CN116762539A - 一种农作物智能施肥方法 - Google Patents
一种农作物智能施肥方法 Download PDFInfo
- Publication number
- CN116762539A CN116762539A CN202311000250.0A CN202311000250A CN116762539A CN 116762539 A CN116762539 A CN 116762539A CN 202311000250 A CN202311000250 A CN 202311000250A CN 116762539 A CN116762539 A CN 116762539A
- Authority
- CN
- China
- Prior art keywords
- unit
- fertilizer
- soil
- fertilization
- fertilized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000003337 fertilizer Substances 0.000 claims abstract description 283
- 239000002689 soil Substances 0.000 claims abstract description 161
- 230000004720 fertilization Effects 0.000 claims abstract description 143
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004090 dissolution Methods 0.000 claims description 33
- 235000015097 nutrients Nutrition 0.000 claims description 26
- 235000012041 food component Nutrition 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 239000000470 constituent Substances 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 description 18
- 239000000203 mixture Substances 0.000 description 15
- 235000016709 nutrition Nutrition 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 239000004615 ingredient Substances 0.000 description 13
- 239000013598 vector Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 239000007921 spray Substances 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000005507 spraying Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000021049 nutrient content Nutrition 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000013278 single fertilization Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Fertilizing (AREA)
Abstract
本说明书实施例提供一种农作物智能施肥方法,该方法包括:基于监测单元获取种植单元的监测数据,监测单元至少包括土壤检测单元,监测数据至少包括土壤数据;基于土壤数据,确定种植单元对应的土壤特征;响应于种植单元的土壤特征满足施肥条件,确定该种植单元为待施肥单元;基于待施肥单元的土壤特征,确定待施肥单元的肥料需求特征;根据待施肥单元的肥料需求特征,确定施肥器的施肥路径;控制施肥器基于施肥路径对至少一个待施肥单元进行施肥。
Description
技术领域
本说明书涉及配肥领域,具体涉及一种农作物智能施肥方法。
背景技术
现行农业生产中农作物种植管理粗放、作物种类繁多,在对农作物进行施肥施水的过程中,常常需要人工进行操作,工作人员劳动强度大,且操作复杂繁琐,而且现有的自动化施肥施水装置,没有考虑施肥量的智能配比,降低了整体的施肥效率,难以保证施肥效果。
针对施肥量智能配比的问题,CN108684278B提出一种智能配肥方法、装置和***,该申请重点针对的是根据当前地块的土壤养分供应量和农作物的养分需求量以及PH值、地形、施肥习惯等计算得到肥料配方和施肥量。但是施肥的时间点对施肥效果也很重要,在不同时间点进行施肥带来的施肥效果可能会存在差异。而该申请并没有考虑施肥的时间点对农作物的影响,这会导致施肥效果降低。
因此,希望提供一种农作物智能施肥方法,从而更加合理地进行施肥,保证施肥效果。
发明内容
本说明书实施例之一提供一种农作物智能施肥方法,其特征在于,基于处理器执行,包括:基于监测单元获取种植单元的监测数据,所述监测单元至少包括土壤检测单元,所述监测数据至少包括土壤数据;基于所述土壤数据,确定所述种植单元对应的土壤特征;响应于所述种植单元的所述土壤特征满足施肥条件,确定所述种植单元为待施肥单元;基于所述待施肥单元的土壤特征,确定所述待施肥单元的肥料需求特征;根据所述待施肥单元的所述肥料需求特征,确定施肥器的施肥路径;控制所述施肥器基于所述施肥路径对所述至少一个待施肥单元进行施肥。
本说明书实施例之一提供一种农作物智能施肥***,包括获取模块、第一确定模块、第二确定模块、第三确定模块、第四确定模块和控制模块;所述获取模块用于基于监测单元获取种植单元的监测数据,所述监测单元至少包括土壤检测单元,所述监测数据至少包括土壤数据;所述第一确定模块用于基于所述土壤数据,确定所述种植单元对应的土壤特征;所述第二确定模块用于响应于所述种植单元的所述土壤特征满足施肥条件,确定所述种植单元为待施肥单元;所述第三确定模块用于基于所述待施肥单元的土壤特征,确定所述待施肥单元的肥料需求特征;所述第四确定模块用于根据所述待施肥单元的所述肥料需求特征,确定施肥器的施肥路径;所述控制模块用于控制所述施肥器基于所述施肥路径对所述至少一个待施肥单元进行施肥。
本说明书实施例之一提种一种农作物智能施肥装置,其特征在于,包括处理器,所述处理器用于执行前述农作物智能施肥方法。
本说明书实施例之一提种一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行前述农作物智能施肥方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的农作物智能施肥***的示例性模块图;
图2是根据本说明书一些实施例所示的农作物智能施肥方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定肥料需求特征的示意图;
图4是根据本说明书一些实施例所示的确定施肥路径的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
针对施肥量智能配比的问题,现有技术基于土壤养分供应量、农作物的养分需求量以及PH值、地形、施肥习惯等计算得到肥料配方和施肥量,并以此为依据进行配肥、施肥。往往不会考虑施肥时间点对农作物的影响,例如,降雨前施肥会造成肥料的营养成分大量流失,降雨后土壤的情况会发生改变,施肥效果自然也随之改变。如果不考虑时间因素,即使有合理的肥量配比,也可能会因为施肥的时机不合适而导致施肥效果不理想。
鉴于此,本说明书一些实施例提供一种农作物智能施肥方法,基于不同种植单元的土壤特征和肥料需求特征,考虑天气和时间的影响,确定施肥器的施肥时间和施肥路径,有利于获得更好的施肥效果。
图1是根据本说明书一些实施例所示的农作物智能施肥***的示例性模块图。
如图1所示,农作物智能施肥***100包括获取模块110、第一确定模块120、第二确定模块130、第三确定模块140、第四确定模块150以及控制模块160。
获取模块110用于基于监测单元获取至少一个种植单元的监测数据。其中,监测单元至少包括土壤检测单元,监测数据至少包括土壤数据。
第一确定模块120用于基于土壤数据,确定至少一个种植单元各自对应的土壤特征。
第二确定模块130可以用于根据土壤特征和施肥条件,从至少一个种植单元中确定至少一个待施肥单元。
第三确定模块140用于根据待时费单元的土壤特征,确定待施肥单元的肥料需求特征。
在一些实施例中,第三确定模块140还用于基于天气监测单元获取未来时段的预测天气数据;响应于预测天气数据符合第一天气条件,基于目标土壤成分特征确定肥料需求特征,其中第一天气条件包括未来时段不存在降雨;响应于预测天气数据符合第二天气条件,预测待施肥单元的雨后土壤特征,其中第二天气条件包括所述未来时段存在降雨;基于雨后土壤特征确定不同营养成分的溶解速度;基于雨后土壤特征、目标土壤特征、不同营养成分的溶解速度,确定肥料需求特征。
在一些实施例中,第三确定模块140还用于基于雨后土壤特征,通过预测模型确定不同营养成分的溶解速度。
第四确定模块150可以用于基于待施肥单元的肥料需求特征,确定施肥器的施肥路径。
在一些实施例中,第四确定模块150还用于生成至少一个候选施肥路径;对于至少一个候选施肥路径中的每一个候选施肥路径,基于肥料需求特征、施肥器的剩余电量,确定候选施肥路径的施肥成本;将施肥成本满足预设条件的候选施肥路径作为目标施肥路径。
控制模块160可以用于控制施肥器基于施肥路径对至少一个施肥单元进行施肥。
有关前述模块及其功能的更多内容可参见图2-4及其相关说明。
需要注意的是,以上对于农作物智能施肥***及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。在一些实施例中,图1中披露的各个模块可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。
图2是根据本说明书一些实施例所示的农作物智能施肥方法的示例性流程图。在一些实施例中,流程200可以由处理器执行。如图2所示,流程200包括下述步骤:
步骤210,基于监测单元获取种植单元的监测数据。
监测单元是指对种植单元进行监测以获得监测数据的设备或部件,例如,温度传感器、湿度传感器等。监测单元可以部署于种植单元中的预设监测点位。在一些实施例中,监测单元可以包括土壤检测单元和天气监测单元。
土壤检测单元是用于检测土壤数据的设备或部件,例如ph计、电导率传感器等。
天气监测单元是用于监测至少一个未来时段的天气数据的设备或部件,例如气象观测仪、雨量计、太阳辐射传感器等。在一些实施例中,天气监测单元还可以包括通信部件,用于通过网络获取天气预报,进而确定未来时段的天气信息。
种植单元是指种植区域内具有一定空间范围的单元,例如,可以将种植区域划分为多个空间,一个种植单元可以对应种植区域内的一个空间。
监测数据是指与种植单元相关的监测数据。在一些实施例中,监测数据可以包括土壤数据和天气数据。
土壤数据是指与种植单元内土壤相关的数据,例如,土壤的电导率、土壤含水量、土壤中不同营养物质的含量等。
天气数据是指与种植单元处的天气相关的数据,例如,天气类型、风速、空气湿度等。在一些实施例中,天气数据可以用于确定肥料需求特征,更多内容可以参见图3及其相关描述。
在一些实施例中,处理器可以从部署于目标区域中的至少一个种植单元中的一个或多个监测单元获取监测数据。
步骤220,基于土壤数据,确定种植单元对应的土壤特征。
土壤特征是指与种植单元内的土壤相关的特征。在一些实施例中,土壤特征可以包括土壤成分特征和土壤结构特征。通常统一种植单元中单位面积的土壤均具有相同的土壤成分特征和土壤结构特征。
土壤成分特征是指与土壤中所含成分相关的特征。例如,土壤成分可以包括土壤中营养物质含量、微量元素含量等。
土壤结构特征是指与土壤结构相关的特征。例如,土壤结构特征可以包括土壤的松散程度、湿度、温度、ph值等。
在一些实施例中,处理器可以对获取的土壤数据进行分析处理以确定种植单元对应的土壤特征。例如,处理器可以基于土壤数据,将土壤特征用{A,B,C,D,…}的序列形式进行表示,其中,A、B可以用于表示土壤成分特征,C、D可以用于表示土壤结构特征。
步骤230,响应于种植单元的土壤特征满足施肥条件,确定种植单元为待施肥单元。
施肥条件是指用于评估是否需要对种植单元进行施肥的判断条件。在一些实施例中,种植单元的土壤特征满足至少一个施肥条件,可以将种植单元确定为待施肥单元。
在一些实施例中,施肥条件可以包括土壤中各营养物质的含量低于对应的含量阈值。
在一些实施例中,施肥条件可以包括土壤中不同营养物质含量的比例超过范围阈值。
在一些实施例中,含量阈值和范围阈值可以基于历史经验预设。
待施肥单元是指需要进行施肥的种植单元。在一些实施例中,待施肥单元可以包括至少一个需要进行施肥的种植单元。
在一些实施例中,处理器可以判断种植单元的土壤特征是否满足施肥条件,将满足施肥条件的种植单元确定为待施肥单元。
例如,处理器可以将种植单元对应的土壤特征中的土壤成分特征与预设的含量阈值和/或范围阈值进行比较,判断是否满足施肥条件。示例性的,土壤中氮对应的含量阈值为1.3g/kg,当种植单元土壤成分特征中氮的含量低于1.3g/kg时,满足施肥条件。又例如,土壤中氮、磷、钾含量的预设比例为1:2:2,当土壤中氮、磷、钾含量的比例在预设比例的范围阈值内,则不满足施肥条件,反之在超过预设比例的范围阈值时满足施肥条件。
步骤240,基于待施肥单元的土壤特征,确定待施肥单元的肥料需求特征。
肥料需求特征是指用于反映待施肥单元土壤对肥料需求情况的特征,例如肥料中不同营养物质的含量比例等。在一些实施例中,同一待施肥单元中的土壤具有相同的肥料需求特征。
在一些实施例中,处理器可以基于至少一个待施肥单元的土壤特征,通过多种方式确定肥料需求特征。例如,处理器可以基于至少一个待施肥单元的土壤特征,通过查询预设表的方式,将与当前土壤特征类似历史土壤特征对应的肥料需求特征确定为当前土壤特征对应的肥料需求特征。预设表可以包括不同的土壤特征与肥料需求特征之间的对应关系。在一些实施例中,预设表可以基于历史数据确定。
在一些实施例中,处理器可以基于未来时段的预测天气数据确定待施肥单元的肥料需求特征,更多内容可以参见图3及其相关描述。
步骤250,根据待施肥单元的肥料需求特征,确定施肥器的施肥路径。
施肥路径是指施肥器对待施肥单元进行施肥的路径。在一些实施例中,施肥路径可以包括施肥器对待施肥单元的施肥顺序。
在一些实施例中,处理器可以基于待施肥单元的肥料需求特征,通过多种方式确定施肥器的施肥路径。例如,处理器可以基于待施肥单元的肥料需求特征,确定需要施肥的待施肥单元,通过路径规划算法,将施肥时间最少的路径作为施肥路径。
在一些实施例中,处理器可以基于肥料需求特征、施肥器的剩余电量,确定施肥路径,更多内容可以参见图4及其相关描述。
步骤260,控制施肥器基于施肥路径对至少一个待施肥单元进行施肥。
施肥器是指用于进行施肥的设备。在一些实施例中,施肥器可以基于无人机实现。
在一些实施例中,处理器可以通过多种方式控制施肥器基于施肥路径对至少一个待施肥单元进行施肥。例如,处理器可以生成包含施肥路径控制指令,并将其下发至施肥器,以控制施肥器按照施肥路径控制指令进行施肥。
本说明书一些实施例,通过对监测数据进行分析处理以确定待施肥单元,并基于待施肥单元的肥料需求特征确定施肥路径,能快速高效地确定适合施肥器进行施肥的施肥路径,实现了农作物施肥的智能化。
图3是根据本说明书一些实施例所示的确定肥料需求特征的示意图。如图3所示,确定肥料需求特征的流程300至少包括以下内容。
在一些实施例中,处理器可以基于天气监测单元获取未来时段的预测天气数据;响应于预测天气数据符合第一天气条件,基于目标土壤成分特征确定肥料需求特征;响应于预测天气数据符合第二天气条件,预测待施肥单元的雨后土壤特征;基于雨后土壤特征确定不同营养成分的溶解速度;基于雨后土壤特征、目标土壤成分特征、不同营养成分的溶解速度,确定肥料需求特征。
预测天气数据是指预测的未来时段的天气数据。通常情况下,当种植单元满足施肥条件时,第二天可以安排对种植单元进行施肥。因此,在一些实施例中,预测天气数据可以包括第二天的天气数据。
在一些实施例中,处理器可以通过天气监测单元获取的天气数据进行气象分析,获取预测天气数据。在一些实施例中,处理器还可以通过天气监测单元获取天气预报数据,基于天气预报数据,确定预测天气数据。
在一些实施例中,第一天气条件可以包括未来时段降雨概率小于概率阈值。其中,概率阈值可以基于实际生产经验进行设置。
目标土壤成分特征是指待施肥单元施肥后的土壤成分特征。在一些实施例中,目标土壤成分特征可以包括土壤中不同营养物质的含量及比例。在一些实施例中,目标土壤成分可以基于历史种植经验获取。种植相同农作物的多个待施肥单元的目标土壤成分特征相同,种植不同农作物的多个待施肥单元的目标土壤成分特征不同。
关于肥料需求特征的说明可以参见图2及其相关描述。在一些实施例中,肥料需求特征还可以包括肥料需求量。
肥料需求量是指待施肥单元对肥料的需求量。在一些实施例中,肥料需求量可以基于肥料需求特征的肥料中不同营养物质的含量计算得到。在一些实施例中,处理器可以将肥料中不同营养物质的含量相加得到初始肥料需求量,再基于待施肥单元的土壤成分特征中不同营养物质的含量与对应含量阈值的差值之和,对初始肥料需求量进行调整,进而获取肥料需求量,关于含量阈值的更多内容可以参见图2及其相关描述。
在一些实施例中,肥料需求量可以是初始肥料需求量与调整系数间的乘积结果,处理器可以预设待施肥单元的土壤成分特征中,不同营养物质的含量与对应含量阈值的差值之和与调整系数之间的关系,例如,预设关系可以是:差值之和越大,调整系数越大。
在一些实施例中,肥料需求量可以相关于相邻待施肥单元之间的肥料扩散速率。
肥料扩散速率是指肥料从待施肥单元扩散到相邻待施肥单元的速率。在一些实施例中,肥料扩散速率可以基于历史数据的统计获取。肥料扩散速率有方向之分,肥料会从浓度高的待施肥单元向浓度低的待施肥单元扩散,例如,待施肥单元A的肥料浓度大于待施肥单元B的肥料浓度,则肥料会从待施肥单元A扩散到相邻的待施肥单元B,此时,A的肥料扩散速率为负值,B的肥料扩散速率为正值。肥料扩散速率为负值的待施肥单元存在肥料流失,肥料扩散速率为正值的待施肥单元存在肥料吸收。
在一些实施例中,处理器可以基于肥料扩散速率对肥料需求量进行调整。例如,相邻待施肥单元A、B间的肥料扩散速率对A为负值,对B为正值,处理器可以适当增大待施肥单元A的肥料需求量,适当减少待施肥单元B的肥料需求量。
在一些实施例中,处理器可以基于待施肥单元与相邻施肥单元间肥料的平均扩散速率对肥料需求量进行调整。平均扩散速率可以是待施肥单元与相邻施肥单元间肥料扩散速率的平均值。例如,与待施肥单元A相邻的待施肥单元为B、C、D,A与B、C、D间分别存在肥料扩散速率1、肥料扩散速率2和肥料扩散速率3,则待施肥单元A与相邻施肥单元间肥料的平均扩散速率=(肥料扩散速率1+肥料扩散速率2+肥料扩散速率3)÷3。在一些实施例中,处理器可以预设肥料的平均扩散速率与肥料需求量的调整量之间的关系,并基于该对应关系和平均扩散速率,对肥料需求量进行调节。
本说明书一些实施例,通过相邻待施肥单元之间的肥料扩散速率对肥料需求量进行调节,可以避免相邻待施肥单元间因为肥料扩散造成施肥后种植单元内土壤成分特征与目标土壤成分特征不符的问题,从而保证对待施肥单元的施肥效果。
在一些实施例中,处理器可以基于目标土壤成分特征,通过多种方式确定肥料需求特征。例如,处理器可以直接将目标土壤成分特征中不同营养物质的含量及比例作为待施肥单元肥料需求特征中对应营养物质的含量及比例。
在一些实施例中,第二天气条件可以包括未来时段降雨概率不小于概率阈值。
雨后土壤特征是指降雨后待施肥单元的土壤特征。
在一些实施例中,处理器可以通过多种方式预测雨后土壤特征。例如,处理器可以对历史雨后土壤特征进行统计分析,确定降雨后土壤特征的变化规律,并基于该变化规律预测雨后土壤特征。
不同营养成分的溶解速度是指待施肥单元土壤中不同营养物质在降雨后的溶解速度。
在一些实施例中,处理器可以基于待施肥单元雨后土壤特征中的雨后土壤结构特征构建当前特征向量,从向量数据库中选取与当前特征向量距离最近的至少一个参考特征向量,将参考特征向量关联存储的不同营养成分的溶解速度加权平均作为当前特征向量对应的不同营养成分的溶解速度,其中加权平均的权重可以相关于参考特征向量关联存储的不同营养成分的溶解速度的可靠程度,可靠程度越大,对应的权重越大。在一些实施例中,前述可靠程度可以基于预测模型输出的置信度确定,有关预测模型的更多内容可参见后文的相关描述。
在一些实施例中,向量数据库可以包括多个参考特征向量,且每个参考特征向量至少存在关联存储的对应的不同营养成分的溶解速度。参考特征向量可以基于待施肥单元历史雨后土壤特征中的雨后土壤结构特征构建。
在一些实施例中,处理器可以基于历史数据中的土壤特征确定待施肥单元历史雨后土壤特征中的雨后土壤结构下不同营养成分的溶解速度。例如,处理器可以在待施肥单元历史雨后土壤特征中的雨后土壤结构下,获取至少两个历史时刻(如T1、T2)的土壤成分特征,并对土壤成分特征中的每种营养物质计算其溶解速度。以营养物质A为例,其溶解速度=(T1时A的含量-T2时A的含量)÷(T2-T1)×100%。
在一些实施例中,处理器可以基于雨后土壤特征通过预测模型确定不同营养成分的溶解速度。
在一些实施例中,预测模型可以是机器学习模型,例如卷积神经网络模型(CNN)等。
预测模型的输入可以包括至少一个待施肥单元的雨后土壤结构特征;输出可以包括不同营养成分的溶解速度。
在一些实施例中,预测模型的输出还包括前述溶解速度的置信度。该置信度可以表征预测模型确定的溶解速度的可靠程度。
在一些实施例中,预测模型可以通过多个带有第一标签的第一训练样本训练得到。例如,可以将多个带有第一标签的第一训练样本输入预测模型,通过第一标签和初始预测模型的预测结果构建损失函数,基于损失函数的迭代更新初始预测模型,当初始预测模型的损失函数满足结束条件时训练完成,其中,结束条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第一训练样本可以包括待施肥单元历史雨后土壤结构特征,第一标签可以是对应的不同营养成分的溶解速度。第一标签的获取与前文不同营养成分的溶解速度的计算类似,可以参见前文相关描述。
本说明书一些实施例,通过预测模型确定不同营养成分的溶解速度,可以利用机器学习模型的自学习能力,从大量待施肥单元的雨后土壤结构特征对应的不同营养成分的溶解速度中找到规律,有助于得到更准确的不同营养成分的溶解速度,有利于后续更准确地获取肥料需求特征。
在一些实施例中,处理器可以基于不同营养成分的溶解速度,对目标土壤成分中不同营养物质的含量及比例进行调节,得到更新后的目标土壤成分特征;将更新后的目标土壤成分特征中不同营养物质的添加量及比例作为待施肥单元肥料需求特征中对应营养物质的含量及比例。
在一些实施例中,处理器可以预设不同农作物种类的不同营养成分的溶解速度与不同营养物质含量及比例的对应关系,并基于该对应关系对目标土壤成分中不同营养物质的含量及比例进行调节,进而得到更新后的目标土壤成分特征。
在一些实施例中,处理器可以根据肥料需求特征,确定施肥器的施肥路径以及施肥路径上每个点的肥料喷洒速率和施肥器行进速度。
肥料喷洒速率是指施肥器在待施肥单元上方喷洒肥料的速度。
施肥器行进速度是指施肥器在待施肥单元上方行进的速度。
在一些实施例中,处理器可以基于肥料需求特征与肥料喷洒速率及施肥器行进速度的预设关系,确定肥料喷洒速率及施肥器行进速度。其中,预设关系可以是肥料需求量越大,肥料喷洒速率越快、施肥器行进速度越慢。
本说明书一些实施例,通过肥料需求量确定肥料喷洒速率和施肥器行进速度,可以使施肥器在肥料需求量大的待施肥单元停留时间较长、喷洒速率较大,以保证施肥器完成对待施肥单元的施肥,提高了施肥效率。
本说明书一些实施例,通过判断预测天气数据满足的天气条件,在未来时段不存在降雨时基于目标土壤成分特征确定肥料需求特征,可以提高肥料需求特征的确定效率;在未来时段存在降雨时,基于雨后土壤特征和不同营养成分的溶解速度更新目标土壤成分特征,进而确定肥料需求特征,有助于避免由于降雨导致的营养物质流失的问题。
图4是根据本说明书一些实施例所示的确定施肥路径的示意图。如图4所示,确定施肥路径的流程400至少可以包括以下内容。
在一些实施例中,处理器可以生成多个候选施肥路径;对于候选施肥路径,基于施肥器的剩余电量、肥料需求特征,确定候选施肥路径的施肥成本;将施肥成本满足预设条件的候选施肥路径作为目标施肥路径。
候选施肥路径是指可供选择的施肥器对待施肥单元进行施肥的顺序。
在一些实施例中,候选施肥路径可以基于多个待施肥单元随机生成。例如,对于A、B、C、D四个待施肥单元,候选施肥路径可以是A-B-C-D、B-C-A-D等。
施肥成本是指施肥器完成施肥所花费的成本。施肥成本可以包括使是时间成本、物料成本等成本中的至少一项。其中,时间成本指施肥器从站点出发,到完成施肥回到站点的总时间。物料成本至少包括施肥器的电量消耗、施肥器自身的损耗等。其中,物料成本与时间成本相关联,通常情况下,施肥器的施肥时间越长,对应的物料成本越高。
目标施肥路径是指最后确定用于施肥的候选施肥路径。
在一些实施例中,处理器可以将施肥成本满足预设条件的候选施肥路径作为目标施肥路径,基于目标施肥路径控制施肥器对待施肥单元进行施肥。
在一些实施例中,预设条件可以包括施肥成本最小和/或施肥成本不大于成本阈值。其中,成本阈值可以基于生产经验和/或实际需求确定。
在一些实施例中,处理器可以计算至少一个候选施肥路径(例如,候选施肥路径1、…、候选施肥路径N)对应的至少一个施肥成本(例如,施肥成本1、…、施肥成本N)。
在一些实施例中,施肥成本可以由以下公式(1)得到:
C=a×T0+b×T2+c×T3 (1)
其中,C表示施肥器的施肥成本,T0表示施肥器的施肥时间,T2表示施肥器的充电时间,T3表示施肥器不进行施肥时的移动时间。a、b为权重。
其中,移动时间至少包括施肥器在两个不相邻的待施肥单元之间的转移时间,和施肥器进行充电时的往返时间。
施肥时间是指施肥器完成对所有待施肥单元施肥的时间。
在一些实施例中,处理器可以基于施肥次数序列对应的路程长度序列和候选施肥路径上每个点的施肥器行进速度,计算得到施肥器的施肥时间。例如,处理器可以基于每个待施肥单元的施肥时间,以及从当前待施肥单元前往下一待施肥单元所用的时间,确定施肥器的施肥时间,其中单个待施肥单元的施肥时间可以按照以下公式(2)计算:
T1 =N×L1÷V1 (2)
其中,T1表示一个待施肥单元的施肥时间,N表示待施肥单元的施肥次数,L1表示待施肥单元的施肥次数对应的路程长度,V1表示施肥器在待施肥单元中的行进速度。
施肥次数序列是按照候选施肥路径中施肥的先后顺序排列的每个待施肥单元的施肥次数的序列。例如,对于A、B、C、D四个待施肥单元,候选施肥路径可以是A-B-C-D,施肥次数序列为(2,3,1,2),其中2,3,1,2,分别对应待施肥单元A、B、C、D的施肥次数。
施肥次数序列对应的路程长度序列是指按照候选施肥路径中施肥的先后顺序,待施肥单元的单边施肥路程长度所构成的序列。单边施肥路程长度指从待施肥单元的一条边移动至另一条边的路程长度。例如,对于A、B、C、D四个待施肥单元,候选施肥路径可以是A-B-C-D,施肥次数序列为(2,3,1,2),其中2,3,1,2对应的单边平均路程长度为S1,S2,S3,S4,则路程长度序列为(S1,S2,S3,S4)。在一些实施例中,施肥次数序列可以通过获取人工输入确定。
在一些实施例中,待施肥单元的施肥次数可以基于该待施肥单元的面积和预设的有效施肥宽度确定。例如,待施肥单元A的面积为60个单位,预设的有效施肥宽度为20个单位,则待施肥单元A的施肥次数为3次(60÷20=3)。
在一些实施例中,有效施肥宽度可以相关于施肥高度规划,施肥高度规划可以相关于未来时段的天气数据。
有效施肥宽度是指施肥器从待施肥单元的一头向另一头进行单次施肥时,在与施肥方向垂直的方向上,肥料能覆盖的水平宽度。在一些实施例中,有效施肥宽度可以人工基于经验和施肥器的性能确定。
在一些实施例中,施肥高度规划可以基于未来时段的天气数据确定。
在一些实施例中,未来时段天气数据可以包括待施肥单元所处环境的风速。在一些实施例中,未来时段的天气数据可以通过天气监测单元获取。
在一些实施例中,施肥高度规划可以相关于未来时段的风速。无人机施肥时会考虑选取不同的施肥高度,未来时段的风速变快,会导致肥料被吹偏从而影响施肥效果,所以未来时段的风速越快,则无人机的飞行高度越低,施肥高度越低。
在一些实施例中,有效施肥宽度可以相关于施肥高度规划。种植单元可以视为矩形,无人机的飞行高度越低,则无人机单次能施肥的有效宽度就越窄。
在一些实施例中,有效施肥宽度还相关于施肥器的肥料喷洒速率。
在一些实施例中,种植单元一般为矩形,施肥器的肥料喷洒速率越大,肥料被喷洒的距离越远,则施肥的有效宽度就越大。
通常情况下,在施肥器肥料喷洒速率和行进速度相同的前提下,有效施肥宽度越大,施肥器在单位时间内能够完成施肥的面积越大,完成施肥所需的时间成本就会越低。但受施肥器的施肥能力限制,有效施肥宽度不能无限增大,而且在相同的喷洒速率下,有效施肥宽度过大会使单位面积的肥料喷洒量减小,从而需要增加施肥的次数。因此,有必要设置合理的有效施肥宽度,在保证施肥质量的同时,获得更高的施肥效率,节约施肥的时间成本。
在本说明书的一些实施例中,可以根据肥料喷洒速率调整预设的有效施肥宽度,从而获得更加准确的预设有效施肥宽度,进而得到更加准确的待施肥单元的施肥次数,提高无人机施肥时间的精准度。
在本说明书的一些实施例中,可以基于未来时段的天气数据确定施肥高度规划,进而调整预设的有效施肥宽度,由此可以得到施肥效果更好的有效施肥宽度。
在一些实施例中,施肥器的充电时间可以基于充电次数确定。例如,充电时间可以按照如下公式(3)计算:
T2=E1×E2 (3)
其中,T2表示施肥器的充电时间,表示E1表示充电次数,E2表示施肥器的单次充电时间。
在一些实施例中,充电次数可以基于施肥器的剩余电量和施肥器的参考电量确定充电次数。例如,处理器响应于施肥器的剩余电量小于施肥器的参考电量,确认施肥器中途需要返航充电,则充电次数可以按照以下公式(4)计算:
E1=1+(E3-E4)÷E5
其中,E1表示充电次数,E3表示施肥器的参考电量,E4表示施肥器的剩余电量,E5表示施肥器最大储电电量。
在一些实施例中,施肥器的参考电量可以依照如下公式(5)计算:
E3=W×T0
其中,W表示无人机单位时间的耗电量,T0表示施肥时间。
施肥器对待施肥单元进行施肥的过程中,需要进行肥料喷洒,以及充放电过程,在使用过程中会存在对电池、零部件等多方面的消耗。若能在更短的时间内完成施肥,在一定程度上能够减少对施肥器自身的消耗,从而使施肥器完成更多的施肥作业。因此,在一些实施例中,处理器可以将施肥成本最小和/或施肥成本不大于成本阈值的候选施肥路径作为目标施肥路径。
在本说明书的一些实施例中,处理器可以生成多个候选施肥路径,并基于施肥器的剩余电量、肥料需求特征,确定候选施肥路径的施肥成本,将施肥成本满足预设条件的候选施肥路径作为目标施肥路径,从而保证提高施肥效率,同时获得更好的施肥效果。
本说明书一些实施例提供了一种农作物智能施肥装置,包括处理器,处理器用于执行前述农作物智能施肥方法。
本说明书一些实施例提供了一种计算机可读存储介质,存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行前述农作物智能施肥方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程及层流罩的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种农作物智能施肥方法,其特征在于,基于处理器执行,包括:
基于监测单元获取种植单元的监测数据,所述监测单元至少包括土壤检测单元,所述监测数据至少包括土壤数据;
基于所述土壤数据,确定所述种植单元对应的土壤特征;
响应于所述种植单元的所述土壤特征满足施肥条件,确定所述种植单元为待施肥单元;
基于所述待施肥单元的土壤特征,确定所述待施肥单元的肥料需求特征;
根据所述待施肥单元的所述肥料需求特征,确定施肥器的施肥路径;
控制所述施肥器基于所述施肥路径对所述至少一个待施肥单元进行施肥。
2.如权利要求1所述的农作物智能施肥方法,其特征在于,所述监测单元还包括天气监测单元;
所述基于所述待施肥单元的土壤特征,确定所述待施肥单元的肥料需求特征,包括:
基于所述天气监测单元获取未来时段的预测天气数据;
响应于所述预测天气数据符合第一天气条件,基于目标土壤成分特征确定所述肥料需求特征,所述第一天气条件包括所述未来时段不存在降雨;
响应于所述预测天气数据符合第二天气条件,预测所述待施肥单元的雨后土壤特征,所述第二天气条件包括所述未来时段存在降雨;
基于所述雨后土壤特征确定不同营养成分的溶解速度;
基于所述雨后土壤特征、所述目标土壤特征、所述不同营养成分的溶解速度,确定所述肥料需求特征。
3.如权利要求1所述的农作物智能施肥方法,其特征在于,所述基于所述雨后土壤特征确定不同营养成分的溶解速度,包括:
基于所述雨后土壤特征,通过预测模型确定所述不同营养成分的所述溶解速度,所述预测模型为机器学习模型。
4.如权利要求1所述的农作物智能施肥方法,其特征在于,所述根据所述待施肥单元的所述肥料需求特征,确定施肥器的施肥路径,包括:
生成多个候选施肥路径;
对于所述候选施肥路径,基于所述肥料需求特征、所述施肥器的剩余电量,确定所述候选施肥路径的施肥成本;
将所述施肥成本满足预设条件的候选施肥路径作为目标施肥路径。
5.一种农作物智能施肥***,包括获取模块、第一确定模块、第二确定模块、第三确定模块、第四确定模块和控制模块;
所述获取模块用于基于监测单元获取种植单元的监测数据,所述监测单元至少包括土壤检测单元,所述监测数据至少包括土壤数据;
所述第一确定模块用于基于所述土壤数据,确定所述种植单元对应的土壤特征;
所述第二确定模块用于响应于所述种植单元的所述土壤特征满足施肥条件,确定所述种植单元为待施肥单元;
所述第三确定模块用于基于所述待施肥单元的土壤特征,确定所述待施肥单元的肥料需求特征;
所述第四确定模块用于根据所述待施肥单元的所述肥料需求特征,确定施肥器的施肥路径;
所述控制模块用于控制所述施肥器基于所述施肥路径对所述至少一个待施肥单元进行施肥。
6.如权利要求5所述的农作物智能施肥***,其特征在于,所述监测单元还包括天气监测单元;
所述第三确定模块还用于:
基于所述天气监测单元获取未来时段的预测天气数据;
响应于所述预测天气数据符合第一天气条件,基于目标土壤成分特征确定所述肥料需求特征,所述第一天气条件包括所述未来时段不存在降雨;
响应于所述预测天气数据符合第二天气条件,预测所述待施肥单元的雨后土壤特征,所述第二天气条件包括所述未来时段存在降雨;
基于所述雨后土壤特征确定不同营养成分的溶解速度;
基于所述雨后土壤特征、所述目标土壤特征、所述不同营养成分的溶解速度,确定所述肥料需求特征。
7.如权利要求5所述的农作物智能施肥***,其特征在于,所述第三确定模块还用于:
基于所述雨后土壤特征通过预测模型确定所述不同营养成分的所述溶解速度,所述预测模型为机器学习模型。
8.如权利要求5所述的农作物智能施肥***,其特征在于,所述第四确定模块还用于:
生成至少一个候选施肥路径;
对于所述至少一个候选施肥路径中的每一个候选施肥路径,基于所述肥料需求特征、所述施肥器的剩余电量,确定所述候选施肥路径的施肥成本;
将所述施肥成本满足预设条件的候选施肥路径作为目标施肥路径。
9.一种农作物智能施肥装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的农作物智能施肥方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4中任一项所述的农作物智能施肥方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000250.0A CN116762539A (zh) | 2023-08-09 | 2023-08-09 | 一种农作物智能施肥方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000250.0A CN116762539A (zh) | 2023-08-09 | 2023-08-09 | 一种农作物智能施肥方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116762539A true CN116762539A (zh) | 2023-09-19 |
Family
ID=87994773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311000250.0A Pending CN116762539A (zh) | 2023-08-09 | 2023-08-09 | 一种农作物智能施肥方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116762539A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688404A (zh) * | 2024-02-02 | 2024-03-12 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327024A (zh) * | 2016-09-18 | 2017-01-11 | 成都天麒科技有限公司 | 一种无人机农药喷洒路径规划***及方法 |
US20200068797A1 (en) * | 2018-08-31 | 2020-03-05 | Farmers Edge Inc. | Method and system for estimating effective crop nitrogen applications |
CN111399508A (zh) * | 2020-03-20 | 2020-07-10 | 安徽省现代农业装备产业技术研究院有限公司 | 智慧农业***和智慧农业方法 |
CN112470650A (zh) * | 2020-11-24 | 2021-03-12 | 江西省农业科学院土壤肥料与资源环境研究所 | 一种肥料配制方法及*** |
CN113589841A (zh) * | 2021-07-21 | 2021-11-02 | 杭州启飞智能科技有限公司 | 无人机航线生成方法、无人机及计算机可读存储介质 |
CN114711010A (zh) * | 2022-06-09 | 2022-07-08 | 苏州农业职业技术学院 | 一种月季栽培中水土肥管理方法、***及介质 |
CN114879746A (zh) * | 2022-07-13 | 2022-08-09 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机飞行路线优化方法 |
CN115024069A (zh) * | 2022-05-12 | 2022-09-09 | 青海大学 | 一种人工高寒草地用施肥方法 |
CN115512782A (zh) * | 2022-08-30 | 2022-12-23 | 贵州省土壤肥料研究所 | 一种农业种植用的新型肥料配制方法及*** |
CN115963243A (zh) * | 2023-01-10 | 2023-04-14 | 贵州省土壤肥料研究所(贵州省生态农业工程技术研究中心)(贵州省农业资源与环境研究所) | 基于养分动态监测的土壤氮磷养分流失阻控方法与*** |
CN116362578A (zh) * | 2022-12-05 | 2023-06-30 | 北京天创金农科技有限公司 | 一种灌溉策略的确定方法和装置 |
-
2023
- 2023-08-09 CN CN202311000250.0A patent/CN116762539A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327024A (zh) * | 2016-09-18 | 2017-01-11 | 成都天麒科技有限公司 | 一种无人机农药喷洒路径规划***及方法 |
US20200068797A1 (en) * | 2018-08-31 | 2020-03-05 | Farmers Edge Inc. | Method and system for estimating effective crop nitrogen applications |
CN111399508A (zh) * | 2020-03-20 | 2020-07-10 | 安徽省现代农业装备产业技术研究院有限公司 | 智慧农业***和智慧农业方法 |
CN112470650A (zh) * | 2020-11-24 | 2021-03-12 | 江西省农业科学院土壤肥料与资源环境研究所 | 一种肥料配制方法及*** |
CN113589841A (zh) * | 2021-07-21 | 2021-11-02 | 杭州启飞智能科技有限公司 | 无人机航线生成方法、无人机及计算机可读存储介质 |
CN115024069A (zh) * | 2022-05-12 | 2022-09-09 | 青海大学 | 一种人工高寒草地用施肥方法 |
CN114711010A (zh) * | 2022-06-09 | 2022-07-08 | 苏州农业职业技术学院 | 一种月季栽培中水土肥管理方法、***及介质 |
CN114879746A (zh) * | 2022-07-13 | 2022-08-09 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机飞行路线优化方法 |
CN115512782A (zh) * | 2022-08-30 | 2022-12-23 | 贵州省土壤肥料研究所 | 一种农业种植用的新型肥料配制方法及*** |
CN116362578A (zh) * | 2022-12-05 | 2023-06-30 | 北京天创金农科技有限公司 | 一种灌溉策略的确定方法和装置 |
CN115963243A (zh) * | 2023-01-10 | 2023-04-14 | 贵州省土壤肥料研究所(贵州省生态农业工程技术研究中心)(贵州省农业资源与环境研究所) | 基于养分动态监测的土壤氮磷养分流失阻控方法与*** |
Non-Patent Citations (5)
Title |
---|
刘枫等著: "测土配方施肥关键技术 彩插版", 31 January 2006, 中国三峡出版社, pages: 4 - 6 * |
郭庆才主编: "宁夏直播稻田杂草防控技术", 31 July 2007, 中国农业出版社, pages: 145 - 146 * |
金融科技理论与应用研究小组著: "金融科技知识图谱", 31 March 2021, 中信出版社, pages: 33 * |
闻庆曌: "基于梯田环境下的植保无人机航迹规划算法研究", 新乡学院学报, vol. 40, no. 3, 25 March 2023 (2023-03-25), pages 34 - 39 * |
龙安: "和县农用无人机市场调研", 当代农机, no. 11, 25 November 2016 (2016-11-25), pages 18 - 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688404A (zh) * | 2024-02-02 | 2024-03-12 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
CN117688404B (zh) * | 2024-02-02 | 2024-05-10 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11341591B2 (en) | Environmental management zone modeling and analysis | |
JP7149348B2 (ja) | 農業灌漑水需要量予測方法 | |
US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
Navarro-Hellín et al. | A decision support system for managing irrigation in agriculture | |
McCarthy et al. | Advanced process control of irrigation: the current state and an analysis to aid future development | |
CN110214506A (zh) | 水肥管控方法及*** | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉*** | |
CN108876005A (zh) | 基于天气信息的冬小麦灌溉预报方法 | |
US20220248616A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
CN116762539A (zh) | 一种农作物智能施肥方法 | |
CN111461909A (zh) | 一种农田蒸散量短期预测方法 | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
WO2022125834A9 (en) | Reduction of nitrogen greenhouse gas emissions in agroecosystems for precision conservation | |
CN117016151A (zh) | 智慧农业水肥一体集成灌溉*** | |
Swaney et al. | Using crop models for management: Impact of weather characteristics on irrigation decisions in soybeans | |
Abd Rahman et al. | Advancement of a smart fibrous capillary irrigation management system with an Internet of Things integration | |
Jenitha et al. | Intelligent irrigation scheduling scheme based on deep bi-directional LSTM technique | |
CN113031493A (zh) | 一种基于5g通讯技术的智能农业监控管理*** | |
CN110928973A (zh) | 一种降水量状况评估方法 | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
CN114219673A (zh) | 一种基于物联网的农业云服务*** | |
CN117882546B (zh) | 一种面向农业作业机器人的智能化种植方法 | |
Treder et al. | Machine learning for supporting irrigation decisions based on climatic water balance | |
Cai et al. | Intelligent control system and pests mathematical prediction model based on machine learning | |
CN117837366B (zh) | 一种基于农业物联网的农业监管平台 |
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 |