CN117235607B - 一种土壤墒情实时监测系统及监测方法 - Google Patents
一种土壤墒情实时监测系统及监测方法 Download PDFInfo
- Publication number
- CN117235607B CN117235607B CN202311499673.1A CN202311499673A CN117235607B CN 117235607 B CN117235607 B CN 117235607B CN 202311499673 A CN202311499673 A CN 202311499673A CN 117235607 B CN117235607 B CN 117235607B
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- time
- moisture content
- data
- original data
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000003973 irrigation Methods 0.000 claims description 13
- 230000002262 irrigation Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 239000003621 irrigation water Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明属于墒情监测技术领域，涉及一种土壤墒情实时监测系统及监测方法，使用土壤水分传感器对不同方向的土壤水分数据进行采集，形成原始数据；对原始数据进行维度变换处理；对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征值；基于空间局部特征值建立多个目标函数，得到最优墒情控制参数。本发明可应用于土壤墒情的精确分析和预测，对于不同条件的地区具有广泛的适应性和推广应用前景。
Description
技术领域
本发明属于土壤墒情监测技术领域，更具体地，涉及一种土壤墒情实时监测系统及监测方法。
背景技术
随着地理信息技术的快速发展，将3S技术结合进行大面积的空间土壤水分监测已经越来越多地应用到农业工程实际当中。利用遥感技术获得的资料可以用来确定农田区域较大面积范围的土壤含水量情况，然后结合3S等地理信息技术实现对土壤墒情的空间预测与监控，最终实现农田土壤墒情预报的及时性与精确性，指导农田制定合理的灌溉制度。
墒指土壤的湿度，墒情指土壤湿度的情况。一般，根据土壤不同深度的根系生长发育状况同土壤水分的关系，将土壤墒情分为四类，分别为表墒、底墒、基墒、深墒。
墒情监测主要是监测土壤含水量，是指通过一定的方式获得土壤水分数据，据此作为水资源管理的重要依据。通过监测仪器，如电子土壤湿度仪，针式土壤湿度仪、时域反射仪TDR等实现土壤含水量的定量监测，采用的监测方法包括烘干法和电测法。电测法主要用于墒情监(巡)测站，目前国内外使用较多的电测仪器有电子土壤湿度仪、探针式湿度仪、时域反射仪TDR，其中TDR测试精度居高。还可以通过卫星或雷达监测地表面植物生长情况，定性地判断地表墒情变化情况。墒情预报又称土壤含水量预报，根据现时的土壤含水量及气象、水文信息，对农作物根系层中未来的某一时段在一个自然条件相近的区域内进行区域预报。
现有技术中，根据实测的同土壤含水量相关的因素及含水量建立土壤墒情BP神经网络预测模型。建立水分生产函数模型，运用粒子群优化算法求解该模型中的敏感指数，在该模型及农田土壤水量平衡模型的基础上，建立以灌水日期和灌溉水量为决策变量，以全年灌水量最少和两种作物总产值最大为决策目标的全周期灌溉制度多目标优化模型。但是由于传感器所采集到的各种灌溉信息，在空间、时间、表达方式不同，可信度、不确定程度不同，侧重点和用途也不同，若不加甄别的使用，可能增加灌溉决策的风险。
发明内容
为了解决上述技术问题，本发明提出了一种土壤墒情实时监测方法，包括如下步骤：
S1、对不同方向的土壤水分数据进行采集，形成原始数据；
S2、对原始数据进行维度变换处理；
S3、对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征值；
S4、基于空间局部特征值建立多个目标函数，得到最优墒情控制参数。
进一步地，步骤S2中，设定第一方向序列数据，表示第一方向x上各个位置点在t时刻的所有序列值；第二方向序列数据/>,表示第二方向y上各个位置点在t时刻的所有序列值，将序列数据/>和/>展开为N维向量，
；
；
其中，xk(t)和yk(t)分别为序列数据和/>展开的第k维向量，pk、qk分别为第k维对应的时间系数。
进一步地，步骤S3中，使用时变函数来构建时间序列模型，时变函数/>满足：
；
；
式中,是子函数，a代表伸缩尺度,b代表时间平移参数，t表示时间；
将时间段T内的时间序列模型Wf(a,b)表示为：
；
式中,Wf(a,b)为小波变换；为间隔函数；/>为/>的复共轭函数。
进一步地，假设间隔函数为离散型,则变换为/>，k=1,2……N；/>为取样间隔,可得到时间序列模型M(a,b)：
；
空间局部特征值V(a)由下式得到：
。
进一步地，步骤S4包括：
S41、计算空间均匀性目标函数，得到均匀的空间局部特征值；
S42、计算收益目标函数，得到最优用水量和作物产量的关系；
S43、计算土壤水平衡目标函数，得到最优灌溉值与土壤水分值的关系。
进一步地，还包括步骤S5，使用BP神经网络预测墒情，设输入层、隐含层和输出层的单元个数分别为n、Q、m,BP神经网络结构表示为BP(n,Q,m),输入层第I单元到隐含层第J单元的权重WIJ(I=1,…,n；J=1，…Q)、隐含层第J单元到输出层第K单元的权重(J=1,…,Q;K=1,…,m)、隐含层第J单元的激活阈值/>(J=1,…,Q)及输出层第K单元的激活阈值/>(K=1,…,m)；
设共有P个训练样本,输入的第I单元第个(/>=1，……P)训练样本信息/>首先向前传播到隐含单元上,经过激活函数f的作用得到隐含层的输出信息/>：
；
隐含层的输出信息传到输出层，得到最终输出结果为：
。
进一步地，采用3个变量作为BP神经网络的输入:分别为空间局部特征值、作物产量、每日土壤水分值；输出为墒情是否达会到最优状态。
本发明还提出了一种土壤墒情实时监测系统，用于实现土壤墒情实时监测方法，包括：多个土壤水分传感器，数据发送装置，数据处理器，输出单元；
多个土壤水分传感器，埋设在地表下同一深度的多个不同监测位置，对不同方向的土壤水分数据进行采集，形成原始数据；
数据发送装置每隔固定时间通过GSM通信网络远距离实时发送原始数据到数据处理器；
数据处理器对接收到的原始数据进行处理和计算；
输出单元，输出墒情是否达会到最优状态。
进一步地，所述数据处理器包括：维度变换处理单元，时间序列模型构建单元，目标函数构建单元；
维度变换处理单元对原始数据进行维度变换处理，从而更清晰的表达其原始数据内部关联；
时间序列模型构建单元，对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征信号；
目标函数构建单元，基于空间局部特征信号建立多个目标函数，得到最优墒情控制参数。
相比于现有技术，本发明具有如下有益技术效果：
使用土壤水分传感器对不同方向的土壤水分数据进行采集，形成原始数据；对原始数据进行维度变换处理；对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征值；基于空间局部特征值建立多个目标函数，得到最优墒情控制参数。本发明可应用于土壤墒情的精确分析和预测，对于不同条件的地区具有广泛的适应性和推广应用前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的土壤墒情实时监测方法的流程图；
图2为本发明的空间局部特征值随时间变换数值图。
图3为本发明的建立多个目标函数得到最优墒情控制参数流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的一种土壤墒情实时监测方法的流程图，该监测方法包括如下步骤：
如图1所示，为本发明的一种土壤墒情实时监测方法的流程图，该监测方法包括如下步骤：
S1、使用土壤水分传感器对不同方向的土壤水分数据进行采集，形成原始数据。
使用土壤水分传感器,土壤水分传感器的埋设位置是地表下同一深度的多个不同监测位置。数据发送装置每隔固定时间采集一次土壤水分数据，并通过GSM通信网络远距离实时发送数据到数据处理器。
S2、对原始数据进行维度变换处理。
通过维度变换处理能更清晰的表达其原始数据内部关联。
设定第一方向序列数据，表示第一方向x上各个位置点在t时刻的所有序列值。第二方向序列数据/>,表示第二方向y上各个位置点在t时刻的所有序列值。将序列数据/>和/>展开为N维向量。
具体方法如下:
；
；
其中，xk(t)和yk(t)分别为序列数据和/>展开的第k维向量，pk、qk分别为第k维对应的时间系数。
S3、对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征值。
随着时间的推移,土壤水分变化受许多因素的影响,呈非平稳序列的趋势,一方面,土壤湿度振荡的强度是随时间变化的；另一方面,其频率成分的位相也是随时间变化的。时间序列模型可以描述时间序列在局部时段的频率特征,可以显示强度和初位相的时间变化。时间序列模型是使用时变函数来计算原始数据R的空间局部特征值V(a)。
时变函数满足：
；
；
式中,是子函数，a代表伸缩尺度,b代表时间平移参数，t表示时间。
将时间段T内的时间序列模型Wf(a,b)表示为：
；
式中,Wf(a,b)为小波变换；为间隔函数:/>为/>的复共轭函数。
假设间隔函数为离散型,则变换为/>，k=1,2……N；/>为取样间隔,可得到时间序列模型M(a,b)：
；
通过增加或减小a分析在不同的时间尺度下空间局部特征值V(a),进而探究土壤墒情的周期变化特征。
空间局部特征值V(a)由下式得到：
。
如图2所示，为空间局部特征值随时间变换数值图。
S4、基于空间局部特征值建立多个目标函数，得到最优墒情控制参数。如图3所示，包括如下步骤：
S41、计算空间均匀性目标函数，得到均匀的空间局部特征值。
空间均匀性目标函数是衡量统计离散度的指标。空间均匀性目标函数的输出范围从0到1，测量空间局部特征值分布的不定性值。
空间均匀性目标函数如下：
；
其中，是测量次数，Vi(a)是第i次测量的空间局部特征值。最小化离散度目标函数的输出值G，通过在空间和时间上改变灌溉速率，在系统运行约束下寻求均匀的空间局部特征值。
S42、计算收益目标函数，得到最优用水量和作物产量的关系。
通过收益目标函数提出了作物产量和用水之间的线性关系，其中相对产量减少与相应的蒸散量减少有关。
收益目标函数如下：
；
其中，KY是用水量，Yc(t)是收益目标函数的输出值，其代表作物产量；ETc和ETe分别是实际蒸散量和最大蒸散量。
与空间均匀性目标函数一样，通过在空间和时间上改变灌溉速率，在系统运行约束的情况下，最大限度地减少产量下降。
S43、计算土壤水平衡目标函数，得到最优灌溉值与土壤水分值的关系。
在估算灌溉用水需求时，使用土壤水平衡目标函数计算农场每日土壤水分值。
；
这里S(t)是t时刻的土壤水分值，G(t)是t时刻的灌溉值，L(t)是t时刻的有效降雨量，E(t)是t时刻的水分损耗。为了确保正确的优化结果，通过在空间和时间上改变灌溉速率，在系统运行约束的情况下，产生最优灌溉值。
在优选实施例中，还包括步骤S5，使用BP神经网络预测墒情。
BP神经网络是一种前馈型网络,由1个输入层、若干隐含层和1个输出层构成。
如果输入层、隐含层和输出层的单元个数分别为n、Q、m,则该神经网络结构可表示为BP(n,Q,m),利用该神经网络可实现n维输入向量Xn=(X1,…，Xn)T到一维输出向量的非线性映射。
神经网络结构BP(n,Q,m)确定后,网络参数包括输入层第I单元到隐含层第J单元的权重WIJ(I=1,…,n；J=1，…Q)、隐含层第J单元到输出层第K单元的权重(J-=1,…,Q;K=1,…,m)、隐含层第J单元的激活阈值/>(J=1,…,Q)及输出层第K单元的激活阈值/>(K=1,…,m)。
假设共有P个训练样本,输入的第I单元第个(/>=1，……P)训练样本信息/>首先向前传播到隐含单元上,经过激活函数f的作用得到隐含层的输出信息/>：
；
隐含层的输出信息传到输出层，可得到最终输出结果为：
；
在本实施例中，采用以下3个变量作为网络输入:分别为空间局部特征值、作物产量、每日土壤水分值。
输出为墒情是否达会到最优状态，例如可以为土壤贮水量是否达到最优状态。
本发明还提出了一种土壤墒情实时监测系统结构示意图，该土壤墒情实时监测系统包括：多个土壤水分传感器，数据发送装置，数据处理器，输出单元。
多个土壤水分传感器，埋设在地表下同一深度的多个不同监测位置，对不同方向的土壤水分数据进行采集，形成原始数据。
数据发送装置每隔固定时间通过GSM通信网络远距离实时发送原始数据到数据处理器。
数据处理器对接收到的原始数据进行处理和计算，包括：维度变换处理单元，时间序列模型构建单元，目标函数构建单元
维度变换处理单元对原始数据进行维度变换处理，从而更清晰的表达其原始数据内部关联。
时间序列模型构建单元，对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征信号。
目标函数构建单元，基于空间局部特征信号建立多个目标函数，得到最优墒情控制参数。
输出单元，输出墒情是否达会到最优状态。
在优选实施例中，数据处理器还包括预测单元，预测单元使用BP神经网络预测墒情，输出单元输出墒情是否达会到最优状态。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种土壤墒情实时监测方法，其特征在于，包括如下步骤：
S1、对不同方向的土壤水分数据进行采集，形成原始数据；
S2、对原始数据进行维度变换处理；
S3、对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征值；
S4、基于空间局部特征值建立多个目标函数，得到最优墒情控制参数；
S5、使用BP神经网络预测墒情，设输入层、隐含层和输出层的单元个数分别为n、Q、m,BP神经网络结构表示为BP(n,Q,m),输入层第I单元到隐含层第J单元的权重WIJ(I=1,…,n；J=1，…Q)、隐含层第J单元到输出层第K单元的权重(J=1,…,Q;K=1,…,m)、隐含层第J单元的激活阈值/>(J=1,…,Q)及输出层第K单元的激活阈值/>(K=1,…,m)；
设共有P个训练样本,输入的第I单元第个(/>=1，……P)训练样本信息/>首先向前传播到隐含单元上,经过激活函数f的作用得到隐含层的输出信息/>：
；
隐含层的输出信息传到输出层，得到最终输出结果为：
；
采用3个变量作为BP神经网络的输入:分别为空间局部特征值、作物产量、每日土壤水分值；输出为墒情是否达到最优状态。
2.根据权利要求1所述的土壤墒情实时监测方法，其特征在于，步骤S2中，
设第一方向序列数据为，表示第一方向x上各个位置点在t时刻的所有序列值；第二方向序列数据为/>，表示第二方向y上各个位置点在t时刻的所有序列值，将序列数据和/>展开为N维向量，
；
；
其中，xk(t)和yk(t)分别为序列数据和/>展开的第k维向量，pk、qk分别为第k维对应的时间系数。
3.根据权利要求2所述的土壤墒情实时监测方法，其特征在于，步骤S3中，使用时变函数来构建时间序列模型，时变函数/>满足：
；
；
式中,是子函数，a代表伸缩尺度,b代表时间平移参数，t表示时间；
将时间段T内的时间序列模型Wf(a,b)表示为：
；
式中,Wf(a,b)为小波变换；为间隔函数；/>为/>的复共轭函数。
4.根据权利要求3所述的土壤墒情实时监测方法，其特征在于，
假设间隔函数为离散型,则变换为/>，k=1,2……N；/>为取样间隔,得到的时间序列模型M(a,b)为：
；
空间局部特征值V(a)由下式得到：
。
5.根据权利要求4所述的土壤墒情实时监测方法，其特征在于，步骤S4包括：
S41、计算空间均匀性目标函数，得到均匀的空间局部特征值；
S42、计算收益目标函数，得到最优用水量和作物产量的关系；
S43、计算土壤水平衡目标函数，得到最优灌溉值与土壤水分值的关系。
6.一种土壤墒情实时监测系统，其特征在于，用于实现如权利要求1-5任意一项所述的土壤墒情实时监测方法，包括：多个土壤水分传感器，数据发送装置，数据处理器，输出单元；
多个土壤水分传感器，埋设在地表下同一深度的多个不同监测位置，对不同方向的土壤水分数据进行采集，形成原始数据；
数据发送装置每隔固定时间通过GSM通信网络远距离实时发送原始数据到数据处理器；
数据处理器对接收到的原始数据进行处理和计算；
输出单元，输出墒情是否达到最优状态。
7.根据权利要求6所述的土壤墒情实时监测系统，其特征在于，所述数据处理器包括：维度变换处理单元，时间序列模型构建单元，目标函数构建单元；
维度变换处理单元对原始数据进行维度变换处理，用于表达原始数据内部关联；
时间序列模型构建单元，对降维后的原始数据进行分析，建立时间序列模型，得到不同时间尺度下空间局部特征信号；
目标函数构建单元，基于空间局部特征信号建立多个目标函数，得到最优墒情控制参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499673.1A CN117235607B (zh) | 2023-11-13 | 2023-11-13 | 一种土壤墒情实时监测系统及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499673.1A CN117235607B (zh) | 2023-11-13 | 2023-11-13 | 一种土壤墒情实时监测系统及监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235607A CN117235607A (zh) | 2023-12-15 |
| CN117235607B true CN117235607B (zh) | 2024-02-13 |
Family
ID=89093170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311499673.1A Active CN117235607B (zh) | 2023-11-13 | 2023-11-13 | 一种土壤墒情实时监测系统及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235607B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297452A (zh) * | 2014-10-30 | 2015-01-21 | 安徽农业大学 | 基于无线传感器网络的土壤墒情数据预处理方法 |
| CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
-
2023
- 2023-11-13 CN CN202311499673.1A patent/CN117235607B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297452A (zh) * | 2014-10-30 | 2015-01-21 | 安徽农业大学 | 基于无线传感器网络的土壤墒情数据预处理方法 |
| CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于云平台的大田农业土壤墒情数据采集监测系统设计";刘晓霞等;《赤峰学院学报 （自然科学版）》;20231031;第39卷(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235607A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105739575A (zh) | 一种设施蔬菜环境参数的数据融合方法、装置及系统 | |
| CN112858632B (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| CN116415704A (zh) | 一种基于多数据融合与同化的区域精量灌溉方法及系统 | |
| Mazrooei et al. | Potential in improving monthly streamflow forecasting through variational assimilation of observed streamflow | |
| CN114781501B (zh) | 一种基于主成分回归的多源降水融合方法 | |
| CN113111799A (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
| Zhang et al. | Monitoring and assessment of agricultural drought based on solar-induced chlorophyll fluorescence during growing season in north China plain | |
| CN115327666A (zh) | 一种新型气象站用参考作物蒸散量测定方法及设备 | |
| CN118364975A (zh) | 多源数据驱动混合机理学习模型的小麦产量预测方法 | |
| CN114239274A (zh) | 多源遥感数据驱动指数滤波模型推求根层土壤水的方法 | |
| Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
| Orouskhani et al. | Impact of sensor placement in soil water estimation: a real-case study | |
| CN114486783A (zh) | 基于无人机多源遥感的冬小麦田土壤水分反演方法 | |
| CN111579565B (zh) | 农业干旱监测方法、系统及存储介质 | |
| CN117235607B (zh) | 一种土壤墒情实时监测系统及监测方法 | |
| Madhumathi et al. | A survey on wireless sensor networks and instrumentation techniques for smart agriculture | |
| CN116681158A (zh) | 基于集成极限学习机的参考作物蒸散量预测方法 | |
| CN113418963B (zh) | 树干冻融阻抗图像实时检测方法与系统 | |
| CN109444055A (zh) | 一种盐碱地土壤盐分含量的高光谱计算方法 | |
| CN112949182B (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 | |
| Singh et al. | Improved yield estimation technique for rice and wheat in Uttar Pradesh, Madhya Pradesh and Maharashtra States in India | |
| Songsriboonsit et al. | Forecasting water stress in durian trees using an arima model with a relation between temperature differential and vpd | |
| Sudarmaji et al. | Smart Soil Moisture Control Based on IoT ESP-32 for Horticulture Cultivation in Coastal Area |
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 |