CN107423263A - 一种枣缩果病预测方法及装置 - Google Patents
一种枣缩果病预测方法及装置 Download PDFInfo
- Publication number
- CN107423263A CN107423263A CN201710518200.XA CN201710518200A CN107423263A CN 107423263 A CN107423263 A CN 107423263A CN 201710518200 A CN201710518200 A CN 201710518200A CN 107423263 A CN107423263 A CN 107423263A
- Authority
- CN
- China
- Prior art keywords
- mrow
- period
- air temperature
- time
- time interval
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 163
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 36
- 240000008866 Ziziphus nummularia Species 0.000 title 1
- 239000002689 soil Substances 0.000 claims abstract description 66
- 241001247821 Ziziphus Species 0.000 claims abstract description 57
- 235000013399 edible fruits Nutrition 0.000 claims description 137
- 230000006870 function Effects 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 15
- 230000005094 fruit set Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000575 pesticide Substances 0.000 abstract description 5
- 238000005507 spraying Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 239000007921 spray Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 244000126002 Ziziphus vulgaris Species 0.000 description 7
- 235000008529 Ziziphus vulgaris Nutrition 0.000 description 7
- 241000607479 Yersinia pestis Species 0.000 description 6
- 230000000977 initiatory effect Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (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
本发明提供的一种枣缩果病高发期预测方法及装置,该方法包括:将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间。通过选择包含枣缩果病始发期的时间区间,以及结合土壤类型和该时间区间内的气象数据使得预测数据更科学合理,然后将土壤类型和气象数据输入支持向量回归模型,进而得到枣缩果病高发期的预测结果。枣种植人员可以根据预测得到的缩果病高发期,进行科学地防治,以减少损失,并且还可以减少不必要的农药喷洒以及农药残留,有利于农业资源的有效保护,促进环境保护,并为喷洒设备的自动控制和有效的数据分析提供支持。
Description
技术领域
本发明涉及农业病虫害预防领域,更具体地,涉及一种枣缩果病预测方法及装置。
背景技术
枣树对气候、土壤的适应能力很强,喜光、耐旱、耐盐碱、耐瘠薄,忌过多的雨水。其分布的主要限制因素则是温度条件,我国红枣栽培面积占世界总面积的98%以上。新疆是新兴的枣产区,在枣树栽培方面具有光照充足、昼夜温差大、雨量小、病虫害少等特殊优势,近年来发展势头迅猛,未来新疆将成为世界红枣的主要生产基地。
缩果病是指成熟的果实表面高洼不平,有的果实已失去了该品种应有的形状和特征,剖开果实可见凹陷部位的果肉呈褐色海绵体状;有的果实在凹凸的果面上出现了裂纹,还有的果实变成了畸形果的生理现象。
据报道枣树病害种类达38种,由于特殊的地理气候环境以及新疆枣业发展较晚,新疆的病虫害较内地要少的多。但随着红枣直播建园技术的应用,红枣种植规模迅速扩大,种植面积的增加和种植时间延长,病虫害的发生和危害呈不断加重趋势,能否有效控制新疆红枣的病虫害,在一定程度上已经成为新疆枣业发展的制约因素。
目前,枣缩果病的防治办法通常是采取避雨措施,或降雨后立即对果实进行喷药,防患于未然,但是收效甚微。经过在农作物害虫的发生预测方面的大量研究发现,气候变化对缩果病的发生有很大影响,而对于缩果病的防治,如果可以在缩果病高发期开始时及时喷药,可以达到最好的治理效果。因此,怎样准确的预测缩果病高发期是一个亟待解决的问题。
发明内容
针对上述的技术问题,本发明提供一种枣缩果病高发期预测方法及装置。
第一方面,本发明提供一种枣缩果病高发期预测方法,包括:将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间。
其中,在所述得到枣缩果病高发期的预测时间后还包括:根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正。
其中,根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正包括:若所述预测时间与实际发生时间的差不大于预设阈值,则预测准确,并记录土壤类型、气象数据和所述预测时间;或者若所述预测时间与实际发生时间的差大于预设阈值,则预测错误,人为更正预测时间,并记录土壤类型、气象数据和更正后的预测时间;根据所述记录的土壤类型、气象数据和预测时间对所述支持向量回归模型进行修正。
其中,所述包含枣缩果病始发期的时间区间包括:在所述始发期之前且包含所述始发期的第一时间区间,以及所述始发期之后的第二时间区间,且所述第一时间区间大于所述第二时间区间。
其中,所土壤类型包括:黄土和砂质土;所述气象数据包括:所述第一时间区间内的平均最高气温、平均最低气温、平均气温、平均土壤湿度、累计降雨量、累计阴雨天数及累计日照时长;以及所述第二时间区间内的平均最高气温、平均最低气温及平均气温。
其中,所述枣缩果病高发期预测方法还包括:对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理,以使所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长都被缩放在[-1,1]的范围内。
其中,通过以下公式分别对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理:
其中,attribute表示气象数据的某一参数,mid(attribute)、max(attribute)、min(attribute)分别表示气象数据某一参数的中值、约定最大值、约定最小值,x表示某一参数的实际值,x'表示缩放后的参数值。
其中,所述将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测包括:在所述支持向量回归模型中采用高斯核函数和近似线性分类的最大间隔模型,得到以下目标函数,
s.t.,yi(wTΦ(xi)+b)≥1,i=1,...,n;
将所述目标函数转化为凸二次规划问题,并利用拉格朗日对偶性得到最终的目标函数,
其中,
y为样本值;i为样本值的数量,即约束条件的数量;w为参数权重;b为截距;α为拉格朗日乘子;p*为凸二次规划问题的解。
第二方面,本发明提供一种枣缩果病高发期预测装置,包括:
预测模块,用于将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间;
修正模块,用于根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正。
第三方面,本发明提供一种枣缩果病高发期预测设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
本发明提供的一种枣缩果病高发期预测方法及装置,通过选择包含枣缩果病始发期的时间区间,以及结合该时间区间内的气象数据使得预测数据更科学合理,然后将土壤类型和气象数据输入支持向量回归模型进行预测,进而得到枣缩果病高发期的预测结果。枣种植人员可以根据预测得到的缩果病高发期,进行科学地防治,以减少损失,并且还可以减少不必要的农药喷洒以及农药残留,有利于农业资源的有效保护,促进环境保护,并为喷洒设备的自动控制和有效的数据分析提供支持。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的枣缩果病高发期预测方法的流程框图;
图2为图1所述的枣缩果病高发期预测方法中,根据枣缩果病高发期的预测时间与实际发生时间对支持向量回归模型进行修正的流程框图;
图3为利用图1所述的缩果病高发期预测方法,得到的缩果病高发期预测时间与所述枣缩果病高发期实际发生时间的对比图;
图4为本发明另一实施例提供的枣缩果病高发期预测方法的流程框图;
图5为本发明又一实施例提供的枣缩果病高发期预测方法的流程框图;
图6为本发明实施例提供的枣缩果病高发期预测装置的结构框图;
图7为本发明实施例提供的枣缩果病高发期预测设备的结构简图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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。
本发明实施例提供一种枣缩果病高发期预测方法,包括:将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间。
其中,枣缩果病的始发期是指枣缩果病的最初现症期时间,高发期是指发病率净增加值最高的时间,在此之后,缩果病发病率将进入指数增长期。
其中,支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik等于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中,支持向量机(SVM,还支持矢量网络)是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析。
具体地,在本发明实施例中以新疆地区枣缩果病高发期的预测为例进行说明,但并不用于限制本发明的保护范围。在对新疆地区枣缩果病的高发期进行预测时,首先根据该地区枣缩果病的始发期确定合适的时间区间,例如,缩果病始发期为2017年7月1日,选取含始发期的10天作为时间区间。然后将种植枣树的土壤类型和该10天内的气象数据作为预测高发期的预测数据,例如,气象数据为选取的时间区间内的平均温度、平均湿度、日照长度等。最后将土壤类型和选取的时间区间内的气象数据输入支持向量回归模型进行预测,进而得到新疆地区枣缩果病高发期的预测时间。例如,预测得到的缩果病高发期为2017年7月30日,则种植人员可以根据预测得到的缩果病高发期,进行科学地防治,进而减少损失。
在本发明实施例中,通过选择包含枣缩果病始发期的时间区间,以及结合土壤类型和该时间区间内的气象数据使得预测数据更科学合理,然后将土壤类型和气象数据输入支持向量回归模型进行预测,进而得到枣缩果病高发期的预测结果。枣种植人员可以根据预测得到的缩果病高发期,进行科学地防治,以减少损失,并且还可以减少不必要的农药喷洒以及农药残留,有利于农业资源的有效保护,促进环境保护,并为喷洒设备的自动控制和有效的数据分析提供支持。
图1为本发明实施例提供的缩果病高发期预测方法的流程框图,如图1所示,该方法包括:S101,将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间;S102,根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正。
具体地,步骤S101与上述实施例的内容相同,在此不再具述。在利用支持向量回归模型对枣缩果病的高发期进行预测之后,再根据预测得到的缩果病高发期和实际缩果病高发期的时间,对支持向量回归模型进行修正,例如,预测得到的缩果病高发期为2017年7月30日,实际发生缩果病的高发期为2017年8月2日,则需要根据预测缩果病高发期与实际缩果病高发期的差异,以及土壤类型和相应的气象数据对支持向量回归模型进行修正,则可以得到更加正确和拟合度更好的支持向量回归模型。经过修正后的支持向量回归模型再次对枣缩果病高发期进行预测时,将会预测到更准确的枣缩果病高发期。
在本发明实施例中,通过根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正,从而使得支持向量回归模型的拟合度更好,进而得到更加正确的枣缩果病高发期预测结果。
在上述各实施例的基础上,结合图2,根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正包括:若所述预测时间与实际发生时间的差不大于预设阈值,则预测准确,并记录土壤类型、气象数据和所述预测时间;或者,若所述预测时间与实际发生时间的差大于预设阈值,则预测错误,人为更正预测时间,并记录土壤类型、气象数据和更正后的预测时间;根据所述记录的土壤类型、气象数据和预测时间对所述支持向量回归模型进行修正。
具体地,在将土壤类型和包含枣缩果病高发期的时间区间内的气象数据输入支持向量回归模型进行预测后,会得到枣缩果病高发期的预测时间,将枣缩果病高发期的预测时间与实际发生时间的差与预设阈值进行比较。例如,将预设阈值设为2天,则预测准确的结果表示为:y∈[y'-2,y'+2],其中y表示预测的缩果病高发期时间,y'表示实际的缩果病高发期时间。若该缩果病高发期的预测时间与实际缩果病高发期的时间的差不大于2天,则预测准确,记录该预测时间、相应的气象数据和土壤类型;若该缩果病高发期的预测时间与实际缩果病高发期的时间的差大于2天,则预测错误,需要人为更正预测时间,并记录更正后的预测时间、相应的气象数据和土壤类型。然后根据记录的预测时间、对应的气象数据和土壤类型对支持向量回归模型进行修正。
以下对本发明实施例进行举例说明,但并不用于限制本发明的保护范围。如图3所示,O点表示枣缩果病高发期的实际发生时间,若枣缩果病高发期的预测时间在A点,即预测高发期在实际高发期后一天,则表明预测准确,将该预测时间以及对应的气象数据与土壤类型记录下来。若枣缩果病高发期的预测时间在B点,即预测高发期在实际高发期后三天,则表明预测错误,需要人为更正预测时间,并将更正后的预测时间以及对应的气象数据与土壤类型记录下来。然后根据记录的预测时间、对应的气象数据和土壤类型对支持向量回归模型进行修正,以得到拟合度更好的支持向量回归模块。
在本发明实施例中,通过根据种植枣树的土壤类型、正确的预测时间或者更正后的预测时间,以及与预测时间对应的气象数据,对支持向量回归模型进行修正,得到更加正确和拟合度更好的支持向量回归模型,从而可以提高对枣缩果病高发期预测的准确性。
在上述各实施例的基础上,所述包含枣缩果病始发期的时间区间包括:在所述始发期之前且包含所述始发期的第一时间区间,以及所述始发期之后的第二时间区间,且所述第一时间区间大于所述第二时间区间。
具体地,结合图4,在对枣缩果病高发期进行预测时,首先确定枣的缩果病始发期,例如,枣的缩果病始发期时间为x_15,然后选取包含枣缩果病始发期的时间区间,该时间区间包括:缩果病始发期之前以及包含缩果病始发期在内的第一时间区间,例如,取包括始发期在内的始发期前15天为第一时间区间,但并不局限于此,则第一时间区间表示为:
Dt1={x_1,x_2,x_3,...,x_14,x_15},
以及选取始发期之后的3天为第二时间区间,但并不局限于此,则第二时间区间表示为:
Dt2={x_16,x_17,x_18}。
然后将种植枣树的土壤类型和这两个时间区间内的气象数据据输入支持向量回归模型进行预测,以获得枣缩果病高发期的预测时间。最后根据预测的缩果病高发期与实际的缩果病高发期之间的差异,对支持向量回归模型进行修正,由于步骤S404与上述各实施例相同,在此不再具述。
在本发明实施例中,通过选取枣缩果病始发期之前包含始发期在内的第一时间区间,以及始发期之后的第二时间区间,且将第一时间区间设置的大于第二时间区间,使得预测数据既包含有始发期之前的真实数据的第一时间区间,又包含有始发期之后的根据预报获取的数据的第二时间区间,使得预测数据更加科学合理。
在上述各实施例的基础上,所土壤类型包括:黄土和砂质土;所述气象数据包括:所述第一时间区间内的平均最高气温、平均最低气温、平均气温、平均土壤湿度、累计降雨量、累计阴雨天数及累计日照时长;以及所述第二时间区间内的平均最高气温、平均最低气温及平均气温。
具体地,在选取好第一时间区间Dt1和第二时间区间Dt2后,则需要获取第一时间区间Dt1内每天的最高气温、平均气温、最低气温、土壤湿度、降雨量、是否阴雨天以及日照时长。由于第二时间区间Dt2内的气象数据通过天气预报获取,因此只能获取第二时间区间Dt2内每天的最高气温、平均气温和最低气温。第一时间区间和第二时间区间内每天的气象数据采用以下方式进行表示:
最高气温:x_i.peaktemp
平均气温:x_i.avertemp
最低气温:x_i.lowtemp
土壤湿度:x_i.solimoisture
降雨量:x_i.rainfall
是否阴雨天:x_i.israiny
日照时长:x_i.sunshine
其中,x_i表示第一时间区间或者第二时间区间的第i天,上述气象数据的前三项第一时间区间Dt1和第二时间区间Dt2都拥有,后四项则只有Dt1时间区间拥有;土壤类型是独立于时间区间外的参数,当土壤类型为砂质土时,soli_type的值取1;当土壤类型为黄土时,soli_type的值取0。
其中第一时间区间Dt1的气象数据为真实气象观察数据,第二时间区间Dt2的气象数据为天气预报的预测数据。当第i天为阴雨天时,x_i.israiny值取1,否则取0。然后对第一时间区间Dt1和第二时间区间Dt2内每天的气象数据进行求取平均值以及累加操作,得到第一时间区间Dt1和第二时间区间Dt2内的气象数据特征值:
平均最高气温:
平均气温:
平均最低气温:
平均土壤湿度:
累计降雨量:
累计阴雨天数:
累计日照时长:
其中,x_i表示第一时间区间或者第二时间区间的第i天,上述特征值的前三项第一时间区间Dt1和第二时间区间Dt2都拥有,后四项则只有第一时间区间Dt1拥有。最后将处理获得的第一时间区间Dt1内的特征值包括:平均最高气温、平均最低气温、平均气温、平均土壤湿度、累计降雨量、累计阴雨天数及累计日照时长;第二时间区间Dt2的特征值包括:平均最高气温、平均最低气温和平均气温。将土壤类型、第一时间区间Dt1内的特征值和第二时间区间Dt2的特征值一起输入支持向量回归模型进行枣缩果病高发期预测,得到枣缩果病高发期的预测时间。
在本发明实施例中,通过将土壤类型,第一时间区间内的平均最高气温、平均最低气温、平均气温、平均土壤湿度、累计降雨量、累计阴雨天数及累计日照时长,以及第二时间区间内的平均最高气温、平均最低气温及平均气温,作为预测数据输入支持向量回归模型进行预测,使得预测数据更具有针对性,在预测枣缩果病的高发期时能够较准确的得到预测时间。
在上述各实施例的基础上,所述枣缩果病高发期预测方法还包括:对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理,以使所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长都被缩放在[-1,1]的范围内。
具体地,结合图5,在得到第一时间区间Dt1内的平均最高气温、平均最低气温、平均气温、平均土壤湿度、累计降雨量、累计阴雨天数及累计日照时长;以及第二时间区间Dt2内的平均最高气温、平均最低气温和平均气温后,还包括对第一时间区间和第二时间区间内的平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理,以使这些特征值都被缩放在[-1,1]的范围内,然后将土壤类型和缩放处理后第一时间区间和第二时间区间内的气象数据输入支持向量回归模型,这样可以提高支持向量回归模型的收敛速度,进而能够快速的得到缩果病高发期的预测结果。然后根据缩果病高发期的预测时间与实际发生时间的差异,对支持向量回归模型进行修正,由于步骤S504和S505与上述各实施例相同,在此不再具述。
在上述各实施例的基础上,通过以下公式分别对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理:
其中,attribute表示气象数据的某一参数,mid(attribute)、max(attribute)、min(attribute)分别表示气象数据中某一参数的中值、约定最大值、约定最小值,x表示气象数据中某一参数的实际值,x'表示气象数据中某一参数缩放后的值。
具体地,在将缩放后的第一时间区间内的平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长,以及缩放后的第二时间区间内的平均最高气温、平均最低气温和平均气温,一起输入支持向量回归模型进行枣缩果病高发期预测时,具体为:首先通过以下公式获取这些参数的缩放范围中值,
然后根据获得的缩放范围中值,通过以下公式分别对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理:
经过缩放操作以后,每一个特征值都会被缩放到[-1,1]内,即平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长都将缩放在[-1,1]内。各个特征值的约定最大值和约定最小值范围为:
平均最高气温:Average_peaktemp:[0,50]
平均气温:Average_temp:[0,50]
平均最低气温:Average_lowtemp:[0,50]
累计降雨量:Sum_rainfall:[0,30]
累计阴雨天数:Sum_rainyday:[0,15]
累计日照时长:Sum_sunshine:[90,180]
上述数据由查阅资料后分析确定,各数据的取值单位分别为:温度:摄氏度(℃);降雨量:毫米(mm);阴雨天数:天(Day);日照时长:小时(h)。
通过对这九个特征值经过缩放处理后,所有特征值的取值范围都在[-1,1]之间,并将土壤类型、缩放后第一时间区间内的平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长,以及缩放后的第二时间区间内的平均最高气温、平均最低气温和平均气温表示为Dt,然后将特征值Dt输入支持向量回归模型以得到预测的缩果病高发期,并根据预测的缩果病高发期与实际的缩果病高发期的差异,来修正支持向量回归模型。
在上述各实施例的基础上,所述将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测包括:在所述支持向量回归模型中采用高斯核函数和近似线性分类的最大间隔模型,得到以下目标函数,
s.t.,yi(wTΦ(xi)+b)≥1,i=1,...,n;
将所述目标函数转化为凸二次规划问题,并利用拉格朗日对偶性得到最终的目标函数,
其中,
y为样本值;i为样本值的数量,即约束条件的数量;w为参数权重;b为截距;α为拉格朗日乘子;p*为凸二次规划问题的解。
具体地,使用支持向量回归模型进行预测,输出估计的枣缩果病高发期时间,枣缩果病高发期预测值可用公式表示为:
y=M(Dt)
其中M(Dt)表示非线性支持向量回归模型。对于非线性支持向量回归算法,需要引入核函数,把原始空间的数据映射到高维空间中,其映射关系为:
Ф:x→Φ(x)
支持向量回归模型中采用高斯核函数进行数据映射。使用近似线性分类的最大间隔模型,得下列目标函数:
s.t.,yi(wTΦ(xi)+b)≥1,i=1,...,n
其中,s.t.,yi(wTΦ(xi)+b)≥1,i=1,...,n为约束条件。将该目标函数转化为凸二次规划问题,即在一定条件下目标最优,损失最小。
对凸二次规划问题采用拉格朗日对偶性变换到对偶变量的优化问题,通过求解其对偶问题得到原始问题的最优解,拉格朗日函数为:
在约束条件得到满足的情况下,得到最终的目标函数如下:
其中,p*表示凸二次规划问题的最优值,且和最初的问题是等价的,从而转化为该对偶问题的解,即求得枣缩果病高发期的预测时间。最后根据得到的枣缩果病高发期的预测时间与实际发生时间的差异,对支持向量回归模型进行修正,从而得到拟合度更好的支持向量回归模型。
图6为本发明实施例提供的枣缩果病高发期预测装置,如图6所示,该装置包括:预测模块601和修正模块602。预测模块601用于将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间;修正模块602用于根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正。
具体地,在本发明实施例中以新疆地区枣缩果病高发期的预测为例进行说明,但并不用于限制本发明的保护范围。在对新疆地区枣缩果病的高发期进行预测时,首先根据该地区枣缩果病的始发期确定合适的时间区间,例如,缩果病始发期为2017年7月1日,选取含始发期的10天作为时间区间。然后将种植枣树的土壤类型和该10天内的气象数据作为预测高发期的预测数据,例如,气象数据为选取的时间区间内的平均温度、平均湿度、日照长度等。预测模块601将土壤类型和选取的时间区间内的气象数据输入支持向量回归模型进行预测,进而得到新疆地区枣缩果病高发期的预测时间。例如,预测得到的缩果病高发期为2017年7月30日,则种植人员可以根据预测得到的缩果病高发期,进行科学地防治,进而减少损失。
然后修正模块602根据预测得到的缩果病高发期和实际缩果病高发期的时间,对支持向量回归模型进行修正,例如,预测得到的缩果病高发期为2017年7月30日,实际发生缩果病的高发期为2017年8月2日,则修正模块602根据预测缩果病高发期与实际缩果病高发期的差异,以及相应的气象数据和土壤类型对支持向量回归模型进行修正,从而得到更加正确和拟合度更好的支持向量回归模型。经过修正后的支持向量回归模型再次对缩果病高发期进行预测时,将会预测到更准确的缩果病高发期。
在本发明实施例中,通过预测模块将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期时间,可以让种植人员根据预测得到的缩果病高发期,进行科学地防治,以减少损失。以及通过修正模块根据缩果病高发期的预测时间和实际发生时间对支持向量回归模型进行修正,可以得到拟合度更好的支持向量回归模型,进而得到更加正确的枣缩果病高发期预测结果。
图7为本发明实施例提供的枣缩果病高发期预测设备的结构框图,如图7所示,该预测设备包括:处理器701、存储器702和总线703;其中,处理器701和存储器702通过总线703完成相互间的通信;所述处理器701用于调用所述存储器702中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种枣缩果病高发期预测方法,其特征在于,包括:
将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间。
2.根据权利要求1所述的方法,其特征在于,在得到枣缩果病高发期的预测时间后还包括:根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正。
3.根据权利要求2所述的方法,其特征在于,根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正包括:
若所述预测时间与实际发生时间的差不大于预设阈值,则预测准确,并记录土壤类型、气象数据和所述预测时间;或者
若所述预测时间与实际发生时间的差大于预设阈值,则预测错误,人为更正预测时间,并记录土壤类型、气象数据和更正后的预测时间;
根据所述记录的土壤类型、气象数据和预测时间对所述支持向量回归模型进行修正。
4.根据权利要求1所述的方法,其特征在于,所述包含枣缩果病始发期的时间区间包括:
在所述始发期之前且包含所述始发期的第一时间区间,以及所述始发期之后的第二时间区间,且所述第一时间区间大于所述第二时间区间。
5.根据权利要求4所述的方法,其特征在于,所土壤类型包括:黄土和砂质土;
所述气象数据包括:所述第一时间区间内的平均最高气温、平均最低气温、平均气温、平均土壤湿度、累计降雨量、累计阴雨天数及累计日照时长;以及所述第二时间区间内的平均最高气温、平均最低气温及平均气温。
6.根据权利要求5所述的方法,其特征在于,还包括:对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理,以使所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长都被缩放在[-1,1]的范围内。
7.根据权利要求6所述的方法,其特征在于,通过以下公式分别对所述平均最高气温、平均最低气温、平均气温、累计降雨量、累计阴雨天数及累计日照时长进行缩放处理:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>b</mi>
<mi>u</mi>
<mi>t</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>b</mi>
<mi>u</mi>
<mi>t</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>b</mi>
<mi>u</mi>
<mi>t</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>b</mi>
<mi>u</mi>
<mi>t</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>t</mi>
<mi>r</mi>
<mi>i</mi>
<mi>b</mi>
<mi>u</mi>
<mi>t</mi>
<mi>r</mi>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,attribute表示气象数据的某一参数,mid(attribute)、max(attribute)、min(attribute)分别表示气象数据某一参数的中值、约定最大值、约定最小值,x表示某一参数的实际值,x'表示缩放后的参数值。
8.根据权利要求1-7任一所述的方法,其特征在于,所述将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测包括:
在所述支持向量回归模型中采用高斯核函数和近似线性分类的最大间隔模型,得到以下目标函数,
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
s.t.,yi(wTΦ(xi)+b)≥1,i=1,...,n;
将所述目标函数转化为凸二次规划问题,并利用拉格朗日对偶性得到最终的目标函数,
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</munder>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</munder>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</msub>
</munder>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>p</mi>
<mo>*</mo>
</msup>
</mrow>
其中,
y为样本值;i为样本值的数量,即约束条件的数量;w为参数权重;b为截距;α为拉格朗日乘子;p*为凸二次规划问题的解。
9.一种枣缩果病高发期预测装置,其特征在于,包括:
预测模块,用于将土壤类型和包含枣缩果病始发期的时间区间内的气象数据输入支持向量回归模型进行预测,得到枣缩果病高发期的预测时间;
修正模块,用于根据所述枣缩果病高发期的预测时间和所述枣缩果病高发期的实际发生时间,对所述支持向量回归模型进行修正。
10.一种枣缩果病高发期预测设备,其特征在于,包括:至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中,
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710518200.XA CN107423263A (zh) | 2017-06-29 | 2017-06-29 | 一种枣缩果病预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710518200.XA CN107423263A (zh) | 2017-06-29 | 2017-06-29 | 一种枣缩果病预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423263A true CN107423263A (zh) | 2017-12-01 |
Family
ID=60426390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710518200.XA Pending CN107423263A (zh) | 2017-06-29 | 2017-06-29 | 一种枣缩果病预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423263A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920430A (zh) * | 2018-06-15 | 2018-11-30 | 云南省气候中心 | 水稻空壳率评估方法 |
CN109378031A (zh) * | 2018-11-26 | 2019-02-22 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
CN109978265A (zh) * | 2019-03-28 | 2019-07-05 | 中国农业科学院农业信息研究所 | 一种控释肥农田养分释放速率估算方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104642021A (zh) * | 2015-02-06 | 2015-05-27 | 中国农业大学 | 一种设施生菜病害预警方法及装置 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
-
2017
- 2017-06-29 CN CN201710518200.XA patent/CN107423263A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104642021A (zh) * | 2015-02-06 | 2015-05-27 | 中国农业大学 | 一种设施生菜病害预警方法及装置 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
Non-Patent Citations (3)
Title |
---|
WITNESSAI1: "SVM(二)拉格朗日对偶问题", 《HTTPS://BLOG.CSDN.NET/ WITNESSAI1/ARTICLE/DETAILS/50199739》 * |
李丽: "基于径向基网络和支持向量机的梨病虫害预警预报系统研究", 《万方数据知识服务平台》 * |
李颖丽 等: "水稻纹枯病病情指数预测模型研究", 《中国植保导刊》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920430A (zh) * | 2018-06-15 | 2018-11-30 | 云南省气候中心 | 水稻空壳率评估方法 |
CN108920430B (zh) * | 2018-06-15 | 2022-11-11 | 云南省气候中心 | 水稻空壳率评估方法 |
CN109378031A (zh) * | 2018-11-26 | 2019-02-22 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
CN109978265A (zh) * | 2019-03-28 | 2019-07-05 | 中国农业科学院农业信息研究所 | 一种控释肥农田养分释放速率估算方法及系统 |
CN109978265B (zh) * | 2019-03-28 | 2021-01-22 | 中国农业科学院农业信息研究所 | 一种控释肥农田养分释放速率估算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eli-Chukwu | Applications of artificial intelligence in agriculture: A review. | |
Jha et al. | A comprehensive review on automation in agriculture using artificial intelligence | |
Riha et al. | Impact of temperature and precipitation variability on crop model predictions | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
CN107423263A (zh) | 一种枣缩果病预测方法及装置 | |
CN115204689A (zh) | 一种基于图像处理的智慧农业管理系统 | |
JP2019170359A (ja) | 植物栽培結果予測システム | |
Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
CN112001242A (zh) | 一种智能园艺管理方法和装置 | |
Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
CA3196136A1 (en) | Advanced crop manager for crops stress mitigation | |
Viola et al. | Olive yield and future climate forcings | |
Khozaie et al. | Economic analysis of the optimal level of supplemental irrigation for rain-fed figs | |
Omotosho et al. | Climate variability, crop–climate modelling and water ecophysiology research: implications for plant’s capacities for stress acclimation, yield production and food security | |
WO2024013577A1 (en) | An intelligent farm task management system | |
Skobelev et al. | Further advances in models and methods for digital twins of plants | |
Hazman | Crop irrigation schedule expert system | |
CN108733013A (zh) | 一种基于大数据分析的葡萄种植管理系统 | |
O'Callaghan et al. | SODCOM: a solar driven computational model of crop growth | |
Laurent et al. | Building new temperature indices for a local understanding of grapevine physiology | |
Talpaz et al. | Crop irrigation scheduling via simulation-based experimentation | |
Nath et al. | Plant disease forecasting models | |
TWI796616B (zh) | 農作物生長週期與產量交互動態預測系統 | |
CN118435855B (zh) | 基于光辐射和排液量分析的灌溉监测方法及系统 | |
Vrochidou et al. | Leveraging Computer Vision for Precision Viticulture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |