CN117250161A - 一种大豆耐盐碱鉴定池的实时监测系统 - Google Patents
一种大豆耐盐碱鉴定池的实时监测系统 Download PDFInfo
- Publication number
- CN117250161A CN117250161A CN202311531612.9A CN202311531612A CN117250161A CN 117250161 A CN117250161 A CN 117250161A CN 202311531612 A CN202311531612 A CN 202311531612A CN 117250161 A CN117250161 A CN 117250161A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- environment
- alkali
- parameters
- 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
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 110
- 244000068988 Glycine max Species 0.000 title claims abstract description 110
- 239000003513 alkali Substances 0.000 title claims abstract description 100
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 150000003839 salts Chemical class 0.000 title claims abstract description 31
- 239000002689 soil Substances 0.000 claims abstract description 112
- 230000007613 environmental effect Effects 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000001360 synchronised effect Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000010813 internal standard method Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000007873 sieving Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 11
- 238000011160 research Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000000265 homogenisation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及实时监测技术领域，尤其涉及一种大豆耐盐碱鉴定池的实时监测系统。包括：首先，对盐碱鉴定池中的实时环境数据进行采集，并对采集到的实时环境数据进行预处理，同时收集盐碱鉴定池中的土壤样本，并利用核心元素提取技术进行成分分析，得到土壤成分数据；然后，对预处理后的实时环境数据和土壤成分数据，分别利用多维稳定性校准算法和内标法进行数据校准，得到校准后的实时环境数据和土壤成分数据；最后，对校准后的实时环境数据利用量子融合同步法进行同步处理；利用多重优化算法对同步处理后的实时环境数据进行分析验证，得到更适合大豆生长的环境参数。解决了现有技术中数据准确性较低，稳定性较差的技术问题。
Description
技术领域
本发明涉及实时监测技术领域，尤其涉及一种大豆耐盐碱鉴定池的实时监测系统。
背景技术
随着全球气候变化和土地盐碱化的加剧，大豆的耐盐碱性成为了农业研究的重要方向，为了筛选出耐盐碱的大豆品种，科研人员需要对大豆进行盐碱胁迫试验。传统的鉴定方法往往依赖于人工观察和记录，这不仅效率低下，而且可能受到主观因素的影响，导致结果的不准确；近年来，随着传感器技术和数据分析技术的发展，实时监测系统在各个领域得到了广泛的应用，然而，在大豆耐盐碱鉴定领域，尚缺乏一个能够实时、准确地监测大豆生长状况、土壤盐分浓度和环境参数的系统。
对于实时监测的研究有很多，柯鹏振等人提出的中国专利申请号：“CN202310591935.0”，发明名称：“一种环境土壤湿度数据实时监测系统”，主要包括：电源供电模块(1)、数据采集模块(2)、数据传输模块(3)、数据处理总模块(4)、应用层模块(5)、数据监控终端模块(6)、物联网开发平台模块(7)、网络端口监听模块(8)、固件升级工具模块(9)和服务器模块(10)，其特征在于：所述电源供电模块(1)的输出端连接有所述数据采集模块(2)的输入端，所述数据采集模块(2)的输出端连接有所述数据传输模块(3)的输入端，所述数据传输模块(3)的输出端连接有所述数据处理总模块(4)的输入端，所述数据处理总模块(4)的输出端连接有所述应用层模块(5)的输入端，所述应用层模块(5)的输出端连接有所述数据监控终端模块(6)的输入端。
但上述技术至少存在如下技术问题：实现过程中数据准确性较低，稳定性较差的技术问题。
发明内容
本申请实施例通过提供一种大豆耐盐碱鉴定池的实时监测系统，解决了现有技术的实现过程中数据准确性较低，稳定性较差的技术问题，实现了数据高准确性和高稳定性的技术效果。
本申请提供了一种大豆耐盐碱鉴定池的实时监测系统，具体包括以下技术方案：
一种大豆耐盐碱鉴定池的实时监测系统，包括以下部分：
实时监测模块，土壤成分测量计算分析模块，数据校准模块，数据同步控制器，环境优化模块，安全调节控制器；
所述实时监测模块，实时收集大豆在盐碱鉴定池中的环境数据，所述环境数据通过温度传感器、湿度传感器、光照强度传感器进行收集，然后通过数据传输线将环境数据传输到数据校准模块进行处理；同时接收安全调节控制器传来的最终生长环境调整参数，将所述生长环境调整参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境；
所述土壤成分测量计算分析模块，用于对盐碱鉴定池中的土壤成分进行测量，利用核心元素提取技术进行分析得到最终土壤成分数据，然后通过数据传输线将土壤成分数据传输到数据校准模块进行处理；
所述数据校准模块，利用多维稳定性校准算法和内标法校准实时监测模块和土壤成分测量计算分析模块传来的数据，并将校准后的数据传输给数据同步控制器；
所述数据同步控制器，基于数据校准模块传来的校准后的数据，利用量子融合同步法将各个监测模块之间的数据进行同步，并将同步后的数据传输给环境优化模块；
所述环境优化模块，根据同步后的数据，利用多重优化算法进行环境参数调整，得到适合大豆生长的优化环境参数，将优化环境参数传输给安全调节控制器；
所述安全调节控制器，基于环境优化模块传来的优化环境参数，利用决策树算法进行验证调节，得到最终的调整参数，并将最终的调整参数传输给实时监测模块。
一种大豆耐盐碱鉴定池的实时监测方法，应用于一种大豆耐盐碱鉴定池的实时监测系统，包括以下步骤：
S1. 对盐碱鉴定池中的实时环境数据进行采集，并对采集到的实时环境数据进行预处理，同时，收集盐碱鉴定池中的土壤样本，并利用核心元素提取技术进行成分分析，得到土壤成分数据；
S2. 对预处理后的实时环境数据和土壤成分数据，分别利用多维稳定性校准算法和内标法进行数据校准，得到校准后的实时环境数据和土壤成分数据；
S3. 对校准后的实时环境数据利用量子融合同步法进行同步处理；利用多重优化算法对同步处理后的实时环境数据进行分析验证，得到适合大豆生长的环境参数。
优选的，所述S1，具体包括：
启动实时监测模块，通过传感器收集大豆在盐碱鉴定池中的实时环境数据，对收集到的实时环境数据采用滑动平均法进行降噪处理，再对降噪后的实时环境数据采用中值滤波法进行滤波处理；同时收集不同位置盐碱鉴定池中的土壤样本，用超声波清洗机进行清洗，并对清洗后的土壤样本进行研磨、过筛、光谱分析，得到光谱数据，并进行光谱数据分析处理。
优选的，在所述S1中，还包括：
在光谱数据的处理过程中，对光谱数据利用小波变换进行降噪处理，利用傅里叶变换提取降噪后光谱数据的信息，得到处理后的盐碱鉴定池土壤样本的光谱数据；利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，得到土壤成分数据。
优选的，所述S2，具体包括：
在对预处理后的实时环境数据进行校准时，采用多维稳定性校准算法，并提出稳定性增强算法，通过所述稳定性增强算法引入稳定性参数；提出准确性提升算法，并引入准确性参数；在对预处理后的实时环境数据进行校准的实现过程中，针对时间复杂度优化，采用数值积分的方法，将连续的积分运算转化为离散的求和运算；针对空间复杂度优化，采用数据压缩的方法，将数据合并存储。
优选的，在所述S2中，还包括：
针对预处理后的土壤成分数据采用内标法进行校准，所述内标法，在土壤样品中添加已知浓度的内标物质，然后通过测量内标物质的浓度来校准土壤样品的成分浓度。
优选的，所述S3，具体包括：
对校准后的实时环境数据利用基于量子计算的原理的量子融合同步法进行同步处理；基于同步处理后的实时环境数据利用统计分析、机器学习、多重优化算法进行分析验证，得到适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境。
优选的，在所述S3中，还包括：
所述量子融合同步法实现步骤：
第一步，量子初始化；
第二步，量子叠加处理；
第三步，量子纠缠同步；
第四步，量子测量解码。
优选的，在所述S3中，还包括：
针对同步处理后的实时环境数据利用时间序列分析算法进行分析，提取大豆生长的关键环境参数，包括温度、湿度、光照强度；利用多重优化算法对关键环境参数进行优化，具体实现过程如下：
首先，进行优化算法选择与实现；定义优化目标函数和约束条件，通过迭代优化，得到最适合大豆生长的环境参数；进一步，在得到最适合大豆生长的环境参数后，对所述环境参数进行敏感性分析；最后，多目标优化；定义个优化目标函数，利用多目标优化算法求解优化问题，通过迭代优化，得到满足/>个目标的最优解，即优化后的环境参数。
优选的，在所述S3中，还包括：
利用决策树验证算法、实验数据、模拟实验对优化后的环境参数进行验证；得到最终的调整参数。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请通过实时监测模块的传感器收集大豆在盐碱鉴定池中的环境数据，并对收集到的数据进行降噪处理和滤波处理，可以确保我们得到的环境数据是准确和可靠的，从而为后续的分析和研究提供了坚实的基础，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，可以快速准确地得到土壤成分数据，从而提升了分析的效率。
2、本申请通过多维稳定性校准算法和内标法对环境数据和土壤成分数据进行校准，确保数据的准确性和稳定性，从而使得我们得到的数据能够真实反映大豆在盐碱环境下的生长环境，通过稳定性增强算法引入稳定性参数，不断调整校准参数，直到校准后的数据达到稳定的状态，从而增强数据的稳定性，通过准确性提升算法引入准确性参数，不断调整校准参数，直到校准后的数据达到准确的状态，从而增强数据的准确性。
3、本申请通过引入量子融合同步法，利用量子态的叠加和纠缠特性，实现了数据的高效同步，确保了整个监测过程的数据同步，提高了数据处理的准确性和稳定性，通过引入多重优化算法，对关键环境参数进行优化，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境，确保大豆在盐碱环境中的健康生长。
4、本申请的技术方案能够有效解决实现过程中数据准确性较低，稳定性较差的技术问题，通过实时监测模块的传感器收集大豆在盐碱鉴定池中的环境数据，并对收集到的数据进行降噪处理和滤波处理，可以确保我们得到的环境数据是准确和可靠的，从而为后续的分析和研究提供了坚实的基础，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，可以快速准确地得到土壤成分数据，从而提升了分析的效率；通过多维稳定性校准算法和内标法对环境数据和土壤成分数据进行校准，确保数据的准确性和稳定性，从而使得我们得到的数据能够真实反映大豆在盐碱环境下的生长环境，通过稳定性增强算法引入稳定性参数，不断调整校准参数，直到校准后的数据达到稳定的状态，从而增强数据的稳定性，通过准确性提升算法引入准确性参数，不断调整校准参数，直到校准后的数据达到准确的状态，从而增强数据的准确性；通过引入量子融合同步法，利用量子态的叠加和纠缠特性，实现了数据的高效同步，确保了整个监测过程的数据同步，提高了数据处理的准确性和稳定性，通过引入多重优化算法，对关键环境参数进行优化，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境，确保大豆在盐碱环境中的健康生长。
附图说明
图1为本申请所述大豆耐盐碱鉴定池的实时监测系统的模块图；
图2为本申请所述大豆耐盐碱鉴定池的实时监测方法的流程图。
具体实施方式
本申请实施例通过提供一种大豆耐盐碱鉴定池的实时监测系统，解决了现有技术中实现过程中数据准确性较低，稳定性较差的技术问题，总体思路如下：
首先，对盐碱鉴定池中的实时环境数据进行采集，并对采集到的数据进行预处理得到完整准确的环境数据，同时，收集盐碱鉴定池中的土壤样本，并利用核心元素提取技术进行成分分析，得到土壤成分数据；对预处理后的环境数据和土壤成分数据分别利用多维稳定性校准算法和内标法进行数据校准，得到校准数据；对校准后的环境数据利用量子融合同步法进行同步处理，确保整个监测过程的数据同步；利用多重优化算法对同步后的数据进行分析验证，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境；通过实时监测模块的传感器收集大豆在盐碱鉴定池中的环境数据，并对收集到的数据进行降噪处理和滤波处理，可以确保我们得到的环境数据是准确和可靠的，从而为后续的分析和研究提供了坚实的基础，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，可以快速准确地得到土壤成分数据，从而提升了分析的效率；通过多维稳定性校准算法和内标法对环境数据和土壤成分数据进行校准，确保数据的准确性和稳定性，从而使得我们得到的数据能够真实反映大豆在盐碱环境下的生长环境，通过稳定性增强算法引入稳定性参数，不断调整校准参数，直到校准后的数据达到稳定的状态，从而增强数据的稳定性，通过准确性提升算法引入准确性参数，不断调整校准参数，直到校准后的数据达到准确的状态，从而增强数据的准确性；通过引入量子融合同步法，利用量子态的叠加和纠缠特性，实现了数据的高效同步，确保了整个监测过程的数据同步，提高了数据处理的准确性和稳定性，通过引入多重优化算法，对关键环境参数进行优化，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境，确保大豆在盐碱环境中的健康生长。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种大豆耐盐碱鉴定池的实时监测系统，包括以下部分：
实时监测模块，土壤成分测量计算分析模块，数据校准模块，数据同步控制器，环境优化模块，安全调节控制器；
所述实时监测模块，实时收集大豆在盐碱鉴定池中的环境数据，所述环境数据通过各种传感器进行收集，包括温度传感器、湿度传感器、光照强度传感器，然后通过数据传输线将环境数据传输到数据校准模块进行处理；同时接收安全调节控制器传来的最终环境调整参数后，将这些参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境；
所述土壤成分测量计算分析模块，对盐碱鉴定池中的土壤成分进行准确测量，利用核心元素提取技术进行分析得到最终土壤成分数据，然后通过数据传输线将土壤成分数据传输到数据校准模块进行处理；
所述数据校准模块，利用多维稳定性校准算法和内标法校准实时监测模块和土壤成分测量计算分析模块传来的数据，确保数据的准确性和稳定性，并将校准后的数据传输给数据同步控制器；
所述数据同步控制器，基于数据校准模块传来的校准后的数据，利用量子融合同步法确保各个监测模块之间的数据同步，并将同步后的数据传输给环境优化模块；
所述环境优化模块，根据同步后的数据，利用多重优化算法进行环境参数调整，得到更适合盐碱鉴定池中的大豆的优化环境参数，将优化环境参数传输给安全调节控制器；
所述安全调节控制器，基于环境优化模块传来的优化环境参数，利用决策树算法进行验证调节，确保调整措施不会对盐碱鉴定池中的大豆造成伤害，得到最终的调整参数，并将最终的调整参数传输给实时监测模块；
参照附图2，本申请所述一种大豆耐盐碱鉴定池的实时监测方法，包括以下步骤：
S1. 对盐碱鉴定池中的实时环境数据进行采集，并对采集到的实时环境数据进行预处理，同时，收集盐碱鉴定池中的土壤样本，并利用核心元素提取技术进行成分分析，得到土壤成分数据；
S11. 实时环境数据收集与预处理；
启动实时监测模块，通过传感器收集大豆在盐碱鉴定池中的环境数据，所述传感器如温度传感器、湿度传感器、光照强度传感器；所述环境数据可以包含温度、湿度、光照强度；对收集到的环境数据进行降噪处理，所述去噪处理采用滑动平均法，即对连续的M个数据点取平均值作为当前点的值；再对降噪后的环境数据采用中值滤波法进行滤波处理，即对连续的M个数据点取中值作为当前点的值，最终得到预处理后的实时环境数据E；
S12. 土壤成分测量与分析；
首先，在盐碱鉴定池中的不同位置收集土壤样本，以确保样本的代表性，所述位置可以包括鉴定池的四个角、中心点以及其他特定的位置；收集样本时，记录样本的具体位置、时间以及其他相关的环境参数，以便于后续的分析；将收集到的土壤样本放入清洗液中，用超声波清洗机进行清洗，以去除土壤样本中的杂质，所述清洗液的选择利用专家经验法根据土壤样本的特性来确定，以确保不会对土壤样本造成损害；将清洗后的土壤样本放入研磨机中，进行研磨，以便于后续的光谱分析，研磨的程度根据专家经验法根据土壤样本的特性以及后续分析的要求来确定；将清洗后的土壤样本放入研磨机中，进行研磨，以便于后续的光谱分析，研磨的程度需要根据土壤样本的特性以及后续分析的要求来确定；将研磨后的土壤样本放入筛网中，进行过筛，以去除土壤样本中的大颗粒物，过筛的目的是为了确保土壤样本的均匀性，从而提高分析的准确性；
进一步，将预处理后的土壤样本放入近红外光谱仪的样品盘中，确保样品平整，避免光谱数据的误差；在进行光谱分析之前，对近红外光谱仪进行校准，以确保得到的光谱数据是准确的，所述校准的过程可以包括仪器的零点校准、灵敏度校准，校准过程使用标准样品，通过比较标准样品的光谱数据和实际测得的光谱数据，调整仪器的参数，直到两者一致；启动近红外光谱仪，对盐碱鉴定池土壤样本进行扫描，得到盐碱鉴定池土壤样本的光谱数据，所述光谱数据是由样本对不同波长的光的吸收和反射情况得到的，可以反映样本的成分信息；将采集到的光谱数据进行处理，所述处理可以包括去除噪声，提取有效信息，处理后的光谱数据可以用于后续的分析和研究；
在光谱数据的处理过程中，对数据利用小波变换进行降噪处理，利用傅里叶变换提取降噪后数据的有效信息，得到处理后的盐碱鉴定池土壤样本的光谱数据；所述光谱数据表示为矩阵，其中每一行代表一个样本，每一列代表一个变量；
进一步，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，得到土壤成分数据；所述核心元素提取技术，首先对处理后的盐碱鉴定池土壤样本的光谱数据进行均一化处理，以消除不同变量之间的量纲影响，均一化处理的公式表示为：
，
其中，是第/>个样本的第/>个变量的光谱数据，/>；/>是第/>个变量的均值；是第/>个变量的标准差；/>是均一化后的数据；由/>构成均一化后的光谱数据/>；
再计算均一化后的光谱数据的关联矩阵，所述关联矩阵的计算公式为：
，
其中，是关联矩阵的第/>行第/>列的元素，/>是样本数量，/>和/>是第/>个样本的第/>和第/>个变量的均一化数据，/>和/>是第/>和第/>个变量的均值，得到由/>组成的关联矩阵/>；再求解关联矩阵的特性值和特性向量，求解关联矩阵的特性值和特性向量的公式为：
，
其中，是特性值；/>是单位矩阵；求解上述方程，可以得到关联矩阵的特性值和对应的特性向量，特性值越大，对应的特性向量就是核心元素，最终得到联矩阵的特性值和特性向量；
然后，根据特性值的大小以及特性值之间的相关因子，选择前个最大的特性值对应的特性向量作为核心元素，其中/>是利用专家经验法预先设定的核心元素的个数，提取核心元素的公式为：
，
其中，是提取的核心元素，即土壤成分的核心元素数据；/>是均一化后的光谱数据；/>是选择的特性向量组成的矩阵；
最后，将提取的核心元素数据利用统计分析法整理成易于理解的形式，并输出；
本申请通过实时监测模块的传感器收集大豆在盐碱鉴定池中的环境数据，并对收集到的数据进行降噪处理和滤波处理，可以确保我们得到的环境数据是准确和可靠的，从而为后续的分析和研究提供了坚实的基础，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，可以快速准确地得到土壤成分数据，从而提升了分析的效率。
S2. 对预处理后的实时环境数据和土壤成分数据，分别利用多维稳定性校准算法和内标法进行数据校准，得到校准后的实时环境数据和土壤成分数据；
对预处理后的实时环境数据和土壤成分数据，分别利用多维稳定性校准算法和内标法进行数据校准，确保数据的准确性和稳定性，最终得到校准后的环境数据和土壤成分数据；所述多维稳定性校准算法，具体实现过程如下：
首先针对环境数据进行校准，获取实时环境数据，记校准后的环境数据为/>，具体校准公式表示为：
，
其中，表示实时环境数据；/>表示将实时环境数据进行数学运算后再开方，是为了将原始数据转化为更容易处理的形式，同时也可以减小数据的量级，使得数据更容易进行分析和处理；/>表示取上述值的对数，为了进一步减小数据的量级，同时也可以将乘法运算转化为加法运算，简化计算过程；/>表示将对数值除以实时环境数据，是为了消除数据中的单位，使得数据更容易进行比较和分析；表示对上述值进行积分，从而得到校准后的环境数据/>；
然而，在实现环境数据校准过程中，为了确保环境数据校准的稳定性，本申请提出了稳定性增强算法，并通过所述稳定性增强算法引入稳定性参数来解决这个问题，具体实现为：
，
所述稳定性参数是一个通过极限运算得到的值，它反映了在极限条件下数据校准的稳定性，将稳定性参数/>作为一个重要的参考标准，在环境数据校准的过程中，不断调整校准参数，直到校准后的数据达到稳定的状态；
在确保校准后的数据稳定的基础上，为了确保校准后的数据是准确的，即能够真实反映大豆在盐碱环境下的生长环境，本申请提出准确性提升算法，并引入了准确性参数：
，
所述准确性参数是一个通过积分运算得到的值，它反映了在给定条件下数据校准的准确性，将准确性参数/>作为一个重要的参考标准，在环境数据校准的过程中，不断调整校准参数，直到校准后的数据达到准确的状态；
通过引入稳定性参数和准确性参数/>，对所述校准公式进行了优化，得到了新的校准公式：
，
通过上述公式使得校准过程更准确稳定；
在实现过程中，考虑算法的时间复杂度和空间复杂度，确保算法的效率；针对时间复杂度优化，在数据校准的过程中，采用了数值积分的方法，将连续的积分运算转化为离散的求和运算，从而降低了时间复杂度；针对空间复杂度优化，在数据校准的过程中，存储大量的数据，为了优化空间复杂度，采用了数据压缩的方法，将多个数据合并存储，从而降低了空间复杂度；
针对土壤成分数据采用内标法进行校准，所述内标法，在土壤样品中添加已知浓度的内标物质，然后通过测量内标物质的浓度来校准土壤样品的成分浓度；
综上得到环境数据和土壤成分数据的校准数据、/>；
本申请通过多维稳定性校准算法和内标法对环境数据和土壤成分数据进行校准，确保数据的准确性和稳定性，从而使得我们得到的数据能够真实反映大豆在盐碱环境下的生长环境，通过稳定性增强算法引入稳定性参数，不断调整校准参数，直到校准后的数据达到稳定的状态，从而增强数据的稳定性，通过准确性提升算法引入准确性参数，不断调整校准参数，直到校准后的数据达到准确的状态，从而增强数据的准确性。
S3. 对校准后的实时环境数据利用量子融合同步法进行同步处理；利用多重优化算法对同步处理后的实时环境数据进行分析验证，得到更适合大豆生长的环境参数；
S31. 数据同步处理；
为了实现数据同步处理，本申请引入量子融合同步法进行数据同步，所述算法基于量子计算的原理，利用量子态的叠加和纠缠特性，实现数据的高效同步；所述量子融合同步法实现步骤：
第一步，量子初始化；将校准后的数据编码为量子比特，并初始化为基态；
第二步，量子叠加处理；利用哈达玛门将量子态转化为叠加态，即和/>的叠加，实现数据的并行处理；
第三步，量子纠缠同步；利用CNOT门将量子态纠缠，实现数据的同步；
第四步，量子测量解码；利用量子测量将量子态转化为经典比特，实现数据的解码，输出同步后的数据；
在实现数据同步过程中，为了保证量子态的稳定性，利用物理学领域的原理，本申请采用了量子纠错的方法，通过引入冗余量子比特和纠错算法，实现量子态的稳定性；为了提高量子计算的效率，基于量子纠错的结果，本申请引入了量子并行计算的方法，通过将多个量子比特同时进行计算，实现数据同步的高效性；
对校准后的土壤成分数据不经过同步处理直接传送给安全调节控制器，进行环境参数优化；
S32. 环境参数优化；
S321. 环境参数分析；
首先，针对同步处理后的环境数据利用时间序列分析算法进行分析，提取大豆生长的关键环境参数，如温度、湿度、光照强度；同时，利用聚类分析算法对校准后的土壤成分数据进行分析，提取大豆生长的关键土壤参数，如土壤pH值、土壤盐分浓度；将提取的关键环境参数和关键土壤参数整合，形成一个完整的参数集合；
然后，对关键环境参数进行统计分析，得到参数的分布特性，包括均值、方差、最大值、最小值，对关键环境参数进行相关性分析，得到参数之间的相关系数，分析参数之间的关系，利用统计分析的结果，对关键环境参数进行归一化处理，使参数值处于同一量级，便于后续的分析和建模；
接下来，利用机器学习算法对关键环境参数进行建模，得到参数之间的关系，利用交叉验证的方法，对模型的性能进行评估，确保模型的准确性和稳定性；
S322.环境参数优化；
基于上述步骤得到的关键环境参数，其中，N表示关键环境参数的个数，/>中的任意一个元素可由/>表示，/>表示第i个关键环境参数，/>；利用多重优化算法对关键环境参数进行优化，具体实现过程如下：
首先进行优化算法选择与实现；在进行环境参数优化的第一步，采用粒子群算法；具体实现有：设定优化目标函数为大豆生长的收益；设定约束条件/>，其中，/>是约束条件的个数；/>可以为环境参数的上下限约束条件，所述约束条件保证了优化后的环境参数在可接受的范围内；利用粒子群优化算法求解以下优化问题：
，
，
通过迭代优化，得到最适合大豆生长的环境参数；
进一步，进行敏感性分析，在得到最适合大豆生长的环境参数后，对所述环境参数进行敏感性分析，以了解每个参数对大豆生长的影响程度，所述敏感性分析是为了识别哪些参数对大豆生长的影响最大，从而可以更有针对性地进行优化；
设定敏感性分析目标函数为，所述目标函数用于衡量每个参数对大豆生长的影响，利用敏感性分析算法求解以下优化问题：
，
，
其中，L表示约束函数的个数，表示约束函数；
通过迭代优化，得到每个参数的重要性，其中，p表示参数的个数，/>中的任意一个元素可由/>表示，/>表示第j个参数的重要性，/>；并将输出作为多目标优化的输入；
进一步，多目标优化；在实际的生产过程中，通常需要考虑多个目标，如最大化产量、最小化成本，因此，本申请引入多目标优化；
设定多个优化目标函数，所述目标函数分别代表了不同的优化目标，利用多目标优化算法求解以下优化问题：
，
，
在多目标优化过程中，考虑敏感性分析得到的每个参数的重要性，所述重要性将作为权重，用于调整每个目标函数的权重，从而确保优化过程更加符合实际需求，通过迭代优化，得到满足多个目标的最优解/>，即优化后的环境参数。
S33. 基于优化后的环境参数，启动安全调节控制器，利用决策树对优化后的环境参数进行验证，确定调整参数的实用性；
利用决策树验证算法对优化后的环境参数进行验证，确保优化后的环境参数不会对大豆造成伤害；具体实现过程有：
采用决策树，根据大豆的生长需求和环境参数的特性，建立验证模型，将优化后的环境参数输入到验证模型中，得到验证结果；利用经验法设定阈值，根据验证结果判断环境参数是否会对大豆造成伤害；
利用实验数据对优化后的环境参数进行验证，确保所述环境参数的有效性；设定实验组和对照组，分别在优化后的环境参数和正常环境参数下种植大豆，观察并记录大豆的生长情况，可以包括生长速度、生长高度、叶片数量，对比实验组和对照组的数据，判断优化后的环境参数是否有助于大豆的生长；
利用模拟实验对优化后的环境参数进行验证，确保这些参数的可行性；根据经验法设定模拟实验的环境参数，模拟大豆的生长环境，观察并记录模拟实验中大豆的生长情况，可以包括生长速度、生长高度、叶片数量；对比模拟实验组和对照组的数据，判断优化后的环境参数是否有助于大豆的生长；
经过上述处理，得到最终的调整参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境；
本申请通过引入量子融合同步法，利用量子态的叠加和纠缠特性，实现了数据的高效同步，确保了整个监测过程的数据同步，提高了数据处理的准确性和稳定性，通过引入多重优化算法，对关键环境参数进行优化，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境，确保大豆在盐碱环境中的健康生长。
综上所述，便完成了本申请所述的一种大豆耐盐碱鉴定池的实时监测系统。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过实时监测模块的传感器收集大豆在盐碱鉴定池中的环境数据，并对收集到的数据进行降噪处理和滤波处理，可以确保我们得到的环境数据是准确和可靠的，从而为后续的分析和研究提供了坚实的基础，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，可以快速准确地得到土壤成分数据，从而提升了分析的效率。
2、本申请通过多维稳定性校准算法和内标法对环境数据和土壤成分数据进行校准，确保数据的准确性和稳定性，从而使得我们得到的数据能够真实反映大豆在盐碱环境下的生长环境，通过稳定性增强算法引入稳定性参数，不断调整校准参数，直到校准后的数据达到稳定的状态，从而增强数据的稳定性，通过准确性提升算法引入准确性参数，不断调整校准参数，直到校准后的数据达到准确的状态，从而增强数据的准确性。
3、本申请通过引入量子融合同步法，利用量子态的叠加和纠缠特性，实现了数据的高效同步，确保了整个监测过程的数据同步，提高了数据处理的准确性和稳定性，通过引入多重优化算法，对关键环境参数进行优化，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境，确保大豆在盐碱环境中的健康生长。
效果调研：
本申请的技术方案能够有效解决实现过程中数据准确性较低，稳定性较差的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过实时监测模块的传感器收集大豆在盐碱鉴定池中的环境数据，并对收集到的数据进行降噪处理和滤波处理，可以确保我们得到的环境数据是准确和可靠的，从而为后续的分析和研究提供了坚实的基础，利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，可以快速准确地得到土壤成分数据，从而提升了分析的效率；通过多维稳定性校准算法和内标法对环境数据和土壤成分数据进行校准，确保数据的准确性和稳定性，从而使得我们得到的数据能够真实反映大豆在盐碱环境下的生长环境，通过稳定性增强算法引入稳定性参数，不断调整校准参数，直到校准后的数据达到稳定的状态，从而增强数据的稳定性，通过准确性提升算法引入准确性参数，不断调整校准参数，直到校准后的数据达到准确的状态，从而增强数据的准确性；通过引入量子融合同步法，利用量子态的叠加和纠缠特性，实现了数据的高效同步，确保了整个监测过程的数据同步，提高了数据处理的准确性和稳定性，通过引入多重优化算法，对关键环境参数进行优化，得到更适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境，确保大豆在盐碱环境中的健康生长。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种大豆耐盐碱鉴定池的实时监测系统，其特征在于，包括以下部分：
实时监测模块，土壤成分测量计算分析模块，数据校准模块，数据同步控制器，环境优化模块，安全调节控制器；
所述实时监测模块，实时收集大豆在盐碱鉴定池中的环境数据，所述环境数据通过温度传感器、湿度传感器、光照强度传感器进行收集，然后通过数据传输线将环境数据传输到数据校准模块进行处理；同时接收安全调节控制器传来的最终生长环境调整参数，将所述生长环境调整参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境；
所述土壤成分测量计算分析模块，用于对盐碱鉴定池中的土壤成分进行测量，利用核心元素提取技术进行分析得到最终土壤成分数据，然后通过数据传输线将土壤成分数据传输到数据校准模块进行处理；
所述数据校准模块，利用多维稳定性校准算法和内标法校准实时监测模块和土壤成分测量计算分析模块传来的数据，并将校准后的数据传输给数据同步控制器；
所述数据同步控制器，基于数据校准模块传来的校准后的数据，利用量子融合同步法将各个监测模块之间的数据进行同步，并将同步后的数据传输给环境优化模块；
所述环境优化模块，根据同步后的数据，利用多重优化算法进行环境参数调整，得到适合大豆生长的优化环境参数，将优化环境参数传输给安全调节控制器；
所述安全调节控制器，基于环境优化模块传来的优化环境参数，利用决策树算法进行验证调节，得到最终的调整参数，并将最终的调整参数传输给实时监测模块。
2.一种大豆耐盐碱鉴定池的实时监测方法，应用于权利要求1所述的一种大豆耐盐碱鉴定池的实时监测系统，其特征在于，包括以下步骤：
S1. 对盐碱鉴定池中的实时环境数据进行采集，并对采集到的实时环境数据进行预处理，同时，收集盐碱鉴定池中的土壤样本，并利用核心元素提取技术进行成分分析，得到土壤成分数据；
S2. 对预处理后的实时环境数据和土壤成分数据，分别利用多维稳定性校准算法和内标法进行数据校准，得到校准后的实时环境数据和土壤成分数据；
S3. 对校准后的实时环境数据利用量子融合同步法进行同步处理；利用多重优化算法对同步处理后的实时环境数据进行分析验证，得到适合大豆生长的环境参数。
3.根据权利要求2所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，所述S1，具体包括：
启动实时监测模块，通过传感器收集大豆在盐碱鉴定池中的实时环境数据，对收集到的实时环境数据采用滑动平均法进行降噪处理，再对降噪后的实时环境数据采用中值滤波法进行滤波处理；同时收集不同位置盐碱鉴定池中的土壤样本，用超声波清洗机进行清洗，并对清洗后的土壤样本进行研磨、过筛、光谱分析，得到光谱数据，并进行光谱数据分析处理。
4.根据权利要求3所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，在所述S1中，还包括：
在光谱数据的处理过程中，对光谱数据利用小波变换进行降噪处理，利用傅里叶变换提取降噪后光谱数据的信息，得到处理后的盐碱鉴定池土壤样本的光谱数据；利用核心元素提取技术对处理后的盐碱鉴定池土壤样本的光谱数据进行分析，得到土壤成分数据。
5.根据权利要求2所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，所述S2，具体包括：
在对预处理后的实时环境数据进行校准时，采用多维稳定性校准算法，并提出稳定性增强算法，通过所述稳定性增强算法引入稳定性参数；提出准确性提升算法，并引入准确性参数；在对预处理后的实时环境数据进行校准的实现过程中，针对时间复杂度优化，采用数值积分的方法，将连续的积分运算转化为离散的求和运算；针对空间复杂度优化，采用数据压缩的方法，将数据合并存储。
6.根据权利要求5所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，在所述S2中，还包括：
针对预处理后的土壤成分数据采用内标法进行校准，所述内标法，在土壤样品中添加已知浓度的内标物质，然后通过测量内标物质的浓度来校准土壤样品的成分浓度。
7.根据权利要求2所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，所述S3，具体包括：
对校准后的实时环境数据利用基于量子计算的原理的量子融合同步法进行同步处理；基于同步处理后的实时环境数据利用统计分析、机器学习、多重优化算法进行分析验证，得到适合大豆生长的环境参数，并将所述环境参数作为参考标准，实时监测大豆在盐碱鉴定池中的生长环境。
8.根据权利要求7所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，在所述S3中，还包括：
所述量子融合同步法实现步骤：
第一步，量子初始化；
第二步，量子叠加处理；
第三步，量子纠缠同步；
第四步，量子测量解码。
9.根据权利要求2所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，在所述S3中，还包括：
针对同步处理后的实时环境数据利用时间序列分析算法进行分析，提取大豆生长的关键环境参数，包括温度、湿度、光照强度；利用多重优化算法对所述关键环境参数进行优化，具体实现过程如下：
首先，进行优化算法选择与实现；定义优化目标函数和约束条件，通过迭代优化，得到最适合大豆生长的环境参数；进一步，在得到最适合大豆生长的环境参数后，对所述环境参数进行敏感性分析；最后，多目标优化；定义个优化目标函数，利用多目标优化算法求解优化问题，通过迭代优化，得到满足/>个目标的最优解，即优化后的环境参数。
10.根据权利要求9所述的一种大豆耐盐碱鉴定池的实时监测方法，其特征在于，在所述S3中，还包括：
利用决策树验证算法、实验数据、模拟实验对优化后的环境参数进行验证；得到最终的调整参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531612.9A CN117250161B (zh) | 2023-11-17 | 2023-11-17 | 一种大豆耐盐碱鉴定池的实时监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531612.9A CN117250161B (zh) | 2023-11-17 | 2023-11-17 | 一种大豆耐盐碱鉴定池的实时监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117250161A true CN117250161A (zh) | 2023-12-19 |
| CN117250161B CN117250161B (zh) | 2024-02-13 |
Family
ID=89131714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311531612.9A Active CN117250161B (zh) | 2023-11-17 | 2023-11-17 | 一种大豆耐盐碱鉴定池的实时监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250161B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080034025A1 (en) * | 2004-07-27 | 2008-02-07 | Zubkov Vladimir A | Method for Development of Independent Multivariate Calibration Models |
| US20110153213A1 (en) * | 2008-09-29 | 2011-06-23 | Catherine Lynn Buchanan | Method to evaluate plants and soils to optimize conditions for phytoremediation |
| RU2013119900A (ru) * | 2013-04-29 | 2014-11-10 | Государственное научное учреждение Агрофизический научно-исследовательский институт Российской академии сельскохозяйственных наук (ГНУ АФИ Россельхозакадемии) | Способ автоматизированного управления состоянием посевов |
| CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析系统及农业环境调控方法 |
| WO2020128162A1 (en) * | 2018-12-21 | 2020-06-25 | Aalto University Foundation Sr. | A method of finding a target environment suitable for growth of a plant variety |
| CN111624165A (zh) * | 2020-05-20 | 2020-09-04 | 农芯科技（北京）有限责任公司 | 一种气象环境参数及光谱同步测量系统及方法 |
| CN113010849A (zh) * | 2021-02-24 | 2021-06-22 | 暨南大学 | 一种基于物联网的草场环境评价方法 |
| US20210383175A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model |
| CN114965941A (zh) * | 2022-04-15 | 2022-08-30 | 中电建路桥集团有限公司 | 一种盐碱土壤理化特性多尺度智能感知方法及系统 |
| CN115378579A (zh) * | 2021-05-19 | 2022-11-22 | 北京玻色量子科技有限公司 | 一种基于量子纠缠的多方数据同步方法及装置 |
| CN115604301A (zh) * | 2022-08-31 | 2023-01-13 | 沧州幼儿师范高等专科学校（Cn） | 一种基于人工智能的种植环境监测系统 |
| CN116192320A (zh) * | 2023-04-26 | 2023-05-30 | 军事科学院系统工程研究院网络信息研究所 | 波分复用的量子时间同步控制方法 |
| CN116680651A (zh) * | 2023-06-02 | 2023-09-01 | 广东工业大学 | 一种基于多源数据融合的水产养殖监测方法及系统 |
| CN116931435A (zh) * | 2023-09-07 | 2023-10-24 | 北京博远欣绿生物科技有限公司 | 一种肉苁蓉加工干燥用自动调控系统及方法 |
| CN116954291A (zh) * | 2023-07-31 | 2023-10-27 | 张志强 | 一种环控设备快速调节集成方法 |
| CN116993056A (zh) * | 2023-09-26 | 2023-11-03 | 北京佰信蓝图科技股份有限公司 | 一种基于传感器的盐碱地改良数据分析处理方法 |
-
2023
- 2023-11-17 CN CN202311531612.9A patent/CN117250161B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080034025A1 (en) * | 2004-07-27 | 2008-02-07 | Zubkov Vladimir A | Method for Development of Independent Multivariate Calibration Models |
| US20110153213A1 (en) * | 2008-09-29 | 2011-06-23 | Catherine Lynn Buchanan | Method to evaluate plants and soils to optimize conditions for phytoremediation |
| RU2013119900A (ru) * | 2013-04-29 | 2014-11-10 | Государственное научное учреждение Агрофизический научно-исследовательский институт Российской академии сельскохозяйственных наук (ГНУ АФИ Россельхозакадемии) | Способ автоматизированного управления состоянием посевов |
| WO2020128162A1 (en) * | 2018-12-21 | 2020-06-25 | Aalto University Foundation Sr. | A method of finding a target environment suitable for growth of a plant variety |
| CN110956381A (zh) * | 2019-11-22 | 2020-04-03 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种远程农业信息智能分析系统及农业环境调控方法 |
| CN111624165A (zh) * | 2020-05-20 | 2020-09-04 | 农芯科技（北京）有限责任公司 | 一种气象环境参数及光谱同步测量系统及方法 |
| US20210383175A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model |
| CN113010849A (zh) * | 2021-02-24 | 2021-06-22 | 暨南大学 | 一种基于物联网的草场环境评价方法 |
| CN115378579A (zh) * | 2021-05-19 | 2022-11-22 | 北京玻色量子科技有限公司 | 一种基于量子纠缠的多方数据同步方法及装置 |
| CN114965941A (zh) * | 2022-04-15 | 2022-08-30 | 中电建路桥集团有限公司 | 一种盐碱土壤理化特性多尺度智能感知方法及系统 |
| CN115604301A (zh) * | 2022-08-31 | 2023-01-13 | 沧州幼儿师范高等专科学校（Cn） | 一种基于人工智能的种植环境监测系统 |
| CN116192320A (zh) * | 2023-04-26 | 2023-05-30 | 军事科学院系统工程研究院网络信息研究所 | 波分复用的量子时间同步控制方法 |
| CN116680651A (zh) * | 2023-06-02 | 2023-09-01 | 广东工业大学 | 一种基于多源数据融合的水产养殖监测方法及系统 |
| CN116954291A (zh) * | 2023-07-31 | 2023-10-27 | 张志强 | 一种环控设备快速调节集成方法 |
| CN116931435A (zh) * | 2023-09-07 | 2023-10-24 | 北京博远欣绿生物科技有限公司 | 一种肉苁蓉加工干燥用自动调控系统及方法 |
| CN116993056A (zh) * | 2023-09-26 | 2023-11-03 | 北京佰信蓝图科技股份有限公司 | 一种基于传感器的盐碱地改良数据分析处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| 倪志宏;俞建峰;: "基于云服务平台的农业生产物联网监控系统", 工业控制计算机, no. 01, pages 45 - 48 * |
| 张恩光;张志伟;常静;: "基于无线传感器网络的智慧农业农作物环境多参数监测系统的研制", 黄河科技学院学报, no. 02, pages 84 - 88 * |
| 徐夕博等: "利用空间关联随机森林模型与遥感影像估算裸土期耕地土壤盐分含量的研究", 河南农业科学, vol. 51, no. 5, pages 162 - 170 * |
| 李燕: "林业栽培种植技术与病虫害综合防治", 乡村科技, vol. 2, no. 22, pages 98 - 100 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117250161B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| KR101574895B1 (ko) | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 | |
| CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
| CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
| CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
| Wang et al. | Intelligent detection of hard seeds of snap bean based on hyperspectral imaging | |
| CN102135496A (zh) | 基于多尺度回归的红外光谱定量分析方法和装置 | |
| Fan et al. | Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network | |
| CN117250161B (zh) | 一种大豆耐盐碱鉴定池的实时监测系统 | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN116310788A (zh) | 基于图谱融合的植株叶片氮含量高光谱建模方法 | |
| CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
| Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
| Brook et al. | Canopy Volume as a Tool for Early Detection of Plant Drought and Fertilization Stress: Banana plant fine-phenotype | |
| CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
| Duan et al. | High-throughput estimation of yield for individual rice plant using multi-angle RGB imaging | |
| CN114548220B (zh) | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 | |
| CN111624192B (zh) | 一种多源光谱融合的滇龙胆种类识别方法及系统 | |
| Yu et al. | Inversion modeling of rice canopy nitrogen content based on MPA-GA-ELM UAV hyperspectral remote sensing | |
| Zhang et al. | Apple identity recognition based on SVM model parameter optimization and near infrared hyperspectral. | |
| Yang et al. | A quality detection method of corn based on spectral technology and deep learning model |
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 |