CN117132883A - 一种基于gis的智慧农业灾害判别方法及系统 - Google Patents

一种基于gis的智慧农业灾害判别方法及系统 Download PDF

Info

Publication number
CN117132883A
CN117132883A CN202310510779.0A CN202310510779A CN117132883A CN 117132883 A CN117132883 A CN 117132883A CN 202310510779 A CN202310510779 A CN 202310510779A CN 117132883 A CN117132883 A CN 117132883A
Authority
CN
China
Prior art keywords
crop
change
soil
map
disaster
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
CN202310510779.0A
Other languages
English (en)
Other versions
CN117132883B (zh
Inventor
羌栋强
李玲
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.)
Jiangsu Vocational College of Business
Original Assignee
Jiangsu Vocational College of Business
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 Jiangsu Vocational College of Business filed Critical Jiangsu Vocational College of Business
Priority to CN202310510779.0A priority Critical patent/CN117132883B/zh
Publication of CN117132883A publication Critical patent/CN117132883A/zh
Application granted granted Critical
Publication of CN117132883B publication Critical patent/CN117132883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06V10/70—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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于GIS的智慧农业灾害判别方法及系统。通过地理信息系统，得到多个农作物地理图.将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图.根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图。输入灾害预警网络，判别是否存在灾害，得到灾害类别。基于GIS按照地理位置划分区域，得到一个区域的不同时间点的农业变化情况。并从农业变化情况反向得到土壤变化情况，减轻了土壤由于处于地表之下而检测困难。灾害预警网络在地理位置和变化情况下进行特征融合，能够准确预测未来时间点是否会发生灾害和得到灾害的类别，实时进行灾害预警。

Description

一种基于GIS的智慧农业灾害判别方法及系统
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种基于GIS的智慧农业灾害判别方法及系统。
背景技术
目前，采用“农业+人工智能”发展智慧农业，就推进农业数字化，充分利用农业地理空间信息，才能发展农业智能化。利用GIS技术实现海量气候数据、土壤土质实时监测数据，采集农作物根部数据，利用传感器、遥感等终端技术进行农业信息采集，进行农作物数据实时监测和分析，在此基础上进行农业生产。
但是，由于农业地理位置过大，农作物生长过程中变化情况多，若要判断每个区域多个植株的灾害情况需要耗费大量的人力物力，若要对未来可能的农业灾害进行预测，更加困难。
发明内容
本发明的目的在于提供了一种基于GIS的智慧农业灾害判别方法及系统，用以解决现有技术中存在的上述问题。
第一方面，本发明实施例提供了一种基于GIS的智慧农业灾害判别方法，包括：
获得多个时间位置农作物信息；所述时间位置农作物信息包括多个时间点多个位置的农作物信息；所述农作物信息表示农作物的生长情况；
根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图；一个农作物地理图对应一个时间点的农作物信息；农作物地理图表示多个位置的农作物的生长情况；
将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图；两个农作物地理图对应一个农作物变化图；
根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图；一个土壤变化图对应一个农作物变化图；
将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图；
将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别；所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
可选的，所述农作物变化网络的训练方法，包括：
获得农作物生长变化训练集；所述农作物生长变化训练集包括多个训练农作物地理图和多个标注农作物变化图；所述训练农作物地理图表示多个时间点的农业生长情况；所述标注农作物变化图表示农作物变化情况；
获得第一训练农作物地理图和第二训练农作物地理图；所述第一训练农作物地理图和第二训练农作物地理图相差的时间间距小于第一训练农作物地理图与其他训练农作物地理图相差的时间间距；
将第一训练农作物地理图和第二训练农作物地理图输入农业变化卷积网络，得到预测农作物变化图；所述农业变化图表示农作物变化的程度；
将所述预测农作物变化图与所述标注农作物变化图进行求取损失，得到变化损失值；
根据变化损失值后向传播训练农作物变化网络，得到训练好的农作物变化网络。
可选的，所述标注农作物变化图的标注方法，包括：
将所述第一训练农作物地理图和第二训练农作物地理图进行判断，得到农作物地理变化图；所述农作物地理变化图表示多个位置的农作物变化情况；
将所述农作物地理变化图分割为多个区域，得到多个农作物地理变化区域；
根据农作物地理变化区域的多个位置的农作物变化情况，进行判断，得到农作物变化向量；所述农作物变化向量表示一个区域农作物的变化情况；
通过多次判断多个农作物地理变化区域，得到多个农作物变化向量；
将多个农作物变化向量按照所述农作物地理变化图对应的位置进行叠加，得到标注农作物变化图；所述标注农作物变化图为三维图。
可选的，所述将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别，包括：
将所述农作物土壤变化图通过灾害预警网络进行三维卷积，提取灾害特征，得到灾害特征图；所述灾害特征图为三维图；
将所述灾害特征图输入分类器，进行分类，得到灾害向量；所述灾害向量中的值表示是否存在灾害、干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害；
所述灾害预警网络的训练数据为第一时间点的农作物土壤变化图；所述灾害预警网络的标注数据为第二时间点的灾害向量；所述第一时间点早于第二时间点；
若所述灾害向量中表示是否存在灾害的值不大于灾害阈值，判断不存在灾害；
若所述灾害向量中表示是否存在灾害的值大于灾害阈值，判断存在灾害；
若存在灾害，分别判断灾害向量中值是否大于对应的阈值，得到灾害类别。
可选的，所述将所述农作物土壤变化图通过灾害预警网络进行三维卷积，提取灾害特征，得到灾害特征图，包括：
所述灾害预警网络采用三维卷积核以农作物土壤变化图的第三维方向进行三维卷积，得到灾害特征图；
所述三维卷积核的长小于农作物土壤变化图的长；所述三维卷积核的宽小于农作物土壤变化图的宽；所述三维卷积核的高小于农作物土壤变化图的高；
所述三维卷积核的以步长为1向农作物土壤变化图的第一维、第二维和第三维进行移动，提取位置和变化的特征。
可选的，所述土壤预测网络的训练方法，包括：
获得土壤训练集；所述土壤训练集包括多个训练农业变化图和多个标注土壤变化图；所述训练农业变化图表示农业生长情况；所述标注土壤变化图表示土壤的变化情况；所述标注土壤变化图包含土壤含盐量的变化情况、土壤湿度的变化情况、土壤碳元素含量的变化情况和土壤氮元素变化情况；
将所述训练农业变化图输入土壤预测网络，得到预测土壤图；
将所述预测土壤图与所述标注土壤图进行求取损失，得到土壤损失值；
根据土壤损失值后向传播训练土壤预测网络，得到训练好的土壤预测网络。
可选的，所述将所述训练农业变化图输入土壤预测网络，得到预测土壤图，包括：
所述土壤预测网络包括第一土壤卷积网络和第二土壤卷积网络；
将所述训练农业变化图输入第一土壤卷积网络，提取农业变化特征，得到第一土壤卷积特征图；
将所述第一土壤卷积特征图输入第二土壤卷积网络，进行反卷积，得到预测土壤图；
所述第二土壤卷积网络中卷积核的宽大于第一土壤卷积特征图的宽；所述第二土壤卷积网络中卷积核的长大于第一土壤卷积特征图的长。
可选的，所述将所述训练农业变化图输入土壤预测网络，得到预测土壤图，包括；
所述土壤变化图的第一维与所述训练农业变化图的第一维的个数相同；所述土壤变化图的第二维图与所述训练农业变化图的第二维的个数相同；所述土壤变化图的第一维和第二维表示土壤所在位置的情况；
所述土壤变化图的第三维表示土壤的温度、土壤湿度、土壤碳元素含量和土壤氮元素变化情况。
可选的，所述将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图，包括：
获得第一农作物变化图；所述第一农作物变化图为多个农作物变化图中的一个农作物变化图；
获得第一土壤变化图；所述第一土壤变化图为第一农作物变化图通过土壤预测网络检测到的土壤变化图；
将所述第一土壤变化图叠加入第一农作物变化图，得到第一叠加变化图；
通过多次将多个农作物变化图和对应的土壤变化图进行叠加，得到多个叠加变化图；所述叠加变化图表示一个时间点的农作物变化情况和土壤变化情况；
将所述多个叠加变化图根据时间从远到近进行叠加，得到农作物土壤变化图。
第二方面，本发明实施例提供了一种基于GIS的智慧农业灾害系统，包括：
获取模块：获得多个时间位置农作物信息；所述时间位置农作物信息包括多个时间点多个位置的农作物信息；所述农作物信息表示农作物的生长情况；
地理信息系统模块：根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图；一个农作物地理图对应一个时间点的农作物信息；农作物地理图表示多个位置的农作物的生长情况；
农作物变化模块：将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图；两个农作物地理图对应一个农作物变化图；
土壤变化模块：根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图；一个土壤变化图对应一个农作物变化图；
叠加模块：将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图；
灾害预测模块：将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别；所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
相较于现有技术，本发明实施例达到了以下有益效果：
本发明实施例还提供了一种基于GIS的智慧农业灾害判别方法和系统，所述方法包括：获得多个时间位置农作物信息。所述时间位置农作物信息包括多个时间点多个位置的农作物信息。所述农作物信息表示农作物的生长情况。根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图。一个农作物地理图对应一个时间点的农作物信息。农作物地理图表示多个位置的农作物的生长情况。将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图。两个农作物地理图对应一个农作物变化图。根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图。一个土壤变化图对应一个农作物变化图。将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图。将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别。所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
因为判断每个农作物对应的灾害情况浪费大量人力物力，所以基于GIS按照地理位置划分区域，得到一个区域的不同时间点的农业变化情况。并从农业变化情况反向得到土壤变化情况，减轻了土壤由于处于地表之下而检测困难。灾害预警网络采用三维卷积核以农作物土壤变化图的第一维、第二位、第三维方向进行三维卷积，在地理位置和变化情况下进行特征融合，能够准确预测未来时间点是否会发生灾害和得到灾害的类别。实现了农业信息整合，为智慧农业精细化管理提供了关键技术，实时进行灾害预警。
图1是本发明实施例提供的一种基于GIS的智慧农业灾害判别方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。
具体实施方式
下面结合附图，对本发明作详细的说明。
实施例1
如图1所示，本发明实施例提供了一种基于GIS的智慧农业灾害判别方法，所述方法包括：
S101：获得多个时间位置农作物信息。所述时间位置农作物信息包括多个时间点多个位置的农作物信息。所述农作物信息表示农作物的生长情况。
其中，所述每个时间点每个位置的农作物信息包括是否为幼苗期、植株高度、是否为开花期、花苞个数、开花个数、凋谢个数、是否为结果期、绿熟期结果个数、坚熟期结果个数和软熟期结果个数11个信息。
其中，所述农作物信息为距离72小时预测得到的农作物的情况。
其中，绿熟期结果个数表示果实已充分成长,仍呈绿色的果实的个数。坚熟期结果个数表示成熟程度稍高于绿熟,已显固有色彩和风味,但肉质仍坚韧不软的果实的个数。软熟期结果个数表示为完熟，果实色香味均已充分表现的果实的个数。
其中，花苞个数表示农作物花朵为花苞的个数，开花个数表示农作物花朵为展开花朵的个数，凋谢个数农作物花朵为凋谢的花朵的个数。
S102：根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图。一个农作物地理图对应一个时间点的农作物信息。农作物地理图表示多个位置的农作物的生长情况。
其中，检测一个区域中多个位置在不同时间点的农作物信息，将一个时间点的一个区域的农作物信息输入地理信息系统(GIS)，得到一个时间点的农作物地理图。所述农作物地理图表示一个区域的多个位置的农作物生长情况。
S103：将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图。两个农作物地理图对应一个农作物变化图。
其中，所述农作物变化图包含是否为幼苗期转化为幼苗期、植株高度变化、为幼苗期转化为开花期，是否为开花期转化为开花期、花苞变化个数、开花变化个数、凋谢变化个数、是否为幼苗期转化为结果期、是否为开花期转化为结果期、是否为结果期转化为结果期、绿熟期结果变化个数、坚熟期结果变化个数和软熟期结果变化个数13个信息。
S104：根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图。一个土壤变化图对应一个农作物变化图。
S105：将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图。
S106：将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别。所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
可选的，农作物变化网络的训练方法，包括：
获得农作物生长变化训练集。所述农作物生长变化训练集包括多个训练农作物地理图和多个标注农作物变化图。所述多个训练农作物地理图表示多个时间点的农作物的生长情况。所述标注农作物变化图表示农作物变化情况。
其中，所述训练农作物地理图的多个时间点为历史时间点，即所述训练农作物地理图为历史数据。
其中，所述一个训练农作物地理图表示一个时间点的多个位置的农作物的生长情况。
获得第一训练农作物地理图和第二训练农作物地理图。所述第一训练农作物地理图和第二训练农作物地理图相差的时间间距小于第一训练农作物地理图与其他训练农作物地理图相差的时间间距。
其中，所述第一训练农作物地理图检测的时间点早于第二训练农作物地理图检测的时间点。
将第一训练农作物地理图和第二训练农作物地理图输入农业变化卷积网络，得到预测农作物变化图。所述农业变化图表示农作物变化的程度。
其中，所述农业变化卷积网络为卷积神经网络(Convolutional NeuralNetworks,CNN)。
其中，所述预测农作物变化图为三维特征图。所述预测农作物变化图的第一维和第二维表示不同的区域。所述预测农作物变化图的第三维表示农作物变化的程度。
其中，如本实施例中，所述预测农作物变化图为7x7x39，表示将多个位置的农作物信息分为7x7＝49份，每一份中的值表示一个区域的农作物的变化程度。所述农作物变化向量包括一个区域的农作物是否为幼苗期转化为幼苗期的3个程度、植株高度变化的3个程度、为幼苗期转化为开花期的3个程度，是否为开花期转化为开花期的3个程度、花苞变化的3个程度、开花变化的3个程度、凋谢变化的3个程度、是否为幼苗期转化为结果期的3个程度、是否为开花期转化为结果期的3个程度、是否为结果期转化为结果期的3个程度、绿熟期结果变化的3个程度、坚熟期结果变化的3个程度和软熟期结果变化的3个程度一共39个值。
将所述预测农作物变化图与所述标注农作物变化图进行求取损失，得到变化损失值。
其中，本实施例中将预测农作物变化图与标注农业变化图通过交叉熵损失函数求取损失后相加，得到变化损失值。
根据变化损失值后向传播训练农作物变化网络，得到训练好的农作物变化网络。
通过上述方法，根据植株生长的变化、开花的变化、结果的变化转化为程度变化。
可选的，所述标注农作物变化图的标注方法，包括：
将所述第一训练农作物地理图和第二训练农作物地理图进行判断，得到农作物地理变化图。所述农作物地理变化图表示多个位置的农作物变化情况。
其中，所述农作物地理变化图包含每个农作物的是否为幼苗期转化为幼苗期、植株高度变化、为幼苗期转化为开花期，是否为开花期转化为开花期、花苞变化个数、开花变化个数、凋谢变化个数、是否为幼苗期转化为结果期、是否为开花期转化为结果期、是否为结果期转化为结果期、绿熟期结果变化个数、坚熟期结果变化个数和软熟期结果变化个数13个信息。
将所述农作物地理变化图分割为多个区域，得到多个农作物地理变化区域。
根据农作物地理变化区域的多个位置的农作物变化情况，进行判断，得到农作物变化向量。所述农作物变化向量表示一个区域农作物的变化情况。
其中，本实施例中，所述农作物变化向量包括一个区域的农作物是否为幼苗期转化为幼苗期的3个程度、植株高度变化的3个程度、为幼苗期转化为开花期的3个程度，是否为开花期转化为开花期的3个程度、花苞变化的3个程度、开花变化的3个程度、凋谢变化的3个程度、是否为幼苗期转化为结果期的3个程度、是否为开花期转化为结果期的3个程度、是否为结果期转化为结果期的3个程度、绿熟期结果变化的3个程度、坚熟期结果变化的3个程度和软熟期结果变化的3个程度一共39个值。
其中，将第一训练农作物地理图的幼苗期的农作物的个数除以第二训练农作物地理图的幼苗期的农作物的个数的比值.。本实施例中，将幼苗期转化为幼苗期的程度分为三个范围，若比值为0-0.4，将第一转化幼苗程度中值设为1，将第二转化幼苗程度和第三转化幼苗程度中值设为0，若比值为0.4-0.7，将第二转化幼苗程度中值设为1，将第一转化幼苗程度和第三转化幼苗程度中值设为0,若比值为0.7-1，将第三转化幼苗程度中值设为1，将第一转化幼苗程度和第二转化幼苗程度中值设为0。同理植株高度变化的3个程度、为幼苗期转化为开花期的3个程度，是否为开花期转化为开花期的3个程度、花苞变化的3个程度、开花变化的3个程度、凋谢变化的3个程度、是否为幼苗期转化为结果期的3个程度、是否为开花期转化为结果期的3个程度、是否为结果期转化为结果期的3个程度、绿熟期结果变化的3个程度、坚熟期结果变化的3个程度和软熟期结果变化的3个程度。
通过多次判断多个农作物地理变化区域，得到多个农作物变化向量。
将多个农作物变化向量按照所述农作物地理变化图对应的位置进行叠加，得到标注农作物变化图。所述标注农作物变化图为三维图。
可选的，所述将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别，包括：
将所述农作物土壤变化图通过灾害预警网络进行三维卷积，提取灾害特征，得到灾害特征图。所述灾害特征图为三维图。
将所述灾害特征图输入分类器，进行分类，得到灾害向量。所述灾害向量中的值是否存在灾害、干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
所述灾害预警网络的训练数据为第一时间点的农作物土壤变化图；所述灾害预警网络的标注数据为第二时间点的灾害向量；所述第一时间点早于第二时间点。
其中，所述灾害预警网络能够预测未来时间点是否会发生灾害和得到灾害的类别。
其中，所述灾害特征图表示不同区域的灾害特征。
其中，本实施例中，所述分类器为softmax函数。
若所述灾害向量中表示是否存在灾害的值不大于灾害阈值，判断不存在灾害。
若所述灾害向量中表示是否存在灾害的值大于灾害阈值，判断存在灾害。
其中，本实施例中，所述灾害阈值为0.9。
若存在灾害，分别判断灾害向量中值是否大于对应的阈值，得到灾害类别。
其中，若灾害向量中表示干旱灾害的值大于干旱灾害阈值，预测之后会出现干旱灾害。若灾害向量中表示农作物生物灾害的值大于农作物生物灾害阈值，预测之后会出现农作物生物灾害。若灾害向量中表示盐碱化灾害的值大于盐碱化灾害阈值，预测之后会出现盐碱化灾害。若灾害向量中表示洪涝灾害的值大于洪涝灾害阈值，预测之后会出现洪涝灾害。
其中，本实施例中，所述干旱灾害阈值、农作物生物灾害阈值、盐碱化灾害阈值、洪涝灾害阈值为0.8。
可选的，所述将所述农作物土壤变化图通过灾害预警网络进行三维卷积，提取灾害特征，得到灾害特征图，包括：
所述灾害预警网络采用三维卷积核以农作物土壤变化图的第三维方向进行三维卷积，得到灾害特征图。
所述三维卷积核的长小于农作物土壤变化图的长。所述三维卷积核的宽小于农作物土壤变化图的宽。所述三维卷积核的高小于农作物土壤变化图的高。
所述三维卷积核的以步长为1向农作物土壤变化图的第一维、第二维和第三维进行移动，提取位置和变化的特征。
可选的，所述土壤预测网络的训练方法，包括：
获得土壤训练集。所述土壤训练集包括多个训练农业变化图和多个标注土壤变化图。所述训练农业变化图表示农业生长情况。所述标注土壤变化图表示土壤的变化情况。所述标注土壤变化图包含土壤含盐量的变化情况、土壤湿度的变化情况、土壤碳元素含量的变化情况和土壤氮元素变化情况。
其中，土壤变化图包含土壤含盐量的变化情况、土壤湿度的变化情况、土壤碳元素含量的变化情况和土壤氮元素变化情况。土壤含盐量的变化情况包含三个程度，所述土壤含盐量的变化情况为将农业变化图对应的第一训练农作物地理图和第二训练农作物地理图的土壤含盐量进行相减。本实施例中，若相减值为小于0，将第一土壤含盐量程度中值设为1，将第二转土壤含盐量程度和第三土壤含盐量程度中值设为0，若相减值为0-0.05％，将第二土壤含盐量程度中值设为1，将第一转土壤含盐量程度和第三土壤含盐量程度中值设为0,若相减值大于0.05％，将第三土壤含盐量程度中值设为1，将第一转土壤含盐量程度和第二土壤含盐量程度中值设为0。其中，土壤湿度的变化情况、土壤碳元素含量的变化情况和土壤氮元素变化情况也为相同的计算方式。
将所述训练农业变化图输入土壤预测网络，得到预测土壤图。
将所述预测土壤图与所述标注土壤图进行求取损失，得到土壤损失值。
其中，本实施例，将预测土壤图与标注土壤图通过交叉熵损失函数求取损失后相加，得到土壤损失值。
根据土壤损失值后向传播训练土壤预测网络，得到训练好的土壤预测网络。
可选的，所述将所述训练农业变化图输入土壤预测网络，得到预测土壤图，包括。
所述土壤预测网络包括第一土壤卷积网络和第二土壤卷积网络。
将所述训练农业变化图输入第一土壤卷积网络，提取农业变化特征，得到第一土壤卷积特征图。
其中，所述第一土壤卷积网络为卷积神经网络(Convolutional NeuralNetworks,CNN)。
将所述第一土壤卷积特征图输入第二土壤卷积网络，进行反卷积，得到预测土壤图。
其中，所述第二土壤卷积网络为卷积神经网络(Convolutional NeuralNetworks,CNN)。
所述第二土壤卷积网络中卷积核的宽大于第一土壤卷积特征图的宽。所述第二土壤卷积网络中卷积核的长大于第一土壤卷积特征图的长。
可选的，所述将所述训练农业变化图输入土壤预测网络，得到预测土壤图，包括。
所述土壤变化图的第一维与所述训练农业变化图的第一维的个数相同。所述土壤变化图的第二维图与所述训练农业变化图的第二维的个数相同。所述土壤变化图的第一维和第二维表示土壤所在位置的情况。
所述土壤变化图的第三维表示土壤的温度、土壤湿度、土壤碳元素含量和土壤氮元素变化情况.
可选的，所述将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图，包括：
获得第一农作物变化图。所述第一农作物变化图为多个农作物变化图中的一个农作物变化图。
获得第一土壤变化图。所述第一土壤变化图为第一农作物变化图通过土壤预测网络检测到的土壤变化图。
将所述第一土壤变化图叠加入第一农作物变化图，得到第一叠加变化图。
其中，所述第一变化图为三维。
通过多次将多个农作物变化图和对应的土壤变化图进行叠加，得到多个叠加变化图。所述叠加变化图表示一个时间点的农作物变化情况和土壤变化情况。
将所述多个叠加变化图根据时间从远到近进行叠加，得到农作物土壤变化图。
实施例2
基于上述的一种基于GIS的智慧农业灾害判别方法，本发明实施例还提供了一种基于GIS的智慧农业灾害系统，所述系统包括获取模块、获取模块、农作物变化模块、土壤变化模块、叠加模块和灾害预测模块。
获取模块用于获得多个时间位置农作物信息。所述时间位置农作物信息包括多个时间点多个位置的农作物信息。所述农作物信息表示农作物的生长情况。
获取模块用于根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图。一个农作物地理图对应一个时间点的农作物信息。农作物地理图表示多个位置的农作物的生长情况。
农作物变化模块用于将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图。两个农作物地理图对应一个农作物变化图。
土壤变化模块：根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图。一个土壤变化图对应一个农作物变化图。
叠加模块用于将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图。
灾害预测模块用于将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别。所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备，如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种基于GIS的智慧农业灾害判别方法的任一方法的步骤。
其中，在图2中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于GIS的智慧农业灾害判别方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于GIS的智慧农业灾害判别方法，其特征在于，包括：
获得多个时间位置农作物信息；所述时间位置农作物信息包括多个时间点多个位置的农作物信息；所述农作物信息表示农作物的生长情况；
根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图；一个农作物地理图对应一个时间点的农作物信息；农作物地理图表示多个位置的农作物的生长情况；
将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图；两个农作物地理图对应一个农作物变化图；
根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图；一个土壤变化图对应一个农作物变化图；
将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图；
将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别；所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
2.根据权利要求1所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述农作物变化网络的训练方法，包括：
获得农作物生长变化训练集；所述农作物生长变化训练集包括多个训练农作物地理图和多个标注农作物变化图；所述训练农作物地理图表示多个时间点的农业生长情况；所述标注农作物变化图表示农作物变化情况；
获得第一训练农作物地理图和第二训练农作物地理图；所述第一训练农作物地理图和第二训练农作物地理图相差的时间间距小于第一训练农作物地理图与其他训练农作物地理图相差的时间间距；
将第一训练农作物地理图和第二训练农作物地理图输入农业变化卷积网络，得到预测农作物变化图；所述农业变化图表示农作物变化的程度；
将所述预测农作物变化图与所述标注农作物变化图进行求取损失，得到变化损失值；
根据变化损失值后向传播训练农作物变化网络，得到训练好的农作物变化网络。
3.根据权利要求2所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述标注农作物变化图的标注方法，包括：
将所述第一训练农作物地理图和第二训练农作物地理图进行判断，得到农作物地理变化图；所述农作物地理变化图表示多个位置的农作物变化情况；
将所述农作物地理变化图分割为多个区域，得到多个农作物地理变化区域；
根据农作物地理变化区域的多个位置的农作物变化情况，进行判断，得到农作物变化向量；所述农作物变化向量表示一个区域农作物的变化情况；
通过多次判断多个农作物地理变化区域，得到多个农作物变化向量；
将多个农作物变化向量按照所述农作物地理变化图对应的位置进行叠加，得到标注农作物变化图；所述标注农作物变化图为三维图。
4.根据权利要求1所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别，包括：
将所述农作物土壤变化图通过灾害预警网络进行三维卷积，提取灾害特征，得到灾害特征图；所述灾害特征图为三维图；
将所述灾害特征图输入分类器，进行分类，得到灾害向量；所述灾害向量中的值表示是否存在灾害、干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害；
所述灾害预警网络的训练数据为第一时间点的农作物土壤变化图；所述灾害预警网络的标注数据为第二时间点的灾害向量；所述第一时间点早于第二时间点；
若所述灾害向量中表示是否存在灾害的值不大于灾害阈值，判断不存在灾害；
若所述灾害向量中表示是否存在灾害的值大于灾害阈值，判断存在灾害；
若存在灾害，分别判断灾害向量中值是否大于对应的阈值，得到灾害类别。
5.根据权利要求4所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述将所述农作物土壤变化图通过灾害预警网络进行三维卷积，提取灾害特征，得到灾害特征图，包括：
所述灾害预警网络采用三维卷积核以农作物土壤变化图的第三维方向进行三维卷积，得到灾害特征图；
所述三维卷积核的长小于农作物土壤变化图的长；所述三维卷积核的宽小于农作物土壤变化图的宽；所述三维卷积核的高小于农作物土壤变化图的高；
所述三维卷积核的以步长为1向农作物土壤变化图的第一维、第二维和第三维进行移动，提取位置和变化的特征。
6.根据权利要求1所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述土壤预测网络的训练方法，包括：
获得土壤训练集；所述土壤训练集包括多个训练农业变化图和多个标注土壤变化图；所述训练农业变化图表示农业生长情况；所述标注土壤变化图表示土壤的变化情况；所述标注土壤变化图包含土壤含盐量的变化情况、土壤湿度的变化情况、土壤碳元素含量的变化情况和土壤氮元素变化情况；
将所述训练农业变化图输入土壤预测网络，得到预测土壤图；
将所述预测土壤图与所述标注土壤图进行求取损失，得到土壤损失值；
根据土壤损失值后向传播训练土壤预测网络，得到训练好的土壤预测网络。
7.根据权利要求6所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述将所述训练农业变化图输入土壤预测网络，得到预测土壤图，包括：
所述土壤预测网络包括第一土壤卷积网络和第二土壤卷积网络；
将所述训练农业变化图输入第一土壤卷积网络，提取农业变化特征，得到第一土壤卷积特征图；
将所述第一土壤卷积特征图输入第二土壤卷积网络，进行反卷积，得到预测土壤图；
所述第二土壤卷积网络中卷积核的宽大于第一土壤卷积特征图的宽；所述第二土壤卷积网络中卷积核的长大于第一土壤卷积特征图的长。
8.根据权利要求6所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述将所述训练农业变化图输入土壤预测网络，得到预测土壤图，包括；
所述土壤变化图的第一维与所述训练农业变化图的第一维的个数相同；所述土壤变化图的第二维图与所述训练农业变化图的第二维的个数相同；所述土壤变化图的第一维和第二维表示土壤所在位置的情况；
所述土壤变化图的第三维表示土壤的温度、土壤湿度、土壤碳元素含量和土壤氮元素变化情况。
9.根据权利要求1所述的一种基于GIS的智慧农业灾害判别方法，其特征在于，所述将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图，包括：
获得第一农作物变化图；所述第一农作物变化图为多个农作物变化图中的一个农作物变化图；
获得第一土壤变化图；所述第一土壤变化图为第一农作物变化图通过土壤预测网络检测到的土壤变化图；
将所述第一土壤变化图叠加入第一农作物变化图，得到第一叠加变化图；
通过多次将多个农作物变化图和对应的土壤变化图进行叠加，得到多个叠加变化图；所述叠加变化图表示一个时间点的农作物变化情况和土壤变化情况；
将所述多个叠加变化图根据时间从远到近进行叠加，得到农作物土壤变化图。
10.一种基于GIS的智慧农业灾害判别系统，其特征在于，包括：
获取模块：获得多个时间位置农作物信息；所述时间位置农作物信息包括多个时间点多个位置的农作物信息；所述农作物信息表示农作物的生长情况；
地理信息系统模块：根据多个时间位置农作物信息，通过地理信息系统，按照时间点分别绘制图形，得到多个农作物地理图；一个农作物地理图对应一个时间点的农作物信息；农作物地理图表示多个位置的农作物的生长情况；
农作物变化模块：将所述多个农作物地理图输入农作物变化网络，得到多个农作物变化图；
两个农作物地理图对应一个农作物变化图；
土壤变化模块：根据所述多个农作物变化图，通过土壤预测网络，得到多个土壤变化图；
一个土壤变化图对应一个农作物变化图；
叠加模块：将所述多个农作物变化图和多个土壤变化图进行叠加，得到农作物土壤变化图；
灾害预测模块：将所述农作物土壤变化图输入灾害预警网络，判别是否存在灾害，得到灾害类别；所述灾害类别包括干旱灾害、盐碱化灾害、农作物生物灾害和洪涝灾害。
CN202310510779.0A 2023-05-08 2023-05-08 一种基于gis的智慧农业灾害判别方法及系统 Active CN117132883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310510779.0A CN117132883B (zh) 2023-05-08 2023-05-08 一种基于gis的智慧农业灾害判别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310510779.0A CN117132883B (zh) 2023-05-08 2023-05-08 一种基于gis的智慧农业灾害判别方法及系统

Publications (2)

Publication Number Publication Date
CN117132883A true CN117132883A (zh) 2023-11-28
CN117132883B CN117132883B (zh) 2024-03-19

Family

ID=88858917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310510779.0A Active CN117132883B (zh) 2023-05-08 2023-05-08 一种基于gis的智慧农业灾害判别方法及系统

Country Status (1)

Country Link
CN (1) CN117132883B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005200972A (ja) * 2004-01-16 2005-07-28 Kokusai Kogyo Co Ltd 災害情報サービスシステム
WO2015133076A1 (ja) * 2014-03-05 2015-09-11 日本電気株式会社 災害対応システム及び災害対応方法、災害センシング装置及びその処理方法
US20190050948A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
US20200074278A1 (en) * 2018-08-30 2020-03-05 International Business Machines Corporation Farming Portfolio Optimization with Cascaded and Stacked Neural Models Incorporating Probabilistic Knowledge for a Defined Timeframe
CN110926530A (zh) * 2019-11-28 2020-03-27 重庆工商职业学院 一种基于物联网的农田灾害监管方法和系统
KR102110452B1 (ko) * 2019-09-06 2020-06-08 임주환 농작물 수급 관리 시스템
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
CN113705875A (zh) * 2021-08-19 2021-11-26 大气候物联网科技(广州)有限公司 一种农作物病虫害预警方法、系统、装置及存储介质
CN113884132A (zh) * 2021-09-24 2022-01-04 高克 一种基于人工智能语音控制的农业大田控制系统
CN113989509A (zh) * 2021-12-27 2022-01-28 衡水学院 基于图像识别的农作物虫害检测方法、检测系统及设备
WO2022131176A1 (ja) * 2020-12-15 2022-06-23 Ｈａｐｓモバイル株式会社 制御装置、プログラム、システム、及び方法
US20220217894A1 (en) * 2021-01-12 2022-07-14 X Development Llc Predicting soil organic carbon content
CN114819344A (zh) * 2022-04-25 2022-07-29 南京信息工程大学 一种基于关键影响因子的全局时空气象农灾预测方法
CN114937293A (zh) * 2022-04-06 2022-08-23 江苏商贸职业学院 基于gis的农业服务管理方法及系统
WO2022175970A1 (en) * 2021-02-17 2022-08-25 Waycool Foods And Products Private Limited System and method for determining one or more agri-measures
CN115482465A (zh) * 2022-09-20 2022-12-16 广东交通职业技术学院 基于机器视觉的农作物病虫害预测方法、系统及存储介质
CN115544875A (zh) * 2022-09-28 2022-12-30 中国科学院地理科学与资源研究所 基于多雨云地区的土壤水分重建方法、装置以及设备
CN115561432A (zh) * 2022-10-10 2023-01-03 中国矿业大学 一种农田土壤有机碳空间分布图获取方法
CN115936916A (zh) * 2022-12-20 2023-04-07 齐齐哈尔大学 一种基于大数据的智慧农业服务平台

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005200972A (ja) * 2004-01-16 2005-07-28 Kokusai Kogyo Co Ltd 災害情報サービスシステム
WO2015133076A1 (ja) * 2014-03-05 2015-09-11 日本電気株式会社 災害対応システム及び災害対応方法、災害センシング装置及びその処理方法
US20190050948A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
US20200074278A1 (en) * 2018-08-30 2020-03-05 International Business Machines Corporation Farming Portfolio Optimization with Cascaded and Stacked Neural Models Incorporating Probabilistic Knowledge for a Defined Timeframe
KR102110452B1 (ko) * 2019-09-06 2020-06-08 임주환 농작물 수급 관리 시스템
CN110926530A (zh) * 2019-11-28 2020-03-27 重庆工商职业学院 一种基于物联网的农田灾害监管方法和系统
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
WO2021226976A1 (zh) * 2020-05-15 2021-11-18 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
WO2022131176A1 (ja) * 2020-12-15 2022-06-23 Ｈａｐｓモバイル株式会社 制御装置、プログラム、システム、及び方法
US20220217894A1 (en) * 2021-01-12 2022-07-14 X Development Llc Predicting soil organic carbon content
WO2022175970A1 (en) * 2021-02-17 2022-08-25 Waycool Foods And Products Private Limited System and method for determining one or more agri-measures
CN113705875A (zh) * 2021-08-19 2021-11-26 大气候物联网科技(广州)有限公司 一种农作物病虫害预警方法、系统、装置及存储介质
CN113884132A (zh) * 2021-09-24 2022-01-04 高克 一种基于人工智能语音控制的农业大田控制系统
CN113989509A (zh) * 2021-12-27 2022-01-28 衡水学院 基于图像识别的农作物虫害检测方法、检测系统及设备
CN114937293A (zh) * 2022-04-06 2022-08-23 江苏商贸职业学院 基于gis的农业服务管理方法及系统
CN114819344A (zh) * 2022-04-25 2022-07-29 南京信息工程大学 一种基于关键影响因子的全局时空气象农灾预测方法
CN115482465A (zh) * 2022-09-20 2022-12-16 广东交通职业技术学院 基于机器视觉的农作物病虫害预测方法、系统及存储介质
CN115544875A (zh) * 2022-09-28 2022-12-30 中国科学院地理科学与资源研究所 基于多雨云地区的土壤水分重建方法、装置以及设备
CN115561432A (zh) * 2022-10-10 2023-01-03 中国矿业大学 一种农田土壤有机碳空间分布图获取方法
CN115936916A (zh) * 2022-12-20 2023-04-07 齐齐哈尔大学 一种基于大数据的智慧农业服务平台

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
CHUNYING ZENG等: "A deep neural network-based decision support system for intelligent geospatial data analysis in intelligent agriculture system", SOFT COMPUTING, vol. 26, 3 May 2022 (2022-05-03), pages 10813 - 10826 *
JIAQI CUI等: "Extraction of Information on the Flooding Extent of Agricultural Land in Henan Province Based on Multi-Source Remote Sensing Images and Google Earth Engine", AGRONOMY, vol. 13, no. 02, 26 January 2023 (2023-01-26), pages 1 - 28 *
孙强: "农业气象灾害监测预测技术研究进展", 科技风, no. 26, 26 December 2017 (2017-12-26), pages 109 *
朱亚丽: "基于物联网的智慧农业系统研究", 电脑知识与技术, vol. 16, no. 26, pages 240 - 241 *
李志忠等: "卫星遥感支撑地球健康体检", 卫星应用, no. 11, 25 November 2022 (2022-11-25), pages 58 - 64 *
蔡海辉: "基于高光谱技术的枣园土壤养分检测及配方施肥研究", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 01, pages 048 - 515 *
赵赏等: "GIS技术在农业领域的应用", 农机化研究, no. 04, 1 April 2014 (2014-04-01), pages 234 - 237 *
顾玲玲等: "基于云计算的甜瓜种植探究与实践", 无线互联科技, no. 13, 31 July 2022 (2022-07-31), pages 166 - 168 *
马丽莉: "基于GIS的农业气象灾害监测系统的相关研究", 河北农机, no. 06, pages 76 *

Also Published As

Publication number Publication date
CN117132883B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
Parra-Quijano et al. Improving representativeness of genebank collections through species distribution models, gap analysis and ecogeographical maps
Taylor et al. Considerations on spatial crop load mapping
Victorino et al. Yield components detection and image-based indicators for non-invasive grapevine yield prediction at different phenological phases
CN116029860B (zh) 基于gis的智慧农业种植区域规划辅助决策系统
CN111767802A (zh) 一种对象异常状态的检测方法和装置
Noori et al. Site-specific management of common olive: Remote sensing, geospatial, and advanced image processing applications
Campos Banana production in Venezuela: Novel solutions to productivity and plant health
Latif et al. Integration of google play content and frost prediction using cnn: scalable iot framework for big data
Bellis et al. Detecting intra-field variation in rice yield with unmanned aerial vehicle imagery and deep learning
Sabzchi-Dehkharghani et al. Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing
Di Iorio et al. Mapping European canker spatial pattern and disease progression in apples using GIS, Tasman, New Zealand
Mahendran et al. Application of Machine Learning and Internet of Things for Identification of Nutrient Deficiencies in Oil Palm
Hudait et al. Site suitability assessment for traditional betel vine cultivation and crop acreage expansion in Tamluk Subdivision of Eastern India using AHP-based multi-criteria decision making approach
CN117132883B (zh) 一种基于gis的智慧农业灾害判别方法及系统
Sitokonstantinou et al. A Sentinel based agriculture monitoring scheme for the control of the CAP and food security
Rouze et al. Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones
Olsson A method for using Landsat time series for monitoring young plantations in boreal forests
Tanaka et al. Deep learning-based estimation of rice yield using RGB image
Yildirak et al. Adjusting SPI for crop specific agricultural drought
WO2021225528A1 (en) System and method for ai-based improvement of harvesting operations
Jayasinghe et al. Causes of tea land dynamics in Sri Lanka between 1995 and 2030
Lyimo et al. Sensitivity Analysis of Coffee Leaf Rust Disease using Three Deep Learning Algorithms
Ghasem et al. Effects of climate change on dynamics of agricultural lands and cultivation pattern, a case study of Urmia County, Iran
Tiwari et al. In-season crop-area mapping for wheat and rice in Afghanistan and Bangladesh
Robertson et al. Predicting the extent of succulent thicket under current and future climate scenarios

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