CN117151354A - 一种农田修复与改良管理方法及系统 - Google Patents
一种农田修复与改良管理方法及系统 Download PDFInfo
- Publication number
- CN117151354A CN117151354A CN202311439854.5A CN202311439854A CN117151354A CN 117151354 A CN117151354 A CN 117151354A CN 202311439854 A CN202311439854 A CN 202311439854A CN 117151354 A CN117151354 A CN 117151354A
- Authority
- CN
- China
- Prior art keywords
- soil nutrient
- parameters
- farmland
- preset
- improved
- 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
- 230000006872 improvement Effects 0.000 title claims abstract description 106
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 235000015097 nutrients Nutrition 0.000 claims abstract description 371
- 239000002689 soil Substances 0.000 claims abstract description 345
- 238000010586 diagram Methods 0.000 claims abstract description 80
- 239000000126 substance Substances 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 238000012097 association analysis method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 abstract description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 239000011575 calcium Substances 0.000 description 5
- 229910052791 calcium Inorganic materials 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 4
- 239000011777 magnesium Substances 0.000 description 4
- 229910052749 magnesium Inorganic materials 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011593 sulfur Substances 0.000 description 4
- 229910052717 sulfur Inorganic materials 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005067 remediation Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 235000010755 mineral Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000443 biocontrol Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000001514 detection method Methods 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
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 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
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农田管理技术领域，特别是一种农田修复与改良管理方法及系统，获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，能够确保每个生长阶段作物所需的养分都得到满足，使得各区域的农田可以得到最适合的养分供应，能够提高作物产量和品质。
Description
技术领域
本发明涉及农田管理技术领域，特别是一种农田修复与改良管理方法及系统。
背景技术
现代农业中，农田的无机物和有机物的改良调节修复对于提高农作物的产量和质量具有重要意义。农田的改良与修复旨在改善土壤的物理、化学和生物特性，调节土壤的肥力、保水性和通气性，提供植物所需的营养和水分，并控制有害的土壤微生物和病虫害。目前，一些常见的技术包括有机肥料的施用、矿质肥料的施用、灌溉管理、翻耕和松土、生物防治和种植轮作。但是在农田耕作过程中一些矿质肥料的使用可能导致土壤养分的不均衡，并且灌溉管理的缺乏和不合理使用可能导致水分浪费和土壤水分不均衡。而由于农作物在各个生长阶段所需要的无机物和有机物成分各不相同，农田中无机物和有机物不均衡会导致农作物的产量和质量大大降低。因此，目前需要一种新的农田无机物与有机物改良与修复方法，以解决上述问题，提高农作物的产量和质量，并实现可持续农业发展。
发明内容
本发明克服了现有技术的不足，提供了一种农田修复与改良管理方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种农田修复与改良管理方法，包括以下步骤：
获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图；
获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数；
获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；
若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，并将待修复与改良农田的最终修复与改良方案输出。
进一步地，本发明的一个较佳实施例中，获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图，具体为：
通过无人机获取农田中农作物的实时生长图像信息，并对所述实时生长图像信息进行去噪、灰度化以及形态学处理，得到预处理后的实时生长图像信息；
对所述预处理后的实时生长图像信息进行特征提取处理，得到实时生长图像中农作物的多个形状特征点；
通过局部异常因子算法计算各个形状特征点的局部异常因子值，将局部异常因子值大于预设局部异常因子值的形状特征点标记为奇异特征点，并将各奇异特征点筛除，得到筛选后的形状特征点
以所述筛选后的形状特征点为中心，在所述预处理后的实时生长图像信息中提取出各个筛选后的形状特征点在预设范围内的图像块，并对所述图像块进行离散处理，得到多个离散特征点；
基于所述筛选后的形状特征点与离散特征点生成密集特征点，选取任意一个密集特征点作为坐标原点，根据所述坐标原点建立三维坐标系，并在所述三维坐标系在获取各个密集特征点的相对三维坐标信息，根据各个密集特征点的相对三维坐标信息重构得到农作物的实时生长模型图。
进一步地，本发明的一个较佳实施例中，获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数，具体为：
通过大数据网络获取农田中农作物在不同生长时期的土壤养分需求参数，以及获取农作物在不同生长时期对应的三维特征模型图；
将农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数进行压缩绑定处理，得到若干个农作物在不同生长时期的特征信息数据包；构建知识图谱，将所述特征信息数据包导入所述知识图谱中；
将所述实时生长模型图导入所述知识图谱中，通过欧几里德距离算法计算所述实时生长模型图与各三维特征模型图之间的欧几里德距离值，根据所述欧几里德距离值确定出所述实时生长模型图与各三维特征模型图之间的重合度，得到多个重合度；对多个所述重合度进行大小排序，提取出最大重合度；
获取与最大重合度对应的三维特征模型图，并提取与最大重合度对应的三维特征模型图的特征信息数据包；在与最大重合度对应的三维特征模型图的特征信息数据包中提取出农作物在当前生长时期的预设土壤养分需求参数。
进一步地，本发明的一个较佳实施例中，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度，具体为：
获取农田中的实际土壤养分参数，并对所述实际土壤养分参数进行分类处理，得到不同类型实际土壤养分及其对应的养分参数，并对不同类型实际土壤养分按照预设规律进行排序，排序完成后，基于排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图；
获取预设土壤养分需求参数，并对所述预设土壤养分需求参数进行分类处理，得到不同类型预设土壤养分及其对应的养分参数，并对不同类型预设土壤养分按照预设规律进行排序，排序完成后，基于排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图；
构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理；配对完成后，计算所述实际土壤养分参数曲线图与预设土壤养分参数曲线图中相重合线段部分的线段长度，以及计算不相重合线段部分的线段长度；
根据所述相重合线段部分的线段长度与不相重合线段部分的线段长度计算出实际土壤养分参数与预设土壤养分需求参数之间的重叠度。
进一步地，本发明的一个较佳实施例中，获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，具体为：
预制多种土壤养分组合参数，并预制在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，构建数据库，将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入所述数据库中，得到特性数据库；其中，所述修复与改良方案中包括需添加化学物质的类型及用量；
获取待修复与改良农田的实际土壤养分参数，将所述实际土壤养分参数导入所述特性数据库中，通过灰色关联分析法计算所述实际土壤养分参数与各土壤养分组合参数之间的关联度，得到多个关联度；
构建排序表，将多个所述关联度输入所述排序表中进行大小排序，排序完成后，提取出最大关联度；
获取与最大关联度对应的土壤养分组合参数，并根据与最大关联度对应的土壤养分组合参数确定出待修复与改良农田的初始修复与改良方案。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
获取待修复与改良农田区域的遥感图像数据信息，根据所述遥感图像数据信息得到待修复与改良农田区域的地形特征数据；根据所述地形特征数据构建待修复与改良农田区域的地形结构三维模型图；
根据所述待修复与改良农田的初始修复与改良方案提取出需添加化学物质的类型及用量；
将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，得到若干个需添加化学物质的施用位置点；
将所述需添加化学物质的施用位置点导入所述初始修复与改良方案，更新初始修复与改良方案，得到待修复与改良农田的最终修复与改良方案。
本发明第二方面公开了一种农田修复与改良管理系统，所述农田修复与改良管理系统包括存储器与处理器，所述存储器中存储有农田修复与改良管理方法程序，当所述农田修复与改良管理方法程序被所述处理器执行时，实现如下步骤：
获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图；
获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数；
获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；
若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，并将待修复与改良农田的最终修复与改良方案输出。
进一步地，本发明的一个较佳实施例中，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度，具体为：
获取农田中的实际土壤养分参数，并对所述实际土壤养分参数进行分类处理，得到不同类型实际土壤养分及其对应的养分参数，并对不同类型实际土壤养分按照预设规律进行排序，排序完成后，基于排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图；
获取预设土壤养分需求参数，并对所述预设土壤养分需求参数进行分类处理，得到不同类型预设土壤养分及其对应的养分参数，并对不同类型预设土壤养分按照预设规律进行排序，排序完成后，基于排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图；
构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理；配对完成后，计算所述实际土壤养分参数曲线图与预设土壤养分参数曲线图中相重合线段部分的线段长度，以及计算不相重合线段部分的线段长度；
根据所述相重合线段部分的线段长度与不相重合线段部分的线段长度计算出实际土壤养分参数与预设土壤养分需求参数之间的重叠度。
进一步地，本发明的一个较佳实施例中，获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，具体为：
预制多种土壤养分组合参数，并预制在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，构建数据库，将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入所述数据库中，得到特性数据库；其中，所述修复与改良方案中包括需添加化学物质的类型及用量；
获取待修复与改良农田的实际土壤养分参数，将所述实际土壤养分参数导入所述特性数据库中，通过灰色关联分析法计算所述实际土壤养分参数与各土壤养分组合参数之间的关联度，得到多个关联度；
构建排序表，将多个所述关联度输入所述排序表中进行大小排序，排序完成后，提取出最大关联度；
获取与最大关联度对应的土壤养分组合参数，并根据与最大关联度对应的土壤养分组合参数确定出待修复与改良农田的初始修复与改良方案。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
获取待修复与改良农田区域的遥感图像数据信息，根据所述遥感图像数据信息得到待修复与改良农田区域的地形特征数据；根据所述地形特征数据构建待修复与改良农田区域的地形结构三维模型图；
根据所述待修复与改良农田的初始修复与改良方案提取出需添加化学物质的类型及用量；
将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，得到若干个需添加化学物质的施用位置点；
将所述需添加化学物质的施用位置点导入所述初始修复与改良方案，更新初始修复与改良方案，得到待修复与改良农田的最终修复与改良方案。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：本方法可以根据农田的土壤特性、作物需求和生长阶段生成个性化的农田修复与改良方案，确保每个生长阶段作物所需的养分都得到满足，并使得各区域的农田可以得到最适合的养分供应，在提高作物产量和品质的同时，改善土壤健康，实现可持续农业发展，减少环境影响；利用先进的算法和模型自动生成修复与改良方案，以确保长期的土壤养分供应，减少了连续耕种对土壤的养分耗竭，有助于避免土壤贫瘠化和退化；并且可以根据农田实际情况精确准规划出需添加化学物质的类型、用量以及施用点，避免了不必要的养分浪费，从而降低种植的成本。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1为一种农田修复与改良管理方法的第一方法流程图；
图2为一种农田修复与改良管理方法的第二方法流程图；
图3为一种农田修复与改良管理方法的第三方法流程图；
图4为一种农田修复与改良管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面公开了一种农田修复与改良管理方法，包括以下步骤：
S102：获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图；
S104：获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数；
S106：获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；
S108：若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，并将待修复与改良农田的最终修复与改良方案输出。
需要说明的是，通过本方法可以根据农田的土壤特性、作物需求和生长阶段生成个性化的农田修复与改良方案，确保每个生长阶段作物所需的养分都得到满足，并使得各区域的农田可以得到最适合的养分供应，在提高作物产量和品质的同时，改善土壤健康，实现可持续农业发展，减少环境影响；利用先进的算法和模型自动生成修复与改良方案，以确保长期的土壤养分供应，减少了连续耕种对土壤的养分耗竭，有助于避免土壤贫瘠化和退化；并且可以根据农田实际情况精确准规划出需添加化学物质的类型、用量以及施用点，避免了不必要的养分浪费，从而降低种植的成本。
进一步地，本发明的一个较佳实施例中，获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图，具体为：
通过无人机获取农田中农作物的实时生长图像信息，并对所述实时生长图像信息进行去噪、灰度化以及形态学处理，得到预处理后的实时生长图像信息；
对所述预处理后的实时生长图像信息进行特征提取处理，得到实时生长图像中农作物的多个形状特征点；
通过局部异常因子算法计算各个形状特征点的局部异常因子值，将局部异常因子值大于预设局部异常因子值的形状特征点标记为奇异特征点，并将各奇异特征点筛除，得到筛选后的形状特征点
以所述筛选后的形状特征点为中心，在所述预处理后的实时生长图像信息中提取出各个筛选后的形状特征点在预设范围内的图像块，并对所述图像块进行离散处理，得到多个离散特征点；
基于所述筛选后的形状特征点与离散特征点生成密集特征点，选取任意一个密集特征点作为坐标原点，根据所述坐标原点建立三维坐标系，并在所述三维坐标系在获取各个密集特征点的相对三维坐标信息，根据各个密集特征点的相对三维坐标信息重构得到农作物的实时生长模型图。
需要说明的是，局部异常因子（Local Outlier Factor，简称LOF）算法是一种用于异常检测的机器学习算法，用于识别在数据集中相对于其周围邻居而言具有异常特征的数据点，LOF算法可以帮助识别出不同密度区域中的异常点，而不仅仅是全局的异常值。可以通过如ORB、SIFT等算法对所述预处理后的实时生长图像信息进行特征提取处理，得到实时生长图像中农作物的多个形状特征点，即农作物的外形特征点；在特征提取处理过程中，由于图像冗余度的问题，所提出得到的形状特征点会存在漂移、失真等现象，此为奇异特征点，可以通过局部异常因子算法将这些奇异特征点检测出来并筛除，从而得到准确度更高的特征点。并且以所述筛选后的形状特征点为中心，进一步提取出更多的特征点，从而形成密集特征点，以增加特征点的数量，进一步提高模型建模精度；然后获取再各个密集特征点的相对三维坐标信息，然后再将各个密集特征点的相对三维坐标信息导入如SolidWorks、CAD等建模软件中绘制得到农作物的实时生长模型图。通过本方法能够根据图像信息快速重构得到完整度高、精度高的、还原度高的农作物的实时生长模型图。
其中，还可以通过无人机获取农田中农作物的高光谱或多光谱数据信息，以结合实时生长图像信息对农作物生长情况进行准确量化评判。
进一步地，本发明的一个较佳实施例中，获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数，具体为：
通过大数据网络获取农田中农作物在不同生长时期的土壤养分需求参数，以及获取农作物在不同生长时期对应的三维特征模型图；
将农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数进行压缩绑定处理，得到若干个农作物在不同生长时期的特征信息数据包；构建知识图谱，将所述特征信息数据包导入所述知识图谱中；
将所述实时生长模型图导入所述知识图谱中，通过欧几里德距离算法计算所述实时生长模型图与各三维特征模型图之间的欧几里德距离值，根据所述欧几里德距离值确定出所述实时生长模型图与各三维特征模型图之间的重合度，得到多个重合度；对多个所述重合度进行大小排序，提取出最大重合度；
获取与最大重合度对应的三维特征模型图，并提取与最大重合度对应的三维特征模型图的特征信息数据包；在与最大重合度对应的三维特征模型图的特征信息数据包中提取出农作物在当前生长时期的预设土壤养分需求参数。
需要说明的是，土壤养分包括氮、磷、钾、钙、镁、硫等宏量元素、中量元素以及微量元素。所述三维特征模型图能够表征农作物在不同生长时期的特征形状，如各个生长时期玉米的颈部形状特征、叶部形状特征。利用欧几里德距离计算两个三维模型之间相似度的原理是基于模型中各个对应点之间的距离来量化它们的差异程度，在三维模型比较中，通常将模型表示为一系列点的集合，每个点包括其在三维空间中的坐标，欧几里德距离值是一个常见的距离度量方式，用于衡量两个点之间的直线距离。通过本方法能够根据农田中农作物的实时生长模型图确定出农作物的生长时期，进而自动匹配出农作物在当前生长时期的预设土壤养分需求参数。
进一步地，本发明的一个较佳实施例中，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度，具体为：
获取农田中的实际土壤养分参数，并对所述实际土壤养分参数进行分类处理，得到不同类型实际土壤养分及其对应的养分参数，并对不同类型实际土壤养分按照预设规律进行排序，排序完成后，基于排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图；
获取预设土壤养分需求参数，并对所述预设土壤养分需求参数进行分类处理，得到不同类型预设土壤养分及其对应的养分参数，并对不同类型预设土壤养分按照预设规律进行排序，排序完成后，基于排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图；
构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理；配对完成后，计算所述实际土壤养分参数曲线图与预设土壤养分参数曲线图中相重合线段部分的线段长度，以及计算不相重合线段部分的线段长度；
根据所述相重合线段部分的线段长度与不相重合线段部分的线段长度计算出实际土壤养分参数与预设土壤养分需求参数之间的重叠度。
需要说明的是，可以通过一系列提前布置的传感器（如氮含量传感器）获取农田中的实际土壤养分参数，由于农田中的土壤养分有多种，如氮、磷、钾、钙、镁、硫等，因此需要对这些土壤养分参数进行分类处理，然后再进行排序处理，如依次将氮、磷、钾、钙、镁、硫类型的养分进行排序。然后根据排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图，同时根据排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图，以将实际土壤养分参数与预设土壤养分参数进行可视化转换，更利于后续对这些数据的对比处理，提高处理速度。可以通过如CAD等软件构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理，如可以在实际土壤养分参数与预设土壤养分参数中检索出在两个或两个以上数值相同的参数作为配对基准。将相重合线段部分的线段长度与不相重合线段部分的线段长度进行比值处理，得到重叠度。若所述重叠度不大于预设重叠度，说明该农田中土壤养分参数与预设土壤养分参数之间偏差较大，说明需要对该农田进行修复与改良处理，以确保农作物的产量和质量，则将该农田标记为待修复与改良农田。
如图2所示，进一步地，本发明的一个较佳实施例中，获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，具体为：
S202：预制多种土壤养分组合参数，并预制在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，构建数据库，将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入所述数据库中，得到特性数据库；其中，所述修复与改良方案中包括需添加化学物质的类型及用量；
S204：获取待修复与改良农田的实际土壤养分参数，将所述实际土壤养分参数导入所述特性数据库中，通过灰色关联分析法计算所述实际土壤养分参数与各土壤养分组合参数之间的关联度，得到多个关联度；
S206：构建排序表，将多个所述关联度输入所述排序表中进行大小排序，排序完成后，提取出最大关联度；
S208：获取与最大关联度对应的土壤养分组合参数，并根据与最大关联度对应的土壤养分组合参数确定出待修复与改良农田的初始修复与改良方案。
需要说明的是，通过技术人员提前预制多种土壤养分组合参数，如不同含量参数的氮、磷、钾、钙、镁、硫养分组合。并且通过技术人员提前制定出在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，如农田土壤中缺乏特定含量钾、钙时所需添加化学物质的类型及用量，其中化学物质包括有机物与无机物。然后将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入数据库中，得到特性数据库。灰色关联分析法是一种用于分析不同数集之间关联程度的方法，它可以在数据集的特征值之间进行比较，以评估它们之间的关联度。这种方法常用于多因素之间的关联分析，例如在决策、预测和评价等领域。通过本方法能够根据待修复与改良农田的实际土壤养分参数在特性数据库中快速匹配出待修复与改良农田的初始修复与改良方案。
如图3所示，进一步地，本发明的一个较佳实施例中，还包括以下步骤：
S302：获取待修复与改良农田区域的遥感图像数据信息，根据所述遥感图像数据信息得到待修复与改良农田区域的地形特征数据；根据所述地形特征数据构建待修复与改良农田区域的地形结构三维模型图；
S304：根据所述待修复与改良农田的初始修复与改良方案提取出需添加化学物质的类型及用量；
S306：将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，得到若干个需添加化学物质的施用位置点；
S308：将所述需添加化学物质的施用位置点导入所述初始修复与改良方案，更新初始修复与改良方案，得到待修复与改良农田的最终修复与改良方案。
需要说明的是，蚁群算法的基本思想是通过模拟蚂蚁在搜索问题中的行为来寻找问题的优化解。蚂蚁在寻找食物的过程中会释放一种化学物质，称为信息素，它能够引导其他蚂蚁选择相同的路径。路径上的信息素浓度会根据路径的质量和蚂蚁通过的次数进行调整。信息素挥发的速度也会影响路径的选择。这种信息素交流机制能够帮助蚂蚁群体逐渐找到最短路径。通过将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，从而迭代出待修复与改良农田需添加化学物质的施用位置点。通过本方法能够结合待修复与改良农田地形结构以确定出农田不同区域的坡度、排水情况等，从而可以更精确地规划化学物质的施用点，这有助于避免化学物质施用不均匀，从而提高农田的修复与改良效果。并且通过根据地形结构规划施用点，可以避免在不必要的区域施用，从而节约化学物质的使用成本。不同地形结构需要不同的施用策略，基于地形的自动规划可以为农田每个区域提供个性化的施用方案，以满足不同地区的需求。
此外，所述一种农田修复与改良管理方法还包括以下步骤：
通过所述最终修复与改良方案对待修复与改良农田区域进行修复后，在预设时间后通过无人机获取预设位置的农作物的实际生长图像信息，根据所述实际生长图像信息构建农作物的实际生长模型图；
构建三维坐标系，将所述实际生长模型图与实时生长模型图导入所述三维坐标系中进行配对处理，配对完成后；
在所述三维坐标系中将实际生长模型图与实时生长模型图相重合的模型部分剔除，并将不相重合的模型部分保留，得到生长偏差图；
通过网格化法计算所述生长偏差图的体积值，并将所述体积值与预设体积值进行比较；若所述体积值大于预设体积值，则将修复后的农田区域标定为修复与改良效果合格区域；若所述体积值不大于预设体积值，则将修复后的农田区域标定为修复与改良效果不合格区域。
需要说明的是，当对农田进行修复与改良后，通过本方法来快速有效监测农作物的后续生长状况判断农田的修复与改良效果是否合格，若不合格，则需要对修复与改良效果不合格区域再次进行修复与改良，以确保农田的修复与改良效果的有效性。
此外，所述一种农田修复与改良管理方法还包括以下步骤：
对所述地形结构三维模型图进行识别，以识别出待修复与改良农田区域中是否存在预设场景；其中，所述预设场景包括水井、河流；
若存在则获取预设场景，则获取预设场景的地理位置；
获取对待修复与改良农田区域进行修复时的修复时间段，并获取修复时间段的气候环境信息；
基于所述地形结构三维模型图与气候环境信息构建流体动力学模型，将所述最终修复与改良方案中，以根据所述流体动力学模型推演出化学物质在施用后的迁移位置；
判断所述迁移位置与所述预设场景的地理位置是否重合，若重合，则重新规划需添加化学物质的施用位置点，规划完毕后更新所述最终修复与改良方案。
需要说明的是，若农田中存在水井、河流等，为了避免化学物质在施用后迁移至水井、河流区域上，从而对水井、河流造成污染，需要重新规划需添加化学物质的施用位置点。通过以上方法能够结合施用气候环境以及地形信息推测出化学物质在施用后是否会对预设场景造成污染，能够生态保护环境。
如图4所示，本发明第二方面公开了一种农田修复与改良管理系统，所述农田修复与改良管理系统包括存储器12与处理器16，所述存储器12中存储有农田修复与改良管理方法程序，当所述农田修复与改良管理方法程序被所述处理器16执行时，实现如下步骤：
获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图；
获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数；
获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；
若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，并将待修复与改良农田的最终修复与改良方案输出。
进一步地，本发明的一个较佳实施例中，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度，具体为：
获取农田中的实际土壤养分参数，并对所述实际土壤养分参数进行分类处理，得到不同类型实际土壤养分及其对应的养分参数，并对不同类型实际土壤养分按照预设规律进行排序，排序完成后，基于排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图；
获取预设土壤养分需求参数，并对所述预设土壤养分需求参数进行分类处理，得到不同类型预设土壤养分及其对应的养分参数，并对不同类型预设土壤养分按照预设规律进行排序，排序完成后，基于排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图；
构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理；配对完成后，计算所述实际土壤养分参数曲线图与预设土壤养分参数曲线图中相重合线段部分的线段长度，以及计算不相重合线段部分的线段长度；
根据所述相重合线段部分的线段长度与不相重合线段部分的线段长度计算出实际土壤养分参数与预设土壤养分需求参数之间的重叠度。
进一步地，本发明的一个较佳实施例中，获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，具体为：
预制多种土壤养分组合参数，并预制在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，构建数据库，将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入所述数据库中，得到特性数据库；其中，所述修复与改良方案中包括需添加化学物质的类型及用量；
获取待修复与改良农田的实际土壤养分参数，将所述实际土壤养分参数导入所述特性数据库中，通过灰色关联分析法计算所述实际土壤养分参数与各土壤养分组合参数之间的关联度，得到多个关联度；
构建排序表，将多个所述关联度输入所述排序表中进行大小排序，排序完成后，提取出最大关联度；
获取与最大关联度对应的土壤养分组合参数，并根据与最大关联度对应的土壤养分组合参数确定出待修复与改良农田的初始修复与改良方案。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
获取待修复与改良农田区域的遥感图像数据信息，根据所述遥感图像数据信息得到待修复与改良农田区域的地形特征数据；根据所述地形特征数据构建待修复与改良农田区域的地形结构三维模型图；
根据所述待修复与改良农田的初始修复与改良方案提取出需添加化学物质的类型及用量；
将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，得到若干个需添加化学物质的施用位置点；
将所述需添加化学物质的施用位置点导入所述初始修复与改良方案，更新初始修复与改良方案，得到待修复与改良农田的最终修复与改良方案。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种农田修复与改良管理方法，其特征在于，包括以下步骤：
获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图；
获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数；
获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；
若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，并将待修复与改良农田的最终修复与改良方案输出。
2.根据权利要求1所述的一种农田修复与改良管理方法，其特征在于，获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图，具体为：
通过无人机获取农田中农作物的实时生长图像信息，并对所述实时生长图像信息进行去噪、灰度化以及形态学处理，得到预处理后的实时生长图像信息；
对所述预处理后的实时生长图像信息进行特征提取处理，得到实时生长图像中农作物的多个形状特征点；
通过局部异常因子算法计算各个形状特征点的局部异常因子值，将局部异常因子值大于预设局部异常因子值的形状特征点标记为奇异特征点，并将各奇异特征点筛除，得到筛选后的形状特征点
以所述筛选后的形状特征点为中心，在所述预处理后的实时生长图像信息中提取出各个筛选后的形状特征点在预设范围内的图像块，并对所述图像块进行离散处理，得到多个离散特征点；
基于所述筛选后的形状特征点与离散特征点生成密集特征点，选取任意一个密集特征点作为坐标原点，根据所述坐标原点建立三维坐标系，并在所述三维坐标系在获取各个密集特征点的相对三维坐标信息，根据各个密集特征点的相对三维坐标信息重构得到农作物的实时生长模型图。
3.根据权利要求1所述的一种农田修复与改良管理方法，其特征在于，获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数，具体为：
通过大数据网络获取农田中农作物在不同生长时期的土壤养分需求参数，以及获取农作物在不同生长时期对应的三维特征模型图；
将农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数进行压缩绑定处理，得到若干个农作物在不同生长时期的特征信息数据包；构建知识图谱，将所述特征信息数据包导入所述知识图谱中；
将所述实时生长模型图导入所述知识图谱中，通过欧几里德距离算法计算所述实时生长模型图与各三维特征模型图之间的欧几里德距离值，根据所述欧几里德距离值确定出所述实时生长模型图与各三维特征模型图之间的重合度，得到多个重合度；对多个所述重合度进行大小排序，提取出最大重合度；
获取与最大重合度对应的三维特征模型图，并提取与最大重合度对应的三维特征模型图的特征信息数据包；在与最大重合度对应的三维特征模型图的特征信息数据包中提取出农作物在当前生长时期的预设土壤养分需求参数。
4.根据权利要求1所述的一种农田修复与改良管理方法，其特征在于，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度，具体为：
获取农田中的实际土壤养分参数，并对所述实际土壤养分参数进行分类处理，得到不同类型实际土壤养分及其对应的养分参数，并对不同类型实际土壤养分按照预设规律进行排序，排序完成后，基于排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图；
获取预设土壤养分需求参数，并对所述预设土壤养分需求参数进行分类处理，得到不同类型预设土壤养分及其对应的养分参数，并对不同类型预设土壤养分按照预设规律进行排序，排序完成后，基于排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图；
构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理；配对完成后，计算所述实际土壤养分参数曲线图与预设土壤养分参数曲线图中相重合线段部分的线段长度，以及计算不相重合线段部分的线段长度；
根据所述相重合线段部分的线段长度与不相重合线段部分的线段长度计算出实际土壤养分参数与预设土壤养分需求参数之间的重叠度。
5.根据权利要求1所述的一种农田修复与改良管理方法，其特征在于，获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，具体为：
预制多种土壤养分组合参数，并预制在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，构建数据库，将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入所述数据库中，得到特性数据库；其中，所述修复与改良方案中包括需添加化学物质的类型及用量；
获取待修复与改良农田的实际土壤养分参数，将所述实际土壤养分参数导入所述特性数据库中，通过灰色关联分析法计算所述实际土壤养分参数与各土壤养分组合参数之间的关联度，得到多个关联度；
构建排序表，将多个所述关联度输入所述排序表中进行大小排序，排序完成后，提取出最大关联度；
获取与最大关联度对应的土壤养分组合参数，并根据与最大关联度对应的土壤养分组合参数确定出待修复与改良农田的初始修复与改良方案。
6.根据权利要求5所述的一种农田修复与改良管理方法，其特征在于，还包括以下步骤：
获取待修复与改良农田区域的遥感图像数据信息，根据所述遥感图像数据信息得到待修复与改良农田区域的地形特征数据；根据所述地形特征数据构建待修复与改良农田区域的地形结构三维模型图；
根据所述待修复与改良农田的初始修复与改良方案提取出需添加化学物质的类型及用量；
将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，得到若干个需添加化学物质的施用位置点；
将所述需添加化学物质的施用位置点导入所述初始修复与改良方案，更新初始修复与改良方案，得到待修复与改良农田的最终修复与改良方案。
7.一种农田修复与改良管理系统，其特征在于，所述农田修复与改良管理系统包括存储器与处理器，所述存储器中存储有农田修复与改良管理方法程序，当所述农田修复与改良管理方法程序被所述处理器执行时，实现如下步骤：
获取农田中农作物的实时生长图像信息，根据所述实时生长图像信息构建农作物的实时生长模型图；
获取农作物不同生长时期的三维特征模型图与对应的土壤养分需求参数，根据所述实时生长模型图、三维特征模型图与土壤养分需求参数确定出农作物在当前生长时期的预设土壤养分需求参数；
获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度；
若所述重叠度不大于预设重叠度，则将该农田标记为待修复与改良农田；则获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，并将待修复与改良农田的最终修复与改良方案输出。
8.根据权利要求7所述的一种农田修复与改良管理系统，其特征在于，获取农田中的实际土壤养分参数，并将所述实际土壤养分参数与预设土壤养分需求参数进行对比，得到实际土壤养分参数与预设土壤养分需求参数之间的重叠度，具体为：
获取农田中的实际土壤养分参数，并对所述实际土壤养分参数进行分类处理，得到不同类型实际土壤养分及其对应的养分参数，并对不同类型实际土壤养分按照预设规律进行排序，排序完成后，基于排序后的实际土壤养分及其对应的养分参数构建实际土壤养分参数曲线图；
获取预设土壤养分需求参数，并对所述预设土壤养分需求参数进行分类处理，得到不同类型预设土壤养分及其对应的养分参数，并对不同类型预设土壤养分按照预设规律进行排序，排序完成后，基于排序后的预设土壤养分及其对应的养分参数构建预设土壤养分参数曲线图；
构建虚拟空间，将所述实际土壤养分参数曲线图与预设土壤养分参数曲线图导入所述虚拟空间中进行配对处理；配对完成后，计算所述实际土壤养分参数曲线图与预设土壤养分参数曲线图中相重合线段部分的线段长度，以及计算不相重合线段部分的线段长度；
根据所述相重合线段部分的线段长度与不相重合线段部分的线段长度计算出实际土壤养分参数与预设土壤养分需求参数之间的重叠度。
9.根据权利要求7所述的一种农田修复与改良管理系统，其特征在于，获取待修复与改良农田的实际土壤养分参数，根据待修复与改良农田的实际土壤养分参数确定出待修复与改良农田的最终修复与改良方案，具体为：
预制多种土壤养分组合参数，并预制在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案，构建数据库，将在修复与改良各种土壤养分组合参数的农田时对应的修复与改良方案导入所述数据库中，得到特性数据库；其中，所述修复与改良方案中包括需添加化学物质的类型及用量；
获取待修复与改良农田的实际土壤养分参数，将所述实际土壤养分参数导入所述特性数据库中，通过灰色关联分析法计算所述实际土壤养分参数与各土壤养分组合参数之间的关联度，得到多个关联度；
构建排序表，将多个所述关联度输入所述排序表中进行大小排序，排序完成后，提取出最大关联度；
获取与最大关联度对应的土壤养分组合参数，并根据与最大关联度对应的土壤养分组合参数确定出待修复与改良农田的初始修复与改良方案。
10.根据权利要求9所述的一种农田修复与改良管理系统，其特征在于，还包括以下步骤：
获取待修复与改良农田区域的遥感图像数据信息，根据所述遥感图像数据信息得到待修复与改良农田区域的地形特征数据；根据所述地形特征数据构建待修复与改良农田区域的地形结构三维模型图；
根据所述待修复与改良农田的初始修复与改良方案提取出需添加化学物质的类型及用量；
将所述地形结构三维模型图与需添加化学物质的类型及用量导入蚁群算法中进行反复构造，得到若干个需添加化学物质的施用位置点；
将所述需添加化学物质的施用位置点导入所述初始修复与改良方案，更新初始修复与改良方案，得到待修复与改良农田的最终修复与改良方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439854.5A CN117151354B (zh) | 2023-11-01 | 2023-11-01 | 一种农田修复与改良管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439854.5A CN117151354B (zh) | 2023-11-01 | 2023-11-01 | 一种农田修复与改良管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151354A true CN117151354A (zh) | 2023-12-01 |
| CN117151354B CN117151354B (zh) | 2024-01-02 |
Family
ID=88903251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311439854.5A Active CN117151354B (zh) | 2023-11-01 | 2023-11-01 | 一种农田修复与改良管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151354B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101947542A (zh) * | 2010-10-15 | 2011-01-19 | 中国科学院南京土壤研究所 | 利用灵芝和玉米套种修复多环芳烃污染农田土壤的方法 |
| CN106845554A (zh) * | 2017-02-07 | 2017-06-13 | 中国林业科学研究院资源信息研究所 | 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 |
| CN108733952A (zh) * | 2018-05-30 | 2018-11-02 | 山东省农业科学院科技信息研究所 | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 |
| 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 |
| US20230082714A1 (en) * | 2021-09-13 | 2023-03-16 | Farmers Edge Inc. | Soil Property Model Using Measurements of Properties of Nearby Zones |
-
2023
- 2023-11-01 CN CN202311439854.5A patent/CN117151354B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101947542A (zh) * | 2010-10-15 | 2011-01-19 | 中国科学院南京土壤研究所 | 利用灵芝和玉米套种修复多环芳烃污染农田土壤的方法 |
| CN106845554A (zh) * | 2017-02-07 | 2017-06-13 | 中国林业科学研究院资源信息研究所 | 一种檀香植株生长土壤铁元素含量的图像确定方法和系统 |
| CN108733952A (zh) * | 2018-05-30 | 2018-11-02 | 山东省农业科学院科技信息研究所 | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 |
| 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 |
| US20230082714A1 (en) * | 2021-09-13 | 2023-03-16 | Farmers Edge Inc. | Soil Property Model Using Measurements of Properties of Nearby Zones |
Non-Patent Citations (1)
| Title |
|---|
| 徐杰 等: ""滇中元谋土壤养分元素分布特征及异常分析_徐杰"", 《西南农业学报》, vol. 35, no. 5, pages 1151 - 1158 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151354B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Araujo et al. | Impacts of drought on grape yields in Western Cape, South Africa | |
| CN113785676B (zh) | 一种盐碱地土壤改良体系及其构建方法 | |
| Zaragozí et al. | Modelling farmland abandonment: A study combining GIS and data mining techniques | |
| CN117935081B (zh) | 一种基于遥感卫星数据的耕地变化监测方法及系统 | |
| Yudhana et al. | GIS-based and Naïve Bayes for nitrogen soil mapping in Lendah, Indonesia | |
| US20180349520A1 (en) | Methods for agricultural land improvement | |
| CN114418040A (zh) | 一种园林绿化养护监测及预警的方法与系统 | |
| Shen et al. | Multi-layer perceptron neural network and Markov chain based geospatial analysis of land use and land cover change | |
| Herbei et al. | Processing and Use of Satellite Images in Order to Extract Useful Information in Precision Agriculture. | |
| CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及系统 | |
| Matranga et al. | Estimating soil surface roughness by proximal sensing for soil erosion modeling implementation at field scale | |
| CN111582035B (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
| Jiang et al. | Predicting spatiotemporal yield variability to aid arable precision agriculture in New Zealand: A case study of maize-grain crop production in the Waikato region | |
| CN117151354B (zh) | 一种农田修复与改良管理方法及系统 | |
| Sallis et al. | Frost prediction characteristics and classification using computational neural networks | |
| CN109409748B (zh) | 一种耕地质量评价指标关联性的检核方法及系统 | |
| Armstrong et al. | The application of data mining techniques to characterize agricultural soil profiles. | |
| Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
| CN114662621A (zh) | 基于机器学习的农机作业面积计算方法及系统 | |
| Aabeyir et al. | Multi-level land cover change analysis in the forest-savannah transition zone of the Kintampo Municipality, Ghana | |
| Van Hoang et al. | Climate change impact on agricultural productivity and environment influence based on simulation model | |
| Bruno et al. | Integrating remote sensing, GIS and prediction models to monitor the deforestation and erosion in Peten Reserve, Guatemala | |
| Taylor et al. | Improving spatial predictions of Eucalypt plantation growth by combining interpretable machine learning with the 3-PG model | |
| CN108446433A (zh) | 一种土壤酸化驱动力的识别方法、系统和装置 | |
| CN114170510B (zh) | 一种基于迁移学习的农作物智能遥感提取方法及系统 |
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 |