CN107609078A - 长势监测模型更新方法、传感器、服务器及*** - Google Patents
长势监测模型更新方法、传感器、服务器及*** Download PDFInfo
- Publication number
- CN107609078A CN107609078A CN201710786197.XA CN201710786197A CN107609078A CN 107609078 A CN107609078 A CN 107609078A CN 201710786197 A CN201710786197 A CN 201710786197A CN 107609078 A CN107609078 A CN 107609078A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- growing way
- spectroscopic data
- growing
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种长势监测模型更新方法、传感器、服务器及***,所述方法包括:采集作物的光谱数据;获取作物的长势参量数据;将光谱数据和长势参量数据发送至服务器,以供服务器根据光谱数据、作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将有效光谱数据和有效长势参量数据输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;接收服务器发送的映射关系。本发明实施例提供的长势监测模型更新方法、传感器、服务器及***可以实现多个传感器观测数据的共享以及传感器中模型的动态更新,提高了模型的普适性和精度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种长势监测模型更新方法、传感器、服务器及***。
背景技术
由于当前中国家庭农场快速发展,截至2012年底,全国30个省、区、市(不含西藏)共有符合本次统计调查条件的家庭农场87.7万个,经营耕地面积达到1.76亿亩,占全国承包耕地面积的13.4%。家庭农场带来的规模化种植管理模式,其中迫切需要对作物生长过程进行精细的监测和管理,减少化肥农药投入,提高产量品质。
作物长势是指作物的生长状况与趋势,作物的长势可以利用个体与群体特征相关的参数来描述。现有表征作物长势的参量主要包括:叶面积指数、叶绿素含量、氮素累积量、生物量及潜在产量等。现有的田间作物长势监测主要采取的思路是利用作物关键生育期测量的光谱数据,结合实际测量的作物长势参量进行统计回归建立经验模型。而现有的固定式或移动式作物测量传感器都是固化了这些估产相关的经验模型。由于作物存在品种差异、不同种植管理方法及不同种植区域,导致这种单一固化的模型很难具有普适性。用户又无法利用本地测量数据对模型参数进行调整,导致利用这些传感器进行作物长势监测时产生较大偏差,难以发挥作用。
随着物联网技术快速发展,针对作物监测的各类传感器层出不穷,包括田间固定式、车载移动式及基于智能手机的监测传感器等,这些传感器能够实现直接测量作物光谱进而估算作物长势参量,这些依靠单机测量进行作物长势监测方法具有简便、直接特点,克服了以往目视观测只能做定性判断的不足,初步实现了作物长势参量的定量化原位测量,为家庭农场依据估产进行肥水调优栽培管理提供了支撑。
现有的估测作物长势的光谱类传感器,传感器本身内嵌的长势监测模型是静止的,不能根据作物品种变化做出对应调整,导致在应用于不同作物品种或不同种植区域时估测误差较大,普适性低,限制了此类传感器的快速大范围推广应用。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种长势监测模型更新方法、传感器、服务器及***。
第一方面,本发明实施例提供一种长势监测模型更新方法,所述方法包括:
采集作物的光谱数据;
获取所述作物的长势参量数据;
将所述光谱数据和所述长势参量数据发送至服务器,以供所述服务器根据所述光谱数据、所述作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将所述有效光谱数据和所述有效长势参量数据输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;
接收所述服务器发送的所述映射关系。
第二方面,本发明实施例提供一种长势监测模型更新方法,所述方法包括:
接收长势监测传感器发送的作物的光谱数据和长势参量数据;
获取作物种植分布图;
根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;
将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
第三方面,本发明实施例提供一种长势监测传感器,所述传感器包括:
采集模块,用于采集作物的光谱数据;
第一获取模块,用于获取所述作物的长势参量数据;
发送模块,用于将所述光谱数据和所述长势参量数据发送至服务器,以供所述服务器根据所述光谱数据、所述作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;
第一接收模块,用于接收所述服务器发送的所述映射关系。
第四方面,本发明实施例提供一种服务器,所述服务器包括:
第二接收模块,用于接收长势监测传感器发送的作物光谱数据和长势参量数据;
第二获取模块,用于获取作物种植分布图;
有效数据提取模块,用于根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;
模型更新模块,用于将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
第五方面,本发明实施例提供一种长势监测模型更新***,所述***包括至少一个上述长势监测传感器和上述服务器。
第六方面,本发明实施例提供一种长势监测模型更新设备,所述设备包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述长势监测模型更新方法。
第七方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述长势监测模型更新方法。
本发明实施例提供的长势监测模型更新方法、传感器、服务器及***,充分利用当前移动互联、智能物联网等技术,将多个作物长势监测传感器在时空上连接起来,充分挖掘利用历史观测及测量数据,基于神经元网络学习训练得到当前最新时刻作物长势监测模型,这种模型动态更新机制既可以通过利用单个长势监测传感器的历史采集数据来实现,也可以通过利用固定时段内多个长势监测传感器共同采集的数据来实现,通过这种方法增加了建模样本的代表性,使更新后的模型更具普适性和更高精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的长势监测模型更新方法流程图;
图2为本发明另一实施例提供的长势监测模型更新方法流程图;
图3为本发明实施例提供的长势监测传感器的结构示意图;
图4为本发明实施例提供的服务器的结构示意图;
图5为本发明实施例提供的长势监测模型更新***的结构示意图;
图6为本发明实施例提供的长势监测模型更新设备的结构示意图。
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。
图1为本发明实施例提供的长势监测模型更新方法流程图,如图1所示,所述方法包括:
步骤10、采集作物的光谱数据;
步骤11、获取所述作物的长势参量数据;
步骤12、将所述光谱数据和所述长势参量数据发送至服务器,以供所述服务器根据所述光谱数据、所述作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将所述有效光谱数据和所述有效长势参量数据输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;
步骤13、接收所述服务器发送的所述映射关系。
具体地,长势监测传感器可以实时采集作物的光谱数据,其中,所述光谱数据中包括时间信息和位置信息,比如时间戳和经纬度信息。长势监测传感器还可以获取作物地面实测的长势参量数据,比如作物的叶面积指数、叶绿素含量、氮素累积量、生物量及潜在产量等数据,所述长势参量数据中包括测量的时间信息和位置信息。
然后,长势监测传感器通过网络通信方式,比如WIFI和GPRS信号传输等方式,将采集到的所述光谱数据和获取到的所述长势参量数据发送到服务器,以供所述服务器根据所述作物光谱数据、所述长势参量数据以及获取到的作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,然后,将所述有效光谱数据所述有效长势参量数据输入到神经元网络中,进行机器学习,得到作物光谱数据和长势参量之间的映射关系,所述映射关系即为更新后的作物长势监测模型,然后,将所述映射关系发送至作物长势监测传感器。
长势监测传感器接收服务器发送过来的所述映射关系,并利用所述映射关系以及采集到的作物光谱数据,得到作物长势参量数据的预测值。
本发明实施例提供的作物长势监测模型更新方法,通过长势监测传感器将作物光谱数据长势参量数据发送到服务器,以供所述服务器将上述数据输入到神经元网络至进行机器学习,对作物长势监测模型进行更新,并将更新后的模型发送到长势监测传感器,模型动态更新机制既可以通过利用单个长势监测传感器的历史采集数据来实现,也可以通过利用固定时段内多个长势监测传感器共同采集的数据来实现,通过这种方法增加了建模样本的代表性,使更新后的模型更具普适性和更高精度。
图2为本发明另一实施例提供的长势监测模型更新方法流程图,如图2所示,所述方法包括:
步骤20、接收长势监测传感器发送的作物的光谱数据和长势参量数据;
步骤21、获取作物种植分布图;
步骤22、根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;
步骤23、将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
具体地,服务器接收长势监测传感器通过网络通信方式,比如WIFI和GPRS信号传输等方式,发送过来的作物光谱数据和地面实测的作物长势参量数据,所述光谱数据中包括时间信息和位置信息,比如时间戳和经纬度信息,所述长势参量数据,比如作物的叶面积指数、叶绿素含量、氮素累积量、生物量及潜在产量等数据中,也包括测量的时间信息和位置信息。服务器还可以从数据库中获取作物种植分布图,所述作物种植分布图中包括位置信息和对应的作物类型信息。
由于作物长势参量数据的测量过程比较耗时耗力,而作物光谱数据是长势监测传感器通过实时采集获取到的,所以,相同位置和相同时间段内,作物的光谱数据量通常比实测的长势参量数据量更大。在将所述光谱数据和所述长势参量数据输入到神经元网络之前,需要先提取出有效光谱数据和有效长势参量数据,具体包括:服务器从数据库中获取作物种植分布图,根据所述种植分布图、所述光谱数据以及所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据。然后,服务器将上述有效光谱数据和有效长势参量数据输入到神经元网络中,将所述有效光谱数据作为输入量,将所述有效长势参量数据作为输出量,进行机器学习,当满足预设的终止条件后,输出作物光谱数据和长势参量数据之间的映射关系,即为更新后的作物长势参量监测模型。
本发明实施例提供的作物长势监测模型更新方法,通过将作物的光谱数据和实测的长势参量数据,输入到神经元网络进行机器学习,对作物长势监测模型进行更新,模型动态更新机制既可以通过利用单个长势监测传感器的历史采集数据来实现,也可以通过利用固定时段内多个长势监测传感器共同采集的数据来实现,通过这种方法增加了建模样本的代表性,使更新后的模型更具普适性和更高精度。
可选的,在上述实施例的基础上,所述根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据,包括:
根据位置信息对所述作物种植分布图、所述光谱数据和所述长势参量数据进行匹配,得到不同作物类型分布区内的第一光谱数据和第一长势参量数据;
根据时间信息和位置信息,对所述第一光谱数据和第一长势参量数据进行匹配,得到不同作物类型分布区内的有效光谱数据和有效长势参量数据。
具体地,上述实施例中提及的有效光谱数据和有效长势参量数据是通过如下方法得到的:服务器从数据库中获取的作物种植分布图中包括位置信息和作物类型信息,服务器接收到的作物光谱数据和实测长势参量数据中包括位置信息和时间信息,首先,根据位置信息对上述作物种植分布图、光谱数据和长势参量数据进行匹配,可以得到不同作物类型分布区内的第一光谱数据和第一长势参量数据。比如,作物种植分布图中的位置信息为区域A,对应的作物类型为玉米,则将位置信息在区域A内的光谱数据,作为玉米分布区内的第一光谱数据,将位置信息在区域A内的长势参量数据,作为玉米分布区内的第一长势参量数据;然后,根据时间信息和位置信息,对所述第一光谱数据和第一长势参量数据进行匹配,得到不同作物类型分布区内的有效光谱数据和有效长势参量数据,比如,可以将所述区域A内的位置信息和时间信息均一致的第一光谱数据和第一长势参量数据,作为玉米分布区内的有效光谱数据和有效长势参量数据。
本发明实施例提供的作物长势监测模型更新方法,通过根据位置信息和时间信息,对作物光谱数据、长势参量数据和作物种植分布图进行匹配,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据,提高了更新后的模型精度,使得所述作物长势监测模型更新方法更加科学、合理。
可选的,在上述实施例的基础上,所述方法还包括:
根据所述有效光谱数据和所述映射关系,得到预测的长势参量数据;
若所述预测的长势参量数据和有效长势参量数据之间的决定系数大于预设的阈值,则将所述映射关系发送至所述长势监测传感器。
具体地,服务器将上述方法得到的映射关系发送至长势监测传感器之前,对所述映射关系进行验证。具体包括:服务器选取预设数量的有效光谱数据,将其输入到所述映射关系中,得到预测的长势参量数据。然后,计算所述有效光谱数据对应的有效长势参量数据与所述预测的长势参量数据之间的决定系数,若服务器经过判断获知,所述决定系数大于预设的阈值,比如0.8,则将所述映射关系作为更新后的长势参量监测模型发送给长势监测传感器,否则,不将所述映射关系发送至所述长势监测传感器。
本发明实施例提供的作物长势监测模型更新方法,通过对所述映射关系进行验证,若实测长势参量数据与根据所述映射关系得到的预测长势参量数据之间的决定系数大于预设的阈值,则将所述映射关系作为更新后的长势参量监测模型发送给长势监测服务器,使得所述作物长势监测模型更新方法,更加科学、合理。
图3为本发明实施例提供的长势监测传感器的结构示意图,如图3所示,所述传感器包括:采集模块30、第一获取模块31、发送模块32和第一接收模块33,其中:
采集模块30用于采集作物的光谱数据;第一获取模块31用于获取所述作物的长势参量数据;第一发送模块32用于将所述光谱数据和所述长势参量数据发送至服务器,以供所述服务器根据所述光谱数据、所述作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;第一接收模块33用于接收所述服务器发送的所述映射关系。
具体地,采集模块30可以实时采集作物的光谱数据,其中,所述光谱数据中包括时间信息和位置信息,比如时间戳和经纬度信息。第一获取模块31可以获取作物地面实测的长势参量数据,比如作物的叶面积指数、叶绿素含量、氮素累积量、生物量及潜在产量等数据,所述长势参量数据中包括测量的时间信息和位置信息。
然后,发送模块32通过网络通信方式,比如WIFI和GPRS信号传输等方式,将采集模块30采集到的所述光谱数据和第一获取模块31获取到的所述长势参量数据及时发送到服务器,以供所述服务器根据所述作物光谱数据、所述长势参量数据以及获取到的作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,然后,将所述有效光谱数据所述有效长势参量数据输入到神经元网络中,进行机器学习,得到作物光谱数据和长势参量之间的映射关系,所述映射关系即为更新后的作物长势监测模型,第一接收模块33接收服务器发送过来的所述映射关系后。
本发明实施例提供的长势监测传感器,其功能具体参照上述方法实施例,此处不再赘述。
本发明实施例提供的长势监测传感器,,通过长势监测传感器将作物光谱数据长势参量数据发送到服务器,以供所述服务器将上述数据输入到神经元网络至进行机器学习,对作物长势监测模型进行更新,并将更新后的模型发送到长势监测传感器,模型动态更新机制既可以通过利用单个长势监测传感器的历史采集数据来实现,也可以通过利用固定时段内多个长势监测传感器共同采集的数据来实现,通过这种方法增加了建模样本的代表性,使更新后的模型更具普适性和更高精度。
图4为本发明实施例提供的服务器的结构示意图,如图4所示,所述服务器包括:第二接收模块40、第二获取模块41、有效数据提取模块42和模型更新模块43,其中:
第二接收模块40用于接收长势监测传感器发送的作物光谱数据和长势参量数据;第二获取模块41用于获取作物种植分布图;有效数据提取模块42用于根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;模型更新模块43用于将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
具体地,第二接收模块40接收长势监测传感器通过网络通信方式,比如WIFI和GPRS信号传输等方式,发送过来的作物光谱数据和地面实测的作物长势参量数据,所述光谱数据中包括时间信息和位置信息,比如时间戳和经纬度信息,所述长势参量数据,比如作物的叶面积指数、叶绿素含量、氮素累积量、生物量及潜在产量等数据中也包括对应的测量时间信息和位置信息。然后,第二获取模块41从数据库中获取作物种植分布图,所述作物种植分布图中包括位置信息和对应的作物类型信息。
由于作物长势参量数据的测量过程比较耗时耗力,而作物光谱数据是长势监测传感器通过实时采集获取到的,所以,相同位置和相同时间段内,作物的光谱数据量通常比实测的长势参量数据量更大。在模型更新模块43将在将所述光谱数据和所述长势参量数据输入到神经元网络之前,需要先提取出有效光谱数据和有效长势参量数据,具体包括:第二获取模块41从数据库中获取作物种植分布图,有效数据提取模块42根据所述种植分布图、所述光谱数据以及所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据。然后,模型更新模块43将上述有效光谱数据和有效长势参量数据,输入到神经元网络中,将所述有效光谱数据作为输入量,将所述有效长势参量数据作为输出量,进行机器学习,当满足预设的终止条件后,输出作物光谱数据和长势参量数据之间的映射关系,即为更新后的作物长势参量监测模型。
本发明实施例提供的服务器,其功能具体参照上述方法实施例,此处不再赘述。
本发明实施例提供的服务器,通过将作物的光谱数据和实测的长势参量数据,输入到神经元网络进行机器学习,对作物长势监测模型进行更新,模型动态更新机制既可以通过利用单个长势监测传感器的历史采集数据来实现,也可以通过利用固定时段内多个长势监测传感器共同采集的数据来实现,通过这种方法增加了建模样本的代表性,使更新后的模型更具普适性和更高精度。
可选的,在上述实施例的基础上,所述有效数据提取模块,包括:第一匹配单元和第二匹配单元,其中:
第一匹配单元用于根据位置信息对所述作物种植分布图、所述光谱数据和所述长势参量数据进行匹配,得到不同作物类型分布区内的第一光谱数据和第一长势参量数据;第二匹配单元用于根据时间信息和位置信息,对所述第一光谱数据和第一长势参量数据进行匹配,得到不同作物类型分布区内的有效光谱数据和有效长势参量数据。
具体地,上述实施例中提及的有效光谱数据和有效长势参量数据是通过如下方法得到的:第二获取模块从数据库中获取的作物种植分布图中包括位置信息和作物类型信息,第二接收模块接收到的作物光谱数据和实测长势参量数据中包括位置信息和时间信息,首先,第一匹配单元根据位置信息对上述作物种植分布图、光谱数据和长势参量数据进行匹配,可以得到不同作物类型分布区内的第一光谱数据和第一长势参量数据。比如,作物种植分布图中的位置信息为区域A,对应的作物类型为玉米,则将位置信息在区域A内的光谱数据,作为玉米分布区内的第一光谱数据,将位置信息在区域A内的长势参量数据,作为玉米分布区内的第一长势参量数据;然后,第二匹配单元根据时间信息和位置信息,对所述第一光谱数据和第一长势参量数据进行匹配,得到不同作物类型分布区内的有效光谱数据和有效长势参量数据,比如,可以将所述区域A内的位置信息和时间信息均一致的第一光谱数据和第一长势参量数据,作为玉米分布区内的有效光谱数据和有效长势参量数据。
本发明实施例提供的服务器,通过根据位置信息和时间信息,对作物光谱数据、长势参量数据和作物种植分布图进行匹配,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据,提高了更新后的模型精度,使得所述服务器更加科学、合理。
图5为本发明实施例提供的长势监测模型更新***的结构示意图,如图5所示,所述***包括:至少一个长势监测传感器51和服务器52。
具体地,每一个长势监测传感器可以实时采集作物的光谱数据,其中,所述光谱数据中包括时间信息和位置信息,比如时间戳和经纬度信息。长势监测传感器还可以获取地面实测的作物长势参量数据,比如作物的叶面积指数、叶绿素含量、氮素累积量、生物量及潜在产量等数据,所述长势参量数据中包括对应的测量时间信息和位置信息。然后,一个或多个上述长势监测传感器分别通过网络通信方式,比如WIFI和GPRS信号传输等方式,将采集到的所述光谱数据和获取到的所述长势参量数据及时发送到服务器。
服务器接收所述长势监测传感器发送过来的作物光谱数据和地面实测的作物长势参量数据,然后,从数据库中获取作物种植分布图,所述作物种植分布图中包括位置信息和对应的作物类型信息。
由于作物长势参量数据的测量过程,比较耗时耗力,所以,一般来说,作物的实测长势参量数据量较少,而作物光谱数据是长势监测传感器通过实时采集获取到的,所以,相同位置和相同时间段内,作物的光谱数据量通常比实测的长势参量数据量更大。服务器在将所述光谱数据和所述实测的长势参量数据输入到神经元网络之前,需要先提取出有效光谱数据和有效长势参量数据。具体为,服务器从数据库中获取作物种植分布图,根据所述种植分布图、所述光谱数据以及所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据。然后,服务器将上述有效光谱数据和有效长势参量数据,输入到神经元网络中进行训练。具体地,将所述有效光谱数据作为输入量,将所述有效长势参量数据作为输出量,在神经元网络中进行训练,满足预设的终止条件后,输出作物光谱数据和作物长势参量数据之间的映射关系,即为更新后的作物长势参量监测模型,然后,服务器将所述映射关系发送至每一个所述长势监测传感器。
长势监测传感器接收服务器发送过来的所述映射关系后,利用所述映射关系以及采集到的光谱数据,输出作物长势参量的预测值。
本发明实施例提供的作物长势监测模型更新***,通过将长势监测传感器将采集到的光谱数据和获取到的地面实测长势参量数据,输入到神经元网络进行机器学习,对作物长势监测模型进行更新,模型动态更新机制既可以通过利用单个长势监测传感器的历史采集数据来实现,也可以通过利用固定时段内多个长势监测传感器共同采集的数据来实现,通过这种方法增加了建模样本的代表性,使更新后的模型更具普适性和更高精度。
图6为本发明实施例提供的长势监测模型更新设备的结构示意图,如图6所示,所述长势监测模型更新设备包括:处理器(processor)61、存储器(memory)62和总线63,其中:
所述处理器61和所述存储器62通过所述总线63完成相互间的通信;所述处理器61用于调用所述存储器62中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:接收长势监测传感器发送的作物的光谱数据和长势参量数据;获取作物种植分布图;根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:接收长势监测传感器发送的作物的光谱数据和长势参量数据;获取作物种植分布图;根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:接收长势监测传感器发送的作物的光谱数据和长势参量数据;获取作物种植分布图;根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的长势监测模型更新设备等实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种长势监测模型更新方法,其特征在于,包括:
采集作物的光谱数据;
获取所述作物的长势参量数据;
将所述光谱数据和所述长势参量数据发送至服务器,以供所述服务器根据所述光谱数据、所述作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将所述有效光谱数据和所述有效长势参量数据输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;
接收所述服务器发送的所述映射关系。
2.一种长势监测模型更新方法,其特征在于,包括:
接收长势监测传感器发送的作物的光谱数据和长势参量数据;
获取作物种植分布图;
根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;
将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
3.根据权利要求2所述的方法,其特征在于,所述根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据,包括:
根据位置信息对所述作物种植分布图、所述光谱数据和所述长势参量数据进行匹配,得到不同作物类型分布区内的第一光谱数据和第一长势参量数据;
根据时间信息和位置信息,对所述第一光谱数据和第一长势参量数据进行匹配,得到不同作物类型分布区内的有效光谱数据和有效长势参量数据。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述有效光谱数据和所述映射关系,得到预测的长势参量数据;
若所述预测的长势参量数据和有效长势参量数据之间的决定系数大于预设的阈值,则将所述映射关系发送至所述长势监测传感器。
5.一种长势监测传感器,其特征在于,包括:
采集模块,用于采集作物的光谱数据;
第一获取模块,用于获取所述作物的长势参量数据;
发送模块,用于将所述光谱数据和所述长势参量数据发送至服务器,以供所述服务器根据所述光谱数据、所述作物长势参量数据以及作物种植分布图,提取不同作物类型分布区内的有效光谱数据和有效长势参量数据,并将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系;
第一接收模块,用于接收所述服务器发送的所述映射关系。
6.一种服务器,其特征在于,包括:
第二接收模块,用于接收长势监测传感器发送的作物光谱数据和长势参量数据;
第二获取模块,用于获取作物种植分布图;
有效数据提取模块,用于根据所述作物种植分布图、所述光谱数据和所述长势参量数据,提取出不同作物类型分布区内的有效光谱数据和有效长势参量数据;
模型更新模块,用于将所述有效光谱数据和所述有效长势参量数据,输入到神经元网络进行机器学习,得到作物光谱数据和长势参量数据之间的映射关系。
7.根据权利要求6所述的服务器,其特征在于,所述有效数据提取模块,包括:
第一匹配单元,用于根据位置信息对所述作物种植分布图、所述光谱数据和所述长势参量数据进行匹配,得到不同作物类型分布区内的第一光谱数据和第一长势参量数据;
第二匹配单元,用于根据时间信息和位置信息,对所述第一光谱数据和第一长势参量数据进行匹配,得到不同作物类型分布区内的有效光谱数据和有效长势参量数据。
8.一种长势监测模型更新***,其特征在于,包括至少一个如权利要求5所述的长势监测传感器,以及如权利要求6或7所述的服务器。
9.一种长势监测模型更新设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710786197.XA CN107609078B (zh) | 2017-09-04 | 2017-09-04 | 长势监测模型更新方法、传感器、服务器及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710786197.XA CN107609078B (zh) | 2017-09-04 | 2017-09-04 | 长势监测模型更新方法、传感器、服务器及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609078A true CN107609078A (zh) | 2018-01-19 |
CN107609078B CN107609078B (zh) | 2020-04-10 |
Family
ID=61057313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710786197.XA Active CN107609078B (zh) | 2017-09-04 | 2017-09-04 | 长势监测模型更新方法、传感器、服务器及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609078B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272416A (zh) * | 2018-10-13 | 2019-01-25 | 莫彪 | 一种大棚农作物种植*** |
CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
CN110024648A (zh) * | 2019-04-11 | 2019-07-19 | 哈尔滨工业大学 | 基于深度神经网络的川贝母精准种植方法 |
WO2020159913A1 (en) * | 2019-01-29 | 2020-08-06 | Rensselaer Polytechnic Institute | System for early detection of plant disease |
CN111585950A (zh) * | 2020-03-20 | 2020-08-25 | 中山大学 | 基于非对称加密的现场光谱检测分析方法、***及介质 |
CN112149836A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序更新方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564593A (zh) * | 2011-12-30 | 2012-07-11 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测*** |
WO2013126023A1 (en) * | 2012-02-21 | 2013-08-29 | Vendeka Bilgi Teknolojileri Ticaret Limited Şirketi | A plant growth system and monitoring method |
CN103278197A (zh) * | 2013-05-31 | 2013-09-04 | 南京农业大学 | 一种基于车载***的作物生长监测装置与方法 |
CN104614321A (zh) * | 2015-01-20 | 2015-05-13 | 山东农业大学 | 一种基于光谱图像的作物长势实时监测方法 |
CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测***及方法 |
US20160217562A1 (en) * | 2014-06-30 | 2016-07-28 | Trimble Navigation Limited | Active Imaging Systems for Plant Growth Monitoring |
CN107122855A (zh) * | 2017-04-25 | 2017-09-01 | 无锡中科智能农业发展有限责任公司 | 一种基于机器学习的农田作物蒸散量预测*** |
-
2017
- 2017-09-04 CN CN201710786197.XA patent/CN107609078B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564593A (zh) * | 2011-12-30 | 2012-07-11 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测*** |
WO2013126023A1 (en) * | 2012-02-21 | 2013-08-29 | Vendeka Bilgi Teknolojileri Ticaret Limited Şirketi | A plant growth system and monitoring method |
CN103278197A (zh) * | 2013-05-31 | 2013-09-04 | 南京农业大学 | 一种基于车载***的作物生长监测装置与方法 |
US20160217562A1 (en) * | 2014-06-30 | 2016-07-28 | Trimble Navigation Limited | Active Imaging Systems for Plant Growth Monitoring |
CN104614321A (zh) * | 2015-01-20 | 2015-05-13 | 山东农业大学 | 一种基于光谱图像的作物长势实时监测方法 |
CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测***及方法 |
CN107122855A (zh) * | 2017-04-25 | 2017-09-01 | 无锡中科智能农业发展有限责任公司 | 一种基于机器学习的农田作物蒸散量预测*** |
Non-Patent Citations (1)
Title |
---|
于海达 等: "《草原植被长势遥感监测研究进展》", 《地理科学进展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272416A (zh) * | 2018-10-13 | 2019-01-25 | 莫彪 | 一种大棚农作物种植*** |
CN109272416B (zh) * | 2018-10-13 | 2022-06-03 | 临沂确信软件技术有限公司 | 一种大棚农作物种植*** |
CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
WO2020159913A1 (en) * | 2019-01-29 | 2020-08-06 | Rensselaer Polytechnic Institute | System for early detection of plant disease |
CN110024648A (zh) * | 2019-04-11 | 2019-07-19 | 哈尔滨工业大学 | 基于深度神经网络的川贝母精准种植方法 |
CN112149836A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序更新方法、装置及设备 |
CN112149836B (zh) * | 2019-06-28 | 2024-05-24 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序更新方法、装置及设备 |
CN111585950A (zh) * | 2020-03-20 | 2020-08-25 | 中山大学 | 基于非对称加密的现场光谱检测分析方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107609078B (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609078A (zh) | 长势监测模型更新方法、传感器、服务器及*** | |
Channe et al. | Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis | |
CN107944596A (zh) | 一种基于物联网的甜瓜生长管理专家*** | |
CN110545531A (zh) | 一种基于大数据和云计算的农作物长势监控方法与*** | |
CN106254476A (zh) | 基于物联网、大数据和云计算的农业生态环境信息管理及监控方法与*** | |
Anderson et al. | Characterising the spatial and temporal activities of free-ranging cows from GPS data | |
CN110458032A (zh) | 荔枝生长状况全程监控方法、***、云服务器及存储介质 | |
EP3358518A1 (en) | Farmwork plan support system | |
CN103164777A (zh) | 一种作物育种田间性状的调查方法 | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN112712038A (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** | |
JP2021128756A (ja) | 先物取引情報表示プログラム | |
CN110414859B (zh) | 一种基于物联网技术的稻谷收储作业5t评价方法 | |
CN112215522A (zh) | 农作物长势监测***、方法、计算机设备及存储介质 | |
CN106686054A (zh) | 一种策略模型解决种植问题的服务*** | |
Tan et al. | An integrated cloud-based platform for labor monitoring and data analysis in precision agriculture | |
CN113010529A (zh) | 基于知识图谱的作物管理方法和装置 | |
CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
Abdulghani et al. | Cyber-Physical System Based Data Mining and Processing Toward Autonomous Agricultural Systems | |
Bhatia et al. | IoT Enabled Smart Irrigation Techniques With Leaf Disease Detection | |
CN117911957B (zh) | 一种针对观赏葵病虫害的防治监控***及方法 | |
US11574466B2 (en) | Machine learning methods and systems for variety profile index crop characterization | |
CN108765184A (zh) | 一种基于物联网的林业机械智能管理*** | |
Ionescu et al. | Intelligent monitoring and analysis system of soil moisture parameters and trunk diameter used in fruit tree culture | |
EP4195120A1 (en) | Operation information management method, operation information management system, and operation information management program |
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 |