CN109492619A - 集遥感、模型、算法为一体的变量施农药方法及*** - Google Patents
集遥感、模型、算法为一体的变量施农药方法及*** Download PDFInfo
- Publication number
- CN109492619A CN109492619A CN201811541772.0A CN201811541772A CN109492619A CN 109492619 A CN109492619 A CN 109492619A CN 201811541772 A CN201811541772 A CN 201811541772A CN 109492619 A CN109492619 A CN 109492619A
- Authority
- CN
- China
- Prior art keywords
- crop
- growing
- information
- operating area
- pesticide
- 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
- 239000000575 pesticide Substances 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 203
- 201000010099 disease Diseases 0.000 claims abstract description 202
- 239000000126 substance Substances 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims description 81
- 230000012010 growth Effects 0.000 claims description 60
- 235000015097 nutrients Nutrition 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000003698 anagen phase Effects 0.000 claims description 19
- 239000002917 insecticide Substances 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 14
- 238000009331 sowing Methods 0.000 claims description 8
- 208000015181 infectious disease Diseases 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 6
- 208000005156 Dehydration Diseases 0.000 claims description 5
- 238000003971 tillage Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008635 plant growth Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 13
- 240000008042 Zea mays Species 0.000 description 12
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 11
- 235000005822 corn Nutrition 0.000 description 11
- 230000010355 oscillation Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 239000002360 explosive Substances 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000002786 root growth Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- HCUVEUVIUAJXRB-UHFFFAOYSA-N OC1=C(C=C(CNC(CCCC=2SC=CC=2)=O)C=C1)OC Chemical compound OC1=C(C=C(CNC(CCCC=2SC=CC=2)=O)C=C1)OC HCUVEUVIUAJXRB-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 241000482268 Zea mays subsp. mays Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域，尤其涉及一种集遥感、模型、算法为一体的变量施农药方法及***，该方法包括：确定作物所在生长地的地理信息与所述生长地的实际地理信息之间的映射关系；根据映射关系，将作物所在生长地的遥感图像划分为至少一个网格，其中，每个网格对应生长地中预设面积的作业区域；基于针对每个作业区域预测的作物感染潜在疾病的情况，为潜在疾病的发病概率大于预设值的作业区域，配置与作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，以对所在生长地的作物进行变量施药。本申请实施例提供一种集遥感、模型、算法为一体的变量施农药方法及***，可以控制农药的使用剂量，提高农药的利用率，进而提高农田产量。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种集遥感、模型、算法为一体的变量施农药方法及***。
背景技术
目前，在农业生产中，病虫害和杂草问题会大大影响农田的产量，以小麦为例，国内小麦的产量和播种面积占全世界粮食的1/3，为世界三大粮食之一；而草害是麦田产量最具威胁因素之一，每年可造成我国近50亿公斤的损失。在农业生产中，为保障、促进植物和作物的成长，可以使用农药来杀虫、杀菌或者消除杂草。
农药在使用时大多是由人工进行喷洒或涂抹，在喷洒或涂抹农药的过程中，无法有效控制农药的使用剂量，容易造成农药的滥用。
发明内容
有鉴于此，本申请实施例提供一种集遥感、模型、算法为一体的变量施农药方法及***，可以控制农药的使用剂量，提高农药的利用率，进而提高农田产量。
第一方面，本申请实施例提供了一种集遥感、模型、算法为一体的变量施农药方法，所述方法包括：
确定作物所在生长地的地理信息与作物所在生长地的实际地理信息之间的映射关系；
根据所述映射关系，将作物所在生长地划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域；
基于针对每个所述作业区域预测的所述作物感染潜在疾病的情况，为所述潜在疾病的发病概率大于预设值的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，以对所在生长地的作物进行变量施药。
一种可能的实施方式中，根据以下步骤预测所述作物感染潜在疾病的情况：
基于预测的当前生长季所述作物的生长环境特征、所述生长地的历史发病状况、当前生长季所述生长地的耕地情况、当前生长季作物抵抗此地常发疾病能力、上一季所述生长地的农作物类型、以及上一季所述生长地的农作物发生的疾病类型中至少一种信息，预测当前生长季所述农作物的潜在疾病；
在所述作物播种以后，基于每个作业区域中所述作物的地上生长环境信息、地下生长环境信息、土壤信息、遥感指数、作物实际长势信息及生长阶段信息，预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况。
一种可能的实施方式中，所述预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况，包括：
预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的概率和程度、所述作物的减产率以及最佳施药时间。
一种可能的实施方式中，根据以下步骤预测当前生长季所述作物的生长环境特征，包括：
获取所述生长地的历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征；
根据所述历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征，预测当前生长季所述作物所在生长地的生长环境特征；
根据以下步骤预测所述作物的地上生长环境信息：
根据所述生长地的温度、湿度和降雨量，确定表征所述作物的地上生长环境信息的气象指数；
根据以下步骤预测所述作物的地下生长环境信息：
根据每个作业区域中所述作物的根深、水分需求信息及养分需求信息，确定用于表征所述地下生长环境信息的所述作物的日水胁迫指数及日营养胁迫指数；
根据以下步骤预测所述作物的生长阶段信息：
根据所述生长地的天气信息、土壤信息、耕作模式、上一季作物类型、所述日水胁迫指数、日营养胁迫指数、日需水量、生长环境日供水量、日需养分量、生长环境日供养分量、当前生长季作物种植密度、所述作物的作物类型和日疾病胁迫指数，预测所述作物的生长阶段信息。
一种可能的实施方式中，通过以下步骤确定所述遥感指数：
获取所述作物的遥感图像；
从所述遥感图像中提取每个作业区域上所述作物的长势特征信息；
基于所述长势特征信息，确定所述作物的遥感指数。
一种可能的实施方式中，所述配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，包括：
根据每个作业区域预测的所述作物感染潜在疾病的情况、治疗所述潜在疾病的农药的当前农药价格、预测的所述作物价格，确定为每个作业区域配置的农药剂量。
一种可能的实施方式中，所述方法还包括：
根据每个作业区域上确定的农药剂量和每个作业区域上使用的作业器械，为所述作物设置喷洒农药的路线和所述作业器械的喷洒策略；
所述作业器械按照所述喷洒农药的路线、与所述作业区域相匹配的农药剂量及所述作业器械的喷洒策略，为所述作业区域上的作物喷洒农药。
一种可能的实施方式中，对所在生长地的作物进行变量施药之后，还包括：
获取预设时间范围内，作物的实际长势信息和/或作物的实际病害信息；
根据所述实际长势信息和/或实际病害信息，配置与所述实际长势信息和/或实际病害信息相匹配的补充农药剂量，在所属补充农药剂量大于零的情况下，以对所在生长地的所述作物进行补充变量施药。
一种可能的实施方式中，所述方法还包括：
获取每个所述作业区域中所述作物的实际病害信息、遥感指数和土壤信息；
根据所述实际病害信息、所述遥感指数和所述土壤信息，判断每个所述作业区域中所述作物是否具有施药价值；
在所述作业区域中所述作物具有施药价值的情况下，估算每个所述作业区域中所述作物的疾病程度指数；
根据估算的每个作业区域中所述作物的疾病程度指数、治疗当前实际病害的农药的当前农药价格、预测的所述作物价格，确定为每个作业区域配置的农药剂量。
第二方面，本申请实施例还提供了一种集遥感、模型、算法为一体的变量施农药***，所述***包括：划分模块及变量施药模块；其中，
所述划分模块，用于将作物所在生长地的遥感图像划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域；
所述变量施药模块，用于基于针对每个所述作业区域预测的所述作物感染潜在疾病的情况，为所述潜在疾病的发病概率大于预设值的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，以对所在生长地的作物进行变量施药。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
采用上述方案，将作物所在生长地划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域，对每个作业区域中作物感染潜在疾病情况进行预测，可以配置与与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，从而有效的控制农药使用剂量，提高农药的利用率，进而提高农田产量。
为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例一所提供的集遥感、模型、算法为一体的变量施农药方法的基本流程图；
图2示出了本申请实施例二所提供的集遥感、模型、算法为一体的变量施农药方法的具体流程图
图3示出了本申请实施例三所提供的集遥感、模型、算法为一体的变量施农药***的结构图；
图4示出了本申请实施例四所提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中，可以通过将作物所在生长地划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域，对每个作业区域中作物感染潜在疾病情况进行预测，可以配置与与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，从而有效的控制农药使用剂量，提高农药的利用率，进而提高农田产量。
下述实施例将会对变量施药过程作详细说明。
实施例一
本申请实施例一提供的一种集遥感、模型、算法为一体的变量施农药方法的基本流程如图1所示，包括以下步骤：
S101：确定作物所在生长地的地理信息与所述生长地的实际地理信息之间的映射关系。
在一种可能的实施方式中，可以通过将本申请进行作物感染潜在疾病的情况预测时所用的作物生长地的地图、本申请生长季天气预测模型所用的作物生长地的地图、第一作物疾病预测模型所用的作物生长地的地图、第二作物疾病预测模型所用的作物生长地的地图、药量估算模型所用的作物生长地的地图或作物生长地的遥感图像，与所述生长地的实际地理信息对应起来。具体地例如，通过映射获取作物所在生长地的经度和纬度。
S102：根据所述映射关系，将作物所在生长地划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域。
在一种可能的实施方式中，例如获取作物所在生长地的经度和纬度后，可以根据作物所在生长地的经度和纬度，将作物所在生长地划分为至少一个网格。具体地，可以根据作物所在生长地的经度和纬度，将作物所在生长地划分为至少一个1米乘1米的网格。当然的，此处的1米乘1米只是为了便于理解举出的例子，本申请不对网格的大小和形状做具体的限定，上述至少一个网格可以是正方形、长方形、圆形、椭圆形或梯形等常用的形状，网格的大小可以更大、也可以更小。
对于作物所在生长地来说，使用网格划分所述生长地中预设面积的作业区域，可以方便的调整作业区域的范围，将作物所在生长地分为不同的作业区域进行作物感染潜在疾病的情况的分析，且分析更精确。例如，使用较小的网格，例如1米乘1米的网格，划分作物所在生长地，可以得到范围较小、精度较高的作业区域，从而对作物所在生长地中的各作业区域的作物感染潜在疾病的情况进行更精确的分析。
并且，使用网格划分所述生长地中预设面积的作业区域，适用范围更广，可以根据作物生长地大小的不同、施药设备的不同，选择不同大小的网格对作物所在生长进行划分。例如，使用飞机作业的情况下，可以将作物所在生长划分为范围较大的网格做粗略的分析；使用无人机作业的情况下，可以将作物所在生长划分为1米乘1米的网格的网格做更加精确的分析。
S103：基于针对每个所述作业区域预测的所述作物感染潜在疾病的情况，为所述潜在疾病的发病概率大于预设值的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，以对所在生长地的作物进行变量施药。
在一种可能的实施方式中，根据以下步骤预测所述作物感染潜在疾病的情况：
基于预测的当前生长季所述作物的生长环境特征、所述生长地的历史发病状况、当前生长季所述生长地的耕地情况、当前生长季作物抵抗此地常发疾病能力、上一季所述生长地的农作物类型、以及上一季所述生长地的农作物发生的疾病类型中至少一种信息，预测当前生长季所述农作物的潜在疾病。
在所述作物播种以后，基于每个作业区域中所述作物的地上生长环境信息、地下生长环境信息、土壤信息、遥感指数、作物实际长势信息及生长阶段信息，预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况。
在一种可能的实施方式中，根据以下步骤预测当前生长季所述作物的生长环境特征，包括：
获取所述生长地的历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征。
根据所述历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征，预测当前生长季所述作物所在生长地的生长环境特征。
具体的，预测当前生长季所述作物的生长环境特征，包括：
步骤1，获取作物所在生长地的历史生长季天气特征。
这里，作物所在生长地的历史生长季天气特征，可以包括：厄尔尼诺-南方振荡类型及程度、生长季天气特征指数。生长季天气特征指数可以包括过去18年内每年的生长季天气特征指数。本申请采集了较长时间范围内，例如18年内，每年的生长季天气特征指数，从而可以获得更丰富、全面的历史生长季天气特征样本，对历史生长季天气特征的分析更精准，有利于使用历史生长季天气特征对当前作物生长季的天气情况进行预测。
历史生长季天气特征可以包括：厄尔尼诺-南方振荡类型及程度、实际利用的有效积温、环境的最高温度、环境的最低温度、以及生长季天气特征指数与当前厄尔尼诺-南方振荡(简称ENSO)事件的相关性。
其中，实际利用的有效积温＝此块生长地的有效积温×可利用积温系数；有效积温可以为作物在某个生育期或全部生育期内有效温度的总和，即作物在某一段时间内日平均气温与生物学零度之差的总和。有些作物还存在上限温度，即当温度上升到一定界限以后，温度再升高，并不能使作物的发育速度明显加快，甚至会起抑制作用。在适宜温度范围内(在上、下限温度之间)，作物发育速度与温度成线性关系。
厄尔尼诺-南方振荡(简称ENSO)也可以称为厄尔尼诺/拉尼娜-南方涛动，是发生在横跨赤道附近太平洋的一种准周期气候类型，大约每5年发生一次。南方涛动是指东太平洋赤道区域海面温度(厄尔尼诺事件时变暖，拉尼娜事件时变冷)和西太平洋赤道区域的海面上气压的变动。这两种变动是相互联系的，即：东太平洋的暖洋阶段，即厄尔尼诺，伴随着西太平洋的高海面气压；东太平洋的变冷阶段，即拉尼娜，伴随着西太平洋的低海面气压。厄尔尼诺事件可以分为3种基本类型：发生在热带中太平洋，强度较弱的暖池厄尔尼诺事件；发生在热带东太平洋，强度很强的极端厄尔尼诺事件；发生在热带中-东太平洋，强度适中的冷舌厄尔尼诺事件。
步骤2，获取所述作物播种前预设时间段内的生长季天气特征。
生长季天气特征可以包括：厄尔尼诺-南方振荡类型及程度、实际利用的有效积温、环境的最高温度、环境的最低温度、以及生长季天气特征指数与当前ENSO事件的相关性。其中，厄尔尼诺-南方振荡类型及程度可以包括作物播种前3个月预测的当前生长季厄尔尼诺-南方振荡类型及程度。
步骤3，根据所述历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征，预测当前生长季所述作物所在生长地的生长环境特征。
在具体实施过程中，可以利用生长季天气预测模型，将上述历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征，作为预测当前生长季作物所在生长地的生长环境信息的参量，经过分析及计算后，可以得到预测当前生长季作物所在生长地的生长环境特征。当前生长季作物所在生长地的生长环境特征可以包括：当前生长季的降雨总量、当前生长季的有效积温、当前生长季环境的最高温度及当前生长季环境的最低温度。
由于获取了较长时间段的历史生长季天气特征，例如18年的历史生长季天气特征，并且结合了所述作物播种前预设时间段内的生长季天气特征，作为预测当前生长季作物所在生长地的生长环境信息的参量，对当前生长季作物所在生长地的生长环境特征的预测更加准确。
根据以下步骤预测所述作物的地上生长环境信息：
根据所述生长地的温度、湿度和降雨量，确定表征所述作物的地上生长环境信息的气象指数。
具体地，地上生长环境信息可以包括：所述生长地的天气状况信息，如环境温度(日最高温度、日最低温度)、环境湿度(日最高湿度、日最低湿度)、降雨量(每小时或每天的降雨量)等。
根据以下步骤预测所述作物的地下生长环境信息：
根据每个作业区域中所述作物的根深、水分需求信息及养分需求信息，确定用于表征所述地下生长环境信息的所述作物的日水胁迫指数及日营养胁迫指数。
所述地下生长环境信息包括：所述作物的根深及所述生长地的土壤状况中的至少一种，具体如，可以利用土壤测试仪监测该作物的土壤的深度、土壤结构、土壤质地、土壤水分变化、土壤养分、土壤表层(土壤层0-30厘米)酸碱度、土壤底层(土壤层30-60厘米)酸碱度、是否有限制根生长的土层、土壤石块的比例及作物根的深度等。例如，在种植大田玉米时，可以在土壤深度的方向上每隔30厘米设置一个土壤测试仪，利用土壤测试仪监测地下1.6米的土壤环境。
上述多种信息可以作为土壤水分模型的输入变量，经过分析、计算后，可以得到表征该作物所需水分情况的日水胁迫指数，以及表征该作物所需养分情况的日营养胁迫指数。其中，日水胁迫指数可以由作物的日需水量、作物生长环境的日供水量得到。
根据以下步骤预测所述作物的生长阶段信息：
根据所述生长地的天气信息、土壤信息、耕作模式、上一季作物类型、所述日水胁迫指数、日营养胁迫指数、日需水量、生长环境日供水量、日需养分量、生长环境日供养分量、当前生长季作物种植密度、所述作物的作物类型和日疾病胁迫指数，预测所述作物的生长阶段信息。
具体地，对上述信息进行分析及计算，可以确定该作物的生长阶段，如抽雄期、黑层期等。其中，该作物的天气信息可以包括当前生长季的日积温、过去18年生长季的日积温、当前生长季的最高日温度、当前生长季的最低日温度，当前生长季的日降雨量、当前生长季的日湿度、当前生长季的日风速等；该作物的土壤信息可以包括土壤类型、土壤质地、土壤结构、土壤表层酸碱度(0-30厘米)、土壤底层酸碱度(30-60厘米)、土壤是否有限制根生长的土层、土壤石块的比例；该作物的耕作模式可以包括不翻地、浅翻地(0～40厘米)、深耕(40～70厘米)。
本申请综合考虑了历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征，并且综合考虑了地上生长环境信息和地下生长环境信息，综合了种类丰富、数量庞大的参数进行计算，综合考虑对作物生长的方方面面不同的影响因素，考虑的因素越多，得到的生长阶段预估结果越准确。
在一种可能的实施方式中，通过以下步骤确定所述遥感指数：
获取所述作物的遥感图像；
从所述遥感图像中提取每个作业区域上所述作物的长势特征信息；
基于所述长势特征信息，确定所述作物的遥感指数。
具体地，上述作物的长势特征信息可以通过以下方式确定，具体如，可以获取距离作物15米高度或精度更高的卫星遥感图像或近地遥感图像，从该作物的遥感图像中提取该作物的长势特征信息，如作物高度、作物颜色及作物叶片面积等信息，并根据该作物的长势特征信息确定所述作物的长势指数。作物的长势指数可以为表征作物长势的物理量，通过作物的长势指数，可以监测作物的长势特征信息。例如，作物的长势指数可以在0-1之间，当长势指数为1时，表明该作物长势最佳；当作物的长势指数为0时，表明该作物长势最差；当作物的长势指数在0-0.35之间时，表明该作物长势极差(作物已死亡或近死亡)；当作物的长势指数在0.35-0.5之间时，表明该作物长势差；当作物的长势指数在0.5-0.75之间时，表明该作物长势中等；当作物的长势指数在0.75-1之间时，表明该作物长势中等优或最优。
本申请利用作物的遥感图像，从所述遥感图像中提取每个作业区域上所述作物的长势特征信息，可以全面、方便和直观的获取作物的长势特征信息，结合步骤S102中，将作物所在生长地划分为至少一个网格，按照网格的精度大小，对每个预设面积的作业区域，分别获取作物的长势特征信息，可以更为详尽的对作物的长势进行评估。尤其是在作物的生长地面积较大时，本申请可以节省大量人力调研资源，并且避免人为的主观因素的影响，得到的长势评估结论更加客观、详尽和准确。
一些实施方式中，还可以利用获取的实地田间调查项目表，对预测的作物生长阶段与长势进行确认，例如，通过玉米生长阶段的图片确认玉米有无倒伏。
在一种可能的实施方式中，所述预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况，包括：
预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的概率和程度、所述作物的减产率以及最佳施药时间。
在具体实施中，可以通过第一作物疾病预测模型对当前生长季作物生长过程中可能发生的潜在疾病进行预测。具体如，可以将生长环境信息、生长地的历史发病状况、当前生长季所述生长地的耕地情况、上一季所述生长地的作物类型、以及上一季所述生长地的作物发生的疾病类型和程度中的至少一种信息，作为预测作物可能发生的潜在疾病的参量，并利用第一作物疾病预测模型根据上述至少一种信息预测当前生长季所述作物的潜在疾病。
上述第一作物疾病预测模型为根据往年历史数据训练出来的，针对往年目标生长季，将目标生长季的生长环境信息、生长地的历史发病状况、目标生长季所述生长地的耕地情况、目标生长季的上一季所述生长地的作物类型、以及目标生长季的上一季所述生长地的作物发生的疾病类型和程度中的至少一种信息作为第一作物疾病预测模型的输入特征，将目标生长季所述作物发生的疾病作为第一作物疾病预测模型的输出特征，训练得到第一作物疾病预测模型。
在上述步骤中，生长地的历史作物发病状况为生长地上作物的历史疾病发生情况，可以包括：经常发生的作物疾病类型、作物的抗病力、上一季作物已发生的疾病类型和染病严重程度。例如，可以通过种植户填写的调查表获取的过去5年内某一生长地上的作物经常发生的作物疾病，以及当前生长季的作物对该生长地经常发疾病的抗病力(易感、中等、高等)等。
当前生长季所述生长地的耕地情况可以包括：翻地类型以及耕层深度等，例如，该生长地当前生长季的翻地类型为免耕或条耕，耕层深度为深耕或浅耕等。
这里，不仅可以对潜在疾病进行预测，还可以预测潜在疾病的发病概率、潜在疾病的染病严重程度及可能发生期。例如，吉林省吉林市某农场，种植玉米时玉米的抗病力为中等，2016年该生长地出现玉米大斑病的发病概率为86％。并且，上述2016年的上述该生长地出现玉米大斑病的发病概率已经通过生产实践证实其正确性。
这里，在作物播种以后可以通过第二作物疾病预测模型对未来预设时间长度内该作物感染所述潜在疾病的情况进行预测。具体如，可以将该作物的生长状况及该作物的生长环境作为预测该作物感染所述潜在疾病的情况的参量，预测未来7到15天该生长地上潜在疾病的发生概率、染病严重程度以及作物减产量。同理，第二作物疾病预测模型是通过将往年目标生成季的作物的生长状况及所述作物的生长环境作为输入，将作物感染疾病的情况作为输出训练得到的。
在一种实施方式中，可以通过以下步骤预测上述作物减产量：
步骤1，预测此块生长地的作物在未感染疾病情况下的作物产量，例如，根据作物播种量以及作物生长过程中的生长环境等因素，预测该作物在未感染疾病情况下的作物产量。
步骤2，根据预测的该作物感染潜在疾病的情况，以及作物不同生长阶段中的抗病力，预测未来预设时间长度内因感染潜在疾病而减产的百分比。
例如，根据玉米的生长状况及生长环境，预测到玉米受害叶子的面积大于50％，减产大于22％，则可以确定玉米需要喷药，并为玉米配置相应的农药及农药剂量。
在一种可能的实施方式中，所述配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，包括：
根据每个作业区域预测的所述作物感染潜在疾病的情况、治疗所述潜在疾病的农药的当前农药价格、预测的所述作物价格，确定为每个作业区域配置的农药剂量。
需要说明的是，不同的作物种类以及不同的生长地均会对预测的农药剂量存在影响，即不同的作物种类预测的农药剂量可能会不同，相同作物种类在不同生长地种植时预测的农药剂量也可能会不同。因此，在变量施药时，作物指的是同一种作物，生长地指的是该作物种植的同一块生长地。
具体例如，可以根据该作物感染上述潜在疾病的情况，将该生长地划分为较大的网格，例如将该生长地划分为低农药剂量、中农药剂量及高农药剂量的作业区域，并根据当前农药和作物售价计算出此三个区经济型最优化农药剂量。或者，可以利用卫星遥感图像，将该生长地划分为1米乘1米或更高精度的网格，并为每个空间网格对应的作业区域配置与该作业区域上作物感染所述潜在疾病的情况相匹配的农药剂量。
在具体实施方式中，还可以根据每个作业区域上作物感染所述潜在疾病的情况，为该作物设置喷洒农药的路线，以便作业器械按照喷洒农药的路线及与所述作业区域相匹配的农药剂量，为所述作业区域上的作物喷洒农药。这里，作业器械可以为飞机、无人机或者地面农药喷洒设备。
在一种可能的实施方式中，当根据该作物感染上述潜在疾病的情况，选择飞机为作业器械时，将该生长地划分为较大的网格，例如将该生长地划分为低农药剂量、中农药剂量及高农药剂量的作业区域，并根据当前农药、人工投入、作物的预测产量和作物售价计算出此三个区经济型最优化农药剂量。此时，由于飞机作业的成本较高，通常需要保证，根据作物的预测产量和作物售价计算得到的作物的收益，需要达到当前农药和人工投入的成本的两倍。
在一种可能的实施方式中，当根据该作物感染上述潜在疾病的情况，选择无人机为作业器械时，需要先判断使用的无人机的类型。
如果使用的是不可以提前设置路线和速度的人工控制的无人机，可以将该生长地划分为较大的网格，例如将该生长地划分为低农药剂量、中农药剂量及高农药剂量的作业区域，并根据当前农药、人工投入、作物的预测产量和作物售价计算出此三个区经济型最优化农药剂量。
如果使用的是可以提前设置路线和速度的自动无人机，可以使用下述步骤进行：
步骤1：可以将作物所在生长地划分为至少一个1米乘以1米或更高精度的网格。
步骤2：根据每个作业区域中所述作物的地上生长环境信息、地下生长环境信息、土壤信息、遥感指数、作物实际长势信息及生长阶段信息，预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况。
步骤3：根据预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况，区分和标记需要施药的作业区域和不需要施药的作业区域；其中，不需要施药的作业区域，包括但不限于：缺苗区、已倒伏作物区、已损害作物区、已死亡作物区、无施药价值作物区或无病作物区。
步骤4：对需要施药的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量。
将当前农药价格、预测的作物价格、作物的潜在疾病类型及潜在疾病的染病严重程度输入药量估算模型，得到每个作业区域的最优的农药剂量。为了简化计算，通常将潜在疾病的染病严重程度划分为10个级别，根据潜在疾病的染病严重级别，利用药量估算模型，计算每个作业区域的最优的农药剂量。这里，每个作业区域可以划分为1米乘1米或更高精度的网格，因此，可以对作物生长地施用的农药剂量进行精确的控制。
步骤5：将所述生长地的实际地理信息、每个作业区域和每个作业区域对应的农药剂量输入到无人机控制程序中，通过无人机自动向作物生长地每个作业区域施用农药。
在一种可能的实施方式中，当根据该作物感染上述潜在疾病的情况，选择地面农药喷洒设备为作业器械时，采用下述步骤进行：
步骤1：获取作物所在生长地的实际地理信息，根据上述实际地理信息，将作物所在生长地划分为至少一个1米乘以1米或更高精度的网格。
例如，获取作物所在生长地的经度和纬度，并根据作物所在生长地的经度和纬度，将作物所在生长地划分为至少一个1米乘以1米或更高精度的网格。
步骤2：根据每个作业区域中所述作物的地上生长环境信息、地下生长环境信息、土壤信息、遥感指数、作物实际长势信息及生长阶段信息，预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况。
这里，可以获取采样土壤的土壤属性，根据上述土壤属性估测每个作业区域的土壤信息。
具体地，可以使用土壤扫描仪获取土壤属性，和/或采集土壤样本获取土壤属性。
使用土壤扫描仪对土壤进行分析时，可以使用土壤扫描仪沿一个方向，每隔预设距离，获取一次作业区域土壤的土壤信息。
具体地例如，可以使用Veristech公司的MSP3产品或探地雷达(GroundPenetrating Radar)，沿一个方向，每隔预设距离，例如每隔5米、8米或10米，扫描预设立方的涂层，例如扫描0-30厘米或0-90厘米的土层，得到每个扫描点的导电率等土壤信息。
采集土壤样本对土壤进行分析时，根据预设的样本数量和采集深度，采集若干个土壤样本，之后对上述若干个土壤样本，检测土壤样本中的有机质、酸碱度、氮含量、磷含量、阳离子交换量、土壤含沙量、含黏土量和/或土壤结构等土壤信息。
使用土壤扫描仪和/或采集土壤样本获取土壤属性之后，可以使用空间插值的方法，得到每个作业区域的土壤信息。
并根据每个作业区域的土壤信息对每个作业区域的土壤进行分类，得到每个作业区域的土壤类型，并制作每个作业区域的土壤类型图。
步骤3：根据预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况，区分和标记需要施药的作业区域和不需要施药的作业区域；其中，不需要施药的作业区域，包括但不限于：缺苗区、已倒伏作物区、已损害作物区、已死亡作物区、无施药价值作物区或无病作物区。
步骤4：对需要施药的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量。
将当前农药价格、预测的作物价格、作物的潜在疾病类型及潜在疾病的染病严重程度输入药量估算模型，得到每个作业区域的最优的农药剂量。为了简化计算，通常将潜在疾病的染病严重程度划分为10个级别，根据潜在疾病的染病严重级别，利用药量估算模型，计算每个作业区域的最优的农药剂量。这里，每个作业区域可以划分为1米乘1米或更高精度的网格，因此，可以对作物生长地施用的农药剂量进行精确的控制。
步骤5：根据所述生长地的实际地理信息、每个作业区域和每个作业区域对应的农药剂量，通过地面农药喷洒设备向作物生长地的每个作业区域施用农药。
在一种可能的实施方式中，对所在生长地的作物进行变量施药之后，还包括：
获取预设时间范围内，作物的实际长势信息和/或作物的实际病害信息；
根据所述实际长势信息和/或实际病害信息，配置与所述实际长势信息和/或实际病害信息相匹配的补充农药剂量，在所属补充农药剂量大于零的情况下，以对所在生长地的所述作物进行补充变量施药。
在一种可能的实施方式中，所述方法还包括：
获取每个所述作业区域中所述作物的实际病害信息、遥感指数和土壤信息；
根据所述实际病害信息、所述遥感指数和所述土壤信息，判断每个所述作业区域中所述作物是否具有施药价值；
在所述作业区域中所述作物具有施药价值的情况下，估算每个所述作业区域中所述作物的疾病程度指数；
根据估算的每个作业区域中所述作物的疾病程度指数、治疗当前实际病害的农药的当前农药价格、预测的所述作物价格，确定为每个作业区域配置的农药剂量。
具体地，为了简化计算过程，估算的作物的疾病程度指数通常用1-9个自然数表示。
通过上述实施例一提供的集遥感、模型、算法为一体的变量施农药方法，可以通过对潜在疾病的情况的预测，进而确定作物所需农药的种类及剂量，从而有效的控制农药使用剂量，提高农药的利用率。另外，为了说明具体和方便，本申请实施例一针对的方法，针对农药进行说明，基于相同的设计构思，本申请所述的方法还可以用于变量施用除草剂、变量施肥等应用场景中。
实施例二
本申请实施例二提供的集遥感、模型、算法为一体的变量施农药方法的具体流程如图2所示，可以包括以下步骤：
S201，变量施药***获取作物所在地的历史生长季天气特征，并利用生长地天气预测模型基于历史生长季天气特征，预测当前生长季作物所在生长地的生长环境信息；
这里，历史生长季天气特征可以包括：厄尔尼诺-南方振荡类型及程度、生长季天气特征指数。当前生长季作物所在生长地的生长环境信息可以包括：当前生长季降雨总量、当前生长季利用的有效积温、当前生长季环境的最高温度及当前生长季环境的最低温度。
S202，变量施药***获取生长地的历史作物发病状况，并利用作物疾病预测模型基于前生长季作物所在生长地的生长环境信息及历史作物发病状况，预测当前生长季作物的潜在疾病种类及感染该潜在疾病的情况；
这里，历史作物发病状况可以包括：经常发生的作物疾病类型、作物的抗病力、上一季作物已发生的疾病类型和染病严重程度。感染该潜在疾病的情况包括：潜在疾病的发病概率、潜在疾病的染病严重程度及可能发生期。
S203，在作物播种以后，变量施药***获取作物生长过程中的生长环境信息、作物的遥感图像以及实地田间调查结果；
这里，作物生长过程中的生长环境信息可以包括：地上生长环境信息及地下生长环境信息。地上生长环境信息可以包括：所述生长地的天气状况信息，如环境温度(日最高温度、日最低温度)、环境湿度(日最高湿度、日最低湿度)、降雨量(每小时或每天的降雨量)等；所述地下生长环境信息可以包括：土壤的深度、土壤结构、土壤质地、土壤水分变化、土壤养分、土壤表层酸碱度(0-30厘米)、土壤底层酸碱度(30-60厘米)，是否有限制根生长的土层、土壤石块的比例及作物根的深度等。
实地田间调查结果可以包括作物生长阶段的图片、描述等，如作物有无倒伏情况等。
S204，变量施药***利用气象模型基于作物生长过程中的生长环境信息中的地上生长环境信息，确定作物生长地的气象指数；
这里，作物生长地的气象指数可以表征作物所在生长地的天气状况。
S205，变量施药***利用土壤水分及养分模型，基于作物生长过程中的生长环境信息中的地下生长环境信息，确定作物所需的水分及养分情况；
这里，作物所需的水分情况可以由日水胁迫指数进行表征，作物所需的养分情况可以由日营养胁迫指数进行表征。
S206，变量施药***利用遥感模型，基于作物的遥感图像获取作物的长势指数；
这里，作物的长势指数可以表征作物的长势。
S207，变量施药***利用作物生长模型，基于作物生长过程中的生长环境信息，以及作物所需的水分及养分情况，确定作物的生长阶段；
这里，作物的生长阶段可以由作物生长阶段指数进行表征，例如作物生长阶段指数可以包括10个生长阶段，可以由VN进行表示，其中，N为小于或者等于10正整数。
S208，变量施药***利用作物疾病预测模型，基于作物生长地的气象指数、作物所需的水分及养分情况、作物的长势指数、作物的生长阶段及实地田间调查结果，预测预测未来预设时间长度内作物感染所述潜在疾病的情况。
这里，作物感染所述潜在疾病的情况可以包括：潜在疾病类型、潜在疾病的发病概率、潜在疾病的染病严重程度及作物减产量等。
例如，变量施药***预测到玉米出现大斑病的概率为86％，染病严重程度为低，玉米受害叶子的面积少于20％，减产量小于3％，则可以确定玉米不需要喷药。
S209，变量施药***根据预测的作物感染潜在疾病的情况，预测作物的施药期及农药剂量，并将生长地划分为至少一个预设面积的作业区域，为该作业区域配置与作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量。
通过上述实施例二提供的集遥感、模型、算法为一体的变量施农药方法，可以通过潜在疾病的情况的预测，可以确定农药使用的种类及农药剂量，从而有效的控制农药使用剂量，提高农药的利用率。
实施例三
本申请实施例三提供的集遥感、模型、算法为一体的变量施农药***30的基本结构如图2所示，包括：获取模块31、生长环境预测模块32、疾病预测模块33及农药剂量配置模块34；其中，
所述获取模块31，用于获取作物所在生长地的历史生长季天气特征；
所述生长环境预测模块32，用于根据所述历史生长季天气特征，预测当前生长季所述作物所在生长地的生长环境信息；
所述疾病预测模块33，用于基于所述生长环境信息及所述生长地的历史作物发病状况，预测当前生长季所述作物的潜在疾病；以及用于在所述作物播种以后，基于所述作物的生长阶段信息及所述作物的生长环境，预测未来预设时间长度内所述作物感染所述潜在疾病的情况；
所述农药剂量配置模块34，用于根据预测的所述作物感染所述潜在疾病的情况，为所述生长地的作物配置治疗所述潜在疾病的农药剂量。
通过上述集遥感、模型、算法为一体的变量施农药***30，可以通过对潜在疾病的情况的预测，进而确定作物所需农药的种类及剂量，从而有效的控制农药使用剂量，提高农药的利用率。
所述疾病预测模块33，具体用于根据以下步骤预测当前生长季所述作物的潜在疾病：
基于所述生长环境信息、所述生长地的历史发病状况、当前生长季所述生长地的耕地情况、上一季所述生长地的作物类型、以及上一季所述生长地的作物发生的疾病类型中的至少一种信息，预测当前生长季所述作物的潜在疾病。
进一步地，所述疾病预测模块33，具体用于根据以下步骤确定所述作物的生长阶段信息：
获取所述作物的生长环境信息、所述作物的长势特征信息、及所述作物的生长阶段信息；
基于所述作物的生长环境信息、所述作物的长势特征信息、及所述作物的生长阶段信息，确定所述作物的生长阶段信息。
进一步地，所述生长环境信息包括：地上生长环境信息及地下生长环境信息；
所述地上生长环境信息包括：所述生长地的天气状况信息；
所述地下生长环境信息包括：所述作物的根深及所述生长地的土壤状况中的至少一种。
所述疾病预测模块33，具体用于根据以下步骤获取所述作物的长势特征信息：
获取所述作物的遥感图像；
从所述遥感图像中提取所述作物的长势特征信息；
基于所述长势特征信息，确定所述作物的长势指数。
进一步地，所述作物感染所述潜在疾病的情况包括：潜在疾病类型、潜在疾病的发病概率及潜在疾病的染病严重程度；
所述农药剂量配置模块34，具体用于根据以下步骤预测的所述作物感染所述潜在疾病的情况，为所述生长地的作物配置治疗所述潜在疾病的农药剂量：
根据预测的所述作物感染所述潜在疾病的情况，将所述生长地划分为至少一个预设面积的作业区域；
针对每个作业区域，若该作业区域上作物的潜在疾病的发病概率大于预设值，为该作业区域配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量。
可选地，所述集遥感、模型、算法为一体的变量施农药***30还包括：
路线设置模块35，用于根据所述作业区域上作物感染所述潜在疾病的情况，为所述作物设置喷洒农药的路线，以便作业器械按照所述喷洒农药的路线及与所述作业区域相匹配的农药剂量，为所述作业区域上的作物喷洒农药。
上述集遥感、模型、算法为一体的变量施农药***30，不仅可以控制农药使用剂量，还可以根据农药剂量为喷洒农药的作业设备规划合理的作业路线，从而作业设备可以经济节约为作物喷洒农药。
实施例三
本申请实施例三所提供的一种电子设备40的基本结构如图4所示，包括：处理器41、存储器42和总线43；
所述存储器存储42有所述处理器41可执行的机器可读指令，当网络侧设备运行时，所述处理器41与所述存储器42之间通过总线43通信，所述机器可读指令被所述处理器41执行时执行如下处理：
获取作物所在生长地的历史生长季天气特征；
根据所述历史生长季天气特征，预测当前生长季所述作物所在生长地的生长环境信息；
基于所述生长环境信息及所述生长地的历史作物发病状况，预测当前生长季所述作物的潜在疾病；
在所述作物播种以后，基于所述作物的生长阶段信息及所述作物的生长环境，预测未来预设时间长度内所述作物感染所述潜在疾病的情况；
根据预测的所述作物感染所述潜在疾病的情况，为所述生长地的作物配置治疗所述潜在疾病的农药剂量。
在具体实施中，上述处理器41执行的处理中，所述基于所述生长环境信息及所述生长地的历史作物发病状况，预测当前生长季所述作物的潜在疾病，包括：
基于所述生长环境信息、所述生长地的历史发病状况、当前生长季所述生长地的耕地情况、上一季所述生长地的作物类型、以及上一季所述生长地的作物发生的疾病类型中的至少一种信息，预测当前生长季所述作物的潜在疾病。
在具体实施中，上述处理器41执行的处理中，所述根据以下步骤确定所述作物的生长阶段信息：
获取所述作物的生长环境信息、所述作物的长势特征信息、及所述作物的生长阶段信息；
基于所述作物的生长环境信息、所述作物的长势特征信息、及所述作物的生长阶段信息，确定所述作物的生长阶段信息。
在具体实施中，上述处理器41执行的处理中，所述生长环境信息包括：地上生长环境信息及地下生长环境信息；
所述地上生长环境信息包括：所述生长地的天气状况信息；
所述地下生长环境信息包括：所述作物的根深及所述生长地的土壤状况中的至少一种。
在具体实施中，上述处理器41执行的处理中，所述获取所述作物的长势特征信息，包括：
获取所述作物的遥感图像；
从所述遥感图像中提取所述作物的长势特征信息；
基于所述长势特征信息，确定所述作物的长势指数。
在具体实施中，上述处理器41执行的处理中，所述作物感染所述潜在疾病的情况包括：潜在疾病类型、潜在疾病的发病概率及潜在疾病的染病严重程度；所述根据预测的所述作物感染所述潜在疾病的情况，为所述生长地的作物配置治疗所述潜在疾病的农药剂量，包括：
根据预测的所述作物感染所述潜在疾病的情况，将所述生长地划分为至少一个预设面积的作业区域；
针对每个作业区域，若该作业区域上作物的潜在疾病的发病概率大于预设值，为该作业区域配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量。
在具体实施中，上述处理器41执行的处理中，所述方法还包括：
根据所述作业区域上作物感染所述潜在疾病的情况，为所述作物设置喷洒农药的路线，以便作业器械按照所述喷洒农药的路线及与所述作业区域相匹配的农药剂量，为所述作业区域上的作物喷洒农药。
实施例四
本申请实施例四提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述集遥感、模型、算法为一体的变量施农药方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述集遥感、模型、算法为一体的变量施农药方法，从而解决目前无法有效控制农药的使用剂量而造成的农药滥用问题，控制农药的使用剂量，提高农药的利用率。
本申请实施例所提供的集遥感、模型、算法为一体的变量施农药方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种集遥感、模型、算法为一体的变量施农药方法，其特征在于，所述方法包括：
确定作物所在生长地的地理信息与作物所在生长地的实际地理信息之间的映射关系；
根据所述映射关系，将作物所在生长地划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域；
基于针对每个所述作业区域预测的所述作物感染潜在疾病的情况，为所述潜在疾病的发病概率大于预设值的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，以对所在生长地的作物进行变量施药。
2.根据权利要求1所述的方法，其特征在于，根据以下步骤预测所述作物感染潜在疾病的情况：
基于预测的当前生长季所述作物的生长环境特征、所述生长地的历史发病状况、当前生长季所述生长地的耕地情况、当前生长季作物抵抗此地常发疾病能力、上一季所述生长地的农作物类型、以及上一季所述生长地的农作物发生的疾病类型中至少一种信息，预测当前生长季所述农作物的潜在疾病；
在所述作物播种以后，基于每个作业区域中所述作物的地上生长环境信息、地下生长环境信息、土壤信息、遥感指数、作物实际长势信息及生长阶段信息，预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况。
3.根据权利要求2所述的方法，其特征在于，所述预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的情况，包括：
预测未来预设时间长度内每个作业区域中所述作物感染所述潜在疾病的概率和程度、所述作物的减产率以及最佳施药时间。
4.根据权利要求2所述的方法，其特征在于，根据以下步骤预测当前生长季所述作物的生长环境特征，包括：
获取所述生长地的历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征；
根据所述历史生长季天气特征和所述作物播种前预设时间段内的生长季天气特征，预测当前生长季所述作物所在生长地的生长环境特征；
根据以下步骤预测所述作物的地上生长环境信息：
根据所述生长地的温度、湿度和降雨量，确定表征所述作物的地上生长环境信息的气象指数；
根据以下步骤预测所述作物的地下生长环境信息：
根据每个作业区域中所述作物的根深、水分需求信息及养分需求信息，确定用于表征所述地下生长环境信息的所述作物的日水胁迫指数及日营养胁迫指数；
根据以下步骤预测所述作物的生长阶段信息：
根据所述生长地的天气信息、土壤信息、耕作模式、上一季作物类型、所述日水胁迫指数、日营养胁迫指数、日需水量、生长环境日供水量、日需养分量、生长环境日供养分量、当前生长季作物种植密度、所述作物的作物类型和日疾病胁迫指数，预测所述作物的生长阶段信息。
5.根据权利要求2所述的方法，其特征在于，通过以下步骤确定所述遥感指数：
获取所述作物的遥感图像；
从所述遥感图像中提取每个作业区域上所述作物的长势特征信息；
基于所述长势特征信息，确定所述作物的遥感指数。
6.根据权利要求1所述的方法，其特征在于，所述配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，包括：
根据每个作业区域预测的所述作物感染潜在疾病的情况、治疗所述潜在疾病的农药的当前农药价格、预测的所述作物价格，确定为每个作业区域配置的农药剂量。
7.根据权利要求1或6所述的方法，其特征在于，所述方法还包括：
根据每个作业区域上确定的农药剂量和每个作业区域上使用的作业器械，为所述作物设置喷洒农药的路线和所述作业器械的喷洒策略；
所述作业器械按照所述喷洒农药的路线、与所述作业区域相匹配的农药剂量及所述作业器械的喷洒策略，为所述作业区域上的作物喷洒农药。
8.根据权利要求1所述的方法，其特征在于，对所在生长地的作物进行变量施药之后，还包括：
获取预设时间范围内，作物的实际长势信息和/或作物的实际病害信息；
根据所述实际长势信息和/或实际病害信息，配置与所述实际长势信息和/或实际病害信息相匹配的补充农药剂量，在所属补充农药剂量大于零的情况下，以对所在生长地的所述作物进行补充变量施药。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取每个所述作业区域中所述作物的实际病害信息、遥感指数和土壤信息；
根据所述实际病害信息、所述遥感指数和所述土壤信息，判断每个所述作业区域中所述作物是否具有施药价值；
在所述作业区域中所述作物具有施药价值的情况下，估算每个所述作业区域中所述作物的疾病程度指数；
根据估算的每个作业区域中所述作物的疾病程度指数、治疗当前实际病害的农药的当前农药价格、预测的所述作物价格，确定为每个作业区域配置的农药剂量。
10.一种集遥感、模型、算法为一体的变量施农药***，其特征在于，所述***包括：划分模块及变量施药模块；其中，
所述划分模块，用于将作物所在生长地的遥感图像划分为至少一个网格，其中，每个网格对应所述生长地中预设面积的作业区域；
所述变量施药模块，用于基于针对每个所述作业区域预测的所述作物感染潜在疾病的情况，为所述潜在疾病的发病概率大于预设值的作业区域，配置与所述作物的潜在疾病类型及潜在疾病的染病严重程度相匹配的农药剂量，以对所在生长地的作物进行变量施药。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541772.0A CN109492619B (zh) | 2018-12-17 | 2018-12-17 | 集遥感、模型、算法为一体的变量施农药方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541772.0A CN109492619B (zh) | 2018-12-17 | 2018-12-17 | 集遥感、模型、算法为一体的变量施农药方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109492619A true CN109492619A (zh) | 2019-03-19 |
| CN109492619B CN109492619B (zh) | 2021-07-30 |
Family
ID=65710629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811541772.0A Active CN109492619B (zh) | 2018-12-17 | 2018-12-17 | 集遥感、模型、算法为一体的变量施农药方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492619B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110574611A (zh) * | 2019-10-16 | 2019-12-17 | 湖南林科达农林技术服务有限公司 | 林业有害生物防控方法及防控*** |
| CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉***控制方法及水肥一体化灌溉*** |
| CN111596689A (zh) * | 2020-06-10 | 2020-08-28 | 张玉红 | 一种基于大数据物联网的智慧农业植保作业控制*** |
| CN111972066A (zh) * | 2020-08-31 | 2020-11-24 | 江苏富田农化有限公司 | 一种冬小麦田禾本科杂草的防除方法及防除装置 |
| CN112136637A (zh) * | 2020-09-27 | 2020-12-29 | 安阳工学院 | 自适应棉花落叶剂的喷洒方法 |
| CN112528506A (zh) * | 2020-12-15 | 2021-03-19 | 广州极飞科技有限公司 | 作业剂量的确定方法、装置、无人设备及存储介质 |
| CN113366956A (zh) * | 2021-06-16 | 2021-09-10 | 中国农业大学 | 药肥同施的控制方法及药肥同施的装置 |
| WO2022094698A1 (en) * | 2020-11-05 | 2022-05-12 | Farmers Edge Inc. | Advanced crop manager for crops stress mitigation |
| CN115053685A (zh) * | 2022-06-07 | 2022-09-16 | 舒城县农业科学研究所 | 一种水生蔬菜种植用肥水管控*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN103761674A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 基于遥感与海量气候信息的农作物生长期告警与干预方法 |
| CN105173085A (zh) * | 2015-09-18 | 2015-12-23 | 山东农业大学 | 无人机变量施药自动控制***及方法 |
| CN106248146A (zh) * | 2016-08-31 | 2016-12-21 | 西安黄氏生物工程有限公司 | 一种小麦白粉病预报方法及其装置 |
| CN107609666A (zh) * | 2016-07-12 | 2018-01-19 | 塔塔咨询服务公司 | 使用历史农药使用信息进行害虫预测的***和方法 |
-
2018
- 2018-12-17 CN CN201811541772.0A patent/CN109492619B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN103761674A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 基于遥感与海量气候信息的农作物生长期告警与干预方法 |
| CN105173085A (zh) * | 2015-09-18 | 2015-12-23 | 山东农业大学 | 无人机变量施药自动控制***及方法 |
| CN107609666A (zh) * | 2016-07-12 | 2018-01-19 | 塔塔咨询服务公司 | 使用历史农药使用信息进行害虫预测的***和方法 |
| CN106248146A (zh) * | 2016-08-31 | 2016-12-21 | 西安黄氏生物工程有限公司 | 一种小麦白粉病预报方法及其装置 |
Non-Patent Citations (2)
| Title |
|---|
| A.VAN MAANEN 等: "Modelling Plant Disease Epidemics", 《EUROPEAN JOURNAL OF PLANT PATHOLOGY》 * |
| 曲峰: "果树病害检测与精准喷施方法及关键技术果树病害检测与精准喷施方法及关键技术装备研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110574611A (zh) * | 2019-10-16 | 2019-12-17 | 湖南林科达农林技术服务有限公司 | 林业有害生物防控方法及防控*** |
| CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉***控制方法及水肥一体化灌溉*** |
| CN111596689A (zh) * | 2020-06-10 | 2020-08-28 | 张玉红 | 一种基于大数据物联网的智慧农业植保作业控制*** |
| CN111972066A (zh) * | 2020-08-31 | 2020-11-24 | 江苏富田农化有限公司 | 一种冬小麦田禾本科杂草的防除方法及防除装置 |
| CN112136637A (zh) * | 2020-09-27 | 2020-12-29 | 安阳工学院 | 自适应棉花落叶剂的喷洒方法 |
| WO2022094698A1 (en) * | 2020-11-05 | 2022-05-12 | Farmers Edge Inc. | Advanced crop manager for crops stress mitigation |
| CN112528506A (zh) * | 2020-12-15 | 2021-03-19 | 广州极飞科技有限公司 | 作业剂量的确定方法、装置、无人设备及存储介质 |
| CN113366956A (zh) * | 2021-06-16 | 2021-09-10 | 中国农业大学 | 药肥同施的控制方法及药肥同施的装置 |
| CN115053685A (zh) * | 2022-06-07 | 2022-09-16 | 舒城县农业科学研究所 | 一种水生蔬菜种植用肥水管控*** |
| CN115053685B (zh) * | 2022-06-07 | 2023-11-28 | 舒城县农业科学研究所 | 一种水生蔬菜种植用肥水管控*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109492619B (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492619A (zh) | 集遥感、模型、算法为一体的变量施农药方法及*** | |
| US10319050B2 (en) | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods | |
| Kintché et al. | Cassava yield loss in farmer fields was mainly caused by low soil fertility and suboptimal management practices in two provinces of the Democratic Republic of Congo | |
| de Wit et al. | Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations | |
| Li et al. | Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques | |
| Hidy et al. | Development of the Biome-BGC model for simulation of managed herbaceous ecosystems | |
| Tuğrul | Soil management in sustainable agriculture | |
| Simionesei et al. | IrrigaSys: A web-based irrigation decision support system based on open source data and technology | |
| Ukhurebor et al. | Precision agriculture: Weather forecasting for future farming | |
| Ncube et al. | Precision agriculture and food security in Africa | |
| Srivastava et al. | Impact of climatic variables on the spatial and temporal variability of crop yield and biomass gap in Sub-Saharan Africa-a case study in Central Ghana | |
| Metcalfe et al. | Modelling the effect of spatially variable soil properties on the distribution of weeds | |
| CN111095314A (zh) | 作物植物种植的产量估计 | |
| Belal et al. | Precision farming technologies to increase soil and crop productivity | |
| Nelson et al. | Tackling climate risk to sustainably intensify smallholder maize farming systems in southern Africa | |
| Yousefian et al. | Yield gap assessment in rice-grown fields using CPA and BLA approaches in northern Iran | |
| Jesus et al. | Fuzzy logic and geographic information systems for pest control in olive culture | |
| Karada et al. | A review on advances in agriculture and agroforestry with GPS and GIS | |
| Chai | Detecting rice cropping patterns with Sentinel-1 multitemporal imagery | |
| Kalivas et al. | Using geographic information systems to map the prevalent weeds at an early stage of the cotton crop in relation to abiotic factors | |
| Gunasekara et al. | Expert prediction system for spice plants grown in Sri Lanka: An incentive for planters | |
| Jat et al. | Dryland technology | |
| Cheviron et al. | The Optirrig model for the generation, analysis and optimization of irrigation scenarios: rationale and scopes | |
| Mane et al. | Review on Applications of artificial intelligence in Indian agriculture: future and challenges | |
| Lippe | Simulating the impact of land use change on ecosystem functions in data-limited watersheds of Mountainous Mainland Southeast Asia |
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 |