TWI821719B - 預測水稻用水需求的系統及方法 - Google Patents
預測水稻用水需求的系統及方法 Download PDFInfo
- Publication number
- TWI821719B TWI821719B TW110128803A TW110128803A TWI821719B TW I821719 B TWI821719 B TW I821719B TW 110128803 A TW110128803 A TW 110128803A TW 110128803 A TW110128803 A TW 110128803A TW I821719 B TWI821719 B TW I821719B
- Authority
- TW
- Taiwan
- Prior art keywords
- rice
- water demand
- plant
- data
- ambient temperature
- Prior art date
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 177
- 235000009566 rice Nutrition 0.000 title claims abstract description 177
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 27
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 179
- 241000196324 Embryophyta Species 0.000 claims abstract description 98
- 229930002875 chlorophyll Natural products 0.000 claims description 27
- 235000019804 chlorophyll Nutrition 0.000 claims description 27
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 7
- 230000037039 plant physiology Effects 0.000 claims 1
- 238000003973 irrigation Methods 0.000 description 9
- 230000002262 irrigation Effects 0.000 description 9
- 239000003621 irrigation water Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036413 temperature sense Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Abstract
本發明提供一種預測水稻用水需求的系統及方法,該系統包括:一環境溫度感測器,用於感測一目標稻作區的環境溫度;多個植物生理感測器,用於感測一目標水稻的多個植物生理特徵;一資料庫,用於儲存該環境溫度的數據及該多個植物生理特徵的數據;一水稻用水需求預測單元,透過一水稻用水需求預測模型來根據該環境溫度的數據及該多個植物生理特徵的數據來運算出該目標水稻的一用水需求預測值;及一顯示單元,根據該用水需求預測值顯示出該目標水稻的一用水需求狀態。因此,本發明將有助於達成節約稻作用水的目標。
Description
本發明係關於一種用於農作物的預測用水需求的系統及方法,特別係關於一種用於水稻的預測用水需求的系統及方法。
近年來,全球環境變遷造成氣候極端化,台灣自2020 年以來連續兩年因降雨量不足,許多區域實施「稻作的限水休耕方案」,造成稻米產量減低,遭受衝擊的包括農民、秧苗業者、代耕業者以及承租土地實質耕作的農民,還有糧商醞釀漲價等無法估計的損失。為了面對氣候變遷造成的缺水災害,實現節約稻作用水成為首要目標,因此需要開發一種協助農民評估灌溉用水需求的系統,以便在維持稻作安全栽培的同時,也能使稻作用水達最高效能之利用。
目前已開發的預測灌溉用水的系統主要是以氣候環境、土壤的溫溼度及作物的顏色來評估水稻的需水訊息,然而,土壤的濕潤程度不一定代表作物組織內的含水量,且水稻顏色的改變通常是其生長已經受到影響才顯現出的特徵。因此,若要即時得知水稻組織內的含水量狀況,有必要開發一種以稻作初期生理反應直接預測水稻水分需求程度的智慧型系統,從而即時評估稻作的灌溉需求,如此可對水稻維持適時適量的供水,達到節約稻作用水的目標,也降低因水分過剩或水分不足所造成的農損。
本發明之主要目的在於提供一種預測水稻用水需求的系統,由文獻已知,植物缺水時會產生一連串的生理反應以自我保護,例如氣孔關閉、葉溫升高及葉綠素含量降低等性狀,因此本發明結合氣候資料、水稻的葉溫、株高及葉綠素含量而即時預測水稻組織內的水分需求程度,如此有助於使用者(例如農民及農企業者)調整灌溉時程及灌溉用水量,進而使稻作用水達到最高效能之利用。
為達上述之目的,本發明提供一種預測水稻用水需求的系統,該系統包括:一環境溫度感測器,用於感測一目標稻作區的環境溫度;多個植物生理感測器,用於感測一目標水稻的多個植物生理特徵;一資料庫,用於儲存該環境溫度的數據及該多個植物生理特徵的數據;一水稻用水需求預測單元,透過一水稻用水需求預測模型來根據該環境溫度的數據及該多個植物生理特徵的數據來運算出該目標水稻的一用水需求預測值;及一顯示單元,根據該用水需求預測值顯示出該目標水稻的一用水需求狀態。
在本發明的一實施例中,該多個植物生理感測器包括一葉溫感測器、一株高量測器及一葉綠素計。
在本發明的一實施例中,該多個植物生理特徵包括葉溫、株高及葉綠素含量。
在本發明的一實施例中,該用水需求狀態包括一正常狀態、一少水狀態及一乾旱狀態。
為達上述目的,本發明還提供一種預測水稻用水需求的方法,該方法包括以下步驟:S10、透過一環境溫度感測器感測一目標稻作區的環境溫度;S20、透過多個植物生理感測器感測至少一水稻樣本的多個植物生理特徵;S30、將該環境溫度的數據及該至少一水稻樣本的該多個植物生理特徵的數據儲存在一資料庫中;S40、在一水稻用水需求預測單元利用特徵選擇法對該環境溫度的數據及該至少一水稻樣本的該多個植物生理特徵的數據進行機器學習,以建立一水稻用水需求預測模型;S50、透過該環境溫度感測器感測該目標稻作區在一特定時間點的環境溫度;S60、透過該多個植物生理感測器感測一待預測水稻在該特定時間點的該多個植物生理特徵;S70、將步驟S50測得之該環境溫度的數據及步驟S60測得之該待預測水稻的該多個植物生理特徵的數據輸入該水稻用水需求預測模型中,以運算出該待預測水稻在該特定時間點的一用水需求預測值;及S80、根據該用水需求預測值在一顯示單元上顯示出該待預測水稻的一用水需求狀態。
在本發明的一實施例中,該多個植物生理感測器包括一葉溫感測器、一株高量測器及一葉綠素計。
在本發明的一實施例中,該多個植物生理特徵包括葉溫、株高及葉綠素含量。
在本發明的一實施例中,步驟S40進一步包括以下步驟:S41、對該環境溫度及該多個植物生理特徵進行運算,以產出多個用水需求加權特徵;及S42、該水稻用水需求預測單元利用該特徵選擇法對該多個用水需求加權特徵的數據進行機器學習,以建立該水稻用水需求預測模型。
在本發明的一實施例中,該多個用水需求加權特徵包括:葉溫減掉環境溫度;葉溫乘上株高;葉溫乘上葉綠素含量; 葉綠素含量乘上株高;葉溫減掉環境溫度後,再乘上葉綠素含量;及葉溫減掉環境溫度,再乘上株高。
在本發明的一實施例中,該用水需求狀態包括一正常狀態、一少水狀態及一乾旱狀態。
在本發明的一實施例中,該用水需求預測值與該用水需求狀態的關係為:若該需求預測值為0,則判定為該正常狀態;若該需求預測值為1,則判定為該少水狀態;及若該需求預測值為2,則判定為該乾旱狀態。
在詳細說明本發明的至少一實施例之前,應當理解的是本發明並非必要受限於其應用在以下描述中的多個示例所舉例說明的多個細節,且多個附圖及所附的描述僅用於使本發明的該多個示例更容易及更清楚被理解。本發明能夠爲其他的實施例或者以各種方式被實施或實現。
本文中所揭露的大小和數值不應意圖被理解為嚴格限於所述精確數值,除非另外指明,各種大小旨在表示所引用的數值以及功能上與所述數值相同的範圍。
在本文中所用的術語「大約」是指當被本領域的普通技術人員測定時,一特定值的一可接受的誤差範圍,其部分取決於該數值如何被量測或測定。
請參照圖1所示,本發明提供一種預測水稻用水需求的系統10,所述系統包括一環境溫度感測器100,用於感測一目標稻作區的環境溫度1002;多個植物生理感測器200,用於感測一目標水稻的多個植物生理特徵2002;一資料庫300,用於儲存該環境溫度1002的數據及該多個植物生理特徵2002的數據;一水稻用水需求預測單元400,透過一水稻用水需求預測模型402來根據該環境溫度1002的數據及該多個植物生理特徵2002的數據來運算出該目標水稻的一用水需求預測值4022;及一顯示單元500,根據該用水需求預測值4022顯示出該目標水稻的一用水需求狀態4024。
在本發明的一實施例中,該多個植物生理感測器200包括一葉溫感測器202、一株高量測器204及一葉綠素計206。
在本發明的一實施例中,該葉溫感測器202可為熱影像儀、遠紅外線測溫儀等測溫儀器。
在本發明的一實施例中,該多個植物生理特徵2002包括葉溫2022、株高2042及葉綠素含量2062。
在本發明的一實施例中,該資料庫300透過通訊網路接收該環境溫度1002的數據及該多個植物生理特徵2002的數據,或者透過手動輸入將該環境溫度1002的數據及該多個植物生理特徵2002的數據儲存在該資料庫300中。
在本發明的一實施例中,該目標水稻的該用水需求狀態4024包括一正常狀態、一少水狀態及一乾旱狀態。
請參照圖2所示,本發明提供使用上述預測水稻用水需求的系統10的一種預測水稻用水需求的方法,所述方法包括以下步驟:S10、透過一環境溫度感測器100感測一目標稻作區的環境溫度1002;S20、透過多個植物生理感測器200感測至少一水稻樣本的多個植物生理特徵2002;S30、將該環境溫度1002的數據及該至少一水稻樣本的該多個植物生理特徵2002的數據儲存在一資料庫300中;S40、在一水稻用水需求預測單元400利用特徵選擇法對該環境溫度1002的數據及該至少一水稻樣本的該多個植物生理特徵2002的數據進行機器學習,以建立一水稻用水需求預測模型402;S50、透過該環境溫度感測器100感測該目標稻作區在一特定時間點的環境溫度1002;S60、透過該多個植物生理感測器200感測一待預測水稻在該特定時間點的該多個植物生理特徵2002;S70、將步驟S50測得之該環境溫度1002的數據及步驟S60測得之該待預測水稻的該多個植物生理特徵2002的數據輸入該水稻用水需求預測模型402中,以運算出該待預測水稻在該特定時間點的一用水需求預測值4022;及S80、根據該用水需求預測值4022在一顯示單元500上顯示出該待預測水稻的一用水需求狀態4024。
本發明提供之預測水稻用水需求的方法首先係:S10、透過一環境溫度感測器100感測一目標稻作區的環境溫度1002。在此步驟中,該環境溫度感測器100可在一段時間內持續感測該目標稻作區的環境溫度1002,其中該環境溫度感測器100的感測頻率可根據需求進行調整,例如,每日兩次、每日一次、每兩天一次、每週三次,或者該環境溫度感測器100可在一使用者有需求時再啟動感測該目標稻作區的環境溫度1002。
本發明提供之預測水稻用水需求的方法接著係:S20、透過多個植物生理感測器200感測至少一水稻樣本的多個植物生理特徵2002。在此步驟中,首先在三種栽培條件下分別種植24株水稻樣本,該三種栽培條件為正常環境條件、少水環境條件及乾旱環境條件,其中該正常環境條件係按照稻作慣行農法來種植水稻,該少水環境條件係指在種植水稻的整個過程中,灌溉用水量大約為該正常條件的90%,該乾旱環境條件係指在種植水稻的整個過程中,灌溉用水量大約為該正常條件的80%。接著,在多個採樣時間點利用該多個植物生理感測器200感測不同栽培條件的所有水稻樣本的該多個植物生理特徵2002,其中該多個植物生理特徵2002包括葉溫2022、株高2042及葉綠素含量2062。在一優選的實施例中,以一期稻作約120天為例,該多個採樣時間點係在以下四個採樣時間段內分別選擇至少一天:插秧後28至35天期間、插秧後39至42天期間、插秧後45至48天期間,及插秧後50至108天期間。應注意的是,該多個採樣時間點不限於上述四個採樣時間段,可根據水稻實際的生長時程及灌溉時程進行調整。
本發明提供之預測水稻用水需求的方法接著係:S30、將該環境溫度1002的數據及該至少一水稻樣本的該多個植物生理特徵2002的數據儲存在一資料庫300中。在此步驟中,如上所述,該環境溫度1002的數據及該多個植物生理特徵2002的數據可透過通訊網路或手動輸入來儲存在該資料庫300中。
本發明提供之預測水稻用水需求的方法接著係:S40、在一水稻用水需求預測單元400利用特徵選擇法對該環境溫度1002的數據及該至少一水稻樣本的該多個植物生理特徵2002的數據進行機器學習,以建立一水稻用水需求預測模型402。在一實施例中,步驟S40進一步包括以下步驟:S41、利用一加權運算模組404對在該多個特定時間點收集到的該環境溫度1002的數據及該至少一稻米樣本的該多個植物生理特徵2002的數據進行運算,以產出多個用水需求加權特徵4042;及S42、該水稻用水需求預測單元400利用該特徵選擇法對該多個用水需求加權特徵4042的數據進行機器學習,以建立該水稻用水需求預測模型402,其中該多個用水需求加權特徵4042包括:葉溫2022減掉環境溫度1002;葉溫2022乘上株高2042;葉溫2022乘上葉綠素含量2062;葉綠素含量2062乘上株高2042;葉溫2022減掉環境溫度1002後,再乘上葉綠素含量2062;及葉溫2022減掉環境溫度1002,再乘上株高2042。簡言之,本發明的該實施例係採用環境溫度1002、多個植物生理特徵2002及多個用水需求加權特徵4042共10個特徵來建立該水稻用水需求預測模型402。
在本發明的一實施例中,建立該水稻用水需求預測模型402所需的特徵除了包括該環境溫度1002、該多個植物生理特徵2002,及該多個用水需求加權特徵4042,也可根據需求增加其他與水稻生長相關的訓練特徵(例如,環境濕度及光照時間)來建立不同的水稻用水需求預測模型。
在本發明的一實施例中,該水稻用水需求預測模型402可根據輸入的環境溫度1002及水稻的多個植物生理特徵2002運算出一用水需求預測值4022,並透過分類演算法(例如,隨機樹、功能性LDA等演算法)將該用水需求預測值4022分類成三種用水需求狀態4042,分別為一正常狀態、一少水狀態及一乾旱狀態,其中該乾旱狀態代表水稻的供水量不足水稻生長之需 (水分供應量為正常澆灌之80%),此時需對該水稻進行灌溉以維持該水稻生長所需的水分。
在本發明的一實施例中,該用水需求預測值4022與該用水需求狀態4024的關係為:若該需求預測值為0,則判定為該正常狀態;若該需求預測值為1,則判定為該少水狀態;及若該需求預測值為2,則判定為該乾旱狀態。
在本發明的一實施例中,分別於水稻的第一期作及第二期作依照步驟S10至S42建立兩個水稻期作的水稻用水需求預測模型402。
在本發明的一實施例中,從每個期作的資料庫300中隨機挑選0.2至0.4%(優選為0.3%)的資料來測試該水稻用水需求預測模型402的判定準確度,該資料可包括不同栽培條件及不同採樣時間的該環境溫度1002及該多個植物生理特徵2002的數據,若該模型輸出的用水需求狀態4024與栽培條件一致,則為判定正確,其中該第一期作的水稻用水需求預測模型402之準確度達85.6%,而該第二期作的水稻用水需求預測模型402之準確度達84.1%。
本發明提供之預測水稻用水需求的方法接著係:S50、透過該環境溫度感測器100感測該目標稻作區在一特定時間點的環境溫度1002;及S60、透過該多個植物生理感測器200感測一待預測水稻在該特定時間點的該多個植物生理特徵2002。在此兩個步驟中,可從步驟S20所述之四個採樣時間段內選擇該特定時間點,或者可根據需求選擇該特定時間,例如,當一使用者觀察到該目標稻作區的土壤含水量不足的時候。
本發明提供之預測水稻用水需求的方法接著係:S70、將步驟S50測得之該環境溫度1002的數據及步驟S60測得之該待預測水稻的該多個植物生理特徵2002的數據輸入該水稻用水需求預測模型402中,以運算出該待預測水稻在該特定時間點的一用水需求預測值4022。在此步驟中,使用者可透過一顯示單元500的一使用者介面將測得之該環境溫度1002及該多個植物生理特徵2002的數據輸入該水稻用水需求預測模型402中,該水稻用水需求預測模型402將運算出該待預測水稻的該用水需求預測值4022。
本發明提供之預測水稻用水需求的方法最後係:S80、根據該用水需求預測值4022在一顯示單元500上顯示出該待預測水稻的一用水需求狀態4024。在此步驟中,該水稻用水需求預測模型402對該用水需求預測值4022進行分類,並透過該顯示單元500顯示出該待預測水稻所屬之該用水需求狀態4024,以供使用者評估灌溉需求。
下表1為該預測水稻用水需求系統的實際應用示例,其中該待測水稻2號為少水狀態,這代表使用者近期需要密切注意該待測水稻的灌溉水量需求,以避免該待測水稻2號的狀態轉變成乾旱狀態;而該待測水稻3號為乾旱狀態,這代表使用者需要盡快進行灌溉,以避免該待測水稻因水分供應量不足而影響生長。
[表1] 本發明的預測水稻用水需求系統的實際應用示例
待測水稻 編號 | 環境溫度(℃) | 葉溫(℃) | 株高(公分) | 葉綠素 含量 | 系統評估的 用水需求狀態 |
1 | 32.7 | 29.0 | 88 | 46.5 | 正常狀態 |
2 | 32.7 | 29.4 | 82 | 45.7 | 少水狀態 |
3 | 32.7 | 30.5 | 74 | 43.1 | 乾旱狀態 |
綜上所述,本發明提供的預測水稻用水需求系統及方法可協助使用者即時評估目標稻作區的灌溉需求,舉例而言,該使用者(例如農民及農企業者)可在目標稻作區中隨機量測多株水稻來透過該預測水稻用水需求系統預測該目標稻作區的用水需求,若顯示為正常狀態,則不一定需要依照慣行農法的時程進行灌溉,如此不僅能避免高濕度所引起之病害,也可以節約稻作的用水;若顯示為少水狀態,則使用者可考慮調整灌溉時程,或配合微氣象站之降雨預測系統,以避免水稻含水量不足而轉變為乾旱狀態或進行多餘的灌溉;若顯示為乾旱狀態,則使用者應盡快進行灌溉,以避免水稻的生長受到影響而導致收成量的下降。此外,在發生降雨量不足的缺水災害時,本發明的預測水稻用水需求系統及方法可實現稻作用水的有效利用,透過精確管理灌溉用水有助於降低農田休耕的面積,從而避免稻米的收成量受到影響,也緩解秧苗業者、代耕業者等相關人員受到的經濟衝擊。
雖然本發明已以多個較佳實施例揭露,然其並非用以限制本發明,僅用以使具有通常知識者能夠清楚瞭解本說明書的實施內容。本領域中任何熟習此項技藝之人士,在不脫離本發明之精神和範圍內,當可作各種更動、替代與修飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10:預測水稻用水需求的系統
100:環境溫度感測器
200:植物生理感測器
202:葉溫感測器
204:株高量測器
206:葉綠素計
300:資料庫
400:水稻用水需求預測單元
402:水稻用水需求預測模型
404:加權運算模組
500:顯示單元
1002:環境溫度
2002:植物生理特徵
2022:葉溫
2042:株高
2062:葉綠素含量
4022:用水需求預測值
4024:用水需求狀態
4042:用水需求加權特徵
S10-S80:步驟
[圖1] 為根據本發明的一實施例的一種預測水稻用水需求的系統的示意圖。
[圖2] 為根據本發明的一實施例的一種預測水稻用水需求的方法的流程方塊圖。
10:預測水稻用水需求的系統
100:環境溫度感測器
200:植物生理感測器
202:葉溫感測器
204:株高量測器
206:葉綠素計
300:資料庫
400:水稻用水需求預測單元
402:水稻用水需求預測模型
404:加權運算模組
500:顯示單元
1002:環境溫度
2002:植物生理特徵
2022:葉溫
2042:株高
2062:葉綠素含量
4022:用水需求預測值
4024:用水需求狀態
4042:用水需求加權特徵
Claims (7)
- 一種預測水稻用水需求的系統,包含:一環境溫度感測器,用於感測一目標稻作區的環境溫度;多個植物生理感測器,用於感測一目標水稻的多個植物生理特徵,其中該多個植物生理感測器包括一葉溫感測器、一株高量測器及一葉綠素計,其中該多個植物生理特徵包括葉溫、株高及葉綠素含量;一資料庫,用於儲存該環境溫度的數據及該多個植物生理特徵的數據;一水稻用水需求預測單元,透過一水稻用水需求預測模型來根據該環境溫度的數據及該多個植物生理特徵的數據來運算出該目標水稻的一用水需求預測值;及一顯示單元,根據該用水需求預測值顯示出該目標水稻的一用水需求狀態。
- 如請求項1所述之預測水稻用水需求的系統,其中該用水需求狀態包括一正常狀態、一少水狀態及一乾旱狀態。
- 一種預測水稻用水需求的方法,其中包含以下步驟:(S10)透過一環境溫度感測器感測一目標稻作區的環境溫度;(S20)透過多個植物生理感測器感測至少一水稻樣本的多個植物生理特徵,其中該多個植物生理感測器包括一葉溫感測器、一株高量測器及一葉綠素計,其中該多個植物生理特徵包括葉溫、株高及葉綠素含量;(S30)將該環境溫度的數據及該至少一水稻樣本的該多個植物生理特徵的數據儲存在一資料庫中; (S40)在一水稻用水需求預測單元利用特徵選擇法對該環境溫度的數據及該至少一水稻樣本的該多個植物生理特徵的數據進行機器學習,以建立一水稻用水需求預測模型;(S50)透過該環境溫度感測器感測該目標稻作區在一特定時間點的環境溫度;(S60)透過該多個植物生理感測器感測一待預測水稻在該特定時間點的該多個植物生理特徵;(S70)將步驟(S50)測得之該環境溫度的數據及步驟(S60)測得之該待預測水稻的該多個植物生理特徵的數據輸入該水稻用水需求預測模型中,以運算出該待預測水稻在該特定時間點的一用水需求預測值;及(S80)根據該用水需求預測值在一顯示單元上顯示出該待預測水稻的一用水需求狀態。
- 如請求項3所述之預測水稻用水需求的方法,其中步驟(S40)進一步包括以下步驟:(S41)對該環境溫度及該多個植物生理特徵進行運算,以產出多個用水需求加權特徵;及(S42)該水稻用水需求預測單元利用該特徵選擇法對該多個用水需求加權特徵的數據進行機器學習,以建立該水稻用水需求預測模型。
- 如請求項4所述之預測水稻用水需求的方法,其中該多個用水需求加權特徵包括:葉溫減掉環境溫度;葉溫乘上株高;葉溫乘上葉綠素含量;葉綠素含量乘上株高;葉溫減掉環境溫度後,再乘上葉綠素含量;及葉溫減掉環境溫度,再乘上株高。
- 如請求項3所述之預測水稻用水需求的方法,其中該用水需求狀態包括一正常狀態、一少水狀態及一乾旱狀態。
- 如請求項6所述之預測水稻用水需求的方法,其中該用水需求預測值與該用水需求狀態的關係為:若該需求預測值為0,則判定為該正常狀態;若該需求預測值為1,則判定為該少水狀態;及若該需求預測值為2,則判定為該乾旱狀態。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128803A TWI821719B (zh) | 2021-08-04 | 2021-08-04 | 預測水稻用水需求的系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128803A TWI821719B (zh) | 2021-08-04 | 2021-08-04 | 預測水稻用水需求的系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202307748A TW202307748A (zh) | 2023-02-16 |
TWI821719B true TWI821719B (zh) | 2023-11-11 |
Family
ID=86661186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110128803A TWI821719B (zh) | 2021-08-04 | 2021-08-04 | 預測水稻用水需求的系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI821719B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280588A (zh) * | 2018-02-08 | 2018-07-13 | 广州地理研究所 | 一种基于机器学习的生态安全格局构建方法 |
CN104379749B (zh) * | 2011-12-11 | 2018-08-07 | 以色列国家农业部、农村发展农业研究组织·沃尔卡尼中心 | 调控气孔导度的方法及用于执行相同方法的植物表现构体 |
CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
-
2021
- 2021-08-04 TW TW110128803A patent/TWI821719B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104379749B (zh) * | 2011-12-11 | 2018-08-07 | 以色列国家农业部、农村发展农业研究组织·沃尔卡尼中心 | 调控气孔导度的方法及用于执行相同方法的植物表现构体 |
CN108280588A (zh) * | 2018-02-08 | 2018-07-13 | 广州地理研究所 | 一种基于机器学习的生态安全格局构建方法 |
CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202307748A (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Observed changes in winter wheat phenology in the North China Plain for 1981–2009 | |
Li et al. | Irrigation scheduling optimization for cotton based on the AquaCrop model | |
Miller et al. | Using growing degree days to predict plant stages | |
Bannayan et al. | A stochastic modelling approach for real-time forecasting of winter wheat yield | |
JPH11313594A (ja) | 農作業決定支援装置および方法、並びに記録媒体 | |
CN106777683A (zh) | 一种作物苗情监测系统和方法 | |
Mirsafi et al. | Assessment of AquaCrop model for simulating growth and yield of saffron (Crocus sativus L.) | |
Povilaitis et al. | Relationship between spring barley productivity and growing management in Lithuania’s lowland | |
Bu et al. | The effect of adapting cultivars on the water use efficiency of dryland maize (Zea mays L.) in northwestern China | |
CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
Amiri et al. | Calibration and evaluation of CERES rice model under different nitrogen-and water-management options in semi-mediterranean climate condition | |
Yang et al. | Estimation of irrigation requirements for drip-irrigated maize in a sub-humid climate | |
TWM610801U (zh) | 農作物生長週期與產量交互動態預測系統 | |
Zhang et al. | Evaluation of the chlorophyll meter and GreenSeeker for the assessment of rice nitrogen status | |
US20220132724A1 (en) | Advanced crop manager for crops stress mitigation | |
US20220183243A1 (en) | Method for managing crop irrigation, and system using same | |
Fawen et al. | Quantitative research on drought loss sensitivity of summer maize based on AquaCrop model | |
Wang et al. | Modelling rice yield with temperature optima of rice productivity derived from satellite NIRv in tropical monsoon area | |
Ezekiel et al. | Calibrating and validating AquaCrop model for maize crop in Northern zone of Nigeria | |
JP2021128756A (ja) | 先物取引情報表示プログラム | |
TWI821719B (zh) | 預測水稻用水需求的系統及方法 | |
Bo et al. | Diagnosing crop water status based on canopy temperature as a function of film mulching and deficit irrigation | |
Afsharmanesh et al. | Assessment of aquacrop model in the simulation of potato yield and water use efficiency under different water regimes | |
Berhane et al. | Applications of aqua crop model for improved field management strategies and climate change impact assessment: a review | |
Xie et al. | Asymmetric warming effects on N dynamics and productivity in rice (Oryza sativa L.) |