CN109359814A - 土壤成分信息处理方法、装置、***、存储介质及设备 - Google Patents
土壤成分信息处理方法、装置、***、存储介质及设备 Download PDFInfo
- Publication number
- CN109359814A CN109359814A CN201811038290.3A CN201811038290A CN109359814A CN 109359814 A CN109359814 A CN 109359814A CN 201811038290 A CN201811038290 A CN 201811038290A CN 109359814 A CN109359814 A CN 109359814A
- Authority
- CN
- China
- Prior art keywords
- soil
- plant
- information
- neural network
- planted
- 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 195
- 239000000470 constituent Substances 0.000 title claims abstract description 88
- 230000010365 information processing Effects 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 74
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 230000003862 health status Effects 0.000 claims abstract description 34
- 229910001385 heavy metal Inorganic materials 0.000 claims description 63
- 229910052751 metal Inorganic materials 0.000 claims description 32
- 239000002184 metal Substances 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 6
- 239000004615 ingredient Substances 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 125
- 238000009825 accumulation Methods 0.000 description 24
- 229910052785 arsenic Inorganic materials 0.000 description 12
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 12
- 230000036541 health Effects 0.000 description 12
- 235000013311 vegetables Nutrition 0.000 description 10
- 229910052793 cadmium Inorganic materials 0.000 description 7
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 244000046052 Phaseolus vulgaris Species 0.000 description 5
- 240000004713 Pisum sativum Species 0.000 description 5
- 235000010582 Pisum sativum Nutrition 0.000 description 5
- 240000007087 Apium graveolens Species 0.000 description 4
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 4
- 235000010591 Appio Nutrition 0.000 description 4
- 244000061456 Solanum tuberosum Species 0.000 description 4
- 235000002595 Solanum tuberosum Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000021384 green leafy vegetables Nutrition 0.000 description 4
- 244000178993 Brassica juncea Species 0.000 description 3
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000234282 Allium Species 0.000 description 2
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 2
- 235000011293 Brassica napus Nutrition 0.000 description 2
- 240000008100 Brassica rapa Species 0.000 description 2
- 235000000540 Brassica rapa subsp rapa Nutrition 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 2
- 235000002767 Daucus carota Nutrition 0.000 description 2
- 241001549572 Elsholtzia splendens Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 244000017020 Ipomoea batatas Species 0.000 description 2
- 235000002678 Ipomoea batatas Nutrition 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 244000088415 Raphanus sativus Species 0.000 description 2
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 2
- 240000003768 Solanum lycopersicum Species 0.000 description 2
- 235000002597 Solanum melongena Nutrition 0.000 description 2
- 244000061458 Solanum melongena Species 0.000 description 2
- 240000003829 Sorghum propinquum Species 0.000 description 2
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 244000098338 Triticum aestivum Species 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- WURBVZBTWMNKQT-UHFFFAOYSA-N 1-(4-chlorophenoxy)-3,3-dimethyl-1-(1,2,4-triazol-1-yl)butan-2-one Chemical compound C1=NC=NN1C(C(=O)C(C)(C)C)OC1=CC=C(Cl)C=C1 WURBVZBTWMNKQT-UHFFFAOYSA-N 0.000 description 1
- 240000004507 Abelmoschus esculentus Species 0.000 description 1
- 235000005254 Allium ampeloprasum Nutrition 0.000 description 1
- 240000006108 Allium ampeloprasum Species 0.000 description 1
- 240000002234 Allium sativum Species 0.000 description 1
- 235000009328 Amaranthus caudatus Nutrition 0.000 description 1
- 240000001592 Amaranthus caudatus Species 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 235000021537 Beetroot Nutrition 0.000 description 1
- 235000011274 Benincasa cerifera Nutrition 0.000 description 1
- 244000036905 Benincasa cerifera Species 0.000 description 1
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 235000000318 Bindesalat Nutrition 0.000 description 1
- 244000106835 Bindesalat Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 235000011332 Brassica juncea Nutrition 0.000 description 1
- 235000014698 Brassica juncea var multisecta Nutrition 0.000 description 1
- 235000014700 Brassica juncea var napiformis Nutrition 0.000 description 1
- 235000005855 Brassica juncea var. subintegrifolia Nutrition 0.000 description 1
- 235000006008 Brassica napus var napus Nutrition 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 241000219193 Brassicaceae Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000008574 Capsicum frutescens Species 0.000 description 1
- 241001674939 Caulanthus Species 0.000 description 1
- 235000007516 Chrysanthemum Nutrition 0.000 description 1
- 235000007871 Chrysanthemum coronarium Nutrition 0.000 description 1
- 244000067456 Chrysanthemum coronarium Species 0.000 description 1
- 244000189548 Chrysanthemum x morifolium Species 0.000 description 1
- 235000006481 Colocasia esculenta Nutrition 0.000 description 1
- 244000205754 Colocasia esculenta Species 0.000 description 1
- 241000233838 Commelina Species 0.000 description 1
- 241000233839 Commelina communis Species 0.000 description 1
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 235000013717 Houttuynia Nutrition 0.000 description 1
- 240000000691 Houttuynia cordata Species 0.000 description 1
- 240000008436 Ipomoea aquatica Species 0.000 description 1
- 235000019004 Ipomoea aquatica Nutrition 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000009076 Phytolacca acinosa Nutrition 0.000 description 1
- 240000008013 Phytolacca acinosa Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 241000208292 Solanaceae Species 0.000 description 1
- 241000207763 Solanum Species 0.000 description 1
- 235000002634 Solanum Nutrition 0.000 description 1
- 235000002594 Solanum nigrum Nutrition 0.000 description 1
- 240000002307 Solanum ptychanthum Species 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 235000010726 Vigna sinensis Nutrition 0.000 description 1
- 244000042314 Vigna unguiculata Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 235000012735 amaranth Nutrition 0.000 description 1
- 239000004178 amaranth Substances 0.000 description 1
- 239000001390 capsicum minimum Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 239000011133 lead Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本申请涉及一种土壤成分信息处理方法、装置、***、存储介质及设备,获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息;通过神经网络模型得到对象土壤的治理策略。根据对象土壤的成分检测结果,以及对应的植物类型,可以准确地判断土壤中各成分是否会对该植物的生长造成影响,从而可以准确地得到该植物的生长健康状态估计信息;此外,通过对植物的生长健康状态进行估计,当估计结果不满足预设健康状态要求,可以提前对对象土壤进行治理,从而可以节约种植成本,并避免浪费的问题。
Description
技术领域
本申请涉及土壤检测技术领域,特别是涉及一种土壤成分信息处理方法、装置、***、存储介质及设备。
背景技术
随着工业技术的不断发展,环境污染的问题也愈加严重,特别是重金属元素、有毒有害元素污染,这些元素通过食物链进入人体,当累积过多时会对人体造成危害,因此对种植植物的土壤进行成分信息检测及处理具有重要意义。
传统技术在进行土壤成分信息检测及处理时,通常采用固定的判断标准来判定土壤是否被污染,即通过判断土壤中的重金属成分是否超过标准值来判断种植的植物是否符合健康要求,然而,不同的植物对于不同的重金属的吸附情况不同,对于特定的植物类型来说,上述判断标准可能存在不准确的问题。并且,现有技术通常是对已成熟的植物进行土壤检测来判断成熟的植物是否符合健康要求,当该植物不满足要求时,则会造成浪费的问题,增加种植成本。
发明内容
基于此,有必要针对传统技术中存在的问题,提供一种可以提高植物健康情况判断准确度、并在植物成熟之前对土壤进行治理的土壤成分信息处理方法、装置、***、存储介质及设备。
一种土壤成分信息处理方法,包括:
获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;
根据所述土壤成分检测结果以及所述当前种植/待种植的植物类型,通过神经网络模型得到所述当前种植/待种植的植物的生长健康状态估计信息;
当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略。
在其中一个实施例中,所述土壤成分检测结果包括重金属含量检测结果。
在其中一个实施例中,所述神经网络模型的训练数据包括:植物类型信息、重金属类型信息、植物种植土壤的重金属含量信息以及不同植物在不同重金属含量的植物种植土壤的生长健康状态信息。
在其中一个实施例中,所述神经网络模型的训练数据还包括:不同类型的重金属对应的超富集植物类型信息、不同重金属含量对应的超富集植物的种植密度信息以及不同种植密度的不同类型超富集植物对不同重金属含量的植物种植土壤的治理效果信息。
在其中一个实施例中,所述当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略,包括:
通过所述神经网络模型确定导致所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型;
根据所述确定的重金属类型,通过所述神经网络模型确定对应的超富集植物类型。
在其中一个实施例中,所述根据所述确定的重金属类型,通过所述神经网络模型确定对应的超富集植物类型之后,还包括:
根据所述土壤成分检测结果中所述重金属的含量检测结果,通过所述神经网络模型确定所述对应的超富集植物的种植密度信息。
一种土壤成分信息处理装置,包括:
信息获取模块,用于获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;
生长估计模块,用于根据所述土壤成分检测结果以及所述当前种植/待种植的植物类型,通过神经网络模型得到所述当前种植/待种植的植物的生长健康状态估计信息;
策略制定模块,用于当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略。
一种土壤成分信息处理***,包括:
土壤成分检测装置,用于对对象土壤进行土壤成分检测,得到所述对象土壤的土壤成分检测结果;
土壤成分信息处理装置,用于获取所述土壤成分检测装置得到的对象土壤的土壤成分检测结果,以及获取所述对象土壤对应的当前种植/待种植的植物类型;根据所述土壤成分检测结果以及所述当前种植/待种植的植物类型,通过神经网络模型得到所述当前种植/待种植的植物的生长健康状态估计信息;当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述土壤成分信息处理方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述土壤成分信息处理方法的步骤。
上述土壤成分信息处理方法、装置、***、存储介质及设备,获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;根据土壤成分检测结果以及当前种植/待种植的植物类型,通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息;当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略。根据对象土壤的成分检测结果,以及对应的植物类型,可以准确地判断土壤中各成分是否会对该植物的生长造成影响,从而可以准确地得到该植物的生长健康状态估计信息;此外,通过对植物的生长健康状态进行估计,当估计结果不满足预设健康状态要求,可以提前对对象土壤进行治理,从而可以节约种植成本,并避免浪费的问题。
附图说明
图1为一个实施例中土壤成分信息处理方法的流程示意图;
图2为图1中步骤S300的流程示意图;
图3为一个实施例中土壤成分信息处理装置的结构示意图;
图4为一个实施例中土壤成分信息处理***的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供一种土壤成分信息处理方法,该方法包括以下步骤:
步骤S100,获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型。
在对对象土壤进行土壤成分检测后,可以得到该对象土壤的土壤成分信息,同时获取的信息还包括该对象土壤对应的当前种植/待种植的植物类型信息。具体地,土壤成分检测结果包括重金属含量检测结果,重金属元素是一类难降解、污染严重、累积性元素,它们可以通过生物链的富集作用危及人类健康,对生态***构成了潜在的威胁,土壤成分检测结果也可以包括其他方面的检测结果。
可以理解,获取对象土壤的土壤成分检测结果的步骤,可以是通过对对象土壤进行土壤成分检测,以得到该对象土壤的土壤成分检测结果,也可以是直接获取已经得到的对象土壤的土壤成分检测结果。
步骤S200,根据土壤成分检测结果以及当前种植/待种植的植物类型,通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息。
根据获取的对象土壤的土壤成分检测结果,以及该对象土壤对应的当前种植/待种植的植物类型信息,使用训练好的神经网络模型得到该植物的生长健康状态估计信息。
具体地,植物可以是农作物,农作物包括粮食作物、经济作物、饲料作物、药用作物等,农作物中重金属含量是表征其健康质量的重要指标。然而,不同种类的作物对于重金属含量的富集情况各不相同,根据作物富集重金属能力的强弱,可以将作物分为低积累型、中积累型和高积累型。具体以重金属镉为例,豆类(大豆、豌豆等)属于低积累型,禾本科(水稻、大麦、小麦、玉米、高粱等)属于中积累型,十字花科(油菜、萝卜等)、茄科(番茄、茄子等)、菊科(莴苣等)属于高积累型。
一般来说,蔬菜富集重金属的能力较禾谷类强,一些蔬菜不但可以吸收某种重金属,而且具备有特殊富集能力的器官,如胡萝卜的根富集砷,菜豆荚中富集汞,萝卜叶片富集锡等等。根据食用部位可以将蔬菜分为叶菜类、根茎类、花果类等,其中,叶菜类富集重金属能力最强,其次为根茎类,鲜豆类及茄果类富集能力较低。对于砷元素来说,在常见蔬菜中,芹菜的砷富集能力最强,蕹菜、茼蒿、芥菜等蔬菜的砷富集能力次之,菜苔、生菜、菠菜、蒜、葱、黄秋葵、豇豆、苋菜、茄子的砷富集能力稍低,甜菜根、豌豆、花椰菜、韭菜、甜菜、南瓜、红薯、冬瓜、番茄、四季豆、大白菜、胡萝卜、洋葱、萝卜、辣椒、甘蓝、芋头、土豆等的砷富集能力最低。对于汞元素来说,以根茎类的富集能力最强,叶菜类、豆类次之,茄果类、瓜类最低。对于铅、锌元素来说,以叶菜类蔬菜最强,果实类蔬菜较低。
此外,同一种类的作物的不同部位对重金属的吸收差异也较大。一般来说,新陈代谢旺盛的器官中积累量大,二营养贮存器官中积累量少,例如:对于谷物、蔬菜来说,不同部位吸收土壤重金属能力具有如下规律:吸收器官>同化器官和输导器官>繁殖器官。对于镉元素来说,镉被植物吸收后,大部分富集在根部,移至地上部分的一般较少。又例如:水稻、玉米、高粱、小麦、大豆、豌豆、黄瓜等对砷、镉、铅、铜、锌的吸收能力以根部最大,其次为叶和茎,籽实吸收能力最小。另外,作物的非食用部分富集重金属的能力通常大于食用部分,如甘蔗、青菜、豌豆的非食用部分中铅、锌等含量高于食用部分,研究数据表明,豌豆的非食用部分铅含量为食用部分的21倍。
因此,在获取土壤成分检测结果中的重金属含量信息以及当前种植/待种植的植物类型信息后,根据不同种类的作物对于重金属元素的不同富集能力,以及同一种类的作物的不同部位对于重金属元素的不同富集能力,通过神经网络模型可以得到当前种植/待种植的植物的重金属富集估计情况,并根据重金属富集估计情况得到该植物的生长健康状态估计信息。
步骤S300,当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略。
在通过神经网络模型得到当前种植/待种植的植物的重金属富集估计情况以及对应的生长健康状态估计信息后,判断该植物的生长健康状态估计信息是否满足预设健康要求,预设健康要求具体可以是相关法律规定的植物中最低重金属含量标准等,例如:能否满足人体摄入的健康标准。具体地,以含有砷元素的土壤来说,由于芹菜的砷富集能力较强,因此,在该土壤上种植的芹菜会富集较多的砷,从而导致该芹菜的生长健康状态估计信息不满足预设健康状态要求;而红薯、土豆等的砷富集能力弱,因此,在该土壤上种植的红薯、土豆等会吸附较少的砷,从而可能满足预设健康状态要求。
当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略,以使得对应的土壤中的重金属含量降低,使得在治理后的土壤上种植的植物满足预设健康状态要求。
本实施例通过根据对象土壤的成分检测结果,以及对应的植物类型,可以准确地判断土壤中各成分是否会对该植物的生长造成影响,从而可以准确地得到该植物的生长健康状态估计信息;此外,通过对植物的生长健康状态进行估计,当估计结果不满足预设健康状态要求,可以提前对对象土壤进行治理,从而可以节约种植成本,并避免浪费的问题。
在一个实施例中,神经网络模型的训练数据包括:植物类型信息、重金属类型信息、植物种植土壤的重金属含量信息以及不同植物在不同重金属含量的植物种植土壤的生长健康状态信息。
具体地,在使用神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息之前,需要对该神经网络模型进行训练,其训练数据的输入信息包括:植物类型信息、重金属类型信息、植物种植土壤的重金属含量信息,输出信息包括:已知的不同植物在不同重金属含量的植物种植土壤的生长健康状态信息,通过以上述信息作为神经网络模型的输入和输出,可以得到训练好的神经网络模型,向该训练好的神经网络模型输入土壤成分检测结果以及当前种植/待种植的植物类型,即可得到当前种植/待种植的植物的生长健康状态估计信息。
本实施例通过使用植物类型信息、重金属类型信息、植物种植土壤的重金属含量信息以及不同植物在不同重金属含量的植物种植土壤的生长健康状态信息对神经网络模型进行训练,可以使得该神经网络模型更加科学合理,从而使得得到的当前种植/待种植的植物的生长健康状态估计信息更加准确。
在一个实施例中,神经网络模型的训练数据还包括:不同类型的重金属对应的超富集植物类型信息、不同重金属含量对应的超富集植物的种植密度信息以及不同种植密度的不同类型超富集植物对不同重金属含量的植物种植土壤的治理效果信息。
具体地,当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,需要通过神经网络模型得到对象土壤的治理策略,具体为,在该对象土壤种植超标重金属对应的超富集植物,超积累植物是指能超量吸收重金属并将其运移到地上部积累的植物,超积累植物满足以下三个标准:①超积累植物地上部分重金属含量是正常植物体内的100倍左右,且对不同的重金属元素有不同的临界值。②植物地上部分重金属含量高于根系周围的土壤,即富集系数(BCF1)大于1(富集系数=地上部植物中元素质量分数/土壤中元素质量分数)。③在污染地生长旺盛,生物量大,能正常完成生活史。通过种植超富集植物,可以对超标重金属进行吸附,从而减少对象中超标重金属的含量。例如:商陆(Phytolaccacinos)、龙葵(Solanum nigrm)为镉元素对应的超富集植物,此外,鱼腥草(Huttuynia cordata)对镉具有一定富集能力,虽未达到超富集植物水平,但因其根系发达,生长快,分布地域广,是理想的修复镉污染的材料。海州香薷(Elsholtzia splendens)和鸭跖草(Commelina communis)为铜元素对应的超富集植物。印度芥菜(Brassicajuncea)、芸苔(Bnapus)、芜箐(Brapa)为锌元素对应的超富集植物。
因此,本实施例中需要首先对该神经网络模型进行训练,以使得训练后的神经网络模型可以根据植物种植土壤的重金属含量信息得到对应的治理策略。在对神经网络模型进行训练训练时,该神经网络模型的输入信息还包括:不同类型的重金属对应的超富集植物类型信息、不同重金属含量对应的超富集植物的种植密度信息,输出信息还包括:已知的不同种植密度的不同类型超富集植物对不同重金属含量的植物种植土壤的治理效果信息,通过以上述信息作为神经网络模型的输入和输出,可以得到训练好的神经网络模型,当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过该训练好的神经网络模型可得到植物种植土壤的治理策略。
本实施例通过使用不同类型的重金属对应的超富集植物类型信息、不同重金属含量对应的超富集植物的种植密度信息以及不同种植密度的不同类型超富集植物对不同重金属含量的植物种植土壤的治理效果信息对神经网络模型进行训练,可以使得该神经网络模型更加科学合理,从而使得得到的植物种植土壤的治理策略更加准确合理。
在一个实施例中,如图2所示,步骤S300包括步骤S310至步骤S320。
步骤S310,通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型。当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,该植物中可能会包含多种重金属元素,其中,部分重金属元素的含量可能是符合标准的,而部分重金属元素的含量可能是超标的,超标的重金属元素会导致该植物的生长健康状态估计信息不满足预设健康状态要求,因此,需要通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型,具体可以通过比对各种元素的含量与标准含量,得到超标的重金属类型。
步骤S320,根据确定的重金属类型,通过神经网络模型确定对应的超富集植物类型。在确定超标的重金属类型后,通过神经网络模型确定可以吸附该超标重金属的超富集植物类型,从而制定对应的治理策略。
本实施例通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型,并根据确定的重金属类型,通过神经网络模型确定对应的超富集植物类型,从而可以对对象土壤进行治理,降低该对象土壤中超标重金属的含量。
在其中一个实施例中,参考图2,步骤S300还包括步骤S330,根据土壤成分检测结果中重金属的含量检测结果,通过神经网络模型确定对应的超富集植物的种植密度信息。
在通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型,并根据确定的重金属类型,通过神经网络模型确定对应的超富集植物类型之后,还需要确定对应的超富集植物的种植密度,结合土壤成分检测结果中重金属的含量检测结果,通过神经网络模型确定对应的超富集植物的种植密度信息即可。
本实施例根据土壤成分检测结果中重金属的含量检测结果,通过神经网络模型确定对应的超富集植物的种植密度信息,可以使得得到的植物种植土壤的治理策略更加准确合理。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供一种土壤成分信息处理装置,该装置包括:信息获取模块100、生长估计模块200和策略制定模块300。
信息获取模块100用于获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;
生长估计模块200用于根据土壤成分检测结果以及当前种植/待种植的植物类型,通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息;
策略制定模块300用于当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略。
在一个实施例中,策略制定模块300还用于通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型;根据确定的重金属类型,通过神经网络模型确定对应的超富集植物类型;根据土壤成分检测结果中重金属的含量检测结果,通过神经网络模型确定对应的超富集植物的种植密度信息。
关于土壤成分信息处理装置的具体限定可以参见上文中对于土壤成分信息处理方法的限定,在此不再赘述。上述土壤成分信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
上述土壤成分信息处理装置通过根据对象土壤的成分检测结果,以及对应的植物类型,可以准确地判断土壤中各成分是否会对该植物的生长造成影响,从而可以准确地得到该植物的生长健康状态估计信息;此外,通过对植物的生长健康状态进行估计,当估计结果不满足预设健康状态要求,可以提前对对象土壤进行治理,从而可以节约种植成本,并避免浪费的问题。
在一个实施例中,如图4所示,提供一种土壤成分信息处理***,该***包括:土壤成分检测装置400和土壤成分信息处理装置500。
土壤成分检测装置400用于对对象土壤进行土壤成分检测,得到对象土壤的土壤成分检测结果。
土壤成分信息处理装置500用于获取土壤成分检测装置得到的对象土壤的土壤成分检测结果,以及获取对象土壤对应的当前种植/待种植的植物类型;根据土壤成分检测结果以及当前种植/待种植的植物类型,通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息;当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略。
上述土壤成分信息处理***通过根据对象土壤的成分检测结果,以及对应的植物类型,可以准确地判断土壤中各成分是否会对该植物的生长造成影响,从而可以准确地得到该植物的生长健康状态估计信息;此外,通过对植物的生长健康状态进行估计,当估计结果不满足预设健康状态要求,可以提前对对象土壤进行治理,从而可以节约种植成本,并避免浪费的问题。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;根据土壤成分检测结果以及当前种植/待种植的植物类型,通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息;当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型;根据确定的重金属类型,通过神经网络模型确定对应的超富集植物类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据土壤成分检测结果中重金属的含量检测结果,通过神经网络模型确定对应的超富集植物的种植密度信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;根据土壤成分检测结果以及当前种植/待种植的植物类型,通过神经网络模型得到当前种植/待种植的植物的生长健康状态估计信息;当当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过神经网络模型得到对象土壤的治理策略。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过神经网络模型确定导致当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型;根据确定的重金属类型,通过神经网络模型确定对应的超富集植物类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据土壤成分检测结果中重金属的含量检测结果,通过神经网络模型确定对应的超富集植物的种植密度信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种土壤成分信息处理方法,其特征在于,包括:
获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;
根据所述土壤成分检测结果以及所述当前种植/待种植的植物类型,通过神经网络模型得到所述当前种植/待种植的植物的生长健康状态估计信息;
当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略。
2.根据权利要求1所述的土壤成分信息处理方法,其特征在于,所述土壤成分检测结果包括重金属含量检测结果。
3.根据权利要求2所述的土壤成分信息处理方法,其特征在于,所述神经网络模型的训练数据包括:植物类型信息、重金属类型信息、植物种植土壤的重金属含量信息以及不同植物在不同重金属含量的植物种植土壤的生长健康状态信息。
4.根据权利要求2所述的土壤成分信息处理方法,其特征在于,所述神经网络模型的训练数据还包括:不同类型的重金属对应的超富集植物类型信息、不同重金属含量对应的超富集植物的种植密度信息以及不同种植密度的不同类型超富集植物对不同重金属含量的植物种植土壤的治理效果信息。
5.根据权利要求4所述的土壤成分信息处理方法,其特征在于,所述当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略,包括:
通过所述神经网络模型确定导致所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求的重金属类型;
根据所述确定的重金属类型,通过所述神经网络模型确定对应的超富集植物类型。
6.根据权利要求5所述的土壤成分信息处理方法,其特征在于,所述根据所述确定的重金属类型,通过所述神经网络模型确定对应的超富集植物类型之后,还包括:
根据所述土壤成分检测结果中所述重金属的含量检测结果,通过所述神经网络模型确定所述对应的超富集植物的种植密度信息。
7.一种土壤成分信息处理装置,其特征在于,包括:
信息获取模块,用于获取对象土壤的土壤成分检测结果以及对应的当前种植/待种植的植物类型;
生长估计模块,用于根据所述土壤成分检测结果以及所述当前种植/待种植的植物类型,通过神经网络模型得到所述当前种植/待种植的植物的生长健康状态估计信息;
策略制定模块,用于当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略。
8.一种土壤成分信息处理***,其特征在于,包括:
土壤成分检测装置,用于对对象土壤进行土壤成分检测,得到所述对象土壤的土壤成分检测结果;
土壤成分信息处理装置,用于获取所述土壤成分检测装置得到的对象土壤的土壤成分检测结果,以及获取所述对象土壤对应的当前种植/待种植的植物类型;根据所述土壤成分检测结果以及所述当前种植/待种植的植物类型,通过神经网络模型得到所述当前种植/待种植的植物的生长健康状态估计信息;当所述当前种植/待种植的植物的生长健康状态估计信息不满足预设健康状态要求时,通过所述神经网络模型得到所述对象土壤的治理策略。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的土壤成分信息处理方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的土壤成分信息处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038290.3A CN109359814B (zh) | 2018-09-06 | 2018-09-06 | 土壤成分信息处理方法、装置、***、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038290.3A CN109359814B (zh) | 2018-09-06 | 2018-09-06 | 土壤成分信息处理方法、装置、***、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359814A true CN109359814A (zh) | 2019-02-19 |
CN109359814B CN109359814B (zh) | 2021-03-09 |
Family
ID=65350476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038290.3A Expired - Fee Related CN109359814B (zh) | 2018-09-06 | 2018-09-06 | 土壤成分信息处理方法、装置、***、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359814B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541129A (zh) * | 2024-01-10 | 2024-02-09 | 四川省华地建设工程有限责任公司 | 一种土壤质量的评估方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL2031259B1 (en) * | 2022-03-11 | 2022-12-19 | Zhejiang Acad Agricultural Sci | Prediction system for heavy metal enrichment coefficient of lotus root |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105268734A (zh) * | 2014-07-22 | 2016-01-27 | 云南香草生物技术工程有限公司 | 一种快速治理土壤重金属污染的方法 |
CN104502288A (zh) * | 2014-11-26 | 2015-04-08 | 西安科技大学 | 利用可见光近红外光谱技术的土壤铅含量测量方法 |
CN105911037B (zh) * | 2016-04-19 | 2018-05-15 | 湖南科技大学 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
-
2018
- 2018-09-06 CN CN201811038290.3A patent/CN109359814B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
Non-Patent Citations (2)
Title |
---|
肖清铁等: ""不同栽培措施对紫苏镉富集能力的影响"", 《福建农业学报》 * |
薛循革: "《浦东新区耕地地力与质量研究》", 31 December 2006, 上海科学普及出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541129A (zh) * | 2024-01-10 | 2024-02-09 | 四川省华地建设工程有限责任公司 | 一种土壤质量的评估方法及*** |
CN117541129B (zh) * | 2024-01-10 | 2024-04-09 | 四川省华地建设工程有限责任公司 | 一种土壤质量的评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109359814B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tai et al. | Impacts of surface ozone pollution on global crop yields: comparing different ozone exposure metrics and incorporating co-effects of CO2 | |
Fiorini et al. | Combining no-till with rye (Secale cereale L.) cover crop mitigates nitrous oxide emissions without decreasing yield | |
El-Hendawy et al. | Evaluating salt tolerance of wheat genotypes using multiple parameters | |
Novara et al. | Agricultural land abandonment in Mediterranean environment provides ecosystem services via soil carbon sequestration | |
Tanveer et al. | Relay cropping as a sustainable approach: problems and opportunities for sustainable crop production | |
Kumar et al. | Accumulation and translocation of metals in soil and different parts of French bean (Phaseolus vulgaris L.) amended with sewage sludge | |
Asch et al. | Salinity increases CO2 assimilation but reduces growth in field-grown, irrigated rice | |
Lee et al. | Effect of climate change on field crop production in California’s Central Valley | |
Széles et al. | Irrigation and nitrogen effects on the leaf chlorophyll content and grain yield of maize in different crop years | |
Steffens et al. | Direct and indirect effects of climate change on herbicide leaching—A regional scale assessment in Sweden | |
CN109359814A (zh) | 土壤成分信息处理方法、装置、***、存储介质及设备 | |
Peng et al. | Influence of non-nitrogenous soil amendments on soil CO 2 efflux and fine root production in an N-saturated northern hardwood forest | |
Er-Raki et al. | Parameterization of the AquaCrop model for simulating table grapes growth and water productivity in an arid region of Mexico | |
Tully et al. | The effect of mineral and organic nutrient input on yields and nitrogen balances in western Kenya | |
Hess et al. | Comparative assessment of the sensitivity of oilseed rape and wheat to limited water supply | |
CN109174952A (zh) | 一种镉铅污染农田钝化加低积累植物修复方法 | |
Ciuffo et al. | 137Cs soil-to-plant transfer for individual species in a semi-natural grassland. Influence of potassium soil content | |
Yari et al. | Correlation between traits and path analysis of safflower grain yield under water stress conditions. | |
Zhang et al. | Elevated ozone concentration decreases whole‐plant hydraulic conductance and disturbs water use regulation in soybean plants | |
Wang et al. | Timing of simulated aboveground herbivory influences population dynamics of root-feeding nematodes | |
Fu et al. | Comparison of benthic nematode assemblages in native mangrove forest and exotic mangrove plantations (Sonneratia apetala Buch-Ham) along the South China Coast | |
Wang et al. | Ion partitioning among soil and plant components under drip, furrow, and sprinkler irrigation regimes: field and modeling assessments | |
Batabyal et al. | Fertilizer-prescription equations for targeted yield in radish under integrated nutrient management system | |
Kenanoglu et al. | Improvement of seed germination performance of stored commercial pepper seed lots with chlorophyll fluorescence sorting method | |
Bakheit et al. | Effects of organic and chemical fertilizers on yield and total soluble solids (TSS) in Banana Cavendish group (AAA) |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210309 Termination date: 20210906 |
|
CF01 | Termination of patent right due to non-payment of annual fee |