CN117910659A - 基于数据融合算法的土壤环境管理系统及方法 - Google Patents
基于数据融合算法的土壤环境管理系统及方法 Download PDFInfo
- Publication number
- CN117910659A CN117910659A CN202410303197.XA CN202410303197A CN117910659A CN 117910659 A CN117910659 A CN 117910659A CN 202410303197 A CN202410303197 A CN 202410303197A CN 117910659 A CN117910659 A CN 117910659A
- Authority
- CN
- China
- Prior art keywords
- management
- soil
- simulation
- management scheme
- scheme
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 216
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 43
- 238000007726 management method Methods 0.000 claims abstract description 271
- 238000004088 simulation Methods 0.000 claims abstract description 120
- 230000007613 environmental effect Effects 0.000 claims abstract description 84
- 230000006872 improvement Effects 0.000 claims abstract description 72
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 55
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 32
- 230000008635 plant growth Effects 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 34
- 235000015097 nutrients Nutrition 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004856 soil analysis Methods 0.000 abstract description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 239000003621 irrigation water Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于数据融合算法的土壤环境管理系统及方法，涉及土壤分析技术领域，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案。该管理方法通过蒙特卡罗模拟考虑不同管理方案在不同环境条件下的变异性，提高决策的科学性和可靠性，且在模拟前进行不确定性考虑，有效提高模拟的鲁棒性和适应性。
Description
技术领域
本发明涉及土壤分析技术领域，具体涉及基于数据融合算法的土壤环境管理系统及方法。
背景技术
土壤是支撑植物生长的基础，对农业、生态系统和人类生活至关重要。优质的土壤有助于植物吸收养分、水分和气体，因此土壤质量直接影响农业生产和生态平衡，土壤质量可能因为过度耕作、化肥过量使用、水土流失、污染等因素而下降。这些问题会导致土壤结构疏松、养分失衡、水分保持能力降低，从而影响植物的健康和生长；
土壤改良是一种通过不同手段和方法来提高土壤质量和增强其适用性的过程。这个过程旨在改善土壤的物理、化学和生物学特性，以促进植物的生长和发育，增加农田产量，改善环境质量；
现有技术存在以下缺陷：
现有管理方法对土壤改良分析过程中，忽略了环境条件的多样性和复杂性，从而无法真实反映不同管理方案在实际环境中的变异性，且仅仅基于确定性的假设进行分析，导致模拟结果缺乏鲁棒性，难以适应多样的实际环境条件，从而难以提供全面的土壤改良决策支持。
发明内容
本发明的目的是提供基于数据融合算法的土壤环境管理系统及方法，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于数据融合算法的土壤环境管理方法，所述管理方法包括以下步骤：
将土壤改良区域分为若干个子区域，收集子区域的土壤样本，分析土壤样本的养分含量和土壤质地数据；
通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案；
对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性；
基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案；
获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案。
优选的，对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，包括以下步骤：
基于设定不同环境条件以及不同场景下的环境条件范围，不同环境条件包括土壤养分水平、水分状况、温度，环境条件范围包括多个土壤类型、降雨水平、温度范围；
使用蒙特卡罗模拟技术，在设定的环境条件下多次运行植物生长模型，考虑参数的不确定性和环境变化的影响，对于每个管理方案，在每个环境条件下随机抽取参数的值，并运行植物生长模型，生成多个植物产量结果；
对每次蒙特卡罗模拟过程进行模拟质量分析，将模拟质量不合格的所有模拟结果删除；
记录模拟质量合格的植物产量结果，包括平均值、方差统计信息，并将每个模拟结果与相应的管理方案和环境条件关联。
优选的，对每次蒙特卡罗模拟过程进行模拟质量分析，将模拟质量不合格的所有模拟结果删除包括以下步骤：
获取管理方案在蒙特卡罗模拟中获取的多个模拟结果，计算模拟结果的方差、置信度区间指数以及均方根误差；
将方差、置信度区间指数以及均方根误差通过多项式算法综合计算获取模拟系数；
模拟系数越大，表明管理方案的模拟质量越差，获取管理方案通过蒙特卡罗模拟后的模拟系数后，将模拟系数与质量阈值进行对比，质量阈值用于区分管理方案模拟质量是否合格；
若模拟系数小于等于质量阈值，判断管理方案模拟质量合格，若模拟系数大于质量阈值，判断管理方案模拟质量不合格，将管理方案删除。
优选的，所述置信度区间指数的计算逻辑为：
计算管理方案的置信度区间范围，表达式为：，式中，/>表示模拟结果平均值，/>是对应于所选置信水平的标准正态分布的Z分数，n表示管理方案的模拟次数，/>为模拟结果标准差，且，/>表示第i次模拟结果；
则置信度区间指数的计算表达式为：，/>为管理方案的置信度区间范围。
优选的，评估不同管理方案的植物平均产量以及变异性，包括以下步骤：
获取管理方案在相同环境条件下进行多次模拟的植物平均产量；
获取管理方案在不同环境条件下的植物平均产量，计算管理方案在不同环境条件下的植物平均产量的平均值，表达式为：，式中，/>为模拟环境条件的数量，表示管理方案在第j个环境条件下模拟的植物平均产量，/>表示管理方案在不同环境条件下的植物平均产量的平均值；
计算管理方案的变异性，表达式为：，式中，/>表示管理方案的变异性，/>为模拟环境条件的数量，/>表示管理方案在第j个环境条件下模拟的植物平均产量，/>表示管理方案在不同环境条件下的植物平均产量的平均值。
优选的，基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案，包括以下步骤：
排序赋值的计算表达式为：，式中，/>表示管理方案的变异性，/>表示管理方案在不同环境条件下的植物平均产量的平均值，/>为变异阈值，/>为排序赋值；
获取管理方案的排序赋值后，将所有的管理方案依据排序赋值/>由大到小进行排序，生成方案列表，选择方案列表第一的管理方案作为子区域的土壤改良管理方案。
优选的，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，包括以下步骤：
利用克里金插值统计方法和地统计学工具，评估养分含量和水分数据的不确定性；
根据不确定性的性质为土壤养分含量和水分数据设定概率分布；
通过拉丁超立方抽样生成不同的土壤养分和水分场景；
根据设定的概率分布和管理方案的变量范围，利用随机生成工具，生成多个具有不同土壤养分和水分条件的管理方案组合。
优选的，通过拉丁超立方抽样生成不同的土壤养分和水分场景包括以下步骤：
确定参与抽样的土壤养分和水分变量，以及土壤养分和水分变量的取值范围；
根据模拟的需求和计算资源，设定每个变量的抽样级别，利用拉丁超立方抽样方法生成拉丁超立方矩阵，使每行和每列都包含每个变量的不同取值；
将生成的拉丁超立方矩阵映射到实际的土壤养分和水分场景，将抽样值替代实际数据，得到模拟的不同场景；
通过多次生成不同的拉丁超立方矩阵，得到多组不同的场景值。
优选的，通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，包括以下步骤：
从大数据库中获取已有的植物生长模型，收集与植物生长模型相关的土壤养分含量、水分以及植物产量的实际观测数据；
对采集的数据进行清理和预处理，利用收集到的数据对植物生长模型的参数进行拟合，对拟合后的植物生长模型进行验证，检验植物生长模型在未使用的数据上的预测能力；
将一部分数据留作验证集，用于评估模型的泛化能力，利用拟合好的植物生长模型，分析土壤养分含量和水分对植物产量的影响程度。
基于数据融合算法的土壤环境管理系统，包括样本采集模块、分析模块、方案生成模块、模拟模块、评估模块、排序模块、选择判断模块；
样本采集模块：将土壤改良区域分为若干个子区域，收集子区域的土壤样本；
分析模块：分析土壤样本的养分含量和土壤质地数据，通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系；
方案生成模块：分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案；
模拟模块：对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量；
评估模块：统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值；
排序模块：依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案；
选择判断模块：获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案。
在上述技术方案中，本发明提供的技术效果和优点：
本发明通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案。该管理方法通过蒙特卡罗模拟考虑不同管理方案在不同环境条件下的变异性，提高决策的科学性和可靠性，且在模拟前进行不确定性考虑，有效提高模拟的鲁棒性和适应性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例1：请参阅图1所示，本实施例所述基于数据融合算法的土壤环境管理方法，所述管理方法包括以下步骤：
将土壤改良区域分为若干个子区域，收集子区域的土壤样本，分析土壤样本的养分含量和土壤质地数据，通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，植物生长模型的函数表达式为：，/>表示植物产量，/>表示土壤中的氮素含量，/>表示土壤中的磷含量，/>表示土壤中的钾含量，/>表示土壤中的水分含量，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案，获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案。
本申请通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案。该管理方法通过蒙特卡罗模拟考虑不同管理方案在不同环境条件下的变异性，提高决策的科学性和可靠性，且在模拟前进行不确定性考虑，有效提高模拟的鲁棒性和适应性。
实施例2：A、将土壤改良区域分为若干个子区域，收集子区域的土壤样本，分析土壤样本的养分含量和土壤质地数据，包括以下步骤：
子区域划分：根据确定的标准，将土壤改良区域划分为若干个子区域。利用GIS工具或现场勘测，将土地划分为具有相似特征的子区域，确保每个子区域内土地特征相对一致。
制定采样计划：制定详细的土壤样本采集计划，确定每个子区域的采样点位置和采样深度。根据子区域的面积、地形、植被等特征，确定采样点的分布，并制定采样深度。
采集土壤样本：在每个采样点采集土壤样本，确保采集的样本具有代表性。使用合适的土壤钻或铲，在每个采样点处采集土壤样本，并按照计划的深度进行采集。
标注样本信息：对采集的土壤样本进行标注，包括采样点编号、采样深度等信息。使用标签或记录簿等方式，确保每个样本的位置和相关信息被准确记录。
样本处理和保存：对采集的土壤样本进行处理，如混合样本、去除杂质，并妥善保存以防止样本污染或变质。将土壤样本送至专业实验室进行分析前的处理，并按照标准要求保存。
养分含量和土壤质地分析：将处理后的土壤样本送至实验室，进行养分含量和土壤质地的分析。实验室使用适当的技术和设备，如光谱仪、离子色谱仪等，对样本进行养分含量和土壤质地的分析。
数据整理与分析：整理实验室提供的养分含量和土壤质地数据，并进行统计和分析。使用统计软件或数据分析工具，对数据进行汇总、统计描述和相关性分析等，以获取对土壤特性的整体认知。
B、通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，植物生长模型的函数表达式为：，/>表示植物产量，/>表示土壤中的氮素含量，/>表示土壤中的磷含量，/>表示土壤中的钾含量，/>表示土壤中的水分含量，包括以下步骤：
获取植物生长模型：从大数据库或相关文献中获取已有的植物生长模型，确保模型能够描述植物产量与土壤养分含量和水分之间的关系。
数据收集：收集与模型相关的土壤养分含量、水分以及植物产量的实际观测数据。在研究区域设置采样点，采集土壤样本并进行养分含量和水分分析，同时记录植物产量数据。
数据预处理：对采集的数据进行清理和预处理，确保数据的准确性和一致性。处理缺失值、异常值，进行数据标准化或归一化等操作，以便与模型进行匹配。
模型参数拟合：利用收集到的数据，对植物生长模型的参数进行拟合，将模型与实际数据拟合，调整模型参数以最好地拟合观测数据。
模型验证：对拟合后的模型进行验证，检验模型在未使用的数据上的预测能力。将一部分数据留作验证集，用于评估模型的泛化能力，确保模型在新的数据上表现良好。
分析土壤养分和水分对植物产量的影响：利用拟合好的模型，分析土壤养分含量和水分对植物产量的影响程度。通过调整土壤养分和水分的值，观察模型对植物产量的响应，定量评估它们之间的关系。
C、分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，包括以下步骤：
不确定性分析：对土壤养分含量和水分数据进行不确定性分析，考虑测量误差、空间变异性、季节性变化等因素。利用克里金插值统计方法和地统计学工具，评估养分含量和水分数据的不确定性；
变异性分析：利用探索性空间数据分析方法，检查养分含量和水分数据的空间变异性，了解数据的分布规律。绘制变异图、半变异函数图等，通过可视化手段初步了解数据的空间变异性。
空间变异模型拟合：利用克里金插值方法，拟合空间变异模型，用于估计未采样位置的养分含量和水分值。使用地统计学软件，选择克里金插值模型，拟合空间变异性，生成预测地图。
交叉验证：使用交叉验证方法评估克里金插值模型的性能，检验模型在未采样点上的预测精度。将部分数据作为验证集，用模型预测验证集上的值，并计算实际观测值与预测值之间的误差，评估模型性能。
测量误差考虑：考虑测量误差对数据不确定性的影响，量化测量误差的大小。通过实验室测量的方法，确定测量误差的标准差或其他统计指标，并在分析中考虑这些误差。
季节性变化分析：利用时间序列分析方法，绘制季节性趋势图，了解数据随季节的变化规律。
不确定性传播：将测量误差、空间变异性、季节性变化等因素综合考虑，进行不确定性的传播分析。利用模拟方法或蒙特卡罗模拟，考虑不同因素的影响，生成具有不确定性的养分含量和水分数据。
确定不确定性因素：确定对土壤养分和水分数据不确定性产生影响的主要因素，如采样误差、实验误差、环境变异等。分析数据收集和实验过程中可能引入的各种误差和变异，明确不确定性的来源。
概率分布设定：为土壤养分含量和水分数据设定概率分布，以反映不确定性的可能范围，并确定分布的参数；
了解数据性质：详细了解土壤养分含量和水分数据的性质，包括分布形态、数据范围、异常值等。绘制直方图、概率图、箱线图等，进行初步的数据探索性分析。
选择概率分布类型：根据数据性质选择合适的概率分布类型，如正态分布、均匀分布、指数分布等。通过可视化和统计检验等方法，判断数据是否符合某种特定分布类型。
正态性检验：如果数据接近正态分布，可以进行正态性检验以确认是否满足正态分布的假设。使用统计检验，如Shapiro-Wilk检验或Kolmogorov-Smirnov检验，来检验数据是否服从正态分布。
拟合参数：如果选择了具体的概率分布类型，需要拟合该分布的参数，以反映数据的中心位置、形状和尺度。使用最大似然估计、最小二乘法或贝叶斯方法等，对所选概率分布的参数进行拟合。
非参数方法：如果数据的分布类型未知或不符合常见的概率分布，可以考虑使用非参数方法，如核密度估计。使用核密度估计等方法，以无分布假设的方式对数据的概率密度进行估计。
考虑尾部行为：考虑数据的尾部行为，确定是否存在长尾分布或极端事件的可能性。分析数据尾部的形状，选择适当的分布来捕捉尾部的特征，如使用指数分布或对数正态分布等。
确定分布参数：对于已选择的概率分布，确定具体的分布参数，包括均值、标准差、最小值、最大值等。利用已有的数据或专门的统计方法，计算或估计分布的参数。
敏感性分析：进行敏感性分析，考虑分布参数的不确定性对模型或分析结果的影响。通过改变分布参数的取值，观察模型或分析结果的变化，评估参数不确定性的影响。
验证分布拟合：验证拟合的概率分布是否能够较好地描述实际数据，比较模型拟合与实际数据的吻合度。使用可视化方法，如概率图、Q-Q图等，验证拟合的分布与实际数据的一致性。
场景生成：通过拉丁超立方抽样生成不同的土壤养分和水分场景；
定义抽样参数：确定参与抽样的土壤养分和水分变量，以及这些变量的可能取值范围。列出所需抽样的土壤养分和水分变量，并确定它们的上下限或范围。
确定抽样级别：确定抽样的级别，即每个变量需要多少个不同取值。根据模拟的需求和计算资源，设定每个变量的抽样级别，即拉丁超立方矩阵的大小。
生成拉丁超立方矩阵：利用拉丁超立方抽样方法生成一个拉丁超立方矩阵，确保每个变量的不同取值均匀分布。利用随机数生成算法，生成拉丁超立方矩阵，保证每行和每列都包含每个变量的不同取值。
映射到实际场景：将生成的拉丁超立方矩阵映射到实际的土壤养分和水分场景，将抽样值替代实际数据。将矩阵中的每个值与实际土壤养分和水分的范围对应，以得到模拟的不同场景。
多次抽样：为增加样本数量，进行多次拉丁超立方抽样，生成不同的土壤养分和水分场景。通过多次生成不同的拉丁超立方矩阵，得到多组不同的场景值，以增加样本的多样性。
实验结果记录：记录每次模拟实验的结果，包括植物产量、土壤养分含量和水分等相关信息。确保每次模拟实验的参数和结果都被记录下来，以便后续的统计分析。
随机生成管理方案：利用随机生成工具，生成多个具有不同土壤养分和水分条件的管理方案。根据设定的概率分布和管理方案的变量范围，使用随机生成工具生成多个管理方案的参数组合；
为了更好的说明上述方案，我们举例如下：
施肥量：假设施肥量遵循正态分布。施肥量的平均值设置为100单位，标准差（变异性的度量）设置为20单位。这意味着大多数值将在100单位左右，但存在一些变异性。
灌溉水量：对于灌溉水量选择均匀分布。最小灌溉水量设置为50单位，最大灌溉水量设置为150单位。这确保了广泛的灌溉情景。
随机生成：使用随机数生成器，例如Python中NumPy库提供的工具，生成施肥量和灌溉水量的随机值。我们多次重复此过程以创建多个样本（管理方案）。
管理方案示例：对于每个生成的样本，我们创建一个管理方案，其中包含特定的施肥和灌溉水量组合。例如：
管理方案1：施肥量=95单位，灌溉水量=120单位。
管理方案2：施肥量=110单位，灌溉水量=60单位。
多样化情景：随机生成获得多样化的情景，涵盖广泛的土壤养分和水分条件。每个管理方案代表一种可能影响作物生长的独特组合。
适应性和探索：探索各种管理方案，有助于评估不同土壤养分和水分组合可能如何影响作物。这对于考虑不确定性和探索不同管理策略的适应性非常有用。
调整和优化：基于模拟结果和观察到的效果，可以进一步调整和优化管理方案。这个迭代过程有助于改进土壤改良和水管理的策略。
D、对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，包括以下步骤：
环境条件设定：设定不同环境条件，包括但不限于土壤养分水平、水分状况、温度等。这些条件会在蒙特卡罗模拟中变化。确定不同场景下的环境条件范围，例如多个土壤类型、降雨水平、温度范围等。
蒙特卡罗模拟：使用蒙特卡罗模拟技术，在设定的环境条件下多次运行植物生长模型，考虑参数的不确定性和环境变化的影响。对于每个管理方案，在每个环境条件下运行模型，通过随机抽样或参数分布进行模拟，生成多个可能的植物产量结果。
结果筛选：对每次蒙特卡罗模拟过程进行模拟质量分析，将模拟质量不合格的所有模拟结果删除，从而降低模拟结果数据量，减轻系统运行负担；
获取管理方案在蒙特卡罗模拟中获取的多个模拟结果，计算模拟结果的方差、置信度区间指数以及均方根误差；
将方差、置信度区间指数以及均方根误差通过多项式算法综合计算获取模拟系数，表达式为：mx＝a1*fc＋a2*zq＋a3*jw，式中，mx为模拟系数，fc、zq、jw分别为方差、置信度区间指数以及均方根误差，a1、a2、a3分别为方差、置信度区间指数以及均方根误差的比例系数，且a1、a2、a3均大于0；
模拟系数越大，表明该管理方案的模拟质量越差，获取管理方案通过蒙特卡罗模拟后的模拟系数后，将模拟系数与质量阈值进行对比，质量阈值用于区分管理方案模拟质量是否合格，若模拟系数小于等于质量阈值，判断管理方案模拟质量合格，若模拟系数大于质量阈值，判断管理方案模拟质量不合格，将管理方案删除。
方差的计算表达式为：，式中，n表示管理方案的模拟次数，/>表示第i次模拟结果，/>表示模拟结果平均值。
方差较小表示模拟结果较为稳定，方差较大可能表示结果不稳定或不一致。
置信度区间指数的计算逻辑为：
计算管理方案的置信度区间范围，表达式为：，式中，/>表示模拟结果平均值，/>是对应于所选置信水平的标准正态分布的Z分数，n表示管理方案的模拟次数，/>为模拟结果标准差，且，/>表示第i次模拟结果；
则置信度区间指数的计算表达式为：，/>为管理方案的置信度区间范围，置信度区间指数越大，表明管理方案的置信度区间范围越宽，表示管理方案存在较高的不确定性，具体为：
模拟结果的分布较为广泛：如果模拟结果的分布较为散布，即模拟结果的方差较大，那么置信度区间将会更宽。这可能表示模拟结果在不同情境下变化较大，存在较大的不确定性。
模拟次数较少：当模拟次数较少时，对于模拟结果的统计估计可能不够准确，置信度区间会相对扩大，反映了统计估计的不确定性。
模型的参数不确定性：如果所用模型中的参数存在较大的不确定性，这也会导致对模拟结果的不确定性增加，从而使得置信度区间更为宽广。
模拟过程中存在随机性：如果模拟过程中引入了随机性，例如使用蒙特卡罗模拟，那么不同模拟运行可能产生不同的结果，增加了不确定性。
均方根误差的计算表达式为：，式中，n表示管理方案的模拟次数，/>表示第i次模拟结果，/>表示第i次模拟结果对应的实测数据，均方根误差越小，表明模拟结果准确性越高。
结果记录：记录模拟质量合格的蒙特卡罗模拟的植物产量结果，包括平均值、方差等统计信息。将每个模拟结果与相应的管理方案和环境条件关联起来，确保记录完整的模拟数据。
E、统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，包括以下步骤：
获取管理方案在相同环境条件下进行多次模拟的植物平均产量；
获取管理方案在不同环境条件下的植物平均产量，计算管理方案在不同环境条件下的植物平均产量的平均值，表达式为：，式中，/>为模拟环境条件的数量，表示管理方案在第j个环境条件下模拟的植物平均产量，/>表示管理方案在不同环境条件下的植物平均产量的平均值；
计算管理方案的变异性，表达式为：，式中，/>表示管理方案的变异性，/>为模拟环境条件的数量，/>表示管理方案在第j个环境条件下模拟的植物平均产量，/>表示管理方案在不同环境条件下的植物平均产量的平均值，较高的变异系数表示产量的变异性较大，较低的变异系数表示产量的变异性较小。
F、基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案，包括以下步骤：
排序赋值的计算表达式为：，式中，/>表示管理方案的变异性，/>表示管理方案在不同环境条件下的植物平均产量的平均值，/>为变异阈值，/>为排序赋值；
获取管理方案的排序赋值后，将所有的管理方案依据排序赋值/>由大到小进行排序，生成方案列表，选择方案列表第一的管理方案作为子区域的土壤改良管理方案。
G、获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案，包括以下步骤：
每个子区域均有一个管理方案，若土壤改良区域的子区域划分数量超过数量阈值，则计算每个子区域管理方案与其他子区域管理方案的相似度，再计算每个子区域管理方案与其他子区域管理方案的相似度平均值，选择相似度平均值最小的管理方案作为土壤改良区域的整体管理方案；
当子区域数量过多时，若对每个子区域均采取单独的管理方案，则会增加管理成本以及管理负担。
实施例3：本实施例所述基于数据融合算法的土壤环境管理系统，包括样本采集模块、分析模块、方案生成模块、模拟模块、评估模块、排序模块、选择判断模块；
样本采集模块：将土壤改良区域分为若干个子区域，收集子区域的土壤样本，子区域数量发送至选择判断模块；
分析模块：分析土壤样本的养分含量和土壤质地数据，通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，植物生长模型的函数表达式为：，/>表示植物产量，/>表示土壤中的氮素含量，/>表示土壤中的磷含量，/>表示土壤中的钾含量，/>表示土壤中的水分含量，养分含量和土壤质地数据发送至方案生成模块，植物生长模型发送至模拟模块；
方案生成模块：分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，管理方案发送至模拟模块；
模拟模块：对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，模拟结果发送至评估模块；
评估模块：统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值，排序赋值发送至排序模块；
排序模块：依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案，土壤改良管理方案发送至选择判断模块；
选择判断模块：获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.基于数据融合算法的土壤环境管理方法，其特征在于：所述管理方法包括以下步骤：
将土壤改良区域分为若干个子区域，收集子区域的土壤样本，分析土壤样本的养分含量和土壤质地数据；
通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案；
对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性；
基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案；
获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案。
2.根据权利要求1所述的基于数据融合算法的土壤环境管理方法，其特征在于：对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量，包括以下步骤：
基于设定不同环境条件以及不同场景下的环境条件范围，不同环境条件包括土壤养分水平、水分状况、温度，环境条件范围包括多个土壤类型、降雨水平、温度范围；
使用蒙特卡罗模拟技术，在设定的环境条件下多次运行植物生长模型，考虑参数的不确定性和环境变化的影响，对于每个管理方案，在每个环境条件下随机抽取参数的值，并运行植物生长模型，生成多个植物产量结果；
对每次蒙特卡罗模拟过程进行模拟质量分析，将模拟质量不合格的所有模拟结果删除；
记录模拟质量合格的植物产量结果，包括平均值、方差统计信息，并将每个模拟结果与相应的管理方案和环境条件关联。
3.根据权利要求2所述的基于数据融合算法的土壤环境管理方法，其特征在于：对每次蒙特卡罗模拟过程进行模拟质量分析，将模拟质量不合格的所有模拟结果删除，包括以下步骤：
获取管理方案在蒙特卡罗模拟中获取的多个模拟结果，计算模拟结果的方差、置信度区间指数以及均方根误差；
将方差、置信度区间指数以及均方根误差通过多项式算法综合计算获取模拟系数；
模拟系数越大，表明管理方案的模拟质量越差，获取管理方案通过蒙特卡罗模拟后的模拟系数后，将模拟系数与质量阈值进行对比，质量阈值用于区分管理方案模拟质量是否合格；
若模拟系数小于等于质量阈值，判断管理方案模拟质量合格，若模拟系数大于质量阈值，判断管理方案模拟质量不合格，将管理方案删除。
4.根据权利要求3所述的基于数据融合算法的土壤环境管理方法，其特征在于：所述置信度区间指数的计算逻辑为：
计算管理方案的置信度区间范围，表达式为：/>，式中，/>表示模拟结果平均值，/>是对应于所选置信水平的标准正态分布的Z分数，n表示管理方案的模拟次数，/>为模拟结果标准差，且/>，/>表示第i次模拟结果；
则置信度区间指数的计算表达式为：，/>为管理方案的置信度区间范围。
5.根据权利要求4所述的基于数据融合算法的土壤环境管理方法，其特征在于：评估不同管理方案的植物平均产量以及变异性，包括以下步骤：
获取管理方案在相同环境条件下进行多次模拟的植物平均产量；
获取管理方案在不同环境条件下的植物平均产量，计算管理方案在不同环境条件下的植物平均产量的平均值，表达式为：，式中，/>为模拟环境条件的数量，表示管理方案在第j个环境条件下模拟的植物平均产量，/>表示管理方案在不同环境条件下的植物平均产量的平均值；
计算管理方案的变异性，表达式为：，式中，/>表示管理方案的变异性，/>为模拟环境条件的数量，/>表示管理方案在第j个环境条件下模拟的植物平均产量，/>表示管理方案在不同环境条件下的植物平均产量的平均值。
6.根据权利要求5所述的基于数据融合算法的土壤环境管理方法，其特征在于：基于平均产量和变异性为管理方案生成排序赋值，依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案，包括以下步骤：
排序赋值的计算表达式为：，式中，/>表示管理方案的变异性，/>表示管理方案在不同环境条件下的植物平均产量的平均值，/>为变异阈值，为排序赋值；
获取管理方案的排序赋值后，将所有的管理方案依据排序赋值/>由大到小进行排序，生成方案列表，选择方案列表第一的管理方案作为子区域的土壤改良管理方案。
7.根据权利要求6所述的基于数据融合算法的土壤环境管理方法，其特征在于：分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案，包括以下步骤：
利用克里金插值统计方法和地统计学工具，评估养分含量和水分数据的不确定性；
根据不确定性的性质为土壤养分含量和水分数据设定概率分布；
通过拉丁超立方抽样生成不同的土壤养分和水分场景；
根据设定的概率分布和管理方案的变量范围，利用随机生成工具，生成多个具有不同土壤养分和水分条件的管理方案组合。
8.根据权利要求7所述的基于数据融合算法的土壤环境管理方法，其特征在于：通过拉丁超立方抽样生成不同的土壤养分和水分场景包括以下步骤：
确定参与抽样的土壤养分和水分变量，以及土壤养分和水分变量的取值范围；
根据模拟的需求和计算资源，设定每个变量的抽样级别，利用拉丁超立方抽样方法生成拉丁超立方矩阵，使每行和每列都包含每个变量的不同取值；
将生成的拉丁超立方矩阵映射到实际的土壤养分和水分场景，将抽样值替代实际数据，得到模拟的不同场景；
通过多次生成不同的拉丁超立方矩阵，得到多组不同的场景值。
9.根据权利要求8所述的基于数据融合算法的土壤环境管理方法，其特征在于：通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系，包括以下步骤：
从大数据库中获取已有的植物生长模型，收集与植物生长模型相关的土壤养分含量、水分以及植物产量的实际观测数据；
对采集的数据进行清理和预处理，利用收集到的数据对植物生长模型的参数进行拟合，对拟合后的植物生长模型进行验证，检验植物生长模型在未使用的数据上的预测能力；
将一部分数据留作验证集，用于评估模型的泛化能力，利用拟合好的植物生长模型，分析土壤养分含量和水分对植物产量的影响程度。
10.基于数据融合算法的土壤环境管理系统，用于实现权利要求1-9任一项所述的管理方法，其特征在于：包括样本采集模块、分析模块、方案生成模块、模拟模块、评估模块、排序模块、选择判断模块；
样本采集模块：将土壤改良区域分为若干个子区域，收集子区域的土壤样本；
分析模块：分析土壤样本的养分含量和土壤质地数据，通过大数据库获取已有植物生长模型，基于植物生长模型分析植物产量与土壤养分含量以及水分之间的关系；
方案生成模块：分析土壤养分含量和水分的不确定性，基于随机生成工具生成多种管理方案；
模拟模块：对每种管理方案进行不同环境条件下的蒙特卡罗模拟，预测管理方案在不同环境条件下的植物产量；
评估模块：统计管理方案模拟结果，评估不同管理方案的植物平均产量以及变异性，基于平均产量和变异性为管理方案生成排序赋值；
排序模块：依据排序赋值由大到小对所有管理方案排序，选择排序第一的管理方案作为子区域的土壤改良管理方案；
选择判断模块：获取土壤改良区域子区域的划分数量，若土壤改良区域的子区域划分数量超过数量阈值，分析若干个子区域土壤改良管理方案的相似度后，依据相似度选择某一子区域土壤改良管理方案作为整个土壤改良区域的土壤改良管理方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303197.XA CN117910659B (zh) | 2024-03-18 | 2024-03-18 | 基于数据融合算法的土壤环境管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303197.XA CN117910659B (zh) | 2024-03-18 | 2024-03-18 | 基于数据融合算法的土壤环境管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117910659A true CN117910659A (zh) | 2024-04-19 |
| CN117910659B CN117910659B (zh) | 2024-05-28 |
Family
ID=90692505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410303197.XA Active CN117910659B (zh) | 2024-03-18 | 2024-03-18 | 基于数据融合算法的土壤环境管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117910659B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009062794A (ja) * | 2007-09-10 | 2009-03-26 | Penta Ocean Construction Co Ltd | 改良地盤および地盤改良工法 |
| KR20200022262A (ko) * | 2018-08-22 | 2020-03-03 | 고려대학교 산학협력단 | 국가 산림탄소 인벤토리를 위한 산림탄소를 모델링하는 방법 |
| CN112598277A (zh) * | 2020-12-24 | 2021-04-02 | 中国科学院大学 | 一种评估跨区域缩小冬小麦产量差与提高氮肥效率的方法 |
| CN115618720A (zh) * | 2022-09-27 | 2023-01-17 | 山东理工大学 | 一种基于海拔高度的土壤盐渍化预测方法及系统 |
| CN117408430A (zh) * | 2023-11-09 | 2024-01-16 | 北京速度时空信息有限公司 | 一种基于大数据的农业种植用土壤改良评估系统 |
| CN117694070A (zh) * | 2024-01-09 | 2024-03-15 | 哈尔滨神州精英科技开发有限公司 | 养分要素反演评估与智能变量精准施肥决策系统 |
-
2024
- 2024-03-18 CN CN202410303197.XA patent/CN117910659B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009062794A (ja) * | 2007-09-10 | 2009-03-26 | Penta Ocean Construction Co Ltd | 改良地盤および地盤改良工法 |
| KR20200022262A (ko) * | 2018-08-22 | 2020-03-03 | 고려대학교 산학협력단 | 국가 산림탄소 인벤토리를 위한 산림탄소를 모델링하는 방법 |
| CN112598277A (zh) * | 2020-12-24 | 2021-04-02 | 中国科学院大学 | 一种评估跨区域缩小冬小麦产量差与提高氮肥效率的方法 |
| CN115618720A (zh) * | 2022-09-27 | 2023-01-17 | 山东理工大学 | 一种基于海拔高度的土壤盐渍化预测方法及系统 |
| CN117408430A (zh) * | 2023-11-09 | 2024-01-16 | 北京速度时空信息有限公司 | 一种基于大数据的农业种植用土壤改良评估系统 |
| CN117694070A (zh) * | 2024-01-09 | 2024-03-15 | 哈尔滨神州精英科技开发有限公司 | 养分要素反演评估与智能变量精准施肥决策系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨蕴;吴剑锋;于军;林锦;施小清;吴吉春;: "基于参数不确定性的地下水污染治理多目标管理模型", 环境科学学报, no. 07, 6 July 2013 (2013-07-06) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117910659B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Evaluating maize phenotype dynamics under drought stress using terrestrial lidar | |
| Martinez et al. | Toward improved identification of hydrological models: A diagnostic evaluation of the “abcd” monthly water balance model for the conterminous United States | |
| Littleboy et al. | Impact of soil erosion on production in cropping systems. I. Development and validation of a simulation model | |
| Sauquet et al. | Comparison of catchment grouping methods for flow duration curve estimation at ungauged sites in France | |
| Godin et al. | Plant architecture modelling: virtual plants and complex systems | |
| CN116777082B (zh) | 基于资源预估的农田碳排放预测方法及系统 | |
| Vesk et al. | Transferability of trait‐based species distribution models | |
| Landl et al. | Measuring root system traits of wheat in 2D images to parameterize 3D root architecture models | |
| Pagès et al. | Links between root length density profiles and models of the root system architecture | |
| Rocha et al. | Early prediction of durum wheat yield in Spain using radial basis functions interpolation models based on agroclimatic data | |
| CN117910659B (zh) | 基于数据融合算法的土壤环境管理系统及方法 | |
| CN117077868A (zh) | 一种基于模型的粮食产量预测系统及方法 | |
| Jin et al. | Attribution of explanatory factors for change in soil organic carbon density in the native grasslands of Inner Mongolia, China | |
| Hoang et al. | A robust parameter approach for estimating CERES-Rice model parameters for the Vietnam Mekong Delta | |
| CN110837875B (zh) | 地表覆盖数据质量异常判断方法及装置 | |
| Walker et al. | Estimation of rainfall intensity for potential crop production on clay soil with in-field water harvesting practices in a semi-arid area | |
| Lu et al. | Efficient distance-based global sensitivity analysis for terrestrial ecosystem modeling | |
| CN117935081B (zh) | 一种基于遥感卫星数据的耕地变化监测方法及系统 | |
| Komolafe et al. | Predictive Modeling for Land Suitability Assessment for Cassava Cultivation | |
| CN117421985B (zh) | 一种植物扩散能力评估及预警方法 | |
| Sims | Design of Sample Plots Methods | |
| Van den Berg et al. | Uncertainty and sensitivity analysis of GeoPEARL | |
| Akbari et al. | How global sensitive is the AquaCrop model to input parameters? A case study of silage maize yield on a regional scale | |
| Woodall | Growth and structural dynamics of uneven-aged ponderosa pine stands in eastern Montana | |
| Gajurel et al. | A cost-effective approach to estimate plant available water capacity |
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 |