基于云端人工智能的农作物精准营养管理系统及方法与流程

本发明属于智慧农业管理技术领域，尤其涉及一种基于云端人工智能的农作物精准营养管理系统及方法。

背景技术：

农业生产中的传统施肥方式是由农民面向种植区域、以整体无差别方案进行操作的。然而，对于大规模农田而言，其不同地块间土壤墒情、作物苗情存在差异。现代化农业已凭借各类先进技术，大力加快了传统农业的发展进程，出现了如专利号cn201610139487和cn201810608303记载的、涉及农业数据自动化采集与分析的农业系统。然而，当农情信息采集和分析处理始终面向整个农业种植区、而缺乏重点区域精准定位与分析时，可能导致农情分析以偏概全。针对整个种植区进行的农业操作极易导致农业资源的浪费。以过量施肥为例，其会在加重农民负担的同时，引起耕地板结、土壤酸化等环境问题。因此，如何通过精准营养管理实现传统农业绿色发展，是亟待解决的重点问题。

现有的精准施肥技术以植保无人机、传感器等技术作为助力，有效降低了农情监控等农业操作的人力成本，并在一定程度上实现肥料的合理投入。现有精准施肥技术通常采用设置在田间或巡航无人机上的各类传感器获取空气温度、土壤湿度、土壤养分等参数，并/或通过图像采集装置实现农作物图像采集，并将采集数据与系统后台预存的、反映农作物理想生长状态的理想数据和/或适宜农作物生长的理论数据进行比较，根据比较结果决定后续营养供给方案。

对于仅采用传感器获取农情数据的技术方案而言，其明显忽略了农作物生长情况才应当是最能够直观反映肥料及其他营养元素施用是否合理的方式；但即使涉及农作物生长状况图像采集的技术方案，也同时存在如下问题：系统后台标准数据的制定是具有强烈主观性、受限于制定者专业水平的工作，且土壤、温度等种植条件的地域性差异，都会导致标准数据可能在专业性、准确性、地域适用性等方面存在限制，无法提供有效的参考。因此，仅根据标准值与采集值的差异而制定营养供给方案的方法，难以保证施肥精准性。

技术实现要素：

针对现有技术存在的上述缺陷，本发明提供了一种基于云端人工智能的农作物精准营养管理系统。

为实现上述目的，本申请的具体方案为：

一种基于云端人工智能的农作物精准营养管理系统，包括中心工作站、智能用户端及分别与二者信号相连的云端系统；

其中，中心工作站的服务范围覆盖整个农业种植区，向农业种植区提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；农业种植区包括由至少一名用户负责的多个分区；所述农业信息采集是面向农业种植区进行的整体性数据采集。

智能用户端用于展示信息、拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集。

云端系统对上传自中心工作站及智能用户端的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

进一步地，中心工作站、智能用户端及云端系统通过无线通信技术实现信号连接；再进一步地，实现中心工作站、智能用户端及云端系统信号连接的无线通信技术选自5g网络、4g网络、wifi网络、蓝牙技术的一种或多种。

进一步地，农业种植区的面积为3000-10000亩，各个分区的面积为30-50亩。

中心工作站包括信息采集中心、农作物营养中心及分别与二者信号相连的数据传输中心；

信息采集中心包括农业无人机和分别设于各个分区内的传感器组。农业无人机设有用于可见光和/或不可见光光谱图像采集的机载探测器，以及高精度地理定位系统；设于不同分区的传感器组分别具有与之唯一对应的编号；

数据传输中心用于将农田地图、光谱图像及多模态种植参数上传至云端系统，接收由云端系统发送的实施营养供给服务的信号、由云端系统制定的营养供给方案、以及由用户自定义的作物营养方案。

在接收到云端系统发送的实施营养供给服务的信号后，农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

进一步地，农业无人机根据预设的飞行计划对农业种植区进行整体巡视；巡视过程中，机载探测器对农业种植区进行可见光和/或不可见光光谱图像的实时采集；其中，在农业无人机的首次整体巡视过程中，高精度地理定位系统获取农业种植区及其中各个分区的地理信息，根据地理信息构建农业种植区的农田地图，标定各个分区在农田地图中的空间分布。

进一步地，机载探测器包括多光谱相机和高光谱相机，光谱图像包括多光谱图像和高光谱图像。

进一步地，各个分区内的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集；各个分区内的传感器组均包括土壤温湿度传感器、空气温湿度传感器、土壤ph值传感器及光照强度传感器；多模态种植参数包括土壤温湿度、空气温湿度、土壤ph值及种植区光照强度。

进一步地，农作物营养中心包括智能营养调配系统及自动滴灌控制系统，营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

进一步地，智能用户端包括显示模块、拍摄模块、商城模块及分别与三者信号相连的数据传输模块；

数据传输模块接收由云端系统传送至智能用户端的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块上传云端系统进行后续智能化精准分析；

用户通过商城模块购买营养供给服务；其中，营养供给服务基于：由云端系统制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块上传云端系统。

可选择地，智能用户端选自智能手机、平板电脑，及其它兼具拍摄、支付、显示与数据传输功能的终端设备的一种或多种。

进一步地，云端系统包括农情初诊模块、精准分析模块及分别与二者信号相连的信息管理模块；

农情初诊模块根据中心工作站上传的光谱图像及多模态种植参数，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块。其中，异常苗情包括农作物营养异常、种植环境异常与农作物生长参数异常。

进一步地，农作物营养异常指针对氮、磷、钾、钙等多种农作物必须营养元素的作物缺素症状和作物养分过量症状。

再进一步地，农情初诊模块包括光谱分析模块、定位模块、多模态信息分析模块及信息关联模块，光谱分析模块与定位模块信号相连，定位模块、多模态信息分析模块分别连接至信息关联模块；

针对中心工作站上传至云端系统的农业种植区的光谱图像，光谱分析模块提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区内出现的各项农作物营养异常情况的具体类型及严重程度，并将分析结果输出至定位模块；

定位模块存储农业无人机首次整体巡视后上传云端系统的农田地图。针对光谱分析模块分析得出的各项农作物营养异常情况，定位模块从光谱图像中获取出现该农作物营养异常情况的地理信息，利用地理信息实现农作物营养异常情况在农业种植区中的位置标注；定位模块将出现农作物营养异常情况的分区定义为问题分区，由此生成针对不同问题分区的多个一类分析报告，输出至信息关联模块；

多模态信息分析模块预存符合农作物理想种植条件与理想生长状况的标准参数值，针对中心工作站上传的、采集自不同编号的传感器组的多模态种植参数，多模态信息分析模块进行多模态种植参数与标准参数值的对比，分别判断对应不同传感器组的分区是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，将出现异常情况的分区定义为问题分区，由此生成针对不同问题分区的多个二类分析报告，输出至信息关联模块；

针对不同问题分区，信息关联模块将对应的一类分析报告与二类分析报告分别整合为针对该问题分区的农情初诊报告，并输出至信息管理模块。

进一步地，精准分析模块包括人工神经网络模型，用于对智能用户端上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状制定出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块。

进一步地，信息管理模块作为云端系统的数据交互中心，接收由中心工作站上传的农田地图、光谱图像及多模态种植参数，接收由智能用户端上传的异常苗情图像；向智能用户端发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端的支付信息后，向中心工作站发送实施营养供给服务的信号；

信息管理模块预存有农业种植区中各个分区的基本信息。对于农情初诊模块生成的、针对各个问题分区的农情初诊报告，信息管理模块根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端。

进一步地，分区基本信息包括但不限于分区农作物类型、用户姓名、用户联系方式等，对于同一用户负责的多个分区而言，分区基本信息还包括该用户自主设定的分区编号。

本发明还提供了一种基于云端人工智能的农作物精准营养管理系统的营养管理方法，方法包括如下步骤：

s1.农业无人机对包含多个分区的农业种植区进行首次整体巡视，设置于农业无人机的高精度地理定位系统获取农业种植区及其中各个分区的地理信息，根据地理信息构建农业种植区的农田地图，标定各个分区在农田地图中的空间分布，农田地图被上传至云端系统；

s2.农业无人机根据预设的飞行计划对农业种植区进行整体巡视，设置于农业无人机的机载探测器对农业种植区进行实时光谱图像采集，光谱图像被上传至云端系统；分别设于各个分区的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集，多模态种植参数被上传至云端系统；

s3.云端系统根据光谱图像及多模态种植参数，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统将多个农情初诊报告分别发送至对应问题分区的用户的智能用户端；

s4.用户通过智能用户端查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统；

s5.云端系统人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状制定针对问题分区的营养供给方案及其他农业操作建议，并发送至对应问题分区的用户的智能用户端。

进一步地，步骤s3包括：

s31.提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区内出现的各项农作物营养异常情况的具体类型及严重程度；获取光谱图像中出现各项农作物营养异常情况的地理信息，实现各项农作物营养异常情况在农业种植区中的位置标注，出现农作物营养异常情况的分区被定义为问题分区，由此生成针对不同问题分区的多个一类分析报告；

s32.比较多模态种植参数与预存的、符合农作物理想种植条件与理想生长状况的标准参数值，分别判断对应不同传感器组的分区是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，出现异常的分区被定义为问题分区，由此生成针对不同问题分区的多个二类分析报告；

s33.针对不同问题分区，整合其对应的一类分析报告与二类分析报告，生成针对该问题分区的农情初诊报告。

进一步地，当用户选择购买营养供给服务时，基于云端人工智能的农作物精准营养管理系统的营养管理方法还包括如下后续步骤：

s6.用户通过智能用户端购买营养供给服务并完成支付，云端系统根据智能用户端上传的支付信息，向中心工作站发送实施营养供给服务的信号；农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

本申请的优点在于：

本发明公开了一种基于云端人工智能的农作物精准营养管理系统及方法。与现有技术相比，本发明实现了中心工作站与智能用户端、云端系统的信息互联，提供了从光谱图像采集、多模态种植参数采集到异常苗情图像采集的一系列农情采样手段，在系统的整个工作流程中，数据采集范围由“农业种植区”缩小为“问题分区”，使得数据分析获取的农化服务方案的针对性与精准性逐渐提升。

具体而言，传感器的种植参数采集与无人机的光谱图像采集都是针对大规模农业种植区的整体性数据采集操作；云端系统根据种植参数、光谱图像与农田地图，将农情异常精准定位到农业种植区中的问题分区，生成对应问题分区的农情初诊报告；获取农情初诊报告后，农户拍摄异常苗情图像是针对问题分区进行的针对性数据采集操作；作为异常苗情图像的分析工具，经训练的人工神经网络模型能够一定程度上达到农资专家的专业性水平，其输出的高度经验性的结果具有专业性、准确性，由此实现化肥等农作物营养元素的精准施用，在提高利用率的同时有效保护农业生态环境。

附图说明

图1为本发明实施例提供的一种基于云端人工智能的农作物精准营养管理系统的系统设置分布实例图

图2为本发明实施例提供的一种基于云端人工智能的农作物精准营养管理系统的系统结构图。

具体实施方式

随着光谱分析技术和数字图像处理技术的日益成熟，光谱技术现已成为广泛用于现代农业监测的技术手段。多光谱成像技术在可见光图像的基础上向红外光和紫外光两个方向扩展成像波段，根据农作物不同生长状态的光谱反射特征，获取拍摄目标在不同光谱带中的图像特征，由此进行农作物长势判断与作物营养缺素分析，为合理高效施用肥料提供指导依据；高光谱成像技术获取的图像由大量连续的波段组成，较多光谱图像而言，高光谱图像的光谱分辨率更高，能够更完整地获取农作物生长信息，能以更高的精准度实现农情监测。

在本发明公开的一种基于云端人工智能的农作物精准营养管理系统及方法中，系统基于光谱图像分析与传感器数据分析获取农情初诊报告，智能用户端用户根据农情初诊报告前往问题分区进行异常苗情的实地采集，云端系统人工智能模型对异常苗情图像进行分析处理，对农作物营养缺素、营养失衡等问题进行经验性判断，智能制定能够改善现有问题的营养供给方案。农作物营养中心根据营养供给方案自动完成营养元素调配与营养滴灌作业控制。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

一种基于云端人工智能的农作物精准营养管理系统，包括中心工作站1、智能用户端2及分别与二者信号相连的云端系统3；

其中，中心工作站1的服务范围覆盖整个农业种植区s，向农业种植区s提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；农业种植区s包括由至少一名用户负责的多个分区s1-sn；所述农业信息采集是面向农业种植区s进行的整体性数据采集。

智能用户端2用于展示信息、拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集。

云端系统3对上传自中心工作站1及智能用户端2的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

进一步地，中心工作站1、智能用户端2及云端系统3通过无线通信技术实现信号连接；再进一步地，实现中心工作站1、智能用户端2及云端系统3信号连接的无线通信技术选自5g网络、4g网络、wifi网络、蓝牙技术的一种或多种。

进一步地，农业种植区s的面积为3000-10000亩，各个分区s1-sn的面积为30-50亩。

中心工作站1包括信息采集中心11、农作物营养中心12及分别与二者信号相连的数据传输中心13；

信息采集中心11包括农业无人机和分别设于各个分区s1-sn内的传感器组。农业无人机设有用于可见光和/或不可见光光谱图像采集的机载探测器，以及高精度地理定位系统；设于不同分区s1-sn的传感器组分别具有与之唯一对应的编号；

数据传输中心13用于将农田地图、光谱图像及多模态种植参数上传至云端系统3，接收由云端系统3发送的实施营养供给服务的信号、由云端系统3制定的营养供给方案、以及由用户自定义的作物营养方案。

在接收到云端系统3发送的实施营养供给服务的信号后，农作物营养中心12根据由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

农业无人机根据预设的飞行计划对农业种植区s进行整体巡视；巡视过程中，机载探测器对农业种植区s进行可见光和/或不可见光光谱图像的实时采集；其中，在农业无人机的首次整体巡视过程中，高精度地理定位系统获取农业种植区s及其中各个分区s1-sn的地理信息，根据地理信息构建农业种植区s的农田地图，标定各个分区s1-sn在农田地图中的空间分布。

进一步地，机载探测器包括多光谱相机和高光谱相机，光谱图像包括多光谱图像和高光谱图像。

各个分区s1-sn内的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集；各个分区s1-sn内的传感器组均包括土壤温湿度传感器、空气温湿度传感器、土壤ph值传感器及光照强度传感器；多模态种植参数包括土壤温湿度、空气温湿度、土壤ph值及种植区光照强度。

农作物营养中心12包括智能营养调配系统及自动滴灌控制系统，营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

智能用户端2包括显示模块21、拍摄模块22、商城模块23及分别与三者信号相连的数据传输模块24；

数据传输模块24接收由云端系统3传送至智能用户端2的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块21，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块22进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块24上传云端系统3进行后续智能化精准分析；

用户通过商城模块23购买营养供给服务；其中，营养供给服务基于：由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块23中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块24上传云端系统3。

可选择地，智能用户端2选自智能手机、平板电脑，及其它兼具拍摄、支付、显示与数据传输功能的终端设备的一种或多种。

云端系统3包括农情初诊模块31、精准分析模块32及分别与二者信号相连的信息管理模块33；

农情初诊模块31根据中心工作站1上传的光谱图像及多模态种植参数，分析得出农业种植区s中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块33。其中，异常苗情包括农作物营养异常、种植环境异常与农作物生长参数异常。

进一步地，农作物营养异常指针对氮、磷、钾、钙等多种农作物必须营养元素的作物缺素症状和作物养分过量症状。

农情初诊模块31包括光谱分析模块、定位模块、多模态信息分析模块及信息关联模块，光谱分析模块与定位模块信号相连，定位模块、多模态信息分析模块分别连接至信息关联模块；

针对中心工作站1上传至云端系统3的农业种植区s的光谱图像，光谱分析模块提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区s内出现的各项农作物营养异常情况的具体类型及严重程度，并将分析结果输出至定位模块；

定位模块存储农业无人机首次整体巡视后上传云端系统3的农田地图。针对光谱分析模块分析得出的各项农作物营养异常情况，定位模块从光谱图像中获取出现该农作物营养异常情况的地理信息，利用地理信息实现农作物营养异常情况在农业种植区s中的位置标注；定位模块将出现农作物营养异常情况的分区定义为问题分区，由此生成针对不同问题分区的多个一类分析报告，输出至信息关联模块；

多模态信息分析模块预存符合农作物理想种植条件与理想生长状况的标准参数值，针对中心工作站1上传的、采集自不同编号的传感器组的多模态种植参数，多模态信息分析模块进行多模态种植参数与标准参数值的对比，分别判断对应不同传感器组的分区s1-sn是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，将出现异常情况的分区定义为问题分区，由此生成针对不同问题分区的多个二类分析报告，输出至信息关联模块；

针对不同问题分区，信息关联模块将对应的一类分析报告与二类分析报告分别整合为针对该问题分区的农情初诊报告，并输出至信息管理模块33。

精准分析模块32包括人工神经网络模型，用于对智能用户端2上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状制定出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块33。

信息管理模块33作为云端系统3的数据交互中心，接收由中心工作站1上传的农田地图、光谱图像及多模态种植参数，接收由智能用户端2上传的异常苗情图像；向智能用户端2发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端2的支付信息后，向中心工作站1发送实施营养供给服务的信号；

信息管理模块33预存有农业种植区s中各个分区s1-sn的基本信息。对于农情初诊模块31生成的、针对各个问题分区的农情初诊报告，信息管理模块33根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端2。

进一步地，分区基本信息包括但不限于分区农作物类型、用户姓名、用户联系方式等，对于同一用户负责的多个分区而言，分区基本信息还包括该用户自主设定的分区编号。

实施例2

一种基于云端人工智能的农作物精准营养管理系统的营养管理方法，方法包括如下步骤：

s1.农业无人机对包含多个分区s1-sn的农业种植区s进行首次整体巡视，设置于农业无人机的高精度地理定位系统获取农业种植区s及其中各个分区s1-sn的地理信息，根据地理信息构建农业种植区s的农田地图，标定各个分区s1-sn在农田地图中的空间分布，农田地图被上传至云端系统3；

s2.农业无人机根据预设的飞行计划对农业种植区s进行整体巡视，设置于农业无人机的机载探测器对农业种植区s进行实时光谱图像采集，光谱图像被上传至云端系统3；分别设于各个分区s1-sn的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集，多模态种植参数被上传至云端系统3；

s3.云端系统3根据光谱图像及多模态种植参数，分析得出农业种植区s中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统3将多个农情初诊报告分别发送至对应问题分区的用户的智能用户端2；

s4.用户通过智能用户端2查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端2，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统3；

s5.云端系统3人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状制定针对问题分区的营养供给方案及其他农业操作建议，并发送至对应问题分区的用户的智能用户端2。

进一步地，步骤s3包括：

s31.提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区s内出现的各项农作物营养异常情况的具体类型及严重程度；获取光谱图像中出现各项农作物营养异常情况的地理信息，实现各项农作物营养异常情况在农业种植区s中的位置标注，出现农作物营养异常情况的分区被定义为问题分区，由此生成针对不同问题分区的多个一类分析报告；

s32.比较多模态种植参数与预存的、符合农作物理想种植条件与理想生长状况的标准参数值，分别判断对应不同传感器组的分区s1-sn是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，出现异常的分区被定义为问题分区，由此生成针对不同问题分区的多个二类分析报告；

s33.针对不同问题分区，整合其对应的一类分析报告与二类分析报告，生成针对该问题分区的农情初诊报告。

进一步地，当用户选择购买营养供给服务时，基于云端人工智能的农作物精准营养管理系统的营养管理方法还包括如下后续步骤：

s6.用户通过智能用户端2购买营养供给服务并完成支付，云端系统3根据智能用户端2上传的支付信息，向中心工作站1发送实施营养供给服务的信号；农作物营养中心12根据由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。