CN106875067A - 构建冬季晴天时温室二氧化碳浓度预测模型的方法 - Google Patents
构建冬季晴天时温室二氧化碳浓度预测模型的方法 Download PDFInfo
- Publication number
- CN106875067A CN106875067A CN201710116746.2A CN201710116746A CN106875067A CN 106875067 A CN106875067 A CN 106875067A CN 201710116746 A CN201710116746 A CN 201710116746A CN 106875067 A CN106875067 A CN 106875067A
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- model
- data
- greenhouse
- concentration
- 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
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 107
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 73
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004103 aerobic respiration Effects 0.000 claims abstract description 9
- 230000029553 photosynthesis Effects 0.000 claims abstract description 9
- 238000010672 photosynthesis Methods 0.000 claims abstract description 9
- 238000004158 soil respiration Methods 0.000 claims abstract description 9
- 230000000243 photosynthetic effect Effects 0.000 claims description 7
- 101150011264 setB gene Proteins 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000009313 farming Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 239000003570 air Substances 0.000 description 4
- 240000008067 Cucumis sativus Species 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange 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
- 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)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Greenhouses (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及精确农作管理领域,公开了一种构建冬季晴天时温室二氧化碳浓度预测模型的方法。以等时间间隔采集温室的温度和CO2浓度数据以获取二者的时间序列数据;对时间序列数据进行分割并从中随机选择部分数据RA用于建模,剩余数据RB用于检验模型;使用滑动时间窗口根据RA和RB构建数据集A和B;根据A构建温度动态变化预测模型M1;根据A和M1构建作物有氧呼吸和土壤呼吸二氧化碳释放速率预测模型M2;根据A和M2构建作物净光合作用消耗二氧化碳速率的预测模型M3;根据M1、M2和M3构建冬季晴天温室二氧化碳浓度预测模型M4。本发明仅根据环境气象因子构建冬季晴天时温室二氧化碳浓度预测模型的方法,模型普适性好,预测精度高。
Description
技术领域
本发明涉及精确农作管理领域,特别涉及一种构建冬季晴天时温室二氧化碳浓度预测模型的方法。
背景技术
二氧化碳(CO2)是植物光合作用的重要原料。维持较高的二氧化碳浓度,当光照增强时,植物的光合速率会随之增加,从而生成更多的光合产物,促进作物增产,提高产品品质。光照下作物持续地进行光合作用,消耗大量的二氧化碳。露天生产中,周围的空气会弥补作物所消耗的二氧化碳,从而使之保持稳定的浓度。但冬季的温室作物种植过程中,因天气寒冷,温室需要保温,中午放风时间短,有时甚至不放风,这使得温室几乎处于密闭状态,因得不到室外空气中二氧化碳的补充,温室的二氧化碳浓度常低于补偿点,此时作物的净光合产物为零,白白浪费了进入温室的光能。因此,温室中通过增施二氧化碳气体,可充分利用进入温室的光能,提高净光合效率,进而提高温室的种植效益。为了有效地控制温室中二氧化碳气体的施入量及施用时间,维持高的净光合速率,提高二氧化碳气体利用率,准确地预测未来时刻温室二氧化碳浓度显得尤为重要。
目前,不同预测模型的输出参数较为一致,但输入参数则存在着较大差异。毕玉革等考虑了光合作用、植物的呼吸作用、土壤呼吸作用,二氧化碳施肥以及泄漏等因素,从质量平衡角度出发,构建了日光温室二氧化碳预测模型。但该模型需要确定大量与光合作用相关的参数,参数需要利用昂贵的仪器测定,此外还需土壤的有机质含量数据,过多的输入参数以及参数的不易获取,限制了模型的推广应用。李化龙等假设温室中二氧化碳的来源主要为土壤有机质的分解,太阳辐射为土壤有机质的分解提供能量,随着生育进程的推进,土壤可分解的有机质含量减少,通过土壤来增加温室二氧化碳浓度的能力降低,利用太阳辐射和黄瓜定植后的日序作为输入因子构建了日光温室二氧化碳浓度预测模型。但如果改变了温室种植的作物,或者黄瓜的定植密度不同,则模型的预测值将与实际情况存在较大的差异。此外,模型没有考虑气象因素,影响了模型的预测精度,而模型仅将土壤有机质分解释放的二氧化碳作为温室二氧化碳的来源,显然限制了模型在温室增施二氧化碳气肥中的应用。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种构建冬季晴天时温室二氧化碳浓度预测模型的方法,构建的预测模型预测精度高,普适性好。
技术方案:本发明提供了一种构建冬季晴天时温室二氧化碳浓度预测模型的方法,包括以下步骤:S1:以等时间间隔采集温室的温度和CO2浓度数据,获取温度和CO2浓度的时间序列数据;S2:按自然日对所述S1中获取到的温度和CO2浓度的时间序列数据进行分割,从分割后的温度和CO2浓度的时间序列数据中随机选择部分数据用于建模,称为数据集RA,剩余数据用于检验模型,称为数据集RB;S3:使用滑动时间窗口分别从所述RA和所述RB中的温度和CO2浓度的时间序列数据中提取数据以构建数据集A和B;S4:根据所述数据集A构建温度动态变化预测模型M1;S5:根据所述数据集A中的夜晚数据和所述M1构建作物有氧呼吸和土壤呼吸二氧化碳释放速率预测模型M2;S6:根据所述数据集A中的白天数据和所述M2构建作物净光合作用消耗二氧化碳速率的预测模型M3;S7:根据所述M1、所述M2和所述M3构建冬季晴天时温室二氧化碳浓度预测模型M4。
进一步地,在所述S3中,在构建所述A和B时,滑动时间窗口的宽度设为3,滑动步长设为1,窗口内3个数据的采集时间点分别以、和表示,距现在的时间最近,距现在的时间最远,、和时刻的温度分别以、和表示,、和时刻的CO2浓度则分别以、和表示。
进一步地,在所述S4中,所述M1为:,其中,所述为所述M1预测的所述时刻的温度℃,所述、和为待定系数,利用所述A和SPSS软件的非线性拟合功能计算所述、和,计算所述、和时令所述。
进一步地,在所述S5中,所述M2为:
,其中,所述为所述M2预测的所述到所述时刻植物有氧呼吸和土壤呼吸的平均CO2释放速率,所述,所述、、、、、、、、、为待定系数,利用所述A和SPSS软件的非线性拟合功能计算得到上述待定系数,计算上述待定系数时令所述。
进一步地,在所述S6中,所述M3为:,其中,所述为所述M3预测的所述到所述时刻作物净光合作用所消耗CO2的平均速率,所述和为待定系数,利用所述A和SPSS软件的非线性拟合功能计算得到所述和,计算所述和时令所述。
进一步地,在所述S7中,所述M4为:,其中,所述为所述M4预测的所述时刻的温室CO2浓度。
优选地,在所述S2中,所述部分数据为80-95%的分割后的温度和CO2浓度的时间序列数据。
优选地,在所述S1中,所述0<≤30min;优选30s、1min、2min、5min或10min。
优选地,在所述S4之后、所述S5之前,还包含以下步骤:利用所述数据集B检验所述M1的拟合度;和/或,在所述S5之后、所述S6之前,还包含以下步骤:利用所述数据集B检验所述M2的拟合度;和/或,在所述S7之后,还包含以下步骤:利用所述数据集B检验所述M4的拟合度。
有益效果:本发明克服了以往温室二氧化碳浓度预测模型输入参数过多、参数不易获取或输入参数过少、模型预测精度低,普适性差的缺陷,提供了一种仅根据环境气象因子构建冬季晴天时温室二氧化碳浓度预测模型的方法,该方法普适性好,所构建的模型预测精度高。
附图说明
图1为本发明的技术流程图;
图2为利用滑动时间窗口提取数据构建数据集A的示意图;
图3为温度动态变化预测模型的检验结果——模型预测数值与实测数值的对比图;
图4为温度动态变化预测模型的检验结果——模型预测数值与实测数值的1:1图;
图5为植物有氧呼吸和土壤呼吸二氧化碳释放速率预测模型的检验结果——模型预测数值与实测数值的对比图;
图6为植物有氧呼吸和土壤呼吸二氧化碳释放速率预测模型的检验结果——模型预测数值与实测数值的1:1图;
图7为冬季晴天时温室二氧化碳浓度预测模型的检验结果——模型预测数值与实测数值的对比图;
图8为冬季晴天时温室二氧化碳浓度预测模型的检验结果——模型预测数值与实测数值的1:1图。
具体实施方式
下面结合附图对本发明进行详细的介绍。
本实施例的数据为淮安市淮阴区丁集镇2016年冬季黄瓜温室的监测数据。图1为本发明的技术流程图。
S1:取=5min,每5min采集一次温室的温度和CO2浓度数据,获取温度和CO2浓度的时间序列数据。
上述时间间隔可任意设定,但不得超过30分钟,即0<≤30min,常用的时间间隔有30秒、1分钟、2分钟、5分钟和10分钟。越小,监测到的温度和CO2浓度的时间序列数据越能反应真实规律,则利用本发明构建的模型预测精度越高,反之则模型的预测精度下降。本实施方式中以=5min为例进行说明。
S2:按自然日对获取到温度和CO2浓度的时间序列数据进行分割,从分割后的温度和CO2浓度的时间序列数据中随机选择95%用于建模,称为数据集RA,以剩余的数据用于检验模型,称为数据集RB。
S3:使用滑动时间窗口从数据集RA中的温度和CO2浓度的时间序列数据中提取数据以构建数据集A,从数据集RB中的温度和CO2浓度的时间序列数据中提取数据以构建数据集B。
数据集A的构建示意图见图2。滑动时间窗口宽度设为3,时间窗口的滑动步长设为1。窗口内3个数据的采集时间点分别以、和表示,距现在的时间最近,距现在的时间最远。、和时刻的温度分别以、和表示,CO2浓度则分别表示为、和。数据集A为列数为9的矩阵,矩阵的1、2、3列分别为、和,矩阵的4、5、6列分别为、和,矩阵的7、8、9列分别为、和。
采用与上述构建数据集A相同的方法,由数据集RB构建数据集B。
S4:根据数据集A构建温度动态变化预测模型M1。
(1)
其中,为M1预测的时刻的温度℃,令,并利用数据集A和SPSS的非线性拟合功能计算得到式(1)中待定系数、和分别为0.289、0.993和0.616,从而得到式(5):
(5)
S5:利用数据集B检验模型M1的拟合度。
从数据集B中选择一部分数据对模型M1进行检验,结果见图3和图4。由图3可知模型M1的预测数值与实测数值的相对误差RE=0.54%,图4中数据点几乎均处于对角线上,上述结果表明模型M1的拟合度极高。
S6:根据上述数据集A中的夜晚数据和M1构建植物有氧呼吸和土壤呼吸二氧化碳释放速率预测模型M2:
(2)
其中,为M2预测的到时刻植物有氧呼吸和土壤呼吸的平均CO2释放速率,,由式(1)计算;令,并利用数据集A和SPSS的非线性拟合功能计算得到式(2)中待定系数、、、、、、、、、分别为4.65303、0.87709、-6.40535、2.3845、-0.28698,-0.41697、0.55654、-0.13011、-0.95455和0.22556,从而得到式(6):
(6)
S7:利用数据集B检验模型M2的拟合度。
从数据集B中选择一部分夜晚的数据对模型M2进行检验,基于式(6)计算得到时刻的CO2浓度,此时,将模型预测数值与实测数值比较做图,结果见图5和图6。
由图5可知模型M2的预测数值与实测数值的相对误差RE=0.52%,图6中数据点几乎均处于对角线上,上述结果表明模型M2的拟合度极高。
S8:根据上述数据集A中的白天数据和M2构建作物净光合作用消耗二氧化碳速率的预测模型M3:
(3)
其中,为M3预测的到时刻作物净光合作用所消耗CO2的平均速率;令,并利用数据集A和SPSS的非线性拟合功能计算得到式(3)中待定系数和分别为15.488和0.4198,从而得到式(7):
(7)
S9:根据上述M1、M2和M3构建冬季晴天温室二氧化碳浓度预测模型M4:
(4)
其中,为M4预测的时刻的温室CO2浓度。
由式(5)、式(6)和式(7)构建得到式(8):
(8)
S10:利用数据集B检验模型M4的拟合度。
从数据集B中选择一部分白天的数据对模型M4进行检验,由式(8)计算得到时刻的CO2浓度,此时,将模型预测数值与实测数值比较做图,结果见图7和图8。
由图7可知模型的预测数值与实测数值的相对误差RE=0.83%,图8中数据点几乎处于对角线上,上述结果表明模型的拟合度较高,完全满足实际应用的需要。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,包括以下步骤:
S1:以等时间间隔采集温室的温度和CO2浓度数据,获取温度和CO2浓度的时间序列数据;
S2:按自然日对所述S1中获取到的温度和CO2浓度的时间序列数据进行分割,从分割后的温度和CO2浓度的时间序列数据中随机选择部分数据用于建模,称为数据集RA,剩余数据用于检验模型,称为数据集RB;
S3:使用滑动时间窗口分别从所述RA和所述RB中的温度和CO2浓度的时间序列数据中提取数据以构建数据集A和数据集B;
S4:根据所述数据集A构建温度动态变化预测模型M1;
S5:根据所述数据集A中的夜晚数据和所述M1构建作物有氧呼吸和土壤呼吸二氧化碳释放速率预测模型M2;
S6:根据所述数据集A中的白天数据和所述M2构建作物净光合作用消耗二氧化碳速率的预测模型M3;
S7:根据所述M1、所述M2和所述M3构建冬季晴天时温室二氧化碳浓度预测模型M4。
2.根据权利要求1所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S3中,在构建所述A和B时,滑动时间窗口的宽度设为3,滑动步长设为1,窗口内3个数据的采集时间点分别以、和表示,距现在的时间最近,距现在的时间最远,、和时刻的温度分别以、和表示,、和时刻的CO2浓度则分别以、和表示。
3.根据权利要求2所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S4中,所述M1为:
其中,所述为所述M1预测的所述时刻的温度℃,所述、和为待定系数,利用所述A和SPSS软件的非线性拟合功能计算所述、和,计算所述、和时令所述。
4.根据权利要求3所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S5中,所述M2为:
其中,所述为所述M2预测的所述到所述时刻植物有氧呼吸和土壤呼吸的平均CO2释放速率,所述,所述、、、、、、、、、为待定系数,利用所述A和SPSS软件的非线性拟合功能计算得到上述待定系数,计算上述待定系数时令所述。
5.根据权利要求4所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S6中,所述M3为:
其中,所述为所述M3预测的所述到所述时刻作物净光合作用所消耗CO2的平均速率,所述和为待定系数,利用所述A和SPSS软件的非线性拟合功能计算得到所述和,计算所述和时令所述。
6.根据权利要求5所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S7中,所述M4为:
其中,所述为所述M4预测的所述时刻的温室CO2浓度。
7.根据权利要求1至6中任一项所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S2中,所述部分数据为80-95%的分割后的温度和CO2浓度的时间序列数据。
8.根据权利要求1至6中任一项所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S1中,所述0<≤30min。
9.根据权利要求8所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,所述为30s、1min、2min、5min或10min。
10.根据权利要求1至6或9中任一项所述的构建冬季晴天时温室二氧化碳浓度预测模型的方法,其特征在于,在所述S4之后、所述S5之前,还包含以下步骤:
利用所述数据集B检验所述M1的拟合度;
和/或,在所述S5之后、所述S6之前,还包含以下步骤:
利用所述数据集B检验所述M2的拟合度;
和/或,在所述S7之后,还包含以下步骤:
利用所述数据集B检验所述M4的拟合度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710116746.2A CN106875067B (zh) | 2017-03-01 | 2017-03-01 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710116746.2A CN106875067B (zh) | 2017-03-01 | 2017-03-01 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875067A true CN106875067A (zh) | 2017-06-20 |
CN106875067B CN106875067B (zh) | 2017-12-26 |
Family
ID=59168780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710116746.2A Active CN106875067B (zh) | 2017-03-01 | 2017-03-01 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875067B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133085A (zh) * | 2017-12-08 | 2018-06-08 | 北方工业大学 | 一种电子设备舱内设备温度预测方法及系统 |
CN109117996A (zh) * | 2018-08-01 | 2019-01-01 | 淮安市农业信息中心 | 构建温室冬季温度预测模型的方法 |
CN114077269A (zh) * | 2020-08-17 | 2022-02-22 | 青岛平行智能产业管理有限公司 | 基于数据驱动模型的温室环境预测与优化控制方法 |
CN115825406A (zh) * | 2022-10-12 | 2023-03-21 | 三峡大学 | 建筑物碳化速率预测方法和实现该方法的无人机 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5130925A (en) * | 1988-10-07 | 1992-07-14 | Rutgers, The State University | Apparatus and method for economical continuous, and predictable greenhouse crop production |
CN104656451B (zh) * | 2015-01-21 | 2017-06-09 | 中国科学院自动化研究所 | 一种基于作物模型的密闭系统环境因子优化调控方法 |
CN105446142A (zh) * | 2015-12-25 | 2016-03-30 | 中国农业大学 | 一种温室co2气肥增施方法、装置及系统 |
-
2017
- 2017-03-01 CN CN201710116746.2A patent/CN106875067B/zh active Active
Non-Patent Citations (2)
Title |
---|
毕玉革 等: "北方干寒地区日光温室CO2预测模型建立与冬季试验", 《农业机械学报》 * |
董仁涛: "日光温室CO2浓度预测模型", 《中国优秀硕士学位论文全文数据库(农业科技辑)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133085A (zh) * | 2017-12-08 | 2018-06-08 | 北方工业大学 | 一种电子设备舱内设备温度预测方法及系统 |
CN108133085B (zh) * | 2017-12-08 | 2021-12-07 | 北方工业大学 | 一种电子设备舱内设备温度预测方法及系统 |
CN109117996A (zh) * | 2018-08-01 | 2019-01-01 | 淮安市农业信息中心 | 构建温室冬季温度预测模型的方法 |
CN109117996B (zh) * | 2018-08-01 | 2021-06-18 | 淮安市农业信息中心 | 构建温室冬季温度预测模型的方法 |
CN114077269A (zh) * | 2020-08-17 | 2022-02-22 | 青岛平行智能产业管理有限公司 | 基于数据驱动模型的温室环境预测与优化控制方法 |
CN114077269B (zh) * | 2020-08-17 | 2022-10-28 | 青岛平行智能产业管理有限公司 | 基于数据驱动模型的温室环境预测与优化控制方法 |
CN115825406A (zh) * | 2022-10-12 | 2023-03-21 | 三峡大学 | 建筑物碳化速率预测方法和实现该方法的无人机 |
CN115825406B (zh) * | 2022-10-12 | 2024-08-06 | 三峡大学 | 建筑物碳化速率预测方法和实现该方法的无人机 |
Also Published As
Publication number | Publication date |
---|---|
CN106875067B (zh) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mo et al. | Optimization of ecosystem model parameters through assimilating eddy covariance flux data with an ensemble Kalman filter | |
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
CN106875067B (zh) | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 | |
Zhu et al. | Seasonal fluctuations and temperature dependence in photosynthetic parameters and stomatal conductance at the leaf scale of Populus euphratica Oliv. | |
CN103218669A (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
Ueyama et al. | Carbon dioxide balance in early-successional forests after forest fires in interior Alaska | |
CN114638146A (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
CN104143043B (zh) | 一种多功能气候数据获取方法 | |
CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
Garibay et al. | Determining water-use-efficient irrigation strategies for cotton using the DSSAT CSM CROPGRO-cotton model evaluated with in-season data | |
CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
Wang et al. | Cotton growth model under drip irrigation with film mulching: A case study of Xinjiang, China | |
Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
Ma et al. | Prediction of vegetation phenology with atmospheric reanalysis over semiarid grasslands in Inner Mongolia | |
CN113009108B (zh) | 一种基于水热条件预测土壤有机碳含量的预测方法 | |
Chen et al. | Quantitative Assessment of Agricultural Practices on Farmland Evapotranspiration Using EddyCovariance Method and Numerical Modelling | |
CN117933747A (zh) | 一种基于dndc模型的覆膜条件下作物产量估算方法 | |
Amiri et al. | Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions | |
Duan et al. | A benchmark dataset of diurnal-and seasonal-scale radiation, heat and CO 2 fluxes in a typical East Asian monsoon region | |
Zhang et al. | Solar-induced chlorophyll fluorescence sheds light on global evapotranspiration | |
Li et al. | Crop model data assimilation with particle filter for yield prediction using leaf area index of different temporal scales | |
CN109117996A (zh) | 构建温室冬季温度预测模型的方法 | |
CN114444307A (zh) | 一种覆膜土壤表层温度计算方法 | |
Peng et al. | Coefficient correction of Ångström–Prescott equation for China and its influence on solar radiation and reference crop evapotranspiration at different temporal and spatial scales |
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 | ||
GR01 | Patent grant |