CN114391351A - 变量施肥决策方法及装置 - Google Patents
变量施肥决策方法及装置 Download PDFInfo
- Publication number
- CN114391351A CN114391351A CN202111642208.XA CN202111642208A CN114391351A CN 114391351 A CN114391351 A CN 114391351A CN 202111642208 A CN202111642208 A CN 202111642208A CN 114391351 A CN114391351 A CN 114391351A
- Authority
- CN
- China
- Prior art keywords
- target
- nutrient
- amount
- determining
- yield
- 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
- 230000004720 fertilization Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 75
- 235000015097 nutrients Nutrition 0.000 claims abstract description 158
- 239000002689 soil Substances 0.000 claims abstract description 141
- 239000003337 fertilizer Substances 0.000 claims abstract description 120
- 238000005192 partition Methods 0.000 claims abstract description 99
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims description 34
- 238000007726 management method Methods 0.000 claims description 29
- 238000000638 solvent extraction Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009331 sowing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 54
- 229910052700 potassium Inorganic materials 0.000 description 32
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 31
- 239000011591 potassium Substances 0.000 description 31
- 229910052698 phosphorus Inorganic materials 0.000 description 29
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 28
- 229910052757 nitrogen Inorganic materials 0.000 description 28
- 239000011574 phosphorus Substances 0.000 description 28
- 230000008859 change Effects 0.000 description 21
- 241000209140 Triticum Species 0.000 description 20
- 235000021307 Triticum Nutrition 0.000 description 20
- 238000012937 correction Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 18
- 238000011160 research Methods 0.000 description 16
- 239000000618 nitrogen fertilizer Substances 0.000 description 12
- 235000013339 cereals Nutrition 0.000 description 10
- 238000013467 fragmentation Methods 0.000 description 9
- 238000006062 fragmentation reaction Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000035558 fertility Effects 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 239000002686 phosphate fertilizer Substances 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 6
- 238000010899 nucleation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009406 nutrient management Methods 0.000 description 4
- 229940072033 potash Drugs 0.000 description 4
- 235000015320 potassium carbonate Nutrition 0.000 description 4
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005904 alkaline hydrolysis reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- YYRMJZQKEFZXMX-UHFFFAOYSA-L calcium bis(dihydrogenphosphate) Chemical compound [Ca+2].OP(O)([O-])=O.OP(O)([O-])=O YYRMJZQKEFZXMX-UHFFFAOYSA-L 0.000 description 2
- 229910000389 calcium phosphate Inorganic materials 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000019691 monocalcium phosphate Nutrition 0.000 description 2
- 235000021048 nutrient requirements Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000004069 plant analysis Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- OTYBMLCTZGSZBG-UHFFFAOYSA-L potassium sulfate Chemical compound [K+].[K+].[O-]S([O-])(=O)=O OTYBMLCTZGSZBG-UHFFFAOYSA-L 0.000 description 1
- 229910052939 potassium sulfate Inorganic materials 0.000 description 1
- 235000011151 potassium sulphates Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种变量施肥决策方法及装置，该方法包括：根据产量数据对目标区域进行聚类，得到多个分区；根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。该方法通过产量数据对目标区域进行聚类，得到多个分区，同时根据目标产量结合相关参数确定目标养份量，其不仅考虑到作物产量潜力和养分综合管理要求，同时依据农田土壤养分空间差异性，针对农田不同管理分区进行变量施肥决策，从而可节约成本以及提高作物生长效率。
Description
技术领域
本发明涉及农业施肥领域，尤其涉及一种变量施肥决策方法及装置。
背景技术
化肥产业是典型的高耗能产业，占化肥总量七成以上的氮肥生产所需的原料和燃料均直接来自于能源。化肥使用浪费现象严重，根据农田土壤、作物长势空间差异性，综合运用智能农机装备技术，针对农田不同作业单元进行变量施肥决策，才能真正实现农业节本提质增效。然而，如何将所获取的农田土壤、作物长势、以及管理分区信息耦合，构建精准施肥决策模型，切实将变量施肥技术落地，还亟待进行深入研究。
目前，应用最广泛的是测土配方施肥法，其是在土壤肥力化学基础上发展起来的计量施肥技术，通过对土壤有效养分的测定，提出施肥建议。其中，包括地力分区(级)配方法，该方法按土壤肥力高低分成若干等级，将肥力均等的区域作为一个配方区，根据该区域土壤养分测试结果及田间试验结果，估算出整个配方区内比较适宜的肥料种类及其施肥量。
然而，该方法需要大范围逐田块进行土壤养分取样测试，需要耗费大量的人力物力。因此，实际推广中往往对一村一组的耕地选择性测试几个土壤养分数据，用以代表一村一组耕地的肥力水平，对于单个田块一般只取一个样，因而无法掌握所有地块之间以及地块内部土壤养分的信息。此外，由于一年的土壤养分测试数据多年使用，忽略了土壤养分年季间的变化；也会造成测土配方施肥中最后一公里上的误差与浪费，无法真正做到施肥决策的有的放矢。
发明内容
针对现有技术存在的问题，本发明提供一种变量施肥决策方法及装置。
本发明提供一种变量施肥决策方法，包括：根据产量数据对目标区域进行聚类，得到多个分区；根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
根据本发明一个实施例的变量施肥决策方法，所述根据产量数据对目标区域进行聚类，得到多个分区，包括：根据产量数据，计算不同分区数量分区结果的模糊效果指数和归一化分类熵，根据所述模糊效果指数和所述归一化分类熵，确定目标分区数量；相应地，根据产量数据对目标区域进行聚类，得到多个分区，具体包括：根据产量数据和所述目标分区数量，对目标区域进行聚类，得到与目标分区数量对应的多个分区。
根据本发明一个实施例的变量施肥决策方法，所述根据所述模糊效果指数和所述归一化分类熵，确定目标分区数量，包括：确定所述模糊效果指数和所述归一化分类熵之和最小值时的分区数量，作为所述目标分区数量。
根据本发明一个实施例的变量施肥决策方法，所述根据产量数据对目标区域进行聚类，得到多个分区之后，还包括：根据聚类分区结果，基于众数滤波确定最优滤波窗口及滤波次数，并基于最优滤波窗口及滤波次数，对分区的聚类结果进行调整。
根据本发明一个实施例的变量施肥决策方法，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：确定为作物播种时变量决策一次性施入的情况下，根据所述目标养份量、土壤可提供养分含量，结合肥料利用率，确定目标施肥量。
根据本发明一个实施例的变量施肥决策方法，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：确定作物播种时基肥已平均施入，当前为作物关键生育期追肥变量决策施入的情况下，根据所述目标养份量、已施基肥量养分含量和土壤可提供养分含量，结合肥料利用率，确定目标施肥量。
根据本发明一个实施例的变量施肥决策方法，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：确定为作物播种时基肥变量决策施入，作物关键生育期追肥变量决策施入的情况下：根据所述目标养份量、播种期土壤可提供养分含量和肥料当季利用率，确定基肥施肥量；根据所述目标养份量、已施基肥量养分含量、作物追肥生育期土壤可提供养分含量，结合肥料当季利用率，确定作物追肥量；其中，所述目标施肥量，包括基肥施肥量和作物追肥量。
本发明还提供一种变量施肥决策装置，包括：目标分区模块，用于根据产量数据对目标区域进行聚类，得到多个分区；养分确定模块，用于根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；施肥确定模块，用于根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；数据存储模块，用于根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述变量施肥决策方法的步骤。
本发明还提供一种非暂态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如上述任一种所述变量施肥决策方法的步骤。
本发明提供的变量施肥决策方法及装置，通过产量数据对目标区域进行聚类，得到多个分区，产量数据和土壤养分存在关联关系，从而可有效掌握所有地块之间以及地块内部土壤养分的信息，而且可根据不同时期产量数据改变施肥量，充分考虑了土壤养分年季间的变化，同时根据目标产量结合相关参数确定目标养份量，其不仅考虑到作物产量潜力和养分综合管理要求，同时依据农田土壤养分空间差异性，针对农田不同管理分区进行变量施肥决策，从而可节约成本以及提高作物生长效率。
附图说明
为了更清楚地说明本发明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是本发明提供的变量施肥决策方法的流程示意图之一；
图2是本发明提供的变量施肥决策方法的流程示意图之二；
图3是本发明提供的FCM聚类结果FPI和NCE变化示意图；
图4是本发明提供的众数滤波空间一致性指标变化示意图；
图5是本发明提供的分区破碎化指标在不同平滑窗口下的变化情况示意图；
图6a是本发明提供的FCM聚类分区结果多次滤波后空间破碎度参数变化示意图之一；
图6b是本发明提供的FCM聚类分区结果多次滤波后空间破碎度参数变化示意图之二；
图7本发明提供的最优分区结果示意图；
图8本发明提供的最优分区结果目标产量示意图；
图9是本发明提供的变量施肥决策装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，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作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。
近年来，精准变量施肥技术及配套机械研究已成为国际农业生产领域的重点，相关机械正朝着大型化、信息化、自动化及智能化方向发展。目前建立了较完整的信息网络，将历年农作物产量、土壤墒情及氮磷钾肥量等数据输入至精准农业网络，采用变量施肥技术精准调配化肥施用量，有效提高肥料利用率，减少环境污染。
科学有效的养分管理不仅可以提高作物产量、肥料利用效率和经济收益，还能减少对环境的污染。本发明针对目前精准农业变量施肥决策的难点问题，针对研究地块，利用作物多年产量数据进行管理分区划分，获取作物关键施肥时期土壤养分数据，基于农田养分平衡模型，进行农田范围内氮、磷、钾追肥变量施肥决策，实现精准农业变量决策技术的简化落地，以满足精准农业大面积应用指导农业生产的需求。
本发明针对目前测土配方施肥、特别是地力分区(级)配方施肥工作中存在的时效性不强、施肥决策无差别的问题，提出一种基于产量数据与土壤养分数据结合的变量施肥决策方法与装置，利用田块内作物多年产量数据进行管理分区划分，确定地块内不同分区目标产量，利用作物施肥关键生育期土壤有效养分测试数据，构建适用于农业生产的“目标产量-土壤养分”信息耦合的变量施肥决策模型，在农田尺度上实现作物施肥精准决策。
下面结合图1-图10描述本发明的变量施肥决策方法及装置。图1是本发明提供的变量施肥决策方法的流程示意图，如图1所示，本发明提供变量施肥决策方法，包括：
101、根据产量数据对目标区域进行聚类，得到多个分区。
在101前，先确定作物产量数据(作物测产)。传统作物测产一般多基于人工获取，通过在农田内设立多个测产样方，在作物成熟期获取样方产量数据，并以此来代表该地块的产量水平。近年来，越来越多的计产收割机在农田尺度辅助获取作物产量数据。计产收割机上装配产量检测***用于收集作物产量数据，产量检测***一般包括全球定位***、谷物流量传感器、净粮升运器轴速传感器、前进速度传感器、谷物传感器和割台高度电位器、数据卡以及图形软件等模块。
影响计产收割机获取产量数据准确性的主要因素主要有谷物通过传感器测得的流量以及收割机田间移动速度的准确性。对于产量异常值的处理采用以下几种思路进行处理：1)直接删除异常值，不参与后续分析；2)将特异值中的极小值替换为正常数据的最小值，极大值替换为正常数据的最大值；3)将所有异常值替换为正常数据的平均值。
在101中，利用产量数据进行管理区划分，管理分区技术是实现精确农业变量输入的一种经济有效的方法，其划分依据基于限制作物产量的各种因素的空间变异性，将具有不同空间异质性特征的田块进行分区管理。本发明中管理分区算法以聚类算法为主，常用聚类算法包括K均值(K-means)、模糊C均值(Fuzzy C-means,FCM)和迭代自组织数据分析技术算法(ISODATA)等。
102、根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量。
依据不同作物管理需要，一般可以选择以下三种形式的施肥模式：第一：作物播种时，作物生长所需肥料作为基肥采用变量决策一次性施入；第二：作物播种时，肥料一部分作为基肥均一施入；其余肥料在作物关键生育期追肥变量决策施入；第三：作物播种时，肥料一部分作为基肥采用变量决策施入；其余肥料在作物关键生育期追肥变量决策施入。
依据产量数据管理分区划分结果，根据以上三种施肥决策模式，选择作物施肥关键期(作物播种期、作物追肥关键期)，在不同管理分区内进行土壤养分数据采集，土壤取样深度为1-20cm，以每个取样点的取样中心为圆心，在半径5米范围内总共采取3个土壤样品，且每个样品之间的间隔不小于2m，3个土壤样品加在一起即为该取样点总的土壤样品，土壤样品在烘箱中风干、过筛后用于测试土壤其它指标(速效钾、有效磷、碱解氮、等)，利用手持式差分全球定位***(DGPS)对采样点进行精确定位。
目标养分量的计算方法：
式中，z为作物所需要的目标养分量(公斤)；y为作物的目标产量(公斤)；C1为每生产1公斤经济产量所需要的养分量(公斤)；C2为某养分肥料的利用率；x为作物施肥期土壤所能提供的养分含量，一般根据土壤速效养分指标来确定。
其中，目标产量是指某类土壤上预想达到的作物产量，可采用估计法，也就是采用过去几年的平均产量作为基数，在此基础上増加20％-80％作为目标产量。
每生产1公斤作物籽粒所需要的养分量(C1)，是一个相对值，会依据作物的种类、土壤的类型以及产量的水平而发生改变。在同种作物和相同的土壤类型上，随着产量水平的提高该数值反而会降低。一般来说，作物养分需求量与环境条件、栽培技术，特别是产量水平有关。随着作物产量的提高，氮、磷、钾吸收量也相应增多。由于作物对养分具有选择性吸收，以及作物组织具有较稳定的化学结构，所以作物单位产量养分的吸收量会在一定的范围内变化。一般研究中，常常把单位产量的养分需求量看作是一个常数。普遍的规律是，大约每生产100公斤的小麦籽粒需要3公斤左右的纯氮、1-1.5公斤的磷、2-4公斤的钾，其中氮、磷、钾三要素的配比为3:1:3。一般可通过田间试验，经植株分析后确定。
养分肥料的利用率(C2)，该参数指的是当季作物对所施用的某种肥料的利用率。它主要受到肥料的品种、作物的种类、土壤的类型、产量的水平以及年际间气候变化等因素的影响。某种肥料在确定的作物和肥料品种上的利用率依产量水平和土壤肥力的提高而下降。例如，小麦氮肥、磷肥、钾肥的利用率分别为32％、19％、44％，水稻氮肥、磷肥、钾肥的利用率分别为35％、25％、41％，玉米氮肥、磷肥、钾肥的利用率分别为32％、25％、43％。
103、根据所述目标养份量和施肥模式，确定每个分区的目标施肥量。
依据不同作物管理需要，一般可以选择以下三种形式的施肥模式：第一：作物播种时，作物生长所需肥料作为基肥采用变量决策一次性施入；第二：作物播种时，肥料一部分作为基肥均一施入；其余肥料在作物关键生育期作为追肥变量决策施入；第三：作物播种时，肥料一部分作为基肥采用变量决策施入；其余肥料在作物关键生育期追肥变量决策施入。考虑以上三种情况分别计算目标施肥量。
104、根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
将以上流程所获取的研究地块聚类分区结果的栅格图，转换为矢量数据，生成管理分区矢量图。将经过上述步骤计算得到的不同分区施肥量数据添加到产量分区矢量文件相应字段中，生成农机作业所需的变量施肥决策文件，用以指导农机田间施肥作业。
本发明提供的变量施肥决策方法，通过产量数据对目标区域进行聚类，得到多个分区，产量数据和土壤养分存在关联关系，从而可有效掌握所有地块之间以及地块内部土壤养分的信息，而且可根据不同时期产量数据改变施肥量，充分考虑了土壤养分年季间的变化，同时根据目标产量结合相关参数确定目标养份量，其不仅考虑到作物产量潜力和养分综合管理要求，同时依据农田土壤养分空间差异性，针对农田不同管理分区进行变量施肥决策，从而可节约成本以及提高作物生长效率。
在一个实施例中，所述根据产量数据对目标区域进行聚类，得到多个分区，包括：根据产量数据，计算不同分区数量分区结果的模糊效果指数和归一化分类熵，根据所述模糊效果指数和所述归一化分类熵，确定目标分区数量；相应地，根据产量数据对目标区域进行聚类，得到多个分区，具体包括：根据产量数据和所述目标分区数量，对目标区域进行聚类，得到与目标分区数量对应的多个分区。
在本发明实施例中，利用产量数据进行管理区划分时，采用模糊C均值(Fuzzy C-means,FCM)聚类算法，根据参与分区的产量数据的空间分布和变异情况，结合研究区(即目标区域)实际面积大小来决定合适的分区数。FCM聚类是聚类算法中最经典的一种，其核心原理如公式所示，价值函数J代表整体数据集的误差平方和。
其中，m是控制算法的柔性参数，C是聚类的类数，j是类标号；uij表示样本xi属于j类的隶属度。xi表示第i个样本，x是具有d维特征的一个样本。cj是j类的中心，也具有d维度。||.||可以是任意表示数据相似性(距离)的度量，最常见的就是欧几里得范数(又称欧氏范数，L2范数，欧氏距离)。FCM算法是一个不断迭代计算隶属度uij和聚类中心cj的过程，直到他们达到最优。
其中，对于单个样本xi，它对于每个簇的隶属度之和为1。迭代的终止条件为：
其中，k是迭代步数，μ是误差阈值。上式含义是，继续迭代下去，隶属程度也不会发生较大的变化,即认为隶属度不变了，已经达到比较优(局部最优或全局最优)状态了。
在聚类分析的过程中，可以通过计算模糊效果指数(Fuzziness PerformanceIndex，FPI)和归一化分类熵(Normalized Classification Entropy，NCE)这两个评价指标来判断聚类结果中最合适的分区数量。
其中，FPI代表在聚类中一个数据点会被多少个不同的类所共享，可以用来判断聚类结果中每个类别与其余类别的分离程度，FPI计算结果的取值范围在[0-1]之间，值越低则代表数据点会被更少的类共享，即不同类别之间的分离程度越高，差异也越大；反之当FPI值越高则代表一个数据点被更多的类共享，不同类别之间分离程度低，差异越小。
其中，n为数据个数，m为类别数，μij(1≤i≤n,1≤j≤k)表示数据矩阵X中第i个样本xi属于第j个聚类中心cj的隶属度值，k为聚类数。
在本发明实施例中数据矩阵X为研究区地块产量数据，n为该产量数据集的数据个数，k为该产量数据的类别数(最少为2，最多不超过数据集的数据个数n)，μij是在模糊C均值聚类过程中，表示样本xi对聚类中心cj的隶属度(即xi属于cj的概率)。
NCE表示由于一个数据集被分成不同类别而引起的数据组织(或相似性)的破坏程度。NCE取值介于[0-1]之间，值越低表示聚类后每个类内的数据集合具有很高的同质性，且类内的方差较之整个地块变小；反之，值越高则代表较大的方差以及更低的同质性。
其中，n为数据个数，k为类别数，μij(1≤i≤n,1≤j≤k)表示数据矩阵X中第i个样本xi属于第j个聚类中心cj的隶属度值。
在本发明实施例中数据矩阵X为研究区地块产量数据，n为该产量数据集的数据个数，k为该产量数据的类别数(最少为2，最多不超过数据集的数据个数n)，μij是在模糊C均值聚类过程中，表示样本xi对聚类中心cj的隶属度(即xi属于cj的概率)。
在一个实施例中，所述根据所述模糊效果指数和所述归一化分类熵，确定目标分区数量，包括：确定所述模糊效果指数和所述归一化分类熵之和最小值时的分区数量，作为所述目标分区数量。
具体可参见本发明的下述实例，通过同时考虑上述两个参数，确定二者之和最小时的分区数量作为聚类的参考数量。
在一个实施例中，所述根据产量数据对目标区域进行聚类，得到多个分区之后，还包括：根据聚类分区结果，基于众数滤波确定最优滤波窗口及滤波次数，并基于最优滤波窗口及滤波次数，对分区的聚类结果进行调整。
考虑到聚类分区结果都会存在一定的空间破碎及孤岛现象，因此有必要对聚类结果进行分区后处理。本发明采用众数滤波(Majority Analysis)方法平滑分类后的结果，增加分类后各管理分区的连续性并减少碎片化，通过空间一致性指标(均值的变化率，标准差变化率，变异系数变化率)、和空间破碎度指标(斑块密度PD，核心面积TCA，平均核心面积MCA，聚集度指数AI)对分区结果进行评价，确定最优滤波窗口及滤波次数，最终完成精准农业管理分区的划分提取，获得研究地块最终聚类分区结果。
在一个实施例中，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：确定为作物播种时变量决策一次性施入的情况下，根据所述目标养份量、土壤可提供养分含量，结合肥料利用率，确定目标施肥量。
在作物播种时基肥一次性施入作物所需全部肥料的情况下，可根据以下公式，针对不同目标产量分别计算作物追肥或基肥所需要的氮、磷、钾肥的用量：
作物施肥量＝(作物目标产量所需养分量-作物播种期土壤可提供养分含量)/肥料当季利用率。
在一个实施例中，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：确定作物播种时基肥已平均施入，当前为作物关键生育期追肥变量决策施入的情况下，根据所述目标养份量、已施基肥量养分含量和土壤可提供养分含量，结合肥料利用率，确定目标施肥量。具体地，施肥模式为作物播种时基肥均一施入，作物关键生育期追肥变量决策施入，根据如下公式计算目标施肥量。
目标施肥量(此处为作物追肥量)＝(作物目标产量所需养分量-已施基肥量养分含量-作物关键生育期土壤可提供养分含量)/肥料当季利用率。
依据该公式，针对不同目标产量分别计算作物追肥或基肥所需要的氮、磷、钾肥的用量。
在一个实施例中，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：确定为作物播种时基肥变量决策施入，作物关键生育期追肥变量决策施入的情况下：根据所述目标养份量、播种期土壤可提供养分含量和肥料当季利用率，确定基肥施肥量；根据所述目标养份量、已施基肥量养分含量、作物追肥生育期土壤可提供养分含量，结合肥料当季利用率，确定作物追肥量；其中，所述目标施肥量，包括基肥施肥量和作物追肥量。具体如下：
作物基肥施肥量＝(作物目标产量所需养分量-作物播种期土壤可提供养分含量)/肥料当季利用率。
作物追肥量＝(作物目标产量所需养分量-已施基肥量养分含量-作物追肥生育期土壤可提供养分含量)/肥料当季利用率。
依据上述公式，针对不同目标产量分别计算作物追肥或基肥所需要的氮、磷、钾肥的用量。
结合上述实施例，图2是本发明提供的变量施肥决策方法的流程示意图之二，现结合一个具体实例进行说明。本实例中由于产量数据的分布相对密集，所以选择直接剔除的方法来处理异常值，下面为具体的剔除办法。
1)根据多年小麦种植经验以及产量的收获情况，把750公斤/公顷和7500公斤/公顷的小麦产量认定为合理的产量数据，而不在这个范围之内的产量数据点则会被认为是异常数据被过滤掉。
2)以联合收割机的前进速度为目标，每个产量点对应的速度由距离除以固定的采样间隔得到，根据3δ法，认定在所有产量点的速度平均值±3倍标准差范围以内的速度为合理的前进速度，高于或低于这个速度范围内对应的产量点被认为是异常数据被过滤掉；另外结合收割机实际工作情况，若相邻两个产量点之间的速度变化超过了20％，则判断为收割机的急停或者猛冲操作，这一类产量点也会被认定为是异常数据而剔除。
3)考虑到收割机的构造，在收割的时候会存在填充时间误差以及清空时间误差。即在收割过程中，谷物流量会从收割机起步也(就是开始收割)开始逐步增大一直到填充完成后保持稳定状态，该时间段称为填充时间；在收割结束时，谷物流量会随着收割机停止收割开始逐步下降，一直到所有谷物都被清空，该时间段称为清空时间，在该时间段内传感器检测到的谷物流量是不合理的，因为此时收割机已经停止工作，所以这部分是无效数据，需要剔除。
上述的三种异常值剔除方法都能够通过ArcGIS和SPSS/Excel实现，本发明选择通过ArcGIS10.1和SPSS 22处理所有产量数据。根据上述误差分析结果，对2013、2014、2016和2017这四年的产量数据分别进行异常值处理，结果显示共剔除了7％～11％的数据点。考虑到每年该地块种植的小麦品种都不一样，再加上某些年份可能受到自然灾害等非人为因素的影响，相对应的每一年产量整体波动范围可能存在差异，而年际间整体产量的差异无益于管理分区，所以需要通过对每年的产量数据进行标准化以消除该差异，标准化即用每个采样点的产量数据除以该年份所有产量数据的平均值，标准化的结果如表1所示。
表1
根据表1显示的结果，四年的产量均值和中值在处理前和处理后基本没有变化，而最大值和最小值变化较大，这是由于大量的异常值(包含大量的最大值和最小值)被剔除，使得最大值整体变小而最小值整体变大，产量值的分布区间变窄，同时每年处理后数据的偏度系数都有不同程度的减小，意味着数据集的分布更趋近正态分布。标准差和变异系数的减小证明了通过异常值处理后，由于异常值产生的那部分产量变异被成功消除，同时也很好的体现了处理后产量数据真实的变异信息。
使用普通克里金插值对连续网格表面上的离散产量数据点进行插值。由于收割机的割幅为6m，且考虑到收割机的行驶速度在一个时间间隔内前进的距离一般6m，所以决定将插值后输出结果的像素定为6m x 6m。根据上节中得到的四年产量数据最佳拟合模型，完成对应的普通克里金插值，并对得到的四年产量数据插值结果进行平均化，得到四年平均产量数据插值图。
对四年平均产量数据进行FCM聚类分析，得到对应分区数的FPI以及NCE如图3所示，从图中可以看出，随着分区数的增加，FPI呈现出先降低后趋于平稳的变化趋势，而NCE则是先增加后趋于平稳，根据FPI和NCE的定义可知，FPI和NCE的值越小分区结果越好，在二者变化趋势不同的情况下，本发明将FPI和NCE二者之和达到最小的那一个分区数认定为最佳分区数，即分区数为5。
聚类结果都存在大量破碎的小斑块和孤立的像元，为了去除这些小斑块和孤立像元，使得分区结果更加平滑，本发明对分区结果进行滤波处理，分别采用尺度为18、30、42、54、66、78、90m(分别等同于3×3、5×5、7×7、9×9、11×11、13×13、15×15像元大小)的矩形窗口进行滤波处理。
针对滤波处理结果，分别采用空间一致性指标(包括均值(Mean)的变化率、标准差(Standard Deviation,STD)变化率、变异系数(Coefficient of variation,CV)变化率)(见图4)，以及地块总体空间破碎度指标(斑块密度PD，核心面积TCA，平均核心面积MCA，聚集度指数AI)(见图5)进行统计分析。
从图4中参数随着平滑窗口尺寸增加的变化趋势可以看出，当平滑窗口从原始尺寸到54m尺寸变化时，不同分区内滤波尺度对产量均值Mean影响不大，但产量标准差变化率STD、变异系数变化率CV随着滤波尺度的变化先增加，当滤波尺度为54m(9×9像元)时，两个参数变化趋于平稳，说明滤波尺度再增加时，不同分区STD及CV的变化趋同。
从图5中参数随着平滑窗口尺寸增加的变化趋势可以看出，当平滑窗口从原始尺寸到54m尺寸变化时，这三个参数的变化幅度都非常大，其中PD从18.36降低至1.77，TCA从2.47增加至18.60，AI从55.28增加至90.05；而平滑窗口从9×9到15×15尺寸变化时，三个参数都只有微弱的变化，PD从1.77降低至0.83，TCA从18.60增加至20.74，AI从90.05增加至93.29。综合多个评价指标，选择9×9的尺寸作为最佳的平滑窗口。
观察一次滤波后的结果发现，各尺度的滤波结果虽然很大程度上消除了原始分区结果中存在的大量的破碎的小斑块和孤立的像元，但在各分区的边缘处仍然存在一些不平滑的毛刺和孤立的像元(尤其在平滑尺度小的分区结果中)，影响了分区的连续性。故考虑对FCM聚类的分区结果在所有尺寸的平滑窗口上进行多次滤波(从一次到五次)，试图减少这一情况的发生。
分析不同滤波次数下空间破碎度指标以及区间内参数的变化，具体滤波结果如图6a和6b所示。综合考虑不同滤波次数下空间破碎度参数和区间内参数的变化趋势，我们认为当滤波次数为三次时，空间破碎度参数较大幅度的变化和各区间内标准差、变异系数以及面积比例的变化能够区的一个较好的折中，即认为滤波次数为三次时的滤波结果是最佳的。
综上，确定最优分区结果，如图7所示，利用ENVI软件将该处理结果由栅格文件转化为矢量文件(.shp文件)，该矢量文件可以利用ArcView,ArcGIS等软件打开编辑。
利用，针对最优产量分区结果，对不同分区统计了研究区2013、2014、2016、2017年四年产量均值情况，结果如下表2所示，本发明中，利用研究区不同产量分区多年产量均值的1.6倍(预设倍数)作为该分区的最终目标产量，如图8所示，展示了不同产量分区小麦最终目标产量。
表2
本发明根据土肥工作站提供的资料，整理出目标地区不同产量水平的每公斤小麦养分需求量，如下表3所示。
表3
| 产量水平(公斤/亩) | 需纯N(公斤/亩) | 需纯P(公斤/亩) | 需纯K(公斤/亩) |
| 500 | 0.029 | 0.015 | 0.026 |
| 450 | 0.029 | 0.015 | 0.025 |
| 400 | 0.029 | 0.015 | 0.024 |
| 350 | 0.029 | 0.016 | 0.022 |
| 300 | 0.029 | 0.016 | 0.021 |
2019年4月小麦拔节期对试验区进行土壤取样实验，采样点一共有48个，利用手持式差分全球定位***(DGPS)对采样点进行精确定位以保证取样点均匀分布于整块试验田。
研究区基于多年产量数据共划分了5个产量分区，不同产量分区目标产量一致，但由于不同分区在研究区内空间分布位置不同，同一分区内存在土壤养分空间变异。表4是对5个不同分区共15个图斑的土壤养分数据进行分析的结果。
表4
本发明研究区小麦播种时施基肥尿素(N含量为46％)120kg/ha，过磷酸钙(P2O5含量为20％)30kg/ha。在小麦拔节期根据不同分区目标产量及农田土壤养分含量情况进行追肥变量施入，追肥量计算参考本发明提出的第二种模式(作物播种时基肥均一施入，作物关键生育期追肥变量决策施入)进行施肥量计算：
作物追肥量＝(作物目标产量所需养分量-已施基肥含养分量-作物关键生育期土壤可提供养分含量)/肥料当季利用率。
作物目标产量所需养分量确定：
根据目标地区不同产量水平的每公斤小麦养分需求量(表3)，折算不同目标产量下每亩农田所需养分纯素量如表5所示。
表5
| 产量水平(公斤/亩) | 需纯N(公斤/亩) | 需P<sub>2</sub>O<sub>5</sub>(公斤/亩) | 需K<sub>2</sub>O(公斤/亩) |
| 333 | 9.73 | 5.25 | 7.31 |
| 345 | 10.07 | 5.39 | 7.68 |
| 362 | 10.58 | 5.60 | 8.25 |
| 379 | 11.07 | 5.81 | 8.79 |
| 390 | 11.41 | 5.94 | 9.16 |
本发明研究区小麦播种时施基肥尿素(N含量为46％)45kg/ha，过磷酸钙(P2O5含量为20％)75kg/ha，硫酸钾(K2O含量50％)30kg/ha。已施基肥含养分量根据研究区小麦播种时施基肥量进行计算：
已施基肥N含量(公斤/亩)＝45/15×46％＝1.38(公斤/亩)
已施基肥P含量(公斤/亩)＝75/15×20％＝1(公斤/亩)
已施基肥K含量(公斤/亩)＝30/15×50％＝1(公斤/亩)
作物关键生育期土壤可提供养分含量计算：
土壤中某种养分的供应量是用土壤测试值换算得到的，方程为:
土壤养分供应量(公斤/亩)＝土壤养分测定值(mg/kg)×0.15×土壤有效养分校正系数
其中，土壤有效养分校正系数是通过田间试验取得的。试验表明，校正系数不是一个定值，它与土壤测试值呈明显的负相关关系。本发明利用褐土有效养分校正系数与土壤有效养分含量关系式来确定作物关键生育期土壤可提供养分含量，其中：
a.土壤供氮量计算：
土壤供氮量(公斤/亩)＝土壤碱解氮含量(mg/kg)×0.15×土壤有效氮养分校正系数(％)。
式中，0.15为换算系数，即0-20cm表层土壤(容重为1.12g/cm3)的土壤养分测定值(mg/kg)换算成公斤/亩(土壤中养分供应量和施肥量的单位)的乘数。
土壤有效氮养分校正系数由褐土有效养分校正系数与土壤有效养分含量关系决定：
y＝0.8×73.736x-1.0241
(r＝－0.7346**，n＝128)
其中，y为土壤有效氮养分校正系数(％)，x为土壤碱解氮含量(mg/kg)，0.8为本发明根据试验区情况，设置的修正系数。
b.土壤供磷量计算：
土壤供磷量(公斤/亩)＝土壤有效磷含量(mg/kg)×0.15×土壤有效磷养分校正系数(％)。
式中，0.15为换算系数，即0-20cm表层土壤(容重为1.12g/cm3)的土壤养分测定值(mg/kg)换算成公斤/亩(土壤中养分供应量和施肥量的单位)的乘数。
土壤有效磷养分校正系数由褐土有效养分校正系数与土壤有效养分含量关系决定：
y＝0.8×100.43x-1.0962
(r＝－0.8959**，n＝119)
其中，y为土壤有效磷养分校正系数(％)，x为土壤有效磷含量(mg/kg)，0.8本发明根据试验区情况，设置的修正系数。
c.土壤供钾量计算：
土壤供钾量＝土壤速效钾含量×0.15×土壤速效钾养分校正系数(％)。
式中，0.15为换算系数，即0-20cm表层土壤(容重为1.12g/cm3)的土壤养分测定值(mg/kg)换算成公斤/亩(土壤中养分供应量和施肥量的单位)的乘数。
土壤有效钾养分校正系数由褐土有效养分校正系数与土壤有效养分含量关系决定：
y＝0.6×7.9924x-0.8318
(r＝－0.9026＊＊，n＝113)
其中，y为土壤有效钾养分校正系数(％)，x为土壤速效钾含量(mg/kg)，0.6本发明根据试验区情况，设置的修正系数。
研究区不同管理分区最终土壤养分校正系数及土壤养分供应量如表6所示。
表6
肥料当季利用率计算：
通过大量试验结果分析表明，肥料当季利用率与小麦产量水平和土壤养分含量呈显著相关性。在不同的产量水平下，氮、磷、钾当季利用率与土壤氮、磷、钾养分之间呈极显著对数负相关关系，本发明利用褐土氮、磷、钾肥当季利用率与土壤有效养分含量关系，计算不同管理分区肥料当季利用率，由于本发明中不同管理分区小麦目标产量均不足400公斤，故研究区氮、磷、钾肥计算如下：
氮肥当季利用率：
氮肥当季利用率由褐土氮肥当季利用率与土壤有效养分含量关系决定，当小麦产量Y＜6000公斤/公顷时，氮肥当季利用率由下式计算：
y＝4.117-0.8467×lnx
(r＝－0.624**，n＝63)
其中，y为氮肥当季利用率，x为土壤碱解氮含量(mg/kg)。
b.磷肥当季利用率：
磷肥当季利用率由褐土P2O5当季利用率与土壤有效养分含量关系决定，当小麦产量Y＜6000公斤/公顷时：
y＝0.583-0.1144×lnx
(r＝－0.811**，n＝63)
其中，y为P2O5当季利用率，x为土壤有效磷含量(mg/kg)。
c.钾肥当季利用率
钾肥当季利用率由褐土K2O当季利用率与土壤有效养分含量关系决定，当小麦产量Y＜6000公斤/公顷时：
y＝2.289-0.3889×lnx
(r＝－0.791＊＊，n＝63)
其中，y为K2O当季利用率，x为土壤速效钾含量(mg/kg)
研究区不同管理分区氮、磷、钾肥当季利用率如表7所示。
表7.研究区不同管理分区氮、磷、钾肥当季利用率
氮、磷、钾三种单质肥最终施肥量计算：
氮、磷、钾三种单质肥最终施肥量计算公式如下所示：
氮肥追肥量＝(目标产量小麦吸氮量-基肥含氮量-土壤供氮量)/氮肥当季利用率。
磷肥追肥量＝(目标产量小麦吸磷量-基肥含磷量-土壤供磷量)/磷肥当季利用率。
钾肥追肥量＝(目标产量小麦吸钾量-基肥含钾量-土壤供钾量)/钾肥当季利用率。
基于以上相关参量计算结果，本发明研究区不同管理分区最终施肥决策结果如表8所示：
表8
将计算所得不同分区施肥量数据，利用ARCView软件或者ArcGIS软件中属性添加功能，将施肥量数据导入管理分区划分矢量文件中，并生成研究区氮、磷、钾肥施肥处方图，为农机作业提供指导。
下面对本发明提供的变量施肥决策装置进行描述，下文描述的变量施肥决策装置与上文描述的变量施肥决策方法可相互对应参照。
图9是本发明提供的变量施肥决策装置的结构示意图，如图9所示，该变量施肥决策装置包括：目标分区模块901、养分确定模块902、施肥确定模块903和数据存储模块904。其中，目标分区模块901用于根据产量数据对目标区域进行聚类，得到多个分区；养分确定模块902用于根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；施肥确定模块903用于根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；数据存储模块904用于根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的变量施肥决策装置，产量数据和土壤养分存在关联关系，从而可有效掌握所有地块之间以及地块内部土壤养分的信息，而且可根据不同时期产量数据改变施肥量，充分考虑了土壤养分年季间的变化，同时其不仅考虑到作物产量潜力和养分综合管理要求，同时依据农田土壤养分空间差异性，针对农田不同管理分区进行变量施肥决策，从而可节约成本以及提高作物生长效率。
图10是本发明提供的电子设备的结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行变量施肥决策方法，该方法包括：根据产量数据对目标区域进行聚类，得到多个分区；根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
此外，上述的存储器1003中的逻辑指令可以通过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，本发明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)执行本发明各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供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所提供的变量施肥决策方法，该方法包括：根据产量数据对目标区域进行聚类，得到多个分区；根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
又一方面，本发明还提供一种非暂态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以执行上述各实施例提供的变量施肥决策方法，该方法包括：根据产量数据对目标区域进行聚类，得到多个分区；根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
以上所描述的装置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：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。
Claims (10)
1.一种变量施肥决策方法，其特征在于，包括：
根据产量数据对目标区域进行聚类，得到多个分区；
根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；
根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；
根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
2.根据权利要求1所述的变量施肥决策方法，其特征在于，所述根据产量数据对目标区域进行聚类，得到多个分区，包括：
根据产量数据，计算不同分区数量分区结果的模糊效果指数和归一化分类熵，根据所述模糊效果指数和所述归一化分类熵，确定目标分区数量；
相应地，根据产量数据对目标区域进行聚类，得到多个分区，具体包括：
根据产量数据和所述目标分区数量，对目标区域进行聚类，得到与目标分区数量对应的多个分区。
3.根据权利要求2所述的变量施肥决策方法，其特征在于，所述根据所述模糊效果指数和所述归一化分类熵，确定目标分区数量，包括：
确定所述模糊效果指数和所述归一化分类熵之和最小值时的分区数量，作为所述目标分区数量。
4.根据权利要求1所述的变量施肥决策方法，其特征在于，所述根据产量数据对目标区域进行聚类，得到多个分区之后，还包括：
根据聚类分区结果，基于众数滤波确定最优滤波窗口及滤波次数，并基于最优滤波窗口及滤波次数，对分区的聚类结果进行调整。
5.根据权利要求1所述的变量施肥决策方法，其特征在于，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：
确定为作物播种时变量决策一次性施入的情况下，根据所述目标养份量、土壤可提供养分含量，结合肥料利用率，确定目标施肥量。
6.根据权利要求1所述的变量施肥决策方法，其特征在于，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：
确定作物播种时基肥已平均施入，当前为作物关键生育期追肥变量决策施入的情况下，根据所述目标养份量、已施基肥量养分含量和土壤可提供养分含量，结合肥料利用率，确定目标施肥量。
7.根据权利要求1所述的变量施肥决策方法，其特征在于，所述根据所述目标养份量和施肥模式，确定每个分区的目标施肥量，包括：
确定为作物播种时基肥变量决策施入，作物关键生育期追肥变量决策施入的情况下：
根据所述目标养份量、播种期土壤可提供养分含量和肥料当季利用率，确定基肥施肥量；
根据所述目标养份量、已施基肥量养分含量、作物追肥生育期土壤可提供养分含量，结合肥料当季利用率，确定作物追肥量；
其中，所述目标施肥量，包括基肥施肥量和作物追肥量。
8.一种变量施肥决策装置，其特征在于，包括：
目标分区模块，用于根据产量数据对目标区域进行聚类，得到多个分区；
养分确定模块，用于根据每个分区作物的目标产量、单位产量需要的养份量、养分肥料的利用率和土壤所能提供的养分含量，确定分区作物所需要的目标养分量；
施肥确定模块，用于根据所述目标养份量和施肥模式，确定每个分区的目标施肥量；
数据存储模块，用于根据每个分区的目标施肥量，生成管理分区矢量图，用于指导农机作业。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述变量施肥决策方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述变量施肥决策方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111642208.XA CN114391351A (zh) | 2021-12-29 | 2021-12-29 | 变量施肥决策方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111642208.XA CN114391351A (zh) | 2021-12-29 | 2021-12-29 | 变量施肥决策方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114391351A true CN114391351A (zh) | 2022-04-26 |
Family
ID=81228465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111642208.XA Pending CN114391351A (zh) | 2021-12-29 | 2021-12-29 | 变量施肥决策方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114391351A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115226458A (zh) * | 2022-07-29 | 2022-10-25 | 驻马店市驿城区禾绿农业开发有限公司 | 一种无人驾驶农机施肥控制方法 |
| CN115316097A (zh) * | 2022-08-02 | 2022-11-11 | 中联智慧农业股份有限公司 | 确定针对种植区域土壤的氮肥施加量的方法、处理器 |
| CN115486247A (zh) * | 2022-08-30 | 2022-12-20 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030019408A1 (en) * | 2001-02-28 | 2003-01-30 | Clyde Fraisse | Method for prescribing site-specific fertilizer application in agricultural fields |
| CN101773016A (zh) * | 2010-01-07 | 2010-07-14 | 淮海工学院 | 一种水稻智能变量施肥机及其变量施肥方法 |
| CN108684278A (zh) * | 2017-04-06 | 2018-10-23 | 点豆（山东）网络技术有限公司 | 智能配肥方法、装置和*** |
| US20200068797A1 (en) * | 2018-08-31 | 2020-03-05 | Farmers Edge Inc. | Method and system for estimating effective crop nitrogen applications |
-
2021
- 2021-12-29 CN CN202111642208.XA patent/CN114391351A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030019408A1 (en) * | 2001-02-28 | 2003-01-30 | Clyde Fraisse | Method for prescribing site-specific fertilizer application in agricultural fields |
| CN101773016A (zh) * | 2010-01-07 | 2010-07-14 | 淮海工学院 | 一种水稻智能变量施肥机及其变量施肥方法 |
| CN108684278A (zh) * | 2017-04-06 | 2018-10-23 | 点豆（山东）网络技术有限公司 | 智能配肥方法、装置和*** |
| US20200068797A1 (en) * | 2018-08-31 | 2020-03-05 | Farmers Edge Inc. | Method and system for estimating effective crop nitrogen applications |
Non-Patent Citations (10)
| Title |
|---|
| 付汝勇 等: "作物测土配方施肥配方的实用方法—————目标产量法，以玉米为例", 《农业科技与信息》 * |
| 付汝勇 等: "作物测土配方施肥配方的实用方法—————目标产量法，以玉米为例", 《农业科技与信息》, no. 8, 31 December 2015 (2015-12-31), pages 37 - 38 * |
| 刘宇锋 等: "一款基于变量施肥理论和B/S架构的应用软件的研发——土壤供肥能力与作物科学施肥专家***V2.0", 《现代信息科技》 * |
| 刘宇锋 等: "一款基于变量施肥理论和B/S架构的应用软件的研发——土壤供肥能力与作物科学施肥专家***V2.0", 《现代信息科技》, vol. 4, no. 17, 10 September 2020 (2020-09-10), pages 99 - 106 * |
| 吴玉光 等: "《化肥使用手册》", 中国农业出版社, pages: 346 - 347 * |
| 左佳: "基于GIS的高精度氮素分区施肥处方图建立研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 左佳: "基于GIS的高精度氮素分区施肥处方图建立研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 3, 15 March 2015 (2015-03-15), pages 32 - 40 * |
| 张泽: "基于GIS的土壤氮素分区管理与施肥模型建立研究", 《中国博士学位论文数据库 农业科技辑》, no. 1, 15 January 2016 (2016-01-15) * |
| 赵海涛: "基于多源数据的精准农业管理分区划分研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 赵海涛: "基于多源数据的精准农业管理分区划分研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 7, 15 July 2020 (2020-07-15), pages 7 - 32 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115226458A (zh) * | 2022-07-29 | 2022-10-25 | 驻马店市驿城区禾绿农业开发有限公司 | 一种无人驾驶农机施肥控制方法 |
| CN115226458B (zh) * | 2022-07-29 | 2024-05-03 | 驻马店志恒信息科技有限公司 | 一种无人驾驶农机施肥控制方法 |
| CN115316097A (zh) * | 2022-08-02 | 2022-11-11 | 中联智慧农业股份有限公司 | 确定针对种植区域土壤的氮肥施加量的方法、处理器 |
| CN115486247A (zh) * | 2022-08-30 | 2022-12-20 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
| CN115486247B (zh) * | 2022-08-30 | 2023-08-22 | 中联智慧农业股份有限公司 | 用于确定肥料配比的方法、存储介质及处理器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114391351A (zh) | 变量施肥决策方法及装置 | |
| CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及*** | |
| Abbas et al. | An ensemble approach for assessment of energy efficiency of agriculture system in Pakistan| | |
| CN111557159A (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制***及其控制方法 | |
| Sørensen | Workability and machinery sizing for combine harvesting | |
| CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
| CN116307191B (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
| CN114747349B (zh) | 基于群体长势遥感检测与分级的小麦健壮群体培育方法 | |
| JP2024079602A (ja) | 水稲のカーボンフットプリント評価方法、システム、電子機器及び記憶媒体 | |
| Du et al. | Corn variable-rate seeding decision based on gradient boosting decision tree model | |
| Shitu et al. | Development of scale for assessing farmers' attitude towards precision conservation agricultural practices | |
| CN113342938B (zh) | 一种结合知识图谱的玉米选种与精准播种决策方法 | |
| Fixen et al. | NUGIS: A nutrient use geographic information system for the US | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| CN113139717A (zh) | 作物苗情分级遥感监测方法及装置 | |
| CN114582439B (zh) | 一种基于应用场景的土壤盐碱地改良剂筛选方法及*** | |
| US11704576B1 (en) | Identifying ground types from interpolated covariates | |
| CN112380497A (zh) | 用于区域玉米的秸秆系数估算方法及*** | |
| Al-Maktoum | Economic efficiency of broad bean crop production during the 2017 Agriculture season | |
| Rahman Mohammed Al-Maktoum | Economic Efficiency of Broad Bean Crop Production During The 2017 Agricultural Season | |
| Cardona et al. | SELF-SUFFICIENCY IN RICE: ANALYSIS OF PRODUCTION, CONSUMPTION, AND IMPORTATION OF THE RICE-PRODUCING REGIONS IN THE PHILIPPINES | |
| CN115049220B (zh) | 分散式区域氮施用量估算方法、***、计算机设备及介质 | |
| Turley et al. | Detecting bimodality in plant size distributions and its significance for stand development and competition | |
| Gonçalves et al. | Comparative economic analysis of soil sampling methods used in precision agriculture | |
| Edge | Three essays on on-farm precision experiments |
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 |