CN116451842A - 用于预测作物产量和生育期时间的方法及智能平台 - Google Patents
用于预测作物产量和生育期时间的方法及智能平台 Download PDFInfo
- Publication number
- CN116451842A CN116451842A CN202310277628.5A CN202310277628A CN116451842A CN 116451842 A CN116451842 A CN 116451842A CN 202310277628 A CN202310277628 A CN 202310277628A CN 116451842 A CN116451842 A CN 116451842A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- test
- model
- yield
- 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 46
- 230000008878 coupling Effects 0.000 claims abstract description 48
- 238000010168 coupling process Methods 0.000 claims abstract description 48
- 238000005859 coupling reaction Methods 0.000 claims abstract description 48
- 230000002452 interceptive effect Effects 0.000 claims abstract description 41
- 230000001960 triggered effect Effects 0.000 claims abstract description 21
- 239000002689 soil Substances 0.000 claims abstract description 7
- 230000009418 agronomic effect Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 170
- 238000012549 training Methods 0.000 claims description 102
- 230000035558 fertility Effects 0.000 claims description 46
- 238000012216 screening Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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"
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及农业信息技术领域，具体涉及一种用于预测作物产量和生育期时间的方法及智能平台。包括：响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令，以显示第一输入界面；获取用户通过第一输入界面输入的待预估种植数据，其中，种植数据包括土壤参数、农事参数以及气象参数；调用耦合作物模型，以根据待预估种植数据生成作物的产量预估值和作物的预估生育期，并在第一显示界面显示产量预估值和预估生育期。用户可以通过交互界面直接输入待预估的种植数据，并通过智能平台获得对应的作物的产量预估值和作物的预估生育期，操作便捷，获取方式直观，采用耦合作物模型，可以考虑多种对作物产生影响因素，提高预估的准确性。
Description
技术领域
本申请涉及农业信息技术领域，具体地，涉及一种用于预测作物产量和生育期时间的方法、处理器、智能平台及存储介质。
背景技术
在农业生产领域，作物生长趋势分析作是农业生产的一项关键基础支撑技术，在作物产量预测、作物育种、种植管理等多个农业生产领域得到广泛的应用。作物生长模型时作物生长趋势分析的关键，作物模型是通过可解释的定量数学方程揭示作物生长发育过程及其环境因素之间的关系。
随着机器学习和深度学习的快速发展，相关计算机技术被应用于农业产量的预测。利用作物生长模型对农作物的生长发育和产量形成过程进行模拟，能够研究作物产量和环境条件之间的相互作用。传统模型在区域性预测中起到了不错的效果，但在多作物种类和多地区气候上无法大规模地扩展。针对作物生长趋势进行分析的模型***涉及的影响因素较为单一，不具有全面性，例如，传统模型中不涉及气象、地理及土壤等对产量产生影响的因素。且模型软件***的操作不够便捷，仍需要进一步完善和提高。
发明内容
本申请的目的是提供一种作物分析更加全面，操作更加便捷的用于预测作物产量和生育期时间的方法、处理器、智能平台及存储介质。
为了实现上述目的，本申请提供一种用于预测作物产量和生育期时间的方法，应用于智能平台，智能平台包括模型训练模块，模型训练模块包括耦合作物模型，方法包括：
响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令，以显示第一输入界面；
获取用户通过第一输入界面输入的待预估种植数据，其中，种植数据包括土壤参数、农事参数以及气象参数；
调用耦合作物模型，以根据待预估种植数据生成作物的产量预估值和作物的预估生育期，并在第一显示界面显示产量预估值和预估生育期。
在本申请的实施例中，在响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令之前，响应于用户通过交互界面触发的针对待训练的耦合作物模型的模型训练指令，以显示第二输入界面；获取用户通过第二输入界面输入的样本作业数据，其中，样本作业数据包括样本种植数据、与样本种植数据对应的样本作物产量以及样本生育时间；将样本种植数据作为输入数据输入至待训练的耦合作物模型，得到对应的训练产量数据和训练生育时间；将训练产量数据和训练生育时间与样本作物产量和样本生育时间进行比对；根据比对结果对待训练的耦合作物模型的参数进行调整，以对待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。
在本申请的实施例中，根据比对结果对待训练的耦合作物模型的参数进行调整，以对待训练的耦合作物模型进行训练包括：获取训练产量数据与样本作物产量之间的第一绝对值差值，以及训练生育时间与样本生育时间之间的第二绝对值差值；在第一绝对值差值和/或第二绝对值差值高于预设差值的情况下，对待训练的耦合作物模型的参数进行调整；在第一绝对值差值和第二绝对值差值均低于预设差值的情况下，确定训练产量数据和训练生育时间合格；在训练产量数据和训练生育时间的合格率达到第一预设比例的情况下，确定待训练的耦合作物模型训练完成。
在本申请的实施例中，模型训练模块还包括参数调优模型，方法还包括：响应于用户通过交互界面触发的针对参数调优模型的数据输入指令，以显示第三输入界面；获取用户通过第三输入界面输入的针对种植数据的预设选取范围和预设步长；调用参数调优模型，根据预设选取范围和预设步长生成多组第一试验作业数据，并在第二显示界面显示多组试验作业数据，其中，试验作业数据包括试验种植数据、与试验种植数据对应的试验作物产量以及试验生育时间；获取用户通过第二显示界面选定的第一试验作业数据，并将选定的第一试验作业数据确定为样本作业数据。
在本申请的实施例中，智能平台还包括数据筛选模块，方法还包括：在调用参数调优模型，根据预设选取范围和预设步长生成多组第一试验作业数据后，通过数据筛选模块获取历史作业数据，其中，历史作业数据包括历史种植数据以及与历史种植数据对应的历史产量和历史生育时间；通过历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据；将数值最大的试验作物产量对应的第二试验作业数据确定为样本作业数据。
在本申请的实施例中，通过历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据包括：获取每组第一试验作业数据中第一试验生育时间；将处于预设时长范围内的第一试验生育时间确定为第二试验生育时间；确定与第二试验生育时间对应的第一试验作物产量；将数值大于预设数值的第一试验作物产量确定为第二试验作物产量；将第二试验作物产量对应的试验种植数据和试验生育时间确定为第二试验作业数据。
本申请第二方面提供了一种处理器，被配置成执行上述中任意一项的用于预测作物产量和生育期时间的方法。
本申请第三方面提供了一种智能平台，智能平台包括：
模型训练模块，包括耦合作物模型，其中，耦合作物模型用于根据待预估种植数据生成作物的产量预估值和作物的预估生育期；以及如上述的处理器。
在本申请的实施例中，模型训练模块用于对模型进行训练并存储，模型训练模块还包括参数调优模型，其中，参数调优模型用于根据种植数据的预设选取范围和预设步长生成多组试验作业数据；智能平台还包括：交互界面，用于获取用户的操作指令以及显示与操作指令相关的界面信息；数据筛选模块，用于对数据进行筛选。
本申请第四方面提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行根据上述任意一项的用于预测作物产量和生育期时间的方法。
上述技术方案，用户可以通过交互界面直接输入待预估的种植数据，智能平台通过耦合作物模型根据用户输入的待预估种植数据生成对应的作物的产量预估值和作物的预估生育期，对于用户来说，操作便捷，获取方式直观，而采用耦合作物模型，可以考虑多种对作物产生影响的因素，可以得到更加准确的预估数据。
本申请的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请，但并不构成对本申请的限制。在附图中：
图1示意性示出了根据本申请实施例的一种智能平台的结构示意图；
图2示意性示出了根据本申请实施例的用于预测作物产量和生育期时间的方法的流程示意图；
图3示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。
需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的一种智能平台100的结构示意图。智能平台100包括：模型训练模块101、交互界面102、数据筛选模块103以及处理器104。
用于预测作物产量和生育期时间的方法可以应用于智能平台100，智能平台100可以包括多个处理模块。处理器104可以控制模型训练模块101用来对模型进行训练并存储，模型训练模块101可以存储耦合作物模型，耦合作物模型可以用于根据待预估种植数据生成作物的产量预估值和作物的预估生育期。模型训练模块101还可以存储参数调优模型，参数调优模型可以用于根据种植数据的预设选取范围和预设步长生成多组试验作业数据，交互界面102可以用于获取用户的操作指令以及显示与操作指令相关的界面信息。处理器104可以根据交互界面102获取的操作指令进行相关控制处理。处理器104可以控制数据筛选模块103对数据进行筛选，例如，在处理器控制模型训练模块101调用参数调优模型根据种植数据的预设选取范围和预设步长生成多组试验作业数据后，处理器可以控制数据筛选模块103对多组试验作业数据进行筛选，以得到用来训练的样本数据，并控制模型训练模块101根据样本数据对待训练的模型进行训练，并将训练完成的模型进行存储，最后通过交互界面102获取用户的相关指令，并根据相关指令执行对应的操作。
图2示意性示出了根据本申请实施例的用于预测作物产量和生育期实践的方法的流程示意图。如图2所示，在本申请一个实施例中，提供了一种用于预测作物产量和生育期时间的方法，包括以下步骤：
步骤201，响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令，以显示第一输入界面；
步骤202，获取用户通过第一输入界面输入的待预估种植数据，其中，种植数据包括土壤参数、农事参数以及气象参数；
步骤203，调用耦合作物模型，以根据待预估种植数据生成作物的产量预估值和作物的预估生育期，并在第一显示界面显示产量预估值和预估生育期。
用于预测作物产量和生育期时间的方法可以应用于智能平台，智能平台可以包括模型训练模块，且模型训练模块可以包括耦合作物模型。智能平台还可以包括交互界面，以使用户可以通过交互界面输入相关指令。处理器可以响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令，以显示第一输入界面，用户可以通过第一输入界面输入待预估种植数据，其中，种植数据可以包括土壤参数、农事参数以及气象参数。处理器获取了用户通过第一输入界面输入的待预估种植数据后，可以调用耦合作物模型根据用户输入的待预估种植数据生成对应的作物的产量预估值和作物的预估生育期。并通过交互界面的第一显示界面显示产量预估值和预估生育期，可以使用户通过交互界面输入待预估种植数据后，直观的通过交互界面获取对应的产量预估值和预估生育期。
在一个实施例中，在响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令之前，响应于用户通过交互界面触发的针对待训练的耦合作物模型的模型训练指令，以显示第二输入界面；获取用户通过第二输入界面输入的样本作业数据，其中，样本作业数据包括样本种植数据、与样本种植数据对应的样本作物产量以及样本生育时间；将样本种植数据作为输入数据输入至待训练的耦合作物模型，得到对应的训练产量数据和训练生育时间；将训练产量数据和训练生育时间与样本作物产量和样本生育时间进行比对；根据比对结果对待训练的耦合作物模型的参数进行调整，以对待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。
在智能平台响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令之前，智能平台可以对待训练的耦合作物模型进行训练。处理器可以响应与用户通过交互界面触发的针对待训练的耦合作物模型的模型训练指令，以显示第二输入界面。处理器可以获取用户通过第二输入界面输入的样本作业数据，其中，样本作业数据可以包括样本种植数据、与样本种植数据对应的样本作物产量以及样本生育时间。处理器可以调用样本作业数据对待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。
处理器可以控制模型训练模块对待训练的耦合作物模型进行训练。处理器可以将样本种植数据作为输入数据输入至待训练的耦合作物模型，通过待训练的耦合作物模型输出对应的训练产量数据和训练生育时间。处理器可以将输出的训练产量数据和训练生育时间与样本作物产量和样本剩余时间进行比对，并根据比对结果对待训练的耦合作物模型的参数进行调整，从而对待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。例如，当待训练的耦合作物模型输出的训练产量数据和训练剩余时间与样本作物产量和样本剩余时间之间的差值处于处理器设置的预设范围内时，处理器可以确定耦合作物模型训练完成，处理器可以将训练完成的耦合作物模型进行存储，以用于后续根据用户输入的待预估种植数据对作物的产量和生育期进行预估。
在一个实施例中，根据比对结果对待训练的耦合作物模型的参数进行调整，以对待训练的耦合作物模型进行训练包括：获取训练产量数据与样本作物产量之间的第一绝对值差值，以及训练生育时间与样本生育时间之间的第二绝对值差值；在第一绝对值差值和/或第二绝对值差值高于预设差值的情况下，对待训练的耦合作物模型的参数进行调整；在第一绝对值差值和第二绝对值差值均低于预设差值的情况下，确定训练产量数据和训练生育时间合格；在训练产量数据和训练生育时间的合格率达到第一预设比例的情况下，确定待训练的耦合作物模型训练完成。
在模型训练模块对待训练的耦合作物模型进行训练时，可以根据待训练的耦合作物模型输出的训练产量数据和训练生育时间与样本作物产量和样本生育时间之间的比对结果对待训练的耦合作物模型的参数进行调整。处理器可以获取训练产量数据与样本作物产量之间的第一绝对值差值，训练剩余时间与样本生育时间之间的第二绝对值差值。在第一绝对值差值和/或第二绝对值差值高于处理器设置的预设差值的情况下，对待训练的耦合作物模型的参数进行调整，在第一绝对值差值和第二绝对值差值均低于处理器设置的预设差值的情况下，处理器可以确定待训练的耦合作物模型输出的训练产量数据和训练生育时间合格，当待训练的耦合作物模型输出的训练产量数据和训练剩余时间的合格率达到处理器设置的第一预设比例的情况下，处理器可以确定待训练的耦合作物模型训练完成。
在一个实施例中，模型训练模块还包括参数调优模型，方法还包括：响应于用户通过交互界面触发的针对参数调优模型的数据输入指令，以显示第三输入界面；获取用户通过第三输入界面输入的针对种植数据的预设选取范围和预设步长；调用参数调优模型，根据预设选取范围和预设步长生成多组第一试验作业数据，并在第二显示界面显示多组试验作业数据，其中，试验作业数据包括试验种植数据、与试验种植数据对应的试验作物产量以及试验生育时间；获取用户通过第二显示界面选定的第一试验作业数据，并将选定的第一试验作业数据确定为样本作业数据。
模型训练模块还可以包括参数调优模型，处理器可以响应于用户通过交互界面触发的针对参数调优模型的数据出入指令，以控制交互界面显示第三输入界面，处理器可以通过交互界面获取用户通过第三输入界面输入的针对种植数据的预设选取范围和预设步长。处理器可以调用参数调优模型根据预设选取范围和预设步长生成多组第一试验作业数据，并将多组试验作业数据在第二显示界面进行显示，其中，试验作业数据可以包括试验种植数据、与试验种植数据对应的试验作物产量以及试验生育时间。用户可以通过第二显示界面获取通过参数调优模型确定的多组试验作业数据，并对显示的试验作业数据进行选取，处理器可以获取用户通过第二显示界面选定的多组第一试验作业数据，并将用户选定的第一试验作业数据确定为样本作业数据，用于后续对待训练的耦合作物模型进行训练。例如，参数调优模型根据预设选取范围和预设步长生成了100组试验作业数据，并将这100组试验作业数据在第二显示界面进行显示，用户可以在100组中挑选50组试验作业数据作为样本作业数据。
在一个实施例中，方法还包括：在调用参数调优模型，根据预设选取范围和预设步长生成多组第一试验作业数据后，通过数据筛选模块获取历史作业数据，其中，历史作业数据包括历史种植数据以及与历史种植数据对应的历史产量和历史生育时间；通过历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据；将数值最大的试验作物产量对应的第二试验作业数据确定为样本作业数据。
智能平台还包括数据筛选模块，处理器通过调用参数调优模型，使参数调优模型根据用户确定的预设选取范围和预设步长生成多组第一试验作业数据后，处理器可以控制数据筛选模块对生成的多组第一试验作业数据进行筛选，以选取样本作业数据。
数据筛选模块可以获取历史作业数据，其中，历史作业数据可以包括历史种植数据以及与历史种植数据对应的历史产量和历史生育时间。数据筛选模块可以根据历史作业数据对每组第一试验作业数据进行筛选，从而筛选出符合预设规则的多组第二试验作业数据。处理器可以确定每组第二试验作业数据的试验作物产量，并将数值最大的试验作物产量对应的第二试验作业数据确定为样本作业数据。
在一个实施例中，通过历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据包括：获取每组第一试验作业数据中的第一试验生育时间；将处于预设时长范围内的第一试验生育时间确定为第二试验生育时间；确定与第二试验生育时间对应的第一试验作物产量；将数值大于预设数值的第一试验作物产量确定为第二试验作物产量；将第二试验作物产量对应的试验种植数据和试验生育时间确定为第二试验作业数据。
数据筛选模块在根据历史作业数据对每组第一试验作业数据进行筛选时，可以获取每组第一试验作业数据中的第一试验生育时间，处理器可以设置预设时长范围，将处于预设时长范围内的第一试验生育时间确定为第二试验生育时间，并确定与第二试验生育时间对应的第一试验作物产量。将数值大于预设数值的第一试验作物产量确定为第二试验作物产量，再将第二试验作物产量对应的试验中式数据和试验生育时间确定为第二试验作业数据。例如，数据筛选模块可以获取每组第一试验作业数据中的第一试验生育时间，假设预设时长范围为小于98天，数据筛选模块可以将第一试验生育时间中小于98天的数据全部挑选出来，将挑选出来的试验生育时间确定为第二试验生育时间，获取每一个第二试验生育时间对应的试验作物产量，将对应的试验作物产量确定为第一试验作物产量，假设处理器设置的预设数值为360KG/亩，数据筛选模块可以将第一试验作物产量中大于360KG/亩的试验作物产量确定为第二试验作物产量。并将和筛选出的第二试验作物产量对应的试验种植数据和试验生育时间确定为第二试验作业数据。
在一个实施例中，提供一种处理器，被配置成执行上述中任意一项的用于预测作物产量和生育期时间的方法。
上述技术方案，智能平台可以通过模型训练模块调用参数调优模型根据历史种植数据生成多组试验数据，并通过数据筛选模块对生成的多组试验数据进行筛选，以选出符合条件的样本数据。智能平台也可以将生成的多组试验数据通过交互界面推送给用户，使用户通过交互界面选取样本数据。在用户选出样本数据或通过数据筛选模块筛选出样本数据后，智能平台可以通过模型训练模块根据样本数据对待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。通过参数调优模型可以生成大量的试验数据，从而提供丰富的样本数据，降低人工成本。用户可以通过交互界面直接输入待预估的种植数据，智能平台通过调用训练好的耦合作物模型根据用户输入的待预估种植数据生成对应的作物的产量预估值和作物的预估生育期，对于用户来说，通过智能平台的交互界面进行操作，使得操作方式更加便捷，获取方式直观，而采用耦合作物模型，可以考虑多种对作物产生影响的因素，提高预测的准确度，使用户可以得到更加准确的预估数据。
在一个实施例中，如图1所示，示意性示出了根据本申请实施例的一种智能平台100的结构示意图。智能平台100包括：模型训练模块101，模型训练模块101包括耦合作物模型，其中，耦合作物模型用于根据待预估种植数据生成作物的产量预估值和作物的预估生育期；以及处理器104。
在一个实施例中，如图1所示，模型训练模块101用于对模型进行训练并存储，模型训练模块101还包括参数调优模型，其中，参数调优模型用于根据种植数据的预设选取范围和预设步长生成多组试验作业数据；智能平台100还包括：交互界面102，用于获取用户的操作指令以及显示与操作指令相关的界面信息；数据筛选模块103，用于对数据进行筛选。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的控制器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的控制器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作***B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作***B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储农业种植的相关数据，以及操作人员输入的相关数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被控制器A01执行时以实现一种用于预测作物产量和生育期时间的方法。
图2为一个实施例中用于预测作物产量和生育期时间的方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例提供了一种设备，设备包括控制器、存储器及存储在存储器上并可在控制器上运行的程序，控制器执行程序时实现以下步骤：响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令，以显示第一输入界面；获取用户通过第一输入界面输入的待预估种植数据，其中，种植数据包括土壤参数、农事参数以及气象参数；调用耦合作物模型，以根据待预估种植数据生成作物的产量预估值和作物的预估生育期，并在第一显示界面显示产量预估值和预估生育期。
在一个实施例中，在响应于用户通过交互界面触发的针对耦合作物模型的数据输入指令之前，响应于用户通过交互界面触发的针对待训练的耦合作物模型的模型训练指令，以显示第二输入界面；获取用户通过第二输入界面输入的样本作业数据，其中，样本作业数据包括样本种植数据、与样本种植数据对应的样本作物产量以及样本生育时间；将样本种植数据作为输入数据输入至待训练的耦合作物模型，得到对应的训练产量数据和训练生育时间；将训练产量数据和训练生育时间与样本作物产量和样本生育时间进行比对；根据比对结果对待训练的耦合作物模型的参数进行调整，以对待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。
在一个实施例中，根据比对结果对待训练的耦合作物模型的参数进行调整，以对待训练的耦合作物模型进行训练包括：获取训练产量数据与样本作物产量之间的第一绝对值差值，以及训练生育时间与样本生育时间之间的第二绝对值差值；在第一绝对值差值和/或第二绝对值差值高于预设差值的情况下，对待训练的耦合作物模型的参数进行调整；在第一绝对值差值和第二绝对值差值均低于预设差值的情况下，确定训练产量数据和训练生育时间合格；在训练产量数据和训练生育时间的合格率达到第一预设比例的情况下，确定待训练的耦合作物模型训练完成。
在一个实施例中，模型训练模块还包括参数调优模型，方法还包括：响应于用户通过交互界面触发的针对参数调优模型的数据输入指令，以显示第三输入界面；获取用户通过第三输入界面输入的针对种植数据的预设选取范围和预设步长；调用参数调优模型，根据预设选取范围和预设步长生成多组第一试验作业数据，并在第二显示界面显示多组试验作业数据，其中，试验作业数据包括试验种植数据、与试验种植数据对应的试验作物产量以及试验生育时间；获取用户通过第二显示界面选定的第一试验作业数据，并将选定的第一试验作业数据确定为样本作业数据。
在一个实施例中，智能平台还包括数据筛选模块，方法还包括：在调用参数调优模型，根据预设选取范围和预设步长生成多组第一试验作业数据后，通过数据筛选模块获取历史作业数据，其中，历史作业数据包括历史种植数据以及与历史种植数据对应的历史产量和历史生育时间；通过历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据；将数值最大的试验作物产量对应的第二试验作业数据确定为样本作业数据。
在一个实施例中，通过历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据包括：获取每组第一试验作业数据中第一试验生育时间；将处于预设时长范围内的第一试验生育时间确定为第二试验生育时间；确定与第二试验生育时间对应的第一试验作物产量；将数值大于预设数值的第一试验作物产量确定为第二试验作物产量；将第二试验作物产量对应的试验种植数据和试验生育时间确定为第二试验作业数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式控制器或其他可编程数据处理设备的控制器以产生一个机器，使得通过计算机或其他可编程数据处理设备的控制器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个控制器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于预测作物产量和生育期时间的方法，其特征在于，应用于智能平台，所述智能平台包括模型训练模块，所述模型训练模块包括耦合作物模型，所述方法包括：
响应于用户通过交互界面触发的针对所述耦合作物模型的数据输入指令，以显示第一输入界面；
获取所述用户通过所述第一输入界面输入的待预估种植数据，其中，所述种植数据包括土壤参数、农事参数以及气象参数；
调用所述耦合作物模型，以根据所述待预估种植数据生成作物的产量预估值和所述作物的预估生育期，并在第一显示界面显示所述产量预估值和所述预估生育期。
2.根据权利要求1所述的用于预测作物产量和生育期时间的方法，其特征在于，所述方法还包括：
在响应于用户通过交互界面触发的针对所述耦合作物模型的数据输入指令之前，响应于用户通过交互界面触发的针对待训练的耦合作物模型的模型训练指令，以显示第二输入界面；
获取所述用户通过所述第二输入界面输入的样本作业数据，其中，所述样本作业数据包括样本种植数据、与所述样本种植数据对应的样本作物产量以及样本生育时间；
将所述样本种植数据作为输入数据输入至待训练的耦合作物模型，得到对应的训练产量数据和训练生育时间；
将训练产量数据和训练生育时间与所述样本作物产量和所述样本生育时间进行比对；
根据比对结果对所述待训练的耦合作物模型的参数进行调整，以对所述待训练的耦合作物模型进行训练，并将训练完成的耦合作物模型进行存储。
3.根据权利要求2所述的用于预测作物产量和生育期时间的方法，其特征在于，所述根据比对结果对所述待训练的耦合作物模型的参数进行调整，以对所述待训练的耦合作物模型进行训练包括：
获取所述训练产量数据与所述样本作物产量之间的第一绝对值差值，以及所述训练生育时间与所述样本生育时间之间的第二绝对值差值；
在所述第一绝对值差值和/或所述第二绝对值差值高于预设差值的情况下，对所述待训练的耦合作物模型的参数进行调整；
在所述第一绝对值差值和所述第二绝对值差值均低于所述预设差值的情况下，确定所述训练产量数据和所述训练生育时间合格；
在所述训练产量数据和所述训练生育时间的合格率达到第一预设比例的情况下，确定所述待训练的耦合作物模型训练完成。
4.根据权利要求2所述的用于预测作物产量和生育期时间的方法，其特征在于，所述模型训练模块还包括参数调优模型，所述方法还包括：
响应于用户通过所述交互界面触发的针对所述参数调优模型的数据输入指令，以显示第三输入界面；
获取所述用户通过所述第三输入界面输入的针对种植数据的预设选取范围和预设步长；
调用所述参数调优模型，根据所述预设选取范围和所述预设步长生成多组第一试验作业数据，并在第二显示界面显示所述多组试验作业数据，其中，试验作业数据包括试验种植数据、与试验种植数据对应的试验作物产量以及试验生育时间；
获取所述用户通过所述第二显示界面选定的第一试验作业数据，并将所述选定的第一试验作业数据确定为所述样本作业数据。
5.根据权利要求4所述的用于预测作物产量和生育期时间的方法，其特征在于，所述智能平台还包括数据筛选模块，所述方法还包括：
在调用所述参数调优模型，根据所述预设选取范围和所述预设步长生成多组第一试验作业数据后，通过所述数据筛选模块获取历史作业数据，其中，所述历史作业数据包括历史种植数据以及与所述历史种植数据对应的历史产量和历史生育时间；
通过所述历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据；
将数值最大的试验作物产量对应的第二试验作业数据确定为所述样本作业数据。
6.根据权利要求5所述的用于预测作物产量和生育期时间的方法，其特征在于，所述通过所述历史作业数据对每组第一试验作业数据进行筛选，以确定符合预设规则的多组第二试验作业数据包括：
获取每组第一试验作业数据中第一试验生育时间；
将处于预设时长范围内的第一试验生育时间确定为第二试验生育时间；
确定与所述第二试验生育时间对应的第一试验作物产量；
将数值大于预设数值的第一试验作物产量确定为第二试验作物产量；
将所述第二试验作物产量对应的试验种植数据和试验生育时间确定为第二试验作业数据。
7.一种处理器，其特征在于，被配置成执行根据权利要求1至6中任意一项所述的用于预测作物产量和生育期时间的方法。
8.一种智能平台，其特征在于，所述智能平台包括：
模型训练模块，包括耦合作物模型，其中，所述耦合作物模型用于根据待预估种植数据生成作物的产量预估值和所述作物的预估生育期；以及
如权利要求7所述的处理器。
9.根据权利要求8所述的智能平台，其特征在于，所述模型训练模块用于对模型进行训练并存储，所述模型训练模块还包括参数调优模型，其中，所述参数调优模型用于根据种植数据的预设选取范围和预设步长生成多组试验作业数据；
所述智能平台还包括：
交互界面，用于获取用户的操作指令以及显示与所述操作指令相关的界面信息；
数据筛选模块，用于对数据进行筛选。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被控制器执行时使得所述控制器被配置成执行根据权利要求1至6中任意一项所述的用于预测作物产量和生育期时间的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277628.5A CN116451842A (zh) | 2023-03-17 | 2023-03-17 | 用于预测作物产量和生育期时间的方法及智能平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277628.5A CN116451842A (zh) | 2023-03-17 | 2023-03-17 | 用于预测作物产量和生育期时间的方法及智能平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116451842A true CN116451842A (zh) | 2023-07-18 |
Family
ID=87134734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310277628.5A Pending CN116451842A (zh) | 2023-03-17 | 2023-03-17 | 用于预测作物产量和生育期时间的方法及智能平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451842A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972329A (zh) * | 2024-04-01 | 2024-05-03 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及*** |
-
2023
- 2023-03-17 CN CN202310277628.5A patent/CN116451842A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972329A (zh) * | 2024-04-01 | 2024-05-03 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及*** |
| CN117972329B (zh) * | 2024-04-01 | 2024-05-31 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108563548B (zh) | 异常检测方法及装置 | |
| CN109582563B (zh) | 测试案例的测试方法、装置、计算机设备及存储介质 | |
| CN107678895A (zh) | 一种智能终端页面跳转时间的测试方法及*** | |
| CN110022347A (zh) | 一种管理应用的方法和移动终端 | |
| CN110321273A (zh) | 一种业务统计方法及装置 | |
| CN106898017B (zh) | 用于识别图像局部区域的方法、装置及终端设备 | |
| CN107944005B (zh) | 一种数据展示方法及装置 | |
| CN116451842A (zh) | 用于预测作物产量和生育期时间的方法及智能平台 | |
| DE102015108243A1 (de) | Verfahren und Vorrichtung zur Konfiguration von Prozesssteuerungssystemen basierend auf generischen Prozesssystembibliotheken | |
| CN110507986B (zh) | 动画信息的处理方法和装置 | |
| CN114140034B (zh) | 基于工况的质量监控方法及相关装置 | |
| US10565224B2 (en) | Data provision apparatus and data provision method | |
| CN106294172A (zh) | 基于终端设备的app自测方法和装置 | |
| CN110889737A (zh) | 合租室友的推荐方法、装置、服务器及存储介质 | |
| US8448065B2 (en) | System and method for the editing and accessing real-time OPC data with text-based tags | |
| CN112948099A (zh) | 任务发布流程方法、装置、计算机设备和存储介质 | |
| CN110457010B (zh) | 基于协作平台批量更改任务单的方法及装置 | |
| US9626415B2 (en) | Data reduction with specified constraints | |
| CN110162361B (zh) | 基于用户行为的智能提示方法、装置、终端及存储介质 | |
| CN115494801B (zh) | 板件生产线搭建方法及终端 | |
| US9158600B2 (en) | System and method for automating the transfer of a data from a web interface to a database or another web interface | |
| CN111243059B (zh) | 图形实时绘制方法、装置、设备及计算机可读介质 | |
| CN112785418A (zh) | 信贷风险建模方法、装置、设备及计算机可读存储介质 | |
| CN112200490A (zh) | 一种工程质量安全手册的信息化方法及*** | |
| CN112416442A (zh) | 一种设备流程控制方法、设备及介质 |
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 |