RU2537912C2 - Method of automatic control of crop condition - Google Patents
Method of automatic control of crop condition Download PDFInfo
- Publication number
- RU2537912C2 RU2537912C2 RU2013119900/13A RU2013119900A RU2537912C2 RU 2537912 C2 RU2537912 C2 RU 2537912C2 RU 2013119900/13 A RU2013119900/13 A RU 2013119900/13A RU 2013119900 A RU2013119900 A RU 2013119900A RU 2537912 C2 RU2537912 C2 RU 2537912C2
- Authority
- RU
- Russia
- Prior art keywords
- field
- parameters
- soil
- technological
- optimal
- Prior art date
Links
Images
Abstract
Description
Изобретение относится к области сельского хозяйства и может быть использовано в автоматизированных системах управления земледельческими технологиями при использовании информации оптических зондирующих приборов и систем.The invention relates to the field of agriculture and can be used in automated control systems for agricultural technologies using information from optical sounding devices and systems.
Известен способ управления состоянием посевов на основе информации оптических датчиков дистанционного зондирования, размещенных непосредственно на технологических машинах (см. в книге «Точное сельское хозяйство (precision agriculture)», под общей редакцией Д. Шпаара, А.В. Захаренко, В.П. Якушева, стр. 144, 145. Санкт-Петербург-Пушкин, 2009 г.). В указанном способе на основе информации об отражении света в ближней инфракрасной и красной областях спектра, формируемой оптическими датчиками, определяют индекс NDVI (Normalized Difference Vegetation Index), получаемый путем деления разности параметров отражения в ближнем инфракрасном и красном диапазонах на их сумму, по которому регулируют дозы внесения азотных удобрений, для чего сначала определяют содержание хлорофилла в растениях, на основании которого оценивают поглощение азота посевами, и затем рассчитывают дозы внесения азотных удобрений.A known method of controlling the condition of crops based on information from optical sensors of remote sensing, placed directly on technological machines (see. In the book "Precision agriculture", edited by D. Shpaar, A.V. Zakharenko, V.P. Yakusheva, p. 144, 145. St. Petersburg-Pushkin, 2009). In this method, based on information about the reflection of light in the near infrared and red regions of the spectrum formed by the optical sensors, an NDVI (Normalized Difference Vegetation Index) index is obtained by dividing the difference in the reflection parameters in the near infrared and red ranges by the sum by which they are regulated doses of nitrogen fertilizers, for which first determine the chlorophyll content in plants, on the basis of which the absorption of nitrogen by crops is estimated, and then the doses of nitrogen fertilizers are calculated.
Недостатком данного способа является то, что индекс NDVI, как и содержание хлорофилла в растениях, не являются показателями роста и развития растений, по которым можно обеспечить получение заданной величины урожая в конце периода вегетации. Кроме того, в данных способах не используется информация о состоянии почвенной среды, в частности о содержании в ней минеральных удобрений и запасе влаги, влияющем на поглощение посевами питательных элементов из почвы. Неучет этой информации приводит к тому, что в систему «растение - почва» вносятся те удобрения, которые посев может получить из почвы с ближайшими осадками, что в свою очередь вызывает перерасход дорогостоящих удобрений и нарушает требуемый оптимальный ход развития посевов. Кроме того, на цвет посева влияет и содержание других химических элементов, которые приводят к дополнительным ошибкам в определении содержания самого хлорофилла. В данных способах не раскрыта сама операция оптимизации доз внесения удобрений, так как здесь не используются математические модели и алгоритмы оптимизации, что не позволяет прогнозировать ожидаемый результат от проведения технологической операции.The disadvantage of this method is that the NDVI index, as well as the chlorophyll content in plants, are not indicators of plant growth and development, by which it is possible to obtain a given yield at the end of the growing season. In addition, these methods do not use information about the state of the soil environment, in particular, the content of mineral fertilizers in it and the moisture supply that affects the absorption of nutrients from the soil by crops. Failure to take this information into account leads to the fact that fertilizers that can be sown from the soil with the nearest rainfall are introduced into the plant-soil system, which in turn causes costly fertilizers to be overspended and violates the required optimal course of crop development. In addition, the content of other chemical elements, which lead to additional errors in determining the content of chlorophyll itself, also affects the color of the crop. In these methods, the operation of optimizing the doses of fertilizers was not disclosed, since mathematical models and optimization algorithms are not used here, which does not allow predicting the expected result from the technological operation.
Частично вышеуказанные недостатки устранены в способе, в котором дозы внесения азотных удобрений определяют путем сравнения параметров отражения посевов на основном поле и на тестовых площадках, расположенных вблизи поля, и на которых возделывают такую же, как и на основном поле, сельскохозяйственную культуру и применяют одинаковую технологию. При этом каждая тестовая площадка имеет различные известные по своей величине дозы внесения азотных удобрений, а дозу внесения на основном поле определяют по разности параметров отражения между посевами на основном поле и тестовых площадках (см. «Материалы Всероссийской конференции «Математические модели и информационные технологии в сельскохозяйственной биологии: Итоги и перспективы», 14-15 октбяря 2010 г., Агрофизический НИИ, Санкт-Петербург, с. 72-75).Partially the above disadvantages are eliminated in a method in which the dose of nitrogen fertilizers is determined by comparing the reflection parameters of crops on the main field and on test sites located near the field, and on which the same crop is cultivated as on the main field, and the same technology is applied . Moreover, each test site has different known doses of nitrogen fertilizer application, and the dose of application on the main field is determined by the difference in reflection parameters between crops on the main field and test sites (see "Materials of the All-Russian Conference" Mathematical Models and Information Technologies in Agricultural Biology: Results and Prospects ”, October 14–15, 2010, Agrophysical Research Institute, St. Petersburg, pp. 72-75).
Недостатком указанного способа является то, что параметры отражения посевов на основном поле и тестовых площадках не являются показателями роста и развития растений, поэтому дозы удобрений, определяемые по разности этих параметров на основном поле и тестовых площадках, не являются оптимальными с точки зрения получения заданной продуктивности посевов. Кроме того, здесь также не учитывается наличие удобрений в почве, доступность которых зависит от влажности почвы, что приводит к перерасходу удобрений и дополнительным потерям урожая за счет полегания посевов.The disadvantage of this method is that the reflection parameters of crops on the main field and test sites are not indicators of plant growth and development, therefore, the doses of fertilizers, determined by the difference of these parameters on the main field and test sites, are not optimal from the point of view of obtaining a given crop productivity . In addition, the presence of fertilizers in the soil, the availability of which depends on soil moisture, is also not taken into account, which leads to overuse of fertilizers and additional crop losses due to lodging of crops.
Прототипом изобретения является способ автоматизированного управления формированием урожая, включающий в себя операции по получению информации о физических свойствах, химическом составе почвы и о погодных условиях на сельскохозяйственном поле, а также информации о фактическом урожае за предыдущий год на каждом фрагменте сельскохозяйственного поля, сопоставляемой с сигналами системы определения пространственных координат во время уборки урожая, использование математических моделей влияния почвенных и климатических факторов на конечный урожай, производство расчетов по параметрам основных технологий перед посевом растений и проведение технологических воздействий в реальном времени в соответствии с этими расчетами для каждого фрагмента сельскохозяйственного поля, при этом перед началом периода вегетации определяют оптимальную программу изменения средних по полю показателей развития растений и параметров почвенной среды путем поиска максимума по параметрам технологических операций критерия оптимальности, учитывающего разность между стоимостью урожая и затратами на его получение, в реальном времени при рабочем проходе сельскохозяйственной машины с орудиями измеряют ее пространственные координаты, периодически фиксируют сигналы от метеостанции о температуре окружающего воздуха, уровне солнечной радиации, интенсивности осадков, по измеренной информации уточняют параметры моделей состояния растений и почвенной среды, для каждого фрагмента поля сравнивают измеренные значения показателей развития растений и параметров почвенной среды с их оптимальными средними значениями, по результатам сравнения формируют поправки к средним оптимальным значениям параметров технологических воздействий, для каждого фрагмента поля определяют размер общего технологического воздействия, складывающегося из оптимального среднего и локальной поправки, которое по модемной связи передают в форме задания бортовому регулятору орудия машины, осуществляющего технологическое воздействие (RU 2264703 C2, A01B 79/02, 27.11.2005 бюл. №33).The prototype of the invention is a method for automated control of crop formation, which includes operations to obtain information about the physical properties, chemical composition of the soil and weather conditions on the agricultural field, as well as information about the actual crop for the previous year on each fragment of the agricultural field, compared with the signals of the system determination of spatial coordinates during harvesting, the use of mathematical models of the influence of soil and climatic factors on final crop, making calculations according to the parameters of the main technologies before planting and real-time technological impacts in accordance with these calculations for each fragment of the agricultural field, and before the start of the growing season, determine the optimal program for changing average field development indicators of plants and soil parameters by searching for a maximum in the parameters of technological operations, an optimality criterion that takes into account the difference between the cost of the crop and At the time of receiving it, in real time, during the working pass of an agricultural machine with implements, its spatial coordinates are measured, the signals from the weather station about the ambient temperature, solar radiation level, precipitation intensity are periodically recorded, the parameters of plant and soil conditions models are specified using the measured information, for of each field fragment, the measured values of the indicators of plant development and soil parameters are compared with their optimal average values, according to the result comparisons form corrections to the average optimal values of the parameters of technological impacts, for each fragment of the field determine the size of the total technological impact, consisting of the optimal average and local corrections, which are transmitted via modem communication in the form of a task to the onboard controller of the gun of the machine carrying out the technological impact (RU 2264703 C2, A01B 79/02, 11/27/2005 bull. No. 33).
Основным недостатком данного способа является то, что для уточнения параметров математических моделей состояния посевов и почвенной среды кроме телевизионной съемки растений, спектральной фотоэлектронной съемки поверхности почвы необходимы измерения влажности и плотности почвы по всей площади поля не менее одного раза в три дня, что в условиях вегетирующих растений требует больших затрат ручного труда. Кроме того, для повышения точности и надежности управления минеральным питанием посевов необходима математическая модель химического состояния почвенной среды, для уточнения параметров которой требуется информация о реальном содержании доступных форм азота N, калия K и фосфора P в почве, что существенно увеличивает затраты ручного труда для отбора проб.The main disadvantage of this method is that in order to clarify the parameters of mathematical models of the state of crops and soil environment, in addition to television imaging of plants, spectral photoelectronic imaging of the soil surface, measurements of soil moisture and density over the entire area of the field are necessary at least once every three days, which under vegetative conditions plants requires a lot of manual labor. In addition, to improve the accuracy and reliability of managing the mineral nutrition of crops, a mathematical model of the chemical state of the soil environment is needed, to clarify the parameters of which requires information on the actual content of available forms of nitrogen N, potassium K and phosphorus P in the soil, which significantly increases the cost of manual labor for selection samples
Изобретение решает задачу повышения величины и надежности процесса формирования урожая при существенном уменьшении объемов ручного труда, затрачиваемого на измерения за счет повышения степени его автоматизации на стадии, предшествующей периоду вегетации растений, и в процессе их роста и развития.The invention solves the problem of increasing the size and reliability of the process of crop formation with a significant decrease in the amount of manual labor spent on measurements by increasing the degree of automation at the stage preceding the period of plant vegetation, and in the process of their growth and development.
Заявляемый способ автоматизированного управления состоянием посевов, как и прототип, включает в себя операции по получению информации о физических свойствах, химическом составе почвы и о погодных условиях на сельскохозяйственном поле, а также информации о фактическом урожае за предыдущий год на каждом фрагменте сельскохозяйственного поля, сопоставляемой с сигналами системы определения пространственных координат во время уборки урожая, использование математических моделей влияния почвенных и климатических факторов на конечный урожай, производство расчетов по параметрам основных технологий перед посевом растений и проведение технологических воздействий в реальном времени в соответствии с этими расчетами для каждого фрагмента сельскохозяйственного поля, при этом перед началом периода вегетации определяют оптимальную программу изменения средних по полю показателей развития растений и параметров почвенной среды путем поиска максимума по параметрам технологических операций критерия оптимальности, учитывающего разность между стоимостью урожая и затратами на его получение, в реальном времени при рабочем проходе сельскохозяйственной машины с орудиями измеряют ее пространственные координаты, периодически фиксируют сигналы от метеостанции о температуре окружающего воздуха, уровне солнечной радиации, интенсивности осадков, по измеренной информации уточняют параметры моделей растений и почвенной среды, для каждого фрагмента поля сравнивают измеренные значения показателей развития растений и параметров почвенной среды с их оптимальными средними значениями, по результатам сравнения формируют поправки к средним оптимальным значениям параметров технологических воздействий, для каждого фрагмента поля определяют размер общего технологического воздействия, складывающегося из оптимального среднего и локальной поправки, которое по модемной связи передают в форме задания бортовому регулятору орудия машины, осуществляющего технологическое воздействие.The inventive method of automated control of the state of crops, as well as the prototype, includes operations to obtain information about the physical properties, chemical composition of the soil and weather conditions on the agricultural field, as well as information about the actual crop for the previous year on each fragment of the agricultural field, compared with signals of the system for determining spatial coordinates during harvesting, the use of mathematical models of the influence of soil and climatic factors on the final crop ay, making calculations according to the parameters of the main technologies before planting and real-time technological impacts in accordance with these calculations for each fragment of the agricultural field, and before the start of the growing season, determine the optimal program for changing the average field development indicators of plants and soil parameters by search for a maximum in the parameters of technological operations of the optimality criterion, taking into account the difference between the cost of the crop and the cost of e about receiving, in real time during the working passage of an agricultural machine with implements, its spatial coordinates are measured, signals from the weather station about the ambient temperature, solar radiation level, precipitation intensity are periodically recorded, the parameters of plant models and soil environment are specified from the measured information, for each fragment of the field compare the measured values of the indicators of plant development and soil parameters with their optimal average values, according to the results of the comparison form corrections to the average optimal values of the parameters of technological impacts, for each fragment of the field determine the size of the total technological impact, consisting of the optimal average and local corrections, which are transmitted via modem communication in the form of a task to the onboard controller of the gun of the machine carrying out the technological impact.
Заявляемый способ отличается от прототипа тем, что информацию о физических свойствах, химическом составе почвы и растений получают периодическим отбором проб на тестовых площадках, расположенных рядом с основным полем, на которых возделывается одна и та же культура, как и на основном поле, и которые отличаются друг от друга разными фиксированными уровнями поливов и дозами внесения минеральных удобрений и регуляторов роста и развития растений, одновременно с отборами проб на тестовых площадках средствами авиационного дистанционного зондирования формируют мультиспектральные изображения тестовых площадок и основного поля, по полученной спектральной информации и отобранным пробам уточняют математическую модель оптических измерений, отражающую связь состояния посевов и почвенной среды на тестовых площадках с параметрами отражения во всех используемых спектрах, по спектральной информации, полученной по всей площади основного поля, посредством математической модели оптических измерений оценивают состояние посевов и почвенной среды на основном поле для каждого момента времени измерения, по полученным оценкам и сигналам от метеостанции о температуре окружающего воздуха, уровне солнечной радиации и интенсивности осадков уточняют параметры математических моделей состояния посевов и почвенной среды, по которым затем уточняют оптимальную программу изменения средних по полю показателей развития растений и параметров почвенной среды, в реальном времени при рабочих проходах технологических машин одновременно с измерением пространственных координат повторно формируют мультиспектральную картину всей площади основного поля, по которой с заданным шагом оценивают состояние посевов и почвенной среды, полученные оценки на отдельных фрагментах поля сравнивают с их оптимальными средними значениями, полученными при формировании оптимальной программы изменения средних по полю показателей развития растений и параметров почвенной среды, по результатам сравнения формируют поправки к средним оптимальным значениям параметров технологических воздействий и для каждого фрагмента поля определяют размер общего технологического воздействия, складывающегося из оптимального среднего и локальной поправки в заданной пространственной координате.The inventive method differs from the prototype in that information on the physical properties, chemical composition of soil and plants is obtained by periodic sampling at test sites located next to the main field, on which the same crop is cultivated as on the main field, and which differ from each other by different fixed levels of irrigation and doses of mineral fertilizers and plant growth and development regulators, simultaneously with sampling at test sites by means of aviation remote sensing tests generate multispectral images of the test sites and the main field, using the obtained spectral information and selected samples, we refine the mathematical model of optical measurements, which reflects the relationship between the state of crops and the soil environment on test sites with reflection parameters in all used spectra, from spectral information obtained over the entire area of the main fields, using the mathematical model of optical measurements, assess the condition of crops and soil in the main field for each moment the measurement time, according to the estimates and signals from the weather station about the ambient temperature, the level of solar radiation and the intensity of precipitation, specify the parameters of mathematical models of the state of crops and soil environment, which then specify the optimal program for changing the average field development indicators of plants and soil parameters, in real time during the working passes of technological machines simultaneously with the measurement of spatial coordinates, they re-form the multispectral picture all th area of the main field, according to which the state of crops and soil environment is estimated with a given step, the estimates obtained on individual fragments of the field are compared with their optimal average values obtained during the formation of the optimal program for changing the average field development indicators of plants and soil parameters, according to the comparison results form amendments to the average optimal values of the parameters of technological impacts and for each fragment of the field determine the size of the total technological impact, with stacked from the optimal average and local corrections in a given spatial coordinate.
Повышение величины и надежности получения урожая при одновременном снижении объемов ручного труда, затрачиваемого на измерения, достигается за счет предварительной идентификации математической модели оптического измерения состояния посевов и почвенной среды на тестовых площадках и использования этой модели для оценивания состояния посевов и идентификации математических моделей состояния посевов и почвенной среды на основном поле, на основе которых формируется оптимальная программа технологических воздействий на основном поле, которая корректируется в реальном времени для всех пространственных координат.The increase in the value and reliability of the crop while reducing the amount of manual labor spent on the measurements is achieved by preliminary identification of the mathematical model of optical measurement of the state of crops and soil environment on test sites and the use of this model to assess the condition of crops and identification of mathematical models of the state of crops and soil environment on the main field, on the basis of which the optimal program of technological impacts on the main field is formed, to Thoraya adjusted in real time for all the spatial coordinates.
На фиг. 1 представлена общая технологическая схема реализации заявляемого способа, а на фиг. 2 - блок-схема последовательности операций, необходимых для реализации способа.In FIG. 1 presents a general flow chart of the implementation of the proposed method, and in FIG. 2 is a flowchart of the steps necessary to implement the method.
Рядом с основным полем 1 (фиг. 1) с посевом сельскохозяйственной культуры размещены тестовые площадки 2 с такой же сельскохозяйственной культурой. Площадь каждой тестовой площадки составляет 20-30 м2, а их число 6-10 единиц. На основном поле 1 и на тестовых площадках 2 применяют одну и ту же технологию, включающую одинаковый набор технологических воздействий. При этом независимо от состояния посевов на каждой тестовой площадке реализуют свой набор фиксированных по величине технологических воздействий, таких как поливы, внесение минеральных удобрений и регуляторов роста и развития. Для получения спектральной оптической информации о состоянии посевов и почвенной среды используют беспилотный малый летательный аппарат 3, совершающий пролеты над основным полем 1 и тестовыми площадками 2 с заданной периодичностью. Информацию о состоянии посевов и почвенной среды на тестовых площадках и спектральную информацию с основного поля и тестовых площадок хранят в базе данных 4, соединенной с управляющим устройством 5, к выходу которого подключен исполнительный регулятор технологической машины 6.Near the main field 1 (Fig. 1) with the sowing of agricultural crops,
Управляющее устройство 5 (фиг. 2) содержит блок идентификации математической модели оптических измерений 8, к которому подключен источник оптической спектральной информации, размещенный на беспилотном малом летательном аппарате 3, и блок ввода информации о состоянии посевов и почвенной среды 7, получаемой при отборе проб с тестовых площадок 2. Выход блока идентификации математической модели оптических измерений 8 соединен с блоком оперативного оценивания состояния посевов и почвенной среды основного поля 9, к которому подключен источник спектральной информации, размещенный на беспилотном малом летательном аппарате 3, и блок определения пространственных координат 10. Выход блока оперативного оценивания 9 соединен с блоком идентификации математических моделей состояния посевов и почвенной среды основного поля 11, к которому также подключена метеостанция 12, содержащая информацию о температуре воздуха, солнечной радиации и об интенсивности осадков. Выход блока идентификации 11 соединен с блоком формирования оптимальных программ технологических воздействий на основном поле 13. Такими технологическими воздействиями являются поливы и внесение минеральных удобрений, регуляторов роста и развития растений. Для коррекции управления в пространстве и времени управляющее устройство 5 содержит блок динамического оценивания состояния посевов и почвенной среды основного поля 14, к которому подключена метеостанция 12, источник оптической спектральной информации, размещенный на беспилотном малом летательном аппарате 3, и блок определения пространственных координат 10. Выход блока динамического оценивания 14 подключен к блоку формирования общего технологического управления 15, выход которого, в свою очередь, соединен с исполнительным регулятором технологической машины 6.The control device 5 (Fig. 2) contains an identification block for the mathematical model of
Способ автоматизированного управления состоянием посевов на примере многолетних трав осуществляется следующим образом. После сева культуры на основном поле 1 и тестовых площадках 2, весной, перед началом вегетации на основном поле 1 по всей площади вносят основную заправку минеральных удобрений, а на тестовых площадках 2 вносят разное количество минеральных удобрений из всего диапазона возможных значений доз, чем создают разные условия произрастания растений. Периодически не реже чем через 5 дней посредством малого летательного аппарата 3 получают спектральные оптические изображения тестовых площадок 2, которые связаны с состоянием почвенной среды и различны для отдельных площадок в силу различия уровня технологических воздействий. Одновременно на тестовых площадках 2 отбирают пробы почвы для определения реального состояния. По спектральной информации и отобранным пробам в блоке 8 осуществляют идентификацию математической модели оптического измерения состояния почвенной среды следующего вида:The method of automated control of the state of crops on the example of perennial grasses is as follows. After sowing the crops on the
где YG - вектор спектральных показателей почвенной среды, содержащий не менее 4-х различных спектральных областей; Хп - вектор состояния почвенной среды размерностью [4×1], компонентами которого являются: х1n - влажность корнеобитаемого слоя почвы, кг/кг; х2n - содержание доступного азота, г/кг; х3n - содержание доступного калия, г/кг; х4n - содержание доступного фосфора, г/кг; все состояния объединяются в вектор; Н - матрица параметров, оцениваемых по спектральным данным и анализам отбираемых проб методом наименьших квадратов; Еп - вектор случайных ошибок измерения оптических показателей с нулевым математическим ожиданием и матрицей ковариаций R.where Y G is the vector of spectral parameters of the soil medium containing at least 4 different spectral regions; X p - the state vector of the soil environment dimension [4 × 1], the components of which are: x 1n - the moisture content of the root layer of the soil, kg / kg; x 2n is the content of available nitrogen, g / kg; x 3n is the content of available potassium, g / kg; x 4n is the content of available phosphorus, g / kg; all states are combined into a vector; H - matrix of parameters estimated by spectral data and analyzes of the samples taken by the least squares method; E p is the vector of random errors in measuring optical indicators with zero mathematical expectation and the covariance matrix R.
Идентификацию модели оптических измерений состояния почвенной среды (1) производят до появления всходов, когда их проективная площадь составляет не более 25% от общей площади основного поля. С этого момента кроме отбора проб почвы отбирают и пробы растений, а кроме модели (1) в блоке 8 осуществляют идентификацию и модели оптического измерения состояния посевов следующего вида:The model of optical measurements of the state of the soil medium (1) is identified before emergence, when their projective area is not more than 25% of the total area of the main field. From this moment, in addition to soil sampling, plant samples are taken, and in addition to model (1), in
где Yx - вектор спектральных показателей посевов, содержащий не менее 3-х различных спектральных областей; p - вектор масштабных параметров, P - матрица параметров связи между состояниями посева и спектральными показателями; Хм - вектор состояния посевов размерностью [3×1], для многолетних трав имеющий следующие компоненты: х1м - общая масса на единице площади, кг/м2; х2м - сухая масса на единице площади, кг/м2; х3м - содержание азота в растениях, мг/кг; Ем - вектор случайных ошибок моделирования. Оценивание параметров модели (2) по отбираемым пробам растений и спектральным характеристикам осуществляют методом наименьших квадратов.where Y x is the vector of spectral indicators of crops, containing at least 3 different spectral regions; p is the vector of scale parameters, P is the matrix of communication parameters between the conditions of sowing and spectral indicators; X m - the state vector of crops with dimension [3 × 1], for perennial grasses having the following components: x 1m - total mass per unit area, kg / m 2 ; x 2m - dry weight per unit area, kg / m 2 ; x 3m - nitrogen content in plants, mg / kg; E m is the vector of random modeling errors. The parameters of model (2) are estimated from the selected plant samples and spectral characteristics by the least square method.
После получения 5-6 оценок параметров моделей (1), (2) для каждого очередной мультиспектральной картины основного поля в блоке 9 осуществляют текущую оценку состояния посевов и почвенной среды основного поля 1. Для этого одновременно используют модели оптических измерений (1), (2), текущие оптические спектральные измерения и пространственные координаты, формируемые блоком 10. При этом оценки состояния почвенной среды на основе модели (1) для текущих спектральных измерений оценки YG и пространственных координат (z, h) строят следующим образом:After receiving 5-6 estimates of the parameters of the models (1), (2) for each next multispectral picture of the main field in block 9, the current state of the crops and soil environment of the
где - оценка вектора состояния для малого участка поля с координатами (z, h), а все другие обозначения соответствуют обозначениям модели (1).Where is an estimate of the state vector for a small field section with coordinates (z, h), and all other notations correspond to the notation of model (1).
Оценки состояния посевов на основе модели (2), по измеренному вектору оптических показателей YX и пространственным координатам (z, h) определяют путем решения градиентным методом следующей оптимизационной задачи:Estimates of the state of crops based on model (2), by the measured vector of optical indicators Y X and spatial coordinates (z, h) are determined by solving the following optimization problem by the gradient method:
где
Текущие оценки состояния посевов
где
- динамическая матрица, параметры которой отражают инерционность процесса изменения состояния посевов;
- матрица возмущений, отражающая чувствительность вектора состояния посевов к климатическим факторам;
а также математической модели состояния почвенной средыas well as a mathematical model of the state of soil
где
Оценивание параметров математических моделей (5), (6) осуществляется путем решения следующей оптимизационной задачи:The estimation of the parameters of mathematical models (5), (6) is carried out by solving the following optimization problem:
где g1, g2 - весовые множители критерия адаптации (7), посредством которых устанавливают соотношение ошибок адаптации состояния посевов и состояния почвенной среды;
Оценки параметров математических моделей (5), (6)
где с - цена единицы массы урожая, руб.,
При заданной прибыли П*, в блоке 11 минимизируют следующий критерий оптимальности управления, обеспечивающий достижение заданной прибыли с единицы площади поля, что равносильно минимизации отклонения от заданной прибылиFor a given profit P * , in
где ΩU - область допустимых с экологической точки зрения управлений.where Ω U is the area of ecologically acceptable controls.
Минимизацию критерия (9) осуществляют по следующей градиентной последовательности операцийThe minimization of the criterion (9) is carried out according to the following gradient sequence of operations
где Δi - шаг оптимизации.where Δ i is the optimization step.
Результатом выполнения последовательности операций (10) является последовательность технологических воздействий U*(t), выполняемых в известные моменты времени, величина которых одинакова по всей площади основного поля.The result of the sequence of operations (10) is a sequence of technological actions U * (t) performed at known time instants, the value of which is the same over the entire area of the main field.
В реальном времени, при выполнении технологических операций, по информации о текущих оптических спектральных параметрах YG, YХ, получаемой при пролетах малого летательного аппарата 3, текущей информации о метеорологических параметрах F, формируемой метеостанцией 12, и пространственным координатам (z, h), формируемым блоком 10, в блоке динамического оценивания 14 осуществляют оценивание текущего состояния посевов, информация о котором
где W*(t,h,z) - общее технологическое управление, реализуемое в пространственной координате (z, h) и в момент времени t, K - матрица параметров корректирующего регулятора.where W * (t, h, z) is the general technological control implemented in the spatial coordinate (z, h) and at time t, K is the matrix of parameters of the correcting controller.
Общее управление W*(t,h,z) в виде задающего сигнала передают на бортовой регулятор технологической машины 6, которая перемещается по основному полю 1 и выполняет технологические операции, которыми могут быть поливы, подкормки минеральными удобрениями или внесение регуляторов роста и развития.The general control W * (t, h, z) in the form of a reference signal is transferred to the onboard controller of the
Наличие тестовых площадок с разными фиксированными уровнями технологических воздействий, за счет чего создаются разные условия произрастания посевов, периодический отбор проб почвы и растений с этих площадок в сочетании с оптической спектральной информацией, получаемой со средств малой беспилотной авиации, позволяет оценить с достаточной точностью параметры математических моделей оптических измерений состояния посевов и почвенной среды. В свою очередь использование этих моделей в сочетании с оптической спектральной информацией по основному полю позволяет оценить с достаточной для управления точностью состояние посевов и почвенной среды на основном поле без отбора проб почвы и растений и на основании этих оценок идентифицировать и адаптировать в реальном времени математические модели состояния посевов и почвенной среды. Это позволяет оптимизировать программу технологического управления и корректировать ее по площади поля с учетом пространственной неоднородности состояния посевов и почвенной среды. В целом это позволяет увеличить урожайность культур не менее чем на 50% и надежность (вероятность) его получения до уровня 0,8-0,85 и за счет этого получить экономический эффект не менее 10-15 тыс. руб. для зерновых культур с одного гектара сельскохозяйственных земель.The presence of test sites with different fixed levels of technological impact, which creates different conditions for growing crops, periodic sampling of soil and plants from these sites in combination with optical spectral information obtained from small unmanned aerial vehicles, makes it possible to estimate the parameters of mathematical models with sufficient accuracy optical measurements of the state of crops and soil environment. In turn, the use of these models in combination with optical spectral information on the main field makes it possible to estimate the state of crops and soil medium in the main field with sufficient accuracy to control accuracy without soil and plant sampling and, based on these estimates, identify and adapt mathematical models of the state in real time crops and soil environment. This allows you to optimize the technological management program and adjust it according to the field area, taking into account the spatial heterogeneity of the state of crops and soil environment. In general, this makes it possible to increase crop yields by at least 50% and the reliability (probability) of its production to the level of 0.8-0.85 and, due to this, to obtain an economic effect of at least 10-15 thousand rubles. for crops from one hectare of agricultural land.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2013119900/13A RU2537912C2 (en) | 2013-04-29 | 2013-04-29 | Method of automatic control of crop condition |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2013119900/13A RU2537912C2 (en) | 2013-04-29 | 2013-04-29 | Method of automatic control of crop condition |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2013119900A RU2013119900A (en) | 2014-11-10 |
RU2537912C2 true RU2537912C2 (en) | 2015-01-10 |
Family
ID=53288357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2013119900/13A RU2537912C2 (en) | 2013-04-29 | 2013-04-29 | Method of automatic control of crop condition |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2537912C2 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2643258C2 (en) * | 2016-05-31 | 2018-01-31 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Method and device of simultaneous differentiated application of loose agrochemicals and sowing |
RU2650534C2 (en) * | 2016-08-15 | 2018-04-16 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Method of differentiated management of crops irrigation and device for its implementation |
EP3383160A4 (en) * | 2015-12-02 | 2019-04-10 | The Climate Corporation | Forecasting field level crop yield during a growing season |
RU2772889C1 (en) * | 2021-06-08 | 2022-05-26 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Method for simultaneous differentiated application of liquid mineral fertilizers and herbicides and a device for its implementation |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295208A (en) * | 2021-05-19 | 2021-08-24 | 天津现代职业技术学院 | Intelligent agricultural planting data monitoring method |
CN115443826B (en) * | 2022-09-05 | 2023-11-07 | 江苏里下河地区农业科学研究所 | Fine light regulation and control method and system for healthy seedling cultivation |
CN115328242B (en) * | 2022-10-11 | 2022-12-27 | 山东华邦农牧机械股份有限公司 | Culture environment intelligent regulation system based on remote control |
CN117250161B (en) * | 2023-11-17 | 2024-02-13 | 黑龙江省农业科学院黑河分院 | Real-time monitoring system of soybean salt and alkali tolerance identification pond |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2242716C2 (en) * | 2003-01-31 | 2004-12-20 | Московский государственный университет леса | Method for identifying of plant kinds |
RU2264703C2 (en) * | 2003-10-27 | 2005-11-27 | Государственное научное учреждение Агрофизический научно-исследовательский институт Россельхозакадемии | Method of automatically controlled yield formation |
-
2013
- 2013-04-29 RU RU2013119900/13A patent/RU2537912C2/en active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2242716C2 (en) * | 2003-01-31 | 2004-12-20 | Московский государственный университет леса | Method for identifying of plant kinds |
RU2264703C2 (en) * | 2003-10-27 | 2005-11-27 | Государственное научное учреждение Агрофизический научно-исследовательский институт Россельхозакадемии | Method of automatically controlled yield formation |
Non-Patent Citations (1)
Title |
---|
КОСТЮК В.И. Оперативное управление поливами на орошаемых землях //Технология, механизация и автоматизация орошения, 1987, с. 20-28. FROHLICH H.; WALTER E. Aufgaben und Tendenzen bei der Anzucht von Jungpglanzen fur die Produktion von Feldgemuse //Gartnerpost, 1988, Т. 40, N 3, S. 3; . СЕМЕНОВ М.И. и др. Организация машинной обработки данных дистанционного зондированиия для управления сельскохозяйственным производством //Тр. - Кубанский СХИ, 1984, Т. 242, N 270, с. 24-32 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3383160A4 (en) * | 2015-12-02 | 2019-04-10 | The Climate Corporation | Forecasting field level crop yield during a growing season |
US11062223B2 (en) | 2015-12-02 | 2021-07-13 | The Climate Corporation | Forecasting field level crop yield during a growing season |
RU2643258C2 (en) * | 2016-05-31 | 2018-01-31 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Method and device of simultaneous differentiated application of loose agrochemicals and sowing |
RU2650534C2 (en) * | 2016-08-15 | 2018-04-16 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Method of differentiated management of crops irrigation and device for its implementation |
RU2772889C1 (en) * | 2021-06-08 | 2022-05-26 | Федеральное государственное бюджетное научное учреждение "Агрофизический научно-исследовательский институт" (ФГБНУ АФИ) | Method for simultaneous differentiated application of liquid mineral fertilizers and herbicides and a device for its implementation |
Also Published As
Publication number | Publication date |
---|---|
RU2013119900A (en) | 2014-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2537912C2 (en) | Method of automatic control of crop condition | |
Zheng et al. | Detection of rice phenology through time series analysis of ground-based spectral index data | |
Boiarskii et al. | Comparison of NDVI and NDRE indices to detect differences in vegetation and chlorophyll content | |
CN111241912A (en) | Multi-vegetation index rice yield estimation method based on machine learning algorithm | |
CN110927082A (en) | Winter wheat yield prediction method based on unmanned aerial vehicle imaging hyperspectral remote sensing | |
CN105372672B (en) | Southern winter kind crops planting area extracting method based on time series data | |
US10426106B2 (en) | Methods and systems for assessing a field of plants for irrigation | |
CN102194127A (en) | Multi-frequency synthetic aperture radar (SAR) data crop sensing classification method | |
Li et al. | A comparative review of the state and advancement of Site-Specific Crop Management in the UK and China | |
CN107941713A (en) | A kind of rice yield estimation method based on coupling crop modeling assimilation spectral reflectivity | |
CN114863289B (en) | Dynamic remote sensing monitoring method and system based on land utilization | |
CN114694047A (en) | Corn sowing quality evaluation method and device | |
Sadenova et al. | Mathematical modelling in crop production to predict crop yields | |
CN104236486A (en) | Rapid lossless measuring method for cotton leaf area index | |
CN107491724B (en) | A kind of Spike Differentiation in Winter Wheat phase recognition methods and device | |
Irmulatov et al. | Prospects for precision management of wheat productivity in the conditions of Northern Kazakhstan | |
Bourdin et al. | A tool based on remotely sensed LAI, yield maps and a crop model to recommend variable rate nitrogen fertilization for wheat | |
Khodjaev et al. | Combining multiple UAV-Based indicators for wheat yield estimation, a case study from Germany | |
Gulyaev et al. | On the development of a system for digital remote monitoring of agricultural land | |
Kaivosoja | Role of spatial data uncertainty in executions of precision farming operations | |
Mikhailenko et al. | Remote Sensing of the Earth in Precision Agriculture. Tasks and Methods | |
EP4162783A1 (en) | Method and system for providing a site specific fertilizer recommendation | |
CN116297243B (en) | Method and device for estimating dressing amount of flue-cured tobacco nitrogenous fertilizer, electronic equipment and storage medium | |
BG112955A (en) | Integrated system for remote monitoring of the condition of agricultural crops | |
RU2264703C2 (en) | Method of automatically controlled yield formation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PD4A | Correction of name of patent owner |