土壤速效养分反演方法及装置
阅读：967发布：2022-06-29
专利汇可以提供土壤速效养分反演方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种 土壤 速效养分反演方法及装置，其中的方法包括：基于预设作物模型，模拟作物在目标地区 播种 后的第一生长阶段内的状态参数；预设作物模型中除土壤速效养分含量之外的所有参数经过在目标地区处的实际标定；在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；模拟作物在第三生长阶段内的状态参数；根据作物在第三生长阶段结束后的状态参数的模拟结果与实际作物在第三生长阶段结束后的状态参数之间的偏差，反演目标地区在第一生长阶段的开始时刻的土壤速效养分含量。基于此，本发明可以利用遥感数据全面而精确地计算出土壤速效养分含量。，下面是土壤速效养分反演方法及装置专利的具体信息内容。
1.一种土壤速效养分的反演方法，其特征在于，包括：
基于预设作物模型，模拟作物在目标地区播种后的第一生长阶段内的状态参数；所述预设作物模型中除土壤速效养分含量之外的所有参数经过在所述目标地区处的实际标定；
基于作物在所述第一生长阶段结束后的状态参数的模拟结果，在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；
基于作物在所述第二生长阶段结束后的状态参数的模拟结果，模拟作物在第三生长阶段内的状态参数；
根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
2.根据权利要求1所述的方法，其特征在于，所述状态参数包括所述目标地区处若干个格网单元的叶面积指数；
格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数LAI(n+1)按照下式进行计算：
其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；
LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；LAIRSMX(n)与LAIRSMN(n)分别为所有格网单元的LAIRS(n)中的最大值与最小值；a0为预设遥感数据影响系数；LAIWFM(n)为所有格网单元的LAIWF(n)的平均值。
3.根据权利要求1所述的方法，其特征在于，所述遥感数据在参与校正前按照下式进行云点像元、云阴影像元和高亮坏点像元的纠正：
其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；
LAI'RS(n)为进行修正后的LAIRS(n)；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
4.根据权利要求1所述的方法，其特征在于，所述根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，包括：
不断改变所述第一生长阶段开始时的土壤速效养分含量的设定值，直至作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数一致；
根据所述土壤速效养分含量的设定值计算所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
5.根据权利要求1所述的方法，其特征在于，所述根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，包括：
按照对作物的状态参数的模拟方式，构建关于所述第一生长阶段开始时的土壤速效养分含量与所述第三生长阶段结束后的状态参数的方程或方程组；
求解所述方程或方程组，以根据得到的所述土壤速效养分含量计算所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，还包括：
根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)；
按照下式计算从起始时刻t0到终止时刻t1的时间段内所述目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)：
I(t0,t1)＝F(t0,t1)*G(t0,t1)*K(t0,t1)*S(t0,t1)
其中，F(t0,t1)为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含量流失百分比函数；K(t0,t1)为该时间段内由施肥量所引起的土壤速效养分的含量增加百分比函数；S(t0,t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变化百分比函数。
7.一种土壤速效养分的反演装置，其特征在于，包括：
第一模拟单元，用于基于预设作物模型，模拟作物在目标地区播种后的第一生长阶段内的状态参数；所述预设作物模型中除土壤速效养分含量之外的所有参数经过在所述目标地区处的实际标定；
第二模拟单元，用于基于作物在所述第一生长阶段结束后的状态参数的模拟结果，在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；
第三模拟单元，用于基于作物在所述第二生长阶段结束后的状态参数的模拟结果，模拟作物在第三生长阶段内的状态参数；
反演单元，用于根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
8.根据权利要求7所述的装置，其特征在于，所述状态参数包括所述目标地区处若干个格网单元的叶面积指数；
格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数LAI(n+1)按照下式进行计算：
其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；
LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；LAIRSMX(n)与LAIRSMN(n)分别为所有格网单元的LAIRS(n)中的最大值与最小值；a0为预设遥感数据影响系数；LAIWFM(n)为所有格网单元的LAIWF(n)的平均值。
9.根据权利要求7所述的装置，其特征在于，所述遥感数据在参与校正前按照下式进行云点像元、云阴影像元和高亮坏点像元的纠正：
其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；
LAI'RS(n)为进行修正后的LAIRS(n)；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
10.根据权利要求7至9中任意一项所述的装置，其特征在于，还包括：
构建单元，用于根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)；
计算单元，用于按照下式计算从起始时刻t0到终止时刻t1的时间段内所述目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)：
I(t0,t1)＝F(t0,t1)*G(t0,t1)*K(t0,t1)*S(t0,t1)
其中，F(t0,t1)为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含量流失百分比函数；K(t0,t1)为该时间段内由施肥量所引起的土壤速效养分的含量增加百分比函数；S(t0,t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变化百分比函数。
土壤速效养分反演方法及装置
技术领域
[0001] 本发明涉及遥感技术，具体涉及一种土壤速效养分反演方法及装置。
背景技术
[0002] 土壤养分状况是决定农田潜在生产力的主要因素，土壤性状及肥力状况信息可以为精准农田管理提供响应依据。可以通过改善土壤有效氮、植物养分、地块的相对位置和坡度以及土壤有机质含量等土壤肥力指标来提高作物单产。在精准农业的框架下，可以根据地块土壤、水肥、产量等在时间与空间上的差异，进行相适宜地施肥，其目的是以合理的投入来获得最好的经济效益，并保护环境，以确保农业的可持续发展。鉴于我国及全球人口不断增长和土地资源减少的矛盾不可逆转，精准施肥在减少投入、降低成本、减轻环境污染、提高产量等方面均有积极的作用和意义。利用遥感技术准确、实时、高效地获取大范围的农田土壤养分信息，可以为精准施肥提供支撑。
[0003] 遥感技术在土壤养分监测中展现出很好的应用前景。遥感可在不同的电磁谱段范围周期性地收集地表信息，已成为人们研究、识别地球和环境的主要方法。遥感信息具有覆盖范围大、探测周期短、现时性强等特点，为土壤养分的快速、准确、动态和经济获取提供了重要的技术手段。目前，遥感技术已经可以成功地获取土壤的有机碳、氮、磷、钾、钙盐分以及总有机质等的含量信息，并可以对土壤的酸碱度等化学属性进行估算。这些信息可以直接用于土壤肥力的评价、空间制图农田管理分区、作物长势监测和作物营养诊断，并指导变量施肥，基本满足精准农业和土壤碳监测对高采样密度土壤养分分布图的需求。
[0004] 现有技术中，土壤的反射光谱主要受其物理性质、化学成分及矿物成分的影响，通过地物反射光谱可以有效区分不同类型的土壤，并可用于土壤肥力状况的调查。遥感影像具有范围大、获取快的特点，结合基于土壤养分光谱特征分析的估算模型，便可以实现土壤养分的空间制图。然而，虽然基于土壤养分光谱特征分析的农田养分空间制图研究取得了巨大的进展，却也存在明显的不足，这些不足主要包括：
[0005] 1.土壤养分研究大多以土壤全氮、全磷、全钾等养分为目标进行分析研究，针对农田土壤中作物可以直接吸收并对作物生长影响更直接的速效养分(available nutrition)则研究很少，其中一个重要因素是土壤中这类养分(如速效氮)的含量通常都低于300毫克/千克，导致光谱特征不明显，给利用光谱特征估算这些养分含量带来了困难。
[0006] 2.利用光学遥感技术所获取的通常都是土壤表层的光谱信息，而受各种因素的影响土壤表层与深层的养分往往会存在一定的差异，这给遥感获取整个耕层土壤养分信息带来了困难，同时大部分土壤养分遥感监测都需要使用高光谱数据，这类数据通常都要减少空间覆盖范围或降低空间分辨率来保证获取充分的光谱信息，而且其成本高、数据处理难度大的问题也给其应用带来了困难。
[0007] 3.利用光谱特征开展土壤养分制图往往还受到诸多因素的影响，如生长季中的作物覆盖与生长季外的作物茬覆盖，在这些覆盖情况下分解出土壤的光谱信息本身就有较大的不确定性，一些地区作物覆盖间隙期很短(如华北的小麦玉米轮作模式)，导致难以获取裸露农田的遥感数据。除了土壤光谱信息获取难外，土壤水分含量变化、土壤结构差异、地形起伏等因素都给土壤养分估算带来了不确定性。
发明内容
[0009] 第一方面，本发明提供了一种土壤速效养分的反演方法，包括：
[0010] 基于预设作物模型，模拟作物在目标地区播种后的第一生长阶段内的状态参数；所述预设作物模型中除土壤速效养分含量之外的所有参数经过在所述目标地区处的实际标定；
[0011] 基于作物在所述第一生长阶段结束后的状态参数的模拟结果，在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；
[0012] 基于作物在所述第二生长阶段结束后的状态参数的模拟结果，模拟作物在第三生长阶段内的状态参数；
[0013] 根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0014] 可选地，所述状态参数包括所述目标地区处若干个格网单元的叶面积指数；格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数LAI(n+1)按照下式进行计算：
[0015]
[0016] 其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；LAIRSMX(n)与LAIRSMN(n)分别为所有格网单元的LAIRS(n)中的最大值与最小值；a0为预设遥感数据影响系数；LAIWFM(n)为所有格网单元的LAIWF(n)的平均值。
[0017] 可选地，所述遥感数据在参与校正前按照下式进行云点像元、云阴影像元和高亮坏点像元的纠正：
[0018]
[0019] 其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAI'RS(n)为进行修正后的LAIRS(n)；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
[0020] 可选地，所述根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，包括：
[0021] 不断改变所述第一生长阶段开始时的土壤速效养分含量的设定值，直至作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数一致；
[0022] 根据所述土壤速效养分含量的设定值计算所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0023] 可选地，所述根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，包括：
[0024] 按照对作物的状态参数的模拟方式，构建关于所述第一生长阶段开始时的土壤速效养分含量与所述第三生长阶段结束后的状态参数的方程或方程组；
[0025] 求解所述方程或方程组，以根据得到的所述土壤速效养分含量计算所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0026] 可选地，所述方法还包括：
[0027] 根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)；
[0028] 按照下式计算从起始时刻t0到终止时刻t1的时间段内所述目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)：
[0029] I(t0,t1)＝F(t0,t1)*G(t0,t1)*K(t0,t1)*S(t0,t1)
[0030] 其中，F(t0,t1)为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含量流失百分比函数；K(t0,t1)为该时间段内由施肥量所引起的土壤速效养分的含量增加百分比函数；S(t0,t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变化百分比函数。
[0031] 第二方面，本发明还提供了一种土壤速效养分的反演装置，包括：
[0032] 第一模拟单元，用于基于预设作物模型，模拟作物在目标地区播种后的第一生长阶段内的状态参数；所述预设作物模型中除土壤速效养分含量之外的所有参数经过在所述目标地区处的实际标定；
[0033] 第二模拟单元，用于基于作物在所述第一生长阶段结束后的状态参数的模拟结果，在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；
[0034] 第三模拟单元，用于基于作物在所述第二生长阶段结束后的状态参数的模拟结果，模拟作物在第三生长阶段内的状态参数；
[0035] 反演单元，用于根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0036] 可选地，所述状态参数包括所述目标地区处若干个格网单元的叶面积指数；
[0037] 格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数LAI(n+1)按照下式进行计算：
[0038]
[0039] 其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；LAIRSMX(n)与LAIRSMN(n)分别为所有格网单元的LAIRS(n)中的最大值与最小值；a0为预设遥感数据影响系数；LAIWFM(n)为所有格网单元的LAIWF(n)的平均值。
[0040] 可选地，所述遥感数据在参与校正前按照下式进行云点像元、云阴影像元和高亮坏点像元的纠正：
[0041]
[0042] 其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAI'RS(n)为进行修正后的LAIRS(n)；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
[0043] 可选地，还包括：
[0044] 构建单元，用于根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)；
[0045] 计算单元，用于按照下式计算从起始时刻t0到终止时刻t1的时间段内所述目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)：
[0046] I(t0,t1)＝F(t0,t1)*G(t0,t1)*K(t0,t1)*S(t0,t1)
[0047] 其中，F(t0,t1)为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含量流失百分比函数；K(t0,t1)为该时间段内由施肥量所引起的土壤速效养分的含量增加百分比函数；S(t0,t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变化百分比函数。
[0048] 由上述技术方案可知，本发明基于作物模型，以模拟作物生长与遥感数据同化相结合的方式建立了土壤速效养分含量的反演算法，解决了现有技术难以利用遥感数据全面而精确地计算出土壤速效养分含量的问题。进一步地，与现有技术相比，本发明具有以下有益效果：
[0049] 1.与传统基于土壤光谱特征的土壤速效养分遥感估算技术不同，本发明设计的算法针对含量低而光谱特征不明显，但却对作物生长与产量形成有更大影响的速效养分，提出了利用作物模型基于遥感数据同化技术反向模拟土壤速效养分的方法，拓展了农田土壤速效养分遥感估算的思路。
[0050] 2.本发明充分利用了遥感在空间监测方面的高时间分辨率、高空间分辨率、大范围、成本低等优点，并发挥作物模型生理生化基础强、原理描述详尽、结果稳定等优点，不仅克服了经验统计方法普适性和稳定性问题，还在很大程度上降低了算法对遥感数据质量和作物类型的依赖程度。
[0051] 3.作物模型对遥感数据光谱分辨率的低要求，有利于摆脱以往研究对高光谱数据的依赖，降低应用的技术门槛与成本。同时，本发明所提出的方法可以对氮、磷、钾进行同时模拟，克服了传统方法只能模拟土壤单一养分含量的缺点，提高了模拟精度。附图说明
[0052] 为了更清楚地说明本发明实施例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的介绍，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。
[0053] 图1是本发明一个实施例中一种土壤速效养分的反演方法的步骤流程示意图；
[0054] 图2是本发明一个实施例中一种土壤速效养分变换过程的步骤流程示意图；
[0055] 图3是本发明一个实施例中一种土壤速效养分的反演装置的结构框图。
具体实施方式
[0056] 为使本发明实施例的目的、技术方案和优点更加清楚，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。
[0057] 在本发明的描述中需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0058] 图1是本发明一个实施例中一种土壤速效养分的反演方法的步骤流程示意图。参见图1，该方法包括：
[0059] 步骤101：基于预设作物模型，模拟作物在目标地区播种后的第一生长阶段内的状态参数；其中，所述预设作物模型中除土壤速效养分含量之外的所有参数经过在所述目标地区处的实际标定；
[0060] 步骤102：基于作物在所述第一生长阶段结束后的状态参数的模拟结果，在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；
[0061] 步骤103：基于作物在所述第二生长阶段结束后的状态参数的模拟结果，模拟作物在第三生长阶段内的状态参数；
[0062] 步骤104：根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0063] 需要说明的是，本发明实施例中的状态参数具体指的是表征作物生长状态的一类参数，可以包括作物的生理参数(作物高度、生物量、叶面积指数与覆盖度)和生化参数(水分、叶绿素、总氮含量、总磷含量、总钾含量)等。应理解的是，上述状态参数应至少包括一项可以由遥感数据反演得到的参数，例如叶面积指数和作物单产(平均每单位土地面积上收获的农作物产品量)等等。还需要说明的是，本发明实施例中的预设作物模型为针对一特定种类的作物、用于在初始状态和环境条件给定的情况下模拟作物生长的模型，比如可以是WOFOST作物生长模型。
[0064] 举例来说，本发明实施例选取玉米作为目标作物，状态参数包括叶面积指数，并取某一地域内的若干块实验田作为目标地区。从而在上述步骤101中，可以基于WOFOST作物生长模型，以日为步长在气候和其他环境因子(如土壤水肥)影响下模拟作物的生长过程。其中，模型中的土壤速效养分含量为设定值(一般不与实际情况相同)，而除土壤速效养分含量之外的所有参数都经过在若干块实验田处的实际标定，以确保模型中除土壤速效养分含量之外的所有参数均与实际相一致。上述步骤101所涉及的第一生长阶段，主要指的是作物从播种到发芽的一段时间。由于该第一生长阶段内遥感影像中几乎不能获取到作物的任何状态参数，因此该第一生长阶段内的所模拟的作物生长过程完全按照模型模拟的方式进行。可以理解的是，为了保证作物生长过程的模拟与实际之间的一致性，在实验田中实际进行的浇水、施肥等过程均可以在模型的各项参数变化中有所体现。还应理解的是，由于初始状态下土壤速效养分含量的设定值与实验田中的实际值一般不同，因此实验田中玉米作物的生长状态会与模拟得到的生长状态存在一定的偏差。为避免偏差过大，可以将第一生长阶段设置得尽量短。
[0065] 此后，上述步骤102所涉及的第二生长阶段主要是指遥感数据参与模拟作物生长过程的阶段。具体来说，第二生长阶段内实验田内的玉米作物已经长出了茎叶等结构，因此通过可以在这一阶段内若干块实验田的遥感影像来获取玉米作物在实际情况中的叶面积指数。可以理解的是，遥感数据可以来自于卫星的采集，并在叶面积指数的反演过程中可以预先经过大气校正、几何校正、图像融合和空间匹配等处理，在此不再赘述。进而，利用现有技术中遥感数据同化(如EnKF遥感数据同化算法)的方式，可以对作物生长过程的模拟进行校正，以消除土壤速效养分含量不准确等方面因素对模拟的作物生长状态所带来的偏差。基于此，在时间足够长的校正后，可以认为第二生长阶段结束时的模拟的作物生长状态与实验田中该时间点处的实际的作物生长状态一致。
[0066] 最后，上述步骤103所涉及的第三生长阶段主要是指上述第二生长阶段之后遥感数据不再参与模拟作物生长过程的阶段。具体来说，第三生长阶段的开始时刻模拟的作物生长状态与实际的作物生长状态一致，也就是说模型中除了土壤速效养分含量这一参数之外的所有参数，以及作物的所有状态参数均可以认为与实际情况一致。因此，第三生长阶段结束时，模拟的作物生长状态与实际的作物生长状态之间的偏差，包括模拟得到的叶面积指数和实际的叶面积指数之间的偏差，可以认为完全是由土壤速效养分含量的不准确所造成的。
[0067] 基于此，根据叶面积指数的实际测定结果(可以由第三生长阶段结束时刻的遥感数据反演得到)与模拟结果之间的偏差，可以进行第一生长阶段的开始时刻的土壤速效养分含量的反演。
[0068] 作为一种具体的示例，上述步骤104可以具体包括附图中未示出的下述步骤：
[0069] 步骤104a：不断改变所述第一生长阶段开始时的土壤速效养分含量的设定值，直至作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数一致；
[0070] 步骤104b：根据所述土壤速效养分含量的设定值计算所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0071] 其中，步骤104a的过程可以通过查找数据表格来实现。具体来说，数据表格中可以记录不同应用场景下土壤速效养分含量的上述设定值(第一生长阶段的开始时刻的模型中的土壤速效养分含量)与第三生长阶段结束后的状态参数之间的对应关系(每一组数据作为一个表项，表项之间具有一定的数值间隔)，从而土壤速效养分含量的反演可以通过遍历该数据表格、查找到符合条件的表项来实现。可以理解的是，虽然数据表格的建立可能需要很大的计算量，但是在应用场景相同或相似的一些情况下数据表格可以具有一定的通用性，可以在多次使用时减小总体的计算量。
[0072] 作为另一种具体的示例，上述步骤104可以具体包括附图中未示出的下述步骤：
[0073] 步骤104c：按照对作物的状态参数的模拟方式，构建关于所述第一生长阶段开始时的土壤速效养分含量与所述第三生长阶段结束后的状态参数的方程或方程组；
[0074] 步骤104d：求解所述方程或方程组，以根据得到的所述土壤速效养分含量计算所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0075] 具体来说，上述步骤104c的方程或方程组的构建过程可以参照模拟作物生长过程的方式来进行。比如，WOFOST作物生长模型中包含有根据土壤速效养分含量得到叶面积指数的计算关系，从而基于该计算关系可以将叶面积指数作为已知量，而将土壤速效养分含量作为未知量构建上述方程或方程组，通过求解方程或方程组来反向地求得第一生长阶段开始时的土壤速效养分含量。可以看出，该方式对各种不同的应用场景均可以适用，并相比构建数据表格的方式具有更小的计算量。
[0076] 需要说明的是，本发明实施例中模拟的作物生长过程需要与实际的作物生长过程在时间上按照上述第一生长阶段、第二生长阶段和第三生长阶段相互匹配。而在实际操作中，有关实际的作物生长过程的数据可以预先准备好，而在计算过程中则可以按照以一定步长顺序迭代的方式按照上述步骤101至步骤104的顺序进行上述作物生长过程的模拟，也就是说这一计算过程所用到的数据需要具备时间上的先后对应关系，而步骤101至步骤104的进行(进行模拟计算的时间段)则不需要在时间上与上述第一至第三生长阶段(作物实际生长的时间段)对应。
[0077] 可以看出，本发明实施例基于作物模型，以模拟作物生长与遥感数据同化相结合的方式建立了土壤速效养分含量的反演算法，解决了现有技术难以利用遥感数据全面而精确地计算出土壤速效养分含量的问题。进一步地，与现有技术相比，本发明实施例具有以下有益效果：
[0078] 1.与传统基于土壤光谱特征的土壤速效养分遥感估算技术不同，本发明实施例设计的算法针对含量低而光谱特征不明显，但却对作物生长与产量形成有更大影响的速效养分，提出了利用作物模型基于遥感数据同化技术反向模拟土壤速效养分的方法，拓展了农田土壤速效养分遥感估算的思路。
[0079] 2.本发明实施例充分利用了遥感在空间监测方面的高时间分辨率、高空间分辨率、大范围、成本低等优点，并发挥作物模型生理生化基础强、原理描述详尽、结果稳定等优点，不仅克服了经验统计方法普适性和稳定性问题，还在很大程度上降低了算法对遥感数据质量和作物类型的依赖程度。
[0080] 3.作物模型对遥感数据光谱分辨率的低要求，有利于摆脱以往研究对高光谱数据的依赖，降低应用的技术门槛与成本。同时，本发明实施例所提出的方法可以对氮、磷、钾进行同时模拟，克服了传统方法只能模拟土壤单一养分含量的缺点，提高了模拟精度。
[0081] 另一方面，上述目标地区可以在空间上划分为若干个与遥感影像的像元相互对应的格网区域，从而在每一个格网区域内均可以独立地进行上述步骤101至步骤104的流程。基于此，在上述遥感数据同化的过程中，除了应用现有技术中的方法之外，还可以在模拟迭代过程中的第n步与第n+1步(n为大于等于1的正整数)之间依照下式进行处理：
[0082]
[0083] 其中，LAI(n+1)为格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数；LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；LAIRSMX(n)与LAIRSMN(n)分别为所有格网单元的LAIRS(n)中的最大值与最小值；a0为预设遥感数据影响系数(大于零的数值，一般可以取1～30)；LAIWFM(n)为所有格网单元的LAIWF(n)的平均值。
[0084] 举例来说，对于包括400个格网单元的目标地区，第n步中对于任一个格网单元都可以由相应的遥感数据反演得到一叶面积指数LAIRS(n)，所以根据这400个格网单元的LAIRS(n)可以计算得到平均值LAIRSM(n)、最大值LAIRSMX(n)和最小值LAIRSMN(n)。而且，基于第n步的叶面积指数的模拟结果LAI(n)，任一个格网单元都可以按照作物生长过程的模拟方式得到第n+1步遥感数据同化前的叶面积指数LAIWF(n)，并且根据这400个格网单元的LAIWF(n)可以计算得到平均值LAIWFM(n)。从而，对于任意一个特定的格网单元，可以依照上式以该格网单元的LAIRS(n)与LAIWF(n)计算出该格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数LAI(n+1)。需要说明的是，在实际应用中可以通过调整上述a0的大小来调整遥感数据在状态参数校正结果中所占的比重，从而可以适应不同的应用场景。
[0085] 不同于EnKF遥感数据同化方式，上述遥感数据同化方式可以在水分限制条件下模拟作物生长。在实际应用中，可以根据应用场景选取适当的遥感数据同化方式，以得到不同的土壤速效养分含量的反演算法；对于特定的土壤类型和作物种类，可以通过比较反演结果与实际测定结果的偏差，选取最适合的土壤速效养分含量的反演算法。
[0086] 在实际获取的遥感影像中，云点像元、由云层遮挡而产生的云阴影像元，以及存在高亮坏点的像元会干扰状态参数的反演，因此可以按照下式对其进行纠正：
[0087]
[0088] 其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAI'RS(n)为进行修正后的LAIRS(n)；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
[0089] 具体来说，可以根据遥感影像测试来标定云及云阴影的检测参数a1、b1，并按照上述检测条件将这些存在过多云点像元或云阴影像元的格网单元的叶面积指数反演结果修正为该格网单元的LAIWF(n)。类似地，可以根据遥感影像测试来标定高亮坏点的检测参数a2、b2，并按照上述检测条件将这些存在过多高亮坏点像元的格网单元的叶面积指数反演结果修正为该格网单元的LAIWF(n)与该格网单元的LAIRS(n)之间的平均值。
[0090] 作为一种土壤速效养分含量的反演结果的应用示例，图2是本发明一个实施例中一种土壤速效养分变换过程的步骤流程示意图。参见图2，在上述任意一种土壤速效养分的反演方法的基础上，可以还包括：
[0091] 步骤105：根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)；
[0092] 步骤106：按照下式计算从起始时刻t0到终止时刻t1的时间段内所述目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)：
[0093] I(t0,t1)＝F(t0,t1)*G(t0,t1)*K(t0,t1)*S(t0,t1)
[0094] 其中，F(t0,t1)为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含量流失百分比函数；K(t0,t1)为该时间段内由施肥量所引起的土壤速效养分的含量增加百分比函数；S(t0,t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变化百分比函数。
[0095] 具体地，由于步骤104得到的土壤速效养分含量随时间的变化刻画了作物在生长过程中带走土壤速效养分的过程，因此基于此可以构建目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)。在此基础之上，在将农田作为一个完整的系统，忽略人为干扰、动物微生物破坏等不确定性因素的前提下，可以按照上式计算得到目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)。根据该函数，就可以将步骤104得到的土壤速效养分含量作为基础进行时间上的变换，用以指导后续种植过程中的精确施肥。
[0096] 举例来说，在利用步骤101至步骤104反演得到了某一地点处一组2008年3月份(t0)的土壤速效养分含量数据后，可以按照上述步骤105得到该地点处的作物带走土壤速效养分的百分比含量的模拟函数G(t0,t1)。从而，利用上式可以计算得到2009年2月份(t1)新一轮的播种时该地点处的土壤速效养分含量。依此，可以根据计算结果和步骤101至步骤104的模拟过程推算最优的施肥时间、施肥量，从而以最低的成本和环境污染程度下达到最佳的施肥效果。
[0097] 基于同样的发明构思，图3是本发明一个实施例中一种土壤速效养分的反演装置的结构框图。参见图3，该装置包括：
[0098] 第一模拟单元31，用于基于预设作物模型，模拟作物在目标地区播种后的第一生长阶段内的状态参数；所述预设作物模型中除土壤速效养分含量之外的所有参数经过在所述目标地区处的实际标定；
[0099] 第二模拟单元32，用于基于作物在所述第一生长阶段结束后的状态参数的模拟结果，在目标地区处生长的实际作物于第二生长阶段内的遥感数据以遥感数据同化的方式进行的校正下，模拟作物在第二生长阶段内的状态参数；
[0100] 第三模拟单元33，用于基于作物在所述第二生长阶段结束后的状态参数的模拟结果，模拟作物在第三生长阶段内的状态参数；
[0101] 反演单元34，用于根据作物在所述第三生长阶段结束后的状态参数的模拟结果与实际作物在所述第三生长阶段结束后的状态参数之间的偏差，反演所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0102] 可以理解的是，第一模拟单元31、第二模拟单元32、第三模拟单元33和反演单元34都可以在适当的硬件架构下以适当的软件程序实现，并可以分别执行与上述步骤101至步骤104的流程，因而应具备相对应的结构功能，在此不再赘述。
[0103] 在此基础之上，上述目标地区可以在空间上划分为若干个与遥感影像的像元相互对应的格网区域，从而在每一个格网区域内均可以独立地由上述装置进行土壤速效养分含量的反演。基于此，在上述遥感数据同化的过程中，除了应用现有技术中的方法之外，还可以在模拟迭代过程中的第n步与第n+1步(n为大于等于1的正整数)之间依照下式进行处理：
[0104]
[0105] 其中，LAI(n+1)为格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数；LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；LAIRSMX(n)与LAIRSMN(n)分别为所有格网单元的LAIRS(n)中的最大值与最小值；a0为预设遥感数据影响系数(大于零的数值，一般可以取1～30)；LAIWFM(n)为所有格网单元的LAIWF(n)的平均值。
[0106] 举例来说，对于包括400个格网单元的目标地区，第n步中对于任一个格网单元都可以由相应的遥感数据反演得到一叶面积指数LAIRS(n)，所以根据这400个格网单元的LAIRS(n)可以计算得到平均值LAIRSM(n)、最大值LAIRSMX(n)和最小值LAIRSMN(n)。而且，基于第n步的叶面积指数的模拟结果LAI(n)，任一个格网单元都可以按照作物生长过程的模拟方式得到第n+1步遥感数据同化前的叶面积指数LAIWF(n)，并且根据这400个格网单元的LAIWF(n)可以计算得到平均值LAIWFM(n)。从而，对于任意一个特定的格网单元，可以依照上式以该格网单元的LAIRS(n)与LAIWF(n)计算出该格网单元在第n+1步中经过所述遥感数据同化后模拟得到的叶面积指数LAI(n+1)。需要说明的是，在实际应用中可以通过调整上述a0的大小来调整遥感数据在状态参数校正结果中所占的比重，从而可以适应不同的应用场景。
[0107] 不同于EnKF遥感数据同化方式，上述遥感数据同化方式可以在水分限制条件下模拟作物生长。在实际应用中，可以根据应用场景选取适当的遥感数据同化方式，以得到不同的土壤速效养分含量的反演算法；对于特定的土壤类型和作物种类，可以通过比较反演结果与实际测定结果的偏差，选取最适合的土壤速效养分含量的反演算法。
[0108] 在实际获取的遥感影像中，云点像元、由云层遮挡而产生的云阴影像元，以及存在高亮坏点的像元会干扰状态参数的反演，因此可以按照下式对其进行纠正：
[0109]
[0110] 其中，LAIWF(n)为格网单元在第n步模拟中的遥感数据同化前的叶面积指数；LAIRS(n)为由第n步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指数；LAI'RS(n)为进行修正后的LAIRS(n)；LAIRSM(n)为所有格网单元的LAIRS(n)的平均值；
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
a1、b1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预先通过遥感影像测试得到的高亮坏点像元的检测参数。
[0111] 具体来说，可以根据遥感影像测试来标定云及云阴影的检测参数a1、b1，并按照上述检测条件将这些存在过多云点像元或云阴影像元的格网单元的叶面积指数反演结果修正为该格网单元的LAIWF(n)。类似地，可以根据遥感影像测试来标定高亮坏点的检测参数a2、b2，并按照上述检测条件将这些存在过多高亮坏点像元的格网单元的叶面积指数反演结果修正为该格网单元的LAIWF(n)与该格网单元的LAIRS(n)之间的平均值。
[0112] 作为一种土壤速效养分含量的反演结果的应用示例，在上述任意一种土壤速效养分的反演装置的基础上，可以还包括附图中未示出的下述结构：
[0113] 构建单元，用于根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)；
[0114] 计算单元，用于按照下式计算从起始时刻t0到终止时刻t1的时间段内所述目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)：
[0115] I(t0,t1)＝F(t0,t1)*G(t0,t1)*K(t0,t1)*S(t0,t1)
[0116] 其中，F(t0,t1)为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含量流失百分比函数；K(t0,t1)为该时间段内由施肥量所引起的土壤速效养分的含量增加百分比函数；S(t0,t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变化百分比函数。
[0117] 具体地，由于反演单元34得到的土壤速效养分含量随时间的变化刻画了作物在生长过程中带走土壤速效养分的过程，因此基于此可以构建目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t0与终止时刻t1的模拟函数G(t0,t1)。在此基础之上，在将农田作为一个完整的系统，忽略人为干扰、动物微生物破坏等不确定性因素的前提下，可以按照上式计算得到目标地区处的土壤速效养分的含量变化百分比函数I(t0,t1)。根据该函数，就可以将反演单元34得到的土壤速效养分含量作为基础进行时间上的变换，用以指导后续种植过程中的精确施肥。
[0118] 举例来说，在利用上述第一模拟单元31、第二模拟单元32、第三模拟单元33和反演单元34反演得到了某一地点处一组2008年3月份(t0)的土壤速效养分含量数据后，可以由上述构建单元得到该地点处的作物带走土壤速效养分的百分比含量的模拟函数G(t0,t1)。从而，利用上式可以计算得到2009年2月份(t1)新一轮的播种时该地点处的土壤速效养分含量。依此，可以根据计算结果和第一模拟单元31、第二模拟单元32和第三模拟单元33的模拟过程推算最优的施肥时间、施肥量，从而以最低的成本和环境污染程度下达到最佳的施肥效果。
[0120] 类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0121] 本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在于该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是互相排斥之处，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0122] 此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0123] 本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种土壤速效养分反演的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0124] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0125] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 多功能土壤分析系统 | 2020-05-11 | 769 |
| 一种土壤粗糙度的测量方法 | 2020-05-13 | 218 |
| 一种培肥型土壤调理剂及其制备方法 | 2020-05-13 | 257 |
| 土壤环境生物修复肥料 | 2020-05-12 | 130 |
| 修复汞污染土壤的方法 | 2020-05-11 | 945 |
| 一种猕猴桃种植园土壤修复用土壤肥料混合设备 | 2020-05-12 | 161 |
| 一种冷浸田土壤改良剂 | 2020-05-12 | 182 |
| 土壤淋溶原位检测方法 | 2020-05-11 | 765 |
| 土壤修复系统 | 2020-05-12 | 770 |
| 简易土壤渗透仪 | 2020-05-12 | 236 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈