CN109886551A - 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 - Google Patents
通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 Download PDFInfo
- Publication number
- CN109886551A CN109886551A CN201910064370.4A CN201910064370A CN109886551A CN 109886551 A CN109886551 A CN 109886551A CN 201910064370 A CN201910064370 A CN 201910064370A CN 109886551 A CN109886551 A CN 109886551A
- Authority
- CN
- China
- Prior art keywords
- environment monitoring
- value
- quantification
- monitoring modular
- farm environment
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,按以下步骤,建立实际数据库、指标量化值设定范围、确定阈值K,按阈值K范围内随机提取一组指标量化值,数据代入数学模型,排除偏差较大的无效量化指标后,将一组或数组有效量化指标相对应的指标量化值存入虚拟数据库中;通过本技术方案,可应用于布置少量环境监测模块的现代农田***建设,同时用大数据计算的方式优化了数据采集模块的投放量和投放比例;减少了设备故障、设备污染、极端气候等带来的采集数据偏差;同时减少了频繁校准,有效的减少了工作人员的劳动强度,降低了工时耗费,减少校准费用,应用范围广。
Description
技术领域
本发明涉及一种纠正农业传感器布置误差与量化误差方法,特别是涉及一种通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法。
背景技术
在现代的农田环境监测***中,经常用到一些带有传感器的农田环境监测模块装置来测量农田的各种环境参数,如温度、湿度、离子浓度值等,而这类环境检测模块在各个农田地块中均是采用离散分布方式,人们将田间地块中设备每天、每时或更高频次的将收集数据存储于数据库。
传统的数据分析或后期决策的准确性依赖于农田环境监测模块的多少,而过量的环境监测模块又会带来成本的大量增加,大部分的农田环境监测***中。
当采集到的数据直接用于农田作物决策或数据分析时会带来两种误差,A.布置误差,为节省成本在田间少量布置环境监控模块装置,这样用少量的采集数据去衡量大片农田的环境情况,不够贴近真实值;装置设备的故障或污染,造成布置上的误差进一步加大,例如布置两个环境监测模块,如果其中一个指标出现问题,那对结果值的准确性来说是致命的;此外,针对不同种类的模块化装置,如温度模块、湿度模块、光照强度模块、气味模块,通过人工智能大计算的过程,我们可以清楚的获取到布置过程中对位置不敏感的模块,和针对位置敏感的模块,例如通过大数据计算均匀投放在不同位置的10个光照强度模块计算得到的数据在同时间差异不大,故在随后的布置过程中可以减少光强模块的投放量;通过后期计算得到气味模块同时间不同位置差异明显,可加大气味模块的投放量。一方面节省了位置不敏感参数模块多投放带来的成本,另一方面位置敏感参数模块多投放所带来的值更精确;B.量化误差,这类环境监控模块装置长期处于外界过冷、过热、雨水等气候环境中或者与土壤紧密接触,由于气候环境等不稳定因素或者设备自身的问题带来数据的量化误差;量化误差包含此类也包含上面提到的设备故障误差导致的错误值。此外,设备在投放过程中容易受到污染,数据会有偏差,需要校准来更正,但频繁校准会增加成本。
综上所述,在现有技术中,仅通过放置少量的环境监控模块装置,会出现严重的布置误差和量化误差;增加环境监模块装置数量进行数据采集会造成高成本,同时对于环境监测模块装置需要经常对其进行检测校准,工作管理人员工作量大,作业成本居高不下,不利于技术普及和推广应用。
发明内容
有鉴于此,本发明的主要目的在于提供一种通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,通过本技术方案,在农田数据的测量过程中,在田间仅放置少量农田环境监测模块装置,仍然能够得到比较好的数据准确性的支持;同时也解决了无需频繁校准和增多农田环境监测模块装置而带来的高成本问题。
为了达到上述目的,本发明的技术方案是这样实现的。
一种通过大数据对农田环境监测模块装置产生的布置误差及量化误差的纠正方法,按以下步骤进行:
.建立实际数据库,农田环境监测模块数据采集,按每频次将一个农田环境监测模块
产生的当前某种指标量化值采集到实际数据库中;
. 某种指标量化值设定范围,对实际数据库中一个某种当前指标量化值根据种类性
质设置选择允许区域排除无效指标量化值;
.根据一个某种当前指标量化值的性质和地质环境变化的历史记录确定某种量化值
的阈值K,将步骤中一个某种当前指标量化值的有效指标量化值,按阈值K范围内随机提
取一组指标量化值A1、A2、A3、……、Am,完成一个农田环境监测模块的某种当前指标量化值
的区域选择收集工作;
.建立虚拟数据库,根据某种当前指标量化值的性质与所对应农田植物生长监测指
标建立相关的一个或数个数学模型,将步骤中一组指标量化值A1、A2、A3、……、Am分别代
入与某种当前指标量化值相关的一个或数个数学模型中得出一组或数组的量化指标,排除
偏差较大的无效量化指标后,将一组或数组有效量化指标相对应的指标量化值存入虚拟数
据库中。
作为进一步的技术方案,对于步骤中被排除无效指标量化值所对应的某个农田
环境监测模块装置中的某种环境监测模块检修。
作为进一步的技术方案,所述农田环境监测模块装置中,包括空气温湿度监控设备、土壤温湿度监控设备、光照强度监控设备、土壤pH值监控设备、EC值监控设备和植被指数监控设备。
作为进一步的技术方案,所述数学模型包括温度/湿度/光照强度日累积值-作物指数模型;积温-生物量模型;温度/光照-植被指数模型;温度/光照/昼夜温差-产量模型;土壤湿度-植被指数参数;土壤湿度-根系发达指数;pH-植被指数参数;pH-生物量参数;EC-植被指数参数;EC累积值-生物量参数。
作为进一步的技术方案,选择另一个农田环境监测模块依次按步骤至步骤完
成数据采集工作;选择另一个农田环境监测模块产生的当前另一种指标量化值,依次按步
骤至步骤完成数据采集工作。
采用上述技术方案后的有益效果是:一种通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,通过本技术方案,可应用于布置少量环境监测模块的现代农田***建设,同时用大数据计算的方式优化了数据采集模块的投放量和投放比例;减少了设备故障、设备污染、极端气候等带来的采集数据偏差;同时减少了频繁校准,有效的减少了工作人员的劳动强度,降低了工时耗费,减少校准费用,应用范围广。
附图说明
图1为本发明的工作流程方框图。
图中,1实际数据库、2农田环境监测模块装置、3指标量化值、4无效指标量化值、5有效指标量化值、6虚拟数据库、7数学模型、8空气温湿度监控设备、9土壤温湿度监控设备、10光照强度监控设备、11土壤pH值监控设备、12 EC值监控设备、13植被指数监控设备、14历史数据库。
具体实施方式
下面将结合附图对本发明中具体实施例作进一步详细说明。
如图1所示,本发明涉及的通过大数据对农田环境监测模块装置产生的布置误差及量化误差的纠正方法,按以下步骤进行:
.建立实际数据库1,农田环境监测模块装置2数据采集,按每频次将一个农田环境监
测模块装置2产生的当前某种指标量化值3采集到实际数据库1中;
. 某种指标量化值3设定范围,对实际数据库1中一个某种当前指标量化值3根据种
类性质设置选择允许区域排除无效指标量化值4;
.根据一个某种当前指标量化值3的性质和地质环境变化的历史记录确定某种指标
量化值3的阈值K,将步骤中一个某种当前指标量化值3的有效指标量化值5,按阈值K范围
内随机提取数个指标量化值A1、A2、A3、……、Am,完成一个农田环境监测模块的某种当前指
标量化值3的区域选择收集工作;
.建立虚拟数据库6,根据某种当前指标量化值3的性质与所对应农田植物生长监测
指标建立相关的一个或数个数学模型7,将步骤中一组指标量化值A1、A2、A3、……、Am分
别代入与某种当前指标量化值3相关的一个或数个数学模型7中得出一组或数组的量化指
标,排除偏差较大的无效量化指标4后,将一组或数组有效量化指标相对应的指标量化值3
存入虚拟数据库6中。
作为进一步的实施例,对于步骤中被排除无效指标量化值4所对应的某个农田
环境监测模块装置2中的某种环境监测模块检修。
作为进一步的实施例,所述农田环境监测模块装置2中,包括空气温湿度监控设备8、土壤温湿度监控设备9、光照强度监控设备10、土壤pH值监控设备11、EC值监控设备12和植被指数监控设备13。
作为进一步的实施例,所述数学模型7包括温度/湿度/光照强度日累积值-作物指数模型;积温-生物量模型;温度/光照-植被指数模型;温度/光照/昼夜温差-产量模型;土壤湿度-植被指数参数;土壤湿度-根系发达指数;pH-植被指数参数;pH-生物量参数;EC-植被指数参数;EC累积值-生物量参数。
作为进一步的实施例,选择另一个农田环境监测模块装置2依次按步骤至步骤完成数据采集工作;选择另一个农田环境监测模块装置产生的当前另一种指标量化值3,
依次按步骤至步骤完成数据采集工作。
发明技术方案的步骤中被排除的无效指标量化值4是完全不符合自然规律、生
活常识和物理特性的指标量化值3,例如北京冬天地表温度出现零上50℃现象,出现此类指
标量化值3一定是设备故障,可以直接将数据剔除,并且后期需要对所对应的农田环境监测
模块装置2进行检修,步骤中被排除的无效指标量化值4是因为通过所对应数学模型7计
算出的量化指标3出现较大偏差,如果出现大量被排除,对于此种情况,可以重新设定缩小
指标量化值3的取值范围,并且也要关注所对应数学模型的收敛性。
本发明中的数学模型7随着种植季的增长,数据量越来越多,数学模型7越来越收敛,准确度越来越高,从而可用更高精度的数学模型进行工作,以剔除之前虚拟数据库6中某种指标量化值3。
本发明中的历史数据库14中包含实际数据库1和虚拟数据库6,将当前的实际数据库1、虚拟数据库6和历史数据库14中某种指标量化值3放入相关数学模型7中进行训练,越来越多的某种指标量化值3数据放入相关的数学模型7,使相关的数学模型7趋于收敛,且精确度越来越高;当每年度的某种指标量化值3数据都分为实际数据库1和虚拟数据库6保存,每个种植季结束,所得到的数据为更精确的模型数据可以用于后期的数据分析或建立更加趋于接近的数学模型7。
本发明的技术方案中由环境监测模块装置2传输过来的实际数据进入实际数据库1中,实际数据经过一定的限制条件和人工智能计算得到的一组随机数据为虚拟数据进入虚拟数据库6。
本发明的各种数学模型7的建立均为现有技术,在此不再详细赘述。
以上所述,仅为本发明的较佳可行实施例而已,并非用以限定本发明的保护范围。
Claims (5)
1.一种通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,其特征在于,按以下步骤进行:
.建立实际数据库,农田环境监测模块数据采集,按每频次将一个农田环境监测模块产生的当前某种指标量化值采集到实际数据库中;
.某种指标量化值设定范围,对实际数据库中一个某种当前指标量化值根据种类性质设置选择允许区域排除无效指标量化值;
.根据一个某种当前指标量化值的性质和地质环境变化的历史记录确定某种量化值的阈值K,将步骤中一个某种当前指标量化值的有效指标量化值,按阈值K范围内随机提取一组指标量化值A1、A2、A3、……、Am,完成一个农田环境监测模块的某种当前指标量化值的区域选择收集工作;
.建立虚拟数据库,根据某种当前指标量化值的性质与所对应农田植物生长监测指标建立相关的一个或数个数学模型,将步骤中一组指标量化值A1、A2、A3、……、Am分别代入与某种当前指标量化值相关的一个或数个数学模型中得出一组或数组的量化指标,排除偏差较大的无效量化指标后,将一组或数组有效量化指标相对应的指标量化值存入虚拟数据库中。
2.根据权利要求1所述的通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,其特征在于,对于步骤中被排除无效指标量化值所对应的某个农田环境监测模块装置中的某种环境监测模块检修。
3.根据权利要求1所述的通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,其特征在于,所述农田环境监测模块装置中,包括空气温湿度监控设备、土壤温湿度监控设备、光照强度监控设备、土壤pH值监控设备、EC值监控设备和植被指数监控设备。
4.根据权利要求1所述的通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,其特征在于,所述数学模型包括温度/湿度/光照强度日累积值-作物指数模型;积温-生物量模型;温度/光照-植被指数模型;温度/光照/昼夜温差-产量模型;土壤湿度-植被指数参数;土壤湿度-根系发达指数;pH-植被指数参数;pH-生物量参数;EC-植被指数参数;EC累积值-生物量参数。
5.根据权利要求1所述的通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法,其特征在于,选择另一个农田环境监测模块依次按步骤至步骤完成数据采集工作;选择另一个农田环境监测模块产生的当前另一种指标量化值,依次按步骤至步骤完成数据采集工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064370.4A CN109886551A (zh) | 2019-01-23 | 2019-01-23 | 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064370.4A CN109886551A (zh) | 2019-01-23 | 2019-01-23 | 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886551A true CN109886551A (zh) | 2019-06-14 |
Family
ID=66926558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910064370.4A Pending CN109886551A (zh) | 2019-01-23 | 2019-01-23 | 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886551A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354348A (zh) * | 2010-12-16 | 2012-02-15 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN102435309A (zh) * | 2011-09-20 | 2012-05-02 | 北京农业信息技术研究中心 | 农业田间成像高光谱仪场地反射率定标方法及*** |
CN105792110A (zh) * | 2016-03-30 | 2016-07-20 | 上海申腾信息技术有限公司 | 一种多数据来源的数据融合、智能搜索的处理方法 |
CN106500775A (zh) * | 2016-12-29 | 2017-03-15 | 深圳万智联合科技有限公司 | 一种有效的农作物生长监测*** |
CN107018202A (zh) * | 2017-05-10 | 2017-08-04 | 长春市华兴博远科技有限公司 | 一种基于大数据的智能农田监控*** |
CN108462748A (zh) * | 2018-03-21 | 2018-08-28 | 广州极飞科技有限公司 | 治理控制方法及其装置、云端服务器、治理方法及其*** |
CN109003198A (zh) * | 2018-06-22 | 2018-12-14 | 肖晓飞 | 一种基于大数据技术的精准农业管理平台及方法 |
-
2019
- 2019-01-23 CN CN201910064370.4A patent/CN109886551A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354348A (zh) * | 2010-12-16 | 2012-02-15 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN102435309A (zh) * | 2011-09-20 | 2012-05-02 | 北京农业信息技术研究中心 | 农业田间成像高光谱仪场地反射率定标方法及*** |
CN105792110A (zh) * | 2016-03-30 | 2016-07-20 | 上海申腾信息技术有限公司 | 一种多数据来源的数据融合、智能搜索的处理方法 |
CN106500775A (zh) * | 2016-12-29 | 2017-03-15 | 深圳万智联合科技有限公司 | 一种有效的农作物生长监测*** |
CN107018202A (zh) * | 2017-05-10 | 2017-08-04 | 长春市华兴博远科技有限公司 | 一种基于大数据的智能农田监控*** |
CN108462748A (zh) * | 2018-03-21 | 2018-08-28 | 广州极飞科技有限公司 | 治理控制方法及其装置、云端服务器、治理方法及其*** |
CN109003198A (zh) * | 2018-06-22 | 2018-12-14 | 肖晓飞 | 一种基于大数据技术的精准农业管理平台及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集*** |
CN117829381B (zh) * | 2024-03-05 | 2024-05-14 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719336B (zh) | 一种基于物联网的灌溉用水分析监控*** | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
Hussein et al. | Simulating cotton yield response to deficit irrigation with the FAO AquaCrop model | |
Hu et al. | Improvement of sugarcane crop simulation by SWAP-WOFOST model via data assimilation | |
CN108446997A (zh) | 一种基于多源信息融合的作物节水灌溉决策方法及测控*** | |
CN104123444A (zh) | 基于区域墒情监测和遥感数据的实时灌溉预报***及方法 | |
Boini et al. | Monitoring fruit daily growth indicates the onset of mild drought stress in apple | |
AU2016273991A1 (en) | Detection of environmental conditions | |
Guillén-Navarro et al. | A deep learning model to predict lower temperatures in agriculture | |
Zweifel et al. | TreeNet–the biological drought and growth indicator network | |
CN113273449A (zh) | 用于日光温室精准监测的数字孪生体构造方法 | |
CN112668705A (zh) | 基于深度学习的干旱指数监测方法及*** | |
CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及*** | |
CN114365682B (zh) | 一种设施栽培土壤水分预测方法、装置及电子设备 | |
Vera et al. | Precise sustainable irrigation: A review of soil-plant-atmosphere monitoring | |
CN110210142B (zh) | 一种南方大型灌区水稻实时需水量测算方法 | |
CN111708050A (zh) | 用于gnss数据处理的自适应对流层延迟改正方法及*** | |
CN109886551A (zh) | 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 | |
CN110765901A (zh) | 一种基于物联网的农业灾害信息遥感提取***及方法 | |
CN117172959B (zh) | 一种林业生态环境监测***及方法 | |
Gleason et al. | Validation of a commercial system for remote estimation of wetness duration | |
CN117350748A (zh) | 一种森林碳储量与碳汇价值监测***及动态评估方法 | |
Mana et al. | Survey review on artificial intelligence and embedded systems for agriculture safety: a proposed IoT Agro-meteorology System for Local Farmers in Morocco | |
CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
CN115937711A (zh) | 一种基于无人机遥感的土壤盐分快速监测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190614 |
|
WD01 | Invention patent application deemed withdrawn after publication |