表示为:
其中Vj是所述多参数局部关联特征向量的第j个上下文端口目标特征向量,是均值特征向量,n为邻域设置超参数,log表示以2为底的对数函数值,表示按位置减法,V′i是所述多参数局部关联特征向量的第i个优化后上下文端口目标特征向量。这里,所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合,基于特征分布融合稳健性的类极大似然估计,来实现各个多参数局部关联特征向量各自的验前信息在局部合成分布上的有效折合,并通过多源情况下的验前分布构建,来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式,以提升各个多参数局部关联特征向量之间基于多源信息关联融合的信息表达效果,从而提升所述多个多参数局部关联特征向量的整体关联表达效果,以提升所述加权后多参数局部关联特征向量的序列的整体关联性,从而提升其排列得到的分类特征向量通过分类器得到的分类结果的准确性。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多参数局部关联特征向量的序列进行整体关联表达效果优化以得到优化后多参数局部关联特征向量的序列,例如:收集数据:首先,需要收集农作物生长周期内多个时间点的环境参数数据和农作物高度值。这些数据可以通过传感器、气象站、土壤检测仪等设备获取;数据预处理:对收集到的数据进行预处理,包括数据清洗、缺失值处理、异常值处理等。确保数据的准确性和完整性;特征提取:从环境参数数据中提取特征,可以包括平均值、标准差、最大值、最小值等统计特征,也可以使用更高级的特征提取方法,如小波变换、频域分析等;特征关联:将提取到的特征与农作物高度值进行关联。可以使用相关性分析等方法来确定哪些特征与农作物高度有较强的关联;序列优化:根据特征关联结果,对多参数局部关联特征向量的序列进行优化。可以使用特征选择、特征加权、特征组合等方法来优化特征序列,使其更能表达农作物生长的关键特征;模型训练和评估:使用优化后的特征序列作为输入,建立机器学习模型或深度学习模型来预测农作物的生长状态或做出其他有用的预测。对模型进行训练和评估,确保模型的准确性和可靠性;反馈和调整:根据模型的预测结果和实际情况的对比,对优化步骤进行反馈和调整。如果模型效果不理想,可以重新选择特征、调整模型参数等,以进一步优化多参数局部关联特征向量的序列。
更具体地,所述注意力增强单元325,用于将所述优化后多参数局部关联特征向量的序列通过自注意力模块以得到所述加权后多参数局部关联特征向量的序列。将所述多参数局部关联特征向量的序列通过自注意力模块以得到加权后多参数局部关联特征向量的序列。其中,将多参数局部关联特征向量序列通过自注意力模块进行加权的目的是通过对序列中的每个特征向量进行权重分配,从而增强对不同特征的关注程度。这样,通过自注意力机制,可以学习到每个特征向量与其他特征向量之间的关联程度,使得模型能够更加关注与作物的生长进度分析相关的关键特征,提高模型在复杂数据中的表征能力。在本申请的技术方案中,将所述多参数局部关联特征向量的序列通过自注意力模块以得到加权后多参数局部关联特征向量的序列的具体编码过程,包括:首先,以所述多参数局部关联特征向量的序列中各个多参数局部关联特征向量作为查询特征向量,分别计算所述查询特征向量与其他多参数局部关联特征向量之间的相似度以得到多个相似度;接着,将所述多个相似度进行加权和以得到对应于所述各个多参数局部关联特征向量的自注意力权重值;然后,基于所述各个多参数局部关联特征向量的自注意力权重值分别对对应的所述各个多参数局部关联特征向量进行加权以得到所述加权后多参数局部关联特征向量的序列。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列,例如:数据收集:首先,需要安装传感器来收集农田中各种环境参数的数据,包括温度、湿度、光照时间、风速、雨量、气压和土壤PH值。此外,还需要安装高度传感器来获取农作物的高度值。这些传感器可以定期采集数据,并将其存储在数据库中;数据预处理:对于每个时间点的数据,需要计算平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值和土壤平均PH值。这可以通过对每个时间点的数据进行平均计算得到;特征提取:使用深度卷积神经网络模型来提取特征。将每个时间点的平均环境参数和农作物高度值作为输入,通过模型的前向传播过程,从中提取特征。模型可以使用卷积层、池化层和全连接层等来学习数据中的特征;特征加权:对于每个时间点,从模型中得到的特征向量,根据其重要性进行加权处理。可以使用一些加权方法,如特征选择算法或者根据领域专家的知识来确定每个特征的权重;序列建模:将加权后的特征向量按照时间顺序组成序列。这样可以将时间序列的局部关联性考虑在内,以更好地捕捉农作物生长过程中的动态变化;训练模型:使用已经标注好的数据集,将序列特征向量作为输入,农作物的生长阶段或其他相关信息作为标签,训练深度卷积神经网络模型。通过反向传播算法和优化算法,调整模型的参数以最小化预测误差;预测和应用:训练好的模型可以用于对新的数据进行预测。给定一段时间内的平均环境参数和农作物高度值,模型可以预测农作物的生长阶段或其他相关信息。这些预测结果可以用于农作物生长管理,优化种植条件,提高产量和质量。
具体地,所述监控结果生成模块330,用于基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常。特别地,在本申请的一个具体示例中,所述监控结果生成模块330,包括:将所述加权后多参数局部关联特征向量的序列排列为分类特征向量后通过分类器以得到分类结果,所述分类结果用于表示被监控农作物的生长进度是否正常。具体地,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。也就是,利用分类器对所述分类特征向量进行分类映射处理,从而实现智能化地判断被监控农作物的生长进度是否正常。
分类器是一种机器学习算法,用于将输入数据分配到不同的类别或标签中。它通过学习已知数据的模式和特征来进行分类,并在未知数据上进行预测。分类器可以应用于各种领域,如图像识别、文本分类、欺诈检测等。
Softmax分类函数是一种常用的分类函数,用于将一个具有多个类别的输入向量映射到一个概率分布上。它通常用于多类别分类问题。Softmax函数的作用是将输入向量中的每个元素转化为一个介于0和1之间的概率值,并且所有概率值的和为1。这样可以表示每个类别的概率,进而进行分类决策。在机器学习中,Softmax函数通常与交叉熵损失函数配合使用,用于训练分类模型。在训练过程中,模型通过最小化交叉熵损失来调整权重和偏置,从而使得模型的预测结果与实际标签尽可能接近。训练完成后,可以使用Softmax函数将模型的输出转化为类别概率,选择概率最大的类别作为最终预测结果。
全连接层是深度学习中常用的一种神经网络层类型。它也被称为密集连接层或者全连接层。全连接层的每个神经元与前一层的所有神经元相连接,每个连接都有一个权重。全连接层的作用是将前一层的特征进行线性组合和非线性变换,生成新的特征表示。在深度学习的神经网络中,全连接层通常用于最后的分类任务。例如,在图像分类任务中,全连接层接收来自卷积层和池化层的特征图,并将它们展平成一个向量,然后通过一系列的全连接层进行分类。全连接层的每个神经元都有一个权重和一个偏置,它们通过训练过程中的反向传播来学习。反向传播通过梯度下降的方法,根据预测结果与真实标签之间的差距来调整权重和偏置,以使网络的输出更接近真实标签。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常,例如:收集环境参数数据:使用传感器网络或气象站等设备,收集农田中的环境参数数据,包括温度、湿度、光照时间、风速、雨量、气压、土壤PH值等。这些数据可以提供农作物生长所需的环境信息;收集农作物高度数据:使用高度传感器或激光测距仪等设备,定期测量农作物的高度值。可以选择在农作物生长周期内的多个时间点进行测量,以获取更全面的数据;数据预处理:对收集到的环境参数和农作物高度数据进行预处理,包括数据清洗、去除异常值、填补缺失值等。确保数据的准确性和完整性;特征提取:从预处理后的数据中提取特征。可以使用统计方法、时间序列分析方法或机器学习方法来提取与农作物生长相关的特征。例如,可以计算环境参数的均值、方差、最大值、最小值等统计特征,或者提取时间序列数据的趋势、周期性等特征;构建特征向量序列:将提取到的特征组合成特征向量序列。每个特征向量包含多个环境参数特征和一个对应的农作物高度值;加权多参数局部关联特征向量序列:对特征向量序列进行加权处理,以考虑不同特征对农作物生长的重要性。可以使用加权方法,根据领域专家的知识或通过机器学习算法来确定权重;生长进度判断:根据加权后的多参数局部关联特征向量序列,通过比较当前的特征向量与正常生长模式的差异,来判断农作物的生长进度是否正常。可以使用阈值或者机器学习模型进行判断;异常检测和反馈:如果判断结果显示农作物的生长进度异常,可以及时发出警报或提供反馈给农场管理人员。他们可以采取相应的措施,如调整灌溉量、施肥量、防治病虫害等,以促进农作物的正常生长。
如上所述,根据本申请实施例的基于大数据的智能化农业数据采集系统300可以实现在各种无线终端中,例如具有基于大数据的智能化农业数据采集算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于大数据的智能化农业数据采集系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于大数据的智能化农业数据采集系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于大数据的智能化农业数据采集系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于大数据的智能化农业数据采集系统300与该无线终端也可以是分立的设备,并且该基于大数据的智能化农业数据采集系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,还提供一种基于大数据的智能化农业数据采集方法。
图4为根据本申请实施例的基于大数据的智能化农业数据采集方法的流程图。如图4所示,根据本申请实施例的基于大数据的智能化农业数据采集方法,包括:S110,获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值;S120,基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列;以及,S130,基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常。
综上,根据本申请实施例的基于大数据的智能化农业数据采集方法被阐明,其通过综合利用多个时间点的环境数据、土壤条件数据和作物生长数据,来智能化地分析作物的生长进度是否正常,以准确地评估农作物的生长情况,并在作物生长过程中出现异常时能提醒工作人员及时采取措施来改进生长环境或处理潜在问题。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种基于大数据的智能化农业数据采集系统,其特征在于,包括:
数据获取模块,用于获取被监控农作物在生长周期内多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值;
数据分析模块,用于基于深度卷积神经网络模型,从所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值提取加权后多参数局部关联特征向量的序列;以及
监控结果生成模块,用于基于所述加权后多参数局部关联特征向量的序列,确定被监控农作物的生长进度是否正常。
2.根据权利要求1所述的基于大数据的智能化农业数据采集系统,其特征在于,所述数据分析模块,包括:
预处理单元,用于对所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值进行数据预处理以得到多参数集合输入矩阵;
局部关联特征提取单元,用于从所述多参数集合输入矩阵中提取多参数局部关联特征图;
展平单元,用于将所述多参数局部关联特征图的沿通道维度的各个特征矩阵进行特征展平以得到多参数局部关联特征向量的序列;
关联表达效果优化单元,用于对所述多参数局部关联特征向量的序列进行整体关联表达效果优化以得到优化后多参数局部关联特征向量的序列;及
注意力增强单元,用于将所述优化后多参数局部关联特征向量的序列通过自注意力模块以得到所述加权后多参数局部关联特征向量的序列。
3.根据权利要求2所述的基于大数据的智能化农业数据采集系统,其特征在于,所述预处理单元,用于:
将所述多个时间点的平均温度值、平均湿度值、平均光照时间、平均风速值、平均雨量值、平均气压值、土壤平均PH值和农作物高度值按照时间维度和样本维度排列为所述多参数集合输入矩阵。
4.根据权利要求3所述的基于大数据的智能化农业数据采集系统,其特征在于,所述局部关联特征提取单元,用于:
将所述多参数集合输入矩阵通过基于卷积神经网络模型的参数间局部邻域关联模式特征提取器以得到所述多参数局部关联特征图。
5.根据权利要求4所述的基于大数据的智能化农业数据采集系统,其特征在于,所述关联表达效果优化单元,用于:
其中vj是所述多参数局部关联特征向量的第j个上下文端口目标特征向量,是均值特征向量,n为邻域设置超参数,log表示以2为底的对数函数值,/>表示按位置减法,V′ i是所述多参数局部关联特征向量的第i个优化后上下文端口目标特征向量。
6.根据权利要求5所述的基于大数据的智能化农业数据采集系统,其特征在于,所述监控结果生成模块,用于:
将所述加权后多参数局部关联特征向量的序列排列为分类特征向量后通过分类器以得到分类结果,所述分类结果用于表示被监控农作物的生长进度是否正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807052.9A CN117114913A (zh) | 2023-07-03 | 2023-07-03 | 一种基于大数据的智能化农业数据采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807052.9A CN117114913A (zh) | 2023-07-03 | 2023-07-03 | 一种基于大数据的智能化农业数据采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114913A true CN117114913A (zh) | 2023-11-24 |
Family
ID=88809958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310807052.9A Pending CN117114913A (zh) | 2023-07-03 | 2023-07-03 | 一种基于大数据的智能化农业数据采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114913A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291444A (zh) * | 2023-11-27 | 2023-12-26 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
-
2023
- 2023-07-03 CN CN202310807052.9A patent/CN117114913A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291444A (zh) * | 2023-11-27 | 2023-12-26 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
CN117291444B (zh) * | 2023-11-27 | 2024-01-19 | 华兴国创(北京)科技有限公司 | 一种数字乡村业务管理方法及系统 |
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241905B (zh) | 用于预测土壤和/或植物状况的方法 | |
CN110163472B (zh) | 大范围极端干旱应急监测与影响评估方法及系统 | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
CN117540908B (zh) | 基于大数据的农业资源整合方法和系统 | |
Kareem et al. | An evaluation of CNN and ANN in prediction weather forecasting: A review | |
CN115457403A (zh) | 一种基于多类型遥感图像的农作物智能识别方法 | |
CN116543347A (zh) | 智慧虫情在线监测系统、方法、装置及介质 | |
Chaudhary et al. | Deep learning approaches for forecasting Strawberry yields and prices using satellite images and station-based soil parameters | |
Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
Vivekanandhan et al. | Adaptive neuro fuzzy inference system to enhance the classification performance in smart irrigation system | |
CN117789037A (zh) | 作物生长期预测方法及装置 | |
CN117743975A (zh) | 山坡耕地土壤环境改良方法 | |
CN113537645A (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
Aversano et al. | Water stress classification using Convolutional Deep Neural Networks. | |
Ghannam et al. | Comparison of deep learning approaches for forecasting urban short-term water demand a Greater Sydney Region case study | |
FAISAL | A pest monitoring system for agriculture using deep learning | |
Shi et al. | Multivariate multi-step agrometeorological forecast model for rapid spray | |
CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
Chaudhary et al. | Deep Learning Approach for Forecasting Apple Yield Using Soil Parameters | |
CN116757338B (zh) | 农作物产量预测方法、装置、电子设备及存储介质 | |
Sumalatha et al. | Real Time Big Data Analytics for Agricultural Land Hotspot Prediction |
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 |