利用多时相卫星图像进行农作物分类 该仓库提供了使用多时相卫星图像进行农作物分类的代码。 作物分类对于理解作物的供应很重要。 卫星图像有助于实时监测作物生长和健康状况。 如今，每天都有高分辨率的卫星图像。 利用高频数据和多个波段，可以使用深度学习对农作物进行分类。 有许多经典的机器学习农作物分类方法可用它使用单时间图像，并使用其结果精度相对较低作物的光谱特性和结构特性，但我们会使用由玫瑰M. Rustowicz笔者建议的方法 安装 conda create --name geo_py37 python=3.7 conda install gdal rasterio conda install numpy pandas geopandas scikit-learn jupyterlab matplotlib seaborn xarray rasterstats tqdm pytest sq

农业-KBQA 项目介绍： 该项目是基于知识图谱的农业智能问答系统，从0到1的去搭建一个以农场品为中心的知识图谱，面向的用户群体是：农民和普通民众。 项目目的： 对农民而言让他了解某些农场品的种植方式，基本属性，种植成本，经济效益等等。 对普通群众而言让他了解这些农产品的作用（健康方面），以及各种植物之间的关系推动科普的作用。 项目结果展示： 操作说明 图谱展示 对话展示部分 项目结构： . ├── hudongbaike // scrapy爬虫项目路径 │   └── hudongbaike │   └── spiders │   └── bk.py //爬取搜索词 │   └── bkc.py //带入搜索词爬取内容 ├── data // 数据存放路径 │   └── query_list.csv //存放搜索词文件 │   └─

葡萄病害是造成葡萄严重减产的主要因素。所以发展是当务之急 葡萄叶片病害的自动识别方法。深度学习技术 最近在各种计算机视觉问题上取得了令人印象深刻的成就 启发我们将其应用到葡萄病害的鉴定工作中。提出了一种基于集成方法的联合卷积神经网络（CNNs）结构。建议的CNNs体系结构，即UnitedModel，旨在区分 葡萄常见病叶黑腐病和健康的叶子。多个cnn的组合使得提议的UnitedModel能够提取互补的鉴别特征。从而增强了UnitedModel的代表性。UnitedModel已在hold-out PlantVillage数据集上进行了评估，并与几种最新的CNN模型进行了比较。这个论文实验结果表明，UnitedModel在各种评价指标上都取得了最好的性能。UnitedModel的平均验证精度为99.17%，测试准确率98.57%，可作为决策支持工具帮助农民识别葡萄病害。

智慧农业小产品，通过onenet连接下位机硬件端stm32单片机实时获取温湿度、光强等农业数据，并通过微信小程序端与onenet平台对接获取数据，用友好的微信小程序界面将智慧农业实时数据展示给用户。用户还可通过微信小程序端的按钮对远程智慧农业设备进行控制。

Computers_and_Electronics_in_Agriculture Andreas Kamilaris⁎, Francesc X. Prenafeta-Boldú

Wireless sensor networks (WSN) are used extensively in various important areas of agriculture. Many of the associated activities involve the transmission of data or control commands through gateways that connect the servers to 3G networks. In this paper, we investigate the issues caused by Radio Res

illumina广告genomic-selection-in-agriculture.pdf