CN107274036A - 一种最优趋势单产模型的确定方法及*** - Google Patents
一种最优趋势单产模型的确定方法及*** Download PDFInfo
- Publication number
- CN107274036A CN107274036A CN201710608810.9A CN201710608810A CN107274036A CN 107274036 A CN107274036 A CN 107274036A CN 201710608810 A CN201710608810 A CN 201710608810A CN 107274036 A CN107274036 A CN 107274036A
- Authority
- CN
- China
- Prior art keywords
- model
- yield
- trend
- optimal
- determination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 claims description 49
- 238000010899 nucleation Methods 0.000 claims description 6
- 238000009313 farming Methods 0.000 claims 2
- 238000007796 conventional method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种最优趋势单产模型的确定方法及***。该确定方法包括:获取农作物历史单产数据;根据所述农作物历史单产数据,建立多个不同的趋势单产模型;通过对多个指标进行判断,选择最优趋势单产模型,从而提高预测农作物产量的准确度。
Description
技术领域
本发明涉及农业生产领域,特别是涉及一种最优趋势单产模型的确定方法及***。
背景技术
在现有技术中,预测农作物产量的方法有很多,大体可分为统计预测法、遥感预测法和动力学生长模型法。应用最多的是统计预测法,基于统计预测法衍生出了很多预测模型,其中有一类是气象模型,侧重于气象波动因素对农作物产量的短期影响,从而能够预测农作物产量,但是要想通过气象模型的方式来提高预测农作物产量的精准度,还需要考虑农作物趋势单产模型,常规方法只经过一次指标判断过度依赖某一指标,例如:通过几种趋势单产模型的均方根误差作为指标,然后选择最小的作为最优趋势单产模型。由于统计指标一般都有一定的适应性,因此,传统方法会出现一些判断失真的情况,从而造成对农作物产量的预测准确度低的问题。
发明内容
本发明的目的是提供一种最优趋势单产模型的确定方法及***,能够选择出最优的趋势单产模型,从而解决农作物产量预测准确度低的问题。
为实现上述目的,本发明提供了如下方案:
一种最优趋势单产模型的确定方法,包括:
获取农作物历史单产数据;
根据所述农作物历史单产数据,建立多个不同的趋势单产模型;所述趋势单产模型具体包括线性趋势模型、分段线性趋势模型、二次趋势模型和指数趋势模型;
判断每个所述趋势单产模型是否显著,得到第一判断结果;
若所述第一判断结果表示为所述趋势单产模型显著,则确定该所述趋势单产模型的校正决定系数;
选择所述校正决定系数最大的所述趋势单产模型作为初步优选模型;
判断所述初步优选模型是否为所述线性趋势模型,得到第二判断结果;
若所述第二判断结果表示所述初步优选模型为所述线性趋势模型,则确定所述线性趋势模型为最优趋势单产模型;
若所述第二判断结果表示所述初步优选模型不是所述线性趋势模型,则获取初步优选模型的均方根误差和所述线性趋势模型的均方根误差;
判断初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差是否大于预设阈值,得到第三判断结果;
若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差大于预设阈值,则选择所述初步优选模型作为最优趋势单产模型;
若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差不大于预设阈值,则选择所述线性趋势模型作为最优趋势单产模型。
可选的,所述判断每个所述趋势单产模型是否显著,得到第一判断结果,具体包括:
通过t检验方式,检验每个所述趋势单产模型是否显著,得到第一判断结果。
可选的,所述确定该所述趋势单产模型的校正决定系数,具体包括:
利用公式确定所述校正决定系数,其中,Ra为校正决定系数,R为决定系数,n为得到所述趋势单产模型的样本数量,s为所述趋势单产模型中的变量数。
可选的,所述选择所述线性趋势模型的作为最优趋势单产模型之后,还包括:
获取单产-气象变化系数,建立包括农作物各生长期的气象单产模型,并选择最优气象单产模型;
根据最优趋势单产模型和最优气象单产模型,建立含有待确定参数的农作物单产模型;所述待确定参数为单产-气象变化系数;
根据所述农作物历史单产数据和历史气象数据,求解所述农作物单产模型中的单产-气象变化系数,得到含有确定参数的完整农作物单产模型;
根据当前气象数据及所述完整农作物单产模型,预测农作物的产量,所述当前气象数据包括农作物播种时到预测当天的气象数据和预测当天到农作物成熟时的历史气象数据的平均值。
一种最优趋势单产模型的确定***,包括:
历史单产数据获取模块,用于获取农作物历史单产数据;
趋势单产模型建立模块,用于根据农作物历史单产数据,建立多个不同的趋势单产模型;所述趋势单产模型具体包括线性趋势模型、分段线性趋势模型、二次趋势模型和指数趋势模型;
第一判断模块,用于判断每个所述趋势单产模型是否显著,得到第一判断结果;
校正决定系数确定模块,用于若所述第一判断结果表示为所述趋势单产模型显著,则确定该所述趋势单产模型的校正决定系数;
初步优选模型获取模块,用于选择所述校正决定系数最大的所述趋势单产模型作为初步优选模型;
第二判断模块,用于判断所述初步优选模型是否为所述线性趋势模型,得到第二判断结果;
最优趋势单产模型第一确定模块,用于若所述第二判断结果表示所述初步优选模型为所述线性趋势模型,则确定所述线性趋势模型为最优趋势单产模型;
均方根误差获取模块,用于若所述第二判断结果表示所述初步优选模型不是所述线性趋势模型,则获取初步优选模型的均方根误差和所述线性趋势模型的均方根误差;
第三判断模块,用于判断初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差是否大于预设阈值,得到第三判断结果;
最优趋势单产模型第二确定模块,用于若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差大于预设阈值,则选择所述初步优选模型作为最优趋势单产模型;
最优趋势单产模型第三确定模块,用于若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差不大于预设阈值,则选择所述线性趋势模型作为最优趋势单产模型。
可选的,所述第一判断模块,具体包括:
第一判断单元,用于通过t检验方式,检验每个所述趋势单产模型是否显著,得到第一判断结果。
可选的,所述校正决定系数确定模块,具体包括:
校正决定系数确定单元,用于利用公式确定所述校正决定系数,其中,Ra为校正决定系数,R为决定系数,n为得到所述趋势单产模型的样本数量,s为所述趋势单产模型中的变量数。
可选的,还包括:气象单产模型建立模块,用于所述最优趋势单产模型第三确定模块之后,引入单产-气象变化系数,建立包括农作物各生长期的气象单产模型,并选择最优气象单产模型;
农作物单产模型建立模块,用于根据最优趋势单产模型和最优气象单产模型,建立含有待确定参数的农作物单产模型;所述待确定参数为单产-气象变化系数;
单产-气象变化系数求解模块,用于根据所述农作物历史单产数据和历史气象数据,求解所述农作物单产模型中的单产-气象变化系数,得到含有确定参数的完整农作物单产模型;
农作物产量预测模块,用于根据当前气象数据及所述完整农作物单产模型,预测农作物的产量,所述当前气象数据包括农作物播种时到预测当天的气象数据和预测当天到农作物成熟时的历史气象数据的平均值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明对校正决定系数指标进行判断,通过罚函数法对多变量回归方程进行惩罚,使得指标判断更加合理;并增加了非线性模型与线性模型的比较,传统方法只要指标好就认为该模型好,本发明通过对多个指标进行判断,如果非线性模型的多个指标符合判断条件,才会选择非线性模型,如果非线性模型不能比线性带来更好的效果就默认优选线性模型,从多方面选择最优趋势单产模型,从而提高预测农作物产量的准确度。
附图说明
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的最优趋势单产模型的确定方法流程图;
图2为本发明实施例所提供的最优趋势单产模型的确定***的结构图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的目的是提供一种最优趋势单产模型的确定方法及***,能够选择出最优的趋势单产模型,提高农作物产量的预测准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的最优趋势单产模型的确定方法流程图,如图1所示,一种最优趋势单产模型的确定方法,包括:
步骤101:获取农作物历史单产数据;
步骤102:根据所述农作物历史单产数据,建立多个不同的趋势单产模型;所述趋势单产模型具体包括线性趋势模型、分段线性趋势模型、二次趋势模型和指数趋势模型;
步骤103:判断每个所述趋势单产模型是否显著,若是,则执行步骤105,若否,则执行步骤104;具体的,通过t检验方式,检验每个所述趋势单产模型是否显著;
步骤104:放弃当前所判断的趋势单产模型;
步骤105:确定该所述趋势单产模型的校正决定系数;
步骤106:选择所述校正决定系数最大的所述趋势单产模型作为初步优选模型;利用公式确定所述校正决定系数,其中,Ra为校正决定系数,R为决定系数,n为得到所述趋势单产模型的样本数量,s为所述趋势单产模型中的变量数;
步骤107:判断所述初步优选模型是否为所述线性趋势模型,若是,执行步骤108,若否,执行步骤109;
步骤108:确定所述线性趋势模型为最优趋势单产模型;
步骤109:获取初步优选模型的均方根误差和所述线性趋势模型的均方根误差;
步骤110:判断初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差是否大于预设阈值,若是,执行步骤111,若否,执行步骤112;所述预设阈值可以设定为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差超过5%,此时,认为初步优选模型的均方根误差和所述线性趋势模型的均方根误差有显著差异;
步骤111:选择所述初步优选模型作为最优趋势单产模型;
步骤112:选择所述线性趋势模型作为最优趋势单产模型。
根据本发明采用的最优趋势单产模型的确定方法,由于非线性趋势模型不能比线性模型有显著的拟合优度,因此,在选择最优趋势单产模型时,本发明无论对于非线性趋势模型还是线性趋势模型都要对多个指标进行判断,如果非线性趋势模型符合判断标准也能够作为最优趋势单产模型,反之,选择线性模型作为最优的趋势单产模型,因此,本发明选择出的最优的趋势单产模型更符合实际需求,从而提高农作物产量的预测准确度。
在步骤112之后,还包括:
获取单产-气象变化系数,建立包括农作物各生长期的气象单产模型,并选择最优气象单产模型;
根据最优趋势单产模型和最优气象单产模型,建立含有待确定参数的农作物单产模型;所述待确定参数为单产-气象变化系数;所述气象单产模型具体包括温度模型、温度+降雨模型和温度+光照+降雨模型;
根据所述农作物历史单产数据和历史气象数据,求解所述农作物单产模型中的单产-气象变化系数,得到含有确定参数的完整农作物单产模型;
根据当前气象数据及所述完整农作物单产模型,预测农作物的产量,所述当前气象数据包括农作物播种时到预测当天的气象数据和预测当天到农作物成熟时的历史气象数据的平均值。
本发明所提供的最优趋势单产模型的确定方法与气象单产模型相结合,充分考虑了不同生长期农作物受气候影响的差异性,从而有效实现了对农产生产的预测和预警。
图2为本发明实施例所提供的最优趋势单产模型的确定***的结构图,如图2所示,一种最优趋势单产模型的确定***,包括:
历史单产数据获取模块201,用于获取农作物历史单产数据;
趋势单产模型建立模块202,用于根据农作物历史单产数据,建立多个不同的趋势单产模型;所述趋势单产模型具体包括线性趋势模型、分段线性趋势模型、二次趋势模型和指数趋势模型;
第一判断模块203,用于判断每个所述趋势单产模型是否显著,得到第一判断结果;
校正决定系数确定模块204,用于若所述第一判断结果表示为所述趋势单产模型显著,则确定该所述趋势单产模型的校正决定系数;
初步优选模型获取模块205,用于选择所述校正决定系数最大的所述趋势单产模型作为初步优选模型;
第二判断模块206,用于判断所述初步优选模型是否为所述线性趋势模型,得到第二判断结果;
最优趋势单产模型第一确定模块207,用于若所述第二判断结果表示所述初步优选模型为所述线性趋势模型,则确定所述线性趋势模型为最优趋势单产模型;
均方根误差获取模块208,用于若所述第二判断结果表示所述初步优选模型不是所述线性趋势模型,则获取初步优选模型的均方根误差和所述线性趋势模型的均方根误差;
第三判断模块209,用于判断初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差是否大于预设阈值,得到第三判断结果;
最优趋势单产模型第二确定模块210,用于若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差大于预设阈值,则选择所述初步优选模型作为最优趋势单产模型;
最优趋势单产模型第三确定模块211,用于若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差不大于预设阈值,则选择所述线性趋势模型作为最优趋势单产模型。
在实际应用中,所述第一判断模块,具体包括:
第一判断单元,用于通过t检验方式,检验每个所述趋势单产模型是否显著,得到第一判断结果。
在实际应用中,所述校正决定系数确定模块,具体包括:
校正决定系数确定单元,用于利用公式确定所述校正决定系数,其中,Ra为校正决定系数,R为决定系数,n为得到所述趋势单产模型的样本数量,s为所述趋势单产模型中的变量数。
在实际应用中,还包括:气象单产模型建立模块,用于所述最优趋势单产模型第三确定模块之后,引入单产-气象变化系数,建立包括农作物各生长期的气象单产模型,并选择最优气象单产模型;
农作物单产模型建立模块,用于根据最优趋势单产模型和最优气象单产模型,建立含有待确定参数的农作物单产模型;所述待确定参数为单产-气象变化系数;
单产-气象变化系数求解模块,用于根据所述农作物历史单产数据和历史气象数据,求解所述农作物单产模型中的单产-气象变化系数,得到含有确定参数的完整农作物单产模型;
农作物产量预测模块,用于根据当前气象数据及所述完整农作物单产模型,预测农作物的产量,所述当前气象数据包括农作物播种时到预测当天的气象数据和预测当天到农作物成熟时的历史气象数据的平均值。
采用本发明所提供的最优趋势单产模型的确定***能够选择出最优的趋势单产模型,从而解决农作物产量预测准确度低的问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种最优趋势单产模型的确定方法,其特征在于,包括:
获取农作物历史单产数据;
根据所述农作物历史单产数据,建立多个不同的趋势单产模型;所述趋势单产模型具体包括线性趋势模型、分段线性趋势模型、二次趋势模型和指数趋势模型;
判断每个所述趋势单产模型是否显著,得到第一判断结果;
若所述第一判断结果表示为所述趋势单产模型显著,则确定该所述趋势单产模型的校正决定系数;
选择所述校正决定系数最大的所述趋势单产模型作为初步优选模型;
判断所述初步优选模型是否为所述线性趋势模型,得到第二判断结果;
若所述第二判断结果表示所述初步优选模型为所述线性趋势模型,则确定所述线性趋势模型为最优趋势单产模型;
若所述第二判断结果表示所述初步优选模型不是所述线性趋势模型,则获取初步优选模型的均方根误差和所述线性趋势模型的均方根误差;
判断初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差是否大于预设阈值,得到第三判断结果;
若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差大于预设阈值,则选择所述初步优选模型作为最优趋势单产模型;
若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差不大于预设阈值,则选择所述线性趋势模型作为最优趋势单产模型。
2.根据权利要求1所述的最优趋势单产模型的确定方法,其特征在于,所述判断每个所述趋势单产模型是否显著,得到第一判断结果,具体包括:
通过t检验方式,检验每个所述趋势单产模型是否显著,得到第一判断结果。
3.根据权利要求1所述的最优趋势单产模型的确定方法,其特征在于,所述确定该所述趋势单产模型的校正决定系数,具体包括:
利用公式确定所述校正决定系数,其中,Ra为校正决 定系数,R为决定系数,n为得到所述趋势单产模型的样本数量,s为所述趋势单产模型中的变量数。
4.根据权利要求1所述的最优趋势单产模型的确定方法,其特征在于,所述选择所述线性趋势模型的作为最优趋势单产模型之后,还包括:
获取单产-气象变化系数,建立包括农作物各生长期的气象单产模型,并选择最优气象单产模型;
根据最优趋势单产模型和最优气象单产模型,建立含有待确定参数的农作物单产模型;所述待确定参数为单产-气象变化系数;
根据所述农作物历史单产数据和历史气象数据,求解所述农作物单产模型中的单产-气象变化系数,得到含有确定参数的完整农作物单产模型;
根据当前气象数据及所述完整农作物单产模型,预测农作物的产量,所述当前气象数据包括农作物播种时到预测当天的气象数据和预测当天到农作物成熟时的历史气象数据的平均值。
5.一种最优趋势单产模型的确定***,其特征在于,包括:
历史单产数据获取模块,用于获取农作物历史单产数据;
趋势单产模型建立模块,用于根据农作物历史单产数据,建立多个不同的趋势单产模型;所述趋势单产模型具体包括线性趋势模型、分段线性趋势模型、二次趋势模型和指数趋势模型;
第一判断模块,用于判断每个所述趋势单产模型是否显著,得到第一判断结果;
校正决定系数确定模块,用于若所述第一判断结果表示为所述趋势单产模型显著,则确定该所述趋势单产模型的校正决定系数;
初步优选模型获取模块,用于选择所述校正决定系数最大的所述趋势单产模型作为初步优选模型;
第二判断模块,用于判断所述初步优选模型是否为所述线性趋势模型,得到第二判断结果;
最优趋势单产模型第一确定模块,用于若所述第二判断结果表示所述初步优选模型为所述线性趋势模型,则确定所述线性趋势模型为最优趋势单产模型;
均方根误差获取模块,用于若所述第二判断结果表示所述初步优选模型不是所述线性趋势模型,则获取初步优选模型的均方根误差和所述线性趋势模型的均方根误差;
第三判断模块,用于判断初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差是否大于预设阈值,得到第三判断结果;
最优趋势单产模型第二确定模块,用于若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差大于预设阈值,则选择所述初步优选模型作为最优趋势单产模型;
最优趋势单产模型第三确定模块,用于若所述第三判断结果表示为初步优选模型的均方根误差和所述线性趋势模型的均方根误差的相对偏差不大于预设阈值,则选择所述线性趋势模型作为最优趋势单产模型。
6.根据权利要求5所述的最优趋势单产模型的确定***,其特征在于,所述第一判断模块,具体包括:
第一判断单元,用于通过t检验方式,检验每个所述趋势单产模型是否显著,得到第一判断结果。
7.根据权利要求5所述的最优趋势单产模型的确定***,其特征在于,所述校正决定系数确定模块,具体包括:
校正决定系数确定单元,用于利用公式确定所述校正决定系数,其中,Ra为校正决定系数,R为决定系数,n为得到所述趋势单产模型的样本数量,s为所述趋势单产模型中的变量数。
8.根据权利要求5所述的最优趋势单产模型的确定***,其特征在于,还包括:气象单产模型建立模块,用于所述最优趋势单产模型第三确定模块之后,引入单产-气象变化系数,建立包括农作物各生长期的气象单产模型,并选择最优气象单产模型;
农作物单产模型建立模块,用于根据最优趋势单产模型和最优气象单产模型,建立含有待确定参数的农作物单产模型;所述待确定参数为单产-气象变化系数;
单产-气象变化系数求解模块,用于根据所述农作物历史单产数据和历史气象数据,求解所述农作物单产模型中的单产-气象变化系数,得到含有确定参数的完整农作物单产模型;
农作物产量预测模块,用于根据当前气象数据及所述完整农作物单产模型,预测农作物的产量,所述当前气象数据包括农作物播种时到预测当天的气象数据和预测当天到农作物成熟时的历史气象数据的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608810.9A CN107274036B (zh) | 2017-07-25 | 2017-07-25 | 一种农作物产量的预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608810.9A CN107274036B (zh) | 2017-07-25 | 2017-07-25 | 一种农作物产量的预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274036A true CN107274036A (zh) | 2017-10-20 |
CN107274036B CN107274036B (zh) | 2020-04-03 |
Family
ID=60079114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710608810.9A Active CN107274036B (zh) | 2017-07-25 | 2017-07-25 | 一种农作物产量的预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274036B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255999A (zh) * | 2021-05-25 | 2021-08-13 | 中国农业科学院农业信息研究所 | 基于多模型的农作物产量评估方法、装置、设备及介质 |
CN115600760A (zh) * | 2022-11-09 | 2023-01-13 | 南宁师范大学(Cn) | 一种甘蔗区域单产预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
CN101982055A (zh) * | 2010-08-28 | 2011-03-02 | 浙江大学 | 基于***统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
-
2017
- 2017-07-25 CN CN201710608810.9A patent/CN107274036B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
CN101982055A (zh) * | 2010-08-28 | 2011-03-02 | 浙江大学 | 基于***统计抽样调查地块实割实测数据的省级水稻单产遥感估算方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
Non-Patent Citations (4)
Title |
---|
MONISHA KAUL ETAL.: "Artificial neural networks for corn and", 《AGRICULTURAL SYSTEMS》 * |
王禹等: "河南省花生单产气象因子影响研究", 《***科学与数学》 * |
程志强等: "作物单产估算模型研究进展与展望", 《中国生态农业学报》 * |
陈昌为等: "一种基于趋势单产和遥感修正模型的混合估产模型", 《中国农业科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255999A (zh) * | 2021-05-25 | 2021-08-13 | 中国农业科学院农业信息研究所 | 基于多模型的农作物产量评估方法、装置、设备及介质 |
CN113255999B (zh) * | 2021-05-25 | 2024-04-12 | 中国农业科学院农业信息研究所 | 基于多模型的农作物产量评估方法、装置、设备及介质 |
CN115600760A (zh) * | 2022-11-09 | 2023-01-13 | 南宁师范大学(Cn) | 一种甘蔗区域单产预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107274036B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309985B (zh) | 一种农作物产量预测方法及*** | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
JP6261492B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
EP3179319A1 (en) | Method for irrigation planning and system for its implementation | |
CN107392376B (zh) | 一种农作物气象产量预测方法及*** | |
WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
Raes et al. | AquaCrop-The FAO crop model to simulate yield response to water | |
CN110264018A (zh) | 一种基于历年有效积温的冬小麦生育期预测方法 | |
CN110428106A (zh) | 一种基于机器学习的农作物需水量预测方法 | |
CN113016450A (zh) | 一种温室作物灌溉方法及*** | |
CN106980874B (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
CN107274036A (zh) | 一种最优趋势单产模型的确定方法及*** | |
CN110245444A (zh) | 一种基于作物对环境的响应与适应机制的发育期模拟方法 | |
Happ | Indices for exploring the relationship between temperature and grape and wine flavour | |
CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及*** | |
CN113034302B (zh) | 一种农田尺度作物水分利用效率遥感评价方法 | |
CN116595333A (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN106719284A (zh) | 一种海水养殖智慧气象预报服务*** | |
CN108052732B (zh) | 一种基于涝水过程的水稻受涝减产损失率估算方法 | |
CN113052407B (zh) | 一种大豆气象单产预测方法及预测*** | |
CN111667167B (zh) | 一种农业粮食产量估算方法和*** | |
CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
CN104036129A (zh) | 茶假眼小绿叶蝉测报专家知识库及其构建方法 | |
Yang et al. | Observed climatic variations in the growing season of field crops in Northeast China from 1992 to 2012 | |
CN109003200A (zh) | 一种确定植株保留叶片数的方法及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |