考虑环境影响的农业平衡施肥智能决策方法及装置与流程

1.本技术属于绿色农业技术领域，尤其是涉及一种考虑环境影响的农业平衡施肥智能决策方法及装置。


背景技术：

2.变量施肥技术是精准农业的核心内容之一，它借助信息技术并根据作物及其生长环境的空间和时间变异，实施定位、定时、定量的施肥处方农作。其目的是减少肥料投入达到同等收益，改善农田生态环境、提高肥料利用率，取得最佳的环境和经济效益。
3.变量施肥技术关键是对施肥量经济性的评估，也即施肥多少是最经济的，能够带来产出和施肥量的平衡。目前，尚缺少从多个方面考虑农业施肥量的所带来经济性的评估方法。


技术实现要素：

4.本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种考虑环境影响的农业平衡施肥智能决策方法及装置。
5.本发明解决其技术问题所采用的技术方案是：
6.一种考虑环境影响的农业平衡施肥智能决策方法，
7.包括以下步骤：
8.s1：获取耕种前待种植作物的区域的土壤肥料初始含量z0，获取当前肥料价格p，获取不施肥的作物产量yk以及施肥的作物产量yp，获取作物收割后土壤剩余肥料含量z，获取不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp，以耕种时使用的肥料量h为自变量，h≥0；
9.s2：计算施肥的作物吸收总量xp，施肥的作物吸收总量xp＝作物产量yp
×
施肥的单位作物肥料吸收含量sp；
10.计算不施肥的作物吸收总量xk，不施肥的作物吸收总量xk＝作物产量yk
×
不施肥的单位作物肥料吸收含量sk；
11.计算肥料损失量，肥料损失量s＝
×
施肥的作物吸收总量xp/区域面积；肥料利用率i％＝/耕种时使用的肥料量h
×
100％；
12.s3：计算与肥料量h成函数关系的投产比d曲线，s3：计算与肥料量h成函数关系的投产比d曲线，其中，p表示肥料的价格，py代表作物产品价格；
13.s4：求解投产比d曲线的最小值，获取此时的肥料量h的值作为最优施肥量。
14.优选地，本发明的考虑环境影响的农业平衡施肥智能决策方法，所述肥料为氮肥、磷肥和钾肥；
15.计算过程中分别获取三种肥料的肥料量h，作物收割后土壤剩余肥料含量z，不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；分别计算三种肥料的肥料损失；
16.在计算投产比d时，需要将三种肥料累加到s3所述的公式中。
17.优选地，本发明的考虑环境影响的农业平衡施肥智能决策方法，施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk的获取方法为：
18.将收割后的作物的植株风干，使用统计学手段，随机抽取部分作物作为样品，测量作物中肥料元素的含量，之后根据样本占比估算出施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk。
19.优选地，本发明的考虑环境影响的农业平衡施肥智能决策方法，风干的植株包括作物种子、茎叶、根部，将风干的植株粉碎后进行肥料元素含量的测定。
20.优选地，本发明的考虑环境影响的农业平衡施肥智能决策方法，使用卷积神经网络模型来对风干后的茎叶肥料元素含量、籽粒肥料元素含量进行测量；
21.方法包括以下步骤：
22.a1：卷积神经网络模型装置训练过程：将风干到特定含水量的茎叶和籽粒的照片及对应的茎叶肥料元素含量、籽粒肥料元素含量作物训练集训练卷积神经网络模型装置，得到卷积神经网络模型装置；构建训练集时，按照正态分布，以茎叶或者籽粒的质量为依据划分若干区间，选择相应的数量样本来构建训练集，作为训练集的茎叶或者籽粒为完整照片，通过处理将照片中非茎叶或者籽粒的部分调节为透明；
23.a2：元素含量识别过程，以新的未知茎叶肥料元素含量、籽粒肥料元素含量的风干到特定含水量的茎叶和籽粒的照片作为输入，将卷积神经网络模型的输出作为茎叶肥料元素含量、籽粒肥料元素含量；
24.识别过程中，同样选取茎叶或者籽粒的质量符合正态分布的茎叶和籽粒作为样本，将每个识别的茎叶或籽粒中肥料元素含量求和后再除以相应的重量百分比得到试验小区的肥料元素含量。
25.6.一种考虑环境影响的农业平衡施肥智能决策装置，包括：
26.数据获取模块：用于获取耕种前待种植作物的区域的土壤肥料初始含量z0，获取当前肥料价格p，获取耕种时使用的肥料量h，获取不施肥的作物产量yk以及施肥的作物产量yp，获取作物收割后土壤剩余肥料含量z，获取不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；
27.数据处理模块：用于计算施肥的作物吸收总量xp，施肥的作物吸收总量xp＝作物产量yp
×
施肥的单位作物肥料吸收含量sp；计算不施肥的作物吸收总量xk，不施肥的作物吸收总量xk＝作物产量yk
×
不施肥的单位作物肥料吸收含量sk；计算肥料损失量，肥料损失量s＝
×
施肥的作物吸收总量xp/区域面积；肥料利用率i％＝/耕种时使用的肥料量h
×
100％；
28.经济性评价模块：用于计算投产比d，
29.其中，p表示肥料的价格，py代表作物产品价格；
30.最优评估模块：用于求解投产比d曲线的最小值，获取此时的肥料量h的值作为最优施肥量。
31.优选地，本发明的考虑环境影响的农业平衡施肥智能决策装置，所述肥料为氮肥、
磷肥和钾肥；
32.数据处理模块和经济性评价模块的计算过程中分别获取三种肥料的肥料量h，作物收割后土壤剩余肥料含量z，不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；分别计算三种肥料的肥料损失；
33.在计算投产比d时，需要将三种肥料累加到s3所述的公式中。
34.优选地，本发明的考虑环境影响的农业平衡施肥智能决策装置，施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk的获取方法为：
35.将收割后的作物的植株风干，使用统计学手段，随机抽取部分作物作为样品，测量作物中肥料元素的含量，之后根据样本占比估算出施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk。
36.优选地，本发明的考虑环境影响的农业平衡施肥智能决策装置，风干的植株包括作物种子、茎叶、根部，将风干的植株粉碎后进行肥料元素含量的测定。
37.本发明还提供一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如上述的考虑环境影响的农业平衡施肥智能决策方法。
38.本发明的有益效果是：
39.本技术的考虑环境影响的农业平衡施肥智能决策方法和装置，最终计算的投产比d，是施肥新增纯收益与施肥成本之比。本实施例中比较了在施肥情况下和不施肥情况下的收益性，综合考虑到区域内残留肥料的经济价值，和肥料损失带来的环境影响价值。投产比越小表明经济度越高，通过计算不同区域(地块)的投产比，可以方便评选出最优的施肥方案。
附图说明
40.下面结合附图和实施例对本技术的技术方案进一步说明。
41.图1是本技术实施例的考虑环境影响的农业平衡施肥智能决策方法的流程图；
42.图2是本技术实施例的卷积神经网络模型装置的结构图。
具体实施方式
43.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
44.下面将参考附图并结合实施例来详细说明本技术的技术方案。
45.实施例1
46.本实施例提供一种考虑环境影响的农业平衡施肥智能决策方法，如图1所示，包括以下步骤：
47.s1：获取耕种前待种植作物的区域的土壤肥料初始含量z0，获取当前肥料价格p，获取耕种时使用的肥料量h，获取不施肥的作物产量yk以及施肥的作物产量yp，获取作物收割后土壤剩余肥料含量z，获取不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；
48.s2：计算施肥的作物吸收总量xp，施肥的作物吸收总量xp＝作物产量yp
×
施肥的
单位作物肥料吸收含量sp；
49.计算不施肥的作物吸收总量xk，不施肥的作物吸收总量xk＝作物产量yk
×
不施肥的单位作物肥料吸收含量sk；
50.计算肥料损失量，肥料损失量s＝(1-i％)
×
施肥的作物吸收总量xp/区域面积；肥料利用率i％＝(施肥的作物吸收总量xp-不施肥的作物吸收总量xk-收割后土壤剩余肥料含量zi)/耕种时使用的肥料量h
×
100％；
51.s3：计算投产比d，其中，p表示肥料的价格，py代表作物产品价格。
52.本实施例的考虑环境影响的农业平衡施肥智能决策方法，最终计算的投产比d，是施肥新增纯收益与施肥成本之比。本实施例中比较了在施肥情况下和不施肥情况下的收益性，综合考虑到区域内残留肥料的经济价值，和肥料损失带来的环境影响价值。投产比越小表明经济度越高，通过计算不同区域(地块)的投产比，可以方便评选出最优的施肥方案。
53.优选地，本发明的考虑环境影响的农业平衡施肥智能决策方法，所述肥料为氮肥、磷肥和钾肥；
54.计算过程中分别获取三种肥料的肥料量h，作物收割后土壤剩余肥料含量z，不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；分别计算三种肥料的肥料损失；
55.在计算投产比d时，需要将三种肥料累加到s3所述的公式中。
56.i＝1可以表示氮肥、2表示可以磷肥和3表示可以钾肥。当然，如果也可以进行其它肥料元素的评价。
57.步骤s2中：施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk的获取方法为：
58.将收割后的作物的植株风干，使用统计学手段，随机抽取部分作物作为样品，测量作物中肥料元素的含量，之后根据样本占比估算出施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk。
59.风干的植株包括作物种子、茎叶、根部，将风干的植株粉碎后进行肥料元素含量的测定。
60.以水稻为例，产量及肥料元素含量测定方法如下：
61.取样：随机取1m长的样段3个：将整个作物进行风干后，称量茎叶风干重、穗风干重，穗脱粒后，称量风干籽粒，称籽粒风干重(g)，由于水稻根部在收割时仍在地种，因此此处不计算根部的肥料元素含量。
62.测量风干后的茎叶肥料元素含量、籽粒肥料元素含量(稻皮肥料元素含量+米粒肥料元素含量)。茎叶肥料元素含量、籽粒肥料元素含量(稻皮肥料元素含量+米粒肥料元素含量)的测量使用国家标准测量得到。
63.还可以使用卷积神经网络模型来对茎叶肥料元素含量、籽粒肥料元素含量进行测量；
64.具体方法为：
65.a1：卷积神经网络模型装置训练过程：将风干到特定含水量后的茎叶和籽粒的照片及对应的茎叶肥料元素含量、籽粒肥料元素含量作物训练集训练卷积神经网络模型装置，得到卷积神经网络模型装置；构建训练集时，按照正态分布，以茎叶或者籽粒的质量为依据划分若干区间，选择相应的数量样本来构建训练集(也即在整个试验小区中靠近平均值的样本数量最多，离平均值越远的样本数量越少；)，作为训练集的茎叶或者籽粒为完整照片，通过处理将照片中非茎叶或者籽粒的部分调节为透明；
66.a2：元素含量识别过程，以新的未知茎叶肥料元素含量、籽粒肥料元素含量的风干到特定含水量的茎叶和籽粒的照片作为输入，将卷积神经网络模型的输出作为茎叶肥料元素含量、籽粒肥料元素含量；
67.识别过程中，同样选取茎叶或者籽粒的质量符合正态分布的茎叶和籽粒作为样本，将每个识别的茎叶或籽粒中肥料元素含量求和后再除以相应的重量百分比得到试验小区的肥料元素含量。由于训练时和识别时的含水量相当，因此，可以将水对识别结果的影响忽略不计。
68.需要指出的是，茎叶肥料元素含量、籽粒肥料元素含量的识别卷积神经网络模型应当分别构建。
69.训练集的照片大小与作为识别规程的风干的茎叶和籽粒的照片大小相同，且照片的像素与实际物品的比例相同(比如10像素对应物品1cm)。
70.根据统计学原理，按照取样比例，计算得到整个试验小区的籽粒产量(即作物产量)，计算得到整个试验小区的茎叶肥料元素含量、籽粒肥料元素含量。根据元素在肥料中的占比，计算出被作物使用的肥料的量。同时以质量的正态分布为标准构建训练集和识别样本，能够提高识别的准确性。
71.训练时的数据量越大越好，应当至少不少于1万条。
72.卷积神经网络模型装置的基本原理为：图像输入
→
计算特征
→
输出类别。
73.具体包括：
74.输入层；
75.特征提取层，每层均包括一卷积层和一池化层，如layer1-layer7共7层；(卷积层的卷积核大小逐渐减小，池化层的步长和核大小相同)
76.第一全连接层；
77.第二全连接层；
78.输出层。
79.训练算法使用常见算法即可，如随机梯度下降算法、adam算法、rmsprop算法、adagrad算法等。
80.卷积神经网络模型装置由输入层、若干特征提取层、全连接层、输出层组成，各层的参数，如池化窗大小，步长大小，卷积核大小，节点数量等参数均根据训练集的照片大小相关，不是本实施例的发明点，这里不赘述。
81.茎叶肥料元素含量+籽粒肥料元素含量作为整个试验小区的作物吸收总量(根据来源区域不同，分为施肥的作物吸收总量和不施肥的作物吸收总量)。
82.实施例2
83.本实施例提供一种考虑环境影响的农业平衡施肥智能决策装置，包括：
84.数据获取模块：用于获取耕种前待种植作物的区域的土壤肥料初始含量z0，获取当前肥料价格p，获取耕种时使用的肥料量h，获取不施肥的作物产量yk以及施肥的作物产量yp，获取作物收割后土壤剩余肥料含量z，获取不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；
85.数据处理模块：用于计算施肥的作物吸收总量xp，施肥的作物吸收总量xp＝作物产量yp
×
施肥的单位作物肥料吸收含量sp；计算不施肥的作物吸收总量xk，不施肥的作物吸收总量xk＝作物产量yk
×
不施肥的单位作物肥料吸收含量sk；计算肥料损失量，肥料损失量s＝(1-i％)
×
施肥的作物吸收总量xp/区域面积；肥料利用率i％＝(施肥的作物吸收总量xp-不施肥的作物吸收总量xk-收割后土壤剩余肥料含量zi)/耕种时使用的肥料量h
×
100％；
86.经济性评价模块：用于计算投产比d，
87.其中，p表示肥料的价格，py代表作物产品价格。
88.优选地，本发明的考虑环境影响的农业平衡施肥智能决策装置，所述肥料为氮肥、磷肥和钾肥；
89.数据处理模块和经济性评价模块的计算过程中分别获取三种肥料的肥料量h，作物收割后土壤剩余肥料含量z，不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；分别计算三种肥料的肥料损失；
90.在计算投产比d时，需要将三种肥料累加到s3所述的公式中。
91.优选地，本发明的考虑环境影响的农业平衡施肥智能决策装置，施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk的获取方法为：
92.将收割后的作物的植株风干，使用统计学手段，随机抽取部分作物作为样品，测量作物中肥料元素的含量，之后根据样本占比估算出施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk。
93.优选地，本发明的考虑环境影响的农业平衡施肥智能决策装置，风干的植株包括作物种子、茎叶、根部，将风干的植株粉碎后进行肥料元素含量的测定。
94.实施例3
95.本实施例提供一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如实施例1的考虑环境影响的农业平衡施肥智能决策方法。
96.以上述依据本技术的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
97.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
98.本技术是参照根据本技术实施例的方法、设备(系统)、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。
99.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。
100.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。

技术特征：
1.一种考虑环境影响的农业平衡施肥智能决策方法，其特征在于，包括以下步骤：s1：获取耕种前待种植作物的区域的土壤肥料初始含量z0，获取当前肥料价格p，获取不施肥的作物产量yk以及施肥的作物产量yp，获取作物收割后土壤剩余肥料含量z，获取不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp，以耕种时使用的肥料量h为自变量，h≥0；s2：计算施肥的作物吸收总量xp，施肥的作物吸收总量xp＝作物产量yp
×
施肥的单位作物肥料吸收含量sp；计算不施肥的作物吸收总量xk，不施肥的作物吸收总量xk＝作物产量yk
×
不施肥的单位作物肥料吸收含量sk；计算肥料损失量，肥料损失量s＝(1-i％)
×
施肥的作物吸收总量xp/区域面积；肥料利用率i％＝(施肥的作物吸收总量xp-不施肥的作物吸收总量xk-收割后土壤剩余肥料含量zi)/耕种时使用的肥料量h
×
100％；s3：计算与肥料量h成函数关系的投产比d曲线，s3：计算与肥料量h成函数关系的投产比d曲线，其中，p表示肥料的价格，py代表作物产品价格；s4：求解投产比d曲线的最小值，获取此时的肥料量h的值作为最优施肥量。2.根据权利要求1所述的考虑环境影响的农业平衡施肥智能决策方法，其特征在于，所述肥料为氮肥、磷肥和钾肥；计算过程中分别获取三种肥料的肥料量h，作物收割后土壤剩余肥料含量z，不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；分别计算三种肥料的肥料损失；在计算投产比d时，需要将三种肥料累加到s3所述的公式中。3.根据权利要求1或2所述的考虑环境影响的农业平衡施肥智能决策方法，其特征在于，施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk的获取方法为：将收割后的作物的植株风干，使用统计学手段，随机抽取部分作物作为样品，测量作物中肥料元素的含量，之后根据样本占比估算出施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk。4.根据权利要求1-3任一项所述的考虑环境影响的农业平衡施肥智能决策方法，其特征在于，风干的植株包括作物种子、茎叶、根部，将风干的植株粉碎后进行肥料元素含量的测定。5.根据权利要求4所述的考虑环境影响的农业平衡施肥智能决策方法，使用卷积神经网络模型来对风干后的茎叶肥料元素含量、籽粒肥料元素含量进行测量；方法包括以下步骤：a1：卷积神经网络模型装置训练过程：将风干到特定含水量的茎叶和籽粒的照片及对应的茎叶肥料元素含量、籽粒肥料元素含量作物训练集训练卷积神经网络模型装置，得到卷积神经网络模型装置；构建训练集时，按照正态分布，以茎叶或者籽粒的质量为依据划分若干区间，选择相应的数量样本来构建训练集，作为训练集的茎叶或者籽粒为完整照片，通过处理将照片中非茎叶或者籽粒的部分调节为透明；
a2：元素含量识别过程，以新的未知茎叶肥料元素含量、籽粒肥料元素含量的风干到特定含水量的茎叶和籽粒的照片作为输入，将卷积神经网络模型的输出作为茎叶肥料元素含量、籽粒肥料元素含量；识别过程中，同样选取茎叶或者籽粒的质量符合正态分布的茎叶和籽粒作为样本，将每个识别的茎叶或籽粒中肥料元素含量求和后再除以相应的重量百分比得到试验小区的肥料元素含量。6.一种考虑环境影响的农业平衡施肥智能决策装置，其特征在于，包括：数据获取模块：用于获取耕种前待种植作物的区域的土壤肥料初始含量z0，获取当前肥料价格p，获取耕种时使用的肥料量h，获取不施肥的作物产量yk以及施肥的作物产量yp，获取作物收割后土壤剩余肥料含量z，获取不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；数据处理模块：用于计算施肥的作物吸收总量xp，施肥的作物吸收总量xp＝作物产量yp
×
施肥的单位作物肥料吸收含量sp；计算不施肥的作物吸收总量xk，不施肥的作物吸收总量xk＝作物产量yk
×
不施肥的单位作物肥料吸收含量sk；计算肥料损失量，肥料损失量s＝(1-i％)
×
施肥的作物吸收总量xp/区域面积；肥料利用率i％＝(施肥的作物吸收总量xp-不施肥的作物吸收总量xk-收割后土壤剩余肥料含量zi)/耕种时使用的肥料量h
×
100％；经济性评价模块：用于计算投产比d，其中，p表示肥料的价格，py代表作物产品价格；最优评估模块：用于求解投产比d曲线的最小值，获取此时的肥料量h的值作为最优施肥量。7.根据权利要求6所述的考虑环境影响的农业平衡施肥智能决策装置，其特征在于，所述肥料为氮肥、磷肥和钾肥；数据处理模块和经济性评价模块的计算过程中分别获取三种肥料的肥料量h，作物收割后土壤剩余肥料含量z，不施肥的单位作物肥料吸收含量sk以及施肥的单位作物肥料吸收含量sp；分别计算三种肥料的肥料损失；在计算投产比d时，需要将三种肥料累加到s3所述的公式中。8.根据权利要求6或7所述的考虑环境影响的农业平衡施肥智能决策装置，其特征在于，施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk的获取方法为：将收割后的作物的植株风干，使用统计学手段，随机抽取部分作物作为样品，测量作物中肥料元素的含量，之后根据样本占比估算出施肥的单位作物肥料吸收含量sp和不施肥的单位作物肥料吸收含量sk。9.根据权利要求6-8任一项所述的考虑环境影响的农业平衡施肥智能决策装置，其特征在于，风干的植株包括作物种子、茎叶、根部，将风干的植株粉碎后进行肥料元素含量的测定。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如权利要求1-5任一项所述的方法。

技术总结
本申请涉及一种考虑环境影响的农业平衡施肥智能决策方法和装置，最终计算的投产比D，是施肥新增纯收益与施肥成本之比。本申请中比较了在施肥情况下和不施肥情况下的收益性，综合考虑到区域内残留肥料的经济价值，和肥料损失带来的环境影响价值。投产比越小表明经济度越高，通过计算不同区域/地块的投产比，可以方便评选出最优的施肥方案。便评选出最优的施肥方案。便评选出最优的施肥方案。


技术研发人员：钱建平 史云 张保辉 褚煜琴
受保护的技术使用者：苏州云视图信息科技有限公司
技术研发日：2021.11.24
技术公布日：2022/3/7