CN117236519B - 水肥调控方法、装置、电子设备和存储介质 - Google Patents
水肥调控方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117236519B CN117236519B CN202311491922.2A CN202311491922A CN117236519B CN 117236519 B CN117236519 B CN 117236519B CN 202311491922 A CN202311491922 A CN 202311491922A CN 117236519 B CN117236519 B CN 117236519B
- Authority
- CN
- China
- Prior art keywords
- water
- fertilizer
- target
- parameter
- target crop
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 401
- 239000003337 fertilizer Substances 0.000 title claims abstract description 375
- 230000033228 biological regulation Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 239000002689 soil Substances 0.000 claims description 136
- 238000009825 accumulation Methods 0.000 claims description 50
- 230000008020 evaporation Effects 0.000 claims description 43
- 238000001704 evaporation Methods 0.000 claims description 43
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 36
- 238000003973 irrigation Methods 0.000 claims description 29
- 230000002262 irrigation Effects 0.000 claims description 29
- 235000015097 nutrients Nutrition 0.000 claims description 23
- 229910052757 nitrogen Inorganic materials 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 18
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 14
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 14
- 229910052698 phosphorus Inorganic materials 0.000 claims description 14
- 239000011574 phosphorus Substances 0.000 claims description 14
- 239000011591 potassium Substances 0.000 claims description 14
- 229910052700 potassium Inorganic materials 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 35
- 241000209140 Triticum Species 0.000 description 23
- 235000021307 Triticum Nutrition 0.000 description 23
- 238000012545 processing Methods 0.000 description 22
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000001105 regulatory effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000004720 fertilization Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000035784 germination Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009331 sowing Methods 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
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水肥调控方法、装置、电子设备和存储介质,涉及农业种植技术领域。该方法包括:根据目标作物的环境数据,预测目标作物在未来时刻的第一水肥参数;第一水肥参数用于指示目标作物在未来时刻的实际水肥状况;基于目标作物在未来时刻所处的目标物候期,以及物候期‑水肥参数映射关系,确定目标物候期对应的第二水肥参数;第二水肥参数用于指示目标作物在未来时刻的标准水肥状况;物候期‑水肥参数映射关系用于指示目标作物的物候期与适宜于物候期的水肥参数的对应关系;基于第一水肥参数与第二水肥参数的对比结果,确定目标作物在未来时刻的水肥调控参数,水肥调控参数用于进行水肥调控。本发明可以提高水肥调控的准确性。
Description
技术领域
本发明涉及农业种植技术领域,尤其涉及一种水肥调控方法、装置、电子设备和存储介质。
背景技术
在农业种植中,水肥调控是实现高产量和优质农作物的关键因素之一,正确的水肥调控可以有效地提高作物的产量和质量。如何更好地对作物进行水肥调控,是农业生产中亟待解决的技术问题。
为了解决这一问题,通常依据作物表现出的生理症状(例如叶片发黄或形成斑点等)判断作物的水肥情况,进而对作物进行水肥调控。然而,这种方式过于依赖专家经验和主观判断,导致水肥调控的准确性降低。
发明内容
本发明提供一种水肥调控方法、装置、电子设备和存储介质,用于解决现有技术中水肥调控准确性较低的问题,可以提高水肥调控的准确性。
本发明提供一种水肥调控方法,包括:
根据目标作物的环境数据,预测所述目标作物在未来时刻的第一水肥参数;所述第一水肥参数用于指示所述目标作物在所述未来时刻的实际水肥状况;
基于所述目标作物在所述未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定所述目标物候期对应的第二水肥参数;所述第二水肥参数用于指示所述目标作物在所述未来时刻的标准水肥状况;所述物候期-水肥参数映射关系用于指示所述目标作物的物候期与适宜于所述物候期的水肥参数的对应关系;
基于所述第一水肥参数与所述第二水肥参数的对比结果,确定所述目标作物在所述未来时刻的水肥调控参数,所述水肥调控参数用于进行水肥调控。
根据本发明提供的一种水肥调控方法,所述目标物候期是基于以下方式确定:
根据所述目标作物在当前时刻的有效积温,确定所述目标作物在所述当前时刻的标准物候期累积天数;
确定所述未来时刻与所述当前时刻的时间间隔;
基于所述时间间隔和所述目标作物在所述当前时刻的标准物候期累积天数的和值,确定所述目标作物在所述未来时刻所处的目标物候期。
根据本发明提供的一种水肥调控方法,所述标准物候期累积天数是基于以下公式确定:
式中,表示所述标准物候期累积天数,/>表示所述目标作物的最大标准物候期累积天数,/>表示所述有效积温,/>和/>均为常数。
根据本发明提供的一种水肥调控方法,所述第一水肥参数包括所述目标作物在所述未来时刻的实际土壤含水量,所述环境数据包括所述目标作物在当前时刻的实际土壤含水量、从所述当前时刻至所述未来时刻的降水量,以及从所述当前时刻至所述未来时刻的蒸发量,所述根据目标作物的环境数据,预测所述目标作物在未来时刻的第一水肥参数,包括:
确定所述降水量与所述当前时刻的实际土壤含水量的和值;
基于所述和值与所述蒸发量的差值,确定所述未来时刻的实际土壤含水量。
根据本发明提供的一种水肥调控方法,所述第二水肥参数包括所述目标作物在所述未来时刻的标准土壤含水量,所述基于所述第一水肥参数与所述第二水肥参数的对比结果,确定所述目标作物在所述未来时刻的水肥调控参数,包括:
在所述未来时刻的实际土壤含水量低于所述标准土壤含水量的情况下,确定所述标准土壤含水量与所述未来时刻的实际土壤含水量的第一含水量差值;
基于所述第一含水量差值,以及含水量差值与灌溉量的映射关系,确定所述目标作物在所述未来时刻的目标灌溉量。
根据本发明提供的一种水肥调控方法,所述水肥调控方法还包括:
在所述未来时刻的实际土壤含水量高于所述标准土壤含水量的情况下,确定所述未来时刻的实际土壤含水量与所述标准土壤含水量的第二含水量差值;
基于所述第二含水量差值,以及含水量差值与蒸发量的映射关系,确定所述目标作物在所述未来时刻的目标蒸发量。
根据本发明提供的一种水肥调控方法,所述水肥调控方法还包括:
获取所述目标作物的土壤养分参数,以及所述目标作物的目标产量;
将所述土壤养分参数和所述目标产量输入至施肥量预测模型,得到所述施肥量预测模型输出的施肥量预测结果,所述施肥量预测结果包括以下至少一项:施氮量、施磷量和施钾量;
其中,所述施肥量预测模型是基于样本土壤养分参数、样本目标产量,以及所述样本土壤养分参数和所述样本目标产量共同对应的施肥量预测结果标签训练得到的。
本发明还提供一种水肥调控装置,包括:
预测模块,用于根据目标作物的环境数据,预测所述目标作物在未来时刻的第一水肥参数;所述第一水肥参数用于指示所述目标作物在所述未来时刻的实际水肥状况;
确定模块,用于基于所述目标作物在所述未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定所述目标物候期对应的第二水肥参数;所述第二水肥参数用于指示所述目标作物在所述未来时刻的标准水肥状况;所述物候期-水肥参数映射关系用于指示所述目标作物的物候期与适宜于所述物候期的水肥参数的对应关系;
调控模块,用于基于所述第一水肥参数与所述第二水肥参数的对比结果,确定所述目标作物在所述未来时刻的水肥调控参数,所述水肥调控参数用于进行水肥调控。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述水肥调控方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述水肥调控方法。
本发明提供的水肥调控方法、装置、电子设备和存储介质,根据目标作物的环境数据,预测目标作物在未来时刻的第一水肥参数;第一水肥参数用于指示目标作物在未来时刻的实际水肥状况;这样,可以提前获知目标作物在未来时刻的实际水肥情况,而非在目标作物已经出现症状后才获知该目标作物的水肥情况,避免了给目标作物造成不必要的不可逆伤害;基于目标作物在未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定目标物候期对应的第二水肥参数;第二水肥参数用于指示目标作物在未来时刻的标准水肥状况;物候期-水肥参数映射关系用于指示目标作物的物候期与适宜于物候期的水肥参数的对应关系;基于第一水肥参数与第二水肥参数的对比结果,确定目标作物在未来时刻的水肥调控参数。应理解,目标作物处于不同物候期时,通常存在不同的水肥要求;因此通过确定目标作物在未来时刻所处的物候期(也即目标物候期)对应的第二水肥参数,可以更准确地获得目标作物在该未来时刻适宜的标准水肥状况。进而,可以通过对比该标准水肥状况和目标作物在该未来时刻的实际水肥状况,确定出更准确的水肥调控参数,以对目标作物进行水肥调控,从而使得目标作物在未来时刻的实际水肥情况尽可能接近该标准水肥情况,提高了水肥调控的准确性。此外,在目标作物出现对应的缺水或缺肥等症状前,就可以提前获知目标作物在未来时刻的实际水肥情况,并确定出水肥调控参数。从而可以提前对目标作物在未来时刻的水肥情况做出反应,超前实现对作物的水肥调控。
附图说明
为了更清楚地说明本发明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介绍,显而易见地,下面描述中的附图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的附图。
图1为本发明提供的一种水肥调控系统的结构示意图;
图2为本发明提供的一种水肥调控方法的流程示意图之一;
图3为本发明提供的一种水肥调控方法的流程示意图之二;
图4为本发明提供的一种水肥调控方法的流程示意图之三;
图5为本发明提供的一种水肥调控方法的流程示意图之四;
图6为本发明提供的一种水肥调控方法的流程示意图之五;
图7为本发明提供的一种水肥调控方法的流程示意图之六;
图8为本发明提供的一种施肥量预测模型的结构示意图;
图9为本发明提供的一种水肥调控装置的结构示意图;
图10为本发明提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如背景技术所述,为了对作物进行水肥调控,通常依据作物表现出的生理症状判断作物的水肥情况,进而对作物进行水肥调控。然而,这种方式过于依赖专家经验和主观判断,导致水肥调控的准确性降低。
对此,本发明提供一种水肥调控方法,该方法包括:根据目标作物的环境数据,预测目标作物在未来时刻的第一水肥参数;第一水肥参数用于指示目标作物在未来时刻的实际水肥状况;基于目标作物在未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定目标物候期对应的第二水肥参数;第二水肥参数用于指示目标作物在未来时刻的标准水肥状况;物候期-水肥参数映射关系用于指示目标作物的物候期与适宜于物候期的水肥参数的对应关系;基于第一水肥参数与第二水肥参数的对比结果,确定目标作物在未来时刻的水肥调控参数,该水肥调控参数用于进行水肥调控。该方法可以提高水肥调控的准确性。
为了更清楚的说明方案,下面首先对本发明提供的一种水肥调控系统进行简单介绍。图1为本发明提供的一种水肥调控系统的结构示意图。参照图1,水肥调控系统100包括:数据采集单元110、数据处理单元120以及调控单元130。
其中,数据采集单元110用于采集目标作物的环境数据。环境数据的相关内容可以参考下文方法实施例中的描述,这里不再赘述。进一步的,数据采集单元110还可以通过有线和/或无线的方式将采集到的环境数据发送至数据处理单元120。可选的,数据采集单元110上集成有多个传感器,以便进行环境数据的采集。可选的,数据采集单元110上可以集成有预测模块,以预测未来的降水量或者未来的空气温度等。可选的,数据采集单元110上还可以集成有通信模块,以与互联网进行通信,从而获取气象预报相关的环境数据等。
数据处理单元120可以获取数据采集单元110发送的环境数据。进一步的,数据处理单元120还可以基于获取到的环境数据,执行本发明实施例提供的任一水肥调控方法。例如,数据处理单元120依据获取到的环境数据,预测目标作物在未来时刻的实际水肥状况。又例如,数据处理单元120可以基于目标作物在未来时刻的目标物候期,确定目标作物在未来时刻的标准水肥状况。又例如,数据处理单元120还可以确定出目标作物在未来时刻的水肥调控参数,该水肥调控参数用于进行水肥调控。在一些实施例中,数据处理单元120还可以将得到的水肥调控参数发送给调控单元130。在一些实施例中,数据处理单元120中还可以预存有以下至少一项:目标作物在不同物候期适宜的水肥参数库、目标作物在不同物候期适宜的水肥参数表、物候期预测模型、物候期积累天数预测模型、降水量预测模型、蒸发量预测模型、灌溉量预测模型以及施肥量预测模型等。
调控单元130可以获取数据处理单元120发送的目标作物在未来时刻的水肥调控参数。在一些实施例中,调控单元130还包括水泵、流量计、控制器等设备;进一步的,调控单元130可以基于目标作物在未来时刻的水肥调控参数,在该未来时刻自动调控上述水泵、流量计、控制器等设备以实现对目标作物的水肥调控。在另一些实施例中,调控单元130直接记录或显示目标作物在未来时刻的水肥调控参数,以提示对用户进行提示,使得用户可以自行决定是否依据该水肥调控参数对目标作物进行水肥调控。
应理解,上述对于水肥调控系统100中各个单元的划分仅为示例,仅是一种逻辑功能的划分,在实际实现时还可以存在其他可能的划分方式,例如将单元合并,或者将某一单元的功能迁移至其他单元等。
尽管上述水肥调控系统100可以执行本发明提供的水肥调控方法,但本发明提供的水肥调控方法也可以存在其他执行主体。例如,还可以将上述数据处理单元120作为另一种执行主体。又例如,执行主体还可以是服务器或终端,如手机、平板电脑、手持计算机、笔记本电脑、增强现实(augmented reality,AR)\虚拟现实(virtual reality,VR)设备等。又例如,执行主体还可以是其他任意具有处理功能的芯片,如中央处理器、图像处理单元、通用处理器、网络处理器、数字信号处理器、微处理器、微控制器、可编程逻辑器件或它们的任意组合。此外,本发明提供的水肥调控方法可以应用于任意需要进行水肥调控的农业培育或种植场景中,本发明实施例对此不做具体限制。
为了便于理解,以下结合附图对本发明提供的水肥调控方法进行具体介绍。
图2示出了本发明提供的一种水肥调控方法的流程示意图之一。如图2所示,该水肥调控方法包括以下步骤S210至步骤S230:
步骤S210、根据目标作物的环境数据,预测目标作物在未来时刻的第一水肥参数;第一水肥参数用于指示目标作物在未来时刻的实际水肥状况。
其中,目标作物为需要进行水肥调控的作物。目标作物的作物类型包括但不限于经济作物、粮食作物、大田作物、大棚作物,以及特作作物等。
环境数据为目标作物所处的培育环境相关的数据。示例性的,环境数据包括但不限于以下至少一项:土壤养分参数(如土壤含氮量、土壤含磷量和土壤含钾量)、土壤含水量、蒸发量、降水量、土壤温度、土壤湿度、空气温度、空气湿度、湿度计常数、光照强度、日照时数、作物表面净辐射、空气饱和水汽压、空气实际水汽压、土壤热通量,及风速等。
环境数据包括当前时刻至未来时刻之间的任一时间段,和/或,当前时刻至未来时刻之间的任一时刻的目标作物所处的培育环境相关的数据。例如,环境数据可以包括当前时刻的土壤养分参数、当前时刻的空气温度,或者当前时刻的土壤含水量。又例如,环境数据可以包括未来时刻的空气温度、未来时刻的光照强度,或者未来时刻的空气湿度。又例如,环境数据可以包括当前时刻至未来时刻之间的降水量或日照时数等。又例如,环境数据可以包括当时时刻至未来时刻之间的中间时刻的空气温度、空气湿度等。
在环境数据仅与当前时刻有关的情况下,环境数据可以是通过采集装置直接采集到的数据,也可以是对采集装置采集到的数据进行计算后得到的数据。例如,环境数据可以是通过采集装置直接采集到的当前时刻的空气温度。又例如,环境数据可以是基于采集到的数据计算得到的当前时刻的蒸发量。又例如,环境数据可以是基于采集到的空气温度和空气湿度计算得到的温度计常数。
在环境数据不仅与当前时刻有关的情况下,环境数据可以是基于气象预报等得到的数据,也可以是基于环境数据预测模型等预测得到的数据。例如,环境数据可以是基于气象预报所得到的当前时刻至未来时刻的降水量或者未来时刻的空气温度。又例如,环境数据可以是将光照强度、日照时数,以及风速等输入预设的预测模型后得到的当前时刻至未来时刻的蒸发量。
可以理解的是,在采集环境数据时,可以在预设时间内多次采集相同类型的环境数据进行取均值的计算,并将取均值的结果作为最终得到的环境数据。基于此,可以提高环境数据的准确性。
进一步的,在得到环境数据后,由于环境数据中可能存在噪声、误差、丢失以及冗余等异常数据情况,还可以对环境数据进行预处理操作,例如进行数据清洗或特征选择等预处理操作,以提高得到的环境数据的准确性和可靠性。预处理操作的具体内容可以参考下文中的描述,这里不再详述。
未来时刻可以为预先设置的,也可以为实时设置的。在未来时刻为预先设置的情况下:作为一种示例,未来时刻可以为默认设置的时刻,例如默认为1天后的时刻;作为另一种示例,未来时刻可以为基于目标作物的作物类型预先确定的时刻;例如在目标作物为小麦的情况下,该未来时刻可以确定为小麦的孕穗期。应理解,不同目标作物的水肥调控,尤其是施肥调控存在很大的物候期差异,因此可以基于目标作物的作物类型预先设置对应的未来时刻。在未来时刻为实时设置的情况下,未来时刻还可以为基于用户的操作指令确定的时刻。
未来时刻的时间精度可以是秒、分钟、小时、也可以是日、周、月,还可以是目标作物的单个的物候期。例如,未来时刻可以指1小时后的时刻,也可以指一个具体的未来的日期(例如9月6日等),还可以指目标作物的一个未来的物候期(例如小麦的孕穗期等)。应理解,未来时刻还可以存在其他可能的时间精度,例如微秒等,本申请对未来时刻的时间精度不做具体限制。需要说明的是,未来时刻在本发明实施例中既可以代指未来的一个时间点,也可以代指未来的一个时间段。
在一个示例中,未来时刻为单个。例如,未来时刻仅包括1小时后的时刻。又例如,未来时刻仅包括1天后的日期。
在另一个示例中,未来时刻为多个。例如,未来时刻可以包括未来一周内的每一天,以当前时刻对应的日期为9月2号为例,未来时刻依次包括9月3号、9月4号、9月5号、9月6号、9月7号、9月8号,以及9月9号这七个日期。又例如,未来时刻还可以包括目标作物的未来生长周期内的每一天。
在又一个示例中,未来时刻包括多个待施肥的物候期。例如,在目标作物为小麦,且对小麦进行施肥调控的情况下,该未来时刻包括预设的四个物候期:底肥期、返青期、拔节期,以及孕穗期。由于小麦主要在以上四个物候期需要进行施肥,因而可以将未来时刻设置为上述四个物候期,以便针对性地对小麦的各个待施肥的物候期进行水肥调控。
第一水肥参数包括以下至少一项:目标作物在未来时刻的实际土壤含水量、目标作物在未来时刻的实际土壤含氮量、目标作物在未来时刻的实际土壤含磷量、以及目标作物在未来时刻的实际土壤含钾量等。可以看出,第一水肥参数能够指示目标作物在未来时刻的实际水肥状况。
需要说明的是,步骤S210的具体实现已在下文中作具体描述,这里不再详述。在一些实施例中,默认执行步骤S210,在另一些实施例中,在接收到用户的启动指令的情况下,执行步骤S210。基于此,可以适应用户的不同需求,以便更灵活地确定是否执行本发明提供的水肥调控方法。
步骤S220、基于目标作物在未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定目标物候期对应的第二水肥参数;第二水肥参数用于指示目标作物在未来时刻的标准水肥状况。
其中,第二水肥参数包括但不限于以下至少一项:目标作物在未来时刻的标准土壤含水量、目标作物在未来时刻的标准土壤含氮量、目标作物在未来时刻的标准土壤含钾量以及目标作物在未来时刻的标准土壤含磷量。此外,第二水肥参数还可被称为标准水肥参数、优选水肥参数或者理想水肥参数等。对于第二水肥参数包括的各个水肥参数,该水肥参数可以为一个具体值,也可以为一个优选的数值范围。
物候期-水肥参数映射关系用于指示目标作物的物候期与适宜于该物候期的水肥参数的对应关系。应理解,目标作物处于不同物候期时,通常存在不同的水肥要求;因此,通过确定目标作物在未来时刻的物候期(也即目标物候期)对应的第二水肥参数,可以更准确地获得目标作物在该未来时刻适宜的标准水肥状况。
作为一种示例,物候期-水肥映射关系可以表现为预先构建的水肥参数库。该水肥参数库可以基于以下方式构建:获取目标作物在不同物候期的参考水肥参数,该参考水肥参数可以是基于相关研究、农业手册以及专家建议等获取的;基于该参考水肥参数进行实地观测和试验,确定适宜于该目标作物的不同物候期的水肥参数;对适宜于该目标作物的不同物候期的水肥参数进行整理分析,构建目标作物在不同物候期适宜的水肥参数库。
作为另一种示例,物候期-水肥映射关系可以表现为预先构建的水肥参数表。该水肥参数表的构建方式可以参考上述水肥参数库的构建方式。下面以小麦为例,表1中示出了小麦在不同物候期适宜的水肥参数表。
表1
参照表1,在小麦的物候期为出苗期的情况下,小麦的土壤含水量适宜范围为75%至80%;在小麦的物候期为分蘖期的情况下,小麦的土壤含水量适宜范围为65%至75%;在小麦的物候期为返青期的情况下,小麦的土壤含水量适宜范围为70%至80%;在小麦的物候期为拔节期的情况下,小麦的土壤含水量适宜范围为70%至80%;在小麦的物候期为抽穗开花期的情况下,小麦的土壤含水量适宜范围为75%至90%;在小麦的物候期为灌浆期的情况下,小麦的土壤含水量适宜范围为60%至70%;在小麦的物候期为成熟期的情况下,小麦的土壤含水量适宜范围为60%至70%。
需要说明的是,物候期-水肥映射关系还可以存在其他的表现形式。例如,还可以为预先构建的具有索引关系的物候期数组,对于该物候期数组中包括的各个物候期,可以依据该索引关系索引到适宜于该物候期的水肥参数。本发明对物候期-水肥映射关系的具体形式不做限制。可以理解的是,在目标作物不同的情况下,该目标作物对应的物候期-水肥映射关系也存在着很大的不同。
步骤S230、基于第一水肥参数与第二水肥参数的对比结果,确定目标作物在未来时刻的水肥调控参数,水肥调控参数用于进行水肥调控。
其中,水肥调控参数为灌溉和/或施肥相关的调控参数。示例性的,水肥调控参数包括但不限于以下至少一项:目标灌溉量、目标蒸发量、施氮量、施钾量,以及施磷量等。
在水肥调控参数包括施氮量的情况下,若未来时刻的时间精度为单个的物候期,例如未来时刻包括预设的多个待施肥的物候期,则施氮量包括目标作物在该预设的多个待施肥的物候期内各个物候期的施氮量;若未来时刻的时间精度为目标作物的整个生长周期,那么施氮量包括目标作物在整个生长周期的总施氮量。以此类推,施钾量或者施磷量的相关含义可以参考上文中对施氮量的描述,不再赘述。基于此,可以针对性地对目标作物进行施肥调控。
在一些实施例中,在基于第一水肥参数与第二水肥参数的对比结果,确定不需要进行水肥调控的情况下,不再进行水肥调控。示例性的,在第一水肥参数等于第二水肥参数(例如第二水肥参数为一个具体值),或者第一水肥参数位于第二水肥参数对应的数值范围内(例如第二水肥参数为一个优选的数值范围)的情况下,认为目标作物在该未来时刻的实际水肥状况满足预设的标准水肥状况,不需要进行水肥调控。
在另一些实施例中,在基于第一水肥参数与第二水肥参数的对比结果,确定需要进行水肥调控的情况下,依据第一水肥参数与第二水肥参数的该对比结果确定目标作物在未来时刻的水肥调控参数。
需要说明的是,步骤S230的其他实现方式可以参考下文中的描述,这里不再详述。
本发明提供的水肥调控方法,根据目标作物的环境数据,预测目标作物在未来时刻的第一水肥参数;第一水肥参数用于指示目标作物在未来时刻的实际水肥状况;这样,可以提前获知目标作物在未来时刻的实际水肥情况,而非在目标作物已经出现症状后才获知该目标作物的水肥情况,避免了给目标作物造成不必要的不可逆伤害;基于目标作物在未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定目标物候期对应的第二水肥参数;第二水肥参数用于指示目标作物在未来时刻的标准水肥状况;物候期-水肥参数映射关系用于指示目标作物的物候期与适宜于物候期的水肥参数的对应关系;基于第一水肥参数与第二水肥参数的对比结果,确定目标作物在未来时刻的水肥调控参数。应理解,目标作物处于不同物候期时,通常存在不同的水肥要求;通过确定目标作物在未来时刻所处的目标物候期对应的第二水肥参数,可以更准确地获得目标作物在该未来时刻适宜的标准水肥状况。进而,可以通过对比该标准水肥状况和目标作物在该未来时刻的实际水肥状况,确定出更准确的水肥调控参数,以对目标作物进行水肥调控,使得目标作物在未来时刻的实际水肥情况尽可能接近该标准水肥情况,提高了水肥调控的准确性。此外,在目标作物出现对应的缺水或缺肥等症状前,就可以提前获知目标作物在未来时刻的实际水肥情况,并确定出水肥调控参数。从而,可以提前对目标作物在未来时刻的水肥情况做出反应,超前实现对作物的水肥调控。
基于上述任一实施例,图3中示出了本发明提供的一种水肥调控方法的流程示意图之二。参照图3,目标物候期是基于以下方式确定:
步骤S310、根据目标作物在当前时刻的有效积温,确定目标作物在当前时刻的标准物候期累积天数。
其中,有效积温为目标作物在某一段时间内日平均气温与生物学零度之差的总和。当前时刻的有效积温,可以被理解为从初始培育该目标作物起直至当前时刻所积累的有效温度的总和。
目标作物在当前时刻的标准物候期积累天数,为当前时刻目标作物在该目标作物的标准生长周期内所对应的生长天数。
需要说明的是,该当前时刻的标准物候期积累天数并不是从初始培育该目标作物起直至当前时刻所实际经历的天数。通常地,目标作物对应一个标准生长周期,该标准生长周期包括至少一个物候期,且各个物候期有着固定的天数,用于表征目标作物生长的一般规律。但是,受气候或热量的影响,相比于该标准生长周期,目标作物的实际物候期可能会随着气候或热量的改变出现缩短、延长、推迟或提前等情况,导致目标作物的实际物候期与该标准生长周期内的各个物候期不对应,也即使得从初始培育该目标作物起直至当前时刻所实际经历的天数,与预设的标准生长周期内的生长天数并不对应。因此,依据有效积温所确定的当前时刻的标准物候期累积天数,能够更准确地反映出目标作物在当前时刻的物候期情况。
步骤S320、确定未来时刻与当前时刻的时间间隔。
例如,在未来时刻为1天后的时刻的情况下,未来时刻与当前时刻的时间间隔为1天。
例如,在当前时刻为9月6日,未来时刻为9月19日的情况下,未来时刻与当前时刻的时间间隔为13天。
步骤S330、基于时间间隔和目标作物在当前时刻的标准物候期累积天数的和值,确定目标作物在未来时刻所处的目标物候期。
在一些实施例中,步骤S330具体实现为:基于时间间隔和目标作物在当前时刻的标准物候期累积天数的和值,确定目标作物在未来时刻的标准物候期累积天数;依据标准物候期累积天数-物候期映射关系,确定与未来时刻的标准物候期累积天数对应的目标物候期。其中,该物候期累积天数-物候期映射关系用于表征标准物候期累积天数与该标准物候期累积天数对应的物候期的映射关系。
作为一个具体的示例,某一个目标作物的标准生长周期包括:为期10天的发芽期、为期30天的生长期以及为期20天的结果期。该物候期累积天数-物候期映射关系满足以下公式:
式中,表示标准物候期累积天数,/>表示物候期。
假设该目标作物在当前时刻的标准物候期累积天数为20天,未来时刻与当前时刻的时间间隔为13天,则可以基于该13天和该20天的和值,确定目标作物在未来时刻的标准物候期累积天数为33天。
进而,基于上述该物候期累积天数-物候期映射关系,可以看出33天大于10天且小于40天,也即超过发芽期的总天数且低于发芽期和生长期的总天数,因此目标作物在未来时刻的标准物候期累积天数33天对应的物候期为生长期,也即,该目标作物在未来时刻的目标物候期为生长期。
在另一些实施例中,步骤S330具体实现为:将时间间隔和目标作物在当前时刻的标准物候期累积天数的和值,输入至预先训练好的物候期预测模型中,得到该物候期预测模型输出的目标作物在未来时刻所处的目标物候期。
其中,该物候期预测模型可以是基于BP人工神经网络构建的,也可以是基于图卷积神经网络构建的,还可以是基于其他深度学习的神经网络模型构建的,本发明实施例对此不做具体限制。
本发明实施例提供的水肥调控方法,可以根据有效积温确定出当前时刻的标准物候期累积天数,进而确定出目标作物在未来时刻的目标物候期。相比于严格依照目标作物的实际生长天数确定目标作物在未来时刻所处的物候期,本发明提供的水肥调控方法考虑到了气候或热量对物候期的影响,能够更准确地反映出目标作物在未来时刻的物候期情况,提高了水肥调控的准确性,且为后续的水肥调控提供了数据支撑。
基于图3所示的实施例,在一些实施例中,标准物候期积累天数是基于以下方式确定:
将有效积温输入至预先训练好的物候期积累天数预测模型中,得到该物候期积累天数预测模型输出的标准物候期积累天数。
其中,该物候期积累天数预测模型是基于样本有效积温,以及样本有效积温对应的标准物候期积累天数标签训练得到的。
基于图3所示的实施例,在另一些实施例中,标准物候期积累天数是基于以下公式确定:
式中,表示所述标准物候期累积天数,/>表示所述目标作物的最大标准物候期累积天数,/>表示所述有效积温,/>和/>均为常数。
目标作物的最大标准物候期累积天数为一个预先设定的常数值,对应该目标作物的标准生长周期的最大生长天数。例如,在某一个目标作物的标准生长周期包括:为期10天的发芽期、为期30天的生长期以及为期20天的结果期的情况下,该目标作物的最大标准物候期累积天数为上述三个物候期的天数的和值,也即60天。标准物候期积累天数可以是整数也可以是小数,本申请对此不做具体限制。
本发明实施例提供的水肥调控方法,可以依据有效积温和目标作物的最大标准物候期累积天数,确定出目标作物的标准物候期积累天数,为后续依据确定目标作物的标准水肥状况提供了数据支撑。
基于图3所示的实施例,有效积温可以基于以下公式确定:
式中,表示所述有效积温,/>表示目标作物发生生命活动的最低温,/>表示第/>天的平均空气温度。
其中,表示第天的平均空气温度/>基于以下公式确定
式中,表示第/>天的平均空气温度,/>表示第/>天的最高空气温度,/>表示第/>天的最低空气温度,/>表示目标作物发生生命活动的最低温,/>表示目标作物发生生命活动的最高温。
需要说明的是,上述、/>、/>、/>、/>、以及/>的单位可以是摄氏度(℃),也可以是开尔文(K),还可以是其他可能的温度单位,只要不影响公式的正常运算即可。
本发明实施例提供的水肥调控方法,可以确定出目标作物在当前时刻的有效积温,从而为依据有效积温确定出目标作物在未来时刻的目标物候期提供了数据支撑。由于有效积温能够笼统地反映作物的生育速率与温度的关系。因此,有效积温的加入,能够兼顾气候或热量对物候期的影响,提高了后续确定目标作物在未来时刻的目标物候期的准确性,进而提高了后续水肥调控的准确性。
基于上述任一实施例,上述步骤S210包括:将目标作物的环境数据输入至预先训练好的第一水肥参数预测模型中,得到第一水肥参数预测模型输出的第一水肥参数预测结果,该第一水肥参数预测结果包括目标作物在未来时刻的第一水肥参数。其中,该第一水肥参数预测模型是基于样本环境数据,以及样本环境数据对应的第一水肥参数预测结果标签训练得到的。
为提高训练得到的第一水肥参数预测模型的准确性,在训练前,还对样本环境数据做预处理操作;该预处理操作包括以下至少一项:数据清洗、特征选择、特征转换、数据分割、标签编码,以及数据标准化等。
其中,数据清洗包括但不限于以下至少一项:处理缺失值、处理异常值、以及处理重复值等。处理缺失值用于找到并处理样本环境数据中的缺失值,例如可以删除包括该缺失值的样本或填充该缺失值;处理异常值用于检测和处理样本环境数据中的异常样本,以防其对模型的训练产生不良影响;处理重复值用于删除和识别重复的数据点,以确保数据的唯一性。
特征选择用于选择与第一水肥参数相关的有意义的特征,以降低维度并减少噪音。例如,可以采用方差阈值、相关性分析、递归特征消除等方式实现特征选择。
特征转换包括但不限于以下至少一项:归一化、独热编码,以及特征工程。归一化用于将特征值缩放至相似的范围,以确保不同特征对模型的权重影响相等。独热编码用于将分类特征转换为二进制特征,以便模型能够处理。特征工程用于创建新的特征或者转换现有特征,以更好的捕捉数据的模式。
数据分割用于将样本环境数据分割为训练集、验证集以及测试集,以便评估模型的性能和泛化能力。
标签编码用于标注样本环境数据对应的第一水肥参数预测结果标签,以便模型训练和预测。
本发明实施例提供的水肥调控方法,可以基于环境数据,以及预先训练好的模型得到目标作物在未来时刻的第一水肥参数,从而为后续基于第一水肥参数和第二水肥参数的对比结果确定目标作物在未来时刻的水肥调控参数提供数据支撑。
基于上述任一实施例,第一水肥参数包括目标作物在未来时刻的实际土壤含水量,环境数据包括目标作物在当前时刻的实际土壤含水量、从当前时刻至未来时刻的降水量,以及从当前时刻至未来时刻的蒸发量,图4中示出了本发明提供的一种水肥调控方法的流程示意图之三。参照图4,上述步骤S210包括:
步骤S410、确定降水量与当前时刻的实际土壤含水量的和值。
其中,降水量也可以被称为降雨量。降水量可以是基于采集装置采集到的数据,也可以是基于气象预报获得的数据,还可以是基于气象预测模型预测得到的数据。
在目标作物为大棚作物、温室作物等需要在培育设施内培育的作物的情况下,该降水量可以取0。
步骤S420、基于和值与蒸发量的差值,确定未来时刻的实际土壤含水量。
其中,蒸发量也被称为蒸腾量,蒸发量可以是基于采集装置采集到的数据,也可以是基于其他环境数据预测得到的数据,本发明实施例对此不做具体限制。
需要说明的是,上述步骤S410和步骤S420仅为示例,在另一个实施例中,步骤S210还可以实现为:确定当前时刻的实际土壤含水量与上述从当前时刻至未来时刻的蒸发量的差值;基于所述差值与当前时刻至未来时刻的降水量的和值,确定未来时刻的实际土壤含水量。
在一个具体的示例中,上述未来时刻的实际土壤含水量满足以下公式:
式中,表示未来时刻的实际土壤含水量,/>表示当前时刻的实际土壤含水量,/>表示从当前时刻至未来时刻的降水量,/>表示从当前时刻至未来时刻的蒸发量。该公式也可以被称为水分平衡模型。
在一些实施例中,上述蒸发量可以基于以下步骤确定:将目标作物的环境数据(例如光照强度、日照时数,以及风速等)输入至预先训练好的蒸发量预测模型中,得到蒸发量预测模型输出的蒸发量预测结果。其中,该蒸发量预测模型是基于样本环境数据,以及样本环境数据对应的蒸发量预测结果标签训练得到的。
在另一些实施例中,上述蒸发量可以基于以下公式确定:
式中,表示作物表面净辐射,/>表示土壤热通量,/>表示湿度计常数,/>表示空气平均温度,/>表示地面以上2m高出的风速,/>表示空气饱和水汽压;/>表示空气实际水汽压;/>表示饱和水汽压与温度关系曲线的斜率。
本发明实施例提供的水肥调控方法,由于降水量、蒸发量,以及目标作物在当前时刻的实际土壤含水量,与目标作物在未来时刻的实际土壤含水量息息相关,因此可以基于上述环境数据确定出目标作物在未来时刻的实际土壤含水量。进而,为后续确定目标作物在未来时刻的水肥调控参数(例如目标灌溉量或目标蒸腾量等)提供数据支撑。
基于上述任一实施例,图5中示出了本发明提供的一种水肥调控方法的流程示意图之四。第二水肥参数包括目标作物在未来时刻的标准土壤含水量,上述步骤S230包括:
步骤S510、在未来时刻的实际土壤含水量低于标准土壤含水量的情况下,确定标准土壤含水量与未来时刻的实际土壤含水量的第一含水量差值。
在一个示例中,在标准土壤含水量为一个具体数据,且实际土壤含水量也为一个具体数值的情况下,该第一含水量差值等于标准土壤含水量减去实际土壤含水量得到的数值。
在另一个示例中,在标准土壤含水量为一个数据范围,而实际土壤含水量为一个具体数值的情况下,在实际土壤含水量低于标准土壤含水量的数值范围的最小值的情况下,认为未来时刻的实际土壤含水量低于标准土壤含水量;该第一含水量差值为标准土壤含水量的数值范围的任意值减去实际土壤含水量得到的数值。在一个具体的示例中,该任意值可以为以下任一项:该数值范围内的最小值、该数值范围的最大值、该数值范围的平均值,或者其他该数值范围内的数值。
在又一个示例中,在标准土壤含水量为一个数据范围,且实际土壤含水量也为一个数值范围的情况下,在满足以下条件下中任一项的情况下,认为未来时刻的实际土壤含水量低于标准土壤含水量:实际土壤含水量的数值范围的最大值低于标准土壤含水量的数值范围的最小值;或者,实际土壤含水量的数值范围的平均值低于标准土壤含水量的数值范围的平均值。该第一含水量差值为标准土壤含水量的数值范围的平均值减去实际土壤含水量的数值范围的平均值得到的数值。
步骤S520、基于第一含水量差值,以及含水量差值与灌溉量的映射关系,确定目标作物在未来时刻的目标灌溉量。
在一个示例中,含水量差值与灌溉量的映射关系包括预先训练好的灌溉量预测模型。例如,步骤S520可以具体实现为:将第一含水量差值输入至该预先训练好的灌溉量预测模型,得到目标作物在未来时刻的目标灌溉量。
在另一个示例中,含水量差值和灌溉量正相关。在一个具体的示例中,含水量差值与灌溉量的映射关系满足以下公式:
式中,表示灌溉量,/>表示待灌溉的土壤面积,/>表示目标作物的根深,表示含水量差值,/>表示目标作物在该待灌溉的土壤面积中的面积占比。
在一些实施例中,在步骤S520之后,还包括:基于目标灌溉量,在该未来时刻对目标作物进行灌溉操作。可以理解的是,该灌溉操作可以是人工执行的,也可以是设备执行的。
在另一些实施例中,在步骤S520之后,还可以包括:基于目标灌溉量,确定目标作物在未来时刻的灌溉调控参数。该灌溉调控参数用于调控灌溉相关的设备,例如滴灌设备、喷灌设备、水泵、以及流量计等。基于此,可以为实现未来时刻的灌溉调控提供参数支持,实现设备的自动调控。
本发明实施例提供的水肥调控方法,可以通过对比目标作物在未来时刻的标准土壤含水量和目标作物在该未来时刻的实际土壤含水量,提前判断未来时刻是否存在缺水情况。从而在缺水前,提前确定出在未来时刻需要的灌溉量(也即目标灌溉量),超前实现了对目标作物的水肥调控,提高了水肥调控的可靠性。
基于上述任一实施例,图6中示出了本发明提供的一种水肥调控方法的流程示意图之五。第二水肥参数包括目标作物在未来时刻的标准土壤含水量,上述步骤S230包括:
步骤S610、在未来时刻的实际土壤含水量高于标准土壤含水量的情况下,确定未来时刻的实际土壤含水量与标准土壤含水量的第二含水量差值。
其中,第二含水量差值的确定方式可以参考上文中对第一含水量差值的描述,这里不再详述。
步骤S620、基于第二含水量差值,以及含水量差值与蒸发量的映射关系,确定目标作物在未来时刻的目标蒸发量。
在一个示例中,含水量差值与蒸发量的映射关系包括预先训练好的目标蒸发量预测模型。例如,步骤S620可以具体实现为:将第二含水量差值输入至该预先训练好的目标蒸发量预测模型,得到目标作物在未来时刻的目标蒸发量。
在另一个示例中,含水量差值和蒸发量正相关。
在一些实施例中,在步骤S620之后,还包括:基于目标蒸发量,在该未来时刻对目标作物进行蒸发操作。可以理解的是,该蒸发操作可以是人工执行的,也可以是设备执行的。
在另一些实施例中,在步骤S620之后,还可以包括:基于目标蒸发量,确定目标作物在未来时刻的蒸发调控参数。该蒸发调控参数用于调控蒸发相关的设备,例如风机、日照灯等。基于此,可以为实现未来时刻的蒸发调控提供参数支持,实现设备的自动调控。
本发明实施例提供的水肥调控方法,可以通过对比目标作物在未来时刻的标准土壤含水量和目标作物在该未来时刻的实际土壤含水量,提前判断未来时刻是否存在土壤含水量过多的情况。从而在出现土壤含水量过多的情况前,提前确定出在未来时刻需要的蒸发量(也即目标蒸发量),超前实现了对目标作物的水肥调控,提高了水肥调控的可靠性。
基于上述任一实施例,图7中示出了本发明提供的一种水肥调控方法的流程示意图之六。参照图7,上述水肥调控方法,还包括:
步骤S710、获取目标作物的土壤养分参数,以及目标作物的目标产量。
其中,土壤养分参数包括但不限于以下至少一项:土壤含氮量、土壤含磷量,以及土壤含钾量等。可以理解的是,上述土壤养分参数仅为示例,还可以包括一些微量元素对应的土壤含量,随着目标作物类型的改变,该土壤养分参数也可以存在不同的差异。
步骤S720、将土壤养分参数和目标产量输入至施肥量预测模型,得到施肥量预测模型输出的施肥量预测结果,施肥量预测结果包括以下至少一项:施氮量、施磷量和施钾量。
其中,施肥量预测模型是基于样本土壤养分参数、样本目标产量,以及样本土壤养分参数和样本目标产量共同对应的施肥量预测结果标签训练得到的。
在一个具体的示例中,样本土壤养分参数可以通过以下方式获取:将种植地块划分为多个样本地块,每个样本地块上布置土壤氮磷钾采集传感器;采集播种前各个样本地块的土壤含氮量、土壤含磷量,以及土壤含钾量,构建样本土壤养分参数;获取各个样本地块上目标作物的最终产量构建样本目标产量;获取各个样本地块的施氮量、施磷量和施钾量,以构建样本土壤养分参数和样本目标产量共同对应的施肥量预测结果标签。进一步的,还可以对上述各个样本进行预处理操作,该预处理操作可以参考上文中的描述,这里不再赘述。
此处,施肥量预测模型可以是基于BP人工神经网络构建的,也可以是基于图卷积神经网络构建的,还可以是基于其他深度学习的神经网络模型构建的,本发明实施例对此不做具体限制。
下面以基于BP人工神经网络构建为例进行简单介绍。将上述样本土壤养分参数、样本目标产量,以及样本土壤养分参数和样本目标产量共同对应的施肥量预测结果标签输入至待训练的施肥量预测模型,构建该施肥量预测模型中各个神经元(也被称为节点)的节点模型,确定该施肥预测模型的激活函数,并进行后向传播学习,得到基于后向传播的施肥量预测模型。
在一个具体的示例中,图8为本发明提供的一种施肥量预测模型的结构示意图,该施肥预测模型包括输入层、输出层和隐藏层。该施肥预测模型输入层的神经元有4个,分别为土壤含氮量、土壤含磷量、土壤含钾量,以及目标产量;输出层的神经元有3个,分别为施氮量、施磷量和施钾量。
其中,每个隐藏层的神经元的输出满足以下公式(该公式也可以被称为隐藏层的神经元的节点模型):
式中,表示隐藏层的神经元的输出;/>表示输入层的神经元的输出(也即隐藏层的神经元的输入);/>表示偏置,用于调整该隐藏层的神经元的响应阈值;/>表示激活函数,用于确定隐藏层的神经元输出的阈值。
此处,激活函数满足以下公式:
式中,表示激活函数,/>为自然对数的底数,/>为自变量。
本发明实施例提供的水肥调控方法,可以基于目标作物的土壤养分参数以及目标产量,确定出对应的施肥量,避免了过于依赖专家经验或主观判断进行施肥导致的水肥调控不准确的问题,提高了施肥调控的准确性。
可以看出,上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,本发明实施例提供了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
下面对本发明提供的水肥调控装置进行描述,下文描述的水肥调控装置与上文描述的水肥调控方法可相互对应参照。
图9为本发明提供的水肥调控装置的结构示意图,如图9所示,该水肥调控装置,包括:
预测模块910,用于根据目标作物的环境数据,预测目标作物在未来时刻的第一水肥参数;第一水肥参数用于指示目标作物在未来时刻的实际水肥状况;
确定模块920,用于基于目标作物在未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定目标物候期对应的第二水肥参数;第二水肥参数用于指示目标作物在未来时刻的标准水肥状况;物候期-水肥参数映射关系用于指示目标作物的物候期与适宜于物候期的水肥参数的对应关系;
调控模块930,用于基于第一水肥参数与第二水肥参数的对比结果,确定目标作物在未来时刻的水肥调控参数,水肥调控参数用于进行水肥调控。
需要说明的是,图9中对模块的划分是示意性的,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。例如,还可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令,以执行上述任一实施例所述的水肥调控方法。
此外,上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、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。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的水肥调控方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种水肥调控方法,其特征在于,包括:
根据目标作物的环境数据,预测所述目标作物在未来时刻的第一水肥参数;所述第一水肥参数用于指示所述目标作物在所述未来时刻的实际水肥状况;
基于所述目标作物在所述未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定所述目标物候期对应的第二水肥参数;所述第二水肥参数用于指示所述目标作物在所述未来时刻的标准水肥状况;所述物候期-水肥参数映射关系用于指示所述目标作物的物候期与适宜于所述物候期的水肥参数的对应关系;
基于所述第一水肥参数与所述第二水肥参数的对比结果,确定所述目标作物在所述未来时刻的水肥调控参数,所述水肥调控参数用于进行水肥调控;
所述目标物候期是基于以下方式确定:
根据所述目标作物在当前时刻的有效积温,确定所述目标作物在所述当前时刻的标准物候期累积天数;
确定所述未来时刻与所述当前时刻的时间间隔;
基于所述时间间隔和所述目标作物在所述当前时刻的标准物候期累积天数的和值,确定所述目标作物在所述未来时刻所处的目标物候期;
所述标准物候期累积天数是基于以下公式确定:
;
式中,表示所述标准物候期累积天数,/>表示所述目标作物的最大标准物候期累积天数,/>表示所述目标作物在当前时刻的有效积温,/>和/>均为常数。
2.根据权利要求1所述的水肥调控方法,其特征在于,所述第一水肥参数包括所述目标作物在所述未来时刻的实际土壤含水量,所述环境数据包括所述目标作物在当前时刻的实际土壤含水量、从所述当前时刻至所述未来时刻的降水量,以及从所述当前时刻至所述未来时刻的蒸发量,所述根据目标作物的环境数据,预测所述目标作物在未来时刻的第一水肥参数,包括:
确定所述降水量与所述当前时刻的实际土壤含水量的和值;
基于所述和值与所述蒸发量的差值,确定所述未来时刻的实际土壤含水量。
3.根据权利要求2所述的水肥调控方法,其特征在于,所述第二水肥参数包括所述目标作物在所述未来时刻的标准土壤含水量,所述基于所述第一水肥参数与所述第二水肥参数的对比结果,确定所述目标作物在所述未来时刻的水肥调控参数,包括:
在所述未来时刻的实际土壤含水量低于所述标准土壤含水量的情况下,确定所述标准土壤含水量与所述未来时刻的实际土壤含水量的第一含水量差值;
基于所述第一含水量差值,以及含水量差值与灌溉量的映射关系,确定所述目标作物在所述未来时刻的目标灌溉量。
4.根据权利要求3所述的水肥调控方法,其特征在于,所述水肥调控方法还包括:
在所述未来时刻的实际土壤含水量高于所述标准土壤含水量的情况下,确定所述未来时刻的实际土壤含水量与所述标准土壤含水量的第二含水量差值;
基于所述第二含水量差值,以及含水量差值与蒸发量的映射关系,确定所述目标作物在所述未来时刻的目标蒸发量。
5.根据权利要求1所述的水肥调控方法,其特征在于,所述水肥调控方法还包括:
获取所述目标作物的土壤养分参数,以及所述目标作物的目标产量;
将所述土壤养分参数和所述目标产量输入至施肥量预测模型,得到所述施肥量预测模型输出的施肥量预测结果,所述施肥量预测结果包括以下至少一项:施氮量、施磷量和施钾量;
其中,所述施肥量预测模型是基于样本土壤养分参数、样本目标产量,以及所述样本土壤养分参数和所述样本目标产量共同对应的施肥量预测结果标签训练得到的。
6.一种水肥调控装置,其特征在于,包括:
预测模块,用于根据目标作物的环境数据,预测所述目标作物在未来时刻的第一水肥参数;所述第一水肥参数用于指示所述目标作物在所述未来时刻的实际水肥状况;
确定模块,用于基于所述目标作物在所述未来时刻所处的目标物候期,以及物候期-水肥参数映射关系,确定所述目标物候期对应的第二水肥参数;所述第二水肥参数用于指示所述目标作物在所述未来时刻的标准水肥状况;所述物候期-水肥参数映射关系用于指示所述目标作物的物候期与适宜于所述物候期的水肥参数的对应关系;
调控模块,用于基于所述第一水肥参数与所述第二水肥参数的对比结果,确定所述目标作物在所述未来时刻的水肥调控参数,所述水肥调控参数用于进行水肥调控;
所述确定模块还用于:
根据所述目标作物在当前时刻的有效积温,确定所述目标作物在所述当前时刻的标准物候期累积天数;
确定所述未来时刻与所述当前时刻的时间间隔;
基于所述时间间隔和所述目标作物在所述当前时刻的标准物候期累积天数的和值,确定所述目标作物在所述未来时刻所处的目标物候期;
所述标准物候期累积天数是基于以下公式确定:
;
式中,表示所述标准物候期累积天数,/>表示所述目标作物的最大标准物候期累积天数,/>表示所述目标作物在当前时刻的有效积温,/>和/>均为常数。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述水肥调控方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述水肥调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491922.2A CN117236519B (zh) | 2023-11-10 | 2023-11-10 | 水肥调控方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491922.2A CN117236519B (zh) | 2023-11-10 | 2023-11-10 | 水肥调控方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236519A CN117236519A (zh) | 2023-12-15 |
CN117236519B true CN117236519B (zh) | 2024-04-09 |
Family
ID=89096957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311491922.2A Active CN117236519B (zh) | 2023-11-10 | 2023-11-10 | 水肥调控方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236519B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769533A (zh) * | 2019-03-12 | 2019-05-21 | 福州阿里他巴信息科技有限公司 | 一种水肥气一体化喷灌系统 |
CN110533547A (zh) * | 2019-09-27 | 2019-12-03 | 中国农业科学院农业信息研究所 | 果蔬水肥调控方法和装置以及计算机可读存储介质 |
CN111279952A (zh) * | 2020-03-18 | 2020-06-16 | 嘉应学院 | 一种基于云平台的水肥一体化管理系统 |
CN114365614A (zh) * | 2021-11-22 | 2022-04-19 | 湖南大学 | 基于物联网的水肥精准调控方法、智能装备及系统 |
CN115423643A (zh) * | 2022-11-04 | 2022-12-02 | 中化现代农业有限公司 | 水肥计算方法、装置、电子设备和存储介质 |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
CN116361562A (zh) * | 2023-06-02 | 2023-06-30 | 太极计算机股份有限公司 | 一种面向农业产业互联网的知识化推荐方法及系统 |
CN116362578A (zh) * | 2022-12-05 | 2023-06-30 | 北京天创金农科技有限公司 | 一种灌溉策略的确定方法和装置 |
CN116569721A (zh) * | 2023-05-08 | 2023-08-11 | 宁夏大学 | 基于虚实融合的苜蓿水肥调控方法 |
CN116762676A (zh) * | 2023-07-12 | 2023-09-19 | 食铁兽科技(重庆)有限责任公司 | 一种基于作物表型图像的动态灌溉控制方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900009735A1 (it) * | 2019-06-21 | 2020-12-21 | Soonapse S R L | Sistema per l’ottimizzazione dell’uso dell’acqua nell’irrigazione sulla base del calcolo predittivo del potenziale idrico del terreno |
-
2023
- 2023-11-10 CN CN202311491922.2A patent/CN117236519B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769533A (zh) * | 2019-03-12 | 2019-05-21 | 福州阿里他巴信息科技有限公司 | 一种水肥气一体化喷灌系统 |
CN110533547A (zh) * | 2019-09-27 | 2019-12-03 | 中国农业科学院农业信息研究所 | 果蔬水肥调控方法和装置以及计算机可读存储介质 |
CN111279952A (zh) * | 2020-03-18 | 2020-06-16 | 嘉应学院 | 一种基于云平台的水肥一体化管理系统 |
CN114365614A (zh) * | 2021-11-22 | 2022-04-19 | 湖南大学 | 基于物联网的水肥精准调控方法、智能装备及系统 |
CN115423643A (zh) * | 2022-11-04 | 2022-12-02 | 中化现代农业有限公司 | 水肥计算方法、装置、电子设备和存储介质 |
CN116362578A (zh) * | 2022-12-05 | 2023-06-30 | 北京天创金农科技有限公司 | 一种灌溉策略的确定方法和装置 |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
CN116569721A (zh) * | 2023-05-08 | 2023-08-11 | 宁夏大学 | 基于虚实融合的苜蓿水肥调控方法 |
CN116361562A (zh) * | 2023-06-02 | 2023-06-30 | 太极计算机股份有限公司 | 一种面向农业产业互联网的知识化推荐方法及系统 |
CN116762676A (zh) * | 2023-07-12 | 2023-09-19 | 食铁兽科技(重庆)有限责任公司 | 一种基于作物表型图像的动态灌溉控制方法和系统 |
Non-Patent Citations (3)
Title |
---|
基于温室番茄长势信息的水肥决策方法研究;王海华;王丽燕;张馨心;李莉;;农业工程技术(第07期);全文 * |
水肥耦合对吐哈盆地滴灌葡萄生理生长及产量品质影响效应研究;侯裕生;《中国优秀硕士学位论文全文数据库农业科技辑》(第1期);全文 * |
现代灌溉水肥精量调控原理与应用;李久生;李益农;栗岩峰;赵伟霞;王珍;王军;;中国水利水电科学研究院学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236519A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3534689B1 (en) | Controlling agricultural production areas | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
US9880140B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
Pereira et al. | Crop evapotranspiration estimation with FAO56: Past and future | |
CN111582554B (zh) | 一种农作物长势预测方法及系统 | |
US20190034726A1 (en) | System and method for remote nitrogen monitoring and prescription | |
EP3211987B1 (en) | Method for providing a three-dimensional assessment of water movement through soil and across a field and associated system | |
US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
US20160224703A1 (en) | Growth stage determination system and method | |
JP7176980B2 (ja) | 作物管理システム及び作物管理方法 | |
US20150234785A1 (en) | Prediction apparatus and method for yield of agricultural products | |
WO2018081853A1 (en) | Controlling agricultural production areas | |
US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN116227758A (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
CA3196136A1 (en) | Advanced crop manager for crops stress mitigation | |
CN117236519B (zh) | 水肥调控方法、装置、电子设备和存储介质 | |
KR102194871B1 (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
JP2021002110A (ja) | 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法 | |
CN116542403B (zh) | 作物产量预测方法、装置、电子设备及可读存储介质 | |
WO2023119529A1 (ja) | 生育予測装置、生育予測方法、及び生育予測プログラム | |
JP7284775B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び、プログラム | |
CN117933946B (zh) | 一种基于大数据的乡村业务管理方法 | |
Nakabuye | Canopy Temperature Based Irrigation Management of Maize and Soybeans in Semi-Arid Climates |
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 |