CN108022023A - 一种农作物的种植产量预测方法、装置及存储介质 - Google Patents
一种农作物的种植产量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108022023A CN108022023A CN201711383945.6A CN201711383945A CN108022023A CN 108022023 A CN108022023 A CN 108022023A CN 201711383945 A CN201711383945 A CN 201711383945A CN 108022023 A CN108022023 A CN 108022023A
- Authority
- CN
- China
- Prior art keywords
- production
- plantation
- crops
- parameter
- addressing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title abstract description 12
- 238000012417 linear regression Methods 0.000 claims abstract description 43
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000005286 illumination Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 244000038559 crop plants Species 0.000 claims description 3
- 238000009313 farming Methods 0.000 claims description 2
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 241000227653 Lycopersicon Species 0.000 description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 230000003760 hair shine Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis 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)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (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)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种农作物的种植产量预测方法、装置及存储介质,该方法包括:采集目标农作物的历史种植参数;其中,历史种植参数包括地理环境变量和农作物产量;将地理环境变量作为输入参数,将农作物产量作为输出参数带入至线性回归模型中得到目标农作物对应的截距和与地理环境变量对应的系数;获取目标选址地点对应的目标地理环境变量,并依据截距和系数计算目标选址地点的预测产量以作为选址依据。由此可见,本方法可以先对目标农作物的产量进行预测,若预测产量过低,说明当前选址不适宜种植,从而避免选址不当造成的不良后果,且本方法成本较低,并不局限于某一种农作物,能够反复使用,适应性广泛。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种农作物的种植产量预测方法、装置及存储介质。
背景技术
农作物的生长环境直接决定其产量,对于不同的农作物所需的环境参数是不同的,环境参数主要包括地理位置以及光照和温度,例如,对于同一个地块来说,种植番茄和种植红薯的产量会有所区别,而产量的不同,则直接影响经济效益。
现有技术中,为了得到更高的产量,通常是依据经验值选择相应的地块种植农作物,一旦农作物种植后,无论选址是否合理均无法改变。因此,对于农作物养育人员来说,只有等到农作物成熟后才能够最终确定其产量,很显然,该选址方式是滞后的。
综上所述,为了能够得到更合理的农作物的种植地址是本领域技术人员亟待解决地问题。
发明内容
本发明的目的是提供一种农作物的种植产量预测方法、装置及存储介质,用于能够得到更合理的农作物的种植地址。
为解决上述技术问题,本发明提供一种农作物的种植产量预测方法,包括:
采集目标农作物的历史种植参数;其中,所述历史种植参数包括地理环境变量和农作物产量;
将所述地理环境变量作为输入参数,将所述农作物产量作为输出参数带入至线性回归模型中得到所述目标农作物对应的截距和与所述地理环境变量对应的系数;
获取目标选址地点对应的目标地理环境变量,并依据所述截距和所述系数计算所述目标选址地点的预测产量以作为选址依据。
优选地,所述地理环境变量具体包括纬度、经度、海拔、平均温度和平均光照;所述目标地理环境变量具体包括纬度、海拔、平均温度和平均光照;
其中,所述平均温度为每月24小时中各小时的平均温度,所述平均光照为每月24小时中各小时的平均光照。
优选地,还包括:
获取所述目标选址地点对应的实际产量;
判断所述实际产量与所述预测产量的差值是否在预设范围内;
如果否,则将所述实际产量和所述目标地理环境变量作为所述历史种植参数对所述线性回归模型进行修正。
优选地,还包括:
预先存储所述目标农作物的理想产量;
当所述预测产量大于所述理想产量时,确定所述目标选址地点为所述目标农作物的实际选择地点。
优选地,还包括:
判断所述平均温度或所述平均光照是否符合预定要求;
如果否,则对所述平均温度或所述平均光照进行修正。
为解决上述技术问题,本发明还提供一种农作物的种植产量预测装置,包括:
采集单元,用于采集目标农作物的历史种植参数;其中,所述历史种植参数包括地理环境变量和农作物产量;
计算单元,用于将所述地理环境变量作为输入参数,将所述农作物产量作为输出参数带入至线性回归模型中得到所述目标农作物对应的截距和与所述地理环境变量对应的系数;
第一获取单元,用于获取目标选址地点对应的目标地理环境变量,并依据所述截距和所述系数计算所述目标选址地点的预测产量以作为选址依据。
优选地,所述地理环境变量具体包括纬度、经度、海拔、平均温度和平均光照;所述目标地理环境变量具体包括纬度、海拔、平均温度和平均光照;
其中,所述平均温度为每月24小时中各小时的平均温度,所述平均光照为每月24小时中各小时的平均光照。
优选地,还包括:
第二获取单元,用于获取所述目标选址地点对应的实际产量;
判断单元,用于判断所述实际产量与所述预测产量的差值是否在预设范围内;
修正单元,用于在所述判断单元的结果为否时,则将所述实际产量和所述目标地理环境变量作为所述历史种植参数对所述线性回归模型进行修正。
为解决上述技术问题,本发明提供一种农作物的种植产量预测装置,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述所述的农作物的种植产量预测方法的步骤。
为解决上述技术问题,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的农作物的种植产量预测方法的步骤。
本发明所提供的农作物的种植产量预测方法,将目标农作物的历史种植参数作为训练样本,筛选出各相关影响参数,以线性回归模型作为预测模型,通过样本的训练得到线性回归模型中的各参数,最后将目标选址地点对应的各变量输入至训练好的模型中,从而得到预测产量,以预测产量作为最终选址的依据。由此可见,本方法可以先对目标农作物的产量进行预测,若预测产量过低,说明当前选址不适宜种植,从而避免选址不当造成的不良后果,且本方法成本较低,并不局限于某一种农作物,能够反复使用,适应性广泛。
此外,本发明所述提供的农作物的种植产量预测装置及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本发明实例提供的一种农作物的种植产量预测方法的流程图;
图2为本发明实例提供的另一种农作物的种植产量预测方法的流程图;
图3为本发明实施例提供的一种农作物的种植产量预测装置的结构图。
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,都属于本发明保护范围。
本发明的核心是提供一种农作物的种植产量预测方法、装置及存储介质,用于能够得到更合理的农作物的种植地址。
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。
图1为本发明实例提供的一种农作物的种植产量预测方法的流程图。如图1所示,该方法包括:
S10:采集目标农作物的历史种植参数;其中,历史种植参数包括地理环境变量和农作物产量。
S11:将地理环境变量作为输入参数,将农作物产量作为输出参数带入至线性回归模型中得到目标农作物对应的截距和与地理环境变量对应的系数。
S12:获取目标选址地点对应的目标地理环境变量,并依据截距和系数计算目标选址地点的预测产量以作为选址依据。
可以理解的是,历史种植参数来源于各地区以往的种植参数,为实际数据,这些数据可以直接获取到,例如可以通过以下网址获取:http://elevationmap.net/#menu2以及http://www.soda-pro.com/。需要说明的是,以上通过具体网址获取历史种植参数只是一种具体的实施方式,并不代表只能以该方式获取。本发明中提到的地理环境变量是指影响农作物的种植产量的地理位置方面的参数,换句话说,影响农作物产量的因素是由于地理位置的不同而造成的影响,例如,地理环境变量具体包括纬度、经度、海拔、平均温度和平均光照。上述所述的各变量是根据历史经验得到的对农作物的产量影响较大的几个变量,并不代表只有这几个参数,需要说明的是,影响农作物产量除了上述几个因素外,种子的优良、发芽率以及种植过程中施肥次数,浇水次数、病害等变量都是与产量有关系的,但是本发明对于上述几种参数不考虑,且预测产量是作为选址的依据,并不是精确的计算出某农作物的实际产量。
为了实现某农作物的产量预测,需要将该农作物对应的历史种植参数作为训练样本输入至相应的预测模型中,在具体实施中,地理环境变量和农作物产量呈线性变化的趋势,因此,本发明中,将线性回归模型作为预测模型对农作物的产量进行预测。线性回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。至于线性回归模型的具体数学表达式请参见现有技术的描述,本发明不再赘述。
具体的,线性回归模型中影响其结果的因素之一就是训练样本的数量,以及训练样本的可靠性(这里的可靠性是指训练样本真实性,例如,训练样本不真实的话,则训练得到的预测模型的输出结果也会与实际值相差较多)。而本发明中训练样本来自于历史种植参数,为真实数据,可靠性较高,因此,为了得到更准确的预测模型,则训练样本的数量至关重要。但本发明中,对于训练样本的数量不作具体限定。在训练过程中,就可以得到线性回归模型中的截距以及与地理环境变量对应的系数。通过公式表达形式就是:
式中,Y表示预测产量,Xi表示某一地理环境变量,Ki表示地理环境变量对应的系数。
若目标地理环境变量包括纬度、海拔、平均温度和平均光照,则K1表示纬度的系数,K2表示海拔的系数,K3表示平均温度的系数,K4表示平均光照的系数。
得到截距和各系数后,线性回归模型就训练好了,可以进行产量的预测。在具体实施中,获取目标选址地点对应的目标地理环境变量,并依据截距和系数计算目标选址地点的预测产量以作为选址依据。
本发明实施例提供的农作物的种植产量预测方法,将目标农作物的历史种植参数作为训练样本,以线性回归模型作为预测模型,通过样本的训练得到线性回归模型中的各参数,最后将目标选址地点对应的各变量输入至训练好的模型中,从而得到预测产量,以预测产量可以作为最终选址的依据。由此可见,本方法可以先对目标农作物的产量进行预测,若预测产量过低,说明当前选址不适宜种植,从而避免选址不当造成的不良后果,且本方法成本较低,并不局限于某一种农作物,能够反复使用,适应性广泛。
在上一实施例的基础上,作为优选地实施方式,目标地理环境变量具体包括纬度、海拔、平均温度和平均光照;
其中,平均温度为每月24小时中各小时的平均温度,平均光照为每月24小时中各小时的平均光照。
为了让本领域技术人员更加清楚本发明中每个变量,本发明给出具体的变量采集结果。表1和表2是某一地点1-12月平均光照对应的采集结果,表3和表4是某一地点1-12月平均温度对应的采集结果。其中,在具体实施中,平均光照需要用到数据转换,即将瓦特单位转换成焦耳单位,具体转换方式为:数值*3600*24/10000。表1和表2中,第一列中的1-12表示月,共计12个月,表1第一行中的1-12和表2第一行中的13-24均表示小时,共计24小时。表3和表4,第一列中的1-12表示月,共计12个月,表3第一行中的1-12和表4第一行中的13-24均表示小时,共计24小时。表1和表2中的单位为瓦特/m2,表3和表4中的单位为摄氏度。
表1
表2
表3
表4
为了简化操作,本发明提供一种较为简洁的计算方法,在具体实施中,当得到历史种植参数后,可以将这些参数添加到EXCEL表格中,通过EXCEL表格进行计算,当然也可以通过其他自动化计算软件进行分析,在这里,我们使用EXCEL作为例子进行阐述。
表5是番茄对应的历史种植参数,其中,Source这一列数据是历史种植参数的获取来源,Latitude这一列数据是各地点名称对应的各纬度,Altitude这一列数据是各地点名称对应的海拔,temperature这一列数据是各地点名称对应的平均温度,Joules/cm2/day平均光照这一列数据是各地点名称对应的每天每平方厘米的平均光照焦耳值,W/m2这一列数据是各地点名称对应的平均光照瓦特值。表格中的Longitude这一列数据是各地点名称对应的经度,主要是与纬度配合从而实现地点的定位,Longitude这一列数据和W/m2这一列数据在实际运算过程中不参与运算。换句话说,在进行线性回归模型的运算中,历史种植参数中的地理环境变量为Latitude、Altitude、Temperature和Joules/cm2/day,这些变量作为上述公式中的Xi,Kg/m2为农作物产量作为公式中的Y,从而求得公式中的Ki和截距。作为优选地实施方式,可以直接使用EXCEL表格中的LINEST函数即可。
表5
经过对番茄的历史种植参数进行计算,得到公式中截距和Ki,具体如表6所示。表7是目标选址地点对应的12个月的目标地理环境变量,其中最后一栏为预测产量,第一列是平均光照瓦特值的实际值,第二列是对第一列的数据保留一位小数。通过公式计算得到表7中番茄的各月每平方米的预测产量。
表6
截距 | 纬度变量的系数 | 海拔变量的系数 | 平均温度的系数 | 平均光照的系数 |
-16.432 | 0.604357 | 0.007726 | -0.48 | 0.022424 |
表7
总计 | W/m2 | Joules/cm2/day | Longitude | Latitude | Altitude | Temperature | Kg/m2 |
29.14516 | 29.1 | 251.8 | 1.6 | 51.0 | 5.0 | 2.8 | 2.780242 |
62.05172 | 62.1 | 536.1 | 2.1 | 51.0 | 5.0 | 2.9 | 2.935057 |
99.19892 | 99.2 | 857.1 | 2.6 | 51.0 | 5.0 | 5.3 | 5.338441 |
162.0653 | 162.1 | 1,400.2 | 3.5 | 51.0 | 5.0 | 8.2 | 8.158889 |
204.2688 | 204.3 | 1,764.9 | 4.0 | 51.0 | 5.0 | 12.4 | 12.44099 |
215.2736 | 215.3 | 1,860.0 | 4.1 | 51.0 | 5.0 | 14.9 | 14.94056 |
213.5013 | 213.5 | 1,844.7 | 4.0 | 51.0 | 5.0 | 16.5 | 16.51573 |
180.4516 | 180.5 | 1,559.1 | 3.4 | 51.0 | 5.0 | 17.0 | 17.01707 |
123.2 | 123.2 | 1,064.0 | 2.6 | 51.0 | 5.0 | 14.1 | 14.08764 |
73.2 | 73.2 | 632.6 | 1.9 | 51.0 | 5.0 | 11.0 | 10.95094 |
37.9 | 37.9 | 327.5 | 1.6 | 51.0 | 5.0 | 6.1 | 6.132222 |
21.3 | 21.3 | 184.1 | 1.4 | 51.0 | 5.0 | 3.4 | 3.384028 |
118.9 | 118.5 | 1,023.5 | 32.8 | 51.0 | 5.0 | 9.6 | 114.6818 |
可以理解的是,在采集历史种植参数的过程中,会遇到某些参数缺失或有明显偏差过大,尤其是对于平均温度和平均光照。在上述实施例的基础上,该方法还包括:
判断平均温度或平均光照是否符合预定要求;如果否,进入步骤S21。
对平均温度或平均光照进行修正。
需要说明的是,修正的方法有多种,此处基于数据分析,得出是线性关系,因此可以采用线性修正的方式,具体公式为y=kx+b,其中,x就是各平均温度或各平均光照,将部分数值带入拟合直线就得到了该直线的斜率和截距,分别是k和b,若某一数据不在该直线说明该数据不符合预定要求,就可以按照上述直线将其进行修正,具体修正过程本发明不再赘述。
作为优选地实施方式,还包括:
获取目标选址地点对应的实际产量;
判断实际产量与预测产量的差值是否在预设范围内;
如果否,则将实际产量和目标地理环境变量作为历史种植参数对线性回归模型进行修正。
可以理解的是,本发明中提到的各变量是影响农作物的产量的重要因素,但是并不是唯一因素,因此,实际产量与预测产量通常是有一定偏差的,如果偏差在预设范围内,则是正常现象,只有超出预设范围时,才进一步对模型进行修正。
为了能够使得线性回归模型的预测结果更加准确,在得到实际产量后,如果实际产量与预测产量的差值较大,即超出了预设范围,说明模型的预测结果有偏差,因此,本实施例中,利用实际产量作为历史种植参数中的农作物产量,再次进行模型的训练,使得模型的输出结果越来越精确。
图2为本发明实例提供的另一种农作物的种植产量预测方法的流程图。如图2所示,在上述实施例的基础上,还包括:
S20:预先存储目标农作物的理想产量。
S21:判断预测产量是否大于理想产量,如果是,则进入S22。
S22:确定目标选址地点为目标农作物的实际选择地点。
需要说明的是,本实施例中提到的理想产量并不是最优的产量的意思,而是说对于以往历史产量比较满意的结果。预先存储了理想产量,则得到预测产量后,如果预测产量大于理想产量,可以自动实现目标选址地点的选择,不需要人工参与,节约人力成本。
上文中对于农作物的种植产量预测方法的实施例进行了详细描述,本发明还提供一种农作物的种植产量预测装置的实施例。由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。图3为本发明实施例提供的一种农作物的种植产量预测装置的结构图。如图3所示,该装置包括:
采集单元10,用于采集目标农作物的历史种植参数;其中,历史种植参数包括地理环境变量和农作物产量;
计算单元11,用于将地理环境变量作为输入参数,将农作物产量作为输出参数带入至线性回归模型中得到目标农作物对应的截距和与地理环境变量对应的系数;
第一获取单元12,用于获取目标选址地点对应的目标地理环境变量,并依据截距和系数计算目标选址地点的预测产量以作为选址依据。
作为优选地实施方式,地理环境变量具体包括纬度、经度、海拔、平均温度和平均光照;目标地理环境变量具体包括纬度、海拔、平均温度和平均光照;
其中,平均温度为每月24小时中各小时的平均温度,平均光照为每月24小时中各小时的平均光照。
作为优选地实施方式,还包括:
第二获取单元,用于获取目标选址地点对应的实际产量;
判断单元,用于判断实际产量与预测产量的差值是否在预设范围内;
修正单元,用于在判断单元的结果为否时,则将实际产量和目标地理环境变量作为历史种植参数对线性回归模型进行修正。
本发明实施例提供的农作物的种植产量预测装置,将目标农作物的历史种植参数作为训练样本,以线性回归模型作为预测模型,通过样本的训练得到线性回归模型中的各参数,最后将目标选址地点对应的各变量输入至训练好的模型中,从而得到预测产量,以预测产量可以作为最终选址的依据。由此可见,本装置可以先对目标农作物的产量进行预测,若预测产量过低,说明当前选址不适宜种植,从而避免选址不当造成的不良后果,且本装置成本较低,并不局限于某一种农作物,能够反复使用,适应性广泛。
上文从模块化功能的角度分别对本发明实施例中的农作物的种植产量预测装置进行了描述,下面从硬件处理的角度对本发明实施例中的农作物的种植产量预测装置进行详细描述,本发明实施例中的农作物的种植产量预测装置包括:处理器和存储器(其中处理器的数量可以一个或多个)。在本发明的一些实施例中,处理器和存储器可通过总线或其它方式连接。其中,存储器,用于存储计算机程序;处理器,用于执行计算机程序时实现如上述实施例中农作物的种植产量预测方法的步骤。
最后,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述实施所述的农作物的种植产量预测方法的步骤。
本实施例中以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台移动终端(可以是手机,平板电脑,或者手持设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的农作物的种植产量预测方法、装置及存储介质进行了详细介绍。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。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。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种农作物的种植产量预测方法,其特征在于,包括:
采集目标农作物的历史种植参数;其中,所述历史种植参数包括地理环境变量和农作物产量;
将所述地理环境变量作为输入参数,将所述农作物产量作为输出参数带入至线性回归模型中得到所述目标农作物对应的截距和与所述地理环境变量对应的系数;
获取目标选址地点对应的目标地理环境变量,并依据所述截距和所述系数计算所述目标选址地点的预测产量以作为选址依据。
2.根据权利要求1所述的农作物的种植产量预测方法,其特征在于,所述地理环境变量具体包括纬度、经度、海拔、平均温度和平均光照;所述目标地理环境变量具体包括纬度、海拔、平均温度和平均光照;
其中,所述平均温度为每月24小时中各小时的平均温度,所述平均光照为每月24小时中各小时的平均光照。
3.根据权利要求1或2所述的农作物的种植产量预测方法,其特征在于,还包括:
获取所述目标选址地点对应的实际产量;
判断所述实际产量与所述预测产量的差值是否在预设范围内;
如果否,则将所述实际产量和所述目标地理环境变量作为所述历史种植参数对所述线性回归模型进行修正。
4.根据权利要求1或2所述的农作物的种植产量预测方法,其特征在于,还包括:
预先存储所述目标农作物的理想产量;
当所述预测产量大于所述理想产量时,确定所述目标选址地点为所述目标农作物的实际选择地点。
5.根据权利要求2所述的农作物的种植产量预测方法,其特征在于,还包括:
判断所述平均温度或所述平均光照是否符合预定要求;
如果否,则对所述平均温度或所述平均光照进行修正。
6.一种农作物的种植产量预测装置,其特征在于,包括:
采集单元,用于采集目标农作物的历史种植参数;其中,所述历史种植参数包括地理环境变量和农作物产量;
计算单元,用于将所述地理环境变量作为输入参数,将所述农作物产量作为输出参数带入至线性回归模型中得到所述目标农作物对应的截距和与所述地理环境变量对应的系数;
第一获取单元,用于获取目标选址地点对应的目标地理环境变量,并依据所述截距和所述系数计算所述目标选址地点的预测产量以作为选址依据。
7.根据权利要求6所述的农作物的种植产量预测装置,其特征在于,所述地理环境变量具体包括纬度、经度、海拔、平均温度和平均光照;所述目标地理环境变量具体包括纬度、海拔、平均温度和平均光照;
其中,所述平均温度为每月24小时中各小时的平均温度,所述平均光照为每月24小时中各小时的平均光照。
8.根据权利要求6或7所述的农作物的种植产量预测装置,其特征在于,还包括:
第二获取单元,用于获取所述目标选址地点对应的实际产量;
判断单元,用于判断所述实际产量与所述预测产量的差值是否在预设范围内;
修正单元,用于在所述判断单元的结果为否时,则将所述实际产量和所述目标地理环境变量作为所述历史种植参数对所述线性回归模型进行修正。
9.一种农作物的种植产量预测装置,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的农作物的种植产量预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的农作物的种植产量预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711383945.6A CN108022023A (zh) | 2017-12-20 | 2017-12-20 | 一种农作物的种植产量预测方法、装置及存储介质 |
PCT/CN2018/087064 WO2019119718A1 (zh) | 2017-12-20 | 2018-05-16 | 一种农作物的种植产量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711383945.6A CN108022023A (zh) | 2017-12-20 | 2017-12-20 | 一种农作物的种植产量预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108022023A true CN108022023A (zh) | 2018-05-11 |
Family
ID=62074211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711383945.6A Pending CN108022023A (zh) | 2017-12-20 | 2017-12-20 | 一种农作物的种植产量预测方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108022023A (zh) |
WO (1) | WO2019119718A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108960530A (zh) * | 2018-07-26 | 2018-12-07 | 江南大学 | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 |
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 |
CN109360394A (zh) * | 2018-09-30 | 2019-02-19 | 康美中药材数据信息服务有限公司 | 一种药材生产环境预警系统 |
CN109740794A (zh) * | 2018-12-01 | 2019-05-10 | 贵州省烟草公司黔南州公司 | 一种烤烟单产量预测方法 |
CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技(深圳)有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
CN109840855A (zh) * | 2019-03-06 | 2019-06-04 | 平顶山学院 | 一种在生殖初期预测番茄是否减产的方法 |
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 |
CN111144429A (zh) * | 2018-11-05 | 2020-05-12 | 北京京东金融科技控股有限公司 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
WO2020199453A1 (zh) * | 2019-03-29 | 2020-10-08 | 上海交通大学 | 光照精准预测的苗床调度方法、系统及介质 |
CN113168598A (zh) * | 2018-09-11 | 2021-07-23 | 克莱米特公司 | 由田间的风险调整的杂交种子选择和作物产量优化 |
CN113343391A (zh) * | 2021-07-02 | 2021-09-03 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
CN115965161A (zh) * | 2023-02-14 | 2023-04-14 | 联通(四川)产业互联网有限公司 | 一种基于人工智能和历史数据的农作物产量预测方法 |
CN117217372A (zh) * | 2023-09-08 | 2023-12-12 | 湖北泰跃卫星技术发展股份有限公司 | 一种农产品产量预测及量化农事活动对产量的影响的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464979A (zh) * | 2009-01-22 | 2009-06-24 | 中国农业大学 | 作物产量表现评价系统及方法 |
US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN108022023A (zh) * | 2017-12-20 | 2018-05-11 | 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 |
-
2017
- 2017-12-20 CN CN201711383945.6A patent/CN108022023A/zh active Pending
-
2018
- 2018-05-16 WO PCT/CN2018/087064 patent/WO2019119718A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464979A (zh) * | 2009-01-22 | 2009-06-24 | 中国农业大学 | 作物产量表现评价系统及方法 |
US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
Non-Patent Citations (1)
Title |
---|
蒋辉: ""农业物联网决策系统数据处理方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108960530A (zh) * | 2018-07-26 | 2018-12-07 | 江南大学 | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 |
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 |
CN113168598A (zh) * | 2018-09-11 | 2021-07-23 | 克莱米特公司 | 由田间的风险调整的杂交种子选择和作物产量优化 |
CN109360394A (zh) * | 2018-09-30 | 2019-02-19 | 康美中药材数据信息服务有限公司 | 一种药材生产环境预警系统 |
CN111144429A (zh) * | 2018-11-05 | 2020-05-12 | 北京京东金融科技控股有限公司 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
CN111144429B (zh) * | 2018-11-05 | 2024-05-24 | 京东科技控股股份有限公司 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
CN109740794A (zh) * | 2018-12-01 | 2019-05-10 | 贵州省烟草公司黔南州公司 | 一种烤烟单产量预测方法 |
CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技(深圳)有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
CN109840855A (zh) * | 2019-03-06 | 2019-06-04 | 平顶山学院 | 一种在生殖初期预测番茄是否减产的方法 |
WO2020199453A1 (zh) * | 2019-03-29 | 2020-10-08 | 上海交通大学 | 光照精准预测的苗床调度方法、系统及介质 |
CN113343391A (zh) * | 2021-07-02 | 2021-09-03 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
CN113343391B (zh) * | 2021-07-02 | 2024-01-09 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
CN115965161A (zh) * | 2023-02-14 | 2023-04-14 | 联通(四川)产业互联网有限公司 | 一种基于人工智能和历史数据的农作物产量预测方法 |
CN115965161B (zh) * | 2023-02-14 | 2023-06-13 | 联通(四川)产业互联网有限公司 | 一种基于人工智能和历史数据的农作物产量预测方法 |
CN117217372A (zh) * | 2023-09-08 | 2023-12-12 | 湖北泰跃卫星技术发展股份有限公司 | 一种农产品产量预测及量化农事活动对产量的影响的方法 |
CN117217372B (zh) * | 2023-09-08 | 2024-03-08 | 湖北泰跃卫星技术发展股份有限公司 | 一种农产品产量预测及量化农事活动对产量的影响的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019119718A1 (zh) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022023A (zh) | 一种农作物的种植产量预测方法、装置及存储介质 | |
Waha et al. | Climate‐driven simulation of global crop sowing dates | |
Godard et al. | Use of available information at a European level to construct crop nitrogen response curves for the regions of the EU | |
Guo et al. | Optimizing irrigation schedule in a large agricultural region under different hydrologic scenarios | |
Sutton et al. | Looking beyond the horizon: How climate change impacts and adaptation responses will reshape agriculture in eastern Europe and central Asia | |
D'Agostino et al. | Assessing the results of scenarios of climate and land use changes on the hydrology of an Italian catchment: modelling study | |
CN108510107B (zh) | 一种农业种植指导方法、电子设备及存储介质 | |
Letey et al. | Modeling economic management and policy issues of water in irrigated agriculture | |
Gao et al. | Impacts of incorporating dominant crop rotation patterns as primary land use change on hydrologic model performance | |
CN113822479B (zh) | 一种兼顾生产、环境和经济效益的区域农业种植结构多目标优化方法 | |
Playán et al. | Solid-set sprinkler irrigation controllers driven by simulation models: Opportunities and bottlenecks | |
Momm et al. | Integrated surface and groundwater modeling to enhance water resource sustainability in agricultural watersheds | |
Čerkasova et al. | Field scale SWAT+ modeling of corn and soybean yields for the contiguous United States: National Agroecosystem Model Development | |
Deo et al. | Rainwater harvesting and water balance simulation-optimization scheme to plan sustainable second crop in small rain-fed systems | |
Gao et al. | Impact of irrigation on vulnerability of winter wheat under extreme climate change scenario: a case study of North China Plain | |
George et al. | Development and testing of a GIS integrated irrigation scheduling model | |
Varela Ortega et al. | Assessment of socio-economic and climate change effects on water resources and agriculture in Southern and Eastern Mediterranean countries | |
Dobbs et al. | Interactive irrigation tool for simulating smart irrigation technologies in lawn turf | |
Klocke et al. | Planning for deficit irrigation | |
Assefa | Experimental and Modeling Evaluation of Conservation Agriculture with Drip Irrigation for Small-Scale Agriculture in Sub-Saharan Africa | |
Rader et al. | Agricultural risk decision support system for resource-poor farmers in Burkina Faso, West Africa | |
Shaikh et al. | Preference index-based allocation of optimized cropping area at the Mirpurkhas subdivision: Jamrao irrigation scheme in Sindh, Pakistan | |
Fue et al. | Remote scheduling system for drip irrigation system using geographic information system | |
Sutton | Reducing the Vulnerability of the Former Yugoslav Republic of Macedonia’s Agricultural Systems to Climate Change: Impact Assessment and Adaptation Options | |
Tillie et al. | Does small irrigation boost smallholder agricultural production–evidence from a small irrigation programme in Niger |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180511 |