CN117077868A - 一种基于模型的粮食产量预测***及方法 - Google Patents
一种基于模型的粮食产量预测***及方法 Download PDFInfo
- Publication number
- CN117077868A CN117077868A CN202311224184.5A CN202311224184A CN117077868A CN 117077868 A CN117077868 A CN 117077868A CN 202311224184 A CN202311224184 A CN 202311224184A CN 117077868 A CN117077868 A CN 117077868A
- Authority
- CN
- China
- Prior art keywords
- evaluation value
- data
- grain yield
- model
- soil quality
- 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
- 239000002689 soil Substances 0.000 claims abstract description 99
- 238000011156 evaluation Methods 0.000 claims abstract description 98
- 238000013441 quality evaluation Methods 0.000 claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 34
- 239000002028 Biomass Substances 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 17
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 17
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 17
- 239000011574 phosphorus Substances 0.000 claims abstract description 17
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims abstract description 16
- 239000011591 potassium Substances 0.000 claims abstract description 16
- 229910052700 potassium Inorganic materials 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000003973 irrigation Methods 0.000 claims description 12
- 230000002262 irrigation Effects 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 11
- 241000607479 Yersinia pestis Species 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 8
- 239000007789 gas Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000004720 fertilization Effects 0.000 claims description 3
- 230000036285 pathological change Effects 0.000 claims description 3
- 231100000915 pathological change Toxicity 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Software Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明公开了一种基于模型的粮食产量预测方法，涉及粮食产量预测技术领域，该方法包括以下步骤：收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据；通过叶面积指数、生物量以及生长速率，并计算出农作物生长状况评估值；通过土壤的含氮量、含磷量以及含钾量获得土壤质量评估值，通过温度、湿度以及光照强度获得环境评估值，并生成农作物生长环境评估值；使用回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型；当预测的粮食产量达不到预期值时，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，根据分析结果作出相应的措施。
Description
技术领域
本发明涉及粮食产量预测技术领域，具体为一种基于模型的粮食产量预测***及方法。
背景技术
在农业领域，粮食产量的预测是一个重要的环节。准确的产量预测有助于决策者制定合适的农业政策，以应对粮食市场的需求。然而，影响粮食产量的因素众多，包括气候条件、土壤质量、作物病虫害等，这些因素的复杂性以及相互作用的机制使得粮食产量的预测变得十分具有挑战性。
在申请公布号为CN106296434B的中国发明中，公开了一种基于PSO-LSSVM算法的粮食产量预测方法，该方法依次包括如下步骤：获取已知年份的粮食产量和主要影响因子的值；对粮食产量和主要影响因子的原始数据进行平滑处理；根据最小二乘支持向量机模型得出预测模型；通过迭代算法求解惩罚因子和核函数的宽度；求解拉格朗日乘子和变量值b；求解径向基核函数的值；将求解出的拉格朗日乘子、变量值b和径向基函数代入预测模型，并用模型计算第n年的粮食产量的预测值。
在申请公布号为CN110443420B的中国发明中，公开了一种基于机器学习的作物产量预测方法，利用作物生长周期内的气候特征，通过机器学习，建立起气候特征与作物产量之间的关联性，利用历史数据对不同的学习模型进行训练，结合当前的气象信息特征对当年产量做出预测，有助于农业从业人员及时了解产量信息，为农业生产决策提供依据。集成使用三种不同的机器学习分类算法对作物产量分别进行预测，并对预测结果进行集成判决，以减少单个学习算法鲁棒性差的问题，提高预测结果的正确率与可信度。易可实现更加及时、准确的产量预测，为实现粮食产量生产与决策提供必要的技术支撑。
在以上发明所记载的技术方案中，都是通过建立影响因子和农作物产量之间的关联性来达到预测农作物产量的目的，然而影响农作物产量的因素众多，很难全面考虑。
为此，本发明提供了一种基于模型的粮食产量预测***及方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于模型的粮食产量预测***及方法，旨在将农作物生长状况和影响因素与农作物产量建立关联，以便于预测粮食的产量，并根据农作物生长状况和环境因素采取针对性的措施，改善农作物的生长环境和栽培技术，以提高粮食产量，解决了背景技术中提出的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于模型的粮食产量预测方法，包括以下步骤：
收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据，并对数据进行预处理，从预处理后的数据中提取与粮食产量相关的特征，包括粮食生长情况、环境因素、土壤特性；
获取农作物生长状况数据，包括叶面积指数LAIt、生物量BMSt以及生长速率GROt，并计算出农作物生长状况评估值GAS；
获取的土壤质量数据和环境数据，通过土壤的含氮量Nt、含磷量Pt以及含钾量Kt获得土壤质量评估值SQVt，通过温度Temt、湿度Humt以及光照强度LUXt获得环境评估值EAVt，综合土壤质量评估值SQVt和环境评估值EAVt，生成农作物生长环境评估值GEV；
使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型，使用历史数据对模型进行验证和调整，输入当前数据得到预测的粮食产量；
当预测的粮食产量达不到预期值时，通过比对土壤质量评估值、环境评估值和预先设置的土壤质量阈值、环境阈值，根据不同的比对结果，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，获取分析结果，根据分析结果作出相应的措施。
进一步的，所述农作物生长状况评估值GAS的分析过程如下：
在作物不同的生长阶段，获取农作物生长状况数据，包括叶面积指数LAIt、生物量BMSt以及生长速率GROt，其中t为不同时间点；
叶面积指数是指单位土地面积上植物叶片总面积所覆盖的比例，是反映农作物生长情况的重要指标之一，通过测量叶片面积和植被覆盖率等参数，可以计算叶面积指数，计算公式为：
其中LAI为叶面积指数，Lengthij为每株各叶片的叶长，Widthij为每株各叶片的最大叶宽，n为第j株的总叶片数；m为测定株数；ρz为种植密度；
生物量是指农作物在某一时间范围内的干物质重量，通过测量植株高度、茎粗、叶片重量等参数，计算出农作物的生物量，计算公式为：
生物量＝干重或湿重-农作物部分的水分量；
生长速率是指单位时间内作物生长量的变化值，通常用生长速率计算公式来计算，生长速率计算公式的基本形式为：生长速率＝(终止值-初始值)/时间，其中，终止值是指作物生长结束时的生长量，初始值是指作物开始生长时的生长量，时间是指作物生长的时间。
通过叶面积指数LAIt、生物量BMSt以及生长速率GROt，进行无量纲化处理，并计算农作物生长状况评估值GAS，计算公式如下：
其中，t-1为上一时间点。
进一步的，所述土壤质量评估值SQVt的分析过程如下：
获取时间点t的土壤质量数据，包括土壤的含氮量Nt、含磷量Pt以及含钾量Kt，进行无量纲化处理，并计算出土壤质量评估值SQVt，计算公式如下：
其中，N0为标准含氮量，P0为标准含磷量，K0为标准含钾量，a1、a2、a3为权重系数，且0<a1<1，0<a2<1，0<a3<1，且a1+a2+a3≤1。
进一步的，所述环境评估值EAVt的分析过程如下：
获取时间点t的环境数据，包括温度Temt、湿度Humt以及光照强度LUXt，进行无量纲化处理，并计算出环境评估值EAVt，计算公式如下：
其中，Tem0为标准温度，Hum0为标准湿度，LUX0为标准光照强度，b1、b2、b3为权重系数，且0<b1<1，0<b2<1，0<b3<1，且b1+b2+b3≤1。
进一步的，所述农作物生长环境评估值GEV的生成包括：
综合土壤质量评估值SQVt和环境评估值EAVt，生成农作物生长环境评估值GEV，计算公式如下：
其中，α、β为权重系数，且0<α<1，0<β<1，α+β≤1。
进一步的，粮食产量的预测模型的构建过程包括：
使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建预测粮食产量的回归模型；
对建立的预测模型进行验证和调整，使用历史数据对模型进行交叉验证，调整模型参数，提高模型的预测准确性；
将当前的生长状况数据、环境数据、土壤质量数据输入到训练好的回归模型中，得到预测的粮食产量。
进一步的，当预测的粮食产量达不到预期值时，作出如下措施：
预先设置生长状况阈值，当生长状况评估值小于生长状况阈值时，获取农作物实时图像，通过对图像进行分析并进行特征提取，判断是否有虫灾害或者病变情况，并及时作出告警；
预先设置土壤质量阈值，当土壤质量评估值大于土壤质量阈值时，对土壤成分进行分析，并根据缺少的成分给出对应的施肥计划；
预先设置环境阈值，当环境评估值大于环境阈值时，对环境数据进行分析，当温度高于适宜温度区间或湿度低于适宜湿度区间时，增加灌溉次数以及灌水量直至温度和湿度降至农作物的适宜区间；当温度低于适宜温度区间或湿度高于适宜湿度区间时，减少灌溉次数以及灌水量直至温度和湿度升至农作物的适宜区间；当光照强度低于标准值时，进行人工补光。
一种基于模型的粮食产量预测***，包括：数据收集模块、数据预处理模块、数据分析模块、模型构建模块、模型优化模块、结果展示模块以及决策支持模块；其中，
数据预处理模块，用于收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据；
数据预处理模块，用于对收集到的数据进行清洗、转换和标准化，以满足后续分析和建模的要求，包括处理缺失值、异常值，对数据进行转换处理；
数据分析模块，用于对农作物生长状况数据、土壤质量数据和环境数据进行分析，通过叶面积指数、生物量以及生长速率获得农作物生长状况评估值，通过土壤的含氮量、含磷量以及含钾量获得土壤质量评估值，通过温度、湿度以及光照强度获得环境评估值，综合土壤质量评估值和环境评估值，生成农作物生长环境评估值；
模型构建模块，用于使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型；
模型优化模块，用于根据模型评估结果，对模型进行优化和调整，以提高预测性能和可靠性；
结果展示模块，用于将预测结果以可视化形式展示给用户，包括绘制粮食产量的预测趋势图，提供预测数值和相关信息；
决策支持模块，通过比对土壤质量评估值、环境评估值和预先设置的土壤质量阈值、环境阈值，根据不同的比对结果，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，获取分析结果，根据分析结果作出相应的措施。
(三)有益效果
本发明提供了一种基于模型的粮食产量预测***及方法，具备以下有益效果：
(1)通过对农作物不同生长阶段的数据进行分析，获得农作物生长状况评估值，以用于评估农作物的生长状况，可以了解其生长状况和生长潜力，并结合其他因素，包括环境、土壤等来预测粮食的产量。
(2)通过对土壤质量数据进行分析，获得土壤质量评估值和环境评估值，了解土壤的肥力状况和环境条件对作物生长和发育的影响，从而更好地管理土地和增加农作物的产量，为农业发展和环境保护提供科学依据。
(3)通过使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建预测粮食产量的回归模型，可以预测出粮食产量，更好地把握粮食生产的趋势和变化，利于做出相应的生产和管理决策。
(4)通过分析回归模型生成的结果，可以了解农作物生长状况和环境因素对粮食产量的影响方式和程度，以便于采取针对性的措施，改善农作物的生长环境和栽培技术，以提高粮食产量。
附图说明
图1为本发明基于模型的粮食产量预测***结构示意图；
图2为本发明基于模型的粮食产量预测方法流程示意图。
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。
请参阅图1，本发明提供一种基于模型的粮食产量预测方法，包括以下步骤：
步骤一：收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据，并对数据进行预处理，从预处理后的数据中提取与粮食产量相关的特征，包括粮食生长情况、环境因素、土壤特性等；
所述步骤一具体包括：
步骤101：从不同的农业数据源获取多维度的农业数据，包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据以及作物病虫害数据，农业数据源包括国家和地方政府农业数据报告和计划、***粮食与农业组织、农业企业数据库、学术研究论文以及调查数据；
步骤102：对数据进行预处理，包括数据清洗、标准化处理等；
步骤103：根据农业专业知识和数据分析技术，从预处理后的数据中提取与粮食产量相关的特征，包括环境因素、土壤特性等。
需要说明的是，粮食生长情况数据包括叶面积指数、生物量以及生长速率，环境数据包括温度、湿度以及光照强度，土壤特性包括含氮量、含磷量以及含钾量，作物病虫害数据包括作物病虫害面积和病虫害数量；
结合步骤101至步骤103的内容：
通过收集粮食生产相关数据，并对其进行预处理，可以提高数据的质量和准确度，便于后续对数据的分析，通过对预处理后的数据提取与粮食产量相关的特征数据，提取出有用的数据，提高了数据分析的效率。
步骤二：获取农作物生长状况数据，包括叶面积指数LAIt、生物量BMSt以及生长速率GROt，并计算出农作物生长状况评估值GAS；
所述步骤二具体包括：
步骤201：在作物不同的生长阶段，获取农作物生长状况数据，包括叶面积指数LAIt、生物量BMSt以及生长速率GROt，其中t为不同时间点；
步骤202：通过叶面积指数LAIt、生物量BMSt以及生长速率GROt，进行无量纲化处理，并计算农作物生长状况评估值GAS，计算公式如下：
其中，t-1为上一时间点。
需要说明的是，生长状况评估值是一个相对值，用于评估农作物的生长状况。通过比较不同作物或同一种作物在不同条件下的生长状况评估值，可以了解其生长状况和生长潜力。其中，叶面积指数(LAI)是指单位土地面积上植物叶片总面积所覆盖的比例，具体计算方法有以下几种：
点接触法：使用细探针以不同的高度角和方位角刺入冠层，记录细探针从冠层顶部到达底部的过程中针尖所接触的叶片数目，然后根据接触到的叶片数目计算叶面积指数；
消光系数法：通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数，前提条件是假设叶片随机分布和叶倾角呈椭圆分布；
回归模型法：通过建立叶面积指数与其它变量(如生物量、郁闭度等)之间的回归关系，从而计算叶面积指数。
生物量的计算方法有多种，包括直接称重法、间接测量法和生物学标志物法等：
直接称重法是将生物体取出后，用天平称重得到干重，再用干重除以湿重得到干湿比，从而计算出生物量；
间接测量法是通过测量生物体的某些特征参数，如体积、长度、直径等，然后根据经验公式计算出生物量；
生物学标志物法是利用生物体内某些特定的化学物质，如叶绿素、DNA、RNA等，来估算生物量。
此外，还有生物量方程法、生物量扩展因子法等计算生物量的方法。
生长速率的计算方法可以根据具体需求和数据情况而有所不同，但基本思路是通过对生物体在一定时间内的生长量进行测量，然后根据时间进行累加，得到生长速率，具体计算方法参考以下步骤：
收集生物体在不同时间点的生长量或数量，例如每周或每月测量一次；
根据测量数据，计算出每个时间点的生长量或数量；
将生长量或数量与时间进行对应，整理成表格或绘制成图表；
根据表格或图表，观察生物体的生长趋势，并选择适合的生长模型进行拟合；
根据拟合的生长模型，计算出每个时间点的生长速率；
将生长速率与时间进行对应，绘制成图表或进行其他处理。
例如，如果想要计算一棵作物在10天内的生长速率，可以测量这棵作物的重量(或高度、宽度等其他生长指标)，在第1天和第10天分别进行测量，然后代入生长速率计算公式中：生长速率＝(第10天的生长量-第1天的生长量)/10。
结合步骤201至步骤202的内容：
通过对农作物不同生长阶段的数据进行分析，获得农作物生长状况评估值，以用于评估农作物的生长状况，可以了解其生长状况和生长潜力，并结合其他因素，包括环境、土壤等来预测粮食的产量。
步骤三：获取的土壤质量数据和环境数据，通过土壤的含氮量Nt、含磷量Pt以及含钾量Kt获得土壤质量评估值SQVt，通过温度Temt、湿度Humt以及光照强度LUXt获得环境评估值EAVt，综合土壤质量评估值SQVt和环境评估值EAVt，生成农作物生长环境评估值GEV；
步骤301：获取时间点t的土壤质量数据，包括土壤的含氮量Nt、含磷量Pt以及含钾量Kt，进行无量纲化处理，并计算出土壤质量评估值SQVt，计算公式如下：
其中，N0为标准含氮量，P0为标准含磷量，K0为标准含钾量，a1、a2、a3为权重系数，且0<a1<1，0<a2<1，0<a3<1，且a1+a2+a3≤1；
步骤302：获取时间点t的环境数据，包括温度Temt、湿度Humt以及光照强度LUXt，进行无量纲化处理，并计算出环境评估值EAVt，计算公式如下：
其中，Tem0为标准温度，Hum0为标准湿度，LUX0为标准光照强度，b1、b2、b3为权重系数，且0<b1<1，0<b2<1，0<b3<1，且b1+b2+b3≤1；
步骤303：综合土壤质量评估值SQVt和环境评估值EAVt，生成农作物生长环境评估值GEV，计算公式如下：
其中，α、β为权重系数，且0<α<1，0<β<1，α+β≤1。
需要说明的是，不同农作物所需的标准含氮量、标准含磷量以及标准含钾量不相同，不同农作物所需的标准温度、标准湿度以及标准光照强度也不相同，当含氮量与标准含氮量、含磷量与标准含磷量以及含钾量与标准含钾量差值越大时，土壤质量评估值越大，反之则越小，当温度与标准温度、湿度与标准湿度以及光照强度与标准强度之间的差值越大时，环境评估值越大，反之则越小。
结合步骤301至步骤303中的内容：
通过对土壤质量数据进行分析，获得土壤质量评估值和环境评估值，了解土壤的肥力状况和环境条件对作物生长和发育的影响，从而更好地管理土地和增加农作物的产量，为农业发展和环境保护提供科学依据。
步骤四：使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型，使用历史数据对模型进行验证和调整，输入当前数据得到预测的粮食产量；
步骤401：使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建预测粮食产量的回归模型；
步骤402：对建立的预测模型进行验证和调整，使用历史数据对模型进行交叉验证，调整模型参数，提高模型的预测准确性；
步骤403：将当前的生长状况数据、环境数据、土壤质量数据输入到训练好的回归模型中，得到预测的粮食产量。
需要说明的是，回归分析只是一种数学工具，不能完全准确的描述农作物生长和粮食产量的复杂关系。因此，在实际应用中，还需要结合其他农业知识和实践经验进行综合分析和决策。
结合步骤401至步骤403的内容：
通过使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建预测粮食产量的回归模型，可以预测出粮食产量，更好地把握粮食生产的趋势和变化，利于做出相应的生产和管理决策。
步骤五：当预测的粮食产量达不到预期值时，通过比对土壤质量评估值、环境评估值和预先设置的土壤质量阈值、环境阈值，根据不同的比对结果，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，获取分析结果，根据分析结果作出相应的措施。
步骤501：预先设置生长状况阈值，当生长状况评估值小于生长状况阈值时，获取农作物实时图像，通过对图像进行分析并进行特征提取，判断是否有虫灾害或者病变情况，并及时作出告警；
步骤502：预先设置土壤质量阈值，当土壤质量评估值大于土壤质量阈值时，对土壤成分进行分析，并根据缺少的成分给出对应的施肥计划；
步骤503：预先设置环境阈值，当环境评估值大于环境阈值时，对环境数据进行分析，当温度高于适宜温度区间或湿度低于适宜湿度区间时，增加灌溉次数以及灌水量直至温度和湿度降至农作物的适宜区间；当温度低于适宜温度区间或湿度高于适宜湿度区间时，减少灌溉次数以及灌水量直至温度和湿度升至农作物的适宜区间；当光照强度低于标准值时，进行人工补光。
结合步骤501至步骤503的内容：
通过分析回归模型生成的结果，可以了解农作物生长状况和环境因素对粮食产量的影响方式和程度，以便于采取针对性的措施，改善农作物的生长环境和栽培技术，以提高粮食产量。
请参阅图2，本发明还提供一种基于模型的粮食产量预测***，包括：数据收集模块、数据预处理模块、数据分析模块、模型构建模块、模型优化模块、结果展示模块以及决策支持模块；其中，
数据预处理模块，用于收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据；
数据预处理模块，用于对收集到的数据进行清洗、转换和标准化，以满足后续分析和建模的要求，包括处理缺失值、异常值，对数据进行转换处理；
数据分析模块，用于对农作物生长状况数据、土壤质量数据和环境数据进行分析，通过叶面积指数、生物量以及生长速率获得农作物生长状况评估值，通过土壤的含氮量、含磷量以及含钾量获得土壤质量评估值，通过温度、湿度以及光照强度获得环境评估值，综合土壤质量评估值和环境评估值，生成农作物生长环境评估值；
模型构建模块，用于使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型；
模型优化模块，用于根据模型评估结果，对模型进行优化和调整，以提高预测性能和可靠性；
结果展示模块，用于将预测结果以可视化形式展示给用户，包括绘制粮食产量的预测趋势图，提供预测数值和相关信息；
决策支持模块，通过比对土壤质量评估值、环境评估值和预先设置的土壤质量阈值、环境阈值，根据不同的比对结果，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，获取分析结果，根据分析结果作出相应的措施。
通过预测粮食产量，可以更好地掌握农作物生长规律和粮食生产趋势，为农业生产提供科学依据和决策支持，有助于提高农业生产和粮食安全的水平。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于模型的粮食产量预测方法，其特征在于，包括以下步骤：
收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据，并对数据进行预处理，从预处理后的数据中提取与粮食产量相关的特征，包括粮食生长情况、环境因素、土壤特性；
获取农作物生长状况数据，包括叶面积指数LAIt、生物量BMSt以及生长速率GROt，并计算出农作物生长状况评估值GAS；
获取的土壤质量数据和环境数据，通过土壤的含氮量Nt、含磷量Pt以及含钾量Kt获得土壤质量评估值SQVt，通过温度Temt、湿度Humt以及光照强度LUXt获得环境评估值EAVt，综合土壤质量评估值SQVt和环境评估值EAVt，生成农作物生长环境评估值GEV；
使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型，使用历史数据对模型进行验证和调整，输入当前数据得到预测的粮食产量；
当预测的粮食产量达不到预期值时，通过比对土壤质量评估值、环境评估值和预先设置的土壤质量阈值、环境阈值，根据不同的比对结果，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，获取分析结果，根据分析结果作出相应的措施。
2.根据权利要求1所述的一种基于模型的粮食产量预测方法，其特征在于，所述农作物生长状况评估值GAS的分析过程如下：
在作物不同的生长阶段，获取农作物生长状况数据，包括叶面积指数LAIt、生物量BMSt以及生长速率GROt，其中t为不同时间点；通过叶面积指数LAIt、生物量BMSt以及生长速率GROt，进行无量纲化处理，并计算农作物生长状况评估值GAS，计算公式如下：
其中，t-1为上一时间点。
3.根据权利要求1所述的一种基于模型的粮食产量预测方法，其特征在于，所述土壤质量评估值SQVt的分析过程如下：
获取时间点t的土壤质量数据，包括土壤的含氮量Nt、含磷量Pt以及含钾量Kt，进行无量纲化处理，并计算出土壤质量评估值SQVt，计算公式如下：
其中，N0为标准含氮量，P0为标准含磷量，K0为标准含钾量，a1、a2、a3为权重系数，0<a1<1，0<a2<1，0<a3<1，且a1+a2+a3≤1。
4.根据权利要求1所述的一种基于模型的粮食产量预测方法，其特征在于，所述环境评估值EAVt的分析过程如下：
获取时间点t的环境数据，包括温度Temt、湿度Humt以及光照强度LUXt，进行无量纲化处理，并计算出环境评估值EAVt，计算公式如下：
其中，Tem0为标准温度，Hum0为标准湿度，LUX0为标准光照强度，b1、b2、b3为权重系数，0<b1<1，0<b2<1，0<b3<1，且b1+b2+b3≤1。
5.根据权利要求1所述的一种基于模型的粮食产量预测方法，其特征在于，所述农作物生长环境评估值GEV的生成包括：
综合土壤质量评估值SQVt和环境评估值EAVt，生成农作物生长环境评估值GEV，计算公式如下：
其中，α、β为权重系数，且0<α<1，0<β<1，α+β≤1。
6.根据权利要求1所述的一种基于模型的粮食产量预测方法，其特征在于，粮食产量的预测模型的构建过程包括：
使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建预测粮食产量的回归模型；对建立的预测模型进行验证和调整，使用历史数据对模型进行交叉验证，调整模型参数，提高模型的预测准确性；将当前的生长状况数据、环境数据、土壤质量数据输入到训练好的回归模型中，得到预测的粮食产量。
7.根据权利要求6所述的一种基于模型的粮食产量预测方法，其特征在于，当预测的粮食产量达不到预期值时，作出如下措施：
预先设置生长状况阈值，当生长状况评估值小于生长状况阈值时，获取农作物实时图像，通过对图像进行分析并进行特征提取，判断是否有虫灾害或者病变情况，并及时作出告警；预先设置土壤质量阈值，当土壤质量评估值大于土壤质量阈值时，对土壤成分进行分析，并根据缺少的成分给出对应的施肥计划；
预先设置环境阈值，当环境评估值大于环境阈值时，对环境数据进行分析，当温度高于适宜温度区间或湿度低于适宜湿度区间时，增加灌溉次数以及灌水量直至温度和湿度降至农作物的适宜区间；当温度低于适宜温度区间或湿度高于适宜湿度区间时，减少灌溉次数以及灌水量直至温度和湿度升至农作物的适宜区间；当光照强度低于标准值时，进行人工补光。
8.一种基于模型的粮食产量预测***，用于实现权利要求1至7中任一项所述方法，其特征在于，包括：数据收集模块、数据预处理模块、数据分析模块、模型构建模块、模型优化模块、结果展示模块以及决策支持模块；其中，
数据预处理模块，用于收集包括历史粮食产量数据、粮食生长情况数据、环境数据、土壤质量数据在内的相关数据；
数据预处理模块，用于对收集到的数据进行清洗、转换和标准化，以满足后续分析和建模的要求，包括处理缺失值、异常值，对数据进行转换处理；
数据分析模块，用于对农作物生长状况数据、土壤质量数据和环境数据进行分析，通过叶面积指数、生物量以及生长速率获得农作物生长状况评估值，通过土壤的含氮量、含磷量以及含钾量获得土壤质量评估值，通过温度、湿度以及光照强度获得环境评估值，综合土壤质量评估值和环境评估值，生成农作物生长环境评估值；
模型构建模块，用于使用多元线性回归方法将农作物生长状况评估值、农作物生长环境评估值与粮食产量建立线性关系，构建粮食产量的预测模型；
模型优化模块，用于根据模型评估结果，对模型进行优化和调整，以提高预测性能和可靠性；
结果展示模块，用于将预测结果以可视化形式展示给用户，包括绘制粮食产量的预测趋势图，提供预测数值和相关信息；
决策支持模块，通过比对土壤质量评估值、环境评估值和预先设置的土壤质量阈值、环境阈值，根据不同的比对结果，对生长状况评估值、土壤质量评估值以及环境评估值进行分析，获取分析结果，根据分析结果作出相应的措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311224184.5A CN117077868A (zh) | 2023-09-21 | 2023-09-21 | 一种基于模型的粮食产量预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311224184.5A CN117077868A (zh) | 2023-09-21 | 2023-09-21 | 一种基于模型的粮食产量预测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077868A true CN117077868A (zh) | 2023-11-17 |
Family
ID=88708229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311224184.5A Pending CN117077868A (zh) | 2023-09-21 | 2023-09-21 | 一种基于模型的粮食产量预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077868A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952480A (zh) * | 2024-03-26 | 2024-04-30 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 一种食品包装车间生产线管理方法及*** |
-
2023
- 2023-09-21 CN CN202311224184.5A patent/CN117077868A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952480A (zh) * | 2024-03-26 | 2024-04-30 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 一种食品包装车间生产线管理方法及*** |
| CN117952480B (zh) * | 2024-03-26 | 2024-06-11 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 一种食品包装车间生产线管理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10241098B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
| Obsie et al. | Wild blueberry yield prediction using a combination of computer simulation and machine learning algorithms | |
| US11533862B2 (en) | Method and system for selecting a plant variety | |
| EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
| Hammer et al. | Sugarcane yield prediction through data mining and crop simulation models | |
| Sexton et al. | A theoretical and real world evaluation of two Bayesian techniques for the calibration of variety parameters in a sugarcane crop model | |
| WO2023108213A1 (en) | Methods and systems for classifying and benchmarking irrigation performance | |
| CN114863289B (zh) | 一种基于土地利用的动态遥感监测方法与*** | |
| CN117077868A (zh) | 一种基于模型的粮食产量预测***及方法 | |
| CN117935081B (zh) | 一种基于遥感卫星数据的耕地变化监测方法及*** | |
| Cui et al. | Predicting carbon and water vapor fluxes using machine learning and novel feature ranking algorithms | |
| CN101430735B (zh) | 一种保护性耕作模式选择方法 | |
| CN117694070A (zh) | 养分要素反演评估与智能变量精准施肥决策*** | |
| Karakoc et al. | Ratio-based vegetation indices for biomass estimation depending on grassland characteristics | |
| CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和*** | |
| Atanasov et al. | Tomato leaf color as predictor of soil moisture value using machine learning techniques | |
| Ren et al. | Aboveground biomass of marshes in Northeast China: spatial pattern and annual changes responding to climate change | |
| Schmidt et al. | Estimation of the Farm-Level Yield-Weather-Relation Using Machine Learning | |
| Wang et al. | Forecasting Crop Yield Variability in Response to Weather Information Using Quantile Random Forest Regression---An Application in Non-Irrigated Upland Cotton | |
| US20230093903A1 (en) | Methods and systems for use in processing images related to crop phenology | |
| Tripathi et al. | Tea yield modeling based on satellite derived LAI | |
| Atzberger et al. | Estimation of inter-annual winter crop area variation and spatial distribution with low resolution NDVI data by using neural networks trained on high resolution images | |
| Lenoir et al. | Advancing Blackmore’s methodology to delineate management zones from Sentinel 2 images | |
| Stettmer | Analysis of the precision of digital technologies for recording the spatial variability of yield and nitrogen uptake in winter wheat as a basis for site-specific fertilization | |
| Peng et al. | Grape leaf moisture prediction from UAVs using multimodal data fusion and machine learning |
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 |