CN111754045A - 一种基于果树生长的预测*** - Google Patents

一种基于果树生长的预测*** Download PDF

Info

Publication number
CN111754045A
CN111754045A CN202010619981.3A CN202010619981A CN111754045A CN 111754045 A CN111754045 A CN 111754045A CN 202010619981 A CN202010619981 A CN 202010619981A CN 111754045 A CN111754045 A CN 111754045A
Authority
CN
China
Prior art keywords
data
environment
fruit tree
model
neural network
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.)
Pending
Application number
CN202010619981.3A
Other languages
English (en)
Inventor
姜继东
李访
李�灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SICHUAN ECOLOGY CHENGPIN AGRICULTURE DEVELOPMENT Co.,Ltd.
Original Assignee
Sichuan Ecology Chengpin Agriculture Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Ecology Chengpin Agriculture Development Co ltd filed Critical Sichuan Ecology Chengpin Agriculture Development Co ltd
Priority to CN202010619981.3A priority Critical patent/CN111754045A/zh
Publication of CN111754045A publication Critical patent/CN111754045A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于果树生长的预测***，包括环境数据实时采集***及数据处理与建模***，所述环境数据实时采集***包括多个环境传感器，用于采集果园环境数据并传送至数据处理与建模***进行预测；所述数据处理与建模***包括神经网络模型、环境适宜度量化模型及产量预测模型，所述环境传感器采集的数据作为神经网络模型及环境适宜度量化模型的输入，环境适宜度量化模型的输出作为产量预测模型的输入，最终得到果园的环境数据预测结果及产量预测结果。本发明提供的基于果树生长的预测***能提前至少3个月判断环境对果树生理周期的影响趋势及变化，并预测果树物候期和产量，最大化果农的收益。

Description

一种基于果树生长的预测***
技术领域
本发明涉及果树产量预测技术领域，尤其是涉及一种基于果树生长的预测***。
背景技术
大部分果树对于自然气候的依赖性都较大，这使得每年的果树产量都存在极大的不稳定性，果农无法对市场进行预判，不能及时调整生产管理与销售策略，影响果树的养护及果实售卖，从而对果农的收益造成巨大影响。
为此，目前越来越多的人致力于果树产量预测的研究，以在果实成熟前先对果树产量进行预测，给出果农寻找应对策略的时间。目前较为流行的预测方法有遥感技术预测法、马尔科夫模型预测法等方法，但是这些预测方法不仅预测过程复杂、成本高昂，预测结果也难以达到预计效果。
发明内容
为了解决上述问题，本发明提供一种基于果树生长的预测***，能提前至少3个月判断环境对果树生理周期的影响趋势及变化，并预测果树物候期和产量，提升果农的收益。
本发明为了实现上述目的具体采用以下技术方案：
一种基于果树生长的预测***，包括环境数据实时采集***及数据处理与建模***，所述环境数据实时采集***包括多个环境传感器，用于采集果园环境数据并传送至数据处理与建模***进行预测；所述数据处理与建模***包括神经网络模型、环境适宜度量化模型及产量预测模型，所述环境传感器采集的数据作为神经网络模型及环境适宜度量化模型的输入，环境适宜度量化模型的输出作为产量预测模型的输入，最终得到果园的产量预测结果。
更进一步地，所述环境传感器包括温度传感器、湿度传感器、光照强度传感器、二氧化碳浓度传感器、土壤酸碱度传感器以及土壤墒情传感器。
更进一步地，所述神经网络模型为静态部分分为两层BP神经网络的NARX神经网络构成的长时域预测模型，在接收环境传感器传输的数据后可预测果园未来的环境情况。
更进一步地，所述神经网络模型的输入和输出关系如下所示：
Figure BDA0002562708770000021
Figure BDA0002562708770000022
其中，上式中u(k)为第k天某一时刻的环境数据，y(k)为上一年度同一时刻的历史环境数据，ym(k+1)为预测的第k+1天该时刻的环境数据，
Figure BDA0002562708770000023
表示NARX神经网络的输出神经元和隐藏层中第i个神经元之间的连接权值；
Figure BDA0002562708770000024
表示NARX神经网络输出神经元的偏置值；
Figure BDA0002562708770000025
表示NARX神经网络隐藏层中第i个神经元的净输入。
更进一步地，所述环境适宜度量化模型的输出与输入关系如下所示：
Figure BDA0002562708770000026
Figure BDA0002562708770000027
Figure BDA0002562708770000034
Figure BDA0002562708770000031
其中，A(m)为模块m的环境参数矩阵，n为果园中测量的模块的数量，
Figure BDA0002562708770000032
是A(m)的第j列，为某个环境因素在不同时间测得的数据序列，γ(m)为模块m的环境适宜度。
更进一步地，所述产量预测模块的输出与输入如下所述：
Figure BDA0002562708770000033
其中，M(m)为模块m的产量。
更进一步地，所述预测***还包括摄像组件，所述摄像组件用于拍摄果树的实时生长状态，对果树的生长情况进行动态监测。
更进一步地，所述摄像组件拍摄的图片、神经网络模型预测的每个物候期环境数据及果园产量预测数据均录入至微信小程序进行展示。
本发明的有益效果如下：
1.根据基于递归BP神经网络的神经网络模型的结构和输入输出关系式，构造了一个静态部分分为两层BP神经网络的NARX神经网络，并以此为基础建立了一个模型，该模型能够很好的克服预测误差积累现象，可以作为非线性***的长时域预测手段；
2.本发明的数据建模与处理***分为三部分，第一部分可以预测未来一段时间的温度、湿度、光照强度、二氧化碳浓度、土壤酸碱度、土壤墒情的数据；第二部分可以用每一个模块的数据去定义一个环境适宜度的量用来度量环境的状态，给每一个模块匹配一个对应的环境适宜度；第三部分把所有的环境适宜度与产量结合，并可以找到每个环境适宜度的权重，从而对果园产量进行准确预测，而不是单纯用历史产量数据来预测产量，有效提升了果园产量预测的准确度；
3.环境是一个复杂的***，其对果园的产量影响往往难以直观表达，而本发明中用一个量去描述它，使得果园产量受到的环境影响的程度能直观可靠地表述出来，而本发明中主要提取影响产量的主要几种因素，并对这几种因素按重要程度进行适当的加权，从而准确呈现出需要的主体环境，相对于目前单一评判温度或湿度等因素对于果园产量的影响而言，更为科学、准确；
4.本发明对于果树产量的预测有较长的时域，可以提前至少3个月判断环境对果树生理周期的影响趋势及变化，并较为准确地预测果树物候期和产量，提升果树的种植效益；
5.每个物候期的数据、果园的图片、农户的施肥用药修剪采摘等生产记录都可录入微信小程序，呈现给果农客户，既能帮助果农实时监控果园的状态，又能提高客户对果园果实的信任度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是神经网络模型结构图；
图2是流程结构示意图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
在本发明的描述中，需要说明的是，术语“上”、“下”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连通”应做广义理解，例如，可以是固定连通，也可以是可拆卸连通，或一体地连通；可以是机械连通，也可以是电连通；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例
本实施例提供一种基于果树生长的预测***，如图2所示，包括环境数据实时采集***及数据处理与建模***，所述环境数据实时采集***包括多个环境传感器，环境传感器用于采集果园环境数据并传送至数据处理与建模***进行预测；所述数据处理与建模***包括神经网络模型、环境适宜度量化模型及产量预测模型，所述环境传感器采集的数据作为神经网络模型及环境适宜度量化模型的输入，环境适宜度量化模型的输出作为产量预测模型的输入，最终得到果园的产量预测结果及各物候期环境数据预测结果。当然，作为***的硬件支撑，除环境传感器外，还包括存储器、处理器、通信模块、显示屏等，存储器用于存储数据，可以为高速RAM存储器，也可以是磁盘存储器，通信模块实现各个组件之间的连接通信，可以是有线、WIFI、4G、5G等可实现通信的方式，处理器搭载模型算法对果园的产量及物候期进行预测，这些设备可以自行进行组装设置，也可以选用现有的PC、手机、计算机等等设备。
以上为本实施例的整体描述，以下结合具体使用来进行详细描述：
在实际预测时，可将果园按照固定亩数分为多个小模块来进行监测，例如50亩，在每个模块均布设一套环境传感器，其中一套环境传感器包括温度传感器、湿度传感器、光照强度传感器、二氧化碳浓度传感器、土壤酸碱度传感器以及土壤墒情传感器。当然也可以根据果树的品种进行调整，减少或增加其它类型的环境传感器，而上述传感器的种类，是发明人经过多次试验发现的最为常用的类型，并不限制只能常用这些传感器；布设好后，可每天间隔固定的时间记录一次温度、湿度、光照强度、二氧化碳浓度、土壤酸碱度、土壤墒情，例如3h、4h等。
获取环境监测数据后，利用建立的神经网络模型，输入已经测量的环境数据，来预测未来一段时间的环境数据，以提早对果树养护作出计划。为了预测非线性***的未来信息，本实施例建立了非线性***的长时域预测模型，其是基于NARX神经网络的非线性多步预测模型，这个模型建立在递归BP神经网络的基础上，它将BP神经网络的输出向量延时保持之后通过外部反馈引入到输入向量之中，其结构图如图1所示，其具体采用的算法如下所示：
假设当前时刻为第k天的12点，基于两层BP神经网络的非线性多步预测模型在k+s天的12点的输入和输出关系如下所示：
Figure BDA0002562708770000071
Figure BDA0002562708770000072
其中，
Figure BDA0002562708770000073
和
Figure BDA0002562708770000074
都是模型参数，
Figure BDA0002562708770000075
表示NARX神经网络的输出神经元和隐藏层中第i个神经元之间的连接权值；
Figure BDA0002562708770000076
表示NARX神经网络输出神经元的偏置值；
Figure BDA0002562708770000077
表示NARX神经网络隐藏层中第i个神经元的净输入。而这些参数值可以在神经网络模型训练时进行完善，具体地，可先随机选取一组初始值，通过神经网络模型训练，不断的调整这些参数，达到要求的目标后，会输出一组新的值，就得到了迭代关系式里的参数；u(k)、u(k+1)......u(k+np-1)代表第k天到第k+np-1天的每天中午12点的温度数据，y(k)、y(k+1)......y(k+np-1)代表第k天到第k+np-1天的每天中午12点的历史温度数据，则根据神经网络模型可预测第k+1天到第k+np天的每天中午12点的温度数据，即ym(k+1)、ym(k+2)......ym(k+np)，其中ym(k+np)为我们希望的未来一天的预测数据，通过不断的迭代，我们就可以得到未来一段时间的每天中午12点的预测数据。将每种环境因素输入到模型中后，都可预测未来一段时间的该环境因素数据，对于果农对果树进行前瞻性维护具有极为重要的意义。
当然，也可以根据统计的温度数据，绘制果园的等温线，即把温度相同的点连接起来，得到果园的等温线，通过分析果园等温线，分析因素对于果园物候期以及产量的影响，当然对于其它因素也可以采用这种方法来进行绘制分析。
同时，将环境传感器采集到的环境数据输入到环境适宜度量化模型中来计算每个模块的环境适宜度，其中，环境适宜度量化模型的算法如下：
假设果园被分为n个模块，利用获取的各个模块的环境数据相应建立一个矩阵，第m个模块的矩阵为：
Figure BDA0002562708770000081
其中，
Figure BDA0002562708770000082
是A(m)的第j列，它是一个时间序列，是某个因素随时间(天)变化测得的数据序列，例如在每天中午12点时测得的温度(湿度、光照强度、CO2浓度、土壤酸碱度、土壤墒情。而为了比较不同模块之间环境的差异，就需要定义一个环境因子去度量不同环境的差异。
此时，让
Figure BDA0002562708770000083
这里
Figure BDA0002562708770000084
可以看做各环境的平均，可以用各A(m)与
Figure BDA0002562708770000085
的偏差来度量各模块环境的差异，具体地：
让
Figure BDA0002562708770000086
定义
Figure BDA0002562708770000091
这里
Figure BDA0002562708770000092
这个数可以用来比较不同模块对于因素j的差异，为了综合各因素对环境的影响，对每个因素乘以适当的权重C，得到模块m的环境适宜度γ(m)，其中权重C可以是根据往年的历史数据及产量估算得到，也可以是根据去年的产量及环境数据通过熵权法进行计算得到。
最后，根据已有的果园历史环境数据及产量数据建立产量预测模型，输入γ(m)得到预测产量，其中产量预测模型的算法如下：
对每一个模块，有一个二元组(M(m),γ(m))，M(m)为模块m的产量，这对应到平面上的一个点，可以通过拟合得到一个环境因子γ与模块产量M的关系式f(γ)。通过对未知模块预测的环境矩阵去计算环境因子γ，代入拟合关系式f(γ)得到一个对应的产量，这里，f(γ)可以选取为：
Figure BDA0002562708770000093
其中，f(γ)是根据往年该模块m的历史产量与对应的环境因子γ拟合得到的，在具体计算时，先计算得到未知模块m的γ(m)，然后将γ(m)代入f(γ)中计算，就可得到该模块的预测产量M(m)。
而为了方便果农或者果园的客户能实时监测到果园的情况，所述预测***还可摄像组件，所述摄像组件用于拍摄果树的实时生长状态，对果树的生长情况进行动态监测，而所述摄像组件拍摄的图片、神经网络模型预测的物候期环境数据及果园产量预测数据均录入至微信小程序进行展示，当然也可以将果农施肥、用药、修剪等生产记录也录入到微信小程序中去，使得果农或者果园的客户通过手机就能随时随地监察果园的情况，例如对于果农，可以在小程序上就发现果园中存在或即将出现的问题，尽快对其作出相应处理，对于客户而言，可以直观看到果园的生长情况，在合适的时间去果园采买水果。
而对于本发明提供的预测***，发明人从2017年到2019年间一直使用本发明的预测***对果园的物候期及产量进行预测，发现其预测时间可提前至3-6个月，并且预测误差在3％以下，预测效果极好。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (8)

1.一种基于果树生长的预测***，其特征在于，包括环境数据实时采集***及数据处理与建模***，所述环境数据实时采集***包括多个环境传感器，用于采集果园环境数据并传送至数据处理与建模***进行预测；所述数据处理与建模***包括神经网络模型、环境适宜度量化模型及产量预测模型，所述环境传感器采集的数据作为神经网络模型及环境适宜度量化模型的输入，环境适宜度量化模型的输出作为产量预测模型的输入，最终得到果园的环境数据预测结果及产量预测结果。
2.根据权利要求1所述的基于果树生长的预测***，其特征在于，所述环境传感器包括温度传感器、湿度传感器、光照强度传感器、二氧化碳浓度传感器、土壤酸碱度传感器以及土壤墒情传感器。
3.根据权利要求2所述的基于果树生长的预测***，其特征在于，所述神经网络模型为静态部分分为两层BP神经网络的NARX神经网络构成的长时域预测模型，在接收环境传感器传输的数据后可预测果园未来的环境情况。
4.根据权利要求3所述的基于果树生长的预测***，其特征在于，所述神经网络模型的输入和输出关系如下所示：
Figure FDA0002562708760000011
Figure FDA0002562708760000012
其中，上式中u(k)为第k天某一时刻的环境数据，y(k)为上一年度同一时刻的历史环境数据，ym(k+1)为预测的第k+1天该时刻的环境数据，
Figure FDA0002562708760000021
表示NARX神经网络的输出神经元和隐藏层中第i个神经元之间的连接权值；
Figure FDA0002562708760000022
表示NARX神经网络输出神经元的偏置值；
Figure FDA0002562708760000023
表示NARX神经网络隐藏层中第i个神经元的净输入。
5.根据要求4所述的基于果树生长的预测***，其特征在于，所述环境适宜度量化模型的输出与输入关系如下所示：
Figure FDA0002562708760000024
Figure FDA0002562708760000025
Figure FDA0002562708760000026
Figure FDA0002562708760000027
其中，A(m)为模块m的环境参数矩阵，n为果园中测量的模块的数量，
Figure FDA0002562708760000028
是A(m)的第j列，为某个环境因素在不同时间测得的数据序列，γ(m)为模块m的环境适宜度。
6.根据权利要求5所述的基于果树生长的预测***，其特征在于，所述产量预测模块的输出与输入如下所述：
Figure FDA0002562708760000029
其中，M(m)为模块m的产量。
7.根据权利要求1所述的基于果树生长的预测***，其特征在于，所述预测***还包括摄像组件，所述摄像组件用于拍摄果树的实时生长状态，对果树的生长情况进行动态监测。
8.根据权利要求7所述的基于果树生长的预测***，其特征在于，所述摄像组件拍摄的图片、神经网络模型预测的每个物候期环境数据及果园产量预测数据均录入至微信小程序进行展示。
CN202010619981.3A 2020-06-30 2020-06-30 一种基于果树生长的预测*** Pending CN111754045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010619981.3A CN111754045A (zh) 2020-06-30 2020-06-30 一种基于果树生长的预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010619981.3A CN111754045A (zh) 2020-06-30 2020-06-30 一种基于果树生长的预测***

Publications (1)

Publication Number Publication Date
CN111754045A true CN111754045A (zh) 2020-10-09

Family

ID=72678778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010619981.3A Pending CN111754045A (zh) 2020-06-30 2020-06-30 一种基于果树生长的预测***

Country Status (1)

Country Link
CN (1) CN111754045A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554520A (zh) * 2021-07-28 2021-10-26 厦门海晟融创信息技术有限公司 人工智能赋能下的智慧农业生产***及方法
CN114529097A (zh) * 2022-02-26 2022-05-24 黑龙江八一农垦大学 多尺度农作物物候期遥感降维预测方法
CN114723190A (zh) * 2022-06-09 2022-07-08 苏州农业职业技术学院 一种生产栽培中的月季花期调控方法及***
CN114792157A (zh) * 2022-03-30 2022-07-26 江西裕丰智能农业科技有限公司 基于物联网的脐橙产量预测方法、装置、计算机设备
CN115511194A (zh) * 2021-06-29 2022-12-23 布瑞克农业大数据科技集团有限公司 一种农业数据处理方法、***、装置及介质

Citations (7)

* Cited by examiner, † Cited by third party
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
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN106383932A (zh) * 2016-09-05 2017-02-08 上海电机学院 一种风电功率的预测方法
CN106682756A (zh) * 2015-11-11 2017-05-17 中国中医科学院中药研究所 一种基于rs/gis的冬虫夏草产量预测模型
CN109191518A (zh) * 2018-09-11 2019-01-11 曹皓森 一种植物生长用计算机测量显示***及控制方法
CN110705757A (zh) * 2019-09-10 2020-01-17 淮阴工学院 一种基于现场总线网络的多点温度传感器智能监测***
CN110766132A (zh) * 2019-09-10 2020-02-07 淮阴工学院 一种基于物联网的果园产量智能预测***

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN106682756A (zh) * 2015-11-11 2017-05-17 中国中医科学院中药研究所 一种基于rs/gis的冬虫夏草产量预测模型
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN106383932A (zh) * 2016-09-05 2017-02-08 上海电机学院 一种风电功率的预测方法
CN109191518A (zh) * 2018-09-11 2019-01-11 曹皓森 一种植物生长用计算机测量显示***及控制方法
CN110705757A (zh) * 2019-09-10 2020-01-17 淮阴工学院 一种基于现场总线网络的多点温度传感器智能监测***
CN110766132A (zh) * 2019-09-10 2020-02-07 淮阴工学院 一种基于物联网的果园产量智能预测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI-HANG DU等: "Response Characteristics Prediction of Surge Protective Device Based on NARX Neural Network", 《IEEE TRANSACTIONS ON ELECTROMAGN COMPATIBILITY》 *
白冬妹: "黄土丘陵半干旱地区柠条林地土壤水分预测模型研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511194A (zh) * 2021-06-29 2022-12-23 布瑞克农业大数据科技集团有限公司 一种农业数据处理方法、***、装置及介质
CN113554520A (zh) * 2021-07-28 2021-10-26 厦门海晟融创信息技术有限公司 人工智能赋能下的智慧农业生产***及方法
CN114529097A (zh) * 2022-02-26 2022-05-24 黑龙江八一农垦大学 多尺度农作物物候期遥感降维预测方法
CN114792157A (zh) * 2022-03-30 2022-07-26 江西裕丰智能农业科技有限公司 基于物联网的脐橙产量预测方法、装置、计算机设备
CN114723190A (zh) * 2022-06-09 2022-07-08 苏州农业职业技术学院 一种生产栽培中的月季花期调控方法及***
CN114723190B (zh) * 2022-06-09 2022-08-23 苏州农业职业技术学院 一种生产栽培中的月季花期调控方法及***

Similar Documents

Publication Publication Date Title
CN111754045A (zh) 一种基于果树生长的预测***
Kaburuan et al. A design of IoT-based monitoring system for intelligence indoor micro-climate horticulture farming in Indonesia
Madden et al. How to develop plant disease forecasters
CN112450056A (zh) 一种基于机器学习算法的水肥药一体化智能灌溉***
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
CN111126662A (zh) 基于大数据的灌溉决策制定方法、装置、服务器和介质
Carlos et al. Monitoring system of environmental variables for a strawberry crop using IoT tools
Shellie et al. Application of a daily crop water stress index to deficit irrigate malbec grapevine under semi-arid conditions
Park et al. A layered features analysis in smart farm environments
CN110069032A (zh) 一种基于小波神经网络的茄子温室环境智能检测***
Ali et al. Wireless sensor network and deep learning for prediction greenhouse environments
CN110414859B (zh) 一种基于物联网技术的稻谷收储作业5t评价方法
JP2020149674A (ja) 農作物の栽培方法提案プログラム及びシステム
CA3196136A1 (en) Advanced crop manager for crops stress mitigation
Gonzalez Nieto et al. Trunk Water Potential Measured with Microtensiometers for Managing Water Stress in “Gala” Apple Trees
CN111563635A (zh) 一种基于大数据的农药残留检测***及方法
Xu et al. [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation
Nguyen-Xuan et al. A dynamic model for temperature prediction in glass greenhouse
WO2020218157A1 (ja) 予測システム、予測方法、および予測プログラム
CN110751322B (zh) 一种基于大数据分析预测的荔枝控梢促花管理方法
Campos et al. A smart decision framework for the prediction of thrips incidence in organic banana crops
Atanasov et al. Tomato leaf color as predictor of soil moisture value using machine learning techniques
CN117787510B (zh) 基于时序预测分析的农药残留监测过程的优化方法
Damásio et al. Can Grapevine Leaf Water Potential Be Modelled from Physiological and Meteorological Variables? A Machine Learning Approach
CN117911957B (zh) 一种针对观赏葵病虫害的防治监控***及方法

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
TA01 Transfer of patent application right

Effective date of registration: 20210726

Address after: No.313, 3rd floor, building 1, No.8 Tianjiu North Lane, high tech Zone, Chengdu, Sichuan 610000

Applicant after: SICHUAN ECOLOGY CHENGPIN AGRICULTURE DEVELOPMENT Co.,Ltd.

Applicant after: Jiang Jidong

Address before: No.313, 3rd floor, building 1, No.8 Tianjiu North Lane, high tech Zone, Chengdu, Sichuan 610000

Applicant before: SICHUAN ECOLOGY CHENGPIN AGRICULTURE DEVELOPMENT Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20201009

RJ01 Rejection of invention patent application after publication