CN106408132A - 一种基于种植设备的作物产量预测方法及装置 - Google Patents
一种基于种植设备的作物产量预测方法及装置 Download PDFInfo
- Publication number
- CN106408132A CN106408132A CN201610875357.3A CN201610875357A CN106408132A CN 106408132 A CN106408132 A CN 106408132A CN 201610875357 A CN201610875357 A CN 201610875357A CN 106408132 A CN106408132 A CN 106408132A
- Authority
- CN
- China
- Prior art keywords
- crop
- yield
- training set
- production forecast
- dimensional information
- 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 33
- 230000012010 growth Effects 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000012272 crop production Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 73
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000003698 anagen phase Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 description 10
- 241000894007 species Species 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process 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"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于种植设备的作物产量预测方法及装置。该方法包括以下步骤:通过机器学习预先建立作物产量预测模型,确定在种植设备内生长的待预测产量的目标作物,获得目标作物的生长环境数据,并对生长环境数据进行分析,确定影响目标作物生长的影响维度信息,根据目标作物的影响维度信息与预先建立的作物产量预测模型,预测目标作物的第一产量。应用本发明实施例所提供的技术方案,可以对目标作物的产量进行较为准确的预测,为用户制定后续工作计划提供了有效参考,提升了用户体验。
Description
技术领域
本发明涉及种植技术领域,特别是涉及一种基于种植设备的作物产量预测方法及装置。
背景技术
随着科学技术的发展进步,种植箱、种植大棚等种植设备逐渐增多。种植箱多数应用于小型蔬菜作物的种植,不仅可以用于家庭装饰,还可以达到娱乐及亲子教育的目的。种植大棚多数应用于大规模蔬菜作物的种植,可以为用户创造经济效益。
不同的环境条件可能适合于不同种类的作物的生长,在不同环境条件下生成的同种类作物的产量也会不同。对于用户而言,预先获知作物的产量,可以及时根据预测的产量制定后续工作计划,如进行运输、经营和营销的安排等。
目前用户多是通过目测预估作物产量,预测结果与实际收获结果偏差较大,无法为用户制定后续工作计划提供有效参考。
发明内容
本发明的目的是提供一种基于种植设备的作物产量预测方法及装置,以对目标作物的产量进行较为准确的预测,为用户制定后续工作计划提供有效参考,提升用户体验。
为解决上述技术问题,本发明提供如下技术方案:
一种基于种植设备的作物产量预测方法,包括:
确定在种植设备内生长的待预测产量的目标作物;
获得所述目标作物的生长环境数据;
对所述生长环境数据进行分析,确定影响所述目标作物生长的影响维度信息;
根据所述目标作物的影响维度信息和预先建立的作物产量预测模型,预测所述目标作物的第一产量;
其中,通过以下步骤预先建立所述作物产量预测模型:
获得与所述目标作物的种类相同的作物的多组产量样本数据;
根据获得的产量样本数据,构建训练集,所述训练集中的每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息;
使用所述训练集进行机器学习,建立所述作物产量预测模型。
在本发明的一种具体实施方式中,所述使用所述训练集进行机器学习,建立所述作物产量预测模型,包括:
使用所述训练集进行机器学习,建立初始产量预测模型;
根据所述训练集中的影响维度信息和所述初始产量预测模型,确定所述训练集中每组影响维度信息对应的测试产量;
将所述训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,计算误差值;
如果所述误差值不大于设定阈值,则将所述初始产量预测模型确定为所述作物产量预测模型;
如果所述误差值大于所述设定阈值,则扩大所述训练集,重复执行所述使用所述训练集进行机器学习的步骤,直至所述误差值不大于所述设定阈值,获得所述作物产量预测模型。
在本发明的一种具体实施方式中,所述根据所述目标作物的影响维度信息和预先建立的作物产量预测模型,预测所述目标作物的第一产量,包括:
将所述目标作物的影响维度信息输入到预先建立的作物产量预测模型中,采用多元线性回归算法预测所述目标作物的第一产量。
在本发明的一种具体实施方式中,在所述预测所述目标作物的第一产量之后,还包括:
根据所述第一产量和预先获得的所述目标作物在不同生长阶段的历史预测产量,预测所述目标作物的第二产量。
在本发明的一种具体实施方式中,还包括:
将所述第二产量输出给所述种植设备,以使所述种植设备在自身显示屏幕上输出显示所述第二产量;
或者,
将所述第二产量输出给预设的所述种植设备的关联终端,以使所述关联终端输出显示所述第二产量。
一种基于种植设备的作物产量预测装置,包括:
目标作物确定模块,用于确定在种植设备内生长的待预测产量的目标作物;
生长环境数据获得模块,用于获得所述目标作物的生长环境数据;
影响维度信息确定模块,用于对所述生长环境数据进行分析,确定影响所述目标作物生长的影响维度信息;
第一产量预测模块,用于根据所述目标作物的影响维度信息和预先建立的作物产量预测模型,预测所述目标作物的第一产量;
作物产量预测模型建立模块,用于通过以下步骤预先建立所述作物产量预测模型:获得与所述目标作物的种类相同的作物的多组产量样本数据;根据获得的产量样本数据,构建训练集,所述训练集中的每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息;使用所述训练集进行机器学习,建立所述作物产量预测模型。
在本发明的一种具体实施方式中,所述作物产量预测模型建立模块,具体用于:
使用所述训练集进行机器学习,建立初始产量预测模型;
根据所述训练集中的影响维度信息和所述初始产量预测模型,确定所述训练集中每组影响维度信息对应的测试产量;
将所述训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,计算误差值;
如果所述误差值不大于设定阈值,则将所述初始产量预测模型确定为所述作物产量预测模型;
如果所述误差值大于所述设定阈值,则扩大所述训练集,重复执行所述使用所述训练集进行机器学习的步骤,直至所述误差值不大于所述设定阈值,获得所述作物产量预测模型。
在本发明的一种具体实施方式中,所述第一产量预测模块,具体用于:
将所述目标作物的影响维度信息输入到预先建立的作物产量预测模型中,采用多元线性回归算法预测所述目标作物的第一产量。
在本发明的一种具体实施方式中,还包括第二产量预测模块,用于:
根据所述第一产量和预先获得的所述目标作物在不同生长阶段的历史预测产量,预测所述目标作物的第二产量。
在本发明的一种具体实施方式中,还包括产量输出模块,用于:
将所述第二产量输出给所述种植设备,以使所述种植设备在自身显示屏幕上输出显示所述第二产量;
或者,
将所述第二产量输出给预设的所述种植设备的关联终端,以使所述关联终端输出显示所述第二产量。
本发明实施例所提供的技术方案,通过机器学习预先建立作物产量预测模型,确定在种植设备内生长的待预测产量的目标作物后,可以获得目标作物的生长环境数据,并对生长环境数据进行分析,确定影响目标作物生长的影响维度信息,根据目标作物的影响维度信息与预先建立的作物产量预测模型,可以预测目标作物的第一产量。应用本发明实施例所提供的技术方案,可以对目标作物的产量进行较为准确的预测,为用户制定后续工作计划提供了有效参考,提升了用户体验。
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,下面将对实施例或现有技术描述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为本发明实施例中一种基于种植设备的作物产量预测方法的实施流程图;
图2为本发明实施例中一种基于种植设备的作物产量预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
参见图1所示,为本发明实施例所提供的一种基于种植设备的作物产量预测方法的实施流程图,该方法可以包括以下步骤:
S110:确定在种植设备内生长的待预测产量的目标作物。
在本发明实施例中,目标作物为在种植箱、种植大棚等种植设备中生长的作物,可能正处于某个生长阶段。
在实际应用中,在目标作物还未到达成熟期、未被收获时,用户可能需要提前获知目标作物的产量,以便根据预测的产量制定下一步工作计划,如进行运输、经营或营销等工作的安排。针对用户对目标作物的产量的预测需求,应用本发明实施例所提供的技术方案,可以预测目标作物的产量。
在本发明实施例中,可以在接收到用户针对目标作物的产量预测请求时,确定待预测产量的目标作物,还可以按照设定周期确定待预测产量的目标作物,定期对目标作物的产量进行预测。
S120:获得目标作物的生长环境数据。
在本发明实施例中,生长环境数据为生长过程中的环境信息数据。
具体的,生长环境数据可以是湿度、温度、空气中二氧化碳含量、光照量、土壤PH值、种植面积、是否发生过病虫害等数据。
在步骤S110确定在种植设备内生长的待预测产量的目标作物后,可以获得目标作物的生长环境数据。在目标作物生长过程中,可以通过环境监测手段实时获取并记录目标作物所处的环境信息,比如,通过种植设备中内置的温度传感器获取温度信息,通过种植设备中内置的湿度传感器获取湿度信息等。这些信息可以存储于数据库中,在确定待预测产量的目标作物后,在数据库中提取该目标作物的生长环境数据。
S130:对生长环境数据进行分析,确定影响目标作物生长的影响维度信息。
可以理解的是,作物生长状态的好坏与其所处的生长环境有较大关系,不同的生长环境可能适合于不同种类作物的生长,不同的生长环境下的同一种类作物的产量也可能不同。
在本发明实施例中,每一类生长环境数据即可作为一种对作物生长产生影响的影响维度。具体的,影响维度可以是温度、湿度、空气中二氧化碳含量、光照量、土壤PH值、种植面积、是否发生过病虫害等。
在步骤S120获得了目标作物的生长环境数据,进一步可以对该生长环境数据进行分析,确定影响目标作物生长的影响维度信息。
比如,对目标作物的生长环境数据进行分析后,可以确定出影响目标作物生长的5个影响维度,每个影响维度对应的影响维度信息如表1所示:
影响维度a | 影响维度b | 影响维度c | 影响维度d | 影响维度e |
2 | 1 | 2 | 3 | 1 |
表1
在表1中,影响维度a信息为2、影响维度b信息为1,影响维度c信息为2,影响维度d信息为3,影响维度e信息为1。
每个影响维度信息可以是根据预设的量化标准对实际值进行量化后的量化值。举例而言,影响维度a为温度,当温度处于[18℃,20℃]范围时,可以将其量化为1,当温度处于[23℃,25℃]范围时,可以将其量化为2。
需要说明的是,上述仅为示例,可以根据实际情况对影响维度信息进行量化。在执行本发明实施例所提供的技术方案过程中,使用相同的量化标准即可。
S140:根据目标作物的影响维度信息及预先建立的作物产量预测模型,预测目标作物的第一产量。
在本发明实施例中,可以预先建立作物产量预测模型。具体的,可以针对每种作物,建立与该种作物对应的作物产量预测模型,并将多个作物产量预测模型归入到一个模型库中进行维护和管理。当需要对目标作物的产量进行预测时,可以在模型库中选择出该目标作物对应的作物产量预测模型。
在本发明一种具体实施方式中,可以通过以下步骤预先建立作物产量预测模型:
步骤一:获得与目标作物的种类相同的作物的多组产量样本数据;
步骤二:根据获得的产量样本数据,构建训练集,训练集中每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息;
步骤三:使用训练集进行机器学习,建立作物产量预测模型。
为便于描述,将上述三个步骤结合起来进行说明。
在本发明实施例中,可以从已有的样本数据库或者通过收集方式,获得与目标作物的种类相同的作物的多组产量样本数据。比如,目标作物为番茄,可以获得在不同生长环境下生长后收获了的番茄的产量样本数据。
根据获得的产量样本数据,可以构建训练集。训练集中每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息。
比如,训练集中的数据如表2所示:
表2
在表2中,第一组数据表明,在影响维度a信息为1、影响维度b信息为2、影响维度c信息为2、影响维度d信息为3、影响维度e信息为4的条件下,番茄的作物产量为100,同样,第二组数据表明,影响维度a信息为2、影响维度b信息为1、影响维度c信息为3、影响维度d信息为4、影响维度e信息为1的条件下,番茄的作物产量为200,……。
表2中每个影响维度信息为根据预设的量化标准进行量化的结果。
使用训练集进行机器学习,具体的,可以采用SparkMLlib工具进行机器学习。对训练集进行机器学习后,可以建立作物产量预测模型,该作物产量预测模型与目标作物的种类相对应。
在本发明的一种具体实施方式中,使用训练集进行机器学习,建立作物产量预测模型的步骤可以包括以下步骤:
第一个步骤:使用训练集进行机器学习,建立初始产量预测模型;
第二个步骤:根据训练集中的影响维度信息和初始产量预测模型,确定训练集中每组影响维度信息对应的测试产量;
第三个步骤:将训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,计算误差值;
第四个步骤:如果误差值不大于设定阈值,则将初始产量预测模型确定为作物产量预测模型;
第五个步骤:如果误差值大于设定阈值,则扩大训练集,重复执行第一个步骤,直至误差值不大于设定阈值,获得作物产量预测模型。
为便于描述,将上述五个步骤结合起来进行说明。
可以理解的是,训练集中包含的数据量的多少,决定了作物产量预测模型预测的准确程度。
在使用训练集进行机器学习,建立初始产量预测模型之后,可以根据训练集中的影响维度信息和该初始产量预测模型,确定训练集中每组影响维度信息对应的测试产量。
比如,根据表2所示训练集中的五组影响维度信息和初始产量预测模型,确定训练集中每组影响维度信息对应的测试产量分别为:100.096727606148779、199.010885884130228、149.01398452802604、49.8719347753771587和299.2157726888216165。
将训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,可以计算得到误差值。
比如,表2所示训练集中的五组影响维度信息对应的测试产量与相应的作物产量关系表如表3所示:
作物名称 | 作物产量 | 测试产量 |
番茄 | 100 | 100.096727606148779 |
番茄 | 200 | 199.010885884130228 |
番茄 | 150 | 149.01398452802604 |
番茄 | 50 | 49.8719347753771587 |
番茄 | 300 | 299.2157726888216165 |
表3
根据表3,可以计算测试产量与作物产量的误差值为:
Training Mean Squared Error=2.273594614100682。
如果该误差值不大于设定阈值,则表明当前的初始产量预测模型的准确程度能够达到设定要求,可以直接将该初始产量预测模型确定为作物产量预测模型。设定阈值可以根据实际情况进行设定和调整,本发明实施例对此不做限制。
如果该误差值大于设定阈值,则表明当前的初始产量预测模型的准确程度不能够达到设定要求,在这种情况下,可以扩大训练集,具体的,可以通过收集更多的产量样本数据构建训练集。
扩大训练集后,可以重复执行使用训练集进行机器学习的步骤,直至误差值不大于设定阈值,获得当前的作物产量预测模型,以供后续业务使用。这样,可以提高作物产量预测模型的预测准确程度。
根据目标作物的影响维度信息及预先建立的作物产量预测模型,可以预测目标作物的第一产量。
具体的,可以将影响维度信息输入到预先建立的作物产量预测模型中,采用多元线性回归算法获得目标作物的第一产量。
预测得到第一产量后,可以直接将该第一产量输出给种植设备,种植设备可以在自身显示屏幕上输出显示该第一产量,供用户查看。
或者可以直接将该第一产量输出给预设的种植设备的关联终端,关联终端可以输出显示该第一产量,供用户查看。
本发明实施例所提供的方法,通过机器学习预先建立作物产量预测模型,确定在种植设备内生长的待预测产量的目标作物后,可以获得目标作物的生长环境数据,并对生长环境数据进行分析,确定影响目标作物生长的影响维度信息,根据目标作物的影响维度信息与预先建立的作物产量预测模型,可以预测目标作物的第一产量。应用本发明实施例所提供的技术方案,可以对目标作物的产量进行较为准确的预测,为用户制定后续工作计划提供了有效参考,提升了用户体验。
在本发明的一个实施例中,在预测目标作物的第一产量之后,该方法还可以包括以下步骤:
根据第一产量和预先获得的目标作物在不同生长阶段的历史预测产量,预测目标作物的第二产量。
在实际应用中,针对目标作物,可以按照设定周期执行本发明实施例所提供的技术方案进行产量预测,这样,在每个周期都可以得到一个预测产量。
在当前时刻,获得目标作物的第一产量后,可以根据该第一产量与预先获得的目标作物在不同生长阶段的历史预测产量,确定目标作物的第二产量。参照历史预测产量对第一产量进行修正,进一步提高了作物产量预测模型预测的准确程度。
具体的,可以将第一产量与历史预测产量进行平均,或者,按照设定权重将第一产量和历史预测产量进行平均,将均值作为第二产量。
在本发明的一种具体实施方式中,该方法还可以包括以下步骤:
将第二产量输出给种植设备,以使种植设备在自身显示屏幕上输出显示第二产量;
或者,
将第二产量输出给预设的种植设备的关联终端,以使关联终端输出显示第二产量。
这样,方便用户及时获知预测的第二产量,以便用户进行下一步工作安排。
相应于上面的方法实施例,本发明实施例还提供了一种基于种植设备的作物产量预测装置,下文描述的一种基于种植设备的作物产量预测装置与上文描述的一种基于种植设备的作物产量预测方法可相互对应参照。
参见图2所示,该装置包括以下模块:
目标作物确定模块210,用于确定在种植设备内生长的待预测产量的目标作物;
生长环境数据获得模块220,用于获得目标作物的生长环境数据;
影响维度信息确定模块230,用于对生长环境数据进行分析,确定影响目标作物生长的影响维度信息;
第一产量预测模块240,用于根据目标作物的影响维度信息和预先建立的作物产量预测模型,预测目标作物的第一产量;
作物产量预测模型建立模块250,用于通过以下步骤预先建立作物产量预测模型:获得与目标作物的种类相同的作物的多组产量样本数据;根据获得的产量样本数据,构建训练集,训练集中的每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息;使用训练集进行机器学习,建立作物产量预测模型。
本发明实施例所提供的装置,通过机器学习预先建立作物产量预测模型,确定在种植设备内生长的待预测产量的目标作物后,可以获得目标作物的生长环境数据,并对生长环境数据进行分析,确定影响目标作物生长的影响维度信息,根据目标作物的影响维度信息与预先建立的作物产量预测模型,可以预测目标作物的第一产量。应用本发明实施例所提供的技术方案,可以对目标作物的产量进行较为准确的预测,为用户制定后续工作计划提供了有效参考,提升了用户体验。
在本发明的一种具体实施方式中,作物产量预测模型建立模块250,具体用于:
使用训练集进行机器学习,建立初始产量预测模型;
根据训练集中的影响维度信息和初始产量预测模型,确定训练集中每组影响维度信息对应的测试产量;
将训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,计算误差值;
如果误差值不大于设定阈值,则将初始产量预测模型确定为作物产量预测模型;
如果误差值大于设定阈值,则扩大训练集,重复执行使用训练集进行机器学习的步骤,直至误差值不大于设定阈值,获得作物产量预测模型。
在本发明的一种具体实施方式中,第一产量预测模块240,具体用于:
将目标作物的影响维度信息输入到预先建立的作物产量预测模型中,采用多元线性回归算法预测目标作物的第一产量。
在本发明的一种具体实施方式中,还包括第二产量预测模块,用于:
根据第一产量和预先获得的目标作物在不同生长阶段的历史预测产量,预测目标作物的第二产量。
在本发明的一种具体实施方式中,还包括产量输出模块,用于:
将第二产量输出给种植设备,以使种植设备在自身显示屏幕上输出显示第二产量;
或者,
将第二产量输出给预设的种植设备的关联终端,以使关联终端输出显示第二产量。
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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,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。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于种植设备的作物产量预测方法,其特征在于,包括:
确定在种植设备内生长的待预测产量的目标作物;
获得所述目标作物的生长环境数据;
对所述生长环境数据进行分析,确定影响所述目标作物生长的影响维度信息;
根据所述目标作物的影响维度信息和预先建立的作物产量预测模型,预测所述目标作物的第一产量;
其中,通过以下步骤预先建立所述作物产量预测模型:
获得与所述目标作物的种类相同的作物的多组产量样本数据;
根据获得的产量样本数据,构建训练集,所述训练集中的每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息;
使用所述训练集进行机器学习,建立所述作物产量预测模型。
2.根据权利要求1所述的基于种植设备的作物产量预测方法,其特征在于,所述使用所述训练集进行机器学习,建立所述作物产量预测模型,包括:
使用所述训练集进行机器学习,建立初始产量预测模型;
根据所述训练集中的影响维度信息和所述初始产量预测模型,确定所述训练集中每组影响维度信息对应的测试产量;
将所述训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,计算误差值;
如果所述误差值不大于设定阈值,则将所述初始产量预测模型确定为所述作物产量预测模型;
如果所述误差值大于所述设定阈值,则扩大所述训练集,重复执行所述使用所述训练集进行机器学习的步骤,直至所述误差值不大于所述设定阈值,获得所述作物产量预测模型。
3.根据权利要求1所述的基于种植设备的作物产量预测方法,其特征在于,所述根据所述目标作物的影响维度信息和预先建立的作物产量预测模型,预测所述目标作物的第一产量,包括:
将所述目标作物的影响维度信息输入到预先建立的作物产量预测模型中,采用多元线性回归算法预测所述目标作物的第一产量。
4.根据权利要求1至3任一项所述的基于种植设备的作物产量预测方法,其特征在于,在所述预测所述目标作物的第一产量之后,还包括:
根据所述第一产量和预先获得的所述目标作物在不同生长阶段的历史预测产量,预测所述目标作物的第二产量。
5.根据权利要求4所述的基于种植设备的作物产量预测方法,其特征在于,还包括:
将所述第二产量输出给所述种植设备,以使所述种植设备在自身显示屏幕上输出显示所述第二产量;
或者,
将所述第二产量输出给预设的所述种植设备的关联终端,以使所述关联终端输出显示所述第二产量。
6.一种基于种植设备的作物产量预测装置,其特征在于,包括:
目标作物确定模块,用于确定在种植设备内生长的待预测产量的目标作物;
生长环境数据获得模块,用于获得所述目标作物的生长环境数据;
影响维度信息确定模块,用于对所述生长环境数据进行分析,确定影响所述目标作物生长的影响维度信息;
第一产量预测模块,用于根据所述目标作物的影响维度信息和预先建立的作物产量预测模型,预测所述目标作物的第一产量;
作物产量预测模型建立模块,用于通过以下步骤预先建立所述作物产量预测模型:获得与所述目标作物的种类相同的作物的多组产量样本数据;根据获得的产量样本数据,构建训练集,所述训练集中的每组数据包含作物产量及该作物产量对应的作物生长过程中的影响维度信息;使用所述训练集进行机器学习,建立所述作物产量预测模型。
7.根据权利要求6所述的基于种植设备的作物产量预测装置,其特征在于,所述作物产量预测模型建立模块,具体用于:
使用所述训练集进行机器学习,建立初始产量预测模型;
根据所述训练集中的影响维度信息和所述初始产量预测模型,确定所述训练集中每组影响维度信息对应的测试产量;
将所述训练集中每组影响维度信息对应的测试产量与相应的作物产量进行比较,计算误差值;
如果所述误差值不大于设定阈值,则将所述初始产量预测模型确定为所述作物产量预测模型;
如果所述误差值大于所述设定阈值,则扩大所述训练集,重复执行所述使用所述训练集进行机器学习的步骤,直至所述误差值不大于所述设定阈值,获得所述作物产量预测模型。
8.根据权利要求6所述的基于种植设备的作物产量预测装置,其特征在于,所述第一产量预测模块,具体用于:
将所述目标作物的影响维度信息输入到预先建立的作物产量预测模型中,采用多元线性回归算法预测所述目标作物的第一产量。
9.根据权利要求6至8任一项所述的基于种植设备的作物产量预测装置,其特征在于,还包括第二产量预测模块,用于:
根据所述第一产量和预先获得的所述目标作物在不同生长阶段的历史预测产量,预测所述目标作物的第二产量。
10.根据权利要求9所述的基于种植设备的作物产量预测装置,其特征在于,还包括产量输出模块,用于:
将所述第二产量输出给所述种植设备,以使所述种植设备在自身显示屏幕上输出显示所述第二产量;
或者,
将所述第二产量输出给预设的所述种植设备的关联终端,以使所述关联终端输出显示所述第二产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610875357.3A CN106408132A (zh) | 2016-09-30 | 2016-09-30 | 一种基于种植设备的作物产量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610875357.3A CN106408132A (zh) | 2016-09-30 | 2016-09-30 | 一种基于种植设备的作物产量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408132A true CN106408132A (zh) | 2017-02-15 |
Family
ID=59228900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610875357.3A Pending CN106408132A (zh) | 2016-09-30 | 2016-09-30 | 一种基于种植设备的作物产量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408132A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341734A (zh) * | 2017-06-06 | 2017-11-10 | 浙江大学 | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 |
CN108197741A (zh) * | 2017-12-29 | 2018-06-22 | 深圳春沐源控股有限公司 | 植物产量的预测方法及装置 |
CN108229739A (zh) * | 2017-12-29 | 2018-06-29 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN108564384A (zh) * | 2018-04-18 | 2018-09-21 | 北京慧眼食珍科技有限公司 | 一种农产品追溯系统及方法 |
CN108596657A (zh) * | 2018-04-11 | 2018-09-28 | 北京木业邦科技有限公司 | 树木价值预测方法、装置、电子设备及存储介质 |
CN109064226A (zh) * | 2018-07-27 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 农副产品供需预测及监控方法、装置、设备、存储介质 |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
EP3474167A1 (en) * | 2017-10-17 | 2019-04-24 | Agroscope | System and method for predicting genotype performance |
WO2019119718A1 (zh) * | 2017-12-20 | 2019-06-27 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN110060016A (zh) * | 2019-04-30 | 2019-07-26 | 深圳春沐源控股有限公司 | 生鲜备货方法、装置、计算机设备及存储介质 |
CN110197308A (zh) * | 2019-06-05 | 2019-09-03 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
CN111263920A (zh) * | 2017-09-08 | 2020-06-09 | 9337-4791魁北克股份有限公司 | 用于控制作物的生长环境的系统和方法 |
CN112418473A (zh) * | 2019-08-20 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
CN112785047A (zh) * | 2021-01-06 | 2021-05-11 | 上海信联信息发展股份有限公司 | 农作物的采收量预测方法和装置 |
CN113627704A (zh) * | 2020-05-09 | 2021-11-09 | 西安电子科技大学青岛计算技术研究院 | 一种农作物信息模型构建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646299A (zh) * | 2013-12-19 | 2014-03-19 | 浙江省公众信息产业有限公司 | 基于神经元网络的农作物预测方法与装置 |
-
2016
- 2016-09-30 CN CN201610875357.3A patent/CN106408132A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646299A (zh) * | 2013-12-19 | 2014-03-19 | 浙江省公众信息产业有限公司 | 基于神经元网络的农作物预测方法与装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341734A (zh) * | 2017-06-06 | 2017-11-10 | 浙江大学 | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 |
CN111263920A (zh) * | 2017-09-08 | 2020-06-09 | 9337-4791魁北克股份有限公司 | 用于控制作物的生长环境的系统和方法 |
EP3474167A1 (en) * | 2017-10-17 | 2019-04-24 | Agroscope | System and method for predicting genotype performance |
WO2019119718A1 (zh) * | 2017-12-20 | 2019-06-27 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN108197741A (zh) * | 2017-12-29 | 2018-06-22 | 深圳春沐源控股有限公司 | 植物产量的预测方法及装置 |
CN108229739A (zh) * | 2017-12-29 | 2018-06-29 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN108229739B (zh) * | 2017-12-29 | 2021-09-14 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN108197741B (zh) * | 2017-12-29 | 2021-07-06 | 深圳春沐源控股有限公司 | 植物产量的预测方法及装置 |
CN108596657A (zh) * | 2018-04-11 | 2018-09-28 | 北京木业邦科技有限公司 | 树木价值预测方法、装置、电子设备及存储介质 |
CN108564384A (zh) * | 2018-04-18 | 2018-09-21 | 北京慧眼食珍科技有限公司 | 一种农产品追溯系统及方法 |
CN109064226A (zh) * | 2018-07-27 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 农副产品供需预测及监控方法、装置、设备、存储介质 |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
CN110060016A (zh) * | 2019-04-30 | 2019-07-26 | 深圳春沐源控股有限公司 | 生鲜备货方法、装置、计算机设备及存储介质 |
CN110197308A (zh) * | 2019-06-05 | 2019-09-03 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
CN110197308B (zh) * | 2019-06-05 | 2020-06-26 | 黑龙江省七星农场 | 一种用于农业物联网的作物监测系统及方法 |
CN112418473A (zh) * | 2019-08-20 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
CN113627704A (zh) * | 2020-05-09 | 2021-11-09 | 西安电子科技大学青岛计算技术研究院 | 一种农作物信息模型构建方法 |
CN113627704B (zh) * | 2020-05-09 | 2024-03-22 | 西安电子科技大学青岛计算技术研究院 | 一种农作物信息模型构建方法 |
CN112785047A (zh) * | 2021-01-06 | 2021-05-11 | 上海信联信息发展股份有限公司 | 农作物的采收量预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408132A (zh) | 一种基于种植设备的作物产量预测方法及装置 | |
CN106645563A (zh) | 一种基于种植设备的病虫害预测方法及装置 | |
Kang et al. | From parallel plants to smart plants: intelligent control and management for plant growth | |
WO2018099220A1 (zh) | 一种种植设备中植物病虫害预测方法及装置 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN109242201A (zh) | 一种预测农作物产量的方法、装置及计算机可读存储介质 | |
JP2016101117A (ja) | 情報処理装置及び情報処理方法及びプログラム | |
KR20180086738A (ko) | 작물 재배 가이드 정보 제공 장치, 및 그 방법 | |
CN104486435A (zh) | 基于传感器网络的低能耗生态环境监控节点部署方法 | |
Raes et al. | AquaCrop-The FAO crop model to simulate yield response to water | |
CN107329511A (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
CN110705182B (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
CN116258060A (zh) | 基于机器学习的测土配方施肥方法 | |
Confalonieri | CoSMo: A simple approach for reproducing plant community dynamics using a single instance of generic crop simulators | |
CN113220827B (zh) | 一种农业语料库的构建方法及装置 | |
CA2761682C (en) | Real-time process for targeting trait phenotyping of plant breeding experiments | |
CN106446434A (zh) | 一种可种植植物确定方法及装置 | |
Brumbelow et al. | Determining crop-water production functions using yield–irrigation gradient algorithms | |
Ruiz-Ramos et al. | ALAMEDA, a structural–functional model for faba bean crops: morphological parameterization and verification | |
Corona et al. | Top-down growth modelling: a prototype for poplar plantations in Italy | |
CN111639804B (zh) | 培育空间的监控方法、设备、存储介质和生长柜 | |
Singh | Crop growth simulation models | |
Mezouari et al. | Towards smart farming through machine learning-based automatic irrigation planning | |
Li et al. | Visualization of tomato growth based on dry matter flow |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A (located in Shenzhen Qianhai business secretary Co. Ltd.) Applicant after: Shenzhen Chun Mu source Holdings Limited Address before: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: Shenzhen Qianhai Hong Jia Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |