CN117223459B - 一种基于数据分析的肥料自动混配*** - Google Patents
一种基于数据分析的肥料自动混配*** Download PDFInfo
- Publication number
- CN117223459B CN117223459B CN202311507304.2A CN202311507304A CN117223459B CN 117223459 B CN117223459 B CN 117223459B CN 202311507304 A CN202311507304 A CN 202311507304A CN 117223459 B CN117223459 B CN 117223459B
- Authority
- CN
- China
- Prior art keywords
- growth
- fertilizer
- time period
- crops
- content
- 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
Links
- 239000003337 fertilizer Substances 0.000 title claims abstract description 133
- 238000002156 mixing Methods 0.000 title claims abstract description 22
- 238000007405 data analysis Methods 0.000 title claims abstract description 13
- 230000012010 growth Effects 0.000 claims abstract description 154
- 239000002689 soil Substances 0.000 claims abstract description 83
- 230000036541 health Effects 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 235000021232 nutrient availability Nutrition 0.000 claims abstract description 27
- 241000196324 Embryophyta Species 0.000 claims description 86
- 238000005286 illumination Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000004615 ingredient Substances 0.000 claims description 9
- 230000002015 leaf growth Effects 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 244000038559 crop plants Species 0.000 claims 1
- 230000036417 physical growth Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 235000015816 nutrient absorption Nutrition 0.000 abstract description 5
- 230000004720 fertilization Effects 0.000 description 7
- 235000015097 nutrients Nutrition 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 235000001705 insufficient nutrition Nutrition 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000006286 nutrient intake Nutrition 0.000 description 1
- 235000021048 nutrient requirements Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Landscapes
- Fertilizing (AREA)
Abstract
本发明属于肥料自动混配技术领域,具体公开提供的一种基于数据分析的肥料自动混配***,该***包括:通过监测农作物的当前生长健康状态分析农作物当前所处实际生长阶段,评估指定监测区域的农作物在下一种植时间阶段的各种肥料成分基础需求含量,避免了实际生长状态偏差导致的肥料调配误差情况。通过分析土壤中各种元素缺失含量的变化情况,评估各种肥料成分的补偿含量,以保障土壤中各种元素含量与肥料成分的调配关系,获取未来时间段的气象情况,预测未来时间段的肥料养分有效性系数,避免了天气对养分吸收利用效率的影响。结合了多维数据对肥料需求含量进行综合分析,科学合理地进行施肥管理,保障了肥料调配的准确性。
Description
技术领域
本发明属于肥料自动混配技术领域,涉及到一种基于数据分析的肥料自动混配***。
背景技术
肥料是农业生产中的重要投入品之一,农作物在不同生长阶段对养分的需求有所差异,过量施肥不仅会造成养分的浪费,还可能导致土壤和环境的污染,而合理的肥料配比可以确保作物得到适量的养分供应、帮助农作物正常生长发育,以及增加产量和品质,同时可以有效控制施肥成本,以降低农民的经济负担。因此,肥料自动混配技术的发明对于促进可持续农业发展、提高农业生产效益具有重要的意义和价值。
目前现有的肥料配比方式存在一些不足之处,主要表现在以下方面:1、常用的肥料配比方式是预先设置固定的成分配比进行固定式投放,没有考虑到农作物在不同生长阶段对营养需求的差异,无法根据农作物的实际生长情况进行灵活调整,这导致了肥料的施用不够精确,无法满足农作物的实际需要,可能造成肥料过多或过少的浪费。
2、常用的肥料配比方式主要是基于肥料的总量来计算的,未结合土壤元素含量变化情况和天气对养分吸收利用效果的影响,其分析数据缺乏多样化,使得肥料配比计算结果存在较大误差,往往会导致植物营养失衡、肥料利用率低下,同时也会导致农作物的质量下降。
发明内容
鉴于此,为解决上述背景技术中所提出的问题,现提出一种基于数据分析的肥料自动混配***。
本发明的目的可以通过以下技术方案实现:本发明提供一种基于数据分析的肥料自动混配***,该***包括:生长图像获取模块,用于实时监测指定监测区域内农作物生长图像,对农作物当前生长图像进行个体定位截取,得到农作物当前生长图像的各植物个体图像。
农作物监测模块,用于对各植物个体图像进行品类识别,品类包括杂草和植株,进而分析当前农作物生长健康指数。
生长预测模块,用于获取农作物当前实际生长阶段,预测下一种植时间阶段的预计生长健康指数,进而评估农作物在下一种植时间阶段的各种肥料成分基础需求含量。
土壤元素监测模块,用于获取土壤中各种元素含量,分析土壤中各种元素缺失含量。
肥料成分配比模块,用于获取未来时间段的气象信息,评估未来时间段的肥料养分有效性系数,进而结合上述分析的多维数据,确定各种肥料成分的需求含量。
信息统计库,用于存储农作物在各种植时间阶段的标准图像、指定生长健康指数、各种肥料成分常规含量、各种土壤元素标准含量,存储植株的各种异常叶片形状图像。
示例性地,所述分析当前农作物生长健康指数的方式为:获取农作物种植时长,根据设定的农作物各种植时间阶段对应的种植时长筛选得到农作物当前种植时间阶段,从信息统计库中提取农作物在当前种植时间阶段的标准图像,将其与农作物当前生长图像进行对比,得到农作物的叶片生长偏差系数和枝干生长偏差系数/>。
分析农作物生长健康指数,其中,/>分别表示叶片生长偏差、枝干生长偏差对应的设定系数占比。
示例性地,所述农作物的叶片生长偏差系数计算方式为:从各植物个体图像中汇总出各植株品类个体图像,对各植株品类个体的叶片进行识别,获取各植株品类个体的叶片形状异常值,并将其与预设的形状异常允许值进行对比。
若某植株品类个体的叶片形状异常值超过预设的形状异常允许值,则对该植株品类个体进行标记,反之则获取该植株品类个体的叶片颜色差异值,得到标记的植株品类个体数量和各植株品类个体的叶片颜色差异值/>,/>表示植株品类个体编号,/>。
计算农作物的叶片生长偏差系数,式中,/>表示植物个体总数,/>表示预置的叶片颜色正常差异值。
示例性地,所述枝干生长偏差系数计算方式为:从农作物在当前种植时间阶段的标准图像中识别出植株品类个体在当前种植时间阶段的正常枝干尺寸值,并获取植株在当前种植时间阶段的正常生长密集度/>。
基于各植株品类个体图像的截取位置得到农作物当前生长密集度,并获取各植株品类个体的生长高度和枝干直径,分别记为/>。
计算农作物的枝干生长偏差系数,式中,/>表示枝干尺寸对应的设定偏差阈值,/>表示枝干生长偏差系数的设定补偿因子,/>为圆周率。
示例性地,所述预测下一种植时间阶段的预计生长健康指数,具体步骤如下:根据农作物的当前种植时间阶段,从信息统计库中筛选出当前种植时间阶段和下一种植时间阶段的指定生长健康指数,将当前种植时间阶段的指定生长健康指数与当前农作物生长健康指数进行对比,得到农作物当前生长健康偏差率,预测下一种植时间阶段的预计生长健康指数/>,/>表示下一种植时间阶段的指定生长健康指数。
示例性地,所述评估农作物在下一种植时间阶段的各种肥料成分基础需求含量具体内容包括:利用地下器官检测设备对指定监测区域的地下部分进行探测,显示出农作物的根系分布深度和分布密度,结合当前农作物生长健康指数,确认农作物当前实际生长阶段。
从信息统计库中提取与农作物当前实际生长阶段对应的下一种植时间阶段的各种肥料成分常规含量,g表示肥料成分种类编号,/>。
将农作物在下一种植时间阶段的指定生长健康指数加上设定生长偏差指数后与下一种植时间阶段的预计生长健康指数作差,得到农作物生长差异值,若农作物生长差异值大于或等于0,则以作为肥料成分扩增系数,/>表示设定生长偏差指数。
若农作物生长差异值小于0,则以作为肥料成分缩减系数,得到农作物在下一种植时间阶段的各种肥料成分基础需求含量/>,/>表示肥料成分含量的调整系数,/>,e表示自然常数。
示例性地,所述分析土壤中各种元素缺失含量对应分析步骤为:获取指定监测区域在当前种植时间阶段的各种土壤元素标准含量,对指定监测区域的土壤元素含量进行实时检测,获取土壤中各种元素在设定时间段内各时间点的检测含量,将指定监测区域在当前种植时间阶段的各种土壤元素标准含量减去土壤中对应元素在设定时间段内各时间点的检测含量,得到土壤中各种元素在设定时间段内各时间点的差异含量,k表示土壤元素种类编号,/>,r表示时间点编号,/>。
对土壤中各种元素在设定时间段内各时间点的差异含量分别进行均值计算和求和计算,得到土壤中各种元素在设定时间段内的差异含量均值和差异含量总值/>。
从土壤中各种元素在设定时间段内各时间点的差异含量中提取土壤中各种元素在设定时间段内的最大差异含量和最小差异含量,记为。
由分析公式得到土壤中各种元素缺失含量,其中,/>表示设定的差异含量允许值,/>表示设定的差异含量偏差值对应影响权重。
示例性地,所述评估未来时间段的肥料养分有效性系数,评估方法为:L1、从当地气象预报平台提取未来时间段内的气象信息,若未来时间段内存在降雨天气,则获取未来时间段内各天降雨量,j表示未来时间段内的天数编号,/>,进而计算未来时间段的肥料养分有效性系数/>式中,/>表示设定的综合降雨量阈值,/>表示未来时间段内降雨量总值未超过设定的综合降雨量阈值,/>表示未来时间段内降雨量总值超过设定的综合降雨量阈值,/>分别表示/>、/>情况下对应的设定偏差修正系数。
L2、若未来时间段内存在超过设定适宜光照强度的天气,则获取未来时间阶段内超过设定适宜光照强度的各天光照强度,记为,/>表示超过设定适宜光照强度的天数编号,/>进而计算未来时间段的肥料养分有效性系数,/>表示设定适宜光照强度,/>表示未来时间段对应的提取天数,/>表示肥料养分有效性系数对应的设定评估因子。
L3、若未来时间段内既不存在降雨天气也不存在超过设定适宜光照强度的天气,则将未来时间段的肥料养分有效性系数记为设定值,进而评估未来时间段的肥料养分有效性系数/>,/>,其中/>分别表示降雨天气、超过设定适宜光照强度的天气对应的设定影响占比权重,/>表示未来时间段内存在降雨天气或存在超过设定适宜光照强度的天气,/>表示未来时间段内既不存在降雨天气也不存在超过设定适宜光照强度的天气。
示例性地,所述多维数据包括农作物在下一种植时间阶段的各种肥料成分基础需求含量、土壤中各种元素缺失含量和未来时间段的肥料养分有效性系数。
示例性地,所述确定各种肥料成分的需求含量相应方法为:获取与各种肥料成分相对应的土壤元素,按预设原则设置与土壤中各种元素的单位缺失含量相对应的肥料成分补偿含量,进而使用乘法公式将土壤中各种元素缺失含量转换为对应的肥料成分补偿含量,求和得到各种肥料成分的综合补偿含量。
由评估公式确定各种肥料成分的需求含量。
相较于现有技术,本发明的有益效果如下:(1)本发明通过监测农作物的当前生长健康状态分析农作物当前所处实际生长阶段,进而评估指定监测区域的农作物在下一种植时间阶段的各种肥料成分基础需求含量,为后续各种肥料成分的配比含量提供了确定依据,使施肥量更加精准,避免了实际生长状态偏差导致的肥料配比误差情况,从而提高了施肥效果。
(2)本发明通过分析土壤中各种元素缺失含量的变化情况,评估各种肥料成分的补偿含量,以保障土壤中各种元素含量与肥料成分的调配关系,同时,结合未来时间段的气象变化情况,预测未来时间段的肥料养分有效性系数,避免了天气对养分吸收利用效率的影响,从而最大程度地提高了肥料的调配效益。
(3)本发明结合了多维数据对肥料需求含量进行综合分析,这种综合分析和预测的方法有益于科学合理地进行施肥管理,提高农业生产的效益和可持续性,可以避免过度施肥或营养不足的情况发生,保障了肥料配比的准确性,从而提高农作物的产量和品质。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明***模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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做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。
请参阅图1所示,本发明提供了一种基于数据分析的肥料自动混配***,该***包括:生长图像获取模块、农作物监测模块、生长预测模块、土壤元素监测模块、肥料成分配比模块和信息统计库。所述生长图像获取模块与农作物监测模块连接,农作物监测模块与生长预测模块连接,肥料成分配比模块分别与生长预测模块、土壤元素监测模块连接,信息统计库分别与农作物监测模块、生长预测模块连接。
所述生长图像获取模块用于实时监测指定监测区域内农作物生长图像,对农作物当前生长图像进行个体定位截取,得到农作物当前生长图像的各植物个体图像。
所述农作物监测模块用于对各植物个体图像进行品类识别,品类包括杂草和植株,进而分析当前农作物生长健康指数。
在本发明的具体实施例中,所述分析当前农作物生长健康指数的方式为:获取农作物种植时长,根据设定的农作物各种植时间阶段对应的种植时长筛选得到农作物当前种植时间阶段,从信息统计库中提取农作物在当前种植时间阶段的标准图像,将其与农作物当前生长图像进行对比,得到农作物的叶片生长偏差系数和枝干生长偏差系数/>。
分析当前农作物生长健康指数,其中,/>分别表示叶片生长偏差、枝干生长偏差对应的设定系数占比。
在本发明的具体实施例中,所述农作物的叶片生长偏差系数计算方式为:从各植物个体图像中汇总出各植株品类个体图像,对各植株品类个体的叶片进行识别,获取各植株品类个体的叶片形状异常值,并将其与预设的形状异常允许值进行对比。
若某植株品类个体的叶片形状异常值超过预设的形状异常允许值,则对该植株品类个体进行标记,反之则获取该植株品类个体的叶片颜色差异值,得到标记的植株品类个体数量和各植株品类个体的叶片颜色差异值/>,/>表示植株品类个体编号,/>。
计算农作物的叶片生长偏差系数,式中,/>表示植物个体总数,/>表示预置的叶片颜色正常差异值。
需要说明的,所述各植株品类个体的叶片颜色差异值获取方式为:使用图像处理软件对各植株品类个体图像进行处理,提取出各植株品类个体图像中各叶片区域,进而使用颜色空间转换方法将各植株品类个体图像中各叶片区域转换为表示颜色的特征值,将其与植株个体的标准叶片图像颜色特征值进行比较,得到各植株品类个体图像中各叶片区域的颜色特征局部差异值,对各植株品类个体图像中的各叶片区域的颜色特征局部差异值求和得到各植株品类个体的叶片颜色差异值。
所述各植株品类个体的叶片形状异常值获取方式为:将各植株品类个体图像中的各叶片区域与信息统计库中植株的各种异常叶片形状图像进行对比,若某植株品类个体图像的某叶片区域与信息统计库中植株的某种异常形状图像匹配成功,则将该植株品类个体图像的该叶片区域对应叶片形状异常值记为;若某植株品类个体图像的某叶片区域与信息统计库中植株的各种异常形状图像均不匹配,则获取该植株品类个体图像的该叶片区域对应叶片轮廓,提取叶片轮廓面积,将其与植株在当前时间阶段的正常叶片轮廓面积进行对比,得到该植株品类个体图像的该叶片区域对应叶片形状异常值/>,/>表示叶片轮廓面积,/>表示植株在当前时间阶段的正常叶片轮廓面积,/>表示设定的形状异常偏差修正因子,统计得到各植株品类个体的各叶片形状异常值/>,/>表示叶片编号,/>,进而均值计算得到各植株品类个体的叶片形状异常值/>,/>为叶片数量。
上述所述异常形状包括卷曲形状和残缺形状。
所述植株在当前时间阶段的正常叶片轮廓面积和植株个体的标准叶片图像颜色特征值是从农作物在当前种植时间阶段的标准图像中识别得到。
在本发明的又一具体实施例中,所述枝干生长偏差系数计算方式为:从农作物在当前种植时间阶段的标准图像中识别出植株品类个体在当前种植时间阶段的正常枝干尺寸值,并获取植株在当前种植时间阶段的正常生长密集度/>。
基于各植株品类个体图像的截取位置得到农作物当前生长密集度,并获取各植株品类个体的生长高度和枝干直径,分别记为/>。
计算农作物的枝干生长偏差系数,式中,/>表示枝干尺寸对应的设定偏差阈值,/>表示枝干生长偏差系数的设定补偿因子,/>为圆周率。
需要补充的,所述农作物当前生长密集度获取公式为,/>表示植株品类个体数量,/>表示设定大于1的常数。所述植株在当前种植时间阶段的正常生长密集度对应获取方式同农作物当前生长密集度获取方式相同。
所述生长预测模块用于获取农作物当前实际生长阶段,预测下一种植时间阶段的预计生长健康指数,进而评估农作物在下一种植时间阶段的各种肥料成分基础需求含量。
在本发明的具体实施例中,所述预测下一种植时间阶段的预计生长健康指数,具体步骤如下:根据农作物的当前种植时间阶段,从信息统计库中筛选出当前种植时间阶段和下一种植时间阶段的指定生长健康指数,将当前种植时间阶段的指定生长健康指数与当前农作物生长健康指数进行对比,得到农作物当前生长健康偏差率,预测下一种植时间阶段的预计生长健康指数/>,/>表示下一种植时间阶段的指定生长健康指数。
在本发明的具体实施例中,所述评估农作物在下一种植时间阶段的各种肥料成分基础需求含量具体内容包括:利用地下器官检测设备对指定监测区域的地下部分进行探测,显示出农作物的根系分布深度和密度,结合当前农作物生长健康指数,确认农作物当前实际生长阶段。
所述地下器官检测设备包括探测器和显示器两部分,探测器通过电磁波检测农作物地下各根系,显示器显示出地下农作物各根系生长深度和生长位置,对地下农作物各根系生长深度进行均值计算得到农作物根系均值深度,将其记为农作物的根系分布深度。
将指定监测区域按相同间距进行网状划分得到各网格区域,根据农作物各根系生长位置得到各网格区域内的根系数量,采用均值计算得到单位网格内的根系均值数量,进而计算农作物的根系分布密度/>,/>表示单位网格区域划分面积。
需要说明的,所述确认农作物当前实际生长阶段的确认步骤如下:将农作物的根系分布深度和分布密度分别记为,结合农作当前物生长健康指数/>,计算得到农作物的生长状态评估系数/>,/>,式中/>分别表示根系分布深度和分布密度对应的设定参照值,/>分别表示根系分布深度和分布密度对应的设定占比值,将农作物的生长状态评估系数与预存储的各生长阶段对应评估系数进行对比匹配,得到农作物当前实际生长阶段。
从信息统计库中提取与农作物当前实际生长阶段对应的下一种植时间阶段的各种肥料成分常规含量,g表示肥料成分种类编号,/>。
将农作物在下一种植时间阶段的指定生长健康指数加上设定生长偏差指数后与下一种植时间阶段的预计生长健康指数作差,得到农作物生长差异值,若农作物生长差异值大于或等于0,则以作为肥料成分扩增系数,/>表示设定生长偏差指数。
若农作物生长差异值小于0,则以作为肥料成分缩减系数,得到农作物在下一种植时间阶段的各种肥料成分基础需求含量/>,/>表示肥料成分含量的调整系数,/>,e表示自然常数。
补充说明的,农作物在生长过程中,存在适宜的养分摄取范围,当农作物生长速率达到一定值时,通常已经吸收了足够的养分,继续施肥可能会导致养分积累过量,从而对环境造成污染,并影响农作物品质,故而当农作物生长速率达到一定值时,需要对肥料成分需求含量进行缩减调整。
本发明通过监测农作物的当前生长健康状态分析农作物当前所处实际生长阶段,进而评估指定监测区域的农作物在下一种植时间阶段的各种肥料成分基础需求含量,为后续各种肥料成分的配比含量提供了确定依据,使施肥量更加精准,避免了实际生长状态偏差导致的肥料配比误差情况,从而提高了施肥效果。
所述土壤元素监测模块用于获取土壤中各种元素含量,分析土壤中各种元素缺失含量。
在本发明的具体实施例中,所述分析土壤中各种元素缺失含量对应分析步骤为:获取指定监测区域在当前种植时间阶段的各种土壤元素标准含量,对指定监测区域的土壤元素含量进行实时检测,获取土壤中各种元素在设定时间段内各时间点的检测含量,将指定监测区域在当前种植时间阶段的各种土壤元素标准含量减去土壤中对应元素在设定时间段内各时间点的检测含量,得到土壤中各种元素在设定时间段内各时间点的差异含量,k表示土壤元素种类编号,/>,r表示时间点编号,/>。
对土壤中各种元素在设定时间段内各时间点的差异含量分别进行均值计算和求和计算,得到土壤中各种元素在设定时间段内的差异含量均值和差异含量总值/>。
从土壤中各种元素在设定时间段内各时间点的差异含量中提取土壤中各种元素在设定时间段内的最大差异含量和最小差异含量,记为。
由分析公式得到土壤中各种元素缺失含量,其中,/>表示设定的差异含量允许值,/>表示设定的差异含量偏差值对应影响权重,/>表示存在符号,/>表示逻辑与符号,/>表示逻辑或符号。
需要说明的,所述土壤元素含量是由布设在指定监测区域设定位置的检测仪器获取得到,土壤元素含量是指土壤中各种化学元素的含量,包括有机质元素和无机质元素两部分。示例性的,有机质元素主要包括氮、磷和硫等元素;无机质元素主要包括常见的金属元素和非金属元素,如钾、硅、锰、锌等。
土壤中元素含量对于土壤肥力、农作物生长以及环境保护等具有重要意义,不同类型的土壤中元素含量的组成和比例不同,因此在农业生产中,对土壤元素含量进行准确的分析和评价是十分必要的。土壤元素含量在监测过程中是不断变化的,故而需要对其含量变化稳定性情况进行分析,以保证监测数据结果的代表性和可靠性。
所述肥料成分配比模块用于获取未来时间段的气象信息,评估未来时间段的肥料养分有效性系数,进而结合上述分析的多维数据,确定各种肥料成分的需求含量。
在本发明的具体实施例中,所述评估未来时间段的肥料养分有效性系数,评估方法为:L1、从当地气象预报平台提取未来时间段内的气象信息,若未来时间段内存在降雨天气,则获取未来时间段内各天降雨量,j表示未来时间段内的天数编号,/>,进而计算未来时间段的肥料养分有效性系数/>式中,/>表示设定的综合降雨量阈值,/>表示未来时间段内降雨量总值未超过设定的综合降雨量阈值,表示未来时间段内降雨量总值超过设定的综合降雨量阈值,/>分别表示/>、/>情况下对应的设定偏差修正系数。
L2、若未来时间段内存在超过设定适宜光照强度的天气,则获取未来时间阶段内超过设定适宜光照强度的各天光照强度,记为,/>表示超过设定适宜光照强度的天数编号,/>进而计算未来时间段的肥料养分有效性系数,/>表示设定适宜光照强度,/>表示未来时间段对应的提取天数,/>表示肥料养分有效性系数对应的设定评估因子。
L3、若未来时间段内既不存在降雨天气也不存在超过设定适宜光照强度的天气,则将未来时间段的肥料养分有效性系数记为设定值,进而评估未来时间段的肥料养分有效性系数/>,/>,其中/>分别表示降雨天气、超过设定适宜光照强度的天气对应的设定影响占比权重,/>表示未来时间段内存在降雨天气或存在超过设定适宜光照强度的天气,/>表示未来时间段内既不存在降雨天气也不存在超过设定适宜光照强度的天气。
正常情况下,降雨量直接影响了土壤湿度和根系的吸收能力,在土壤湿度适宜的情况下,养分和水分能够更好地被植物吸收利用,从而提高肥料的利用率。但是,如果降雨过多,会导致养分的淋失和土壤的流失,降低肥料的有效性。
温度越高,土壤中的微生物数量越多,分解有机物的速度越快,植物的吸收利用效率也越高,故而光照强度对植株生长速度和养分吸收效率会产生正向影响。
本发明通过分析土壤中各种元素缺失含量的变化情况,评估各种肥料成分的补偿含量,以保障土壤中各种元素含量与肥料成分的调配关系,同时,结合未来时间段的气象变化情况,预测未来时间段的肥料养分有效性系数,避免了天气对养分吸收利用效率的影响,从而最大程度地提高了肥料的调配效益。
在本发明的具体实施例中,所述多维数据包括农作物在下一种植时间阶段的各种肥料成分基础需求含量、土壤中各种元素缺失含量和未来时间段的肥料养分有效性系数。
在本发明的具体实施例中,所述确定各种肥料成分的需求含量相应方法为:获取与各种肥料成分相对应的土壤元素,按预设原则设置与土壤中各种元素的单位缺失含量相对应的肥料成分补偿含量,进而使用乘法公式将土壤中各种元素缺失含量转换为对应的肥料成分补偿含量,求和得到各种肥料成分的综合补偿含量。
由评估公式确定各种肥料成分的需求含量。
所述信息统计库用于存储农作物在各种植时间阶段的标准图像、指定生长健康指数、各种肥料成分常规含量、各种土壤元素标准含量,存储植株的各种异常叶片形状图像,并存储各生长阶段对应评估系数。
本发明结合了多维数据对肥料需求含量进行综合分析,这种综合分析和预测的方法有益于科学合理地进行施肥管理,提高农业生产的效益和可持续性,可以避免过度施肥或营养不足的情况发生,保障了肥料配比的准确性,从而提高农作物的产量和品质。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.一种基于数据分析的肥料自动混配***,其特征在于,该***包括:
生长图像获取模块,用于实时监测指定监测区域内农作物生长图像,对农作物当前生长图像进行个体定位截取,得到农作物当前生长图像的各植物个体图像;
农作物监测模块,用于对各植物个体图像进行品类识别,品类包括杂草和农作物植株,进而分析当前农作物生长健康指数;
生长预测模块,用于获取农作物当前生长健康偏差率,预测下一种植时间阶段的预计生长健康指数,进而评估农作物在下一种植时间阶段的各种肥料成分基础需求含量;
土壤元素监测模块,用于获取土壤中各种元素含量,分析土壤中各种元素缺失含量;
肥料成分配比模块,用于获取未来时间段的气象信息,评估未来时间段的肥料养分有效性系数,进而结合上述分析的多维数据,确定各种肥料成分的配比含量;
信息统计库,用于存储农作物在各种植时间阶段的标准图像、指定生长健康指数、各种肥料成分常规含量、各种土壤元素标准含量,存储植株的各种异常叶片形状图像;
所述分析当前农作物生长健康指数的方式为:
获取农作物种植时长,根据设定的农作物各种植时间阶段对应的种植时长筛选得到农作物当前种植时间阶段,从信息统计库中提取农作物在当前种植时间阶段的标准图像,将其与农作物当前生长图像进行对比,得到农作物的叶片生长偏差系数和枝干生长偏差系数/>;
分析当前农作物生长健康指数,其中,/>分别表示叶片生长偏差、枝干生长偏差对应的设定系数占比;
所述预测下一种植时间阶段的预计生长健康指数,具体步骤如下:
根据农作物的当前种植时间阶段,从信息统计库中筛选出当前种植时间阶段和下一种植时间阶段的指定生长健康指数,将当前种植时间阶段的指定生长健康指数与当前农作物生长健康指数进行对比,得到农作物当前生长健康偏差率,预测下一种植时间阶段的预计生长健康指数/>,/>表示下一种植时间阶段的指定生长健康指数;
所述评估农作物在下一种植时间阶段的各种肥料成分基础需求含量具体内容包括:
利用地下器官检测设备对指定监测区域的地下部分进行探测,显示出农作物的根系分布深度和分布密度,结合当前农作物生长健康指数,确认农作物当前实际生长阶段;
从信息统计库中提取与农作物当前实际生长阶段对应的下一种植时间阶段的各种肥料成分常规含量,g表示肥料成分种类编号,/>;农作物在下一种植时间阶段的各种肥料成分基础需求含量/>,/>表示肥料成分含量的调整系数;
所述未来时间段的肥料养分有效性系数与未来时间段内各天降雨量、未来时间段内的天数、超过设定适宜光照强度的天数以及超过设定适宜光照强度的天数有关;
所述确定各种肥料成分的配比含量相应方法为:将土壤中各种元素缺失含量转换为对应的肥料成分补偿含量,求和得到各种肥料成分的综合补偿含量;
由评估公式确定各种肥料成分的配比含量。
2.根据权利要求1所述的一种基于数据分析的肥料自动混配***,其特征在于:所述农作物的叶片生长偏差系数计算方式为:
从各植物个体图像中汇总出各植株品类个体图像,对各植株品类个体的叶片进行识别,获取各植株品类个体的叶片形状异常值,并将其与预设的形状异常允许值进行对比;
若某植株品类个体的叶片形状异常值超过预设的形状异常允许值,则对该植株品类个体进行标记,反之则获取该植株品类个体的叶片颜色差异值,得到标记的植株品类个体数量和各植株品类个体的叶片颜色差异值/>,/>表示植株品类个体编号,/>;
计算农作物的叶片生长偏差系数,式中,/>表示植物个体总数,/>表示预置的叶片颜色正常差异值。
3.根据权利要求2所述的一种基于数据分析的肥料自动混配***,其特征在于:所述枝干生长偏差系数计算方式为:
从农作物在当前种植时间阶段的标准图像中识别出植株品类个体在当前种植时间阶段的正常枝干尺寸值,并获取植株在当前种植时间阶段的正常生长密集度/>;
基于各植株品类个体图像的截取位置得到农作物当前生长密集度,并获取各植株品类个体的生长高度和枝干直径,分别记为/>;
计算农作物的枝干生长偏差系数,式中,/>表示枝干尺寸对应的设定偏差阈值,/>表示枝干生长偏差系数的设定补偿因子,/>为圆周率。
4.根据权利要求1所述的一种基于数据分析的肥料自动混配***,其特征在于:所述肥料成分含量的调整系数的计算方式为:
将农作物在下一种植时间阶段的指定生长健康指数加上设定生长偏差指数后与下一种植时间阶段的预计生长健康指数作差,得到农作物生长差异值,若农作物生长差异值大于或等于0,则以作为肥料成分扩增系数,/>表示设定生长偏差指数;
若农作物生长差异值小于0,则以作为肥料成分缩减系数,,e表示自然常数。
5.根据权利要求4所述的一种基于数据分析的肥料自动混配***,其特征在于:所述分析土壤中各种元素缺失含量对应分析步骤为:
获取指定监测区域在当前种植时间阶段的各种土壤元素标准含量,对指定监测区域的土壤元素含量进行实时检测,获取土壤中各种元素在设定时间段内各时间点的检测含量,将指定监测区域在当前种植时间阶段的各种土壤元素标准含量减去土壤中对应元素在设定时间段内各时间点的检测含量,得到土壤中各种元素在设定时间段内各时间点的差异含量,k表示土壤元素种类编号,/>,r表示时间点编号,/>;
对土壤中各种元素在设定时间段内各时间点的差异含量分别进行均值计算和求和计算,得到土壤中各种元素在设定时间段内的差异含量均值和差异含量总值/>;
从土壤中各种元素在设定时间段内各时间点的差异含量中提取土壤中各种元素在设定时间段内的最大差异含量和最小差异含量,记为;
由分析公式得到土壤中各种元素缺失含量,其中,/>表示设定的差异含量允许值,/>表示设定的差异含量偏差值对应影响权重。
6.根据权利要求5所述的一种基于数据分析的肥料自动混配***,其特征在于:所述评估未来时间段的肥料养分有效性系数,评估方法为:
L1、从当地气象预报平台提取未来时间段内的气象信息,若未来时间段内存在降雨天气,则获取未来时间段内各天降雨量,j表示未来时间段内的天数编号,/>,进而计算未来时间段的肥料养分有效性系数/>式中,/>表示设定的综合降雨量阈值,/>表示未来时间段内降雨量总值未超过设定的综合降雨量阈值,表示未来时间段内降雨量总值超过设定的综合降雨量阈值,/>分别表示/>、/>情况下对应的设定偏差修正系数;
L2、若未来时间段内存在超过设定适宜光照强度的天气,则获取未来时间阶段内超过设定适宜光照强度的各天光照强度,记为,/>表示超过设定适宜光照强度的天数编号,进而计算未来时间段的肥料养分有效性系数,/>表示设定适宜光照强度,/>表示未来时间段对应的提取天数,/>表示肥料养分有效性系数对应的设定评估因子;
L3、若未来时间段内既不存在降雨天气也不存在超过设定适宜光照强度的天气,则将未来时间段的肥料养分有效性系数记为设定值,进而评估未来时间段的肥料养分有效性系数/>,/>,其中/>分别表示降雨天气、超过设定适宜光照强度的天气对应的设定影响占比权重,/>表示未来时间段内存在降雨天气或存在超过设定适宜光照强度的天气,/>表示未来时间段内既不存在降雨天气也不存在超过设定适宜光照强度的天气。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507304.2A CN117223459B (zh) | 2023-11-14 | 2023-11-14 | 一种基于数据分析的肥料自动混配*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507304.2A CN117223459B (zh) | 2023-11-14 | 2023-11-14 | 一种基于数据分析的肥料自动混配*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117223459A CN117223459A (zh) | 2023-12-15 |
CN117223459B true CN117223459B (zh) | 2024-02-02 |
Family
ID=89082935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507304.2A Active CN117223459B (zh) | 2023-11-14 | 2023-11-14 | 一种基于数据分析的肥料自动混配*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117223459B (zh) |
Citations (7)
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*** |
CN109115992A (zh) * | 2018-08-08 | 2019-01-01 | 北京捷西农业科技有限责任公司 | 一种农田土壤健康评价*** |
CN109566030A (zh) * | 2018-11-12 | 2019-04-05 | 广西壮族自治区农业科学院 | 一种智能花生喷药施肥控制***及方法 |
CN111988985A (zh) * | 2018-02-20 | 2020-11-24 | 欧司朗有限公司 | 受控农业***和农业的方法 |
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*** |
CN116188465A (zh) * | 2023-04-26 | 2023-05-30 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
CN116362910A (zh) * | 2023-03-31 | 2023-06-30 | 保山澳鑫电子商务有限公司 | 一种基于互联网的农业种植管理*** |
-
2023
- 2023-11-14 CN CN202311507304.2A patent/CN117223459B/zh active Active
Patent Citations (7)
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*** |
CN111988985A (zh) * | 2018-02-20 | 2020-11-24 | 欧司朗有限公司 | 受控农业***和农业的方法 |
CN109115992A (zh) * | 2018-08-08 | 2019-01-01 | 北京捷西农业科技有限责任公司 | 一种农田土壤健康评价*** |
CN109566030A (zh) * | 2018-11-12 | 2019-04-05 | 广西壮族自治区农业科学院 | 一种智能花生喷药施肥控制***及方法 |
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*** |
CN116362910A (zh) * | 2023-03-31 | 2023-06-30 | 保山澳鑫电子商务有限公司 | 一种基于互联网的农业种植管理*** |
CN116188465A (zh) * | 2023-04-26 | 2023-05-30 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
Non-Patent Citations (2)
Title |
---|
一种基于机器视觉特征的农作物病变图像感知方法;周杰;潘宏侠;唐明军;;农业与技术(第18期);11-13 * |
湖南省主要农作物土壤有效养分校正系数估算数学模型研究;陈小虎;蔡冬华;吴远帆;雷超虎;曹国华;李华;;中国土壤与肥料(第05期);25-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN117223459A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bönecke et al. | Decoupling of impact factors reveals the response of German winter wheat yields to climatic changes | |
Zhao et al. | Ensemble forecasting of monthly and seasonal reference crop evapotranspiration based on global climate model outputs | |
Valkama et al. | Nitrogen balances and yields of spring cereals as affected by nitrogen fertilization in northern conditions: A meta-analysis | |
CN109710598B (zh) | 一种基于农作物的气象指数保险***及其实现方法 | |
Valkama et al. | Nitrogen fertilization of grass leys: Yield production and risk of N leaching | |
An-Vo et al. | Value of seasonal forecasting for sugarcane farm irrigation planning | |
CN110909973B (zh) | 考虑下垫面条件的旱情综合监测评估方法 | |
Finger et al. | Risk management strategies to cope with climate change in grassland production: an illustrative case study for the Swiss plateau | |
Moriasi et al. | Framework to parameterize and validate APEX to support deployment of the nutrient tracking tool | |
CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
Han et al. | Modeling grassland net primary productivity and water-use efficiency along an elevational gradient of the Northern Tianshan Mountains | |
Bahr et al. | Modeling of soil nutrient balances, flows and stocks revealed effects of management on soil fertility in south Ecuadorian smallholder farming systems | |
Román-Cascón et al. | Surface representation impacts on turbulent heat fluxes in the Weather Research and Forecasting (WRF) model (v. 4.1. 3) | |
Masmoudi-Charfi et al. | Rainfall distribution functions for irrigation scheduling: calculation procedures following site of olive (Olea europaea L.) cultivation and growing periods | |
CN117223459B (zh) | 一种基于数据分析的肥料自动混配*** | |
Pavlova et al. | Assessment approach of the spatial wheat cultivation risk for the main cereal cropping regions of Russia | |
Zhang et al. | Assessing changes in potential yields and yield gaps of summer maize in the North China Plain | |
Bai et al. | Influence of varied drought types on soil conservation service within the framework of climate change: insights from the Jinghe River Basin, China | |
Westcott et al. | Use of real-time multisensor data to assess the relationship of normalized corn yield with monthly rainfall and heat stress across the central United States | |
Linkevičius et al. | Generic applicability of non-destructive biomass yield models for willow short rotation coppice: A case study for Germany and Lithuania | |
Li et al. | Determinants of paddy yield of individual fields measured by IT combine: empirical analysis from the perspective of large-scale farm management in Japan | |
Rahimikhoob et al. | Toward potential applications of the nitrogen nutrition index in Sweet basil (Ocimum basilicum L.) production under greenhouse conditions | |
CN116735538B (zh) | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 | |
Ghag et al. | Effect of long-term climate signatures on regional and local potato yield in Finland | |
Kalli et al. | Effect of irrigation on farm efficiency in tribal villages of Eastern India |
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 |