CN107368687A - 一种气象单产模型的优选方法及装置 - Google Patents
一种气象单产模型的优选方法及装置 Download PDFInfo
- Publication number
- CN107368687A CN107368687A CN201710608828.9A CN201710608828A CN107368687A CN 107368687 A CN107368687 A CN 107368687A CN 201710608828 A CN201710608828 A CN 201710608828A CN 107368687 A CN107368687 A CN 107368687A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- yield
- model
- history
- data
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种气象单产模型的优选方法及装置。方法包括:首先,获取历史单产数据和历史气象数据,然后,根据历史单产数据和历史气象数据,建立每个生长期的不同气象要素对农作物单产影响下的多种气象单产模型,并计算每种气象单产模型的赤池信息值,最后,根据赤池信息值选择最优的气象单产模型,充分考虑了不同生长期农作物受气候影响的差异性和关联性,对农作物的每个生长期的影响气象要素进行优选,采用本发明优选后的模型进行农作物产量预测,可提高产量预测的精确性。
Description
技术领域
本发明涉及农作物生产管理领域,特别涉及一种气象单产模型的优选方法及装置。
背景技术
气候变化已经成为全球瞩目的环境问题,特别是近10年来全球范围内的气候变化给许多国家的粮食生产、水资源和能源生产带来的非常严重的影响。农业对气候变化非常敏感,研究气候的变化对农业生产的影响具有重要的意义。随着信息技术的发展,特别是物联网和大数据技术的发展,使得大规模的农业数据采集和分析成为现实,从而对于一些高维度、相关性复杂的农业信息分析问题,在技术上有了新的发展。
但是,目前对农作物单产和气象之间关系分析的时间变量都是年或整个生长期,忽略了不同生长期农作物受气象变化影响的差异性和关联性,无法保证农作物产量预测的精度。
发明内容
本发明的目的是,为了精确的确定农作物每个生长期主要受哪种气象变化的影响,以提高农作物产量预测的精度,提供一种气象单产模型的优选方法及装置。
为实现上述目的,本发明提供了如下方案:
一种气象单产模型的优选方法,包括如下步骤:
获取农作物的历史单产数据和农作物的每个生长期的每种气象要素的历史气象数据;
根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,所述气象单产模型为农作物的每个生长期的不同气象要素对农作物单产影响的模型,所述气象要素包括降雨量、温度、光照强度中的一种或多种;
根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值;
选取赤池信息值最小的气象单产模型作为优选的气象单产模型。
可选的,所述根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,具体包括:
根据农作物的种类确定所述农作物包含的生长期;
建立每个生长期的不同气象要素对农作物单产影响的包含未知参数的气象单产模型;
根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数。
可选的,所述根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数,具体包括:
建立所述包含未知参数的气象单产模型的回归方程:
Y=YT+YC
其中,Y为农作物的单产,YT=f(t)为趋势单产模型,为气象单产模型,cp,q为农作物的第q个生长期的第p类气象要素,αp,q农作物的第q个生长期的第p类气象要素的单产-气象变化系数,即所述未知参数,p=1,2,…,Pq,q=1,2,…,Q,b为常数项,Q为农作物生长期的个数,Pq为第q个生长期内的气象要素的种类数。
将历史单产数据和历史气象数据代入回归方程,计算气象单产模型中的未知参数αp,q。
可选的,所述根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值,具体包括:
采用公式AIC=-2L/n+2k/n,计算所述赤池信息值;
其中,n为样本容量,k为模型变量个数,为对数似然函数值,为参数平方和,yi为第i个样本的气象单产模型的实际函数值,为利用回归函数得到的第i个样本的气象单产模型的计算值。
一种气象单产模型的优选装置,包括历史数据获取模块、气象单产模型建立模块、赤池信息值计算模块、模型优选模块;
所述历史数据获取模块用于获取所述农作物的历史单产数据和所述农作物的每个生长期的每种气象要素的历史气象数据;
所述气象单产模型建立模块用于根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,所述气象单产模型为每个生长期的不同种气象要素对农作物单产影响的模型,所述气象要素包括降雨量、温度、光照强度中的一种或多种;
所述赤池信息值计算模块用于根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值;
所述模型优选模块用于选取赤池信息值最小的气象单产模型作为优选的气象单产模型。
可选的所述气象单产模型建立模块具体包括生长期确定子模块、包含未知参数的气象单产模型建立子模块、未知参数确定子模块;
所述生长期确定子模块用于根据农作物的种类确定所述农作物包含的生长期;
所述包含未知参数的气象单产模型建立子模块,用于建立每个生长期的不同气象要素对农作物单产影响的包含未知参数的气象单产模型;
所述未知参数确定子模块用于根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数。
可选的,所述未知参数确定子模块具体包括回归方程建立子模块和参数计算子模块;
所述回归方程建立子模块用于建立所述包含未知参数的气象单产模型的回归方程:
Y=YT+YC
其中,Y为农作物的产量,YT=f(t)为趋势单产模型,为气象单产模型,cp,q为农作物的第q个生长期的第p类气象要素,αp,q农作物的第q个生长期的第p类气象要素的单产-气象变化系数,p=1,2,…,Pq,q=1,2,…,Q,b为常数项,Q为农作物生长期的个数,Pq为第q个生长期内的气象要素的种类数。
所述参数计算子模块用于将历史单产数据和历史气象数据代入回归方程,计算气象单产模型中的未知参数αp,q。
可选的,所述赤池信息值计算模块用于根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值,具体包括:
采用公式AIC=-2L/n+2k/n,计算所述赤池信息值;
其中,AIC为赤池信息值,n为样本容量,k为模型变量个数为对数似然函数值,为参数平方和,yi为第i个样本的气象单产模型的实际函数值,为利用回归函数得到的第i个样本的气象单产模型的计算值。
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:
本发明公开了一种气象单产模型的优选方法及装置,通过赤池信息准则确定农作物的每个生长期影响产量的气象要素,得到最能体现农作物的每个生长期的不同气象要素对农作物单产影响的模型作为优选的气象单产模型,充分考虑了不同生长期农作物受气象变化的差异性和关联性,利用本发明的优选的气象单产模型进行农作物产量预测,可以提高农作物产量预测的精度。
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为本发明提供的一种气象单产模型的优选方法的流程图。
图2为本发明提供的一种气象单产模型的优选装置的结构框图。
具体实施方式
本发明的目的是提供种农作物产量预测方法及装置,以精确的确定农作物每个生长期主要受哪种气象变化的影响。
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发明作进一步详细的说明。
如图1所示,一种气象单产模型的优选方法,包括如下步骤:
步骤101、获取农作物的历史单产数据和农作物的每个生长期的每种气象要素的历史气象数据;
步骤102、根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,所述气象单产模型为农作物的每个生长期的不同气象要素对农作物单产影响的模型,所述气象要素包括降雨量、温度、光照强度中的一种或多种;
步骤103、根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值;
步骤104、选取赤池信息值最小的气象单产模型作为优选的气象单产模型。
可选的,步骤102所述根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,具体包括:
根据农作物的种类确定所述农作物包含的生长期;
建立每个生长期的不同气象要素对农作物单产影响的包含未知参数的气象单产模型;
根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数。
可选的,所述根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数,具体包括:
建立所述包含未知参数的气象单产模型的回归方程:
Y=YT+YC
其中,Y为农作物的单产,YT=f(t)为趋势单产模型,为气象单产模型,cp,q为农作物的第q个生长期的第p类气象要素,αp,q农作物的第q个生长期的第p类气象要素的单产-气象变化系数,即所述未知参数,p=1,2,…,Pq,q=1,2,…,Q,b为常数项,Q为农作物生长期的个数,Pq为第q个生长期内的气象要素的种类数。
将历史单产数据和历史气象数据代入回归方程,计算气象单产模型中的未知参数αp,q。
可选的,步骤103所述根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值,具体包括:
采用公式AIC=-2L/n+2k/n,计算所述赤池信息值;
其中,n为样本容量,k为模型变量个数,为对数似然函数值,为参数平方和,yi为第i个样本的气象单产模型的实际函数值,为利用回归函数得到的第i个样本的气象单产模型的计算值。
如图2所示本发明还提供一种气象单产模型的优选装置,包括历史数据获取模块201、气象单产模型建立模块202、赤池信息值计算模块203、模型优选模块204;
所述历史数据获取模块201用于获取所述农作物的历史单产数据和所述农作物的每个生长期的每种气象要素的历史气象数据;
所述气象单产模型建立模块202用于根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,所述气象单产模型为每个生长期的不同种气象要素对农作物单产影响的模型,所述气象要素包括降雨量、温度、光照强度中的一种或多种;
所述赤池信息值计算模块203用于根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值;
所述模型优选模块204用于选取赤池信息值最小的气象单产模型作为优选的气象单产模型。
可选的,所述气象单产模型建立模块202具体包括生长期确定子模块、包含未知参数的气象单产模型建立子模块、未知参数确定子模块;
所述生长期确定子模块用于根据农作物的种类确定所述农作物包含的生长期;
所述包含未知参数的气象单产模型建立子模块,用于建立每个生长期的不同气象要素对农作物单产影响的包含未知参数的气象单产模型;
所述未知参数确定子模块用于根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数。
可选的,所述未知参数确定子模块具体包括回归方程建立子模块和参数计算子模块;
所述回归方程建立子模块用于建立所述包含未知参数的气象单产模型的回归方程:
Y=YT+YC
其中,Y为农作物的产量,YT=f(t)为趋势单产模型,为气象单产模型,cp,q为农作物的第q个生长期的第p类气象要素,αp,q农作物的第q个生长期的第p类气象要素的单产-气象变化系数,p=1,2,…,Pq,q=1,2,…,Q,b为常数项,Q为农作物生长期的个数,Pq为第q个生长期内的气象要素的种类数。
所述参数计算子模块用于将历史单产数据和历史气象数据代入回归方程,计算气象单产模型中的未知参数αp,q。
可选的,所述赤池信息值计算模块203用于根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值,具体包括:
采用公式AIC=-2L/n+2k/n,计算所述赤池信息值;
其中,AIC为赤池信息值,n为样本容量,k为模型变量个数为对数似然函数值,为参数平方和,yi为第i个样本的气象单产模型的实际函数值,为利用回归函数得到的第i个样本的气象单产模型的计算值。
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:
不同品种的农作物不同的生长期对不同类型的气象要素要求不同,农作物的每个生长期的气象要素的组合有温度、光照、降雨、温度+光照、温度+降雨、降雨+光照、温度+降雨+光照,根据农作物的每个生长期的气象要素的不同组合,对于n个生长期的农作物,可以得到7n种气象单产模型,为了从7n种气象单产模型中选择出最能体现农作物的每个生长期的不同气象要素对农作物单产影响的模型,以精确的确定农作物每个生长期主要受哪种气象变化的影响,本发明公开了一种气象单产模型的优选方法及装置,通过赤池信息准则确定农作物的每个生长期影响产量的气象要素,得到最能体现农作物的每个生长期的不同气象要素对农作物单产影响的模型作为优选的气象单产模型,充分考虑了不同生长期农作物受气象变化的差异性和关联性,利用本发明的优选的气象单产模型进行农作物产量预测,可以提高农作物产量预测的精度。
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。对于实施例公开的系统而言,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,所描述的实施例仅仅是本发明的一部分实施例,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。
Claims (8)
1.一种气象单产模型的优选方法,其特征在于,包括如下步骤:
获取农作物的历史单产数据和农作物的每个生长期的每种气象要素的历史气象数据;
根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,所述气象单产模型为农作物的每个生长期的不同气象要素对农作物单产影响的模型,所述气象要素包括降雨量、温度、光照强度中的一种或多种;
根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值;
选取赤池信息值最小的气象单产模型作为优选的气象单产模型。
2.根据权利要求1所述的优选方法,其特征在于,所述根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,具体包括:
根据农作物的种类确定所述农作物包含的生长期;
建立每个生长期的不同气象要素对农作物单产影响的包含未知参数的气象单产模型;
根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数。
3.根据权利要求2所述的优选方法,其特征在于,所述根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数,具体包括:
建立所述包含未知参数的气象单产模型的回归方程:
Y=YT+YC
其中,Y为农作物的单产,YT=f(t)为趋势单产模型,为气象单产模型,cp,q为农作物的第q个生长期的第p类气象要素,αp,q农作物的第q个生长期的第p类气象要素的单产-气象变化系数,即所述未知参数,p=1,2,…,Pq,q=1,2,…,Q,b为常数项,Q为农作物生长期的个数,Pq为第q个生长期内的气象要素的种类数;
将历史单产数据和历史气象数据代入回归方程,计算气象单产模型中的未知参数αp,q。
4.根据权利要求1或3所述的优选方法,其特征在于,所述根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值,具体包括:
采用公式AIC=-2L/n+2k/n,计算所述赤池信息值;
其中,n为样本容量,k为模型变量个数,为对数似然函数值,为参数平方和,yi为第i个样本的气象单产模型的实际函数值,为利用回归函数得到的第i个样本的气象单产模型的计算值。
5.一种气象单产模型的优选装置,其特征在于,包括历史数据获取模块、气象单产模型建立模块、赤池信息值计算模块、模型优选模块;
所述历史数据获取模块用于获取所述农作物的历史单产数据和所述农作物的每个生长期的每种气象要素的历史气象数据;
所述气象单产模型建立模块用于根据所述历史单产数据和所述历史气象数据,建立多种气象单产模型,所述气象单产模型为每个生长期的不同种气象要素对农作物单产影响的模型,所述气象要素包括降雨量、温度、光照强度中的一种或多种;
所述赤池信息值计算模块用于根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值;
所述模型优选模块用于选取赤池信息值最小的气象单产模型作为优选的气象单产模型。
6.根据权利要求5所述的优选装置,其特征在于,所述气象单产模型建立模块具体包括生长期确定子模块、包含未知参数的气象单产模型建立子模块、未知参数确定子模块;
所述生长期确定子模块用于根据农作物的种类确定所述农作物包含的生长期;
所述包含未知参数的气象单产模型建立子模块,用于建立每个生长期的不同气象要素对农作物单产影响的包含未知参数的气象单产模型;
所述未知参数确定子模块用于根据历史单产数据和历史气象数据确定所述包含未知参数的气象单产模型中的未知参数。
7.根据权利要求6所述的优选装置,其特征在于,所述未知参数确定子模块具体包括回归方程建立子模块和参数计算子模块;
所述回归方程建立子模块用于建立所述包含未知参数的气象单产模型的回归方程:
Y=YT+YC
其中,Y为农作物的产量,YT=f(t)为趋势单产模型,为气象单产模型,cp,q为农作物的第q个生长期的第p类气象要素,αp,q农作物的第q个生长期的第p类气象要素的单产-气象变化系数,p=1,2,…,Pq,q=1,2,…,Q,b为常数项,Q为农作物生长期的个数,Pq为第q个生长期内的气象要素的种类数;
所述参数计算子模块用于将历史单产数据和历史气象数据代入回归方程,计算气象单产模型中的未知参数αp,q。
8.根据权利要求5所述的优选装置,其特征在于,所述赤池信息值计算模块用于根据所述历史单产数据和所述历史气象数据,利用极大似然估计法确定每种气象单产模型的赤池信息值,具体包括:
采用公式AIC=-2L/n+2k/n,计算所述赤池信息值;
其中,n为样本容量,k为模型变量个数,为对数似然函数值,为参数平方和,yi为第i个样本的气象单产模型的实际函数值,为利用回归函数得到的第i个样本的气象单产模型的计算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608828.9A CN107368687B (zh) | 2017-07-25 | 2017-07-25 | 一种气象单产模型的优选方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608828.9A CN107368687B (zh) | 2017-07-25 | 2017-07-25 | 一种气象单产模型的优选方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107368687A true CN107368687A (zh) | 2017-11-21 |
CN107368687B CN107368687B (zh) | 2020-01-21 |
Family
ID=60307611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710608828.9A Active CN107368687B (zh) | 2017-07-25 | 2017-07-25 | 一种气象单产模型的优选方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368687B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615150A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定水稻气象产量的方法和系统 |
CN110443420A (zh) * | 2019-08-05 | 2019-11-12 | 山东农业大学 | 一种基于机器学习的作物产量预测方法 |
CN111612236A (zh) * | 2020-05-14 | 2020-09-01 | 中电工业互联网有限公司 | 一种虫情实时分析预测方法、系统及存储介质 |
CN113609453A (zh) * | 2021-08-10 | 2021-11-05 | 中国科学院科技战略咨询研究院 | 温升对农渔业的影响定量监测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008130912A2 (en) * | 2007-04-16 | 2008-10-30 | Honeywell International Inc. | Forecasting system |
CN104134003A (zh) * | 2014-07-30 | 2014-11-05 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
-
2017
- 2017-07-25 CN CN201710608828.9A patent/CN107368687B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008130912A2 (en) * | 2007-04-16 | 2008-10-30 | Honeywell International Inc. | Forecasting system |
CN104134003A (zh) * | 2014-07-30 | 2014-11-05 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
Non-Patent Citations (1)
Title |
---|
崔静等: "生长期气候变化对中国主要粮食作物单产的影响", 《中国农村经济》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615150A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定水稻气象产量的方法和系统 |
CN109615150B (zh) * | 2018-12-29 | 2023-04-18 | 航天信息股份有限公司 | 一种确定水稻气象产量的方法和系统 |
CN110443420A (zh) * | 2019-08-05 | 2019-11-12 | 山东农业大学 | 一种基于机器学习的作物产量预测方法 |
CN110443420B (zh) * | 2019-08-05 | 2023-05-09 | 山东农业大学 | 一种基于机器学习的作物产量预测方法 |
CN111612236A (zh) * | 2020-05-14 | 2020-09-01 | 中电工业互联网有限公司 | 一种虫情实时分析预测方法、系统及存储介质 |
CN113609453A (zh) * | 2021-08-10 | 2021-11-05 | 中国科学院科技战略咨询研究院 | 温升对农渔业的影响定量监测方法及装置 |
CN113609453B (zh) * | 2021-08-10 | 2024-02-06 | 中国科学院科技战略咨询研究院 | 温升对农渔业的影响定量监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107368687B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
CN107368687A (zh) | 一种气象单产模型的优选方法及装置 | |
CN105825230B (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
CN109002604B (zh) | 一种基于贝叶斯最大熵的土壤含水量预测方法 | |
Van Dam et al. | Assessing options to increase water productivity in irrigated river basins using remote sensing and modelling tools | |
Kambale et al. | Impact of climate change on groundwater recharge in a semi-arid region of northern India | |
CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
CN109143408A (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
CN115859823B (zh) | 基于滑动窗口子时期划分的时变参数水文模拟方法 | |
CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
CN109146192B (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
CN113016450A (zh) | 一种温室作物灌溉方法及系统 | |
CN111062526A (zh) | 一种冬小麦单产预测方法及系统 | |
CN103308956A (zh) | 利用云气候学数据预判目标区域未来月平均云量的方法 | |
Snehmani et al. | Modelling the hypsometric seasonal snow cover using meteorological parameters | |
Zhang et al. | Short-term forecasting of daily crop evapotranspiration using the ‘Kc-ETo’approach and public weather forecasts | |
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 | |
Liu et al. | Estimating models for reference evapotranspiration with core meteorological parameters via path analysis | |
Estacio et al. | Uncertainty analysis in parameter regionalization for streamflow prediction in ungauged semi-arid catchments | |
CN112529233A (zh) | 一种预测草坪参考作物蒸发蒸腾量的方法 | |
CN112715322B (zh) | 一种农业灌溉用水获取方法和装置 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
CN116307018A (zh) | 一种基于wrf模式敏感性调参的风速预测方法及系统 | |
CN116195495B (zh) | 一种基于物联网技术进行节水灌溉的方法和系统 |
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 | ||
GR01 | Patent grant |