CN115486247B - 用于确定肥料配比的方法、存储介质及处理器 - Google Patents

用于确定肥料配比的方法、存储介质及处理器 Download PDF

Info

Publication number
CN115486247B
CN115486247B CN202211051084.2A CN202211051084A CN115486247B CN 115486247 B CN115486247 B CN 115486247B CN 202211051084 A CN202211051084 A CN 202211051084A CN 115486247 B CN115486247 B CN 115486247B
Authority
CN
China
Prior art keywords
fertilizer
determining
group
groups
ingredient
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.)
Active
Application number
CN202211051084.2A
Other languages
English (en)
Other versions
CN115486247A (zh
Inventor
黄登道
文小亮
杨光元
王桢
陈小秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zoomlion Smart Agriculture Co ltd
Original Assignee
Zoomlion Smart Agriculture Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zoomlion Smart Agriculture Co ltd filed Critical Zoomlion Smart Agriculture Co ltd
Priority to CN202211051084.2A priority Critical patent/CN115486247B/zh
Publication of CN115486247A publication Critical patent/CN115486247A/zh
Application granted granted Critical
Publication of CN115486247B publication Critical patent/CN115486247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/005—Following a specific plan, e.g. pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
    • Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Soil Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Environmental Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Strategic Management (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Fertilizers (AREA)

Abstract

本申请实施例提供一种用于确定肥料配比的方法、存储介质及处理器。方法包括：确定待施肥区域针对每个肥料元素的需求量；确定可选肥料的种类数量；在可选肥料的种类数量大于或等于预设阈值的情况下，基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组；从多个待选配料组中确定出目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。上述技术方案，基于遗传算法能从多个待选配料组中确定出目标配料组，能按照目标配料组中包含的肥料和肥料比例对待施肥区域进行精准施肥，保证待施肥区域内作物生长所需的肥料元素的用量需求，减少肥料配比不精准对农作物生长造成的影响，提高肥料的利用率。

Description

用于确定肥料配比的方法、存储介质及处理器
技术领域
本申请涉及农业生产领域，具体地涉及一种用于确定肥料配比的方法、存储介质及处理器。
背景技术
施肥为实际的农业生产过程中最重要的一环。传统的农业生产过程主要基于种植者的经验在不同的农作物生长期进行肥料的施用，种植者大多根据经验对所需施加的各种肥料的含量进行组合，以按照组合后的每种肥料的含量对农业区域内的农作物进行施肥。而若施用过量的某一种肥料，则会造成土壤破坏。若施用不足的某一种肥料，则农作物由于缺肥不能得到充分生长。
因此，按照上述方式确定农业区域的施肥配比，每种肥料的肥料份量难以达到最佳肥料份量，难以满足农作物当前所需的每种肥料元素的用量需求，无法很好地对农业区域进行精准施肥，影响农业区域内农作物的生长，也容易造成不必要的肥料的浪费。
发明内容
本申请实施例的目的是提供一种用于确定肥料配比的方法、存储介质及处理器。
为了实现上述目的，本申请第一方面提供一种用于确定肥料配比的方法，包括：
确定待施肥区域针对每个肥料元素的需求量；
确定可选肥料的种类数量；
在可选肥料的种类数量大于或等于预设阈值的情况下，基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组；
从多个待选配料组中确定出目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
在本申请的实施例中，每种可选肥料包括多种肥料元素，从多个待选配料组中确定出目标配料组包括：确定每个待选配料组中每种肥料元素的元素含量总和；根据元素含量总和与需求量确定每个待选配料组的适应度；根据适应度从多个待选配料组中确定出备选配料组；对备选配料组进行预处理，以迭代更新备选配料组，并确定更新后的备选配料组的适应度；在迭代更新的次数达到预设次数的情况下，从最后一次进行迭代更新的备选配料组中选出适应度数值最大的备选配料组作为目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
在本申请的实施例中，对备选配料组进行预处理，以迭代更新备选配料组，并确定更新后的备选配料组的适应度包括：从备选配料组中任选两个备选配料组作为交叉组；针对每个交叉组，从交叉组中任选一种肥料作为交叉组的目标肥料；针对每个交叉组，将交叉组中的两个备选配料组的目标肥料的份量交叉变换；在全部交叉组均完成交叉变换后，从全部交叉组包括的备选配料组中任选预设数量的备选配料组作为待变异配料组，以对待变异配料组进行变异处理；针对任意一个待变异配料组，调整待变异配料组中任意一种肥料的份量，以对待变异配料组进行变异处理，和/或，针对任意一个待变异配料组，从待变异配料组任选L种肥料，将所选肥料的份量与待变异配料组中与所选肥料的种类不同的肥料的份量进行交换，以对待变异配料组进行变异处理，其中，L为大于零的自然数；将变异处理后的配料组作为更新后的备选配料组，并确定更新后的备选配料组的适应度。
在本申请的实施例中，每个待选配料组中每个肥料元素的元素含量总和大于或等于每个肥料元素的需求量，根据元素含量总和与需求量确定每个待选配料组的适应度包括：针对每个待选配料组，确定每个肥料元素的元素含量总和与需求量之间的用量差值；针对每个待选配料组，确定待选配料组的全部肥料元素的用量差值的总和；针对每个待选配料组，将总和的倒数确定为待选配料组的适应度。
在本申请的实施例中，方法还包括：根据公式(1)计算每个待选配料组中每个肥料元素的元素含量总和：
其中，i是指每个待选配料组中可选肥料的种类数量，x是指第x种可选肥料，x∈(1，i)，y是指第x种可选肥料中每种肥料元素的元素含量占比，Lx是指第x种可选肥料的肥料份量。
在本申请的实施例中，基于遗传算法根据需求量将全部的可选肥料进行多种比例的组合以生成多个待选配料组包括：确定出全部可选肥料中预设元素的元素含量最小值；确定出全部肥料元素的需求量最大值；将需求量最大值与元素含量最小值的第一比值确定为每种可选肥料的最大份量；基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组，其中，每种可选肥料的份量均小于或等于最大份量。
在本申请的实施例中，方法还包括：在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第一数值的情况下，确定可选肥料中每种肥料元素的需求量与每种肥料元素的元素含量占比的第二比值；将全部第二比值中的最大值确定为可选肥料的施肥份量，以对待施肥区域施加施肥份量的可选肥料。
在本申请的实施例中，方法还包括：在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第二数值的情况下，通过穷举法确定每种可选肥料之间的最佳份量比例，以按照每种可选肥料的份量比例对待施肥区域进行施肥。
本申请第二方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于确定肥料配比的方法。
本申请第三方面提供一种处理器，被配置成执行上述的用于确定肥料配比的方法。
上述技术方案，基于遗传算法能够从多个待选配料组中确定出目标配料组，能够按照目标配料组中包含的肥料和肥料比例对待施肥区域进行精准施肥，保证待施肥区域内农作物生长所需的肥料元素的用量需求，进一步减少肥料配比不精准对农作物生长造成的影响，大幅度提高肥料的利用率。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的用于确定肥料配比的方法的流程示意图；
图2示意性示出了根据本申请又一实施例的用于确定肥料配比的方法的流程示意图；
图3示意性示出了根据本申请实施例的基于遗传算法确定目标配料组的流程示意图；
图4示意性示出了根据本申请实施例的计算机设备的内部结构图。
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，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通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。
图1示意性示出了根据本申请实施例的用于确定肥料配比的方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种用于确定肥料配比的方法，包括以下步骤：
步骤101，确定待施肥区域针对每个肥料元素的需求量。
步骤102，确定可选肥料的种类数量。
步骤103，在可选肥料的种类数量大于或等于预设阈值的情况下，基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组。
步骤104，从多个待选配料组中确定出目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
待施肥区域可以指的是需要进行施加肥料的农作物的栽种区域。其中，施加肥料能够为农作物的生长提供一定的营养元素，即肥料元素。例如，肥料元素可以包括氮元素、磷元素以及钾元素等。在对待施肥区域内的农作物进行施肥时，可能需要同时施加多种不同类型的肥料。而若多种肥料之间的配比不佳，在一定程度上会影响农作物的生长。
为了能够确定肥料之间的配比，首先，处理器可以先确定待施肥区域针对每个肥料元素的需求量，并可以进一步确定可选肥料的种类数量。在可选肥料的种类数量大于或等于预设阈值的情况下，处理器可以基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组。其中，预设阈值可以为3。遗传算法是指模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。待选配料组中可以包括多种可选肥料，且每种可选肥料的份量比例不同。待选配料组中每种肥料的肥料比例能够满足待施肥区域针对每个肥料元素的需求量。在生成多个待选配料组的情况下，处理器可以从多个待选配料组中确定出目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。其中，目标配料组中每种肥料的肥料比例为最佳比例，能够满足待施肥区域针对每个肥料元素的需求量，且与每个肥料元素的需求量之间的差值为最小。
上述技术方案，基于遗传算法能够从多个待选配料组中确定出目标配料组，能够按照目标配料组中包含的肥料和肥料比例对待施肥区域进行精准施肥，保证待施肥区域内农作物生长所需的肥料元素的用量需求，进一步减少肥料配比不精准对农作物生长造成的影响，大幅度提高肥料的利用率。
在一个实施例中，基于遗传算法根据需求量将全部的可选肥料进行多种比例的组合以生成多个待选配料组包括：确定出全部可选肥料中预设元素的元素含量最小值；确定出全部肥料元素的需求量最大值；将需求量最大值与元素含量最小值的第一比值确定为每种可选肥料的最大份量；基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组，其中，每种可选肥料的份量均小于或等于最大份量。
处理器可以确定出全部可选肥料中预设元素的元素含量最小值。其中，预设元素可以包括氮元素、磷元素以及钾元素。然后，处理器可以确定出全部肥料元素的需求量最大值。处理器可以进一步地将需求量最大值与元素含量最小值的第一比值确定为每种可选肥料的最大份量。在确定每种可选肥料的最大份量的情况下，处理器可以基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组。其中，每种可选肥料的份量均小于或等于最大份量。
例如，若可选肥料包括可选肥料f1、f2以及f3，可选肥料f1中包括0.02kg的氮元素、0.05kg的磷元素以及0.03kg的钾元素，可选肥料f2中包括0.03kg的氮元素、0.04kg的磷元素以及0.04kg的钾元素，可选肥料f3中包括0.04kg的氮元素、0.01kg的磷元素以及0.05kg的钾元素，则处理器可以确定可选肥料f1、f2以及f3中元素含量最小值为0.01kg。若氮元素的需求量为2kg，磷元素的需求量为1kg，钾元素的需求量为3kg，则全部肥料元素的需求量最大值为3kg，则处理器可以进一步地确定每种可选肥料的最大份量为300kg。由于可选肥料f1中包括0.02kg的氮元素，那么，可选肥料f1的最小份量为100kg，最大份量为300kg。
在一个实施例中，每种可选肥料包括多种肥料元素，从多个待选配料组中确定出目标配料组包括：确定每个待选配料组中每种肥料元素的元素含量总和；根据元素含量总和与需求量确定每个待选配料组的适应度；根据适应度从多个待选配料组中确定出备选配料组；对备选配料组进行预处理，以迭代更新备选配料组，并确定更新后的备选配料组的适应度；在迭代更新的次数达到预设次数的情况下，从最后一次进行迭代更新的备选配料组中选出适应度数值最大的备选配料组作为目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
每个待选配料组中包括全部的可选肥料。每个可选肥料可以包括多种肥料元素，例如，可以包括氮元素、磷元素以及钾元素等。处理器可以确定每个待选配料组中每种肥料元素的元素含量总和。例如，若待选配料组包括A、B以及C三种可选肥料，且每种可选肥料包括氮元素、磷元素以及钾元素，则处理器可以确定A、B以及C三种可选肥料中氮元素的元素含量总和、磷元素的元素含量总和以及钾元素的元素含量总和。
在确定每个待选配料组中每种肥料元素的元素含量总和的情况下，处理器可以根据元素含量总和与每个肥料元素的需求量确定每个待选配料组的适应度。其中，适应度可以是指遗传算法中用来辨别种群中个体优劣的标准。即，通过适应度可以辨别哪个待选配料组能够更为适宜地作为备选配料组。处理器可以根据适应度从多个待选配料组中确定出备选配料组。例如，处理器可以根据适应度按照从大到小的顺序排列每个待选配料组，并可以选取排列在预设数量的之前的待选配料组作为备选配料组。
处理器可以进一步地对备选配料组进行预处理，以迭代更新备选配料组，并可以确定更新后的备选配料组的适应度。其中，预处理的方式可以包括对备选配料进行交叉变换处理和变异处理等。更新后的备选配料组的适应度可以根据更新后的备选配料组中每种肥料元素的元素含量总和与每个肥料元素的需求量确定。处理器可以不断对备选配料组进行迭代更新，并可以将迭代更新的次数与预设次数进行比较。其中，预设次数可以是指最大迭代次数。预设次数可以根据实际情况进行自定义。在迭代更新的次数达到预设次数的情况下，处理器可以从最后一次进行迭代更新的备选配料组中选出适应度数值最大的备选配料组作为目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
在一个实施例中，每个待选配料组中每个肥料元素的元素含量总和大于或等于每个肥料元素的需求量，根据元素含量总和与需求量确定每个待选配料组的适应度包括：针对每个待选配料组，确定每个肥料元素的元素含量总和与需求量之间的用量差值；针对每个待选配料组，确定待选配料组的全部肥料元素的用量差值的总和；针对每个待选配料组，将总和的倒数确定为待选配料组的适应度。
在一个实施例中，方法还包括：根据公式(1)计算每个待选配料组中每个肥料元素的元素含量总和：
其中，i是指每个待选配料组中可选肥料的种类数量，x是指第x种可选肥料，x∈(1，i)，y是指第x种可选肥料中每种肥料元素的元素含量占比，Lx是指第x种可选肥料的肥料份量。
每个待选配料组中可以包括多种可选肥料。每个待选配料组中全部可选肥料的每个肥料元素的元素含量总和大于或等于每个肥料元素的需求量。在确定每个待选配料组的适应度时，处理器可以先确定每个待选配料组中每个肥料元素的元素含量总和。其中，每个肥料元素的元素含量总和可以通过上述的公式(1)确定。例如，若某个待选配料组中包括可选肥料f1、f2以及f3，每种可选肥料包括氮元素、磷元素以及钾元素，则可选肥料f1中氮元素的元素含量、可选肥料f2中氮元素的元素含量以及可选肥料f3中氮元素的元素含量之和则为该待选配料组中氮元素的元素含量总和。其中，该待选配料组中氮元素的元素含量总和大于或等于待施肥区域的氮元素的需求量。
在确定每个待选配料组中每个肥料元素的元素含量总和的情况下，处理器可以进一步地确定每个肥料元素的元素含量总和与需求量之间的用量差值。其中，用量差值为一个绝对值。针对每个待选配料组，处理器可以确定待选配料组的全部肥料元素的用量差值的总和，并可以将全部肥料元素的用量差值的总和的倒数确定为待选配料组的适应度。若待选配料组的全部肥料元素的用量差值的总和越大，则待选配料组的适应度则越小。若待选配料组的全部肥料元素的用量差值的总和越小，则待选配料组的适应度则越大。
待选配料组的适应度越大，则可表明该待选配料组中每种肥料的肥料比例为针对待施肥区域的最佳比例。通过该配料组对待施肥区域进行施肥，能够在保证每个肥料元素的需求量的同时，使得每个待选配料组中每个肥料元素的元素含量总和越接近每个肥料元素的需求量，能够大幅度提高肥料的利用率。
在一个实施例中，对备选配料组进行预处理，以迭代更新备选配料组，并确定更新后的备选配料组的适应度包括：从备选配料组中任选两个备选配料组作为交叉组；针对每个交叉组，从交叉组中任选一种肥料作为交叉组的目标肥料；针对每个交叉组，将交叉组中的两个备选配料组的目标肥料的份量交叉变换；在全部交叉组均完成交成交叉变换后，从全部交叉组包括的备选配料组中任选预设数量的备选配料组作为待变异配料组，以对待变异配料组进行变异处理；针对任意一个待变异配料组，调整待变异配料组中任意一种肥料的份量，以对待变异配料组进行变异处理，和/或，针对任意一个待变异配料组，从待变异配料组任选L种肥料，将所选肥料的份量与待变异配料组中与所选肥料的种类不同的肥料的份量进行交换，以对待变异配料组进行变异处理，其中，L为大于零的自然数；将变异处理后的配料组作为更新后的备选配料组，并确定更新后的备选配料组的适应度。
预处理的方式可以包括对备选配料组进行交叉变换处理和变异处理。处理器可以从备选配料组中任选两个备选配料组作为交叉组。针对每个交叉组，处理器可以从交叉组中任选一种肥料作为交叉组的目标肥料，并可以将交叉组中的两个备选配料组的目标肥料的份量交叉变换，以对备选配料组进行交叉变换处理。例如，交叉组中包括任选的两个备选配料组A与B，A中包括0.1kg的f1肥料、0.2kg的f2肥料以及0.1kg的f3肥料，B中包括0.2kg的f1肥料、0.1kg的f2肥料以及0.2kg的f3肥料。若处理器从交叉组中任选肥料f1作为目标肥料，那么交叉变换后的交叉组中的备选配料组A则包括0.2kg的f1肥料、0.2kg的f2肥料以及0.1kg的f3肥料，备选配料组B则包括0.1kg的f1肥料、0.1kg的f2肥料以及0.2kg的f3肥料。
在全部的交叉组均完成交叉变换后，处理器可以从全部交叉组包括的备选配料组中任选预设数量的备选配料组作为待变异配料组，以对待变异配料组进行变异处理。其中，变异处理可以是改变待变异配料组中每种肥料的份量。具体地，针对任意一个待变异配料组，处理器可以调整待变异配料组中任意一种肥料的份量，以对待变异配料组进行变异处理。例如，若待变异配料组X包括0.2kg的f1肥料、0.2kg的f2肥料以及0.1kg的f3肥料，处理器可以将f1肥料的份量调整为0.3kg，那么，变异后的待变异配料组M则包括0.3kg的f1肥料、0.2kg的f2肥料以及0.1kg的f3肥料。
变异处理可以是交换待变异配料组中任意两种肥料的份量。具体地，针对任意一个待变异配料组，处理器可以从待变异配料组中任选L种肥料，并可以将所选肥料的份量与待变异配料组中与所选肥料的种类不同的肥料的份量进行变换，以对待变异配料组进行变异处理，其中，L为大于零的自然数。例如，若待变异配料组Y包括0.1kg的f1肥料、0.2kg的f2肥料以及0.3kg的f3肥料，处理器可以选择f1肥料和f2肥料进行变异处理。具体地，针对0.1kg的f1肥料，处理器可以将0.1kg的f1肥料与0.2kg的f2肥料或者0.3kg的f3肥料的份量进行交换。若将0.1kg的f1肥料与0.3kg的f3肥料进行交换，那么此时待变异配料组Y包括0.3kg的f1肥料、0.2kg的f2肥料以及0.1kg的f3肥料。处理器可以进一步地对0.1kg的f3肥料进行变异处理，处理器可以将0.1kg的f3肥料与0.2kg的f2肥料进行交换，则最终得到的变异处理后的配料组包括0.3kg的f1肥料、0.1kg的f2肥料以及0.2kg的f3肥料。
处理器可以将变异处理后的配料组作为更新后的备选配料组，并可以确定更新后的备选配料组的适应度。其中，更新后的备选配料组的适应度可以根据更新后的备选配料组中每种肥料元素的元素含量总和与每个肥料元素的需求量确定。
在一个实施例中，方法还包括：在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第一数值的情况下，确定可选肥料中每种肥料元素的需求量与每种肥料元素的元素含量占比的第二比值；将全部第二比值中的最大值确定为可选肥料的施肥份量，以对待施肥区域施加施肥份量的可选肥料。
在在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第一数值的情况下，处理器可以确定可选肥料中每种肥料元素的需求量与每个肥料元素的元素含量占比的第二比值。处理器可以将全部第二比值中的最大值确定为可选肥料的施肥份量，以对待施肥区域施加施肥份量的可选肥料。其中，预设阈值可以为3。第一数值可以为1。
在一个实施例中，方法还包括：在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第二数值的情况下，通过穷举法确定每种可选肥料之间的最佳份量比例，以按照每种可选肥料的份量比例对待施肥区域进行施肥。
在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第二数值的情况下，处理器可以通过穷举法确定每种可选肥料之间的最佳份量比例，以按照每种可选肥料的份量比例对待施肥区域进行施肥。其中，预设阈值可以为3。第一数值可以为2。
在一个实施例中，若可选肥料包括f1、f2、f3、f4以及f5等5种类型的肥料，可选肥料f1＝{n:0.2,[:0.2,k:0.2}，可选肥料f2＝{n:0.7,p:0,k:0}，可选肥料f3＝{n:0,p:0,k:0.7}，可选肥料f4＝{n:0,p:0.2,k:0.7}，可选肥料f5＝{n:0.3,p:0.1,k:0.7}。其中，n是指氮元素，p是指磷元素，k是指钾元素。若待施肥区域针对氮元素n的需求量为12kg，磷元素p的需求量为7kg，钾元素k的需求量为8kg，则确定出的目标配料组中可选肥料f1的实际含量为36.5kg，可选肥料f2的实际含量为6.5kg，可选肥料f3的实际含量为0.1kg，可选肥料f4的实际含量为0.4kg，可选肥料f5的实际含量为0.5kg。该目标配料组为适应度数值最大的备选配料组。其中，该目标配料组中氮元素n的含量总和为12kg，磷元素p的含量总和为7.43kg，钾元素k的含量总和为8kg，该目标配料组的全部肥料元素的用量差值为0.43kg，约为全部肥料元素的需求量总和的1％。
在一个实施例中，如图2所示，提供了另一种用于确定肥料配比的方法的流程示意图。
处理器可以先判断肥料的肥料种类是否为1种。在肥料种类为1种的情况下，处理器可以通过直接计算的方式确定该种肥料的肥料份量。具体地，处理器可以确定该种肥料中每种肥料元素的需求量与每个肥料元素的元素含量占比的第二比值，并可以将全部第二比值中的最大值确定为可选肥料的施肥份量。在肥料种类为2种的情况下，处理器可以通过穷举法确定每种可选肥料之间的最佳份量比例。在肥料种类不为2种而为至少3种以上的情况下，处理器可以基于遗传算法确定目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
在一个实施例中，如图3所示，提供了基于遗传算法确定目标配料组的流程示意图。
处理器可以先初始化群体，并设置最大进化代数。其中，初始化群体可以是指处理器根据每个肥料元素的需求量将全部的可选肥料进行多种份量比例的组合以生成的多个待选配料组。然后，处理器可以对每个待选配料组进行适应度评价，即确定每个待选配料组的适应度。在确定每个待选配料组的适应度的情况下，处理器可以进一步地根据适应度从多个待选配料组中选择出备选配料组。在确定备选配料组的情况下，处理器可以对备选配料组进行交配和变异处理，以迭代更新备选配料组，并可以确定更新后的备选配料组的适应度(适应度值)以及适应度数值最大的备选配料组(最优染色体)。然后，处理器可以判断备选配料组迭代更新的次数是否满足终止条件。其中，终止条件是指迭代更新的次数是否满足初始化群体时所设置的最大进化代数，即最大迭代更新的次数。若备选配料组迭代更新的次数未达到最大进化代数，处理器可以再次初始化群体，并重新迭代更新备选配料组，直到备选配料组迭代更新的次数达到最大进化代数。若备选配料组迭代更新的次数达到最大进化代数，则处理器可以从最后一次进行迭代更新的备选配料组中选出适应度数值最大的备选配料组作为目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
通过上述技术方案，能够根据不同的肥料种类采用不同的算法确定每种肥料之间的份量比例。且，基于遗传算法能够从多个待选配料组中确定出目标配料组，能够按照目标配料组中包含的肥料和肥料比例对待施肥区域进行精准施肥，保证待施肥区域内农作物生长所需的肥料元素的用量需求，进一步减少肥料配比不精准对农作物生长造成的影响，大幅度提高肥料的利用率。
图1-2为一个实施例中用于确定肥料配比的方法的流程示意图。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，提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于确定肥料配比的方法。
在一个实施例中，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述用于确定肥料配比的方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作***B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作***B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储每个肥料元素的需求量等数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于确定肥料配比的方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：确定待施肥区域针对每个肥料元素的需求量；确定可选肥料的种类数量；在可选肥料的种类数量大于或等于预设阈值的情况下，基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组；从多个待选配料组中确定出目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
在一个实施例中，每种可选肥料包括多种肥料元素，从多个待选配料组中确定出目标配料组包括：确定每个待选配料组中每种肥料元素的元素含量总和；根据元素含量总和与需求量确定每个待选配料组的适应度；根据适应度从多个待选配料组中确定出备选配料组；对备选配料组进行预处理，以迭代更新备选配料组，并确定更新后的备选配料组的适应度；在迭代更新的次数达到预设次数的情况下，从最后一次进行迭代更新的备选配料组中选出适应度数值最大的备选配料组作为目标配料组，以按照目标配料组中包含的肥料和肥料比例对待施肥区域进行施肥。
在一个实施例中，对备选配料组进行预处理，以迭代更新备选配料组，并确定更新后的备选配料组的适应度包括：从备选配料组中任选两个备选配料组作为交叉组；针对每个交叉组，从交叉组中任选一种肥料作为交叉组的目标肥料；针对每个交叉组，将交叉组中的两个备选配料组的目标肥料的份量交叉变换；在全部交叉组均完成交叉变换后，从全部交叉组包括的备选配料组中任选预设数量的备选配料组作为待变异配料组，以对待变异配料组进行变异处理；针对任意一个待变异配料组，调整待变异配料组中任意一种肥料的份量，以对待变异配料组进行变异处理，和/或，针对任意一个待变异配料组，从待变异配料组任选L种肥料，将所选肥料的份量与待变异配料组中与所选肥料的种类不同的肥料的份量进行交换，以对待变异配料组进行变异处理，其中，L为大于零的自然数；将变异处理后的配料组作为更新后的备选配料组，并确定更新后的备选配料组的适应度。
在一个实施例中，每个待选配料组中每个肥料元素的元素含量总和大于或等于每个肥料元素的需求量，根据元素含量总和与需求量确定每个待选配料组的适应度包括：针对每个待选配料组，确定每个肥料元素的元素含量总和与需求量之间的用量差值；针对每个待选配料组，确定待选配料组的全部肥料元素的用量差值的总和；针对每个待选配料组，将总和的倒数确定为待选配料组的适应度。
在一个实施例中，方法还包括：根据公式(1)计算每个待选配料组中每个肥料元素的元素含量总和：
其中，i是指每个待选配料组中可选肥料的种类数量，x是指第x种可选肥料，x∈(1，i)，y是指第x种可选肥料中每种肥料元素的元素含量占比，Lx是指第x种可选肥料的肥料份量。
在一个实施例中，基于遗传算法根据需求量将全部的可选肥料进行多种比例的组合以生成多个待选配料组包括：确定出全部可选肥料中预设元素的元素含量最小值；确定出全部肥料元素的需求量最大值；将需求量最大值与元素含量最小值的第一比值确定为每种可选肥料的最大份量；基于遗传算法根据需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组，其中，每种可选肥料的份量均小于或等于最大份量。
在一个实施例中，方法还包括：在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第一数值的情况下，确定可选肥料中每种肥料元素的需求量与每种肥料元素的元素含量占比的第二比值；将全部第二比值中的最大值确定为可选肥料的施肥份量，以对待施肥区域施加施肥份量的可选肥料。
在一个实施例中，方法还包括：在可选肥料的种类数量小于预设阈值，且可选肥料的种类数量为第二数值的情况下，通过穷举法确定每种可选肥料之间的最佳份量比例，以按照每种可选肥料的份量比例对待施肥区域进行施肥。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有用于确定肥料配比的方法步骤的程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种用于确定肥料配比的方法，其特征在于，所述方法包括：
确定待施肥区域针对每个肥料元素的需求量；
确定可选肥料的种类数量；
在所述可选肥料的种类数量大于或等于预设阈值的情况下，基于遗传算法根据所述需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组；
从所述多个待选配料组中确定出目标配料组，以按照所述目标配料组中包含的肥料和肥料比例对所述待施肥区域进行施肥；
其中，每种可选肥料包括多种肥料元素，所述从所述多个待选配料组中确定出目标配料组包括：确定每个待选配料组中每种肥料元素的元素含量总和；根据所述元素含量总和与所述需求量确定每个待选配料组的适应度；根据所述适应度从所述多个待选配料组中确定出备选配料组；对所述备选配料组进行预处理，以迭代更新所述备选配料组，并确定更新后的备选配料组的适应度；在迭代更新的次数达到预设次数的情况下，从最后一次进行迭代更新的备选配料组中选出适应度数值最大的备选配料组作为目标配料组，以按照所述目标配料组中包含的肥料和肥料比例对所述待施肥区域进行施肥；
所述对所述备选配料组进行预处理，以迭代更新所述备选配料组，并确定更新后的备选配料组的适应度包括：从备选配料组中任选两个备选配料组作为交叉组；针对每个交叉组，从所述交叉组中任选一种肥料作为所述交叉组的目标肥料；针对每个交叉组，将所述交叉组中的两个备选配料组的目标肥料的份量交叉变换；在全部交叉组均完成交叉变换后，从全部交叉组包括的备选配料组中任选预设数量的备选配料组作为待变异配料组，以对所述待变异配料组进行变异处理；针对任意一个待变异配料组，调整所述待变异配料组中任意一种肥料的份量，以对所述待变异配料组进行变异处理，和/或，针对任意一个待变异配料组，从所述待变异配料组任选L种肥料，将所选肥料的份量与所述待变异配料组中与所选肥料的种类不同的肥料的份量进行交换，以对所述待变异配料组进行变异处理，其中，L为大于零的自然数；将变异处理后的配料组作为更新后的备选配料组，并确定更新后的备选配料组的适应度；
每个待选配料组中每个肥料元素的元素含量总和大于或等于每个肥料元素的需求量，所述根据所述元素含量总和与所述需求量确定每个待选配料组的适应度包括：针对每个待选配料组，确定所述每个肥料元素的元素含量总和与需求量之间的用量差值；针对每个待选配料组，确定所述待选配料组的全部肥料元素的用量差值的总和；针对每个待选配料组，将所述总和的倒数确定为所述待选配料组的适应度；
根据公式（1）计算每个待选配料组中每个肥料元素的元素含量总和：
元素含量总和= （1）
其中，i是指每个待选配料组中可选肥料的种类数量，x是指第x种可选肥料，x∈（1，i），y是指第x种可选肥料中每种肥料元素的元素含量占比，是指第x种可选肥料的肥料份量。
2.根据权利要求1所述的用于确定肥料配比的方法，其特征在于，所述基于遗传算法根据所述需求量将全部的可选肥料进行多种比例的组合以生成多个待选配料组包括：
确定出全部可选肥料中预设元素的元素含量最小值；
确定出全部肥料元素的需求量最大值；
将所述需求量最大值与所述元素含量最小值的第一比值确定为每种可选肥料的最大份量；
基于遗传算法根据所述需求量将全部的可选肥料进行多种份量比例的组合以生成多个待选配料组，其中，每种可选肥料的份量均小于或等于所述最大份量。
3.根据权利要求1所述的用于确定肥料配比的方法，其特征在于，所述方法还包括：
在所述可选肥料的种类数量小于所述预设阈值，且所述可选肥料的种类数量为第一数值的情况下，确定所述可选肥料中每种肥料元素的需求量与每种肥料元素的元素含量占比的第二比值；
将全部第二比值中的最大值确定为所述可选肥料的施肥份量，以对所述待施肥区域施加所述施肥份量的可选肥料。
4.根据权利要求1所述的用于确定肥料配比的方法，其特征在于，所述方法还包括：
在所述可选肥料的种类数量小于所述预设阈值，且所述可选肥料的种类数量为第二数值的情况下，通过穷举法确定每种可选肥料之间的最佳份量比例，以按照每种可选肥料的份量比例对所述待施肥区域进行施肥。
5.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至4中任一项所述的用于确定肥料配比的方法。
6.一种处理器，其特征在于，被配置成执行根据权利要求1至4中任意一项所述的用于确定肥料配比的方法。
CN202211051084.2A 2022-08-30 2022-08-30 用于确定肥料配比的方法、存储介质及处理器 Active CN115486247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211051084.2A CN115486247B (zh) 2022-08-30 2022-08-30 用于确定肥料配比的方法、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211051084.2A CN115486247B (zh) 2022-08-30 2022-08-30 用于确定肥料配比的方法、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN115486247A CN115486247A (zh) 2022-12-20
CN115486247B true CN115486247B (zh) 2023-08-22

Family

ID=84465599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211051084.2A Active CN115486247B (zh) 2022-08-30 2022-08-30 用于确定肥料配比的方法、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN115486247B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635363B (zh) * 2024-01-25 2024-05-07 华南农业大学 一种多类型肥料混配的配比数据处理方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN108811651A (zh) * 2018-05-29 2018-11-16 安徽润航农业科技开发有限公司 一种测土配方施肥的方法
CN109241607A (zh) * 2017-09-27 2019-01-18 山东农业大学 基于相关向量机的配比变量施肥离散元模型参数标定方法
CN111246729A (zh) * 2017-08-21 2020-06-05 克莱米特公司 用于实施农田试验的农田数字建模和跟踪
CN112005679A (zh) * 2020-08-20 2020-12-01 大连理工大学 一种精准农业的水肥一体化分配方法
CN112229349A (zh) * 2020-09-23 2021-01-15 中科云谷科技有限公司 用于确定农业机械作业面积的方法、装置及农业机械
CN112889007A (zh) * 2018-08-13 2021-06-01 克莱米特公司 使用特定于农艺田地的空间分布值来改进数字养分模型
CN114391351A (zh) * 2021-12-29 2022-04-26 北京市农林科学院信息技术研究中心 变量施肥决策方法及装置
CN114549224A (zh) * 2022-02-24 2022-05-27 中联智慧农业股份有限公司 一种基于大数据的农作物种植指导方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10509872B2 (en) * 2017-03-08 2019-12-17 The Climate Corporation Location selection for treatment sampling

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN111246729A (zh) * 2017-08-21 2020-06-05 克莱米特公司 用于实施农田试验的农田数字建模和跟踪
CN109241607A (zh) * 2017-09-27 2019-01-18 山东农业大学 基于相关向量机的配比变量施肥离散元模型参数标定方法
CN108811651A (zh) * 2018-05-29 2018-11-16 安徽润航农业科技开发有限公司 一种测土配方施肥的方法
CN112889007A (zh) * 2018-08-13 2021-06-01 克莱米特公司 使用特定于农艺田地的空间分布值来改进数字养分模型
CN112005679A (zh) * 2020-08-20 2020-12-01 大连理工大学 一种精准农业的水肥一体化分配方法
CN112229349A (zh) * 2020-09-23 2021-01-15 中科云谷科技有限公司 用于确定农业机械作业面积的方法、装置及农业机械
CN114391351A (zh) * 2021-12-29 2022-04-26 北京市农林科学院信息技术研究中心 变量施肥决策方法及装置
CN114549224A (zh) * 2022-02-24 2022-05-27 中联智慧农业股份有限公司 一种基于大数据的农作物种植指导方法

Also Published As

Publication number Publication date
CN115486247A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
Kropp et al. A multi-objective approach to water and nutrient efficiency for sustainable agricultural intensification
Dubey et al. A biologically inspired modified flower pollination algorithm for solving economic dispatch problems in modern power systems
CN115486247B (zh) 用于确定肥料配比的方法、存储介质及处理器
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
Elrys et al. How much nitrogen does Africa need to feed itself by 2050?
Mayer et al. Use of advanced techniques to optimize a multi-dimensional dairy model
US11966208B2 (en) Methods and systems for greenspace cultivation and management in smart cities based on Internet of Things
CN106372740B (zh) 一种牧区水土草畜平衡模型的计算方法及***
JP2016146046A (ja) 予測装置、予測方法及びプログラム
CN108229739B (zh) 作物产量的预测方法、终端、计算机可读存储介质
CN110135627B (zh) 水资源优化方法及装置
Botes et al. A simulation and optimization approach for evaluating irrigation information
CN113255999A (zh) 基于多模型的农作物产量评估方法、装置、设备及介质
CN116070742A (zh) 用于预测作物产量的方法、装置、存储介质及处理器
Önal et al. A multilevel analysis of agricultural credit distribution in East Java, Indonesia
Cobbenhagen et al. Heterogeneous multi-agent resource allocation through multi-bidding with applications to precision agriculture
Grzebisz et al. Fertilizer use and wheat yield in Central and Eastern European countries from 1986 to 2005 and its implication for developing sustainable fertilizer management practices
CN114582439B (zh) 一种基于应用场景的土壤盐碱地改良剂筛选方法及***
CN107357935B (zh) 基于程序云的智能种植设备控制方法
Itoh Innovative models for crop planning problem to improve production efficiency in agricultural management under uncertainty
CN117598190B (zh) 水库分干渠灌溉控制方法、装置、设备及存储介质
CN110197304B (zh) 作物灌溉面积预测方法及装置
CN109191320A (zh) 一种农业生产管理指导方法及***
Katagiri et al. An interactive fuzzy satisficing method based on the fractile optimization model using possibility and necessity measures for a fuzzy random multiobjective linear programming problem
Das et al. Genetic algorithm to find most optimum growing technique for multiple cropping using big data

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