CN116579873A - 基于高温干旱气象评估作物灾害减产情况的方法及*** - Google Patents
基于高温干旱气象评估作物灾害减产情况的方法及*** Download PDFInfo
- Publication number
- CN116579873A CN116579873A CN202310577897.3A CN202310577897A CN116579873A CN 116579873 A CN116579873 A CN 116579873A CN 202310577897 A CN202310577897 A CN 202310577897A CN 116579873 A CN116579873 A CN 116579873A
- Authority
- CN
- China
- Prior art keywords
- target crop
- yield
- life cycle
- current life
- growth
- 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 49
- 230000009467 reduction Effects 0.000 title claims abstract description 44
- 230000012010 growth Effects 0.000 claims abstract description 130
- 230000035558 fertility Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 240000008042 Zea mays Species 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000012886 Vertigo Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000002759 z-score normalization 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
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于高温干旱气象评估作物灾害减产情况的方法及***,涉及作物气象灾害产量估测分析领域;方法包括:根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值;根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产;根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。本发明通过预测目标作物的潜力单产和单产估测值,得到作物的减产量。
Description
技术领域
本发明涉及作物气象灾害产量估测分析领域,特别是涉及基于高温干旱气象评估作物灾害减产情况的方法及***。
背景技术
随着全球气候变化的加剧,农作物生产受到诸多气象因素的影响,其中高温干旱等极端气候事件对农作物产量影响尤为显著。玉米作为世界上重要的粮食作物和饲料作物,其产量直接关系到粮食供应、市场价格和粮食安全。因此,准确评估玉米灾害减产情况对于稳定市场供应和居民生活具有重要意义。
目前已经有研究探讨气候变化对玉米长势和单产的影响。这些研究主要关注气候因素如温度、降雨和光照时长等与玉米的生长和单产的关系。然而,尽管已有基于气象因素预测作物单产的研究,但如何将玉米各个生长周期遭受高温和干旱等气候因素考虑并应用到预测模型中的研究还不够深入与明确。此外,由于现有研究受限于应用单一机器学习方法和筛选的相关变量不够充分,导致模型的估测效果不高且鲁棒性较差。
发明内容
本发明的目的是提供基于高温干旱气象评估作物灾害减产情况的方法及***,可通过目标作物的当前生命周期的潜力单产和目标作物的当前生命周期的单产估测值,得到作物的减产量。
为实现上述目的,本发明提供了如下方案:
基于高温干旱气象评估作物灾害减产情况的方法,所述基于高温干旱气象评估作物灾害减产情况的方法包括:
获取目标作物的当前生命周期的各个生育阶段的气象数据,各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度;
根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;特征数据包括:生长度日、极端生长度日、累计极端天数和累计降雨天数;
将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值;
获取目标作物的历史每年单产量集;
根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产;
根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。
可选地,生长度日的计算公式为:
极端生长度日的计算公式为:
累计极端天数的计算公式为:
累计降雨天数的计算公式为:
其中,DGrow,j为第j生育阶段的生长度日;tgrow,i,j为第j生育阶段中第i天的生长度日;i为以天为单位的步长;n为第j生育阶段的天数;Tmin,j为第j生育阶段的日最低温;Tbase,j为作物在第j生育阶段的基准温度;Tupper,j为作物在第j生育阶段的最适温度范围上限;Tmax,j为第j生育阶段的日最高温;Deg,j为第j生育阶段中的极端生长度日;teg,i,j为第j生育阶段中第i天的极端生长度日;Tthre,j为第j生育阶段内影响作物生长的温度上限阈值;DE,j为第j生育阶段中累计的极端天数;de,i,j为第j生育阶段内的极热天的第i天;Dp,j为第j生育阶段中累计降雨天数;dp,i,j为第j生育阶段中的降雨天的第i天;Pj为第j生育阶段中日降雨量;Pthre,j为第j生育阶段记作降雨日所必须监测到的最小降雨量阈值。
可选地,将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值,之前还包括:
获取目标作物的历史每年生命周期的各个生育阶段的气象数据;
根据目标作物的历史每年生命周期的各个生育阶段的气象数据,计算得到目标作物的历史每年生命周期的各个生育阶段的特征数据;
将目标作物的历史每年单产量集和目标作物的历史每年生命周期的各个生育阶段的特征数据分为训练集和测试集;
将所述训练集输入至提升集成学习模型,对所述提升集成学习模型进行训练,得到训练后的提升集成学习模型;
将所述训练集输入至梯度提升集成学习模型,对所述梯度提升集成学习模型进行训练,得到训练后的梯度提升集成学习模型;
将所述训练集输入至堆栈集成学习模型,对所述堆栈集成学习模型进行训练,得到训练后的堆栈集成学习模型;
将所述测试集分别输入至训练后的提升集成学习模型、训练后的梯度提升集成学习模型和训练后的堆栈集成学习模型,得到第一测试结果集、第二测试结果集和第三测试结果集;
基于目标作物的历史每年单产量集和所述第一测试结果集,得到第一误差比;
基于目标作物的历史每年单产量集和所述第二测试结果集,得到第二误差比;
基于目标作物的历史每年单产量集和所述第三测试结果集,得到第三误差比;
选取所述第一误差比、所述第二误差比和所述第三误差比中的最小值对应的模型作为训练后的目标作物单产估测模型。
可选地,基于目标作物的历史每年单产量集和所述第一测试结果,得到第一误差比,公式为:
其中,MAPE为第一误差比;为第一测试结果集中预测的第a年的目标作物单产量;ya为历史第a年的目标作物单产量;m为历史年数。
可选地,根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产,具体包括:
根据目标作物的历史每年单产量集采用指数法拟合,预测得到目标作物的当前生命周期的潜力单产。
基于高温干旱气象评估作物灾害减产情况的***,所述基于高温干旱气象评估作物灾害减产情况的***应用于上述所述的基于高温干旱气象评估作物灾害减产情况的方法,所述基于高温干旱气象评估作物灾害减产情况的***包括:
第一获取模块,用于获取目标作物的当前生命周期的各个生育阶段的气象数据,各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度;
计算模块,用于根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;各个生育阶段的特征数据包括:各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数;
单产估测值预测模块,用于将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值;
第二获取模块,用于获取目标作物的历史每年单产量集;
潜力单产预测模块,用于根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产;
减产预测模块,用于根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的基于高温干旱气象评估作物灾害减产情况的方法。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现如上述所述的基于高温干旱气象评估作物灾害减产情况的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,可以提前得到目标作物的单产量估测值。获取目标作物的历史每年单产量集。利用目标作物的历史每年单产量集,可以得到目标作物的历年单产量趋势,根据历年单产量趋势,可以得到目标作物的当前生命周期的潜力单产。通过目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,可以提前得到目标作物的当前生命周期的减产量,有助于提前根据目标作物的当前生命周期的减产量做出指导并优化种植管理措施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的基于高温干旱气象评估作物灾害减产情况的方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供基于高温干旱气象评估作物灾害减产情况的方法及***,通过目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,可以提前得到目标作物的当前生命周期的减产量,有助于提前根据目标作物的当前生命周期的减产量做出指导并优化种植管理措施。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明实施例提供的基于高温干旱气象评估作物灾害减产情况的方法,包括:
步骤101:获取目标作物的当前生命周期的各个生育阶段的气象数据,各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度。
实施中,若目标作物为玉米,则将玉米生命周期分为6个生育阶段:第一阶段-播种期、第二阶段-出苗期、第三阶段-拔节期、第四阶段-抽雄期、第五阶段-开花吐丝期、第六阶段-成熟期。
步骤102:根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;特征数据包括:生长度日、极端生长度日、累计极端天数和累计降雨天数。
生长度日(Growing Degree Days,GDD)是指作物在生长季内累积的有效积温,可以作为衡量植物生长积累热量的指标。
极热天数(Extreme Heat Days,EHD)表示高温天气出现的频次。
极端生长度日(Extreme Growing Degree Days,EDD)是一种衡量作物生长过程中高温严重程度的指标。
降雨日数(Precipitation Days,PD)是衡量降水情况的一种指标,与降水量等因素来统筹结合时,可以综合评估目标作物各个生育阶段的干旱情况。
实施中,采用z-score的方式获取各个生育阶段(第一阶段-播种期、第二阶段-出苗期、第三阶段-拔节期、第四阶段-抽雄期、第五阶段-开花吐丝期、第六阶段-成熟期)历史高温干旱情况和气象指标包括光照、降雨、温度,并计算生长度日、极端生长度日和极端天数。Z-score标准化为各个生育阶段内所有得到的气象要素通过下列方式输出一个标准化值:
z为标准化值,x为个体的观测值,δ为总体数据的标准差,μ为总体数据的均值。
步骤103:将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值。
步骤104:获取目标作物的历史每年单产量集。
步骤105:根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产。
实施中,目标作物的潜在单产(potential yield)是长期的、趋势性的、宏观的,可以根据历史实际单产预测出下一年的潜在产量。在建模时,可以用Holt-Winters指数法拟合出应有单产。
步骤106:根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。
具体实施中,最后通过产量面积×单产方式算出具体减产情况:减产=(潜力单产-估测单产)×面积。
生长度日计算公式为:
极端生长度日的计算公式为:
累计极端天数的计算公式为:
累计降雨天数的计算公式为:
其中,DGrow,j为第j生育阶段的生长度日;tgrow,i,j为第j生育阶段中第i天的生长度日;i为以天为单位的步长;n为第j生育阶段的天数;Tmin,j为第j生育阶段的日最低温;Tbase,j为作物在第j生育阶段的基准温度;Tupper,j为作物在第j生育阶段的最适温度范围上限;Tmax,j为第j生育阶段的日最高温;Deg,j为第j生育阶段中的极端生长度日;teg,i,j为第j生育阶段中第i天的极端生长度日;Tthre,j为第j生育阶段内影响作物生长的温度上限阈值;DE,j为第j生育阶段中累计的极端天数;de,i,j为第j生育阶段内的极热天的第i天;Dp,j为第j生育阶段中累计降雨天数;dp,i,j为第j生育阶段中的降雨天的第i天;Pj为第j生育阶段中日降雨量;Pthre,j为第j生育阶段记作降雨日所必须监测到的最小降雨量阈值。
采用LightGBM、Bagging和Stacking三种机器学习方法对历史气象数据进行训练学习。
将LightGBM、Bagging和Stacking三种机器学***均预测的方法算出各个区域的预测值,并通过平均绝对误差百分比(MAPE)来筛选出最优模型,MAPE值最低的模型为该地区最优基于高温干旱相关气象指标的训练后的目标作物单产估测模型。
具体实施中,将目标作物的当前生命周期的各个生育阶段的的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值,之前还包括:
获取目标作物的历史每年生命周期的各个生育阶段的气象数据。
根据目标作物的历史每年生命周期的各个生育阶段的气象数据,计算得到目标作物的历史每年生命周期的各个生育阶段的特征数据。
将目标作物的历史每年单产量集和目标作物的历史每年生命周期的各个生育阶段的特征数据分为训练集和测试集。
将所述训练集输入至提升集成学习模型,对所述提升集成学习模型进行训练,得到训练后的提升集成学习模型。
在具体实施中,采用提升集成学习模型(bagging)能有效降低目标作物高温干旱集成学习气象单产预测模型的方差,提高模型的泛化能力。将Lasso方法应用于Bagging模型的过程分为三步。
1.通过自助采样生成多个训练子集;2.对每个训练子集使用Lasso方法训练得到一个稀疏线性回归模型;3.将所有基学***均法进行融合。这种组合可以充分利用Lasso方法在特征选择和稀疏解上的优势,同时通过Bagging模型降低模型的方差,提高模型的泛化能力。
将训练集输入至梯度提升集成学习模型,对梯度提升集成学习模型进行训练,得到训练后的梯度提升集成学习模型。
实施中,LightGBM(Light Gradient Boosting Machine)是一种高效的集成学习方法,采用基于梯度提升(Gradient Boosting)的决策树算法。LightGBM在训练过程中具有较低的内存消耗和计算复杂度,因此在处理目标作物大规模气象指标和气象数据特征集上表现出较高的性能。LightGBM使用到决策树的方法分为5步:1初始化模型并迭代训练多个决策树,每棵树拟合前一棵树的残差;2.在每次迭代中,利用梯度信息选择最佳的分割特征和分割点,以降低损失函数;3.用“直方图优化”法来加速特征分割的计算过程;4.使用“带深度限制的Leaf-wise(叶子优先)生长策略”来构建树,这种策略可以减少过拟合的风险,同时提高模型的泛化能力;5.结合所有决策树的预测结果,得到最终的预测输出。综上所述,LightGBM模型通过引入决策树算法和梯度提升方法,以及一系列优化技术,实现了高效、可扩展的集成学习模型,符合目标作物大规模气象数据集和高维特征空间的切实需要;
将训练集输入至堆栈集成学习模型,对堆栈集成学习模型进行训练,得到训练后的堆栈集成学习模型。
采用堆栈集成学习模型(Stacking)对目标作物高温干旱气象指标与气象因素单产预测模型进行建模。Stacking是一种通过元模型(本文用)将多个基模型(Base-model)进行组合的集成策略,其实质是一种串行结构的多层学习***。Stacking框架是将BP神经网络、Lasso、LightGBM和Bagging这4个基学习器组合起来进行模型融合。Stacking算法前期使用5折交叉验证的方法把原始特征转换为二级特征,然后再对变换得到的二级特征运用元学习器进行常规的训练和拟合。训练过程为:1.利用Stacking集成学习方法调用BP神经网络、Lasso、LightGBM和Bagging这四种类型的学习器对数据集进行训练学习。2.将各分类器得到的训练结果组成一个新的训练样例输入岭回归这一元学习器。3.第二层模型中元学习器的输出值为最终的输出结果。
将测试集分别输入至训练后的提升集成学习模型、训练后的梯度提升集成学习模型和训练后的堆栈集成学习模型,得到第一测试结果集、第二测试结果集和第三测试结果集。
基于目标作物的历史每年单产量集和第一测试结果集,得到第一误差比。
基于目标作物的历史每年单产量集和第二测试结果集,得到第二误差比。
基于目标作物的历史每年单产量集和第三测试结果集,得到第三误差比。
选取第一误差比、第二误差比和第三误差比中的最小值对应的模型作为训练后的目标作物单产估测模型。
基于目标作物的历史每年单产量集和第一测试结果,得到第一误差比,公式为:
其中,MAPE为第一误差比;为第一测试结果集中预测的第a年的目标作物单产量;ya为历史第a年的目标作物单产量;m为历史年数。
第二误差比和第三误差比均使用上述公式进行计算。
根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产,具体包括:
根据目标作物的历史每年单产量集采用指数法拟合,预测得到目标作物的当前生命周期的潜力单产。在建模时,可以用Holt-Winters指数法拟合出应有单产。
实施例2
本发明实施例提供了基于高温干旱气象评估作物灾害减产情况的***,该***应用于实施例1中的基于高温干旱气象评估作物灾害减产情况的方法,基于高温干旱气象评估作物灾害减产情况的***包括:
第一获取模块,用于获取目标作物的当前生命周期的各个生育阶段的气象数据,各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度。
计算模块,用于根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;特征数据包括:生长度日、极端生长度日、累计极端天数和累计降雨天数。
单产估测值预测模块,用于将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值。
第二获取模块,用于获取目标作物的历史每年单产量集。
潜力单产预测模块,用于根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产。
减产预测模块,用于根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。
在一种实施例中,本发明还提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现实施例1中的基于高温干旱气象评估作物灾害减产情况的方法。
在一种实施例中,本发明还提供了一种计算机可读存储介质,存储介质上存储有计算机程序,计算机程序被执行时实现实施例1中的基于高温干旱气象评估作物灾害减产情况的方法。
本发明提出了基于高温干旱气象评估作物灾害减产情况的方法及***。本发明旨在研究气候变化因素中的降雨和温度,并计算各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数等描述极端天气的气象指标纳入到预测模型的特征集中。通过引入LightGBM、Bagging和Stacking的机器学习方法,提高预测精度和鲁棒性,从而更好地预测玉米单产。同时,本发明还将研究目标作物的当前生命周期的各个生育阶段的对不同气候因素的敏感度,为优化种植管理措施提供指导与参考。
本发明的主要研究目的包括:(1)通过目标作物的当前生命周期的各个生育阶段的气象数据,计算各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数等预测目标作物的单产;(2)通过合理和适用的方式从不同县域的实际单产中分离出趋势单产和气候单产;(3)研究和构建基于3种不同集成学习算法(LightGBM、Bagging和Stacking)的将各个生育阶段的生长度日、极端生长度日、累计极端天数和累计降雨天数纳入定量分析范畴内的训练后的目标作物单产估测模型;(4)研究3种不同集成学习方法在提升预测目标作物单产准确度方面的具体表现和效果,并分析目标作物各个生育阶段目标作物单产对不同气候因素的敏感度,指导并优化种植管理措施。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.基于高温干旱气象评估作物灾害减产情况的方法,其特征在于,所述基于高温干旱气象评估作物灾害减产情况的方法包括:
获取目标作物的当前生命周期的各个生育阶段的气象数据,各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度;
根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;特征数据包括:生长度日、极端生长度日、累计极端天数和累计降雨天数;
将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值;
获取目标作物的历史每年单产量集;
根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产;
根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。
2.根据权利要求1所述的基于高温干旱气象评估作物灾害减产情况的方法,其特征在于,生长度日的计算公式为:
极端生长度日的计算公式为:
累计极端天数的计算公式为:
累计降雨天数的计算公式为:
其中,DGrow,j为第j生育阶段的生长度日;tgrow,i,j为第j生育阶段中第i天的生长度日;i为以天为单位的步长;n为第j生育阶段的天数;Tmin,j为第j生育阶段的日最低温;Tbase,j为作物在第j生育阶段的基准温度;Tupper,j为作物在第j生育阶段的最适温度范围上限;Tmax,j为第j生育阶段的日最高温;Deg,j为第j生育阶段中的极端生长度日;teg,i,j为第j生育阶段中第i天的极端生长度日;Tthre,j为第j生育阶段内影响作物生长的温度上限阈值;DE,j为第j生育阶段中累计的极端天数;de,i,j为第j生育阶段内的极热天的第i天;Dp,j为第j生育阶段中累计降雨天数;dp,i,j为第j生育阶段中的降雨天的第i天;Pj为第j生育阶段中日降雨量;Pthre,j为第j生育阶段记作降雨日所必须监测到的最小降雨量阈值。
3.根据权利要求1所述的基于高温干旱气象评估作物灾害减产情况的方法,其特征在于,将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值,之前还包括:
获取目标作物的历史每年生命周期的各个生育阶段的气象数据;
根据目标作物的历史每年生命周期的各个生育阶段的气象数据,计算得到目标作物的历史每年生命周期的各个生育阶段的特征数据;
将目标作物的历史每年单产量集和目标作物的历史每年生命周期的各个生育阶段的特征数据分为训练集和测试集;
将所述训练集输入至提升集成学习模型,对所述提升集成学习模型进行训练,得到训练后的提升集成学习模型;
将所述训练集输入至梯度提升集成学习模型,对所述梯度提升集成学习模型进行训练,得到训练后的梯度提升集成学习模型;
将所述训练集输入至堆栈集成学习模型,对所述堆栈集成学习模型进行训练,得到训练后的堆栈集成学习模型;
将所述测试集分别输入至训练后的提升集成学习模型、训练后的梯度提升集成学习模型和训练后的堆栈集成学习模型,得到第一测试结果集、第二测试结果集和第三测试结果集;
基于目标作物的历史每年单产量集和所述第一测试结果集,得到第一误差比;
基于目标作物的历史每年单产量集和所述第二测试结果集,得到第二误差比;
基于目标作物的历史每年单产量集和所述第三测试结果集,得到第三误差比;
选取所述第一误差比、所述第二误差比和所述第三误差比中的最小值对应的模型作为训练后的目标作物单产估测模型。
4.根据权利要求3所述的基于高温干旱气象评估作物灾害减产情况的方法,其特征在于,基于目标作物的历史每年单产量集和所述第一测试结果,得到第一误差比,公式为:
其中,MAPE为第一误差比;为第一测试结果集中预测的第a年的目标作物单产量;ya为历史第a年的目标作物单产量;m为历史年数。
5.根据权利要求1所述的基于高温干旱气象评估作物灾害减产情况的方法,其特征在于,根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产,具体包括:
根据目标作物的历史每年单产量集采用指数法拟合,预测得到目标作物的当前生命周期的潜力单产。
6.基于高温干旱气象评估作物灾害减产情况的***,其特征在于,所述基于高温干旱气象评估作物灾害减产情况的***应用于所述权利要求1-5中任意一项,所述基于高温干旱气象评估作物灾害减产情况的***包括:
第一获取模块,用于获取目标作物的当前生命周期的各个生育阶段的气象数据,各个生育阶段的气象数据包括各个生育阶段的每日降雨量和每日温度;
计算模块,用于根据目标作物的当前生命周期的各个生育阶段的气象数据,计算得到目标作物的当前生命周期的各个生育阶段的特征数据;特征数据包括:生长度日、极端生长度日、累计极端天数和累计降雨天数;
单产估测值预测模块,用于将目标作物的当前生命周期的各个生育阶段的特征数据输入至训练后的目标作物单产估测模型,得到目标作物的当前生命周期的单产估测值;
第二获取模块,用于获取目标作物的历史每年单产量集;
潜力单产预测模块,用于根据目标作物的历史每年单产量集,预测得到目标作物的当前生命周期的潜力单产;
减产预测模块,用于根据目标作物的当前生命周期的单产估测值和目标作物的当前生命周期的潜力单产,得到目标作物的当前生命周期的减产量。
7.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577897.3A CN116579873A (zh) | 2023-05-22 | 2023-05-22 | 基于高温干旱气象评估作物灾害减产情况的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577897.3A CN116579873A (zh) | 2023-05-22 | 2023-05-22 | 基于高温干旱气象评估作物灾害减产情况的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579873A true CN116579873A (zh) | 2023-08-11 |
Family
ID=87544981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577897.3A Pending CN116579873A (zh) | 2023-05-22 | 2023-05-22 | 基于高温干旱气象评估作物灾害减产情况的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579873A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726038A (zh) * | 2023-12-26 | 2024-03-19 | 北京师范大学 | 空间复合高温干旱事件的监测方法、装置和计算机设备 |
-
2023
- 2023-05-22 CN CN202310577897.3A patent/CN116579873A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726038A (zh) * | 2023-12-26 | 2024-03-19 | 北京师范大学 | 空间复合高温干旱事件的监测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bang et al. | Fuzzy logic based crop yield prediction using temperature and rainfall parameters predicted through ARMA, SARIMA, and ARMAX models | |
Navarro-Hellín et al. | A decision support system for managing irrigation in agriculture | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN117540908B (zh) | 基于大数据的农业资源整合方法和*** | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及*** | |
Samuel et al. | Crop price prediction system using machine learning algorithms | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集*** | |
CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及*** | |
CN118097438A (zh) | 一种基于大数据的施肥方法及*** | |
Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
CN116484193A (zh) | 一种作物产量的预测方法、***、设备及介质 | |
KR102471743B1 (ko) | 스마트팜의 미래 생산량 예측 방법 | |
CN115510991A (zh) | 一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法 | |
Sneha et al. | Sugarcane Yield and Price Prediction Using Forecasting Models | |
Chen et al. | Research on dynamic forecast of flowering period based on multivariable lstm and ensemble learning classification task | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN112131954A (zh) | 基于卷积神经网络的中国北方冬小麦遥感估产 | |
Shi et al. | Multivariate multi-step agrometeorological forecast model for rapid spray | |
CN117933946B (zh) | 一种基于大数据的乡村业务管理方法 | |
Ahmed et al. | Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm | |
JP2021174062A (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
Chatterjee et al. | Design and Development of Smart Farming using ML and IoT in India |
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 |