CN107392376A - 一种农作物气象产量预测方法及系统 - Google Patents
一种农作物气象产量预测方法及系统 Download PDFInfo
- Publication number
- CN107392376A CN107392376A CN201710608829.3A CN201710608829A CN107392376A CN 107392376 A CN107392376 A CN 107392376A CN 201710608829 A CN201710608829 A CN 201710608829A CN 107392376 A CN107392376 A CN 107392376A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- mrow
- per unit
- unit area
- crops
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000012010 growth Effects 0.000 claims abstract description 122
- 238000010899 nucleation Methods 0.000 claims description 17
- 238000009331 sowing Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000003698 anagen phase Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 abstract 1
- 230000003203 everyday effect Effects 0.000 abstract 1
- 241000209140 Triticum Species 0.000 description 19
- 235000021307 Triticum Nutrition 0.000 description 19
- 241000209094 Oryza Species 0.000 description 12
- 235000007164 Oryza sativa Nutrition 0.000 description 12
- 235000009566 rice Nutrition 0.000 description 12
- 241000894007 species Species 0.000 description 12
- 238000012271 agricultural production Methods 0.000 description 8
- 239000012071 phase Substances 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种农作物气象产量预测方法及系统，所述方法首先引入单产‑气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型；然后根据农作物的历史单产数据和历史气象数据求解所述气象单产模型中的单产‑气象变化系数，得到含有确定参数的完整气象单产模型；再获取当前气象数据，根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。本发明所述的方法及系统不仅考虑到农作物生长过程中各种气象要素的变化对产量的影响，还考虑到农作物气象产量的形成是整个生长期内每个生长阶段甚至是每一天气象要素影响的累积，因此根据每天气象要素的监测数据对农作物产量进行准确的预测，提高了农作物产量的预测精度。
Description
技术领域
本发明涉及农作物产量估算技术领域，特别是涉及一种农作物气象产量预测方法及系统。
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。在当今气候变暖的背景下，农业生产的不稳定性、产量波动增大等一系列问题显得尤为突出。因此，准确地估计农作物的产量，对于实现国家及时、准确地掌握粮食生产状况，进行粮食宏观调控，在国际农产品贸易中争取主动权，以及国家制定粮食政策至关重要。
根据农业发展理论及区域农业特征，农作物总产量的增加已由过去单靠增加耕地面积来维持外延型增长转变为以提高农作物单位面积产量(单产)为主要手段的内涵型增长。农作物单产将是未来农作物总量最重要的增长源，因此农作物单产数据是衡量农业生产水平的尺度，也是制定农业政策和相应农业措施的依据。因此，研究作物单产估算模型，获取准确的单产估算数据对于提高农业生产和农业管理水平都具有十分重要的意义。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的差异性和关联性，因此气象产量预测结果存在着较大的误差。
发明内容
本发明的目的是提供一种农作物气象产量预测方法及系统，能够实现农作物气象产量的准确预测。
为实现上述目的，本发明提供了如下方案：
本发明公开了一种农作物气象产量预测方法，所述方法包括：
引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型；
获取所述农作物的历史单产数据和历史气象数据；
根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型；
获取当前气象数据；所述当前气象数据包括所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据；
根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。
可选的，所述引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型，具体包括：
引入所述单产-气象变化系数αp,q，所述单产-气象变化系数αp,q表示某类气象要素平均值相对于历史平均值每变化一个单位所引起的单产变化量；
根据所述单产-气象变化系数αp,q建立所述包括农作物各生长期和各类气象要素值的气象单产模型其中，Y表示所述农作物的气象单产；Q为所述农作物的所述生长期的个数；P为所述气象要素的种类数；p表示第p类所述气象要素，p＝1,2,...,P；q表示第q个所述生长期，q＝1,2,...,Q；cp,q表示所述农作物的第q个生长期内的第p类气象要素值的平均值；αp,q表示所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数。
可选的，所述根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型，具体包括：
根据所述历史单产数据和所述历史气象数据获得基准气象单产表达式其中，Y0表示所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产；表示所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值；
根据所述历史单产数据和所述历史气象数据获得历史气象单产表达式其中，Yt表示所述历史气象数据内第t年的气象单产；表示第t年所述农作物第q个生长期内的第p类气象要素值的平均值；
根据所述基准气象单产表达式和所述历史气象单产表达式获得所述单产-气象变化系数αp,q的确定值；
将所述单产-气象变化系数αp,q的确定值代入所述气象单产模型获得含有确定参数的完整气象单产模型。
可选的，所述根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量，具体包括：
根据所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据获得所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q；
将所述平均值cp,q代入所述含有确定参数的完整气象单产模型，计算得到所述农作物的气象单产；
获取所述农作物的种植面积；
根据所述气象单产和所述种植面积预测所述农作物的气象产量。
本发明还公开了一种农作物气象产量预测系统，所述系统包括：
气象单产模型建立模块，用于引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型；
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历史气象数据；
完整气象单产模型获取模块，用于根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型；
当前气象数据获取模块，用于获取当前气象数据；所述当前气象数据包括所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据；
农作物气象产量预测模块，用于根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。
可选的，所述气象单产模型建立模块具体包括：
单产-气象变化系数获取单元，用于引入所述单产-气象变化系数αp,q，所述单产-气象变化系数αp,q表示某类气象要素平均值相对于历史平均值每变化一个单位所引起的单产变化量；
气象单产模型建立单元，用于根据所述单产-气象变化系数αp,q建立所述包括农作物各生长期和各类气象要素值的气象单产模型其中，Y表示所述农作物的气象单产；Q为所述农作物的所述生长期的个数；P为所述气象要素的种类数；p表示第p类所述气象要素，p＝1,2,...,P；q表示第q个所述生长期，q＝1,2,...,Q；cp,q表示所述农作物的第q个生长期内的第p类气象要素值的平均值；αp,q表示所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数。
可选的，所述完整气象单产模型获取模块具体包括：
基准气象单产获取单元，用于根据所述历史单产数据和所述历史气象数据获得基准气象单产表达式其中，Y0表示所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产；表示所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值；
历史气象单产获取单元，用于根据所述历史单产数据和所述历史气象数据获得历史气象单产表达式其中，Yt表示所述历史气象数据内第t年的气象单产；表示第t年所述农作物第q个生长期内的第p类气象要素值的平均值；
单产-气象变化系数计算单元，用于根据所述基准气象单产表达式和所述历史气象单产表达式获得所述单产-气象变化系数αp,q的确定值；
完整气象单产模型获取单元，用于将所述单产-气象变化系数αp,q的确定值代入所述气象单产模型获得含有确定参数的完整气象单产模型。
可选的，所述农作物气象产量预测模块具体包括：
平均值获取单元，用于根据所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据获得所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q；
气象单产计算单元，用于将所述平均值cp,q代入所述含有确定参数的完整气象单产模型，计算得到所述农作物的气象单产；
种植面积获取单元，用于获取所述农作物的种植面积；
农作物气象产量预测单元，用于根据所述气象单产和所述种植面积预测所述农作物的气象产量。
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：
本发明提供一种农作物气象产量预测方法及系统，所述方法首先引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型；然后获取所述农作物的历史单产数据和历史气象数据，根据所述农作物的历史单产数据和历史气象数据求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型；再获取当前气象数据，根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。本发明所述的方法不仅考虑到农作物生长过程中各种气象要素的变化对气象产量的影响，还考虑到农作物气象产量的形成是整个生长期内每个生长阶段甚至是每一天气象要素影响的累积，因此根据每天气象要素的监测数据对农作物气象产量进行准确的预测，提高了农作物气象产量的预测精度。
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为本发明实施例农作物气象产量预测方法的方法流程图；
图2为本发明实施例农作物气象产量预测系统的系统结构图。
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。
本发明的目的是提供一种农作物气象产量预测方法及系统。农业生产是由农业生物、农业环境、农业技术、农业经济等多方面内容构成的复杂综合系统，目前，运用较多的农作物估产模型有统计模型、气象模型、农学模型以及遥感估产模型等。其中本发明提供的的农作物气象单产模型最能反映气象条件对农作物气象产量形成的贡献作用，具有较强的科学性。
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本发明作进一步详细的说明。
图1为本发明实施例农作物气象产量预测方法的方法流程图。
参见图1，一种农作物气象产量预测方法，所述方法包括：
步骤101：引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型。
所述步骤101具体包括：
步骤1011：引入所述单产-气象变化系数αp,q，所述单产-气象变化系数αp,q表示某类气象要素平均值相对于历史平均值每变化一个单位所引起的单产变化量。
本发明所述方法通过引入所述单产-气象变化系数，来分析农作物在不同生长期期间，其气象单产和各气象要素之间的详细关系，充分考虑了不同生长期农作物受气候影响的差异性，从而能够有效的实现对当年的农业生产的预测和预警。
步骤1012：根据所述单产-气象变化系数αp,q建立所述包括农作物各生长期和各类气象要素值的气象单产模型表达式：
其中，Y表示所述农作物的气象单产。
Q为所述农作物的所述生长期的个数。当获取所述生长期的个数Q时，首先确定所述农作物的种类，根据所述农作物的种类确定所述农作物的生长期及所述生长期的个数。
例如当确定所述农作物为稻谷时，所述生长期包括苗期、分蘖期、长穗期和结实期，所述生长期的个数Q＝4。
当确定所述农作物为小麦时，所述生长期包括出苗期、苗期、分蘖期、越冬期、返青期、拔节期、抽穗期和灌浆期，所述生长期的个数Q＝8。
P为所述气象要素的种类数。所述气象要素包括温度、光照时长和降水量中的一种或多种。根据所述农作物的种类和所述农作物的生长环境选取所述气象要素的种类。
p表示第p类所述气象要素，p＝1,2,...,P；q表示第q个所述生长期，q＝1,2,...,Q。
cp,q表示所述农作物的第q个生长期内的第p类气象要素值的平均值。例如当所述农作物为稻谷且选择温度、光照时长和降水量三类气象要素作为预测稻谷气象产量的所述气象要素时，c1,1表示所述农作物水稻的第1个生长期(苗期)内的第1类气象要素值(温度)的平均值；c1,2表示水稻的第1个生长期(苗期)内的第2类气象要素值(光照时长)的平均值；c1,3表示水稻的第1个生长期(苗期)内的第3类气象要素值(降水量)的平均值；c2,1表示水稻的第2个生长期(分蘖期)内的第1类气象要素(温度)值的平均值；c2,2表示水稻的第2个生长期(分蘖期)内的第2类气象要素(光照时长)的平均值；c2,3表示水稻的第2个生长期(分蘖期)内的第3类气象要素值(降水量)的平均值；c3,1表示水稻的第3个生长期(长穗期)内的第1类气象要素(温度)值的平均值；c3,2表示水稻的第3个生长期(长穗期)内的第2类气象要素(光照时长)的平均值；c3,3表示水稻的第3个生长期(长穗期)内的第3类气象要素值(降水量)的平均值；c4,1表示水稻的第4个生长期(结实期)内的第1类气象要素(温度)值的平均值；c4,2表示水稻的第4个生长期(结实期)内的第2类气象要素(光照时长)的平均值；c4,3表示水稻的第4个生长期(结实期)内的第3类气象要素值(降水量)的平均值。
当所述农作物为小麦且选择温度、光照时长两类气象要素作为预测小麦气象产量的所述气象要素时，则c1,1表示小麦的第1个生长期(出苗期)内的第1类气象要素(温度)值的平均值；c1,2表示小麦的第1个生长期(出苗期)内的第2类气象要素(光照时长)的平均值；c2,1表示小麦的第2个生长期(苗期)内的第1类气象要素(温度)值的平均值；c2,2表示小麦的第2个生长期(苗期)内的第2类气象要素(光照时长)的平均值；c3,1表示小麦的第3个生长期(分蘖期)内的第1类气象要素(温度)值的平均值；c3,2表示小麦的第3个生长期(分蘖期)内的第2类气象要素(光照时长)的平均值；c4,1表示小麦的第4个生长期(越冬期)内的第1类气象要素(温度)值的平均值；c4,2表示小麦的第4个生长期(越冬期)内的第2类气象要素(光照时长)的平均值；c5,1表示小麦的第5个生长期(返青期)内的第1类气象要素(温度)值的平均值；c5,2表示小麦的第5个生长期(返青期)内的第2类气象要素(光照时长)的平均值；c6,1表示小麦的第6个生长期(拔节期)内的第1类气象要素(温度)值的平均值；c6,2表示小麦的第6个生长期(拔节期)内的第2类气象要素(光照时长)的平均值；c7,1表示小麦的第7个生长期(抽穗期)内的第1类气象要素(温度)值的平均值；c7,2表示小麦的第7个生长期(抽穗期)内的第2类气象要素(光照时长)的平均值；c8,1表示小麦的第8个生长期(灌浆期)内的第1类气象要素(温度)值的平均值；c8,2表示小麦的第8个生长期(灌浆期)内的第2类气象要素(光照时长)的平均值。
αp,q表示所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数。
在所述气象单产模型的公式(1)中，所述单产-气象变化系数αp,q为待确定的参数。
步骤102：获取所述农作物的历史单产数据和历史气象数据。
所述农作物的历史单产数据和历史气象数据包括预测当年之前N年的历史单产数据和历史气象数据，N≥2。
根据所述农作物的历史单产数据和历史气象数据获得所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产Y0、所述历史气象数据内所有年份(N年)的所述农作物第q个生长期内的第p类气象要素值的历史平均值所述历史气象数据内第t年的气象单产Yt和第t年所述农作物第q个生长期内的第p类气象要素值的平均值
步骤103：根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型。
所述步骤103具体包括：
步骤1031：根据所述历史单产数据和所述历史气象数据获得基准气象单产表达式：
其中，Y0表示所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产；表示所述历史气象数据内所有年份(N年)的所述农作物第q个生长期内的第p类气象要素值的历史平均值。
步骤1032：根据所述历史单产数据和所述历史气象数据获得历史气象单产表达式：
其中，Yt表示所述历史气象数据内第t年的气象单产，t∈N。表示第t年所述农作物第q个生长期内的第p类气象要素值的平均值。
步骤1033：根据所述基准气象单产表达式和所述历史气象单产表达式确定所述单产-气象变化系数的计算公式。
具体为，用所述历史气象单产表达式(3)减去所述基准气象单产表达式(2)，获得单产-气象变化系数的计算公式：
再将所述第t年的气象单产Yt、所述第t年所述农作物第q个生长期内的第p类气象要素值的平均值所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产Y0代入所述单产-气象变化系数的计算公式(4)，计算得到所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数αp,q的确定值。
步骤1034：将所述单产-气象变化系数αp,q的确定值代入所述气象单产模型(1)，获得含有确定参数的完整气象单产模型。
步骤104：获取当前气象数据；所述当前气象数据包括所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据。
步骤105：根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。
所述步骤105具体包括：
步骤1051：根据所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据获得所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q。
具体为，在计算所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q时，当需要使用所述农作物播种时到预测当天的所述气象要素值时，将预测当年实际测得的从所述农作物播种时到预测当天的所述气象要素值代入计算；当需要使用预测当天到所述农作物成熟时的所述气象要素值时，将预测当天到所述农作物成熟时的历史气象数据代入进行计算。
步骤1052：将所述平均值cp,q代入所述含有确定参数的完整气象单产模型，计算得到所述农作物的气象单产。
农作物单产是反映土地生长能力和农业生产水平的一种指标，指平均每单位土地面积(平方米、亩、公顷等)上收获的农作物产品数量(克、公斤、吨等)。本发明所述的气象单产是指由本发明所述完整气象单产模型(1)计算得到的与气象要素值有关的平均每单位土地面积上收获的农作物产品数量，即所述农作物的单位面积的气象产量。
步骤1053：获取所述农作物的种植面积。
步骤1054：根据所述气象单产和所述种植面积预测所述农作物的气象产量。
将所述气象单产乘以所述种植面积，获得所述农作物的预测气象产量。
农作物生产的生理生态过程比较复杂，目前还没有明确的表达式能够对这一过程进行完整的描述。在农作物生长过程中，随着气候条件的变换，要把从生理研究中得到的数量关系用于农作物气象产量计算非常的困难。本发明所述的农作物气象产量预测方法使用的所述气象单产模型是基于大量历史数据与农作物生长规律，去分析并求解农作物生长过程中气象要素与气象产量形成的量化关系。所述方法也可以用于中国其他主要作物类农产品的气象影响分析，如：玉米、大豆、棉花等，使用该分析结果能够实现农作物气象影响气象产量的实时预测和预警分析，通过对每天气象要素的监测，可以对当年农作物气象产量波动情况进行预判，提高农作物气象产量的预报精度。
图2为本发明实施例农作物气象产量预测系统的系统结构图。
参见图2，一种农作物气象产量预测系统，所述系统包括：
气象单产模型建立模块201，用于引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型。
所述气象单产模型建立模块201具体包括：
单产-气象变化系数获取单元2011，用于引入所述单产-气象变化系数αp,q，所述单产-气象变化系数αp,q表示某类气象要素平均值相对于历史平均值每变化一个单位所引起的单产变化量。
本发明所述系统通过引入所述单产-气象变化系数，来分析农作物在不同生长期期间，其单产和各气象要素之间的详细关系，充分考虑了不同生长期农作物受气候影响的差异性，从而能够有效的实现对当年的农业生产的预测和预警。
气象单产模型建立单元2012，用于根据所述单产-气象变化系数αp,q建立所述包括农作物各生长期和各类气象要素值的气象单产模型表达式：
其中，Y表示所述农作物的气象单产。
Q为所述农作物的所述生长期的个数。当获取所述生长期的个数Q时，首先确定所述农作物的种类，根据所述农作物的种类确定所述农作物的生长期及所述生长期的个数。
P为所述气象要素的种类数。所述气象要素包括温度、光照时长和降水量中的一种或多种。根据所述农作物的种类和所述农作物的生长环境选取所述气象要素的种类。
p表示第p类所述气象要素，p＝1,2,...,P；q表示第q个所述生长期，q＝1,2,...,Q；cp,q表示所述农作物的第q个生长期内的第p类气象要素值的平均值；αp,q表示所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数。所述单产-气象变化系数αp,q为待确定的参数。
历史数据获取模块202，用于获取所述农作物的历史单产数据和历史气象数据。所述农作物的历史单产数据和历史气象数据包括预测当年之前N年的历史单产数据和历史气象数据，N≥2。
根据所述农作物的历史单产数据和历史气象数据获得所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产Y0、所述历史气象数据内所有年份(N年)的所述农作物第q个生长期内的第p类气象要素值的历史平均值所述历史气象数据内第t年的气象单产Yt和第t年所述农作物第q个生长期内的第p类气象要素值的平均值
完整气象单产模型获取模块203，用于根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型。
所述完整气象单产模型获取模块203具体包括：
基准气象单产获取单元2031，用于根据所述历史单产数据和所述历史气象数据获得基准气象单产表达式：
其中，Y0表示所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产；表示所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值。
历史气象单产获取单元2032，用于根据所述历史单产数据和所述历史气象数据获得历史气象单产表达式：
其中，Yt表示所述历史气象数据内第t年的气象单产；表示第t年所述农作物第q个生长期内的第p类气象要素值的平均值。
单产-气象变化系数计算单元2033，用于根据所述基准气象单产和所述历史气象单产获得所述单产-气象变化系数的计算公式：
还用于将所述第t年的气象单产Yt、所述第t年所述农作物第q个生长期内的第p类气象要素值的平均值所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产Y0代入所述单产-气象变化系数的计算公式(4)，计算得到所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数αp,q的确定值。
完整气象单产模型获取单元2034，用于将所述单产-气象变化系数αp,q的确定值代入所述气象单产模型表达式(1)，获得含有确定参数的完整气象单产模型。
当前气象数据获取模块204，用于获取当前气象数据。所述当前气象数据包括所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据。
农作物气象产量预测模块205，用于根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。
所述农作物气象产量预测模块205具体包括：
平均值获取单元2051，用于根据所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据获得所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q。
当使用所述农作物播种时到预测当天的所述气象要素值时，将预测当年实际测得的从所述农作物播种时到预测当天的所述气象要素值代入计算；当使用预测当天到所述农作物成熟时的所述气象要素值时，将预测当天到所述农作物成熟时的历史气象数据代入进行计算。
气象单产计算单元2052，用于将所述平均值cp,q代入所述含有确定参数的完整气象单产模型，计算得到所述农作物的气象单产。
种植面积获取单元2053，用于获取所述农作物的种植面积。
农作物气象产量预测单元2054，用于根据所述气象单产和所述种植面积预测所述农作物的气象产量。
将所述气象单产乘以所述种植面积，获得所述农作物的预测气象产量。
发明公开了一种农作物气象产量预测方法及系统，通过引入单产-气象变化系数，来分析农作物在不同生长期期间内单产和各气象要素之间的详细关系，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，并使用精细的历史单产数据和历史气象数据来求解单产-气象变化系数，从而有效的实现对当年的农业生产的预测和预警，并反馈到生产管理中，提高了了农作物气象产量预测的精度。
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方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种农作物气象产量预测方法，其特征在于，所述方法包括：
引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型；
获取所述农作物的历史单产数据和历史气象数据；
根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型；
获取当前气象数据；所述当前气象数据包括所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据；
根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。
2.根据权利要求1所述的方法，其特征在于，所述引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型，具体包括：
引入所述单产-气象变化系数αp,q，所述单产-气象变化系数αp,q表示某类气象要素平均值相对于历史平均值每变化一个单位所引起的单产变化量；
根据所述单产-气象变化系数αp,q建立所述包括农作物各生长期和各类气象要素值的气象单产模型：
<mrow>
<mi>Y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，Y表示所述农作物的气象单产；Q为所述农作物的所述生长期的个数；P为所述气象要素的种类数；p表示第p类所述气象要素，p＝1,2,...,P；q表示第q个所述生长期，q＝1,2,...,Q；cp,q表示所述农作物的第q个生长期内的第p类气象要素值的平均值；αp,q表示所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型，具体包括：
根据所述历史单产数据和所述历史气象数据获得基准气象单产表达式：
<mrow>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mover>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，Y0表示所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产；表示所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值；
根据所述历史单产数据和所述历史气象数据获得历史气象单产表达式：
<mrow>
<msub>
<mi>Y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mover>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
其中，Yt表示所述历史气象数据内第t年的气象单产；表示第t年所述农作物第q个生长期内的第p类气象要素值的平均值；
根据所述基准气象单产表达式和所述历史气象单产表达式获得所述单产-气象变化系数αp,q的确定值；
将所述单产-气象变化系数αp,q的确定值代入所述气象单产模型获得含有确定参数的完整气象单产模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量，具体包括：
根据所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据获得所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q；
将所述平均值cp,q代入所述含有确定参数的完整气象单产模型，计算得到所述农作物的气象单产；
获取所述农作物的种植面积；
根据所述气象单产和所述种植面积预测所述农作物的气象产量。
5.一种农作物气象产量预测系统，其特征在于，所述系统包括：
气象单产模型建立模块，用于引入单产-气象变化系数，建立包括农作物各生长期和各类气象要素值的气象单产模型；
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历史气象数据；
完整气象单产模型获取模块，用于根据所述农作物的历史单产数据和历史气象数据，求解所述气象单产模型中的单产-气象变化系数，得到含有确定参数的完整气象单产模型；
当前气象数据获取模块，用于获取当前气象数据；所述当前气象数据包括所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据；
农作物气象产量预测模块，用于根据所述当前气象数据和所述完整气象单产模型，预测所述农作物的气象产量。
6.根据权利要求5所述的系统，其特征在于，所述气象单产模型建立模块具体包括：
单产-气象变化系数获取单元，用于引入所述单产-气象变化系数αp,q，所述单产-气象变化系数αp,q表示某类气象要素平均值相对于历史平均值每变化一个单位所引起的单产变化量；
气象单产模型建立单元，用于根据所述单产-气象变化系数αp,q建立所述包括农作物各生长期和各类气象要素值的气象单产模型：
<mrow>
<mi>Y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，Y表示所述农作物的气象单产；Q为所述农作物的所述生长期的个数；P为所述气象要素的种类数；p表示第p类所述气象要素，p＝1,2,...,P；q表示第q个所述生长期，q＝1,2,...,Q；cp,q表示所述农作物的第q个生长期内的第p类气象要素值的平均值；αp,q表示所述农作物的第q个生长期内的第p类气象要素对应的单产-气象变化系数。
7.根据权利要求6所述的系统，其特征在于，所述完整气象单产模型获取模块具体包括：
基准气象单产获取单元，用于根据所述历史单产数据和所述历史气象数据获得基准气象单产表达式：
<mrow>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mover>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
2
其中，Y0表示所述农作物的所述生长期内每天的所述气象要素值为历史平均值时的气象单产；表示所述历史气象数据内所有年份的所述农作物第q个生长期内的第p类气象要素值的历史平均值；
历史气象单产获取单元，用于根据所述历史单产数据和所述历史气象数据获得历史气象单产表达式：
<mrow>
<msub>
<mi>Y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mover>
<msub>
<mi>c</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，Yt表示所述历史气象数据内第t年的气象单产；表示第t年所述农作物第q个生长期内的第p类气象要素值的平均值；
单产-气象变化系数计算单元，用于根据所述基准气象单产表达式和所述历史气象单产表达式获得所述单产-气象变化系数αp,q的确定值；
完整气象单产模型获取单元，用于将所述单产-气象变化系数αp,q的确定值代入所述气象单产模型获得含有确定参数的完整气象单产模型。
8.根据权利要求7所述的系统，其特征在于，所述农作物气象产量预测模块具体包括：
平均值获取单元，用于根据所述农作物播种时到预测当天的气象数据和预测当天到所述农作物成熟时的历史气象数据获得所述农作物的第q个生长期内的第p类气象要素值的平均值cp,q；
气象单产计算单元，用于将所述平均值cp,q代入所述含有确定参数的完整气象单产模型，计算得到所述农作物的气象单产；
种植面积获取单元，用于获取所述农作物的种植面积；
农作物气象产量预测单元，用于根据所述气象单产和所述种植面积预测所述农作物的气象产量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710608829.3A CN107392376B (zh) | 2017-07-25 | 2017-07-25 | 一种农作物气象产量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710608829.3A CN107392376B (zh) | 2017-07-25 | 2017-07-25 | 一种农作物气象产量预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107392376A true CN107392376A (zh) | 2017-11-24 |
| CN107392376B CN107392376B (zh) | 2020-05-29 |
Family
ID=60335948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710608829.3A Active CN107392376B (zh) | 2017-07-25 | 2017-07-25 | 一种农作物气象产量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392376B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197794A (zh) * | 2017-12-27 | 2018-06-22 | 深圳春沐源控股有限公司 | 一种病虫害风险预估系统及方法 |
| 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 |
| CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
| 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 |
| CN109840623A (zh) * | 2018-12-29 | 2019-06-04 | 航天信息股份有限公司 | 一种确定芝麻气象产量的方法和系统 |
| CN110516890A (zh) * | 2019-09-04 | 2019-11-29 | 重庆邮电大学 | 一种基于灰色组合模型的农作物产量监控系统 |
| CN111241485A (zh) * | 2020-01-14 | 2020-06-05 | 河海大学 | 一种新型作物产量对气候变化响应的诊断方法 |
| CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
| CN111881418A (zh) * | 2020-07-27 | 2020-11-03 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
| CN112949179A (zh) * | 2021-03-01 | 2021-06-11 | 中国农业科学院农业信息研究所 | 一种树脂包膜氮肥施用下冬小麦生长模拟方法及系统 |
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
| CN114529091A (zh) * | 2022-02-22 | 2022-05-24 | 山东省农业科学院 | 一种融合气象数据的作物产量预测系统 |
| CN116777081A (zh) * | 2023-08-15 | 2023-09-19 | 吉林省中农阳光数据有限公司 | 一种春玉米产量预测模型获得方法及其产量预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1849062A (zh) * | 2003-09-12 | 2006-10-18 | 尼古拉斯·约翰尼斯·范德摩尔威·玛斯 | 获得农作物生产的方法 |
| CN104504473A (zh) * | 2014-12-24 | 2015-04-08 | 石河子大学 | 一种分阶段5日间隔的棉蚜发生等级预报方法 |
| US20150234785A1 (en) * | 2014-02-14 | 2015-08-20 | Electronics And Telecommunications Research Institute | Prediction apparatus and method for yield of agricultural products |
| CN106355509A (zh) * | 2016-10-28 | 2017-01-25 | 孙新磊 | 农业智能管理系统 |
| CN106682771A (zh) * | 2016-12-14 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于微气象信息的输电线路覆冰厚度预测方法 |
-
2017
- 2017-07-25 CN CN201710608829.3A patent/CN107392376B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1849062A (zh) * | 2003-09-12 | 2006-10-18 | 尼古拉斯·约翰尼斯·范德摩尔威·玛斯 | 获得农作物生产的方法 |
| US20150234785A1 (en) * | 2014-02-14 | 2015-08-20 | Electronics And Telecommunications Research Institute | Prediction apparatus and method for yield of agricultural products |
| CN104504473A (zh) * | 2014-12-24 | 2015-04-08 | 石河子大学 | 一种分阶段5日间隔的棉蚜发生等级预报方法 |
| CN106355509A (zh) * | 2016-10-28 | 2017-01-25 | 孙新磊 | 农业智能管理系统 |
| CN106682771A (zh) * | 2016-12-14 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于微气象信息的输电线路覆冰厚度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王禹等: "河南省花生单产受气象因子影响研究", 《系统科学与数学》 * |
| 程伟: "商空间粒度计算理论在农作物产量预测中的应用", 《万方学位论文数据库》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197794A (zh) * | 2017-12-27 | 2018-06-22 | 深圳春沐源控股有限公司 | 一种病虫害风险预估系统及方法 |
| 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 |
| 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 |
| CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
| 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 |
| CN109840623A (zh) * | 2018-12-29 | 2019-06-04 | 航天信息股份有限公司 | 一种确定芝麻气象产量的方法和系统 |
| CN109840623B (zh) * | 2018-12-29 | 2023-04-25 | 航天信息股份有限公司 | 一种确定芝麻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 |
| CN110516890A (zh) * | 2019-09-04 | 2019-11-29 | 重庆邮电大学 | 一种基于灰色组合模型的农作物产量监控系统 |
| CN110516890B (zh) * | 2019-09-04 | 2022-06-03 | 重庆邮电大学 | 一种基于灰色组合模型的农作物产量监控系统 |
| CN111241485A (zh) * | 2020-01-14 | 2020-06-05 | 河海大学 | 一种新型作物产量对气候变化响应的诊断方法 |
| CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
| CN111881418A (zh) * | 2020-07-27 | 2020-11-03 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
| CN111881418B (zh) * | 2020-07-27 | 2023-05-16 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
| CN112949179A (zh) * | 2021-03-01 | 2021-06-11 | 中国农业科学院农业信息研究所 | 一种树脂包膜氮肥施用下冬小麦生长模拟方法及系统 |
| CN112949179B (zh) * | 2021-03-01 | 2023-05-12 | 中国农业科学院农业信息研究所 | 一种树脂包膜氮肥施用下冬小麦生长模拟方法及系统 |
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
| CN114529091A (zh) * | 2022-02-22 | 2022-05-24 | 山东省农业科学院 | 一种融合气象数据的作物产量预测系统 |
| CN116777081A (zh) * | 2023-08-15 | 2023-09-19 | 吉林省中农阳光数据有限公司 | 一种春玉米产量预测模型获得方法及其产量预测方法 |
| CN116777081B (zh) * | 2023-08-15 | 2023-11-03 | 吉林省中农阳光数据有限公司 | 一种春玉米产量预测模型获得方法及其产量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107392376B (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392376A (zh) | 一种农作物气象产量预测方法及系统 | |
| CN103823371B (zh) | 基于神经网络模型的农业精准施肥系统及施肥方法 | |
| CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制系统及其控制方法 | |
| Bessembinder et al. | Which crop and which drop, and the scope for improvement of water productivity | |
| Bhatia et al. | Analysis of potential yields and yield gaps of rainfed soybean in India using CROPGRO-Soybean model | |
| US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
| CN107945042A (zh) | 一种作物生长灌溉决策控制系统 | |
| CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
| CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
| Liu et al. | Narrowing the agronomic yield gaps of maize by improved soil, cultivar, and agricultural management practices in different climate zones of Northeast China | |
| 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 | |
| Seligman | The crop model record: promise or poor show? | |
| Liu et al. | Using the DSSAT model to simulate wheat yield and soil organic carbon under a wheat-maize cropping system in the North China Plain | |
| Yan et al. | A quantitative knowledge-based model for designing suitable growth dynamics in rice | |
| Xiangxiang et al. | Logistic model analysis of winter wheat growth on China's Loess Plateau | |
| Zhou et al. | Arable land use intensity change in China from 1985 to 2005: evidence from integrated cropping systems and agro economic analysis | |
| CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
| CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
| Ezekiel et al. | Calibrating and validating AquaCrop model for maize crop in Northern zone of Nigeria | |
| CN101578936A (zh) | 施肥处理方法及系统 | |
| Shi et al. | Influence of climate and socio-economic factors on the spatio-temporal variability of soil organic matter: A case study of Central Heilongjiang Province, China | |
| Battilani et al. | AquaCrop model calibration and validation for processing tomato crop in a sub-humid climate | |
| Avval et al. | Energy efficiency analysis in agricultural productions: parametric and non-parametric approaches | |
| Liu et al. | Climate zones determine where substantial increases of maize yields can be attained in Northeast China | |
| Zeng et al. | Impact of water deficit and irrigation management on winter wheat yield in China |
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 |