CN109615149B - 一种确定甜菜气象产量的方法和*** - Google Patents
一种确定甜菜气象产量的方法和*** Download PDFInfo
- Publication number
- CN109615149B CN109615149B CN201811646260.0A CN201811646260A CN109615149B CN 109615149 B CN109615149 B CN 109615149B CN 201811646260 A CN201811646260 A CN 201811646260A CN 109615149 B CN109615149 B CN 109615149B
- Authority
- CN
- China
- Prior art keywords
- beet
- weather
- years
- biomass
- data
- 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.)
- Active
Links
- 235000016068 Berberis vulgaris Nutrition 0.000 title claims abstract description 375
- 241000335053 Beta vulgaris Species 0.000 title claims abstract description 375
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002028 Biomass Substances 0.000 claims abstract description 228
- 230000012010 growth Effects 0.000 claims abstract description 134
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 claims description 53
- 235000021536 Sugar beet Nutrition 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 37
- 239000002689 soil Substances 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 24
- 238000000611 regression analysis Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 description 16
- 238000010899 nucleation Methods 0.000 description 16
- 230000018109 developmental process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000009331 sowing Methods 0.000 description 4
- CZMRCDWAGMRECN-UHFFFAOYSA-N Rohrzucker Natural products OCC1OC(CO)(OC2OC(CO)C(O)C(O)C2O)C(O)C1O CZMRCDWAGMRECN-UHFFFAOYSA-N 0.000 description 3
- 230000003698 anagen phase Effects 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种确定甜菜气象产量的方法和***。所述方法和***根据当前作物所在区域影响作物生长的主要气象指标信息,主要包括历史数据和当年已知时间的数据,通过气象指标预测模型,预测出当年甜菜气象指标信息,再通过气象指标‑气象生物量预测模型预测出甜菜当年每个生育时期的气象生物量,通过气象生物量‑气象产量预测模型预测出当年甜菜气象产量。本发明所述的确定甜菜气象产量的方法和***通过建立甜菜每个生育时期的气象指标‑气象生物量预测模型,能够实现甜菜每个生育时期的气象生物量预测,从而增加了甜菜气象产量预测的准确性,实现了甜菜气象产量的动态发布,为保障我国的甜菜市场供求平衡提供技术支撑。
Description
技术领域
本发明涉及经济作物产量预测领域,并且更具体地,涉及一种确定甜菜气象产量的方法和***。
背景技术
甜菜产量通常分为生物产量和经济产量。生物产量简称生物量,是指甜菜在各个生育周期内通过光合作用和吸收作用,即通过物质和能量的转化所生产和累积的各种有机物的总量,计算生物量时通常不包括根系。经济产量是指栽培目的所需要甜菜粒的收获量,即一般所指的产量。通常,经济产量的高低与生物量高低成正比。
甜菜生育期的长短,除主要决定于甜菜的遗传性外,还由于栽培地区的气候条件和栽培技术等因素而有差异。如秋播、冬播时因气温低,生长发育缓慢,生育期较长;春播、夏播时因气温高,生长发育快,生育期较短。同一品种在不同纬度地区种植,由于温度、光照的差异,生育期也随之发生变化。
由于长时间的产量波动不仅跟气象指标有关,也与甜菜品种更新,社会经济变革等密切相关,所以在长时间序列的作物产量与气象指标关系的观测统计研究中,一般把甜菜的产量分解为趋势产量、气象产量和随机误差3部分,趋势产量是反映历史时期生产力发展水平的长周期产量分量,也被称为技术产量,气象产量是受气候要素为主的短周期变化因子(农业气候灾害为主)影响的波动产量分量。因此甜菜气象产量是甜菜产量预测中的重点。
现有技术中对甜菜气象产量的预测仅考虑了甜菜的全生育周期气候条件变化,然而甜菜在不同的生长发育过程中对气候条件的要求不同,不同地域影响作物生长发育的关键时期和气象因素也不同,仅仅考虑全生育周期气候条件对甜菜气象产量的影响无法及时、准确预测气候条件下甜菜气象产量波动。
因此,需要一种技术,能够根据甜菜不同的生育时期受气候条件的影响而造成的气象生物量的不同,通过甜菜每个生育时期气象生物量变化确定甜菜的气象产量。
发明内容
为了解决现有技术中只考虑全生育周期气候条件对甜菜气象产量的影响而无法及时、准确预测气候条件下甜菜气象产量波动的技术问题,本发明提供一种确定甜菜气象产量的方法,所述方法包括:
基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据,其中,所述气象指标包括日最低温度、日最高温度、土壤湿度和风速;
基于甜菜当年每个生育时期的气象指标的数据,根据甜菜每个生育时期的气象指标-气象生物量预测模型,确定甜菜当年每个生育时期的气象生物量;
基于甜菜当年每个生育时期的气象生物量,根据甜菜气象生物量-气象产量预测模型,确定甜菜当年的气象产量。
进一步地,所述方法在基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据之前还包括:
根据甜菜的生育特征,将甜菜的成长阶段划分为若干个生育时期;
采集影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据、每个生育时期的生物量过去n年的数据、经济产量过去n年的数据,以及甜菜每个生育时期起止时间的历史数据;
根据甜菜每个生育时期起止时间的历史数据确定当年每个生育时期的起止时间;
基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据;
基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型;
基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据;
基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜的气象生物量-气象产量预测模型。
进一步地,基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标数据包括:
基于影响甜菜成长的气象指标过去n年的数据,根据设置的气象指标预测模型,确定当年未知时间的气象指标数据,其中:
日最低温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmin=μmin+σmin×χ
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
式中,Tnmin是当年未知时间中的某天的日最低温度,Thmax是当年未知时间中的某天在过去n年的日最高温度中的最大值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
日最高温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmax=μmax+σmax×χ
式中,Tnmax是当年未知时间中的某天的日最高温度,Thmin是当年未知时间中的某天在过去n年的日最低温度中的最小值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
土壤湿度预测模型的计算公式为:
RHUmon=RHmon+(1-RHmon)×exp(RHmon-1)
RHLmon=RHmon×(1-exp(-RHmon))
RH=RHLmon+[rnd1×(RHUmon-RHLmon)×(RHmon-RHLmon)]0.5
式中,RH是当年未知时间中的某天的日平均相对湿度,rnd1是一个随机数,RHmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度的平均值,RHUmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最大值,RHLmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最小值;
风速预测模型的计算公式为:
式中,u是当年未知时间中的某天的风速,μu是当年未知时间中的某天所在月份在过去n年的日风速的均值,σu是当年未知时间中的某天所在月份在过去n年的日风速的标准差,ξ是当年未知时间中的某天所在月份在过去n年的日风速的偏度系数,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
将当年已知时间的气象指标数据与通过气象指标预测模型确定的当年未知时间的气象指标数据按照甜菜每个生育时期的起止时间进行划分,即得到甜菜每个生育时期的气象指标数据。
进一步地,所述基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据包括:
将甜菜每个生育时期的生物量过去n年的数据按时间顺序生成生物量序列数据;
以i年为滑动步长,运用直线滑动平均法对甜菜每个生育时期的每i年的生物量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
基于j组一元线性回归方程确定甜菜每个生育时期每年的j个生物量的模拟值;
根据甜菜每个生育时期每年的j个生物量的模拟值确定每年的生物量的模拟值的平均值,并将其作为甜菜每个生育时期每年的趋势生物量;
将甜菜每个生育时期的每年的生物量和趋势生物量相减即为甜菜每个生育时期的每年的气象生物量。
进一步地,所述基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型包括:
基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定每个气象指标与气象生物量的核函数、每个核函数的权重,以及根据核函数确定求取气象生物量的偏差值;
基于每个气象指标与气象生物量的核函数、每个核函数的权重,以及偏差值确定甜菜每个生育时期的气象指标-气象生物量预测模型,其计算公式为:
式中,yi是甜菜当年第i个生育时期的气象生物量,是甜菜当年第i个生育时期第j个气象指标的核函数,ωij是甜菜当年第i个生育时期第j个气象指标的核函数的权重,bi是根据核函数确定甜菜当年第i个生育时期的气象生物量的偏差值。
进一步地,所述基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据包括:
将甜菜经济产量过去n年的数据按时间顺序生成经济产量序列数据;
以i年为滑动步长,运用直线滑动平均法对甜菜每i年的经济产量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
基于j组一元线性回归方程确定甜菜每年的j个经济产量的模拟值;
根据甜菜每年的j个经济产量的模拟值确定每年的经济产量的模拟值的平均值,并将其作为甜菜每年的趋势经济产量;
将甜菜每年的经济产量和趋势经济产量相减即为甜菜每年的气象产量。
进一步地,基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜气象生物量-气象产量的预测模型包括:
基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及根据核函数确定求取气象产量的偏差值;
基于甜菜每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及偏差值确定甜菜气象生物量-气象产量预测模型,其计算公式为:
根据本发明的另一方面,本发明提供一种确定甜菜气象产量的***,所述***包括:
甜菜气象指标单元,其用于基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据,其中,所述气象指标包括日最低温度、日最高温度、土壤湿度和风速;
甜菜气象生物量单元,其用于基于甜菜当年每个生育时期的气象指标的数据,根据甜菜每个生育时期的气象指标-气象生物量预测模型,确定甜菜当年每个生育时期的气象生物量;
甜菜气象产量单元,其用于基于甜菜当年每个生育时期的气象生物量,根据甜菜气象生物量-气象产量预测模型,确定甜菜当年的气象产量。
进一步地,***还包括:
甜菜生育期划分单元,其用于根据甜菜的生育特征,将甜菜的成长阶段划分为若干个生育时期;
数据采集单元,其用于采集影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据、每个生育时期的生物量过去n年的数据、经济产量过去n年的数据,以及甜菜每个生育时期起止时间的历史数据;
生育期时间确定单元,其用于根据甜菜每个生育时期起止时间的历史数据确定当年每个生育时期的起止时间;
第一数据单元,其用于基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据;
第一模型单元,其用于基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型;
第二数据单元,其用于基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据;
第二模型单元,其用于基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜的气象生物量-气象产量预测模型。
进一步地,所述甜菜气象指标单元包括:
未知气象指标单元,其用于基于影响甜菜成长的气象指标过去n年的数据,根据设置的气象指标预测模型,确定当年未知时间的气象指标数据,其中,其中,所述日最低温度、日最高温度、土壤湿度和风速预测模型的计算公式与确定甜菜气象产量的方法中的相同,此处不再赘述。
指标确定单元,其用于将当年已知时间的气象指标数据与通过气象指标预测模型确定的当年未知时间的气象指标数据按照甜菜每个生育时期的起止时间进行划分,即得到甜菜每个生育时期的气象指标数据。
进一步地,所述第一数据单元包括:
第一序列单元,其用于将甜菜每个生育时期的生物量过去n年的数据按时间顺序生成生物量序列数据;
第一方程组单元,其用于以i年为滑动步长,运用直线滑动平均法对甜菜每个生育时期的每i年的生物量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
第一模拟值单元,其用于基于j组一元线性回归方程确定甜菜每个生育时期每年的j个生物量的模拟值;
第一趋势值单元,其用于根据甜菜每个生育时期每年的j个生物量的模拟值确定每年的生物量的模拟值的平均值,并将其作为甜菜每个生育时期每年的趋势生物量;
第一结果单元,其用于将甜菜每个生育时期的每年的生物量和趋势生物量相减即为甜菜每个生育时期的每年的气象生物量。
进一步地,所述第一模型单元包括:
第一参数单元,其用于基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定每个气象指标与气象生物量的核函数、每个核函数的权重,以及根据核函数确定求取气象生物量的偏差值;
第一公式单元,其用于基于每个气象指标与气象生物量的核函数、每个核函数的权重,以及偏差值确定甜菜每个生育时期的气象指标-气象生物量预测模型,其计算公式为:
式中,yi是甜菜当年第i个生育时期的气象生物量,是甜菜当年第i个生育时期第j个气象指标的核函数,ωij是甜菜当年第i个生育时期第j个气象指标的核函数的权重,bi是根据核函数确定甜菜当年第i个生育时期的气象生物量的偏差值。
进一步地,所述第二数据单元包括:
第二序列单元,其用于将甜菜经济产量过去n年的数据按时间顺序生成经济产量序列数据;
第二方程组单元,其用于以i年为滑动步长,运用直线滑动平均法对甜菜每i年的经济产量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
第二模拟值单元,其用于基于j组一元线性回归方程确定甜菜每年的j个经济产量的模拟值;
第二趋势值单元,其用于根据甜菜每年的j个经济产量的模拟值确定每年的经济产量的模拟值的平均值,并将其作为甜菜每年的趋势经济产量;
第二结果单元,将甜菜每年的经济产量和趋势经济产量相减即为甜菜每年的气象产量。
进一步地,所述第二模型单元包括:
第二参数单元,其用于基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及根据核函数确定求取气象产量的偏差值;
第二公式单元,其用于基于甜菜每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及偏差值确定甜菜气象生物量-气象产量预测模型,其计算公式为:
本发明技术方案提供的确定甜菜气象产量的方法和***首先将甜菜依据生育特征,划分为若干个生育时期,在不同的生育时期内结合历史上主要影响因素的气象指标信息,分别与历史上相同生育时期的生物量建立气象指标-气象生物量预测模型,其次应用历史上相同生育时期的生物量与历史上的气象产量建立气象生物量-气象产量预测模型;接着,根据当前作物所在区域影响作物生长的主要气象指标信息,主要包括历史数据和当年已知时间的数据,通过气象指标预测模型,预测出当年甜菜气象指标信息,最后通过气象指标-气象生物量预测模型预测出甜菜当年每个生育时期的气象生物量,通过气象生物量-气象产量预测模型预测出当年甜菜气象产量。本发明所述的确定甜菜气象产量的方法和***具有如下有益效果:
1、通过建立甜菜每个生育时期的气象指标-气象生物量预测模型,能够实现甜菜每个生育时期的气象生物量预测,从而增加了甜菜气象产量预测的准确性;
2、能够根据当年甜菜的气象信息和气象生物量等数据的实时更新,动态调整气象指标预测模型、气象指标-气象生物量预测模型以及气象生物量-气象产量预测模型的结果,实现甜菜气象产量的动态发布;
3、能够全面、***、及时提供我国甜菜气象产量波动过程,提供直观、准确的甜菜气象产量预测结果,为保障我国的甜菜市场供求平衡提供技术支撑。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的确定甜菜气象产量的方法的流程图;
图2为根据本发明优选实施方式的确定甜菜气象产量的***的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的确定甜菜气象产量的方法的流程图。如图1所示,根据本优选实施方式所述的确定甜菜气象产量的方法100从步骤101开始。
在步骤101,根据甜菜的生育特征,将甜菜的成长阶段划分为若干个生育时期。在本优选实施方式中,将甜菜的成长阶段划分为播种出苗期、茎叶繁茂期、块茎膨大增长期和糖分积累期4个生育时期。
在步骤102,采集影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据、每个生育时期的生物量过去n年的数据、经济产量过去n年的数据,以及甜菜每个生育时期起止时间的历史数据。
在本优选实施方式中,历史数据主要从各大作物监测平台的数据库中获取,当年已知时间的数据主要通过传感器监测获得,其中,温度通过温度传感器监测获得,计算得到每日平均温度,土壤湿度通过湿度传感器监测获得,风速通过风速传感器监测获得。实践中,所述甜菜生物量是指甜菜在每个生育时期的成长物用低温干燥使其达到的恒定重量。
在步骤103,根据甜菜每个生育时期起止时间的历史数据确定当年每个生育时期的起止时间。在优选实施方式中,取甜菜每个生育时期起止时间中次数最多的时间作为当年生育时期的起止时间。当有两个或两个以上日期的次数相同时,随机选择其中一个日期。
在步骤104,基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据。
在步骤105,基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型。
在步骤106,基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据。实践中,所述甜菜经济产量是指按照甜菜的栽培目的所收获的主产品甜菜的干物质重量。
在步骤107,基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜的气象生物量-气象产量预测模型。
在步骤108,基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据,其中,所述气象指标包括日最低温度、日最高温度、土壤湿度和风速。
在步骤109,基于甜菜当年每个生育时期的气象指标的数据,根据甜菜每个生育时期的气象指标-气象生物量预测模型,确定甜菜当年每个生育时期的气象生物量。
在步骤110,基于甜菜当年每个生育时期的气象生物量,根据甜菜气象生物量-气象产量预测模型,确定甜菜当年的气象产量。
优选地,基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标数据包括:
基于影响甜菜成长的气象指标过去n年的数据,根据设置的气象指标预测模型,确定当年未知时间的气象指标数据,其中:
日最低温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmin=μmin+σmin×χ
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
式中,Tnmin是当年未知时间中的某天的日最低温度,Thmax是当年未知时间中的某天在过去n年的日最高温度中的最大值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
日最高温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmax=μmax+σmax×χ
式中,Tnmax是当年未知时间中的某天的日最高温度,Thmin是当年未知时间中的某天在过去n年的日最低温度中的最小值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
土壤湿度预测模型的计算公式为:
RHUmon=RHmon+(1-RHmon)×exp(RHmon-1)
RHLmon=RHmon×(1-exp(-RHmon))
RH=RHLmon+[rnd1×(RHUmon-RHLmon)×(RHmon-RHLmon)]0.5
式中,RH是当年未知时间中的某天的日平均相对湿度,rnd1是一个随机数,RHmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度的平均值,RHUmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最大值,RHLmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最小值;
风速预测模型的计算公式为:
式中,u是当年未知时间中的某天的风速,μu是当年未知时间中的某天所在月份在过去n年的日风速的均值,σu是当年未知时间中的某天所在月份在过去n年的日风速的标准差,ξ是当年未知时间中的某天所在月份在过去n年的日风速的偏度系数,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
将当年已知时间的气象指标数据与通过气象指标预测模型确定的当年未知时间的气象指标数据按照甜菜每个生育时期的起止时间进行划分,即得到甜菜每个生育时期的气象指标数据。
优选地,所述基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据包括:
将甜菜每个生育时期的生物量过去n年的数据按时间顺序生成生物量序列数据;
以i年为滑动步长,运用直线滑动平均法对甜菜每个生育时期的每i年的生物量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
基于j组一元线性回归方程确定甜菜每个生育时期每年的j个生物量的模拟值;
根据甜菜每个生育时期每年的j个生物量的模拟值确定每年的生物量的模拟值的平均值,并将其作为甜菜每个生育时期每年的趋势生物量;
将甜菜每个生育时期的每年的生物量和趋势生物量相减即为甜菜每个生育时期的每年的气象生物量。
优选地,所述基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型包括:
基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定每个气象指标与气象生物量的核函数、每个核函数的权重,以及根据核函数确定求取气象生物量的偏差值;
基于每个气象指标与气象生物量的核函数、每个核函数的权重,以及偏差值确定甜菜每个生育时期的气象指标-气象生物量预测模型,其计算公式为:
式中,yi是甜菜当年第i个生育时期的气象生物量,是甜菜当年第i个生育时期第j个气象指标的核函数,ωij是甜菜当年第i个生育时期第j个气象指标的核函数的权重,bi是根据核函数确定甜菜当年第i个生育时期的气象生物量的偏差值。
在本优选实施方式中,甜菜的成长阶段分为播种出苗期、茎叶繁茂期、块茎膨大增长期和糖分积累期4个生育时期。为了使每个生育时期的气象指标-气象生物量预测模型更为准确,对于根据历史经验设置的最低温度值和最高温度值、以及稻田日水层高度都进行了更为具体的区间划分,具体地:
甜菜播种出苗期的气象指标-生物量预测模型的计算公式为:
式中,ybc为播种出苗期气象生物量,BCTDL、分别为播种出苗期内日最低温度小于5℃的天数、该气象指标的核函数以及该气象指标的核函数权重,BCTDM、分别为播种出苗期内日最低温度在5℃-12℃间的天数、该气象指标的核函数以及该气象指标的核函数权重,BCTGM、分别为播种出苗期内日最高温度在12℃-14℃的天数、该气象指标的核函数以及该气象指标的核函数权重,BCTGH、分别为播种出苗期内日最高温度大于14℃的天数、该气象指标的核函数以及该气象指标的核函数权重,BCSSL、分别为播种出苗期内日土壤湿度小于21%的天数、该气象指标的核函数以及该气象指标的核函数权重,BCSSM、分别为播种出苗期内日土壤湿度在21%-26%之间的天数、该气象指标的核函数以及该气象指标的核函数权重,BCSSH、分别为播种出苗期内日土壤湿度大于26%的天数、该气象指标的核函数以及该气象指标的核函数权重,BCFSL、分别为播种出苗期内日平均风速小于等于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,BCFSH、分别为播种出苗期内日平均风速大于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,bbc为偏差。
甜菜茎叶繁茂期的气象指标-生物量预测模型的计算公式为:
式中,yjf为茎叶繁茂期气象生物量,JFTDL、分别为茎叶繁茂期内日最低温度小于7℃的天数、该气象指标的核函数以及该气象指标的核函数权重,JFTDM、分别为茎叶繁茂期内日最低温度在7℃-10℃间的天数、该气象指标的核函数以及该气象指标的核函数权重,JFTGM、分别为茎叶繁茂期内日最高温度在10℃-12℃的天数、该气象指标的核函数以及该气象指标的核函数权重,JFTGH、分别为茎叶繁茂期内日最高温度大于12℃的天数、该气象指标的核函数以及该气象指标的核函数权重,JFSSL、分别为茎叶繁茂期内日土壤湿度小于25%的天数、该气象指标的核函数以及该气象指标的核函数权重,JFSSM、分别为茎叶繁茂期内日土壤湿度在25%-27%之间的天数、该气象指标的核函数以及该气象指标的核函数权重,JFSSH、分别为茎叶繁茂期内日土壤湿度大于27%的天数、该气象指标的核函数以及该气象指标的核函数权重,JFFSL、分别为茎叶繁茂期内日平均风速小于等于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,JFFSH、分别为茎叶繁茂期内日平均风速大于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,bif为偏差。
甜菜块茎膨大增长期的气象指标-生物量预测模型的计算公式为:
式中,ypz为块茎膨大增长期气象生物量,PZTDL、分别为块茎膨大增长期内日最低温度小于5℃的天数、该气象指标的核函数以及该气象指标的核函数权重,PZTDM、分别为块茎膨大增长期内日最低温度在5℃-12℃间的天数、该气象指标的核函数以及该气象指标的核函数权重,PZTGM、分别为块茎膨大增长期内日最高温度在12℃-14℃的天数、该气象指标的核函数以及该气象指标的核函数权重,PZTGH、分别为块茎膨大增长期内日最高温度大于14℃的天数、该气象指标的核函数以及该气象指标的核函数权重,PZSSL、分别为块茎膨大增长期内日土壤湿度小于22%的天数、该气象指标的核函数以及该气象指标的核函数权重,PZSSM、分别为块茎膨大增长期内日土壤湿度在22%-25%之间的天数、该气象指标的核函数以及该气象指标的核函数权重,PZSSH、 分别为块茎膨大增长期内日土壤湿度大于25%的天数、该气象指标的核函数以及该气象指标的核函数权重,PZFSL、分别为块茎膨大增长期内日平均风速小于等于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,PZFSH、分别为块茎膨大增长期内日平均风速大于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,bpz为偏差。
甜菜糖分积累期的气象指标-生物量预测模型的计算公式为:
式中,ytj为糖分积累期气象生物量,TJTDL、分别为糖分积累期内日最低温度小于-5℃的天数、该气象指标的核函数以及该气象指标的核函数权重,TJTDM、分别为糖分积累期内日最低温度在-5℃-12℃间的天数、该气象指标的核函数以及该气象指标的核函数权重,TJTGM、分别为糖分积累期内日最高温度在12℃-14℃的天数、该气象指标的核函数以及该气象指标的核函数权重,TJTGH、分别为糖分积累期内日最高温度大于14℃的天数、该气象指标的核函数以及该气象指标的核函数权重,TJSSL、分别为糖分积累期内日土壤湿度小于20%的天数、该气象指标的核函数以及该气象指标的核函数权重,TJSSM、分别为糖分积累期内日土壤湿度在20%-22%之间的天数、该气象指标的核函数以及该气象指标的核函数权重,TJSSH、分别为糖分积累期内日土壤湿度大于22%的天数、该气象指标的核函数以及该气象指标的核函数权重,TJFSL、分别为糖分积累期内日平均风速小于等于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,TJFSH、分别为糖分积累期内日平均风速大于4m/s的天数、该气象指标的核函数以及该气象指标的核函数权重,btj为偏差。
优选地,所述基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据包括:
将甜菜经济产量过去n年的数据按时间顺序生成经济产量序列数据;
以i年为滑动步长,运用直线滑动平均法对甜菜每i年的经济产量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
基于j组一元线性回归方程确定甜菜每年的j个经济产量的模拟值;
根据甜菜每年的j个经济产量的模拟值确定每年的经济产量的模拟值的平均值,并将其作为甜菜每年的趋势经济产量;
将甜菜每年的经济产量和趋势经济产量相减即为甜菜每年的气象产量。
优选地,基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜气象生物量-气象产量的预测模型包括:
基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及根据核函数确定求取气象产量的偏差值;
基于甜菜每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及偏差值确定甜菜气象生物量-气象产量预测模型,其计算公式为:
在本优选实施方式中,甜菜的成长阶段分为播种出苗期、茎叶繁茂期、块茎膨大增长期和糖分积累期4个生育时期。与之相对应,所述甜菜每个生育时期的气象生物量与气象产量的预测模型的计算公式为:
式中,z为甜菜气象产量,ybc、分别为甜菜播种出苗期生物量、甜菜播种出苗期生物量核函数及核函数权重,yjf、分别为甜菜茎叶繁茂期生物量、甜菜茎叶繁茂期生物量核函数及核函数权重,ypz、wpz分别为甜菜块茎膨大增长期生物量、甜菜块茎膨大增长期生物量核函数及核函数权重,ytj、分别为甜菜糖分积累期生物量、甜菜糖分积累期生物量核函数及核函数权重,b为偏差。
图2为根据本发明优选实施方式的确定甜菜气象产量的***的结构示意图。如图2所示,本优选实施方式所述的确定甜菜气象产量的***200包括:
甜菜生育期划分单元201,其用于根据甜菜的生育特征,将甜菜的成长阶段划分为若干个生育时期;
生育期时间确定单元202,其用于根据甜菜每个生育时期起止时间的历史数据确定当年每个生育时期的起止时间。
数据采集单元203,其用于采集影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据、每个生育时期的生物量过去n年的数据和经济产量过去n年的数据。
第一数据单元204,其用于基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据。
第一模型单元205,其用于基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型。
第二数据单元206,其用于基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据。
第二模型单元207,其用于基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜的气象生物量-气象产量预测模型。
甜菜气象指标单元208,其用于基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据,其中,所述气象指标包括日最低温度、日最高温度、土壤湿度和风速。
甜菜气象生物量单元209,其用于基于甜菜当年每个生育时期的气象指标的数据,根据甜菜每个生育时期的气象指标-气象生物量预测模型,确定甜菜当年每个生育时期的气象生物量。
甜菜气象产量单元210,其用于基于甜菜当年每个生育时期的气象生物量,根据甜菜气象生物量-气象产量预测模型,确定甜菜当年的气象产量。
优选地,所述甜菜气象指标单元208包括:
未知气象指标单元281,其用于基于影响甜菜成长的气象指标过去n年的数据,根据设置的气象指标预测模型,确定当年未知时间的气象指标数据,其中,所述日最低温度、日最高温度、土壤湿度和风速预测模型的计算公式与确定甜菜气象产量的方法中的相同,此处不再赘述。
指标确定单元282,其用于将当年已知时间的气象指标数据与通过气象指标预测模型确定的当年未知时间的气象指标数据按照甜菜每个生育时期的起止时间进行划分,即得到甜菜每个生育时期的气象指标数据。
优选地,所述第一数据单元204包括:
第一序列单元241,其用于将甜菜每个生育时期的生物量过去n年的数据按时间顺序生成生物量序列数据;
第一方程组单元242,其用于以i年为滑动步长,运用直线滑动平均法对甜菜每个生育时期的每i年的生物量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
第一模拟值单元243,其用于基于j组一元线性回归方程确定甜菜每个生育时期每年的j个生物量的模拟值;
第一趋势值单元244,其用于根据甜菜每个生育时期每年的j个生物量的模拟值确定每年的生物量的模拟值的平均值,并将其作为甜菜每个生育时期每年的趋势生物量;
第一结果单元245,其用于将甜菜每个生育时期的每年的生物量和趋势生物量相减即为甜菜每个生育时期的每年的气象生物量。
优选地,所述第一模型单元205包括:
第一参数单元251,其用于基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定每个气象指标与气象生物量的核函数、每个核函数的权重,以及根据核函数确定求取气象生物量的偏差值;
第一公式单元252,其用于基于每个气象指标与气象生物量的核函数、每个核函数的权重,以及偏差值确定甜菜每个生育时期的气象指标-气象生物量预测模型,其计算公式为:
式中,yi是甜菜当年第i个生育时期的气象生物量,是甜菜当年第i个生育时期第j个气象指标的核函数,ωij是甜菜当年第i个生育时期第j个气象指标的核函数的权重,bi是根据核函数确定甜菜当年第i个生育时期的气象生物量的偏差值。
优选地,所述第二数据单元206包括:
第二序列单元261,其用于将甜菜经济产量过去n年的数据按时间顺序生成经济产量序列数据;
第二方程组单元262,其用于以i年为滑动步长,运用直线滑动平均法对甜菜每i年的经济产量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
第二模拟值单元263,其用于基于j组一元线性回归方程确定甜菜每年的j个经济产量的模拟值;
第二趋势值单元264,其用于根据甜菜每年的j个经济产量的模拟值确定每年的经济产量的模拟值的平均值,并将其作为甜菜每年的趋势经济产量;
第二结果单元265,将甜菜每年的经济产量和趋势经济产量相减即为甜菜每年的气象产量。
优选地,所述第二模型单元207包括:
第二参数单元271,其用于基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及根据核函数确定求取气象产量的偏差值;
第二公式单元272,其用于基于甜菜每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及偏差值确定甜菜气象生物量-气象产量预测模型,其计算公式为:
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (6)
1.一种确定甜菜气象产量的方法,其特征在于,所述方法包括:
根据甜菜的生育特征,将甜菜的成长阶段划分为若干个生育时期;
采集影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据、每个生育时期的生物量过去n年的数据、经济产量过去n年的数据,以及甜菜每个生育时期起止时间的历史数据;
根据甜菜每个生育时期起止时间的历史数据确定当年每个生育时期的起止时间;
基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据;
基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型,包括:
基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定每个气象指标与气象生物量的核函数、每个核函数的权重,以及根据核函数确定求取气象生物量的偏差值;
基于每个气象指标与气象生物量的核函数、每个核函数的权重,以及偏差值确定甜菜每个生育时期的气象指标-气象生物量预测模型,其计算公式为:
式中,yi是甜菜当年第i个生育时期的气象生物量,是甜菜当年第i个生育时期第j个气象指标的核函数,ωij是甜菜当年第i个生育时期第j个气象指标的核函数的权重,bi是根据核函数确定甜菜当年第i个生育时期的气象生物量的偏差值;
基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据;
基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜的气象生物量-气象产量预测模型,包括:
基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及根据核函数确定求取气象产量的偏差值;
基于甜菜每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及偏差值确定甜菜气象生物量-气象产量预测模型,其计算公式为:
基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据,包括:
基于影响甜菜成长的气象指标过去n年的数据,根据设置的气象指标预测模型,确定当年未知时间的气象指标数据,所述气象指标包括日最低温度、日最高温度、土壤湿度和风速,其中:
日最低温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmin=μmin+σmin×χ
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
式中,Tnmin是当年未知时间中的某天的日最低温度,Thmax是当年未知时间中的某天在过去n年的日最高温度中的最大值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
日最高温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmax=μmax+σmax×χ
式中,Tnmax是当年未知时间中的某天的日最高温度,Thmin是当年未知时间中的某天在过去n年的日最低温度中的最小值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
土壤湿度预测模型的计算公式为:
RHUmon=RHmon+(1-RHmon)×exp(RHmon-1)
RHLmon=RHmon×(1-exp(-RHmon))
RH=RHLmon+[rnd1×(RHUmon-RHLmon)×(RHmon-RHLmon)]0.5
式中,RH是当年未知时间中的某天的日平均相对湿度,rnd1是一个随机数,RHmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度的平均值,RHUmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最大值,RHLmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最小值;
风速预测模型的计算公式为:
式中,u是当年未知时间中的某天的风速,μu是当年未知时间中的某天所在月份在过去n年的日风速的均值,σu是当年未知时间中的某天所在月份在过去n年的日风速的标准差,ξ是当年未知时间中的某天所在月份在过去n年的日风速的偏度系数,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
将当年已知时间的气象指标数据与通过气象指标预测模型确定的当年未知时间的气象指标数据按照甜菜每个生育时期的起止时间进行划分,即得到甜菜每个生育时期的气象指标数据;
基于甜菜当年每个生育时期的气象指标的数据,根据甜菜每个生育时期的气象指标-气象生物量预测模型,确定甜菜当年每个生育时期的气象生物量;
基于甜菜当年每个生育时期的气象生物量,根据甜菜气象生物量-气象产量预测模型,确定甜菜当年的气象产量。
2.根据权利要求1所述的方法,其特征在于,所述基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据包括:
将甜菜每个生育时期的生物量过去n年的数据按时间顺序生成生物量序列数据;
以i年为滑动步长,运用直线滑动平均法对甜菜每个生育时期的每i年的生物量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
基于j组一元线性回归方程确定甜菜每个生育时期每年的j个生物量的模拟值;
根据甜菜每个生育时期每年的j个生物量的模拟值确定每年的生物量的模拟值的平均值,并将其作为甜菜每个生育时期每年的趋势生物量;
将甜菜每个生育时期的每年的生物量和趋势生物量相减即为甜菜每个生育时期的每年的气象生物量。
3.根据权利要求1所述的方法,其特征在于,所述基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据包括:
将甜菜经济产量过去n年的数据按时间顺序生成经济产量序列数据;
以i年为滑动步长,运用直线滑动平均法对甜菜每i年的经济产量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
基于j组一元线性回归方程确定甜菜每年的j个经济产量的模拟值;
根据甜菜每年的j个经济产量的模拟值确定每年的经济产量的模拟值的平均值,并将其作为甜菜每年的趋势经济产量;
将甜菜每年的经济产量和趋势经济产量相减即为甜菜每年的气象产量。
4.一种确定甜菜气象产量的***,其特征在于,所述***包括:
甜菜生育期划分单元,其用于根据甜菜的生育特征,将甜菜的成长阶段划分为若干个生育时期;
数据采集单元,其用于采集影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据、每个生育时期的生物量过去n年的数据、经济产量过去n年的数据,以及甜菜每个生育时期起止时间的历史数据;
生育期时间确定单元,其用于根据甜菜每个生育时期起止时间的历史数据确定当年每个生育时期的起止时间;
第一数据单元,其用于基于甜菜每个生育时期的生物量过去n年的数据确定甜菜每个生育时期的气象生物量过去n年的数据;
第一模型单元,其用于基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定甜菜每个生育时期的气象指标-气象生物量预测模型,所述第一模型单元包括:
第一参数单元,其用于基于甜菜每个生育时期的气象指标过去n年的数据和气象生物量过去n年的数据确定每个气象指标与气象生物量的核函数、每个核函数的权重,以及根据核函数确定求取气象生物量的偏差值;
第一公式单元,其用于基于每个气象指标与气象生物量的核函数、每个核函数的权重,以及偏差值确定甜菜每个生育时期的气象指标-气象生物量预测模型,其计算公式为:
式中,yi是甜菜当年第i个生育时期的气象生物量,是甜菜当年第i个生育时期第j个气象指标的核函数,ωij是甜菜当年第i个生育时期第j个气象指标的核函数的权重,bi是根据核函数确定甜菜当年第i个生育时期的气象生物量的偏差值;
第二数据单元,其用于基于甜菜经济产量过去n年的数据确定甜菜气象产量过去n年的数据;
第二模型单元,其用于基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定甜菜的气象生物量-气象产量预测模型,所述第二模型单元包括:
第二参数单元,其用于基于甜菜每个生育时期的气象生物量过去n年的数据和甜菜气象产量过去n年的数据确定每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及根据核函数确定求取气象产量的偏差值;
第二公式单元,其用于基于甜菜每个生育时期的气象生物量与气象产量的核函数、每个核函数的权重,以及偏差值确定甜菜气象生物量-气象产量预测模型,其计算公式为:
甜菜气象指标单元,其用于基于影响甜菜成长的气象指标过去n年的数据和当年已知时间的数据,根据设置的气象指标预测模型,确定甜菜当年每个生育时期的气象指标的数据,所述甜菜气象指标单元包括:
未知气象指标单元,其用于基于影响甜菜成长的气象指标过去n年的数据,根据设置的气象指标预测模型,确定当年未知时间的气象指标数据,所述气象指标包括日最低温度、日最高温度、土壤湿度和风速,其中:
日最低温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmin=μmin+σmin×χ
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
式中,Tnmin是当年未知时间中的某天的日最低温度,Thmax是当年未知时间中的某天在过去n年的日最高温度中的最大值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
日最高温度预测模型的计算公式为:
当根据某天在过去n年的日最高温度确定的日最高温度标准差大于或等于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
当根据某天在过去n年的日最高温度确定的日最高温度标准差小于根据某天在过去n年的日最低温度确定的日最低温度标准差时:
Tnmax=μmax+σmax×χ
式中,Tnmax是当年未知时间中的某天的日最高温度,Thmin是当年未知时间中的某天在过去n年的日最低温度中的最小值,μmin是当年未知时间中的某天所在月份在过去n年的日最低温度的均值,μmax是当年未知时间中的某天所在月份在过去n年的日最高温度的均值,σmin是当年未知时间中的某天所在月份在过去n年的日最低温度的标准差,σmax是当年未知时间中的某天所在月份在过去n年的日最高温度的标准差,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
土壤湿度预测模型的计算公式为:
RHUmon=RHmon+(1-RHmon)×exp(RHmon-1)
RHLmon=RHmon×(1-exp(-RHmon))
RH=RHLmon+[rnd1×(RHUmon-RHLmon)×(RHmon-RHLmon)]0.5
式中,RH是当年未知时间中的某天的日平均相对湿度,rnd1是一个随机数,RHmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度的平均值,RHUmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最大值,RHLmon是当年未知时间中的某天所在月份在过去n年的日平均相对湿度中的最小值;
风速预测模型的计算公式为:
式中,u是当年未知时间中的某天的风速,μu是当年未知时间中的某天所在月份在过去n年的日风速的均值,σu是当年未知时间中的某天所在月份在过去n年的日风速的标准差,ξ是当年未知时间中的某天所在月份在过去n年的日风速的偏度系数,χ是产生的每日标准正态偏差,根据两个随机数rnd1和rnd2得到;
指标确定单元,其用于将当年已知时间的气象指标数据与通过气象指标预测模型确定的当年未知时间的气象指标数据按照甜菜每个生育时期的起止时间进行划分,即得到甜菜每个生育时期的气象指标数据;
甜菜气象生物量单元,其用于基于甜菜当年每个生育时期的气象指标的数据,根据甜菜每个生育时期的气象指标-气象生物量预测模型,确定甜菜当年每个生育时期的气象生物量;
甜菜气象产量单元,其用于基于甜菜当年每个生育时期的气象生物量,根据甜菜气象生物量-气象产量预测模型,确定甜菜当年的气象产量。
5.根据权利要求4所述的***,其特征在于,所述第一数据单元包括:
第一序列单元,其用于将甜菜每个生育时期的生物量过去n年的数据按时间顺序生成生物量序列数据;
第一方程组单元,其用于以i年为滑动步长,运用直线滑动平均法对甜菜每个生育时期的每i年的生物量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
第一模拟值单元,其用于基于j组一元线性回归方程确定甜菜每个生育时期每年的j个生物量的模拟值;
第一趋势值单元,其用于根据甜菜每个生育时期每年的j个生物量的模拟值确定每年的生物量的模拟值的平均值,并将其作为甜菜每个生育时期每年的趋势生物量;
第一结果单元,其用于将甜菜每个生育时期的每年的生物量和趋势生物量相减即为甜菜每个生育时期的每年的气象生物量。
6.根据权利要求4所述的***,其特征在于,所述第二数据单元包括:
第二序列单元,其用于将甜菜经济产量过去n年的数据按时间顺序生成经济产量序列数据;
第二方程组单元,其用于以i年为滑动步长,运用直线滑动平均法对甜菜每i年的经济产量进行统计回归分析,得到j组一元线性回归方程,其中,1≤i≤n,1≤j≤i,i、j和n均是自然数;
第二模拟值单元,其用于基于j组一元线性回归方程确定甜菜每年的j个经济产量的模拟值;
第二趋势值单元,其用于根据甜菜每年的j个经济产量的模拟值确定每年的经济产量的模拟值的平均值,并将其作为甜菜每年的趋势经济产量;
第二结果单元,将甜菜每年的经济产量和趋势经济产量相减即为甜菜每年的气象产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646260.0A CN109615149B (zh) | 2018-12-29 | 2018-12-29 | 一种确定甜菜气象产量的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646260.0A CN109615149B (zh) | 2018-12-29 | 2018-12-29 | 一种确定甜菜气象产量的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615149A CN109615149A (zh) | 2019-04-12 |
CN109615149B true CN109615149B (zh) | 2023-04-28 |
Family
ID=66015407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811646260.0A Active CN109615149B (zh) | 2018-12-29 | 2018-12-29 | 一种确定甜菜气象产量的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615149B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245444B (zh) * | 2019-06-21 | 2020-09-04 | 中国气象科学研究院 | 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 |
CN110378521B (zh) * | 2019-06-28 | 2022-04-22 | 河南农业大学 | 豫东北冬小麦产量预测模型的构建与应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及*** |
CN107423853A (zh) * | 2017-07-25 | 2017-12-01 | 中国农业科学院农业信息研究所 | 一种单产‑气象变化系数的确定方法及*** |
CN107950324A (zh) * | 2017-12-15 | 2018-04-24 | 上海应用技术大学 | 基于玉米分阶段灌溉需水量计算的灌溉管理***及灌溉方法 |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10529036B2 (en) * | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
-
2018
- 2018-12-29 CN CN201811646260.0A patent/CN109615149B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及*** |
CN107423853A (zh) * | 2017-07-25 | 2017-12-01 | 中国农业科学院农业信息研究所 | 一种单产‑气象变化系数的确定方法及*** |
CN107950324A (zh) * | 2017-12-15 | 2018-04-24 | 上海应用技术大学 | 基于玉米分阶段灌溉需水量计算的灌溉管理***及灌溉方法 |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
Non-Patent Citations (1)
Title |
---|
周俊,梁芳芝,陈传轲,伍宏志.夏大豆产量与气象因素关系的分析.河南职业技术师范学院学报.1988,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109615149A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615148B (zh) | 一种确定玉米气象产量的方法和*** | |
US11617313B2 (en) | Controlling agricultural production areas | |
Matthews | Modeling the impact of climate change on rice production in Asia | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及*** | |
CN105184445A (zh) | 一种玉米干旱气象灾害多年平均损失率的计算方法 | |
CN101950321A (zh) | 一种建立日光温室长季节栽培番茄植株叶片数模型用于控制番茄长势的方法 | |
CN109615149B (zh) | 一种确定甜菜气象产量的方法和*** | |
CN110245444B (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 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
CN108376265A (zh) | 一种冬小麦晚霜冻害多致灾因子权重的确定方法 | |
AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
CN109858678B (zh) | 一种确定向日葵气象产量的方法和*** | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和*** | |
CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
CN109840623B (zh) | 一种确定芝麻气象产量的方法和*** | |
Osada | Intraspecific variation in spring leaf phenology and duration of leaf expansion in relation to leaf habit and leaf size of temperate tree species | |
CN115049126A (zh) | 基于温度效应和历史阈值的蒸散量预测方法 | |
Lisson et al. | Development of a hemp (Cannabis sativa L.) simulation model 4. Model description and validation | |
CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
CN113052407A (zh) | 一种大豆气象单产预测方法及预测*** | |
CN111241485B (zh) | 一种新型作物产量对气候变化响应的诊断方法 | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
CN111667167B (zh) | 一种农业粮食产量估算方法和*** |
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 |