CN104642021A - 一种设施生菜病害预警方法及装置 - Google Patents
一种设施生菜病害预警方法及装置 Download PDFInfo
- Publication number
- CN104642021A CN104642021A CN201510102239.4A CN201510102239A CN104642021A CN 104642021 A CN104642021 A CN 104642021A CN 201510102239 A CN201510102239 A CN 201510102239A CN 104642021 A CN104642021 A CN 104642021A
- Authority
- CN
- China
- Prior art keywords
- day
- value
- humidity
- minimum
- degree
- 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.)
- Granted
Links
Landscapes
- Air Conditioning Control Device (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及蔬菜病害防治技术领域,具体涉及一种设施生菜病害预警方法及装置。本发明提供的一种设施生菜病害预警方法及装置,基于植物病害三角原理,根据生菜易发生病害的环境温湿度阈值以及不同病原在不同环境下完成侵染的时间来确定的,将预警类型分为即时预警、积时预警和短期预警三种,比起单一使用某种预警方法效果更好,能够做到较全面地考虑病原在侵染生菜的接触期、侵入期、潜育期、发病期分别对生菜的影响,预警结果更加可靠。同时便于农户理解和掌握,方便推广和应用。
Description
技术领域
本发明涉及蔬菜病害防治技术领域,具体涉及一种设施生菜病害预警方法及装置。
背景技术
蔬菜生理病害发生与不良环境和病原生物的侵染有关,只有病原生物、寄主植物和一定的环境条件三者相互配合才能引起病害,即所谓的“病害三角”,三者相互依存,缺一不可,其中任何一个因素的变化,均会影响其他两个因素。以蔬菜、病原和环境三者的关系为研究基础,建立设施蔬菜病害预警系统,能够有效地预防并阻止病害的发生,保证了设施蔬菜的健康生长,同时可以指导农户采取相应的措施及时进行病害防治,有效地减少蔬菜病害带来的经济损失。
设施蔬菜的栽培环境不同于露地蔬菜,设施蔬菜通常种植在日光温室或塑料大棚等设施环境中,而温室、大棚等是一种有人为因素控制的半封闭式环境,具有高温高湿的特点,这种环境条件极易引起蔬菜病害发生。生菜是一种绿叶类蔬菜,其脆嫩微甜的口感深受人们喜欢,生菜喜冷凉环境,由于其既不耐寒,也不耐热,近年来,设施生菜栽培面积迅速扩大,如果环境温湿度控制不好,极易引起病害发生。
现有的生菜病害预警方法往往是基于致病性病原物等生理病害因素进行研究,用到的算法复杂,同时还要结合大量专家水平的领域知识和经验,工作量大,不便于文化素质较低的农户学习掌握。且现有的生菜病害预警系统只能针对特定病害进行单一的预警提示,无法实现病原在侵染生菜的各时期的全面预警目的。
发明内容
针对现有的生菜病害预警系统只能针对特定病害进行单一的预警提示,无法实现病原在侵染生菜的各时期的全面预警目的的缺陷,本发明提供了一种设施生菜病害预警方法及装置。
一方面,本发明提供的一种设施生菜病害预警方法,包括:
获取设施生菜种植环境中预设时间段内的温度参数和湿度参数;
判断所述温度参数中的当前温度值和所述湿度参数中的当前湿度值是否满足即时预警条件,若满足则进行即时预警;
根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,判断连续预设小时数内的全部小时温度平均值和小时湿度平均值是否都满足积时预警条件,若满足则进行积时预警;
根据所述温度参数和湿度参数计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,并根据当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值预测第二天的平均温度值和平均湿度值,判断所述第二天的平均温度值和平均湿度值是否满足短期预警条件,若满足则进行短期预警。
进一步地,采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
进一步地,采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
进一步地,所述预测第二天的平均温度值和平均湿度值之前对所述当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值采用Min-max标准进行归一化处理。
进一步地,所述采用Min-max标准进行归一化处理的步骤,包括:
其中,极大值为预设时间段内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设时间段内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
另一方面,本发明还提供了一种设施生菜病害预警装置,包括:
获取模块,用于获取设施生菜种植环境中预设时间段内的温度参数和湿度参数;
即时预警模块,用于判断所述温度参数中的当前温度值和所述湿度参数中的当前湿度值是否满足即时预警条件,若满足则进行即时预警;
积时预警模块,用于根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,判断连续预设小时数内的全部小时温度平均值和小时湿度平均值是否都满足积时预警条件,若满足则进行积时预警;
短期预警模块,用于根据所述温度参数和湿度参数计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,并根据当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值预测第二天的平均温度值和平均湿度值,判断所述第二天的平均温度值和平均湿度值是否满足短期预警条件,若满足则进行短期预警。
进一步地,所述短期预警模块进一步用于:
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
进一步地,所述短期预警模块进一步用于:
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
进一步地,所述短期预警模块进一步用于:
所述预测第二天的平均温度值和平均湿度值之前对所述当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值采用Min-max标准进行归一化处理。
进一步地,所述采用Min-max标准进行归一化处理具体为:
其中,极大值为预设时间段内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设时间段内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
本发明提供的一种设施生菜病害预警方法及装置,基于植物病害三角原理,根据生菜易发生病害的环境温湿度阈值以及不同病原在不同环境下完成侵染的时间来确定的,将预警类型分为即时预警、积时预警和短期预警三种,比起单一使用某种预警方法效果更好,能够做到较全面地考虑病原在侵染生菜的接触期、侵入期、潜育期、发病期分别对生菜的影响,预警结果更加可靠。同时便于农户理解和掌握,方便推广和应用。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1是本发明一个实施例中设施生菜病害预警方法的流程示意图;
图2是本发明一个实施例中平均温度预测值与真实值的对比示意图;
图3是本发明一个实施例中平均湿度预测值与真实值的对比示意图;
图4是本发明一个实施例中设施生菜病害预警装置的结构示意图。
具体实施方式
现结合附图和实施例对本发明技术方案作进一步详细阐述。
图1示出了本实施例中设施生菜病害预警方法的流程示意图,如图1所示,本实施例提供的一种设施生菜病害预警方法,包括:
S1,获取设施生菜种植环境中预设时间段内的温度参数和湿度参数;
S2,判断所述温度参数中的当前温度值和所述湿度参数中的当前湿度值是否满足即时预警条件,若满足则进行即时预警;
S3,根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,判断连续预设小时数内的全部小时温度平均值和小时湿度平均值是否都满足积时预警条件,若满足则进行积时预警。
根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,可采用采样时间间隔10分钟的温度和湿度参数进行计算,每小时可得到空气温度和空气相对湿度数据各6个,计算其平均值,小时温度平均值T和小时湿度平均值H的计算公式如下:
其中,ti为每隔10min所采集的空气温度值,hj为每隔10min所采集的空气相对湿度值。
S4,根据所述温度参数和湿度参数计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,并根据当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值预测第二天的平均温度值和平均湿度值,判断所述第二天的平均温度值和平均湿度值是否满足短期预警条件,若满足则进行短期预警。
计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,同样可采用采样时间间隔10分钟的温度和湿度参数进行计算,则一天24h共采集空气温度数据和空气相对湿度数据各144个,对一天所采集的所有数据进行统计分析,得出每日日温度最大值Tmax、日温度最小值Tmin、日温度平均值Tmean以及日湿度最大值Hmax、日湿度最小值Hmin、日湿度平均值Hmean,计算公式如下:
Tmax=max(ti),i=1,2,…,144
Tmin=min(ti),i=1,2,…,144
Hmax=max(hj),j=1,2,…,144
Hmin=min(hj),j=1,2,…,144
其中,采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
进一步地,所述预测第二天的平均温度值和平均湿度值之前对所述当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值采用Min-max标准进行归一化处理。
进一步地,所述采用Min-max标准进行归一化处理的步骤,包括:
其中,极大值为预设时间段内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设时间段内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
需要说明的是,本实施例及附图1中的S2、S3、S4并不限定即时预警、积时预警以及短期预警步骤的先后顺序,在具体实施过程中根据需要可以随意调整即时预警、积时预警以及短期预警步骤的顺序,并且能够达到同样的技术效果。
举例来说,以生菜的霜霉病、腐败病和病毒病为例进行具体说明。生菜的常见病害如表1所示。
表1 生菜的常见病害
由表1可知,病毒病是由病毒侵染引起的,而病毒对生菜的侵染速度极快,侵染时间极短,几秒钟到几分钟就可完成侵染,所以对于病毒病要进行即时预警。当环境条件满足温度≥18℃且相对湿度≤70%时,则满足即时预警条件,立即发出即时预警,告知农户生菜有发生病毒病的可能,需及时处理。
由表1知,生菜霜霉病由寄生霜霉菌侵染引起,寄生霜霉菌是真菌,真菌侵染生菜时,真菌孢子需要萌发并长出芽管才能完成侵染,这需要一定的时间。由表1知,霜霉菌侵染生菜的时间为3~6h,因此对生菜霜霉病的预警为积时预警。
根据采集的数据,若在连续的3小时内,每小时的平均温度T和平均湿度H均在病原侵染的环境阈值内,即15℃≤T≤20℃,且H≥95%,则进行积时预警。
由表1知,生菜腐败病由莴苣细菌叶斑病黄单胞菌侵染引起,黄单胞菌是细菌,关于其侵染时间,没有文献进行准确说明,故以其潜育期的时间来作为预警的时限,对此,采用短期预警方法来完成预警。由表1知,生菜病害的潜育期从3到14天不等。
具体如下:
通过获取的温度和湿度参数,逐日计算日温度最大值Tmax、日温度最小值Tmin、日温度平均值Tmean以及日湿度最大值Hmax、日湿度最小值Hmin、日湿度平均值Hmean,例如,选取2014年7月1日到7月31日的温室环境数据为样本,数据见表2。
表2 2014年7月1日至31日温室环境数据
日期 | Tmax/℃ | Tmin/℃ | Tmean/℃ | Hmax/% | Hmin/% | Hmean/% |
7月1日 | 44.66 | 21.27 | 28.77 | 78.21 | 22.21 | 50.94 |
7月2日 | 34.9 | 19.12 | 25.1 | 75.18 | 23.38 | 50.76 |
7月3日 | 43.54 | 17.65 | 29.58 | 80.73 | 19.67 | 49 |
7月4日 | 38.89 | 20.48 | 27.1 | 79.27 | 26.47 | 53.16 |
7月5日 | 37.92 | 20.74 | 28.66 | 80.43 | 26.51 | 52.98 |
7月6日 | 29.1 | 18.1 | 22.72 | 84.97 | 50.68 | 72.31 |
7月7日 | 32.85 | 16.56 | 24.79 | 84.51 | 27.85 | 52.42 |
7月8日 | 41.66 | 17.96 | 23.3 | 83.15 | 25.72 | 63.66 |
7月9日 | 41.56 | 16.58 | 23.69 | 87.13 | 24.49 | 69.06 |
7月10日 | 42.09 | 18.34 | 25.84 | 88.23 | 22.26 | 61.81 |
7月11日 | 39.97 | 18.77 | 26.25 | 89.39 | 27.18 | 63.54 |
7月12日 | 40.71 | 19.76 | 28.98 | 81.79 | 22.3 | 49.98 |
7月13日 | 37.57 | 21.01 | 28.15 | 88.17 | 32.8 | 58.69 |
7月14日 | 41.97 | 20.61 | 27.68 | 87.85 | 31.04 | 66.53 |
7月15日 | 41.5 | 22.18 | 29.12 | 87.59 | 30.54 | 63.49 |
7月16日 | 40.5 | 19.74 | 26.53 | 96.32 | 42.12 | 76.49 |
7月17日 | 39.95 | 19.13 | 25.53 | 96.52 | 43.19 | 78.74 |
7月18日 | 40.99 | 19.1 | 26.99 | 97.43 | 27.97 | 70.31 |
7月19日 | 36.83 | 19.38 | 25.45 | 97.35 | 42.98 | 76.01 |
7月20日 | 42.83 | 20.21 | 30.12 | 96.56 | 31.65 | 58.79 |
7月21日 | 42.98 | 17.82 | 25.08 | 96.32 | 31.4 | 72.96 |
7月22日 | 46.55 | 17.85 | 25.79 | 95.64 | 22.01 | 69.55 |
7月23日 | 45.86 | 20.05 | 27.86 | 96.66 | 26.13 | 65.3 |
7月24日 | 39.56 | 17.69 | 26.67 | 95.54 | 28.89 | 62.65 |
7月25日 | 46.8 | 20.36 | 32.32 | 95.12 | 20.61 | 53.5 |
7月26日 | 41.96 | 19.77 | 29.56 | 96.36 | 29.01 | 64.31 |
7月27日 | 43.49 | 21.1 | 30.43 | 96 | 28.44 | 60.84 |
7月28日 | 40.98 | 21.02 | 29.25 | 93.64 | 31.98 | 67.92 |
7月29日 | 33.22 | 22.92 | 26.26 | 97.16 | 56.92 | 84.84 |
7月30日 | 41.15 | 22.29 | 27.42 | 97.34 | 38.21 | 82.71 |
7月31日 | 40.9 | 23.33 | 27.88 | 97.5 | 44.23 | 83.84 |
以2014年7月1日到7月31日日温度最大值Tmax、日温度最小值Tmin、日温度平均值Tmean以及日湿度最大值Hmax、日湿度最小值Hmin、日湿度平均值Hmean为训练样本,先采用采取Min-max标准对各因素进行归一化处理,公式如下:
其中,极大值为预设周期内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设周期内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
然后采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
对平均温度及平均湿度的预测结果见表3
表3 平均温度及平均湿度预测结果
日期 | 温度真实值/℃ | 温度预测值/℃ | 湿度真实值/% | 湿度预测值/% |
7月1日 | 28.77 | 28.86755 | 50.94 | 52.3334 |
7月2日 | 25.1 | 25.19886 | 50.76 | 50.40143 |
7月3日 | 29.58 | 27.26634 | 49 | 46.7915 |
7月4日 | 27.1 | 27.35262 | 53.16 | 55.25648 |
7月5日 | 28.66 | 27.65604 | 52.98 | 52.18833 |
7月6日 | 22.72 | 22.62615 | 72.31 | 71.94733 |
7月7日 | 24.79 | 24.88678 | 52.42 | 55.40728 |
7月8日 | 23.3 | 24.86931 | 63.66 | 65.34779 |
7月9日 | 23.69 | 23.35143 | 69.06 | 64.83659 |
7月10日 | 25.84 | 26.45087 | 61.81 | 61.60306 |
7月11日 | 26.25 | 26.48349 | 63.54 | 63.16081 |
7月12日 | 28.98 | 28.39063 | 49.98 | 50.34934 |
7月13日 | 28.15 | 28.54378 | 58.69 | 62.74459 |
7月14日 | 27.68 | 27.44312 | 66.53 | 65.23749 |
7月15日 | 29.12 | 29.02073 | 63.49 | 63.14069 |
7月16日 | 26.53 | 26.31892 | 76.49 | 76.83924 |
7月17日 | 25.53 | 25.42871 | 78.74 | 78.37025 |
7月18日 | 26.99 | 26.80449 | 70.31 | 67.47024 |
7月19日 | 25.45 | 25.77185 | 76.01 | 76.46387 |
7月20日 | 30.12 | 30.2181 | 58.79 | 64.17246 |
7月21日 | 25.08 | 25.26683 | 72.96 | 73.32671 |
7月22日 | 25.79 | 25.88679 | 69.55 | 68.93846 |
7月23日 | 27.86 | 29.01965 | 65.3 | 69.06092 |
7月24日 | 26.67 | 26.63607 | 62.65 | 64.47743 |
7月25日 | 32.32 | 31.53218 | 53.5 | 53.86666 |
7月26日 | 29.56 | 28.58183 | 64.31 | 62.65973 |
7月27日 | 30.43 | 30.52665 | 60.84 | 63.08465 |
7月28日 | 29.25 | 28.42507 | 67.92 | 65.19064 |
7月29日 | 26.26 | 26.35219 | 84.84 | 85.20745 |
7月30日 | 27.42 | 27.40394 | 82.71 | 78.03622 |
7月31日 | 27.88 | 27.97745 | 83.84 | 82.07373 |
对于平均温度的预测,均方误差MSE=0.00487018,相关系数R=91.0777%;对于平均相对湿度的预测,均方误差MSE=0.00392276,相关系数R=95.3497%。可见,预测结果较为准确、可靠。预测结果比较如图2、图3所示。
生菜腐败病发生的适宜温度为26~28℃,空气相对湿度80%以上,由表3预测结果知,7月29日与7月31日数据满足以上条件,故需要进行预警,及时通知农户7月29日和7月31日的环境条件易引发腐败病,应及时采取相应防治措施。
本实施例提供的一种设施生菜病害预警方法,基于植物病害三角原理,根据生菜易发生病害的环境温湿度阈值以及不同病原在不同环境下完成侵染的时间来确定的,将预警类型分为即时预警、积时预警和短期预警三种,比起单一使用某种预警方法效果更好,能够做到较全面地考虑病原在侵染生菜的接触期、侵入期、潜育期、发病期分别对生菜的影响,预警结果更加可靠。同时便于农户理解和掌握,方便推广和应用。
另一方面,如图4所示,本实施例还提供了一种设施生菜病害预警装置,包括:
获取模块101,用于获取设施生菜种植环境中预设时间段内的温度参数和湿度参数;
即时预警模块102,用于判断所述温度参数中的当前温度值和所述湿度参数中的当前湿度值是否满足即时预警条件,若满足则进行即时预警;
积时预警模块103,用于根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,判断连续预设小时数内的全部小时温度平均值和小时湿度平均值是否都满足积时预警条件,若满足则进行积时预警;
短期预警模块104,用于根据所述温度参数和湿度参数计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,并根据当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值预测第二天的平均温度值和平均湿度值,判断所述第二天的平均温度值和平均湿度值是否满足短期预警条件,若满足则进行短期预警。
进一步地,所述短期预警模块104进一步用于:
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
进一步地,所述短期预警模块104进一步用于:
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
进一步地,所述短期预警模块104进一步用于:
所述预测第二天的平均温度值和平均湿度值之前对所述当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值采用Min-max标准进行归一化处理。
进一步地,所述采用Min-max标准进行归一化处理具体为:
其中,极大值为预设时间段内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设时间段内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
本实施例提供的一种设施生菜病害预警装置,基于植物病害三角原理,根据生菜易发生病害的环境温湿度阈值以及不同病原在不同环境下完成侵染的时间来确定的,将预警类型分为即时预警、积时预警和短期预警三种,比起单一使用某种预警方法效果更好,能够做到较全面地考虑病原在侵染生菜的接触期、侵入期、潜育期、发病期分别对生菜的影响,预警结果更加可靠。同时便于农户理解和掌握,方便推广和应用。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种设施生菜病害预警方法,其特征在于,所述方法包括:
获取设施生菜种植环境中预设时间段内的温度参数和湿度参数;
判断所述温度参数中的当前温度值和所述湿度参数中的当前湿度值是否满足即时预警条件,若满足则进行即时预警;
根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,判断连续预设小时数内的全部小时温度平均值和小时湿度平均值是否都满足积时预警条件,若满足则进行积时预警;
根据所述温度参数和湿度参数计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,并根据当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值预测第二天的平均温度值和平均湿度值,判断所述第二天的平均温度值和平均湿度值是否满足短期预警条件,若满足则进行短期预警。
2.根据权利要求1所述的方法,其特征在于,采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
3.根据权利要求2所述的方法,其特征在于,采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
4.根据权利要求1所述的方法,其特征在于,所述预测第二天的平均温度值和平均湿度值之前对所述当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值采用Min-max标准进行归一化处理。
5.根据权利要求4所述的方法,其特征在于,所述采用Min-max标准进行归一化处理的步骤,包括:
其中,极大值为预设时间段内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设时间段内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
6.一种设施生菜病害预警装置,其特征在于,所述装置包括:
获取模块,用于获取设施生菜种植环境中预设时间段内的温度参数和湿度参数;
即时预警模块,用于判断所述温度参数中的当前温度值和所述湿度参数中的当前湿度值是否满足即时预警条件,若满足则进行即时预警;
积时预警模块,用于根据所述温度参数和湿度参数计算所述预设时间段内各小时的小时温度平均值和小时湿度平均值,判断连续预设小时数内的全部小时温度平均值和小时湿度平均值是否都满足积时预警条件,若满足则进行积时预警;
短期预警模块,用于根据所述温度参数和湿度参数计算当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值,并根据当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值预测第二天的平均温度值和平均湿度值,判断所述第二天的平均温度值和平均湿度值是否满足短期预警条件,若满足则进行短期预警。
7.根据权利要求6所述的装置,其特征在于,所述短期预警模块进一步用于:
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均温度值:
其中,Y1为平均温度值预测值,p为支持向量数,αi、为拉格朗日乘子,g为核参数,xi为由日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值组成的样本向量,y1i为日平均温度值的样本向量,b为偏置系数。
8.根据权利要求7所述的装置,其特征在于,所述短期预警模块进一步用于:
采用以下基于径向基核函数的支持向量机预测模型预测所述第二天的平均湿度值:
其中,Y2为平均湿度值预测值,y2i为日平均湿度值的样本向量。
9.根据权利要求6所述的装置,其特征在于,所述短期预警模块进一步用于:
所述预测第二天的平均温度值和平均湿度值之前对所述当日的日温度最大值、日温度最小值和日温度平均值以及日湿度最大值、日湿度最小值和日湿度平均值采用Min-max标准进行归一化处理。
10.根据权利要求9所述的装置,其特征在于,所述采用Min-max标准进行归一化处理具体为:
其中,极大值为预设时间段内所有日温度最大值中的最大值、日温度最小值中的最大值、日温度平均值中的最大值、日湿度最大值中的最大值、日湿度最小值中的最大值或者日湿度平均值中的最大值,极小值为预设时间段内所有日温度最大值中的最小值、日温度最小值中的最小值、日温度平均值中的最小值、日湿度最大值中的最小值、日湿度最小值中的最小值或者日湿度平均值中的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102239.4A CN104642021B (zh) | 2015-02-06 | 2015-03-09 | 一种设施生菜病害预警方法及装置 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015100649933 | 2015-02-06 | ||
CN201510064993 | 2015-02-06 | ||
CN201510102239.4A CN104642021B (zh) | 2015-02-06 | 2015-03-09 | 一种设施生菜病害预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104642021A true CN104642021A (zh) | 2015-05-27 |
CN104642021B CN104642021B (zh) | 2016-09-14 |
Family
ID=53234083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510102239.4A Active CN104642021B (zh) | 2015-02-06 | 2015-03-09 | 一种设施生菜病害预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104642021B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
CN107423263A (zh) * | 2017-06-29 | 2017-12-01 | 中国农业大学 | 一种枣缩果病预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
CN101052147A (zh) * | 2007-05-24 | 2007-10-10 | 中国科学院合肥物质科学研究院 | 大田作物病虫害智能预警系统 |
CN101366396A (zh) * | 2007-08-15 | 2009-02-18 | 中国科学院沈阳应用生态研究所 | 一种设施菜田杀线虫剂及其使用方法 |
CN201286266Y (zh) * | 2008-11-14 | 2009-08-12 | 陈新业 | 蔬菜病虫害防治仪 |
CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
-
2015
- 2015-03-09 CN CN201510102239.4A patent/CN104642021B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
CN101052147A (zh) * | 2007-05-24 | 2007-10-10 | 中国科学院合肥物质科学研究院 | 大田作物病虫害智能预警系统 |
CN101366396A (zh) * | 2007-08-15 | 2009-02-18 | 中国科学院沈阳应用生态研究所 | 一种设施菜田杀线虫剂及其使用方法 |
CN201286266Y (zh) * | 2008-11-14 | 2009-08-12 | 陈新业 | 蔬菜病虫害防治仪 |
CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
王禾军: "基于支持向量机与模糊推理的智能信息融合方法研究", 《中国博士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
CN107423263A (zh) * | 2017-06-29 | 2017-12-01 | 中国农业大学 | 一种枣缩果病预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104642021B (zh) | 2016-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Auffhammer et al. | Empirical studies on agricultural impacts and adaptation | |
Zhang et al. | Responses of rice yields to recent climate change in China: An empirical assessment based on long-term observations at different spatial scales (1981–2005) | |
CN104008633B (zh) | 一种设施菠菜病害预警方法及系统 | |
CN106645563A (zh) | 一种基于种植设备的病虫害预测方法及装置 | |
CN104134003B (zh) | 基于知识与数据共同驱动的作物单产量预测方法 | |
CN106408132A (zh) | 一种基于种植设备的作物产量预测方法及装置 | |
Yamaç | Artificial intelligence methods reliably predict crop evapotranspiration with different combinations of meteorological data for sugar beet in a semiarid area | |
Su et al. | Towards discrete time model for greenhouse climate control | |
CN104330539A (zh) | 基于物联网架构的冷鲜肉货架寿命预测方法 | |
Mikaberidze et al. | Invasiveness of plant pathogens depends on the spatial scale of host distribution | |
CN104642021A (zh) | 一种设施生菜病害预警方法及装置 | |
Gao et al. | Spatial and temporal variations of maize and wheat yield gaps and their relationships with climate in China | |
CN108607106B (zh) | 一种温室大棚自动化消毒方法及系统 | |
Reich et al. | Predicting field diseases caused by Sclerotinia sclerotiorum: A review | |
WO2021039465A1 (ja) | 病害予測システム、病害予測方法及びプログラム | |
Siqueira et al. | Generating fuzzy rules by learning from olive tree transpiration measurement–An algorithm to automatize Granier sap flow data analysis | |
Cui et al. | Predictive models for assessing the risk of Fusarium pseudograminearum mycotoxin contamination in post-harvest wheat with multi-parameter integrated sensors | |
Hern et al. | Estimation of reference evapotranspiration using limited climatic data and Bayesian model averaging | |
Islam et al. | IoT-Smart Agriculture: Comparative Study on Farming Applications and Disease Prediction of Apple Crop using Machine Learning | |
Qin et al. | Characterization of CO2 and water vapor fluxes in a summer maize field with wavelet analysis | |
CN112449956A (zh) | 一种微纳米臭氧绿色防控装置 | |
Rahman et al. | A Smart Kumbung For Monitoring and Controlling Environment in Oyster Mushroom Cultivation Based on Internet of Things Framework | |
Nedeljković et al. | Forecasting corn production indicators in the Republic of Srpska | |
Saranya et al. | Design of IoT and Machine Learning based Model for Crop Prediction and Fruit Ripeness Detection | |
Talib et al. | Field-scale mapping and forecasting of water budgets in intensively irrigated agricultural regions through an advanced ensemble modeling framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |