CN117807549A - 一种农田土壤肥力评价方法及系统 - Google Patents
一种农田土壤肥力评价方法及系统 Download PDFInfo
- Publication number
- CN117807549A CN117807549A CN202410223751.3A CN202410223751A CN117807549A CN 117807549 A CN117807549 A CN 117807549A CN 202410223751 A CN202410223751 A CN 202410223751A CN 117807549 A CN117807549 A CN 117807549A
- Authority
- CN
- China
- Prior art keywords
- fertility
- soil
- value
- subarea
- farmland
- 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
- 230000035558 fertility Effects 0.000 title claims abstract description 304
- 239000002689 soil Substances 0.000 title claims abstract description 220
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 230000004720 fertilization Effects 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 17
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 16
- 239000005416 organic matter Substances 0.000 claims description 14
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 9
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 239000011574 phosphorus Substances 0.000 claims description 9
- 239000011591 potassium Substances 0.000 claims description 9
- 229910052700 potassium Inorganic materials 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001172 regenerating effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 239000003337 fertilizer Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000001502 supplementing effect Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 235000015097 nutrients Nutrition 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003050 macronutrient Effects 0.000 description 2
- 235000021073 macronutrients Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000009991 scouring Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000008485 antagonism Effects 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
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 235000021232 nutrient availability Nutrition 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农田土壤肥力评价方法及系统，涉及土壤肥力评估技术领域，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值的分布状态对农田肥力进行评估，获取相应的肥力指数；由土质变化集合生成土壤的肥力变动值，若肥力变动值超过变动阈值，将相应的子区域标记为异常区域，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。对农田土壤肥力变动情况进行评估和补充，筛选出异常区域，对异常区域作出针对性处理，提高处理效果。
Description
技术领域
本发明涉及土壤肥力评估技术领域，具体为一种农田土壤肥力评价方法及系统。
背景技术
在进行土壤肥力评估时，可以通过采集土壤样本进行实验室分析，或者使用便携式仪器进行现场测定。同时，结合农业生产实践和土壤管理措施，可以更好地了解土壤状况，制定合理的施肥计划和管理措施，促进农业生产的可持续发展。
土壤肥力评估是农业和土壤管理的重要环节，主要包括以下方面：土壤有机质，土壤有机质是土壤肥力的主要指标之一，可以为植物提供养分，改良土壤结构、增强土壤的保水能力和肥力，有机质的含量越高，土壤的肥力就越高。土壤氮、磷、钾，氮、磷、钾是植物生长所必需的主要大量营养元素，其含量高低也是土壤肥力评价的参考指标。土壤pH值：土壤的pH值会影响土壤微生物群落结构、酶活性和养分的可利用性，乃至作物的生长发育。一般来说，中性或微酸性的土壤pH值更有利于植物吸收养分。
在申请公布号为CN110807604A的中国发明专利中，公开了一种设施大棚土壤肥力的评价方法。所述设施大棚土壤肥力评价方法提出了一种新的数据处理方式，包括利用统计方法分析土壤采样点各肥力指标数值，并对得到的插值图进行图像分析、计算，得到各肥力指标分值；利用各肥力指标分值可计算土壤总体肥力指标分值，最终进行土壤肥力评价。采用该方法使得设施土壤肥力的评价结果更为准确。
在申请公布号为CN115620825A的中国发明专利中，公开了一种土壤肥力评价方法、装置、设备及存储介质，涉及土壤评价技术领域，包括：获取待评价土壤的各个土壤指标的检测数据；根据各个检测数据，利用评分函数计算得到各土壤指标的指标量化分值；根据各个指标量化分值，计算得到综合肥力分值；土壤指标至少包括pH、有效磷、速效钾和中微量元素。
上述申请通过结合作物生长土壤指标适宜范围、土壤养分拮抗效应和土壤数据置信上限值，以及作物生长土壤pH最佳范围和生长胁迫pH临界点拟合构建得到各土壤指标的评分函数，充分考虑了元素过量对作物养分吸收、生长和环境效益的情况，根据各个土壤指标的评分函数计算得到综合肥力分值，为作物精准选取种植区域和定制施肥方案提供理论依据。
在结合上述现有技术后，现有的土壤肥力评价虽然考虑全面，但在经过持续过量降雨后，由雨水所产生的持续冲刷会带来一定的水土流失，同时，土壤中的养分，例如有机质，会大量随着水体流动冲刷而散失，这就会导致在对肥力进行评估时，评估结果可能不够准确，而作为对应的，在采取相应的处理措施，针对性也会降低，处理效果难以达到预期，降低评价的客观性和可靠性。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种农田土壤肥力评价方法及系统，通过在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值的分布状态对农田肥力进行评估，获取相应的肥力指数；由土质变化集合生成土壤的肥力变动值，若肥力变动值超过变动阈值，将相应的子区域标记为异常区域，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。对农田土壤肥力变动情况进行评估和补充，筛选出异常区域，对异常区域做出针对性处理，提高处理效果，从而解决了背景技术中的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种农田土壤肥力评价方法，包括：
在电子地图上将农田分割为若干个子区域，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，并在获取土壤数据集合后，由土壤数据集合生成土壤水分指数，若土壤水分指数/>超过条件阈值，发出第一报警信息；
若接到第一报警信息，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值/>的分布状态，对农田肥力进行评估，获取相应的肥力指数/>，若所获取的肥力指数/>低于肥力阈值，发出调整指令；
依据各个子区域内的酸碱度Pi及有机质含量Qi的变化程度建立土质变化集合，并由土质变化集合生成土壤的肥力变动值，若所获取的肥力变动值/>超过变动阈值，将相应的子区域标记为异常区域，若异常区域的比例超过预期，则发出预测指令；
在预测获取降雨量后，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，汇总生成肥力预测数据集合，在对肥力预测数据集合内的数据进行识别后，获取相应的肥力特征，汇总后建立肥力特征集合；
由肥力预测数据集合内的数据再次生成肥力变动值 ，以此对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。
进一步的，在电子地图上将农田分割为若干个等面积的子区域，统计降雨监测周期内的降雨量，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，获取相应的土壤含水量Ts，汇总后生成土壤数据集合，由土壤数据集合生成土壤水分指数，若获取的土壤水分指数/>超过条件阈值，发出第一报警信息。
进一步的，接收到第一报警信息后，在各个子区域内设置若干个检测点，在各个检测点处分别对土壤中的氮、磷及钾的含量进行检测，并分别获取相应的检测结果，并获取各个子区域内的肥力值，在获取各个子区域内的肥力值/>的基础上，获取农田整体的肥力指数/>，若所获取的农田肥力指数/>低于肥力阈值，发出调整指令。
进一步的，以肥力值对各个子区域进行标记，计算各肥力值的接近中心度，获取各个子区域的接近中心度，将各个子区域内的肥力值/>及其接近中心度/>相关联，获取农田肥力指数/>，其具体方式如下：
将肥力值及接近中心度/>做线性归一化处理后，将相应的数据值映射至区间/>内，再依据如下公式：
其中，n为大于1的正整数，为子区域的个数，为各个子区域肥力中间值。
进一步的，在接收到调整指令后，以固定的时间间隔对各个子区域内土壤的酸碱度Pi及有机质含量Qi进行检测，获取其当前值与前值的差值，标记为酸碱度变化量及有机质变化量/>，汇总生成各个子区域的土质变化集合；由土质变化集合建立土壤的肥力变动值/>，若所获取的肥力变动值/>超过变动阈值，将相应的子区域标记为异常区域；以异常区域数量与子区域总数的比例作为生成异常比，若所述异常比超过比例阈值，向外部发出预测指令。
进一步的，由土质变化集合建立土壤的肥力变动值，其获取方式如下：分别对酸碱度变化量/>及有机质变化量/>做线性归一化处理，将相应的数据值映射至区间内，再依据如下公式：
其中， n，n为大于1的正整数，/>且/>，其具体值由用户调整设置。
进一步的，在完成数据收集后进行特征提取，获取建模特征集合，选用Bp神经网络建立初始模型，对初始模型进行训练和测试，将训练后的初始模型作为肥力变动预测模型输出；
对降雨条件进行预测并获取所述预测周期内的降雨量数据，接收到预测指令后，结合预测获取的降雨量数据，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，获取预测数据后，汇总生成肥力预测数据集合；
对肥力预测数据集合内的各项数据进行识别，获取相应的肥力特征，将若干个肥力特征汇总后，获取肥力特征集合。
进一步的，由预测获取的肥力预测数据集合内的数据再次生成肥力变动值，在电子地图上以肥力变动值/>对各个子区域进行标记；结合各个子区域内的肥力变动值/>，对若干个子区域进行分类，获取若干个处理区域，所述处理区域包含若干个相邻接的子区域，将处理区域在电子地图上进行标记，并将肥力特征与各个处理区域相对应。
进一步的，通过线上检索或线下收集，以获取若干个针对肥力流失的施肥方案，在汇总后生成施肥方案库，并在确认各个处理区域的肥力特征后，依据肥力特征和施肥方案的对应性，从施肥方案库内为各个处理区域匹配对应的施肥方案，将施肥方案作为待选方案输出。
一种农田土壤肥力评价系统，包括：
预警单元，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，并在获取土壤数据集合后，由土壤数据集合生成土壤水分指数，若土壤水分指数超过条件阈值，发出第一报警信息；
检测单元，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值的分布状态对农田肥力进行评估，获取相应的肥力指数，若肥力指数低于肥力阈值，发出调整指令；
评估单元，预先建立土质变化集合，并由土质变化集合生成土壤的肥力变动值，若肥力变动值超过变动阈值，将相应的子区域标记为异常区域，若异常区域的比例超过预期，则发出预测指令；
预测单元，在预测获取降雨量后，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，汇总生成肥力预测数据集合，在对肥力预测数据集合内的数据进行识别后，获取相应的肥力特征，汇总后建立肥力特征集合；
方案输出单元，再次生成肥力变动值，以此对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。
（三）有益效果
本发明提供了一种农田土壤肥力评价方法及系统，具备以下有益效果：
1、对农田土壤肥力进行综合评估，在进行评估时的评估效率高，将肥力分布状态考虑在内，若农田肥力分布不均匀，或者在雨水的冲刷下导致肥力不均匀，管理人员进行及时的处理并进行改善，有利于接下来的种植或者耕作的展开。
2、以肥力变动值对农田土壤肥力变动情况进行评估，并以此对农田肥力评估作出补充，筛选出异常区域，对异常区域做出针对性处理，提高处理效果。
3、对肥力变动情况进行预测，判断在持续降雨的情况下，土壤的肥力是否会产生进一步的变化，依据各个参数的变动结果获取若干个对应的肥力特征，在农田肥力恶化程度较高时，依据各个子区域的肥力特征作出针对性的处理，对土壤肥力流失情况进行弥补和调整，以便于对肥力评估后作出相应的处理措施。
4、对若干个子区域进行分类，将相似的子区域相连接，获取相应的处理区域，在集中对处理区域进行调整时，提高处理效率，通过利用肥力特征和预先准备的施肥方案的对应性，为各个处理区域选择出对应的施肥方案，在完成对农田土壤肥力的评估后，若评估结果不够理想，则可以针对性的对处理区域进行补足和调整，保障农田土壤肥力的可用性。
附图说明
图1为本发明农田土壤肥力评价方法流程示意图；
图2为本发明农田土壤肥力评价系统第一结构示意图；
图3为本发明农田土壤肥力评价系统第二结构示意图；
图4为本发明农田土壤肥力评价系统土壤肥力因素相关性系数图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
请参阅图1至图4，本发明提供一种农田土壤肥力评价方法，包括：
步骤一、在电子地图上将农田分割为若干个子区域，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，并在获取土壤数据集合后，由土壤数据集合生成土壤水分指数，若土壤水分指数/>超过条件阈值，发出第一报警信息；
所述步骤一包括如下内容：
步骤101、在确定农田覆盖范围之后，建立至少覆盖农田的电子地图，在电子地图上将农田分割为若干个等面积的子区域，并分别对若干个子区域分别进行编号；
在对农田进行施肥或耕种前，设置降雨监测周期，例如其时长为7天，统计降雨监测周期内的降雨量，若降雨量产生异常，频繁降雨，例如：高于的前10年的同期平均降雨的量的均值110%，此时，对各个子区域内土壤的含水量进行监测，获取相应的土壤含水量Ts，汇总后生成土壤数据集合；
步骤102、由土壤数据集合生成土壤水分指数，其具体方式如下：将土壤含水量Ts做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：
参数意义为：n为大于1的正整数，，/>为第i个子区域的土壤含水量，/>为土壤含水量的均值；
依据历史数据及对农田土壤含水量的预期，预先设置条件阈值，若获取的土壤水分指数超过条件阈值，向外部发出第一报警信息，从而便于在此时作出相应的处理；
使用时，结合步骤101及102中的内容：
在对农田的肥力进行评估前，先对降雨条件和土壤含水量进行评估，判断当前是否存在大量降雨，若是存在大量降雨，持续的雨水冲刷会带来一定的水土流失，同时，土壤中的养分，例如有机质，会大量在水体中溶解，并随着水体流动而散失，这就会导致在对肥力进行评估时，评估结果可能不够准确，而作为对应的，在采取相应的处理措施，针对性也会降低，处理效果难以达到预期，此时，向外部发出第一预警信息，而便于管理人员及时进行处理，比如说，避免水土流失或者进行施肥管理。
步骤二、若接到第一报警信息，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值/>的分布状态，对农田肥力进行评估，获取相应的肥力指数/>，若所获取的肥力指数/>低于肥力阈值，发出调整指令；
所述步骤二包括如下内容：
步骤201、在接收到第一报警信息后，在各个子区域内设置若干个检测点，在各个检测点处分别对土壤中的氮、磷及钾的含量进行检测，并分别获取相应的检测结果，并获取各个子区域内的肥力值，其具体方式如下：
在将对土壤中的氮、磷及钾的含量数据做线性归一化处理后，将相应的数据值映射至区间内，再依据如下公式：
其中，参数意义为：n为大于1的正整数，为子区域内检测点的个数；权重系数：/>且/>，所述/>为氮含量的合格标准值，/>为磷含量的合格标准值，/>为钾含量的合格标准值；
步骤202、在获取各个子区域内的肥力值的基础上，获取农田整体的肥力指数，/>其具体方式如下：以肥力值对各个子区域进行标记，计算各肥力值的接近中心度，获取各个子区域的接近中心度/>，其具体方式如下：以两个子区域间肥力值/>的差值作为距离，依据如下公式：
其中，g为节点的总数，为i节点与j节点的距离；将各个子区域内的肥力值及其接近中心度相关联，获取农田肥力指数/>，其具体方式如下：将肥力值/>及接近中心度/>做线性归一化处理后，将相应的数据值映射至区间/>内，再依据如下公式：
其中，n为大于1的正整数，为子区域的个数，为各个子区域肥力中间值；
预先设置肥力阈值，若所获取的农田肥力指数低于预先设置的肥力阈值，则说明所述农田当前的肥力不足，因此需要进行调整，此时，发出调整指令，可以通过施肥的方式对农田的肥力形成补充或调整；反之，则说明当前的肥力满足需要，此时农田土壤肥力通过了评估；
使用时，结合步骤201及202中的内容：
在接收到第一预警信息后，对农田土壤中的养分状态进行评估，为了降低评估的难度，以氮磷钾作为代表性参数，先分别对各个子区域进行初步评估，再依据各个子区域内的肥力分布状态，对农田土壤肥力进行综合评估，从而在进行评估时的评估效率较高，且此时将肥力分布状态考虑在内，若农田肥力分布不均匀，或者在雨水的冲刷下导致肥力不均匀，这也意味着农田肥力状态较差，可能不利于接下来的种植或者耕作的展开，需要管理人员进行及时的处理，以进行改善。
步骤三、依据各个子区域内的酸碱度Pi及有机质含量Qi的变化程度建立土质变化集合，并由土质变化集合生成土壤的肥力变动值，若所获取的肥力变动值/>超过变动阈值，将相应的子区域标记为异常区域，若异常区域的比例超过预期，则发出预测指令；
所述步骤三包括如下内容：
步骤301、在接收到调整指令后，设置检测周期，以固定的时间间隔对各个子区域内土壤的酸碱度Pi及有机质含量Qi进行检测，并在接收到调整指令后，依据数据采集时间将酸碱度Pi及有机质含量Qi沿着时间轴做有序排列；
依次获取酸碱度Pi及有机质含量Qi的当前值与前值的差值，以分别获取两者在经过一个检测周期后的变化程度，标记为酸碱度变化量及有机质变化量/>，在分别连续获取若干组后，汇总生成各个子区域的土质变化集合；
步骤302、由土质变化集合建立土壤的肥力变动值，其获取方式如下：
分别对酸碱度变化量及有机质变化量/>做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：
其中，，n，n为大于1的正整数，/>且/>其具体值由用户调整设置；
依据历史数据及对农田肥力变化的预期，预先设置变动阈值，此时，若所获取的肥力变动值超过变动阈值，则说明在持续降雨的条件下水土流失较多，土壤的变化程度较大，而土壤的肥力也产生了一定的变动，因此，将相应的子区域标记为异常区域；
预先设置比例阈值，例如设置为10%，以异常区域数量与子区域总数的比例作为生成异常比，若所述异常比超过比例阈值，则说明当前产生异常的区域较多，土壤肥力变化是大面积的，全面化的，要及时进行处理，此时，向外部发出预测指令；
使用时，结合步骤301至302中的内容：
在经过持续降雨后，考虑到大量的水体会对农田土壤的酸碱度形成调整，并会将大量的有机质溶解并带走，这就会导致土壤当前的肥力状态会产生较大变化，影响接下来农作物的生长状态，此时，依据两者的变化获取肥力变动值，以肥力变动值/>对农田土壤肥力变动情况进行评估，并以此对农田肥力评估作出补充，而若农田土壤肥力在持续降雨的条件下确实产生了一定的变化，将相应的子区域标记为异常区域，以便于对异常区域做出针对性处理，提高处理效果。
步骤四、在预测获取降雨量后，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，汇总生成肥力预测数据集合，在对肥力预测数据集合内的数据进行识别后，获取相应的肥力特征，汇总后建立肥力特征集合；
所述步骤四包括如下内容：
步骤401、收集当前的土壤状态数据、土壤表面水体数据、土壤养分数据及土壤有机质及其各个成分的分布数据等等，在经过预处理后进行特征提取，获取建模特征集合，从建模特征集合内抽取部分数据分别作为测试集及训练集；选用Bp神经网络，在选择架构后建立初始模型，对初始模型进行训练和测试，将训练后的初始模型作为肥力变动预测模型输出；
步骤402、设置预测周期，对降雨条件进行预测并获取所述预测周期内的降雨量数据，接收到预测指令后，结合预测获取的降雨量数据，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，获取预测数据后，汇总生成肥力预测数据集合，例如：其中包括土壤养分指标（例如氮磷钾的含量）、有机质含量及土壤酸碱度等等；
步骤403、对肥力预测数据集合内的各项数据进行识别，获取相应的肥力特征，其方法包括：为各项数据设置异常比例阈值，若相应数据与预先设置的标准值的偏差比例超过异常比例阈值，则将其确定为异常指标，并获取相应的异常程度，将异常指标及其异常程度结合，作为肥力特征，将若干个肥力特征汇总后，获取肥力特征集合；
使用时，结合步骤401至403中内容：
若是判断降雨仍然存在或持续，则使用Bp神经网络构建肥力变动预测模型，在完成初步的肥力评估后，对肥力变动情况进行预测，可以用于判断在持续降雨的情况下，土壤的肥力是否会产生进一步的变化，并在产生变化时，依据各个参数的变动结果获取若干个对应的肥力特征，从而在农田肥力恶化程度较高时，依据各个子区域的肥力特征，作出针对性的处理，对土壤肥力流失情况进行弥补和调整，以便于对肥力评估后作出相应的处理措施。
步骤五、由肥力预测数据集合内的数据再次生成肥力变动值 ，以此对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案；
所述步骤五包括如下内容：
步骤501、由预测获取的肥力预测数据集合内的数据再次生成肥力变动值，并在电子地图上以肥力变动值/>对各个子区域进行标记；
依据各个子区域内肥力变动值的不同，使用训练后的分类器对若干个子区域进行分类，以获取若干个处理区域，所述处理区域包含若干个相邻接的子区域，将处理区域在电子地图上进行标记，并将肥力特征与各个处理区域相对应；
步骤502、通过线上检索或线下收集，以获取若干个针对肥力流失的施肥方案，在汇总后生成施肥方案库，并在确认各个处理区域的肥力特征后，依据肥力特征和施肥方案的对应性，从施肥方案库内为各个处理区域匹配对应的施肥方案，将施肥方案作为待选方案输出。
使用时，结合步骤501及502内容：
为了提高处理效率，使用训练后的分类器，结合各个子区域的位置及其肥力变动值，对若干个子区域进行分类，将相似的子区域连接在一起，从而获取相应的处理区域，在集中对处理区域进行调整时，虽然针对性会存在一定程度的下降，但是处理效率会增加；
而进一步的，通过利用肥力特征和预先准备的施肥方案的对应性，为各个处理区域选择出对应的施肥方案，在完成对农田土壤肥力的评估后，若评估结果不够理想，则可以针对性的对处理区域进行补足和调整，保障农田土壤肥力的可用性。
请参阅图2，本发明提供一种农田土壤肥力评价系统，包括：
预警单元，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，并在获取土壤数据集合后，由土壤数据集合生成土壤水分指数，若土壤水分指数超过条件阈值，发出第一报警信息；
检测单元，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值的分布状态对农田肥力进行评估，获取相应的肥力指数，若肥力指数低于肥力阈值，发出调整指令；
评估单元，预先建立土质变化集合，并由土质变化集合生成土壤的肥力变动值，若肥力变动值超过变动阈值，将相应的子区域标记为异常区域，若异常区域的比例超过预期，则发出预测指令；
预测单元，在预测获取降雨量后，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，汇总生成肥力预测数据集合，在对肥力预测数据集合内的数据进行识别后，获取相应的肥力特征，汇总后建立肥力特征集合；
方案输出单元，再次生成肥力变动值，以此对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。
表格1区域内土壤含水量表
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。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合的服务器、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。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种航道水下地形变化分析系统及方法逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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，本申请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）执行本申请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（read-only memory，ROM)、随机存取存储器（random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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，可轻易想到变化或替换，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所述权利要求的保护范围为准。
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，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种农田土壤肥力评价方法，其特征在于：包括：
在电子地图上将农田分割为若干个子区域，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，并在获取土壤数据集合后，由土壤数据集合生成土壤水分指数，若土壤水分指数/>超过条件阈值，发出第一报警信息；
若接到第一报警信息，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值/>的分布状态，对农田肥力进行评估，获取相应的肥力指数/>，若所获取的肥力指数/>低于肥力阈值，发出调整指令；
依据各个子区域内的酸碱度Pi及有机质含量Qi的变化程度建立土质变化集合，并由土质变化集合生成土壤的肥力变动值，若所获取的肥力变动值/>超过变动阈值，将相应的子区域标记为异常区域，若异常区域的比例超过预期，则发出预测指令；
在预测获取降雨量后，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，汇总生成肥力预测数据集合，在对肥力预测数据集合内的数据进行识别后，获取相应的肥力特征，汇总后建立肥力特征集合；
由肥力预测数据集合内的数据再次生成肥力变动值 ，以此对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。
2.根据权利要求1所述的一种农田土壤肥力评价方法，其特征在于：
在电子地图上将农田分割为若干个等面积的子区域，统计降雨监测周期内的降雨量，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，获取相应的土壤含水量Ts，汇总后生成土壤数据集合，由土壤数据集合生成土壤水分指数，若获取的土壤水分指数/>超过条件阈值，发出第一报警信息。
3.根据权利要求2所述的一种农田土壤肥力评价方法，其特征在于：
接收到第一报警信息后，在各个子区域内设置若干个检测点，在各个检测点处分别对土壤中的氮、磷及钾的含量进行检测，并分别获取相应的检测结果，并获取各个子区域内的肥力值，在获取各个子区域内的肥力值/>的基础上，获取农田整体的肥力指数/>，若所获取的农田肥力指数/>低于肥力阈值，发出调整指令。
4.根据权利要求3所述的一种农田土壤肥力评价方法，其特征在于：
以肥力值对各个子区域进行标记，计算各肥力值的接近中心度，获取各个子区域的接近中心度，将各个子区域内的肥力值/>及其接近中心度/>相关联，获取农田肥力指数/>，其具体方式如下：
将肥力值及接近中心度/>做线性归一化处理后，将相应的数据值映射至区间/>内，再依据如下公式：
其中，n为大于1的正整数，为子区域的个数，为各个子区域肥力中间值。
5.根据权利要求1所述的一种农田土壤肥力评价方法，其特征在于：
在接收到调整指令后，以固定的时间间隔对各个子区域内土壤的酸碱度Pi及有机质含量Qi进行检测，获取其当前值与前值的差值，标记为酸碱度变化量及有机质变化量/>，汇总生成各个子区域的土质变化集合；由土质变化集合建立土壤的肥力变动值/>，若所获取的肥力变动值/>超过变动阈值，将相应的子区域标记为异常区域；以异常区域数量与子区域总数的比例作为生成异常比，若所述异常比超过比例阈值，向外部发出预测指令。
6.根据权利要求5所述的一种农田土壤肥力评价方法，其特征在于：
由土质变化集合建立土壤的肥力变动值，其获取方式如下：分别对酸碱度变化量及有机质变化量/>做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：
其中，，n为大于1的正整数，/>，/>，且/>，其具体值由用户调整设置。
7.根据权利要求1所述的一种农田土壤肥力评价方法，其特征在于：
在完成数据收集后进行特征提取，获取建模特征集合，选用Bp神经网络建立初始模型，对初始模型进行训练和测试，将训练后的初始模型作为肥力变动预测模型输出；
对降雨条件进行预测并获取所述预测周期内的降雨量数据，接收到预测指令后，结合预测获取的降雨量数据，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，获取预测数据后，汇总生成肥力预测数据集合；
对肥力预测数据集合内的各项数据进行识别，获取相应的肥力特征，将若干个肥力特征汇总后，获取肥力特征集合。
8.根据权利要求1所述的一种农田土壤肥力评价方法，其特征在于：
由预测获取的肥力预测数据集合内的数据再次生成肥力变动值，在电子地图上以肥力变动值/>对各个子区域进行标记；结合各个子区域内的肥力变动值/>，对若干个子区域进行分类，获取若干个处理区域，所述处理区域包含若干个相邻接的子区域，将处理区域在电子地图上进行标记，并将肥力特征与各个处理区域相对应。
9.根据权利要求8所述的一种农田土壤肥力评价方法，其特征在于：
获取若干个针对肥力流失的施肥方案，在汇总后生成施肥方案库，并在确认各个处理区域的肥力特征后，依据肥力特征和施肥方案的对应性，从施肥方案库内为各个处理区域匹配对应的施肥方案，将施肥方案作为待选方案输出。
10.一种农田土壤肥力评价系统，应用有权利要求1至9中任一项所述方法，其特征在于：包括：
预警单元，若降雨量产生异常，对各个子区域内土壤的含水量进行监测，并在获取土壤数据集合后，由土壤数据集合生成土壤水分指数，若土壤水分指数超过条件阈值，发出第一报警信息；
检测单元，在各个子区域内检测土壤养分含量，并获取相应的肥力值，依据各个子区域内肥力值的分布状态对农田肥力进行评估，获取相应的肥力指数，若肥力指数低于肥力阈值，发出调整指令；
评估单元，预先建立土质变化集合，并由土质变化集合生成土壤的肥力变动值，若肥力变动值超过变动阈值，将相应的子区域标记为异常区域，若异常区域的比例超过预期，则发出预测指令；
预测单元，在预测获取降雨量后，使用肥力变动预测模型对农田各个子区域内的土壤状态数据进行预测，汇总生成肥力预测数据集合，在对肥力预测数据集合内的数据进行识别后，获取相应的肥力特征，汇总后建立肥力特征集合；
方案输出单元，再次生成肥力变动值，以此对各个子区域进行分类，获取若干个处理区域，依据肥力特征与施肥方案的对应性，从预先构建的施肥方案库内为处理区域匹配对应的施肥方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223751.3A CN117807549B (zh) | 2024-02-29 | 2024-02-29 | 一种农田土壤肥力评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223751.3A CN117807549B (zh) | 2024-02-29 | 2024-02-29 | 一种农田土壤肥力评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807549A true CN117807549A (zh) | 2024-04-02 |
| CN117807549B CN117807549B (zh) | 2024-05-17 |
Family
ID=90423843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410223751.3A Active CN117807549B (zh) | 2024-02-29 | 2024-02-29 | 一种农田土壤肥力评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807549B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070199A (zh) * | 2024-04-18 | 2024-05-24 | 云南钧衡电力检测技术有限公司 | 一种电力设备检测方法及检测系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9519861B1 (en) * | 2014-09-12 | 2016-12-13 | The Climate Corporation | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
| CN110082507A (zh) * | 2019-05-22 | 2019-08-02 | 温州科技职业学院 | 一种获取标准农田综合地力指数的方法 |
| CN110807604A (zh) * | 2019-11-13 | 2020-02-18 | 山东省农业科学院科技信息研究所 | 一种设施大棚土壤肥力的评价方法 |
| CN115620825A (zh) * | 2022-12-20 | 2023-01-17 | 中化现代农业有限公司 | 土壤肥力评价方法、装置、设备及存储介质 |
| CN115761535A (zh) * | 2022-11-10 | 2023-03-07 | 贵州师范学院 | 应用于土壤质量数据分析方法和系统 |
| CN115936532A (zh) * | 2023-01-05 | 2023-04-07 | 陕西省生物农业研究所 | 基于bp神经网络的盐碱地稳定性评估方法及系统 |
| CN116542920A (zh) * | 2023-04-26 | 2023-08-04 | 广东省农业科学院农业资源与环境研究所 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
| CN116614525A (zh) * | 2023-05-22 | 2023-08-18 | 江西省粤环科检测技术有限公司 | 一种基于大数据分析的地块土壤环境快速监测系统 |
| CN116879528A (zh) * | 2023-07-05 | 2023-10-13 | 水利部牧区水利科学研究所 | 一种旱生植被土壤适生水分的调查方法 |
| CN116975789A (zh) * | 2023-09-21 | 2023-10-31 | 北京建工环境修复股份有限公司 | 一种基于大数据的农田场地智能分析方法、系统及介质 |
| CN117151557A (zh) * | 2023-11-01 | 2023-12-01 | 甘肃蓝曦环保科技有限公司 | 一种基于工业废水监测数据的质量监控方法及系统 |
| CN117574493A (zh) * | 2023-11-13 | 2024-02-20 | 中国公路工程咨询集团有限公司 | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 |
-
2024
- 2024-02-29 CN CN202410223751.3A patent/CN117807549B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9519861B1 (en) * | 2014-09-12 | 2016-12-13 | The Climate Corporation | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
| CN110082507A (zh) * | 2019-05-22 | 2019-08-02 | 温州科技职业学院 | 一种获取标准农田综合地力指数的方法 |
| CN110807604A (zh) * | 2019-11-13 | 2020-02-18 | 山东省农业科学院科技信息研究所 | 一种设施大棚土壤肥力的评价方法 |
| CN115761535A (zh) * | 2022-11-10 | 2023-03-07 | 贵州师范学院 | 应用于土壤质量数据分析方法和系统 |
| CN115620825A (zh) * | 2022-12-20 | 2023-01-17 | 中化现代农业有限公司 | 土壤肥力评价方法、装置、设备及存储介质 |
| CN115936532A (zh) * | 2023-01-05 | 2023-04-07 | 陕西省生物农业研究所 | 基于bp神经网络的盐碱地稳定性评估方法及系统 |
| CN116542920A (zh) * | 2023-04-26 | 2023-08-04 | 广东省农业科学院农业资源与环境研究所 | 基于施肥溶液和土壤ec值来评估植物施肥量的评估方法 |
| CN116614525A (zh) * | 2023-05-22 | 2023-08-18 | 江西省粤环科检测技术有限公司 | 一种基于大数据分析的地块土壤环境快速监测系统 |
| CN116879528A (zh) * | 2023-07-05 | 2023-10-13 | 水利部牧区水利科学研究所 | 一种旱生植被土壤适生水分的调查方法 |
| CN116975789A (zh) * | 2023-09-21 | 2023-10-31 | 北京建工环境修复股份有限公司 | 一种基于大数据的农田场地智能分析方法、系统及介质 |
| CN117151557A (zh) * | 2023-11-01 | 2023-12-01 | 甘肃蓝曦环保科技有限公司 | 一种基于工业废水监测数据的质量监控方法及系统 |
| CN117574493A (zh) * | 2023-11-13 | 2024-02-20 | 中国公路工程咨询集团有限公司 | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| SAGARIKA PAUL 等: "Soil Moisture Prediction Using Machine Learning Techniques", 《CIIS \'20: PROCEEDINGS OF THE 2020 3RD INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND INTELLIGENT SYSTEMS》, 15 February 2021 (2021-02-15), pages 1 * |
| 高贯磊 等: "基于物联网的智能温室大棚控制系统设计", 《山东工业技术》, 31 December 2023 (2023-12-31), pages 71 - 77 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070199A (zh) * | 2024-04-18 | 2024-05-24 | 云南钧衡电力检测技术有限公司 | 一种电力设备检测方法及检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807549B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110956381A (zh) | 一种远程农业信息智能分析系统及农业环境调控方法 | |
| Kucharik | Evaluation of a process-based agro-ecosystem model (Agro-IBIS) across the US Corn Belt: Simulations of the interannual variability in maize yield | |
| CN117807549B (zh) | 一种农田土壤肥力评价方法及系统 | |
| Zhao et al. | Ensemble forecasting of monthly and seasonal reference crop evapotranspiration based on global climate model outputs | |
| CN109710598B (zh) | 一种基于农作物的气象指数保险系统及其实现方法 | |
| CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
| CN105403245A (zh) | 日光温室无线传感器多数据融合方法 | |
| CN111260241B (zh) | 一种指数型农业保险产品设计方法及其产品 | |
| CN110705182A (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
| CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
| Kamelia et al. | Real-Time Monitoring System for Measurement Of Soil Fertility Parameters in Smart Farming Applications | |
| CN117935081A (zh) | 一种基于遥感卫星数据的耕地变化监测方法及系统 | |
| CN116990491A (zh) | 一种基于物联网的自动化土壤信息监测系统 | |
| CN116629117A (zh) | 一种基于网格化监测的农作物病害发生面积预测方法 | |
| TWM592571U (zh) | 農業保險之自動理賠系統 | |
| AU2021105767A4 (en) | Risk Assessment Method of Winter Wheat Summer Maize Disaster | |
| Singh | Crop growth simulation models | |
| SHAO et al. | A new feasible method for yield gap analysis in regions dominanted by smallholder farmers, with a case study of Jiangsu Province, China | |
| Fang et al. | Assessment of dynamic drought-induced ecosystem risk: Integrating time-varying hazard frequency, exposure and vulnerability | |
| CN112700098A (zh) | 一种基于随机占优理论的水环境质量与经济风险评价方法 | |
| Gwate et al. | Estimating evapotranspiration in semi-arid rangelands: connecting reference to actual evapotranspiration and the role of soil evaporation | |
| CN109447363B (zh) | 草地生态预警方法及装置 | |
| CN117751742B (zh) | 一种智慧园林水肥灌溉优化方法和系统 | |
| McCarthy et al. | Real-time data requirements for model-based adaptive control of irrigation scheduling in cotton | |
| Malcheva | Cold waves on the territory of Bulgaria in the period 1952-2011 |
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 |