导读:本文包含了农田土壤信息论文开题报告文献综述及选题提纲参考文献，主要关键词:STM32,温湿度,上位机
农田土壤信息论文文献综述
钟泽宇[1]（2016）在《基于STM32的农田土壤信息采集系统》一文中研究指出系统以STM32单片机作为控制器的核心部件,采用数字温湿度传感器SHT11进行农田土壤的实时温湿度采集,采用GPS模块采集农田的经纬度信息,并通过GPRS模块与PC机进行通信,在PC端上位机中存储并实时显示采集信息。该系统具有实用性强、稳定可靠的优点。(本文来源于《农业与技术》期刊2016年14期）
刘秀英[2]（2016）在《玉米生理参数及农田土壤信息高光谱监测模型研究》一文中研究指出精准农业是一种高新技术与农业生产相结合的产业,是可持续农业发展的重要途径。高精度、及时的获取农作物长势和生态环境信息是精准农业实施的前提和基础,也是现代农业发展的关键技术之一。高光谱遥感具有波段多、间隔窄的特点,能构成独特的多维光谱空间,直接捕获地物的微弱光谱差异信息。高光谱为遥感信息的定量应用开辟了新的领域,也为农田信息获取带来了巨大的前景,并逐渐成为新兴精准农业最重要的技术手段之一。因此,应用高光谱遥感建立生理参数及农田土壤信息监测模型,可增强对作物生理参数及农田土壤信息的监测能力,提高作物生长及农田土壤信息监测的精度和准确性。本研究以田间试验的玉米为研究对象,结合地面高光谱遥感技术与生理参数分析技术,系统分析玉米不同生理参数及农田土壤信息的高光谱特征,在相关分析的基础上,提取特征波段、植被指数、高光谱特征参数、特征指数,应用简单统计回归(SSR)、偏最小二乘回归(PLSR)和人工神经网络(ANN)方法,建立玉米生理参数及农田土壤信息的高光谱监测模型,为动态监测玉米生长状况及科学的田间施肥管理提供理论依据和技术支持。主要研究结果如下:(1)随着玉米叶片花青素含量增加,550 nm处吸收峰增大,SVC和SOC光谱与玉米叶片花青素含量最大相关波段分别为548 nm和540.73 nm。以SVC和SOC光谱构建的两波段归一化指数和比值指数与叶片花青素含量相关性最高;基于SVC光谱特征指数建立的ANN模型,训练和验证R2分别为0.776和0.759,验证RMSE为0.111,RPD值为2.041,预测精度较高、模型比较稳定,能有效监测玉米叶片花青素含量;基于SOC光谱特征指数建立的ANN模型是玉米叶片花青素含量监测的最优模型,训练和验证R2分别为0.875和0.851,验证RMSE为0.087,RPD值为2.604。SOC光谱参数建立的模型拟合及验证精度整体高于SVC光谱参数建立的模型,特征指数建立的模型优于植被指数建立的模型;特征指数结合ANN方法是建立玉米叶片花青素含量监测模型的最优方法。(2)玉米不同生育期SPAD值的敏感波段有差异。植被指数D2、GNDVI、MSAVI、NDVI、OSAVI、OSAVI2、TCARI2/OSAVI2、TCARI2、TCARI和高光谱特征参数SDr/SDb、Sg、Ro均与玉米4个生育期叶片的SPAD值极显着相关,通用性较好。基于6-8叶期、10-12叶期的高光谱特征参数,开花吐丝期的植被指数,灌浆期、乳熟期的原始光谱建立的ANN模型训练及验证精度均较高,模型较稳定,是各个生育期玉米叶片SPAD值监测的最优模型。训练R2分别为0.845、0.880、0.806、0.763、0.785,经独立样本验证,R2分别为0.820、0.919、0.822、0.814、0.760,RMSE分别为0.677、0.454、0.746、0.818、0.774,RPD值分别为2.358、3.455、2.374、2.319、2.078。10-12叶期,以3种方法建立的模型均能对玉米叶片SPAD值进行有效监测。(3)不同生育期玉米光谱与生物量的相关性差异较大,植被指数GI、GNDVI、MSAVI、MTCI、NDVI、NDVI3、OSAVI、SR、OSAVI2、TCARI2、TCARI2/OSAVI2、MCARI2、DDn、SPVI、TVI、RTVI均在2个生育期与玉米生物量极显着相关;高光谱特征参数Rg、SRg、SDg在3个生育期与玉米生物量极显着相关,通用性较好。6-8叶期以原始光谱、10-12叶期以植被指数、开花吐丝期以一阶微分光谱建立的ANN模型,训练R2分别为0.908、0.938、0.800,验证R2分别为0.918、0.939、0.762,RMSE分别为0.086 kg·m-2、0.123 kg·m-2、0.400 kg·m-2,RPD值分别为3.507、4.051、2.051,训练和验证结果均较好,是监测各生育期玉米生物量的最优模型。6-8叶期和10-12叶期的监测模型精度高于开花吐丝期;乳熟期建立的模型不能进行生物量有效监测。(4)850-1790 nm和1960-2400 nm范围,随着玉米植株含水量增加波段深度增大,不同生育期玉米植株含水量与光谱的相关性差异较大;FD730-1330和新建光谱指数FDD(725,925)、FDD(725,1140)、FDD(725,1330)与玉米不同生育期植株含水量相关性较好,通用性较强。6-8叶期、10-12叶期、开花吐丝期,基于一阶微分光谱建立的ANN模型,经独立样本验证,预测值与实测值之间的R2分别为0.858、0.877、0.804,RMSE为0.359%、0.479%、0.819%,RPD值为2.654、2.850、2.261,模型的预测精度较高,稳定性较好,是进行各生育期玉米植株含水量监测的最优模型。灌浆期和乳熟期建立的模型预测效果不理想,有待进一步研究。(5)随土壤含水量增加光谱反射率下降,1400、1900 nm附近的水分吸收谷朝长波方向偏移。与土壤含水量相关性最大的光谱位于570、1430、1950 nm,相关性最大的吸收特征参数是最大吸收深度(D)、吸收总面积(A)、吸收峰右面积(RA)、吸收峰左面积(LA)。基于C1950、D1900、RA1900建立的一元线性模型和A1900、A1400建立的对数模型是预测土壤含水量的最优模型,拟合R2位于0.927-0.943之间,验证R2位于0.936-0.96之间,RMSE位于1.299-1.773%之间,RPD值位于3.538-4.885之间。(6)不同全氮含量的土壤光谱差异较大;碱解氮含量增大到一定值时,反射率之间的差异变小;与土壤氮含量相关性最好的两波段光谱指数是差值指数。以PLSR和ANN方法建立的全氮含量监测模型预测效果较好。其中,基于一阶微分光谱建立的ANN模型,训练和验证R2分别为0.886和0.880,RMSE为0.0077%和0.0086%,RPD值为2.971和2.846,训练和验证结果较好,模型最稳定,是监测土壤全氮含量的最优模型。基于CB+CS+CI建立的ANN模型,训练R2为0.757,验证R2为0.758,验证RMSE为2.1262 mg·kg-1,RPD值为2.033,是监测土壤碱解氮含量的最优模型。(7)光谱反射率随土壤磷含量增加而减小,当土壤磷含量增大到一定值时,土壤光谱反射率之间的差异变小。基于归一化微分、CB+CS和CB+CS+CI建立的ANN模型,可以对土壤有效磷含量进行准确预测,其中,CB+CS+CI建立的ANN模型预测效果最好,训练和验证R2分别为0.806和0.811,验证RMSE为2.691 mg·kg-1,RPD值为2.216;PLSR和ANN方法建立的模型精度较低,不能进行土壤全磷含量的有效监测。(8)土壤全钾含量较高时,对土壤光谱反射率影响较大;土壤速效钾含量对土壤光谱影响较小,变化规律不明显。以PLSR和ANN方法建立的模型精度均较高,能对土壤全钾含量进行准确预测。其中,基于波段深度微分建立的ANN模型是监测土壤全钾含量的最优模型,训练和验证R2分别为0.967和0.971,验证RMSE分别为0.033%和0.030%,RPD值分别为5.416和5.957。基于归一化微分光谱建立的ANN模型的训练和验证R2大于0.83,验证RMSE为14.457 mg·kg-1,RPD值为2.591,是土壤速效钾含量预测的最优模型。土壤全钾含量的预测精度高于速效钾含量,微分变换可以提高模型的预测精度。(本文来源于《西北农林科技大学》期刊2016-06-01）
薛飞[3]（2014）在《农田土壤信息智能化采集系统的研究》一文中研究指出精准农业是当今世界农业发展的新潮流,其宗旨在于以最少、最节省的投入达到同等乃至更高的收入,同时改善生态环境,科学地、高效地利用各项农业资源,取得经济与环境的双重效益。我国作为一个农业大国,自然灾害频繁,农业生产的自然条件十分复杂,因此精准农业技术对我国农业生产来说尤为重要。农田土壤信息采集是实践精准农业的重要基础,精准的、智能化的农田土壤信息采集是精准农业技术发展的重要目标之一。为了更好的推进农田土壤信息采集技术,本文结合多种技术,设计了一套完整的农田土壤信息智能化采集系统。该系统实现了农田土壤信息的智能化采集、无线网络发送、数据快速接收与解析入库、数据实时发布、地图可视化管理。为了更好的满足人们对简便操作的需求,系统的采集终端采用了非常友好的人机交互界面。本文研究的主要内容如下：(1)分析了国内外农田土壤信息采集领域的研究现状,在此基础上提出一种农田土壤信息智能化采集系统方案。(2)设计一种农田土壤信息智能化采集终端,其中包含硬件设计与软件设计。A.硬件设计：STM32处理器外围电路、电源电路、外部SRAM电路、传感器电路、GPS模块、无线通信模块、带触摸屏的LCD接口电路的设计。B.软件设计：嵌入式实时操作系统μC/OS-Ⅱ的内核分析及其在STM32上的移植；图形用户界面开发软件μC/OS-Ⅱ在STM32上的移植；各个模块在STM32环境下相应的驱动程序的编写；μC/OS-Ⅱ的任务设计。(3)上位机农田土壤信息管理平台开发。首先通过Lab VIEW接收与解析农田土壤信息；其次采用LABSQL将解析后的农田土壤信息存入到MySQL数据库中；最后利用开源的Web应用框架Ruby on Rails在Ubuntu系统中进行Web应用程序开发,实现农田土壤信息的网页查询、修改、增加、删除等操作,并将农田土壤信息嵌入到谷歌地图中。(4)系统整体性能测试。对系统的信息采集终端与信息管理平台进行测试,确保整个系统能够稳定的运行。(本文来源于《南京信息工程大学》期刊2014-05-01）
武佳,李民赞,邓小蕾,郑立华,安晓飞[4]（2013）在《农田土壤信息无线传感装置的设计与开发》一文中研究指出为了方便快速的获取农田土壤参数信息,基于Zigbee无线通信技术设计并开发了一套农田土壤信息无线传感装置。该装置由手持PDA终端和传感器采集节点组成。传感器节点用于采集农田现场土壤参数信息,手持式PDA内置GPRS、GPS和ZigBee接收模块,可以方便快速地实现农田位置信息采集、GPRS无线传输等功能。试验结果表明:农田土壤信息无线传感装置系统各部分工作性能良好,数据测量传输准确,达到了预期的设计要求。(本文来源于《沈阳农业大学学报》期刊2013年03期）
张酉军[5]（2009）在《农田土壤信息无线传感器网络与数据融合算法研究》一文中研究指出无线传感器网络(Wireless Sensor Networks, WSN)是近年来迅速发展和倍受重视的新型网络技术,由于其实用性、可扩展性,在学术界和工农业领域都受到高度关注。本文选题源于课题组承担的国家科技部“863”项目――车载农田土壤信息快速采集关键技术与产品研发。论文主要研究内容如下:硬件部分:对无线传感器网络硬件平台进行初步设计和调试,包括传感器节点的处理模块、存储模块、无线传输模块及汇聚节点串行接口模块。软件部分:开发了无线通信模块的驱动程序;并针对无线传感器网络无线通信协议的设计要求和农田的环境特点,设计了一套适用农田土壤信息采集的无线通信路由协议:利用LEACH算法对农田土壤信息采集的大量传感器节点进行分簇,簇头节点沿最优路径(最小跳数路由)向汇聚节点逐步转发融合结果。数据融合:在无线通信协议基础上,进一步将分簇层次结构与神经网络的层次结构相结合,设计了一种基于分簇路由协议的数据融合算法(NNDF算法):利用分簇路由协议将布撒的所有传感器节点分簇,每个簇抽象为一个叁层感知器神经网络模型,利用神经元处理函数对簇头和其簇成员节点采集到的农田土壤信息进行融合处理,只把最后融合结果发送给汇聚节点。在山东省垦利县永安镇进行农田土壤信息采集试验测试,结果表明,在保证数据有效的情况下,NNDF算法能有效地减少数据传输量,降低网络能耗,延长网络寿命。(本文来源于《江南大学》期刊2009-05-01）
庞永青,杨林楠,张丽莲[6]（2009）在《基于WebGIS的农田土壤信息管理平台的设计与实现》一文中研究指出在分析农田土地时空变化的基础上,以WebGIS为空间信息平台,采用B/S分布式网络体系结构,构建了网络化的农田土壤信息管理平台,该平台为农作物栽培种植提供了科学指导。(本文来源于《安徽农业科学》期刊2009年05期）
郑丽萍,何东健[7]（2008）在《基于S3C2410A的农田土壤信息采集平台设计》一文中研究指出提出了基于ARM9微处理器芯片S3C2410A的便携式农田土壤信息采集平台的设计方案,阐述了构成硬件平台的核心板、土壤信息采集模块、GPS地理位置信息采集模块、人机接口模块以及信息存储模块等的设计思路和实现方法,对WINCE.NET操作系统在目标平台上实现移植的过程进行论述。初步实验表明,该平台具有较高的可靠性和很强的实用性。(本文来源于《农机化研究》期刊2008年06期）
郑丽萍[8]（2008）在《基于ARM的农田土壤信息获取系统研究与开发》一文中研究指出农田空间分布信息、农田土壤信息的快速、实时、准确获取是实现精细农业的关键。论文针对现有农田土壤信息获取系统在硬件和软件上存在的不足,结合嵌入式技术、GPS技术和地面传感技术等领域的最新研究成果,研究并开发了适合我国国情的高性能、便携式的农田土壤信息获取系统。论文主要研究工作和结论如下:(1)分析了影响农田环境的土壤水分、土壤养分、土壤温度等信息的特性参数以及获取它们的方法和手段,研究利用地面传感技术实现土壤理化信息现场检测的过程。(2)研究了农田土壤信息获取系统的体系结构,提出一种基于ARM9微处理器和Windows CE嵌入式操作系统架构的农田土壤信息获取系统开发方案,使得系统易于扩展,能够满足多种应用场合的要求。(3)研究并提出农田土壤信息获取系统的硬件设计方案,构建了基于ARM9微处理器的系统硬件平台,完成了ARM主控板、土壤理化信息采集板、土壤GPS信息获取模块、人机交互模块、信息存储模块等硬件电路的开发和调试。(4)分析并确定了农田土壤信息获取系统的软件设计方案,建立了以Windows CE操作系统为基础的软件平台,实现BSP的移植和相关驱动程序的开发,完成eVC下应用软件的开发。(5)测试结果表明,本文开发的基于高性能嵌入式微处理器、集多种要素于一体的农田土壤信息获取系统,可以实现土壤信息的快速获取和准确定位,系统运行稳定、可靠,人机交互能力强,投资成本低,易于携带,不仅能够适应精细农业的要求,而且将更加有利于加速农田信息获取系统的产业化。(本文来源于《西北农林科技大学》期刊2008-05-01）
农田土壤信息论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
精准农业是一种高新技术与农业生产相结合的产业,是可持续农业发展的重要途径。高精度、及时的获取农作物长势和生态环境信息是精准农业实施的前提和基础,也是现代农业发展的关键技术之一。高光谱遥感具有波段多、间隔窄的特点,能构成独特的多维光谱空间,直接捕获地物的微弱光谱差异信息。高光谱为遥感信息的定量应用开辟了新的领域,也为农田信息获取带来了巨大的前景,并逐渐成为新兴精准农业最重要的技术手段之一。因此,应用高光谱遥感建立生理参数及农田土壤信息监测模型,可增强对作物生理参数及农田土壤信息的监测能力,提高作物生长及农田土壤信息监测的精度和准确性。本研究以田间试验的玉米为研究对象,结合地面高光谱遥感技术与生理参数分析技术,系统分析玉米不同生理参数及农田土壤信息的高光谱特征,在相关分析的基础上,提取特征波段、植被指数、高光谱特征参数、特征指数,应用简单统计回归(SSR)、偏最小二乘回归(PLSR)和人工神经网络(ANN)方法,建立玉米生理参数及农田土壤信息的高光谱监测模型,为动态监测玉米生长状况及科学的田间施肥管理提供理论依据和技术支持。主要研究结果如下:(1)随着玉米叶片花青素含量增加,550 nm处吸收峰增大,SVC和SOC光谱与玉米叶片花青素含量最大相关波段分别为548 nm和540.73 nm。以SVC和SOC光谱构建的两波段归一化指数和比值指数与叶片花青素含量相关性最高;基于SVC光谱特征指数建立的ANN模型,训练和验证R2分别为0.776和0.759,验证RMSE为0.111,RPD值为2.041,预测精度较高、模型比较稳定,能有效监测玉米叶片花青素含量;基于SOC光谱特征指数建立的ANN模型是玉米叶片花青素含量监测的最优模型,训练和验证R2分别为0.875和0.851,验证RMSE为0.087,RPD值为2.604。SOC光谱参数建立的模型拟合及验证精度整体高于SVC光谱参数建立的模型,特征指数建立的模型优于植被指数建立的模型;特征指数结合ANN方法是建立玉米叶片花青素含量监测模型的最优方法。(2)玉米不同生育期SPAD值的敏感波段有差异。植被指数D2、GNDVI、MSAVI、NDVI、OSAVI、OSAVI2、TCARI2/OSAVI2、TCARI2、TCARI和高光谱特征参数SDr/SDb、Sg、Ro均与玉米4个生育期叶片的SPAD值极显着相关,通用性较好。基于6-8叶期、10-12叶期的高光谱特征参数,开花吐丝期的植被指数,灌浆期、乳熟期的原始光谱建立的ANN模型训练及验证精度均较高,模型较稳定,是各个生育期玉米叶片SPAD值监测的最优模型。训练R2分别为0.845、0.880、0.806、0.763、0.785,经独立样本验证,R2分别为0.820、0.919、0.822、0.814、0.760,RMSE分别为0.677、0.454、0.746、0.818、0.774,RPD值分别为2.358、3.455、2.374、2.319、2.078。10-12叶期,以3种方法建立的模型均能对玉米叶片SPAD值进行有效监测。(3)不同生育期玉米光谱与生物量的相关性差异较大,植被指数GI、GNDVI、MSAVI、MTCI、NDVI、NDVI3、OSAVI、SR、OSAVI2、TCARI2、TCARI2/OSAVI2、MCARI2、DDn、SPVI、TVI、RTVI均在2个生育期与玉米生物量极显着相关;高光谱特征参数Rg、SRg、SDg在3个生育期与玉米生物量极显着相关,通用性较好。6-8叶期以原始光谱、10-12叶期以植被指数、开花吐丝期以一阶微分光谱建立的ANN模型,训练R2分别为0.908、0.938、0.800,验证R2分别为0.918、0.939、0.762,RMSE分别为0.086 kg·m-2、0.123 kg·m-2、0.400 kg·m-2,RPD值分别为3.507、4.051、2.051,训练和验证结果均较好,是监测各生育期玉米生物量的最优模型。6-8叶期和10-12叶期的监测模型精度高于开花吐丝期;乳熟期建立的模型不能进行生物量有效监测。(4)850-1790 nm和1960-2400 nm范围,随着玉米植株含水量增加波段深度增大,不同生育期玉米植株含水量与光谱的相关性差异较大;FD730-1330和新建光谱指数FDD(725,925)、FDD(725,1140)、FDD(725,1330)与玉米不同生育期植株含水量相关性较好,通用性较强。6-8叶期、10-12叶期、开花吐丝期,基于一阶微分光谱建立的ANN模型,经独立样本验证,预测值与实测值之间的R2分别为0.858、0.877、0.804,RMSE为0.359%、0.479%、0.819%,RPD值为2.654、2.850、2.261,模型的预测精度较高,稳定性较好,是进行各生育期玉米植株含水量监测的最优模型。灌浆期和乳熟期建立的模型预测效果不理想,有待进一步研究。(5)随土壤含水量增加光谱反射率下降,1400、1900 nm附近的水分吸收谷朝长波方向偏移。与土壤含水量相关性最大的光谱位于570、1430、1950 nm,相关性最大的吸收特征参数是最大吸收深度(D)、吸收总面积(A)、吸收峰右面积(RA)、吸收峰左面积(LA)。基于C1950、D1900、RA1900建立的一元线性模型和A1900、A1400建立的对数模型是预测土壤含水量的最优模型,拟合R2位于0.927-0.943之间,验证R2位于0.936-0.96之间,RMSE位于1.299-1.773%之间,RPD值位于3.538-4.885之间。(6)不同全氮含量的土壤光谱差异较大;碱解氮含量增大到一定值时,反射率之间的差异变小;与土壤氮含量相关性最好的两波段光谱指数是差值指数。以PLSR和ANN方法建立的全氮含量监测模型预测效果较好。其中,基于一阶微分光谱建立的ANN模型,训练和验证R2分别为0.886和0.880,RMSE为0.0077%和0.0086%,RPD值为2.971和2.846,训练和验证结果较好,模型最稳定,是监测土壤全氮含量的最优模型。基于CB+CS+CI建立的ANN模型,训练R2为0.757,验证R2为0.758,验证RMSE为2.1262 mg·kg-1,RPD值为2.033,是监测土壤碱解氮含量的最优模型。(7)光谱反射率随土壤磷含量增加而减小,当土壤磷含量增大到一定值时,土壤光谱反射率之间的差异变小。基于归一化微分、CB+CS和CB+CS+CI建立的ANN模型,可以对土壤有效磷含量进行准确预测,其中,CB+CS+CI建立的ANN模型预测效果最好,训练和验证R2分别为0.806和0.811,验证RMSE为2.691 mg·kg-1,RPD值为2.216;PLSR和ANN方法建立的模型精度较低,不能进行土壤全磷含量的有效监测。(8)土壤全钾含量较高时,对土壤光谱反射率影响较大;土壤速效钾含量对土壤光谱影响较小,变化规律不明显。以PLSR和ANN方法建立的模型精度均较高,能对土壤全钾含量进行准确预测。其中,基于波段深度微分建立的ANN模型是监测土壤全钾含量的最优模型,训练和验证R2分别为0.967和0.971,验证RMSE分别为0.033%和0.030%,RPD值分别为5.416和5.957。基于归一化微分光谱建立的ANN模型的训练和验证R2大于0.83,验证RMSE为14.457 mg·kg-1,RPD值为2.591,是土壤速效钾含量预测的最优模型。土壤全钾含量的预测精度高于速效钾含量,微分变换可以提高模型的预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
农田土壤信息论文参考文献
[1].钟泽宇.基于STM32的农田土壤信息采集系统[J].农业与技术.2016
[2].刘秀英.玉米生理参数及农田土壤信息高光谱监测模型研究[D].西北农林科技大学.2016
[3].薛飞.农田土壤信息智能化采集系统的研究[D].南京信息工程大学.2014
[4].武佳,李民赞,邓小蕾,郑立华,安晓飞.农田土壤信息无线传感装置的设计与开发[J].沈阳农业大学学报.2013
[5].张酉军.农田土壤信息无线传感器网络与数据融合算法研究[D].江南大学.2009
[6].庞永青,杨林楠,张丽莲.基于WebGIS的农田土壤信息管理平台的设计与实现[J].安徽农业科学.2009
[7].郑丽萍,何东健.基于S3C2410A的农田土壤信息采集平台设计[J].农机化研究.2008
[8].郑丽萍.基于ARM的农田土壤信息获取系统研究与开发[D].西北农林科技大学.2008