CN114239849A - 天气灾害预测及模型训练方法、装置、设备及存储介质 - Google Patents
天气灾害预测及模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114239849A CN114239849A CN202111442186.2A CN202111442186A CN114239849A CN 114239849 A CN114239849 A CN 114239849A CN 202111442186 A CN202111442186 A CN 202111442186A CN 114239849 A CN114239849 A CN 114239849A
- Authority
- CN
- China
- Prior art keywords
- weather
- data
- per
- determining
- disaster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 118
- 238000012549 training Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000001556 precipitation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 108010014173 Factor X Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种天气灾害预测及模型训练方法、装置、设备及存储介质。其中,天气灾害预测模型训练方法通过拆分出多个作物亩产数据中的各个作物亩产数据各自对应的天气亩产数据,并确定多个天气亩产数据对应的气象数据组中的有效数据,用上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
Description
技术领域
本说明书涉及智能检测技术领域,尤其涉及一种天气灾害预测及模型训练方法、装置、设备及存储介质。
背景技术
近年来天气灾害频发,严重影响农产品的产量。根据农作物的生长周期机理,其生长期间的天气情况对其最终产出有直接影响。在过往的众多研究中,通常是直接使用天气相关因子,如温度、湿度、降水量等,使用线性回归模型对农作物亩产变量进行拟合并预测。
发明内容
本说明书实施例提供了一种天气灾害预测及模型训练方法、装置、设备及存储介质,能够对天气灾害等级进行预测,且同时能够了解到造成上述天气灾害等级的致灾因子以及其对应的阈值,提高了农作物亩产预测的精准度。
第一方面,本说明书实施例提供了一种天气灾害预测模型训练方法,包括:
基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据;上述天气亩产数据用于表征气象因素对上述作物亩产数据的影响;
基于多个上述天气亩产数据以及对应的气象数据组确定影响上述天气亩产数据的有效因子;
基于上述有效因子确定多个气象数据组各自对应的有效数据;
根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
在一种可能的实现方式中,上述根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型,包括:
将上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
在一种可能的实现方式中,上述根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型,包括:
根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级;
将上述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。
在一种可能的实现方式中,上述根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级,包括:
根据多个天气亩产数据确定N个等分位点;上述N为正整数;
基于上述N个等分位点确定上述多个气象数据组各自对应的上述天气亩产数据对应的天气灾害等级。
在一种可能的实现方式中,上述基于多个作物亩产数据确定各个作物亩产数据天气亩产数据,包括:
采用X种预设拆分方法对上述多个作物亩产数据进行拆分,得到上述各个作物亩产数据的天气亩产数据;其中,X为正整数。
在一种可能的实现方式中,上述X为大于或等于2的正整数;
上述采用X种预设拆分方法对上述多个作物亩产数据进行拆分,得到上述各个作物亩产数据的天气亩产数据,包括:
分别采用每种预设拆分方法对上述多个作物亩产数据进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据;
将X种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,得到上述天气亩产数据。
在一种可能的实现方式中,上述基于多个上述天气亩产数据以及对应的气象数据组确定影响上述天气亩产数据的有效因子,包括:
采用Y个预设模型来对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定影响上述天气亩产数据的有效因子;其中,Y为正整数。
在一种可能的实现方式中,上述Y为大于或等于2的正整数;
上述采用Y个预设模型来对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定影响上述天气亩产数据的有效因子,包括:
分别采用上述Y个预设模型对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定每个预设模型各自对应的天气因子序列;上述天气因子序列中包括多个天气因子,上述多个天气因子按照影响上述天气亩产数据的程度大小排列;
根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子。
在一种可能的实现方式中,上述根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子,包括:
将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为上述有效因子;其中,M为正整数。
在一种可能的实现方式中,上述根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子,包括:
将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为上述有效因子;其中,K为正整数。
在一种可能的实现方式中,上述根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型之后,上述方法还包括:
基于训练后的上述天气灾害预测模型、上述天气亩产数据的有效因子以及对应的天气亩产数据确定造成上述天气亩产数据的致灾因子;上述有效因子至少包括上述致灾因子。
在一种可能的实现方式中,上述基于训练后的上述天气灾害预测模型、上述天气亩产数据的有效因子以及对应的天气亩产数据确定造成上述天气亩产数据的致灾因子之后,上述方法还包括:
基于训练后的上述天气灾害预测模型、上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据确定上述致灾因子的阈值。
第二方面,本说明书实施例提供了一种天气灾害预测方法,包括:
获取目标气象数据组对应的有效数据;
将上述有效数据输入到天气灾害预测模型中,输出上述目标气象数据组对应的天气灾害预测结果;其中,上述天气灾害预测模型为采用上述第一方面任一项可能的实现方式提供的方法训练得到的模型。
第三方面,本说明书实施例提供了一种天气灾害预测模型训练装置,上述装置包括:
第一确定模块,用于基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据;上述天气亩产数据用于表征气象因素对上述作物亩产数据的影响;
第二确定模块,用于基于多个上述天气亩产数据以及对应的气象数据组确定影响上述天气亩产数据的有效因子;
第三确定模块,用于基于上述有效因子确定多个气象数据组各自对应的有效数据;
训练模块,用于根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
在一种可能的实现方式中,上述训练模块具体用于,将上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
在一种可能的实现方式中,上述训练模块,包括:
第一确定单元,用于根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级;
训练单元,用于将上述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。
在一种可能的实现方式中,上述第一确定单元包括:
第一确定子单元,用于根据多个天气亩产数据确定N个等分位点;上述N为正整数;
第二确定子单元,用于基于上述N个等分位点确定上述多个气象数据组各自对应的上述天气亩产数据对应的天气灾害等级。
在一种可能的实现方式中,上述第一确定模块具体用于,采用X种预设拆分方法对上述多个作物亩产数据进行拆分,得到上述各个作物亩产数据的天气亩产数据;其中,X为正整数。
在一种可能的实现方式中,上述X为大于或等于2的正整数;
上述第一确定模块,包括:
拆分单元,用于分别采用每种预设拆分方法对上述多个作物亩产数据进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据;
加权求和单元,用于将X种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,得到上述天气亩产数据。
在一种可能的实现方式中,上述第二确定模块具体用于,采用Y个预设模型来对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定影响上述天气亩产数据的有效因子;其中,Y为正整数。
在一种可能的实现方式中,上述Y为大于或等于2的正整数;
上述第二确定模块包括:
分析单元,用于分别采用上述Y个预设模型对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定每个预设模型各自对应的天气因子序列;上述天气因子序列中包括多个天气因子,上述多个天气因子按照影响上述天气亩产数据的程度大小排列;
第二确定单元,用于根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子。
在一种可能的实现方式中,上述确定单元具体用于,将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为上述有效因子;其中,M为正整数。
在一种可能的实现方式中,上述第二确定单元具体用于,将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为上述有效因子;其中,K为正整数。
在一种可能的实现方式中,上述装置还包括:
第四确定模块,用于基于训练后的上述天气灾害预测模型、上述天气亩产数据的有效因子以及对应的天气亩产数据确定造成上述天气亩产数据的致灾因子;上述有效因子至少包括上述致灾因子。
在一种可能的实现方式中,上述装置还包括:
第五确定模块,用于基于训练后的上述天气灾害预测模型、上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据确定上述致灾因子的阈值。
第四方面,本说明书实施例提供了一种天气灾害预测装置,包括:
获取模块,用于获取目标气象数据组对应的有效数据;
预测模块,用于将上述有效数据输入到天气灾害预测模型中,输出上述目标气象数据组对应的天气灾害预测结果;其中,上述天气灾害预测模型为采用上述第一方面任一项可能的实现方式提供的方法训练得到的模型。
第五方面,本说明书实施例提供了一种电子设备,包括:处理器以及存储器;
上述处理器与上述存储器相连;
上述存储器,用于存储可执行程序代码;
上述处理器通过读取上述存储器中存储的可执行程序代码来运行与上述可执行程序代码对应的程序,以用于执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式提供的方法或第二方面提供的方法。
第六方面,本说明书实施例提供了一种计算机存储介质,上述计算机存储介质存储有多条指令,上述指令适于由处理器加载并执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式提供的方法或第二方面提供的方法。
本说明书实施例通过拆分出作物亩产数据中的天气亩产数据,并确定多个天气亩产数据组对应的气象数据中的有效因子,以及进一步确定上述有效因子对应的有效数据,并用上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型,上述天气亩产数据用于表征气象因素对上述作物亩产数据的影响,实现滤除农业科技的创新等社会因素对亩产带来的影响,仅采用只受天气影响的部分亩产信息即天气亩产数据对天气灾害预测模型进行训练,从而使得上述天气灾害预测模型能够针对各种气象因素更为精准地预测出天气灾害等级等天气灾害结果。另一方面,通过上述训练好的天气灾害预测模型预测出目标气象数据组对应的有效数据对应的天气灾害预测结果,能够使用户更为直观迅速地了解到气象因素对天气亩产的影响,帮助农场景工作人员及时感知风险并调节策略,保障农产品的产量。
附图说明
为了更清楚地说明本说明书实施例中的技术方案,下面将对实施例中所需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说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一示例性实施例提供的一种天气灾害预测模型训练***的架构示意图;
图2为本说明书一示例性实施例提供的一种天气灾害预测模型训练方法的流程示意图;
图3为本说明书一示例性实施例提供的预设拆分方法对应的预设权重以及拆分结果示意图;
图4为本说明书一示例性实施例提供的一种气象数据组的结构示意图;
图5为本说明书一示例性实施例提供的一种采用3个预设模型确定有效因子的示意图;
图6为本说明书一示例性实施例提供的另一种采用3个预设模型确定有效因子的示意图;
图7为本说明书一示例性实施例提供的一种天气灾害预测方法的流程示意图;
图8为本说明书一示例性实施例提供的一种天气灾害预测结果的示意图;
图9为本说明书一示例性实施例提供的天气灾害预测及模型训练方法的整体流程示意图;
图10为本说明书一示例性实施例提供的天气灾害预测模型训练装置的结构示意图;
图11为本说明书一示例性实施例提供的天气灾害预测装置的结构示意图;
图12为本说明书一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述。
本说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
请参考图1,图1为本说明书一示例性实施例提供的一种天气灾害预测模型训练***的架构示意图。如图1所示,该天气灾害预测模型训练***可以包括:终端集群和服务器120。
其中:
终端110可以为用户端,具体可包括一个或多个用户端。在终端110中可安装用户版的软件,用于实现用户通过网络向服务器120发送作物亩产数据、线上获取和查看天气灾害预测结果等功能。终端110中任意一个用户端均可以建立与网络之间的数据关系,并通过该网络和服务器120建立数据连接关系,例如接收服务器通过网络发送的天气灾害预测结果、致灾因子及其阈值等。其中,终端110中任意一个用户端可以但不限于是安装有用户版软件的手机、平板电脑、笔记本电脑等设备。
服务器120可以是能提供多种天气灾害预测模型训练的服务器,不仅可以通过网络直接接收到终端110发送的作物亩产数据等,还可以通过网络从与气象相关的网站或平台等例如气象大数据平台中获取上述作物亩产数据对应的多个气象数据即气象数据组,并根据上述作物亩产数据、气象数据组等数据确定天气亩产数据、上述天气亩产数据对应的有效因子等数据,从而实现根据上述天气亩产数据、有效因子等训练天气灾害预测模型。服务器120还可以给网络或终端110中的任意一个用户端发送造成上述天气亩产数据的致灾因子以及其阈值。除了上述功能以外,服务器120还可以是能提供多种天气灾害预测的服务器,即可以通过网络获取目标气象数据组中对应的有效数据,实现天气灾害预测功能,并且还可以给网络或终端110中的任意一个用户端发送天气灾害预测结果。服务器120可以但不限于是硬件服务器、虚拟服务器、云服务器等。
网络可以是在服务器120和终端110中任意一个用户端之间提供通信链路的介质,也可以是包含网络设备和传输介质的互联网,不限于此。传输介质可以是有线链路(例如但不限于,同轴电缆、光纤和数字用户线路(digital subscriber line,DSL)等)或无线链路(例如但不限于,无线上网(wireless fidelity,WIFI)、蓝牙和移动设备网络等)。
可以理解地,图1所示的天气灾害预测模型训练***中的终端110和服务器120的数目仅作为示例,在具体实现中,该天气灾害预测模型训练***中可以包含任意数目的用户端、和服务器。本说明书实施例对此不作具体限定。例如但不限于,服务器120可以是多个服务器组成的服务器集群。
接下来结合图1,介绍本说明书实施例提供的天气灾害预测模型训练方法。具体请参考图2,其为本说明书一示例性实施例提供的一种天气灾害预测模型训练方法的流程示意图。
如图2所示,该天气灾害预测模型训练方法包括以下几个步骤:
步骤202,基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据。
具体地,用户将多个作物亩产数据输入终端,上述多个作物亩产数据包括各个作物亩产数据对应的时间信息,例如上述多个作物亩产数据可以包括不同的年份对应的作物亩产数据或不同的季度对应的作物亩产数据等。终端通过网络将上述多个作物亩产数据发送给服务器后,服务器可通过网络接收到终端发送的上述多个作物亩产数据,并采用X种预设拆分方法基于上述多个作物亩产数据的时间信息对上述多个作物亩产数据进行时序拆分,得到各个作物亩产数据各自对应的天气亩产数据;其中,X为正整数。天气亩产数据用于表征气象因素对所述作物亩产数据的影响。也即是说,服务器可以采用至少一种拆分方法对上述作物亩产数据进行拆分,得到天气亩产数据。这样可以滤除农业科技的创新等社会因素对亩产带来的影响,从而得到上述作物亩产数据对应的只受天气影响的部分亩产信息即天气亩产数据。天气亩产数据的值可以包括正实数和负实数,天气亩产数据的值为负用于表征当年的天气对作物产量有负的影响,天气亩产数据的值为正用于表征当年的天气对作物产量有正的影响。
具体地,上述预设拆分方法例如可以包括正交多项式模拟、样条回归、五点三次滤波、灰色***和调和权重等方法。上述正交多项式模拟可以采用高次多项式逼近,即随着时间变化比较复杂的作物亩产序列也可以用正交多项式来模拟时间趋势天气亩产数据。上述样条回归可以通过将作物亩产数据集划分成多个个连续区间,每一个连续区间都用单独的回归模型,即通过线性函数或者是低阶多项式函数等确定对应的天气亩产数据。上述五点三次滤波可以通过三次多项式对作物亩产数据序列的平滑处理,从而确定作物亩产数据对应的天气亩产数据,上述三次多项式的系数可以通过对5个相邻的序列点采用最小二乘法确定。上述灰色***可以通过少量的、不完全的信息,建立灰色微分预测模型,对事物发展规律作出模糊性的长期描述。上述调和权重是一种对趋势产量进行外延的算法,该方法考虑了农作物产量历史增长的规律,使得离预测年较近的年份的增量有较大的权重,与等权处理相比,比较符合农业生产的实际情况。
可选地,X=1,即服务器只采用一种预设拆分方法对多个作物亩产数据进行拆分,得到各个作物亩产数据各自对应的天气亩产数据。此时,通过采用该预设拆分方法得到的拆分结果即为天气亩产数据。
可选地,X为大于或等于2的正整数,即服务器采用多种预设拆分方法对上述多个作物亩产数据进行拆分。此时服务器可分别采用每种预设拆分方法对上述多个作物亩产数据一一进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据。然后,服务器可通过将上述多种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,从而得到最终各个作物亩产数据各自对应的天气亩产数据。本说明书实施例中,采用多种预设拆分方法对上述多个作物亩产数据进行拆分,并将其对应的多种拆分结果进行加权求和得到的天气亩产数据更稳定、更准确,从而使得天气灾害预测模型的性能训练得更加精准,用户体验更好。
具体地,上述多种预设拆分方法各自对应一个预设权重,多种预设拆分方法对应的预设权重总和为1。服务器将通过上述每种预设拆分方法拆分得到的各自对应的天气亩产数据与其对应的预设权重相乘,然后将多个乘积的总和确定为最终的天气亩产数据。
示例性地,当采用正交多项式模拟、样条回归、五点三次滤波、灰色***和调和权重这5种不同的预设拆分方法对上述作物亩产数据进行拆分时,如图3所示,若正交多项式模拟对应的预设权重为W1,经其拆分得到的天气亩产数据为X1、样条回归对应的预设权重为W2,经其拆分得到的天气亩产数据为X2、五点三次滤波对应的预设权重为W3,经其拆分得到的天气亩产数据为X3、灰色***对应的预设权重为W4,经其拆分得到的天气亩产数据为X4、调和权重对应的预设权重为W5,经其拆分得到的天气亩产数据为X5,且W1+W2+W3+W4+W5=1,则可以计算得到最终的天气亩产数据X=X1×W1+X2×W2+X3×W3+X4×W4+X5×W5。
步骤204,基于多个天气亩产数据以及对应的气象数据组确定影响天气亩产数据的有效因子。
具体地,用户还可以将多个天气亩产数据以及对应的气象数据组输入终端,终端通过网络将上述多个天气亩产数据以及对应的气象数据组发送给服务器后,服务器还可以通过网络接收到终端发送的多个天气亩产数据以及对应的气象数据组,并采用Y个预设模型来对上述多个天气亩产数据以及对应的气象数据组进行分析,从而确定影响上述天气亩产数据的有效因子。相当于将上述多个天气亩产数据以及对应的气象数据组输入预设模型中,输出得到影响上述天气亩产数据的各个天气因子及其对应的阈值,然后服务器从上述各个天气因子中选择部分天气因子作为有效因子。其中,Y为正整数。上述预设模型可以包括梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、随机森林(RandomForest,RF)、光梯度提升机(Light Gradient Boosting Machines,LGBM)等模型。气象数据组可以包括作物种植期间对应的多个气象数据,其中,气象数据包括作物种植期间温度、风速、降水量等反映天气变化的数据。
示例性地,如图4所示,气象数据组可以包括作物种植期间每一天的温度、风速以及降水量等多个气象数据,例如3月8日的温度为4~12℃、风速为一级、降水量为5mm以及3月9日的温度为4~15℃、风速为二级、降水量为2mm等6个气象数据。气象数据组包括的多个气象数据不限于上述温度、风速及降水量等对应的数值的形式,还可包括物种植期间温度、风速和降水量等实时变化的曲线等其它的形式,本说明书对此不作具体限定。
具体地,天气因子可以根据上述气象数据组中的多个气象数据计算得到,例如可以包括每个月的平均温度、最大温度、平均风速、最大风速、昼夜最大温差、累计降水量以及3-5月各自对应的冷积温、6-8月各自对应的热积温等。其中,冷积温用于表征一个月内连续小于0℃的累积温度的最小值;热积温用于表征一个月内连续大于35℃的累积温度的最大值。天气因子的阈值用于表征该天气因子对天气亩产数据的影响程度。
具体地,有效因子用于表征对天气亩产数据的影响程度较大地天气因子,其可以是天气因子中的一部分或全部,本说明书对此不作具体限定。
具体地,GBDT是一种迭代的决策树算法,该算法由多棵决策树组成,通过所有树的结论累加起来做最终答案。Random Forest是一种树模型的集成算法,通过组合多个弱分类器,最终结果通过投票或取均值,使得整体模型的结果具有较高的精确度和泛化性能。LGBM是一种轻量级的复杂树模型,其使用基于直方图的算法,例如,将连续的特征值分桶(buckets)装进离散的箱子(bins),这使得训练速度更快、效率更高;同时,它通过叶子生长(leaf-wise)***方法产生比按层生长(level-wise)***方法更复杂的树,从而实现更高地准确率。
可选地,Y=1,即服务器只采用一种预设模型来对上述多个天气亩产数据以及对应的气象数据组进行分析,从而确定影响上述天气亩产数据的有效因子。此时,服务器可根据该预设模型输出的影响上述天气亩产数据的各个天气因子及其对应的阈值选择部分天气因子作为有效因子。即当输出的影响天气亩产数据的天气因子有A个时,服务器可选择上述A个天气因子中其阈值较大即影响程度较大的B个天气因子作为有效因子,上述A为大于或等于1的正整数,B为大于或等于1且小于或等于A的正整数。
可选地,Y为大于或等于2的正整数,即服务器采用多个预设模型来对上述多个天气亩产数据以及对应的气象数据组进行分析,从而确定每个预设模型各自对应的天气因子序列。上述天气因子序列中包括多个天气因子,上述多个天气因子按照影响上述天气亩产数据的程度大小即预设模型输出的影响上述天气亩产数据的各个天气因子对应的阈值大小排列,例如从大到小排列,或者从小到大排列。服务器确定每个预设模型各自对应的天气因子序列之后,还会根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度即天气因子对应的阈值来确定上述有效因子。本说明书实施例中,采用多个预设模型来对上述多个天气亩产数据以及对应的气象数据组进行分析,从而根据多个预设模型对应输出的天气因子及其对应的阈值综合确定影响上述天气亩产数据的有效因子,确定的有效因子更加准确,从而使得天气灾害预测模型的性能训练得更加精准,用户体验更好。
可选地,服务器可以将多个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为有效因子;其中,M为正整数。相当于将每个预设模型各自对应的天气因子按照影响上述天气亩产数据的程度由大到小(或小到大)进行排序,然后再将多个预设模型总共输出的多个前(或后)M个天气因子中的相同的天气因子确定为有效因子。
示例性地,若采用3种不同的预设模型来对上述多个天气亩产数据以及对应的气象数据组进行分析,且上述M为5。如图5所示,若采用第一种预设模型分析得到的影响天气亩产数据的程度较大的天气因子510分别为“最大温度”、“平均湿度”、“最大风速”、“产区海拔”、“干旱指数”,采用第二种预设模型分析得到的影响天气亩产数据的程度较大的天气因子520分别为“平均温度”、“最大湿度”、“最大风速”、“干旱指数”、“最大温度”,采用第三种预设模型分析得到的影响天气亩产数据的程度较大的天气因子530分别为“最大温度”、“最大湿度”、“温度波动”、“干旱指数”、“最大降水量”,则可以确定上述3种预设模型对应的影响天气亩产数据程度较大的5个天气因子的交集540包括“最大温度”和“干旱指数”这两个天气因子,因此,可以将“最大温度”和“干旱指数”这两个天气因子确定为影响天气亩产数据的有效因子。
可选地,服务器还可以将多个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为有效因子;其中,K为正整数。相当于将每个预设模型各自对应的天气因子按照影响上述天气亩产数据的程度由大到小(或小到大)进行排序,然后再将多个预设模型总共输出的多个前(或后)K个天气因子均确定为有效因子。
示例性地,若采用3种不同的预设模型来对上述多个天气亩产数据以及对应的气象数据组进行分析,且K为3。如图6所示,若采用第一种预设模型分析得到的影响天气亩产数据的程度较大的天气因子610分别为“最大温度”、“平均湿度”、“最大风速”,采用第二种预设模型分析得到的影响天气亩产数据的程度较大的天气因子620分别为“平均温度”、“最大湿度”、“最大风速”,采用第三种预设模型分析得到的影响天气亩产数据的程度较大的天气因子630分别为“最大温度”、“最大湿度”、“温度波动”,则可以确定上述3种预设模型对应的影响天气亩产数据程度较大的3个天气因子的并集640即“最大温度”、“平均湿度”、“平均风速”、“平均温度”、“最大湿度”、“最大风速”、“温度波动”这7个天气因子确定为影响天气亩产数据的有效因子。
可选地,除了采用Y个预设模型确定影响上述天气亩产数据的有效因子之外,服务器还可以根据上述气象数据组中的多个气象数据计算得到天气因子,并使用逻辑回归模型对众多天气因子进行建模,从而输出各个天气因子的p值,然后再根据p值的大小来确定该因子是否显著。即当p值小于预设阈值例如0.01、0.02等时,则保留该因子,即将该因子确定为有效因子。反之,则删除该因子。
步骤206,基于有效因子确定多个气象数据组各自对应的有效数据。
具体地,气象数据组可以包括多个天气因子以及上述多个天气因子对应的数据。在确定影响天气亩产数据的有效因子之后,可以根据有效因子的名称在多个气象数据组或根据气象数据组计算得到的天气因子中查找到对应的有效数据。例如,当有效因子为“最大温度”时,服务器可以在天气亩产数据对应的气象数据组或根据气象数据组计算得到的天气因子中查找到最大温度对应的温度值。
步骤208,根据多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
可选地,服务器可以将多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
可选地,服务器将先会根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级,然后将上述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。上述天气灾害等级可以包括一级、二级、三级、四级等,上述一级可以用于表征天气灾害比较严重,二级可以用于表征天气灾害轻微严重,三级可以用于表征正常,四级可以用于表征收成比较好。天气灾害等级的级别及其对应的含义不限于上述实施例中的表述方式,在具体实现中还可以有其他的表述方式,本说明书实施例对此不作限定。
具体地,服务器可以先根据多个天气亩产数据确定N个等分位点,然后再基于上述N个等分位点确定上述多个气象数据组各自对应的上述天气亩产数据对应的天气灾害等级。上述N为正整数。相当于服务器先将多个天气亩产数据的数值按照从大到小(或小到大)进行排序,然后确定上述多个天气亩产数据按照上述顺序时的N个等分位点对应的天气亩产数据,并根据上述N个等分位点对应的天气亩产数据确定N+1个天气灾害等级对应的天气亩产范围,然后根据上述天气灾害等级对应的天气亩产范围确定天气亩产数据对应的天气灾害等级。
示例性地,等分位点的位置计算公式为i÷(N+1)×(H-1)+1,其中,i为正整数,用于表征第几个分位点;H用于表征统计数据即天气亩产数据的个数;N+1用于表征将上述N个天气亩产数据通过N个等分位点划分为N+1等份。因此,当N为3,H为11即天气亩产数据分别为2700,1900,-500,-700,-600,-900,1500,1200,1800,-200,-100时,第一个四等分位点的位置=1/4×(11-1)+1=3.5,即在气亩产数据(-900,-700,-600,-500,-200,-100,100,150,180,190,270)中,排名第3位的天气亩产数据为“-600”,排名第4位的天气亩产数据为“-500”,因此3.5所在的位置对应的天气亩产数据=(-500+(-600))/2=-550,即第一个四等分位点对应的天气亩产数据为“-550”;第二个四等分位点的位置=2/4×(11-1)+1=6,即在气亩产数据(-900,-700,-600,-500,-200,-100,100,150,180,190,270)中排名第6位的天气亩产数据为“-100”,因此,第二个四等分位点对应的天气亩产数据为“-100”,同理可得,第三个等分位点对应的天气亩产数据的值为165,即可以确定当天气灾害等级为一级时,其对应的天气亩产数据的值范围为小于或等于-550;当天气灾害等级为二级时,其对应的天气亩产数据的范围为大于-550且小于或等于-100;当天气灾害等级为三级时,其对应的天气亩产数据的范围为大于-100且小于或等于165;当天气灾害等级为四级时,其对应的天气亩产数据的范围为大于165。最后,服务器可依据上述范围判断上述11个天气亩产数据各自对应的天气灾害等级。例如,由于天气亩产数据270大于165,即可以确定天气亩产数据270所对应的天气灾害等级为四级。确定上述11个天气亩产数据各自对应的天气灾害等级之后,服务器可以将上述11个天气亩产数据以及对应的11个气象数据组各自对应的有效数据作为样本数据训练天气灾害预测模型,从而使上述天气灾害预测模型能够实现基于目标气象数据组预测出对应的天气亩产数据、天气灾害等级等天气灾害预测结果。确定N个等分位点的方法不限于上述公式,还可通过四分位(QUARTILE)函数、五分位函数等进行计算等方法,本说明书对此不作限定。
本说明书实施例通过拆分出作物亩产数据中的天气亩产数据,并确定多个天气亩产数据组对应的气象数据中的有效因子,以及进一步确定上述有效因子对应的有效数据,并用上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型,上述天气亩产数据用于表征气象因素对上述作物亩产数据的影响,实现滤除农业科技的创新等社会因素对亩产带来的影响,仅采用只受天气影响的部分亩产信息即天气亩产数据对天气灾害预测模型进行训练,从而使得上述天气灾害预测模型能够针对各种气象因素更为精准地预测出天气灾害等级等天气灾害结果。
进一步地,天气灾害预测模型可以包括基于实体模型(Entity Based Model,EBM)。上述EBM模型的结构如下所示:Y=f(X1)+f(X2)+...+f(Xn),其中,Xn代表有效因子,n为正整数;Y代表是天气亩产,天气亩产的值有正有负,一般为负的代表当年的天气对产量有负的影响。
可选地,有效因子至少包括致灾因子。示例性地,上述致灾因子可以包括“3月份最大温度”、“4月份干旱指数”等。当上述天气灾害模型训练完成之后,天气灾害模型可以依据训练前的天气亩产数据的有效因子以及对应的天气亩产数据按照上述EBM模型的结构反推出上述有效因子中能够引起灾害的致灾因子以及其对应的阈值,即当上述致灾因子的值超过阈值的条件时,该致灾因子将会导致天气亩产数据下降即导致灾害。示例性地,致灾因子的阈值可以包括“5月份最大温度9.76℃”、“4月份干旱指数0.48”等。致灾因子对应阈值的条件可以包括“5月份最大温度小于9.76℃”、“4月份干旱指数小于0.48”等,即当5月份最大温度小于9.76℃时,即会导致天气亩产数据下降;当4月份干旱指数小于0.48时,会导致天气亩产数据下降等。
具体地,当EBM模型中输入的第j个样本是(x1j,x2j...xnj),EBM模型预测值可以输出其对应的特征的分数(f(x1j),f(x2j)...f(xnj)),由于f(X)之间是相互独立的,因此收集每个样本的特征值和对应的分数,再使用线性回归作为代理模型,计算出f(X1)=kX1+b(以X1为例子)之后,再计算出临界阈值kX1+b=0,即X1=-b/k。如果k>0,则代表X1与f(X1)同升同降,当f(X1)小于0时,代表其对天气亩产Y有负的影响,即此时可确定该有效因子X1为致灾因子,其对应的阈值为X1=-b/k,最后的致灾规则为X1<-b/k,即当致灾因子X1<-b/k时,其对天气亩产Y有负的影响;如果k<0,则代表X1与f(X1)反向,当f(X1)小于0时,代表其对天气亩产Y有负的影响,即此时可确定该有效因子X1为致灾因子,其对应的阈值为X1=-b/k,最后的致灾规则为X1>-b/k,即当致灾因子X1>-b/k时,其对天气亩产Y有负的影响;如果k=0,代表该特征对灾害的影响是常数,可当作常数项来看,即该有效因子不为致灾因子。
本说明书实施例通过采用训练好的天气灾害预测模型依据训练前的训练样本数据即多个气象数据组各自对应的有效数据、天气亩产数据的有效因子以及对应的天气亩产数据等反推测出造成天气亩产数据的致灾因子以及其对应的阈值,能够让用户更为直观地了解到在何种气象因素的影响下会导致天气亩产数据下降,从而提升了用户的使用体验。
接下来介绍本说明书实施例提供的一种天气灾害预测方法。具体请参考图7,其为本说明书一示例性实施例提供的一种天气灾害预测方法的流程示意图。如图7所示,该天气灾害预测方法包括以下几个步骤:
步骤702,获取目标气象数据组对应的有效数据。
具体地,当用户想要预测出某个地区某种已种植农作物的天气亩产或是否会面临天气灾害时,用户可以将该农作物种植过程中对应的气象数据组即目标气象数据组输入终端,由终端通过网络发送给服务器。从而,服务器可以通过网络接收到上述气象数据组,并依据训练天气灾害预测模型时确定的有效因子确定目标气象数据组对应的有效数据。其中,有效数据即为有效因子对应的具体数值。
步骤704,将有效数据输入到天气灾害预测模型中,输出目标气象数据组对应的天气灾害预测结果。
具体地,服务器能够通过将目标气象数据组对应的有效数据输入到天气灾害预测模型中,从而输出上述目标气象数据组对应的天气灾害预测结果。其中,上述天气灾害预测模型为采用本说明书实施例中所描述的天气灾害预测模型训练方法的全部或部分步骤训练得到的模型。上述天气灾害预测结果可以包括天气亩产数据、天气灾害等级、致灾因子及其阈值等。
可选地,当上述天气灾害预测模型是使用灾害等级以及多个气象数据组各自对应的有效数据进行训练时,则使用该天气灾害预测模型进行预测输出得到的天气灾害预测结果为目标气象数据组对应的灾害等级。进一步地,若上述预测得到的灾害等级为对天气亩产有负的影响的等级,且上述天气灾害预测模型训练之后还进一步确定了致灾因子,则这里输出预测结果之后还可以输出上述灾害等级对应的致灾因子及其阈值。
可选地,当上述天气灾害预测模型是直接使用天气亩产数据以及多个气象数据组各自对应的有效数据进行训练时,则使用该天气灾害预测模型进行预测得到的天气灾害预测结果为目标气象数据组对应的天气亩产数据。进一步地,若上述预测得到的天气亩产数据为负,且上述天气灾害预测模型训练之后还进一步确定了致灾因子,则这里输出预测结果之后还可以输出上述天气亩产数据对应的致灾因子及其阈值。进一步地,服务器还可依据上述步骤208中N个等分位点各自对应的天气亩产数据对预测得到的天气亩产数据进行灾害等级的划分。
进一步地,服务器还可将通过天气灾害预测模型预测得到的天气灾害预测结果输出至前端即图1中的终端110。即服务器可将灾害等级、致灾因子以及其阈值等数据可视化地展现给用户。本说明书实施例通过将天气灾害预测模型预测得到的天气灾害预测结果、致灾因子以及其阈值等数据输出至前端,可视化地展现给用户,例如将灾害等级可视化地在地图上以不同的颜色来表征等,能够使用户更为直观便捷地了解到气象因素对天气亩产的影响,帮助农场景工作人员及时感知天气灾害风险并调节策略,保障农产品的产量。
示例性地,如图8所示,当服务器将获取的高县地区的种植苹果过程中的目标气象数据组对应的有效数据810后,可以将上述有效数据810输入至上述训练好的天气灾害预测模型,输出得到天气灾害预测结果。若上述天气灾害预测模型是使用灾害等级以及多个气象数据组各自对应的有效数据进行训练,则服务可直接将输出的预测结果即灾害等级820以及上述灾害等级820对应的致灾因素即致灾因子及其阈值830输出展现至前端。上述灾害等级能够可视化地在地图上以不同的颜色来表征。
图9示例性地示出了本说明书一具体的实施例。如图9所示,服务器可将终端发送的多个包括对应的时间信息的作物亩产数据910进行时序拆分得到各个作物亩产数据各自对应的天气亩产指数930(即天气亩产数据),并通过天气亩产指数930作为训练Y值将获取的作物亩产数据910对应的气象数据920中进行因子衍生940,即得到气象数据920中对天气亩产有影响的天气因子940以及天气因子940中对天气亩产影响程度较大地有效因子960。同时,服务器还可通过预先设置的天气亩产指数930的预设分位点或天气亩产指数930的等分位点确定其对应的灾害等级950,并采用上述灾害等级950和上述有效因子960训练天气灾害预测模型,即进行EBM模型拟合970。当天气灾害预测模型训练完成后,还可进一步确定上述灾害等级950对应的致灾因子及阈值980。当服务器将获取的目标气象数据组对应的有效数据时,可以将上述有效数据输入至上述训练好的天气灾害预测模型即进行图9中的天气亩产指数预测990,输出得到天气灾害预测结果即天气亩产指数,然后根据上述等分位点或预设分位点进行步骤992灾害判断,从而确定预测得到的天气亩产指数对应的灾害等级。
本说明书实施例通过天气灾害预测模型预测出目标气象数据组对应的有效数据对应的天气灾害预测结果,即依据某个地区某种已种植农作物种植过程中的气象数据预测出该农作物的天气亩产以及致灾因素即致灾因子及其阈值,从而能够使用户更为直观迅速地了解到气象因素对天气亩产的影响,帮助农场景工作人员及时感知风险并调节策略,保障农产品的产量。
请参考图10,图10为本说明书一示例性实施例提供的一种天气灾害预测模型训练装置。该天气灾害预测模型训练装置1000包括:
第一确定模块1010,用于基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据;上述天气亩产数据用于表征气象因素对上述作物亩产数据的影响。
第二确定模块1020,用于基于多个上述天气亩产数据以及对应的气象数据组确定影响上述天气亩产数据的有效因子。
第三确定模块1030,用于基于上述有效因子确定多个气象数据组各自对应的有效数据。
训练模块1040,用于根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
在一种可能的实现方式中,上述训练模块1040具体用于,将上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
在一种可能的实现方式中,上述训练模块1040,包括:
第一确定单元,用于根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级。
训练单元,用于将上述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。
在一种可能的实现方式中,上述第一确定模块单元包括:
第一确定子单元,用于根据多个天气亩产数据确定N个等分位点;上述N为正整数。
第二确定子单元,用于基于上述N个等分位点确定上述多个气象数据组各自对应的上述天气亩产数据对应的天气灾害等级。
在一种可能的实现方式中,上述第一确定模块1010具体用于,采用X种预设拆分方法对上述多个作物亩产数据进行拆分,得到上述各个作物亩产数据的天气亩产数据;其中,X为正整数。
在一种可能的实现方式中,上述X为大于或等于2的正整数。
上述第一确定模块1010,包括:
拆分单元,用于分别采用每种预设拆分方法对上述多个作物亩产数据进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据。
加权求和单元,用于将X种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,得到上述各个作物亩产数据的天气亩产数据。
在一种可能的实现方式中,上述第二确定模块1020具体用于,采用Y个预设模型来对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定影响上述天气亩产数据的有效因子;其中,Y为正整数。
在一种可能的实现方式中,上述Y为大于或等于2的正整数。
上述第二确定模块1020包括:
分析单元,用于分别采用上述Y个预设模型对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定每个预设模型各自对应的天气因子序列;上述天气因子序列中包括多个天气因子,上述多个天气因子按照影响上述天气亩产数据的程度大小排列。
第二确定单元,用于根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子。
在一种可能的实现方式中,上述第二确定单元具体用于,将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为上述有效因子;其中,M为正整数。
在一种可能的实现方式中,上述第二确定单元具体用于,将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为上述有效因子;其中,K为正整数。
在一种可能的实现方式中,上述天气灾害预测模型训练装置1000还包括:
第四确定模块,用于基于训练后的上述天气灾害预测模型、上述天气亩产数据的有效因子以及对应的天气亩产数据确定造成上述天气亩产数据的致灾因子;上述有效因子至少包括上述致灾因子。
在一种可能的实现方式中,上述天气灾害预测模型训练装置1000还包括:
第五确定模块,用于基于训练后的上述天气灾害预测模型、上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据确定上述致灾因子的阈值。
上述天气灾害预测模型训练装置中各模块的划分仅用于举例说明,在其他实施例中,可将天气灾害预测模型训练装置按照需要划分为不同的模块,以完成上述天气灾害预测模型训练装置的全部或部分功能。本说明书实施例中提供的天气灾害预测模型训练装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本说明书实施例中所描述的天气灾害预测模型训练方法的全部或部分步骤。
请参考图11,图12为本说明书一示例性实施例提供的一种天气灾害预测装置。该天气灾害预测装置1200包括:
获取模块1210,用于获取目标气象数据组对应的有效数据。
预测模块1220,用于将上述有效数据输入到天气灾害预测模型中,输出上述目标气象数据组对应的天气灾害预测结果;其中,上述天气灾害预测模型为采用本说明书实施例中所描述的天气灾害预测模型训练方法的全部或部分步骤训练得到的模型。
上述天气灾害预测装置中各模块的划分仅用于举例说明,在其他实施例中,可将天气灾害预测装置按照需要划分为不同的模块,以完成上述天气灾害预测装置的全部或部分功能。本说明书实施例中提供的天气灾害预测装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本说明书实施例中所描述的天气灾害预测方法的全部或部分步骤。
请参阅图12,图12为本说明书一示例性实施例提供的一种电子设备的结构示意图。如图12所示,该电子设备1200可以包括:至少一个处理器1210、至少一个通信总线1220、用户接口1230、至少一个网络接口1240、存储器1250。
其中,通信总线1220可用于实现上述各个组件的连接通信。
其中,用户接口1230可以包括显示屏(Display)和摄像头(Camera),可选用户接口还可以包括标准的有线接口、无线接口。
其中,网络接口1240可选的可以包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中,处理器1210可以包括一个或者多个处理核心。处理器1210利用各种接口和线路连接整个电子设备1200内的各个部分,通过运行或执行存储在存储器1250内的指令、程序、代码集或指令集,以及调用存储在存储器1250内的数据,执行路由电子设备1200的各种功能和处理数据。可选的,处理器1210可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器1210可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1210中,单独通过一块芯片进行实现。
其中,存储器1250可以包括RAM,也可以包括ROM。可选的,该存储器1250包括非瞬时性计算机可读介质。存储器1250可用于存储指令、程序、代码、代码集或指令集。存储器1250可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如天气灾害等级确定功能、天气灾害模型训练功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1250可选的还可以是至少一个位于远离前述处理器1210的存储装置。如图12所示,作为一种计算机存储介质的存储器1250中可以包括操作***、网络通信模块、用户接口模块以及应用程序。
在一些可能的实施例中,电子设备1200可以是前述天气灾害预测模型训练装置,在图12所示的电子设备1200中,用户接口1230主要用于为用户提供输入的接口例如天气灾害预测模型训练装置上的按键等,获取用户触发的指令;而处理器1210可以用于调用存储器1250中存储的应用程序,并具体执行以下操作:
基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据;上述天气亩产数据用于表征气象因素对上述作物亩产数据的影响。
基于多个上述天气亩产数据以及对应的气象数据组确定影响上述天气亩产数据的有效因子。
基于上述有效因子确定多个气象数据组各自对应的有效数据。
根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
在一些可能的实施例中,上述处理器1210执行根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型时,具体用于执行:
将上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
在一些可能的实施例中,上述处理器1210执行根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型时,具体用于执行:
根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级。
将上述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。
在一些可能的实施例中,上述处理器1210执行根据上述多个气象数据组各自对应的上述天气亩产数据确定上述多个气象数据组各自对应的天气灾害等级时,具体用于执行:
根据多个天气亩产数据确定N个等分位点;上述N为正整数。
基于上述N个等分位点确定上述多个气象数据组各自对应的上述天气亩产数据对应的天气灾害等级。
在一些可能的实施例中,上述处理器1210执行基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据时,具体用于执行:
采用X种预设拆分方法对上述多个作物亩产数据进行拆分,得到上述各个作物亩产数据的天气亩产数据;其中,X为正整数。
在一些可能的实施例中,上述X为大于或等于2的正整数。
上述处理器1210执行采用X种预设拆分方法对上述多个作物亩产数据进行拆分,得到上述各个作物亩产数据的天气亩产数据时,具体用于执行:
分别采用每种预设拆分方法对上述多个作物亩产数据进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据。
将X种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,得到上述各个作物亩产数据的天气亩产数据。
在一些可能的实施例中,上述处理器1210执行基于多个上述天气亩产数据以及对应的气象数据组确定影响上述天气亩产数据的有效因子时,具体用于执行:
采用Y个预设模型来对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定影响上述天气亩产数据的有效因子;其中,Y为正整数。
在一些可能的实施例中,上述Y为大于或等于2的正整数。
上述处理器1210执行采用Y个预设模型来对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定影响上述天气亩产数据的有效因子时,具体用于执行:
分别采用上述Y个预设模型对上述多个上述天气亩产数据以及对应的气象数据组进行分析,确定每个预设模型各自对应的天气因子序列;上述天气因子序列中包括多个天气因子,上述多个天气因子按照影响上述天气亩产数据的程度大小排列。
根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子。
在一些可能的实施例中,上述处理器1210执行根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子时,具体用于执行:
将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为上述有效因子;其中,M为正整数。
在一些可能的实施例中,上述处理器1210执行根据上述每个预设模型各自对应的天气因子序列中各天气因子对上述天气亩产数据的影响程度确定上述有效因子时,具体用于执行:
将Y个预设模型各自对应的天气因子序列中影响上述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为上述有效因子;其中,K为正整数。
在一些可能的实施例中,上述处理器1210执行根据上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型之后,还用于执行:
基于训练后的上述天气灾害预测模型、上述天气亩产数据的有效因子以及对应的天气亩产数据确定造成上述天气亩产数据的致灾因子;上述有效因子至少包括上述致灾因子。
在一些可能的实施例中,上述处理器1210执行基于训练后的上述天气灾害预测模型、上述天气亩产数据的有效因子以及对应的天气亩产数据确定造成上述天气亩产数据的致灾因子之后,还用于执行:
基于训练后的上述天气灾害预测模型、上述多个气象数据组各自对应的有效数据以及对应的天气亩产数据确定上述致灾因子的阈值。
在一些可能的实施例中,电子设备1200还可以是前述天气灾害预测装置,上述处理器1210具体还执行:
获取目标气象数据组对应的有效数据。
将上述有效数据输入到天气灾害预测模型中,输出上述目标气象数据组对应的天气灾害预测结果;其中,上述天气灾害预测模型为采用本说明书实施例中所描述的天气灾害预测模型训练方法的全部或部分步骤训练得到的模型。
本说明书实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机或处理器上运行时,使得计算机或处理器执行上述实施例中的一个或多个步骤。上述天气灾害预测模型训练装置和天气灾害预测装置的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本说明书实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字多功能光盘(DigitalVersatile Disc,DVD))、或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下,本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本说明书的优选实施例方式进行描述,并非对本说明书的范围进行限定,在不脱离本说明书的设计精神的前提下,本领域普通技术人员对本说明书的技术方案作出的各种变形及改进,均应落入权利要求书确定的保护范围内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
Claims (28)
1.一种天气灾害预测模型训练方法,包括:
基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据;所述天气亩产数据用于表征气象因素对所述作物亩产数据的影响;
基于多个所述天气亩产数据以及对应的气象数据组确定影响所述天气亩产数据的有效因子;
基于所述有效因子确定多个气象数据组各自对应的有效数据;
根据所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
2.如权利要求1所述的方法,所述根据所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型,包括:
将所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
3.如权利要求1所述的方法,所述根据所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型,包括:
根据所述多个气象数据组各自对应的所述天气亩产数据确定所述多个气象数据组各自对应的天气灾害等级;
将所述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。
4.如权利要求3所述的方法,所述根据所述多个气象数据组各自对应的所述天气亩产数据确定所述多个气象数据组各自对应的天气灾害等级,包括:
根据多个天气亩产数据确定N个等分位点;所述N为正整数;
基于所述N个等分位点确定所述多个气象数据组各自对应的所述天气亩产数据对应的天气灾害等级。
5.如权利要求1所述的方法,所述基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据,包括:
采用X种预设拆分方法对所述多个作物亩产数据进行拆分,得到所述各个作物亩产数据的天气亩产数据;其中,X为正整数。
6.如权利要求5所述的方法,所述X为大于或等于2的正整数;
所述采用X种预设拆分方法对所述多个作物亩产数据进行拆分,得到所述各个作物亩产数据的天气亩产数据,包括:
分别采用每种预设拆分方法对所述多个作物亩产数据进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据;
将X种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,得到所述各个作物亩产数据的天气亩产数据。
7.如权利要求1所述的方法,所述基于多个所述天气亩产数据以及对应的气象数据组确定影响所述天气亩产数据的有效因子,包括:
采用Y个预设模型来对所述多个所述天气亩产数据以及对应的气象数据组进行分析,确定影响所述天气亩产数据的有效因子;其中,Y为正整数。
8.如权利要求7所述的方法,所述Y为大于或等于2的正整数;
所述采用Y个预设模型来对所述多个所述天气亩产数据以及对应的气象数据组进行分析,确定影响所述天气亩产数据的有效因子,包括:
分别采用所述Y个预设模型对所述多个所述天气亩产数据以及对应的气象数据组进行分析,确定每个预设模型各自对应的天气因子序列;所述天气因子序列中包括多个天气因子,所述多个天气因子按照影响所述天气亩产数据的程度大小排列;
根据所述每个预设模型各自对应的天气因子序列中各天气因子对所述天气亩产数据的影响程度确定所述有效因子。
9.如权利要求8所述的方法,所述根据所述每个预设模型各自对应的天气因子序列中各天气因子对所述天气亩产数据的影响程度确定所述有效因子,包括:
将Y个预设模型各自对应的天气因子序列中影响所述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为所述有效因子;其中,M为正整数。
10.如权利要求8所述的方法,所述根据所述每个预设模型各自对应的天气因子序列中各天气因子对所述天气亩产数据的影响程度确定所述有效因子,包括:
将Y个预设模型各自对应的天气因子序列中影响所述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为所述有效因子;其中,K为正整数。
11.如权利要求1所述的方法,所述根据所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型之后,所述方法还包括:
基于训练后的所述天气灾害预测模型、所述天气亩产数据的有效因子以及对应的天气亩产数据确定造成所述天气亩产数据的致灾因子;所述有效因子至少包括所述致灾因子。
12.如权利要求11所述的方法,所述基于训练后的所述天气灾害预测模型、所述天气亩产数据的有效因子以及对应的天气亩产数据确定造成所述天气亩产数据的致灾因子之后,所述方法还包括:
基于训练后的所述天气灾害预测模型、所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据确定所述致灾因子的阈值。
13.一种天气灾害预测方法,所述方法包括:
获取目标气象数据组对应的有效数据;
将所述有效数据输入到天气灾害预测模型中,输出所述目标气象数据组对应的天气灾害预测结果;其中,所述天气灾害预测模型为采用权利要求1-12任一项所述的方法训练得到的模型。
14.一种天气灾害预测模型训练装置,所述装置包括:
第一确定模块,用于基于多个作物亩产数据确定各个作物亩产数据的天气亩产数据;所述天气亩产数据用于表征气象因素对所述作物亩产数据的影响;
第二确定模块,用于基于多个所述天气亩产数据以及对应的气象数据组确定影响所述天气亩产数据的有效因子;
第三确定模块,用于基于所述有效因子确定多个气象数据组各自对应的有效数据;
训练模块,用于根据所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据训练天气灾害预测模型。
15.如权利要求14所述的装置,所述训练模块具体用于,将所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据作为样本数据训练天气灾害预测模型。
16.如权利要求14所述的装置,所述训练模块,包括:
第一确定单元,用于根据所述多个气象数据组各自对应的所述天气亩产数据确定所述多个气象数据组各自对应的天气灾害等级;
训练单元,用于将所述多个气象数据组各自对应的有效数据以及对应的天气灾害等级作为样本数据训练天气灾害预测模型。
17.如权利要求16所述的装置,所述第一确定单元包括:
第一确定子单元,用于根据多个天气亩产数据确定N个等分位点;所述N为正整数;
第二确定子单元,用于基于所述N个等分位点确定所述多个气象数据组各自对应的所述天气亩产数据对应的天气灾害等级。
18.如权利要求14所述的装置,所述第一确定模块具体用于,采用X种预设拆分方法对所述多个作物亩产数据进行拆分,得到所述各个作物亩产数据的天气亩产数据;其中,X为正整数。
19.如权利要求18所述的装置,所述X为大于或等于2的正整数;
所述第一确定模块,包括:
拆分单元,用于分别采用每种预设拆分方法对所述多个作物亩产数据进行拆分,得到每种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据;
加权求和单元,用于将X种预设拆分方法各自对应的各个作物亩产数据的天气亩产数据进行加权求和,得到所述各个作物亩产数据的天气亩产数据。
20.如权利要求14所述的装置,所述第二确定模块具体用于,采用Y个预设模型来对所述多个所述天气亩产数据以及对应的气象数据组进行分析,确定影响所述天气亩产数据的有效因子;其中,Y为正整数。
21.如权利要求20所述的装置,所述Y为大于或等于2的正整数;
所述第二确定模块包括:
分析单元,用于分别采用所述Y个预设模型对所述多个所述天气亩产数据以及对应的气象数据组进行分析,确定每个预设模型各自对应的天气因子序列;所述天气因子序列中包括多个天气因子,所述多个天气因子按照影响所述天气亩产数据的程度大小排列;
第二确定单元,用于根据所述每个预设模型各自对应的天气因子序列中各天气因子对所述天气亩产数据的影响程度确定所述有效因子。
22.如权利要求21所述的装置,所述第二确定单元具体用于,将Y个预设模型各自对应的天气因子序列中影响所述天气亩产数据程度较大的M个天气因子的交集中包含的天气因子确定为所述有效因子;其中,M为正整数。
23.如权利要求21所述的装置,所述第二确定单元具体用于,将Y个预设模型各自对应的天气因子序列中影响所述天气亩产数据程度较大的K个天气因子的并集中包含的天气因子确定为所述有效因子;其中,K为正整数。
24.如权利要求14所述的装置,所述装置还包括:
第四确定模块,用于基于训练后的所述天气灾害预测模型、所述天气亩产数据的有效因子以及对应的天气亩产数据确定造成所述天气亩产数据的致灾因子;所述有效因子至少包括所述致灾因子。
25.如权利要求24所述的装置,所述装置还包括:
第五确定模块,用于基于训练后的所述天气灾害预测模型、所述多个气象数据组各自对应的有效数据以及对应的天气亩产数据确定所述致灾因子的阈值。
26.一种天气灾害预测装置,所述装置包括:
获取模块,用于获取目标气象数据组对应的有效数据;
预测模块,用于将所述有效数据输入到天气灾害预测模型中,输出所述目标气象数据组对应的天气灾害预测结果;其中,所述天气灾害预测模型为采用权利要求1-12任一项所述的方法训练得到的模型。
27.一种电子设备,包括:处理器和存储器;
所述处理器与所述存储器相连;
所述存储器,用于存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如权利要求1-12或13任一项所述的方法。
28.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-12或13任一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442186.2A CN114239849A (zh) | 2021-11-30 | 2021-11-30 | 天气灾害预测及模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442186.2A CN114239849A (zh) | 2021-11-30 | 2021-11-30 | 天气灾害预测及模型训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239849A true CN114239849A (zh) | 2022-03-25 |
Family
ID=80752103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111442186.2A Pending CN114239849A (zh) | 2021-11-30 | 2021-11-30 | 天气灾害预测及模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239849A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070297A (zh) * | 2020-09-04 | 2020-12-11 | 浙江省气候中心 | 农事活动的天气指标预测方法、装置、设备及存储介质 |
CN112215268A (zh) * | 2020-09-27 | 2021-01-12 | 浙江工业大学 | 一种灾害天气卫星云图分类方法和装置 |
CN112215716A (zh) * | 2020-10-13 | 2021-01-12 | 浙江省气候中心 | 农作物生长干预方法、装置、设备及存储介质 |
CN112580981A (zh) * | 2020-12-18 | 2021-03-30 | 湖南省气候中心 | 农作物气候风险识别方法、装置及计算机设备 |
US20210097423A1 (en) * | 2019-09-26 | 2021-04-01 | International Business Machines Corporation | Plot evaluation for farm performance |
US20210183108A1 (en) * | 2019-12-16 | 2021-06-17 | X Development Llc | Edge-based crop yield prediction |
CN113191572A (zh) * | 2021-05-27 | 2021-07-30 | 北京佳格天地科技有限公司 | 苹果产量的预测方法、装置、存储介质及电子设备 |
CN113591990A (zh) * | 2021-08-02 | 2021-11-02 | 金陵科技学院 | 一种基于农业物联网的气象灾害预警方法 |
CN113657781A (zh) * | 2021-08-23 | 2021-11-16 | 北京师范大学 | 一种适用于极端气候条件下的小麦估产方法及*** |
-
2021
- 2021-11-30 CN CN202111442186.2A patent/CN114239849A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210097423A1 (en) * | 2019-09-26 | 2021-04-01 | International Business Machines Corporation | Plot evaluation for farm performance |
US20210183108A1 (en) * | 2019-12-16 | 2021-06-17 | X Development Llc | Edge-based crop yield prediction |
CN112070297A (zh) * | 2020-09-04 | 2020-12-11 | 浙江省气候中心 | 农事活动的天气指标预测方法、装置、设备及存储介质 |
CN112215268A (zh) * | 2020-09-27 | 2021-01-12 | 浙江工业大学 | 一种灾害天气卫星云图分类方法和装置 |
CN112215716A (zh) * | 2020-10-13 | 2021-01-12 | 浙江省气候中心 | 农作物生长干预方法、装置、设备及存储介质 |
CN112580981A (zh) * | 2020-12-18 | 2021-03-30 | 湖南省气候中心 | 农作物气候风险识别方法、装置及计算机设备 |
CN113191572A (zh) * | 2021-05-27 | 2021-07-30 | 北京佳格天地科技有限公司 | 苹果产量的预测方法、装置、存储介质及电子设备 |
CN113591990A (zh) * | 2021-08-02 | 2021-11-02 | 金陵科技学院 | 一种基于农业物联网的气象灾害预警方法 |
CN113657781A (zh) * | 2021-08-23 | 2021-11-16 | 北京师范大学 | 一种适用于极端气候条件下的小麦估产方法及*** |
Non-Patent Citations (4)
Title |
---|
张宇波;成丽君;: "农业气象灾害等级优化预测仿真研究", 计算机仿真, no. 06, 15 June 2017 (2017-06-15) * |
杨小兵;杨晨;任重;杨峻;: "基于决策树算法的安徽省油菜产量气象限制因子分析及预测模型研究", 湖北农业科学, no. 16, 25 August 2020 (2020-08-25) * |
杨铭霞: "基于人工神经网络的中国农业干旱灾害的模拟与分析", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 02, 15 February 2021 (2021-02-15) * |
王军;黄杰飞;程勇;: "基于大数据处理的农业气象灾害分类模型", 计算机仿真, no. 05, 15 May 2017 (2017-05-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN109784779B (zh) | 财务风险预测方法、装置及存储介质 | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN110147389B (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN112308281A (zh) | 一种温度信息预测方法及装置 | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
CN113505936A (zh) | 项目审批结果的预测方法、装置、设备及存储介质 | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN106779222B (zh) | 机场地面等待时间预测方法及装置 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN113569162A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN114399321A (zh) | 一种业务***稳定性分析方法、装置和设备 | |
CN114970357A (zh) | 节能效果评价方法、***、装置及存储介质 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
Lopes et al. | A comparative approach of methods to estimate machine productivity in wood cutting | |
CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN114239849A (zh) | 天气灾害预测及模型训练方法、装置、设备及存储介质 | |
JP4777941B2 (ja) | 需要予測方法および装置 | |
CN114205355B (zh) | 一种变电网关附属设备性能测试方法、***及电子设备 |
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 |