本發(fā)明屬于智慧農(nóng)業(yè)，具體涉及一種基于大數(shù)據(jù)的煙田施肥效果評估方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的煙田施肥評估方法主要依賴于人工觀察和經(jīng)驗(yàn)判斷，且測試樣本主要來源于土壤和植物組織測試，這些方法存在測試周期長、成本高、數(shù)據(jù)不夠全面、效率低下、主觀性強(qiáng)、評估結(jié)果不夠精確等問題。另一方面，傳統(tǒng)依靠人工經(jīng)驗(yàn)的施肥效果評估指標(biāo)較為單一，評估方式不夠全面，也會影響評估的準(zhǔn)確性，從而影響后續(xù)的施肥方案，最終影響農(nóng)作物的產(chǎn)量和質(zhì)量。隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，多源數(shù)據(jù)的采集和處理更為方便快捷，通過對多源數(shù)據(jù)的處理和分析，更能發(fā)現(xiàn)數(shù)據(jù)之間的隱性關(guān)聯(lián)，從而提高農(nóng)業(yè)生產(chǎn)效率、降低資源消耗。如何利用大數(shù)據(jù)和人工智能技術(shù)，采集多源數(shù)據(jù)，對多源數(shù)據(jù)進(jìn)行處理和分析，從而對煙田施肥效果進(jìn)行更為有效全面的評估，是本發(fā)明要解決的技術(shù)問題，本發(fā)明旨在提供一種基于大數(shù)據(jù)的煙田施肥效果評估方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)中存在的上述問題，提供了一種基于大數(shù)據(jù)的煙田施肥效果評估方法及系統(tǒng)，該方法及系統(tǒng)通過采集受施肥影響的多源數(shù)據(jù)，結(jié)合多源數(shù)據(jù)的特點(diǎn)分別進(jìn)行各種數(shù)據(jù)的處理和綜合分析，通過綜合分析結(jié)果對煙田施肥效果進(jìn)行有效全面的評估。

2、為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了以下技術(shù)方案：

3、一種基于大數(shù)據(jù)的煙田施肥效果評估方法，包括如下步驟：

4、采集土壤實(shí)物樣品，所述土壤實(shí)物樣品利用多點(diǎn)取樣法獲取，對所述土壤實(shí)物樣品進(jìn)行處理，得到土壤數(shù)據(jù)；所述土壤數(shù)據(jù)包括土壤物理性狀數(shù)據(jù)和土壤化學(xué)性狀數(shù)據(jù)；其中，土壤物理性狀數(shù)據(jù)包括土壤緊實(shí)度指標(biāo)、土壤水穩(wěn)性團(tuán)聚體指標(biāo)和土壤酶活性指標(biāo)；土壤化學(xué)性狀數(shù)據(jù)包括土壤ph值和土壤養(yǎng)分指標(biāo)；所述土壤養(yǎng)分指標(biāo)通過土壤的有機(jī)質(zhì)、全氮、全磷、全鉀、堿解氮、有效磷、速效鉀、土壤微生物量碳氮計(jì)算得到；

5、采集土壤實(shí)時(shí)監(jiān)測數(shù)據(jù)時(shí)間序列，所述土壤實(shí)時(shí)監(jiān)測數(shù)據(jù)時(shí)間序列包括土壤實(shí)時(shí)濕度序列、土壤實(shí)時(shí)溫度序列和土壤實(shí)時(shí)ph值序列；對所述土壤實(shí)時(shí)ph值序列和土壤化學(xué)性狀數(shù)據(jù)中的ph值進(jìn)行融合處理，處理方式如下：將所述土壤化學(xué)性狀數(shù)據(jù)中的ph值加入到所述土壤實(shí)時(shí)ph值序列的末尾，得到融合后的土壤ph值序列；對所述土壤實(shí)時(shí)濕度序列、土壤實(shí)時(shí)溫度序列和融合后的土壤ph值序列進(jìn)行均值處理，得到土壤濕度指標(biāo)、土壤溫度指標(biāo)和土壤ph值指標(biāo)；

6、土壤性狀評估：建立土壤性狀知識圖譜，建立三元組（ei,ej,r），其中ei表示土壤物理性狀實(shí)體，為一級節(jié)點(diǎn)，其下設(shè)置有二級節(jié)點(diǎn)，包括土壤緊實(shí)度指標(biāo)、土壤水穩(wěn)性團(tuán)聚體指標(biāo)和土壤酶活性指標(biāo)；ej表示土壤化學(xué)性狀實(shí)體，為一級節(jié)點(diǎn)，其下設(shè)置有二級節(jié)點(diǎn)，包括土壤養(yǎng)分指標(biāo)、土壤濕度指標(biāo)、土壤溫度指標(biāo)和土壤ph值指標(biāo)；r表示土壤評價(jià)實(shí)體，取值包括優(yōu)、良和差；在所述土壤性狀知識圖譜中進(jìn)行實(shí)體匹配，得到與當(dāng)前土壤指標(biāo)相似度大于預(yù)設(shè)閾值的三元組，將該三元組對應(yīng)的土壤評價(jià)實(shí)體的取值作為當(dāng)前土壤性狀評估結(jié)果；

7、采集植株實(shí)物樣品，對所述植株實(shí)物樣品進(jìn)行處理，得到植株數(shù)據(jù)；所述植株數(shù)據(jù)包括植株化學(xué)性狀數(shù)據(jù)和植株農(nóng)藝性狀數(shù)據(jù)；所述植株化學(xué)性狀數(shù)據(jù)包括植株養(yǎng)分指標(biāo)，所述植株養(yǎng)分指標(biāo)通過植株的全氮、全磷、全鉀計(jì)算得到；所述植株農(nóng)藝性狀數(shù)據(jù)包括株高指標(biāo)、莖圍指標(biāo)、有效葉片數(shù)指標(biāo)、最大葉面積指標(biāo)，最大葉面積指標(biāo)等于最大葉長與最大葉寬的乘積再乘以葉面積系數(shù)；

8、植株實(shí)物性狀評估：預(yù)先建立植株性狀評估映射表，所述植株性狀評估映射表包括不同植株指標(biāo)值范圍對應(yīng)的等級，等級包括優(yōu)、良和差三類；通過所述植株實(shí)物樣品得到所述植株養(yǎng)分指標(biāo)、株高指標(biāo)、莖圍指標(biāo)、有效葉片數(shù)指標(biāo)、最大葉面積指標(biāo)，在預(yù)先建立的植株性狀評估映射表中進(jìn)行匹配，得到每一個(gè)指標(biāo)對應(yīng)的等級，統(tǒng)計(jì)每一個(gè)等級所對應(yīng)的指標(biāo)數(shù)量，將指標(biāo)數(shù)量最多的等級作為當(dāng)前植株實(shí)物性狀評估結(jié)果；

9、采集煙田圖像數(shù)據(jù)序列，所述煙田圖像數(shù)據(jù)序列包括高光譜遙感圖像數(shù)據(jù)序列is=((isn1,isr1,isg1),(isn2,isr2,isg2),...,(isnn,isrn,isgn))，所述is由n個(gè)圖像三元組構(gòu)成，每張圖像大小為1024×1024，(isn1,isr1,isg1)~(isnn,isrn,isgn)分別表示第1~n張高光譜遙感圖像的近紅外波段、紅光波段和綠光波段的二維空間信息，isn1~isnn中每個(gè)像素的灰度值表示該像素在近紅外波段的反射率，isr1~isrn中每個(gè)像素的灰度值表示該像素在紅光波段的反射率；isg1~isgn中每個(gè)像素的灰度值表示該像素在綠光波段的反射率；

10、還包括無人機(jī)圖像數(shù)據(jù)序列iu=(iu1,iu2,...,ium)，其中iu1~ium表示第1~m張無人機(jī)圖像數(shù)據(jù)；

11、所述高光譜遙感圖像數(shù)據(jù)序列is用于分析植株整體生長情況和特性，所述無人機(jī)圖像數(shù)據(jù)序列iu用于分析植株個(gè)體生長情況和特性；

12、對所述高光譜遙感圖像數(shù)據(jù)序列is進(jìn)行如下處理：計(jì)算第1~n張高光譜遙感圖像中每個(gè)像素的歸一化植被指數(shù)ndvi值，將ndvi值映射到圖像上，生成n個(gè)ndvi分布矩陣；對于每個(gè)ndvi分布矩陣作如下操作：將所述分布矩陣劃分為64個(gè)不相交的16×16的像素塊pb，每個(gè)像素塊pb作為一個(gè)分割單元，在每個(gè)pb中分別進(jìn)行ndvi值的直方圖統(tǒng)計(jì)，直方圖的橫坐標(biāo)表示ndvi值，縱坐標(biāo)表示該ndvi值對應(yīng)的像素個(gè)數(shù)，統(tǒng)計(jì)每個(gè)像素塊pb中的ndvi值分布；利用公式計(jì)算類間方差，其中p0和p1分別是煙田區(qū)和非煙田區(qū)的像素比例，u0和u1分別是煙田區(qū)和非煙田區(qū)的平均灰度，遍歷所有可能的閾值，找到使類間方差最大的閾值t；在每個(gè)像素塊pb內(nèi)利用該像素塊對應(yīng)的閾值t實(shí)現(xiàn)區(qū)域分割，將所有像素塊的分割結(jié)果進(jìn)行拼接，最終得到n張高光譜遙感圖像分別對應(yīng)的煙田區(qū)域坐標(biāo)，利用該煙田區(qū)域坐標(biāo)在原始的高光譜遙感圖像中進(jìn)行處理得到第1~n張高光譜遙感圖像的煙田區(qū)域在近紅外波段、紅光波段和綠光波段的二維空間信息，使用三個(gè)不同波段的數(shù)據(jù)合成一張彩色圖像，得到n張煙田區(qū)域遙感圖像數(shù)據(jù)序列ireg=（ireg1,ireg2,...,iregn），對所述煙田區(qū)域遙感圖像數(shù)據(jù)序列中的每張圖像數(shù)據(jù)進(jìn)行特征提取，得到每張圖像對應(yīng)的顏色特征、紋理特征和形狀特征；具體操作如下：將圖像轉(zhuǎn)換到rgb彩色空間中，計(jì)算圖像中每個(gè)顏色通道（r、g、b）中的5個(gè)特征值，對圖像中的像素值聚類處理，選取類別數(shù)量為2，計(jì)算每個(gè)類別下像素?cái)?shù)量所占的比例a1和a2，計(jì)算像素均值μ和方差σ，計(jì)算最大像素值與最小像素值之差d，將所述μ、σ和d歸一化映射到（0,1）范圍內(nèi)，將所述a1、a2、歸一化后的μ、σ和d拼接構(gòu)成顏色特征向量；利用灰度共生矩陣方式計(jì)算得到紋理特征向量；計(jì)算每張煙田區(qū)域遙感圖像數(shù)據(jù)中的煙田輪廓，構(gòu)建區(qū)域大小為1024×1024的網(wǎng)格蒙版，其中網(wǎng)格大小為4×4，利用所述網(wǎng)格蒙版計(jì)算煙田區(qū)域的總面積值area；將所述網(wǎng)格蒙版均勻劃分為64×64的區(qū)域，每個(gè)區(qū)域中隨機(jī)選取一個(gè)網(wǎng)格，通過識別網(wǎng)格中的植株區(qū)域，計(jì)算植株的最小外接矩形得到每棵植株所占的面積，計(jì)算每個(gè)網(wǎng)格中所包含的植株數(shù)量，計(jì)算所選取的所有網(wǎng)格所包含的植株數(shù)量的均值ka，計(jì)算當(dāng)前圖像的煙田區(qū)域所占據(jù)的總網(wǎng)格數(shù)，最終得到當(dāng)前圖像的煙田區(qū)域所包含的植株總數(shù)量kt，將所述總面積值area、網(wǎng)格所包含的植株數(shù)量均值ka和植株總數(shù)量kt拼接構(gòu)成形狀特征向量；

13、植株整體生長情況評估：將所述顏色特征向量、紋理特征向量和形狀特征向量拼接融合得到高光譜遙感圖像特征向量，將所述高光譜遙感圖像特征向量輸入到預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)模型a中實(shí)現(xiàn)煙田植株整體生長情況分類，所述類別包括優(yōu)、良和差三類；所述預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)a包括1個(gè)輸入層、1個(gè)輸出層、3個(gè)卷積層、1個(gè)池化層和2個(gè)隱藏層，采用relu作為激活函數(shù)，采用交叉熵作為損失函數(shù)；將n張高光譜遙感圖像的特征向量分別輸入到上述模型a中進(jìn)行識別，統(tǒng)計(jì)每張圖像所對應(yīng)的煙田植株生長情況類別，將數(shù)量最多的類別作為最終的植株整體生長情況評估結(jié)果；

14、對所述無人機(jī)圖像數(shù)據(jù)序列iu進(jìn)行如下處理：

15、識別第1~m張無人機(jī)圖像中的植株區(qū)域，并進(jìn)一步識別出每棵植株的植株葉片區(qū)域和植株莖稈區(qū)域，對所述植株葉片區(qū)域進(jìn)行處理得到每個(gè)葉片的橫徑和縱徑，從而得到每個(gè)葉片的面積；對所述植株莖稈區(qū)域處理得到每棵植株的株高和莖圍；計(jì)算每張無人機(jī)圖像中的植株葉片面積均值、最大葉片面積值、株高均值和莖圍均值，拼接成無人機(jī)圖像植株特征向量；

16、植株個(gè)體生長情況評估：將所述無人機(jī)圖像植株特征向量輸入到預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)模型b中實(shí)現(xiàn)煙田植株個(gè)體生長情況分類，所述類別包括優(yōu)、良和差三類；所述預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)b包括1個(gè)輸入層、1個(gè)輸出層、4個(gè)卷積層、1個(gè)池化層和1個(gè)隱藏層，采用relu作為激活函數(shù)，采用交叉熵作為損失函數(shù)；將m張無人機(jī)圖像的特征向量分別輸入到上述模型b中進(jìn)行識別，統(tǒng)計(jì)每張圖像所對應(yīng)的煙田植株個(gè)體生長情況類別，將數(shù)量最多的類別作為最終的植株個(gè)體生長情況評估結(jié)果；

17、識別第1~m張無人機(jī)圖像中的植株區(qū)域，并進(jìn)一步識別出每棵植株的植株葉片區(qū)域和植株莖稈區(qū)域，對所述植株葉片區(qū)域進(jìn)行處理得到每個(gè)葉片的完整度，通過檢測葉片區(qū)域的邊緣特征來判斷葉片是否存在殘缺情況，存在殘缺，則完整度取值為0，不存在殘缺，則完整度取值為1，統(tǒng)計(jì)每張無人機(jī)圖像中的所有葉片完整度，將所有葉片的完整度相加得到該無人機(jī)圖像對應(yīng)的葉片完整度值c；對所述葉片區(qū)域和莖稈區(qū)域進(jìn)行顏色特征提取，統(tǒng)計(jì)黑色和黃色像素區(qū)域在葉片區(qū)域和莖稈區(qū)域的全部像素中所占百分比pe；將所述c和pe拼接構(gòu)成病蟲害特征向量；

18、植株病蟲害情況評估：將所述病蟲害特征向量輸入到預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)模型c中實(shí)現(xiàn)煙田植株病蟲害情況分類，所述類別包括嚴(yán)重、一般和輕微三類；所述預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)c包括1個(gè)輸入層、1個(gè)輸出層、2個(gè)卷積層、1個(gè)池化層和1個(gè)隱藏層，采用relu作為激活函數(shù)，采用交叉熵作為損失函數(shù)；將m張無人機(jī)圖像的病蟲害特征向量分別輸入到上述模型c中進(jìn)行識別，統(tǒng)計(jì)每張圖像所對應(yīng)的煙田植株病蟲害情況類別，將數(shù)量最多的類別作為最終的植株病蟲害情況評估結(jié)果；

19、輸出土壤性狀評估結(jié)果、植株實(shí)物性狀評估結(jié)果、植株整體生長情況評估結(jié)果、植株個(gè)體生長情況評估結(jié)果和植株病蟲害情況評估結(jié)果。

20、一種基于大數(shù)據(jù)的煙田施肥效果評估系統(tǒng)，包括如下功能模塊：

21、土壤數(shù)據(jù)采集處理模塊：用于采集土壤實(shí)物樣品，所述土壤實(shí)物樣品利用多點(diǎn)取樣法獲取，對所述土壤實(shí)物樣品進(jìn)行處理，得到土壤數(shù)據(jù)；所述土壤數(shù)據(jù)包括土壤物理性狀數(shù)據(jù)和土壤化學(xué)性狀數(shù)據(jù)；采集土壤實(shí)時(shí)監(jiān)測數(shù)據(jù)時(shí)間序列，所述土壤實(shí)時(shí)監(jiān)測數(shù)據(jù)時(shí)間序列包括土壤實(shí)時(shí)濕度序列、土壤實(shí)時(shí)溫度序列和土壤實(shí)時(shí)ph值序列；對所述土壤實(shí)時(shí)ph值序列和土壤化學(xué)性狀數(shù)據(jù)中的ph值進(jìn)行融合處理，得到土壤濕度指標(biāo)、土壤溫度指標(biāo)和土壤ph值指標(biāo)；

22、土壤性狀評估模塊：用于建立土壤性狀知識圖譜，建立三元組（ei,ej,r），其中ei表示土壤物理性狀實(shí)體，為一級節(jié)點(diǎn)，其下設(shè)置有二級節(jié)點(diǎn)，包括土壤緊實(shí)度指標(biāo)、土壤水穩(wěn)性團(tuán)聚體指標(biāo)和土壤酶活性指標(biāo)；ej表示土壤化學(xué)性狀實(shí)體，為一級節(jié)點(diǎn)，其下設(shè)置有二級節(jié)點(diǎn)，包括土壤養(yǎng)分指標(biāo)、土壤濕度指標(biāo)、土壤溫度指標(biāo)和土壤ph值指標(biāo)；r表示土壤評價(jià)實(shí)體，取值包括優(yōu)、良和差；在所述土壤性狀知識圖譜中進(jìn)行實(shí)體匹配，得到與當(dāng)前土壤指標(biāo)相似度大于預(yù)設(shè)閾值的三元組，將該三元組對應(yīng)的土壤評價(jià)實(shí)體的取值作為當(dāng)前土壤性狀評估結(jié)果；

23、植株數(shù)據(jù)采集處理模塊：用于采集植株實(shí)物樣品，對所述植株實(shí)物樣品進(jìn)行處理，得到植株數(shù)據(jù)；所述植株數(shù)據(jù)包括植株化學(xué)性狀數(shù)據(jù)和植株農(nóng)藝性狀數(shù)據(jù)；

24、植株實(shí)物性狀評估模塊：用于預(yù)先建立植株性狀評估映射表，所述植株性狀評估映射表包括不同植株指標(biāo)值范圍對應(yīng)的等級，等級包括優(yōu)、良和差三類；通過所述植株實(shí)物樣品得到所述植株養(yǎng)分指標(biāo)、株高指標(biāo)、莖圍指標(biāo)、有效葉片數(shù)指標(biāo)、最大葉面積指標(biāo)，在預(yù)先建立的植株性狀評估映射表中進(jìn)行匹配，得到每一個(gè)指標(biāo)對應(yīng)的等級，統(tǒng)計(jì)每一個(gè)等級所對應(yīng)的指標(biāo)數(shù)量，將指標(biāo)數(shù)量最多的等級作為當(dāng)前植株實(shí)物性狀評估結(jié)果；

25、圖像數(shù)據(jù)采集處理模塊：用于采集煙田圖像數(shù)據(jù)序列，所述煙田圖像數(shù)據(jù)序列包括高光譜遙感圖像數(shù)據(jù)序列is=((isn1,isr1,isg1),(isn2,isr2,isg2),...,(isnn,isrn,isgn))，所述is由n個(gè)圖像三元組構(gòu)成，每張圖像大小為1024×1024，(isn1,isr1,isg1)~(isnn,isrn,isgn)分別表示第1~n張高光譜遙感圖像的近紅外波段、紅光波段和綠光波段的二維空間信息，isn1~isnn中每個(gè)像素的灰度值表示該像素在近紅外波段的反射率，isr1~isrn中每個(gè)像素的灰度值表示該像素在紅光波段的反射率；isg1~isgn中每個(gè)像素的灰度值表示該像素在綠光波段的反射率；還包括無人機(jī)圖像數(shù)據(jù)序列iu=(iu1,iu2,...,ium)，其中iu1~ium表示第1~m張無人機(jī)圖像數(shù)據(jù)；所述高光譜遙感圖像數(shù)據(jù)序列is用于分析植株整體生長情況和特性，所述無人機(jī)圖像數(shù)據(jù)序列iu用于分析植株個(gè)體生長情況和特性；對所述高光譜遙感圖像數(shù)據(jù)序列進(jìn)行處理，得到顏色特征向量、紋理特征向量和形狀特征向量；對所述無人機(jī)圖像數(shù)據(jù)序列iu進(jìn)行處理得到無人機(jī)圖像植株特征向量和病蟲害特征向量；

26、植株整體生長情況評估模塊：用于將所述顏色特征向量、紋理特征向量和形狀特征向量拼接融合得到高光譜遙感圖像特征向量，將所述高光譜遙感圖像特征向量輸入到預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)模型a中以識別煙田植株整體生長情況類別，所述類別包括優(yōu)、良和差三類；所述預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)a包括1個(gè)輸入層、1個(gè)輸出層、3個(gè)卷積層、1個(gè)池化層和2個(gè)隱藏層，采用relu作為激活函數(shù)，采用交叉熵作為損失函數(shù)；將n張高光譜遙感圖像的特征向量分別輸入到上述模型a中進(jìn)行識別，統(tǒng)計(jì)每張圖像所對應(yīng)的煙田植株生長情況類別，將數(shù)量最多的類別作為最終的植株整體生長情況評估結(jié)果；

27、植株個(gè)體生長情況評估模塊：用于將所述無人機(jī)圖像植株特征向量輸入到預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)模型b中以識別煙田植株個(gè)體生長情況類別，所述類別包括優(yōu)、良和差三類；所述預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)b包括1個(gè)輸入層、1個(gè)輸出層、4個(gè)卷積層、1個(gè)池化層和1個(gè)隱藏層，采用relu作為激活函數(shù)，采用交叉熵作為損失函數(shù)；將m張無人機(jī)圖像的特征向量分別輸入到上述模型b中進(jìn)行識別，統(tǒng)計(jì)每張圖像所對應(yīng)的煙田植株個(gè)體生長情況類別，將數(shù)量最多的類別作為最終的植株個(gè)體生長情況評估結(jié)果；

28、植株病蟲害情況評估模塊：用于將所述病蟲害特征向量輸入到預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)模型c中以識別煙田植株病蟲害情況類別，所述類別包括嚴(yán)重、一般和輕微三類；所述預(yù)先訓(xùn)練的人工卷積神經(jīng)網(wǎng)絡(luò)c包括1個(gè)輸入層、1個(gè)輸出層、2個(gè)卷積層、1個(gè)池化層和1個(gè)隱藏層，采用relu作為激活函數(shù)，采用交叉熵作為損失函數(shù)；將m張無人機(jī)圖像的病蟲害特征向量分別輸入到上述模型c中進(jìn)行識別，統(tǒng)計(jì)每張圖像所對應(yīng)的煙田植株病蟲害情況類別，將數(shù)量最多的類別作為最終的植株病蟲害情況評估結(jié)果；

29、輸出模塊：用于輸出土壤性狀評估結(jié)果、植株實(shí)物性狀評估結(jié)果、植株整體生長情況評估結(jié)果、植株個(gè)體生長情況評估結(jié)果和植株病蟲害情況評估結(jié)果。

30、通過采用上述技術(shù)，與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

31、本技術(shù)對土壤實(shí)物樣品、植株實(shí)物樣品、土壤實(shí)時(shí)監(jiān)測數(shù)據(jù)、高光譜遙感圖像數(shù)據(jù)和無人機(jī)圖像數(shù)據(jù)等多源數(shù)據(jù)進(jìn)行采集、處理和分析，綜合評估施肥效果，利用更加豐富的數(shù)據(jù)提升施肥效果評估的全面性。

32、本技術(shù)利用知識圖譜技術(shù)對土壤性狀進(jìn)行評估和分析，提升了大量數(shù)據(jù)指標(biāo)的處理效率，也利用知識圖譜挖掘不同指標(biāo)之間的關(guān)聯(lián)性，提升了施肥效果評估的準(zhǔn)確性。

33、本技術(shù)分別利用高光譜遙感圖像和無人機(jī)圖像各自的特點(diǎn)，有針對性的提取特征向量，并利用人工智能技術(shù)實(shí)現(xiàn)特征向量的識別和分類。

34、本技術(shù)處理高光譜遙感圖像和無人機(jī)圖像時(shí)，通過對現(xiàn)有技術(shù)進(jìn)行改進(jìn)，有效提升了圖像處理的效率，選取多種特征值構(gòu)成特征向量，提升了特征提取的準(zhǔn)確性和全面性，最終提升評估結(jié)果的準(zhǔn)確性。