CN108921351A - 基于趋势产量和气象产量的作物产量预测方法 - Google Patents
基于趋势产量和气象产量的作物产量预测方法 Download PDFInfo
- Publication number
- CN108921351A CN108921351A CN201810737459.8A CN201810737459A CN108921351A CN 108921351 A CN108921351 A CN 108921351A CN 201810737459 A CN201810737459 A CN 201810737459A CN 108921351 A CN108921351 A CN 108921351A
- Authority
- CN
- China
- Prior art keywords
- days
- yield
- precipitation
- trend
- suitability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012272 crop production Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- 238000012887 quadratic function Methods 0.000 claims abstract description 14
- 230000037039 plant physiology Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 claims description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000009331 sowing Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 3
- 241001365789 Oenanthe crocata Species 0.000 description 2
- 241000209149 Zea Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (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
本发明提出了一种基于趋势产量和气象产量的作物产量预测方法,包括:获取历史产量数据,通过历史产量数据按照二次函数模拟历史趋势产量数据;采用调和权重方式对趋势产量进行预测,包括:计算历史趋势产量的增量,根据历史趋势产量的增量进一步计算历史趋势产量增量的调和平均值,然后根据上一年度的趋势产量和调和平均值,对当年的趋势产量进行预测;提取历史气象产量;获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,根据分离得到的历史气象产量和历史综合气候适宜度指数,建立回归方程,得到当年预测的气象产量;将当年气象产量与趋势产量之和即为当年的预测产量,实现产量动态预报。本发明可以提高最终产量预测结果的准确性。
Description
技术领域
本发明涉及农业产量技术领域,特别涉及一种基于趋势产量和气象产量的作物产量预测方法。
背景技术
准确预报作物产量变化可以为农业生产提供预测信息,对保障粮食安全和农业发展具有重要意义。
(1)基于作物生长模型的产量预测,从气象形成时大气的物理变化和作物生理变化开展预报,技术极为复杂,需要的参数多,常常由于数据缺乏而无法使用;
(2)已经应用于北方冬小麦产量预测的遥感预报技术需要大量的观测数据和信息来保证农作物产量气象预报的精准性;
(3)统计预报是目前进行农作物产量气象预报广泛使用的技术,但多数研究是在较长的历史资料序列前提下进行预测的。
(4)预报年趋势产量的预测多数是采用n次曲线、线性滑动平均、指数函数等方法直接外推预测,在较短历史资料情况下,特别是这几年历史产量资料出现小幅波动时,这种外推预测准确性往往不高。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种基于趋势产量和气象产量的作物产量预测方法,可以提高最终产量预测结果的准确性。
为了实现上述目的,本发明的实施例提供一种基于趋势产量和气象产量的作物产量预测方法,包括如下步骤:
步骤S1,获取历史产量数据,通过所述历史产量数据按照二次函数模拟历史趋势产量数据;
步骤S2,采用调和权重方式对趋势产量进行预测,包括:计算历史趋势产量的增量,根据历史趋势产量的增量进一步计算历史趋势产量增量的调和平均值,然后根据上一年度的趋势产量和调和平均值,对当年的趋势产量进行预测;
步骤S3,提取历史气象产量,包括:从获取的历史产量数据中减去模拟历史趋势产量,分离得到历史气象产量;
步骤S4,获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,根据分离得到的历史气象产量和历史综合气候适宜度指数,建立回归方程,得到当年预测的气象产量;
步骤S5,将步骤S4的当年气象产量与步骤S3的趋势产量之和即为当年的预测产量,实现产量动态预报。
进一步,在所述步骤S1中,所述历史产量数据至少为4年产量数据。
进一步,在所述步骤S1中,二次函数方程如下:
Yt=ax2+bx+c
其中,x为时间序列,Yt为模拟历史趋势产量,实际产量Yt作为因变量,时间序列作为自变量,abc是二次函数的系数,用实际产量和时间序列建立二次函数模拟方程,模拟历史趋势产量。
进一步,在所述步骤S2中,
计算历史趋势产量的增量:wt+1=yt+1-yt,其中,yt为第t年的趋势产量,则wt+1为第t+1年趋势产量的增量;
计算历史趋势产量增量的调和平均值:其中,ct+1为调和权重系数,调和权重满足:ct+1>0;∑ct+1=1;
计算趋势产量预测值:
进一步,在所述步骤S4中,所述获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,包括:
(1)计算气候适宜度,包括计算每日温度适宜度和旬降水适宜度;
(2)计算综合气候适宜度参数,包括:计算旬温度适宜度和播种-任意旬的温度和降水适宜度、播种至某旬的综合气候适宜度指数。
进一步,所述每日温度适宜度为:
所述旬降水适宜度为:
其中,F(t)、F(r)分别为作物生长期逐日气温适宜度值、逐旬降水适宜度值,t为某日的日平均气温,tl、th、t0分别为作物某发育期所需的最低温度、最高温度和适宜温度,当t=t0时,温度适宜度为1;当tl≤t≤th时,温度适宜度取值在0和1之间;当 t<tl或t>th时,温度适宜度为0,r为旬降水量,在计算时为当旬的降水量加上前期过量降水,r0为作物生育期内逐旬的需水量,rl=ur0,rh=vr0,设该作物品种生育期内降水量 /需水量<u为轻旱,降水量/需水量>v为轻涝,所以定义u≤降水量/需水量≤v为降水适宜标准。
进一步,所述旬温度适宜度为各旬内日温度适宜度取均值;
所述播种-任意旬的温度和降水适宜度为:通过计算各个旬气温、降水适宜度与气象产量之间的相关系数的大小来确定各旬的权重系数大小,则各旬的温度和降水适宜度权重系数Ki如下式:
其中,Ri为各旬气候适宜度与气象产量的相关系数,n为播种至某一发育时间期间的旬数,则播种至某一旬的气候适宜度的表达式为:
其中,FI(c)i是播种至某一旬的气候适宜度,F(c)i、Ki分别是第i旬的温度或降水适宜度和权重系数;
所述播种至某旬的综合气候适宜度指数为该时间段内温度和降水适宜度相乘开平方。
根据本发明实施例的基于趋势产量和气象产量的作物产量预测方法,具有以下有益效果:
(1)在资料序列较短的情况下进行各气象站点的更准确的产量预测;
(2)趋势产量一般占总产的80%以上,利用调和权重法外推预报年的趋势产量,尤其是当近4年历史产量序列出现小幅波动时,这种外推预测准确性高于直接用回归方程的外推结果,从而在一定程度上提高了最终产量预测结果的准确性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于趋势产量和气象产量的作物产量预测方法的流程图;
图2为根据本发明实施例的基于趋势产量和气象产量的作物产量预测方法的示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供一种基于趋势产量和气象产量的作物产量预测方法,输入数据包括以下:
1、历史数据:日均温、日降雨量;作物产量、播种期。
2、作物生理参数:作物三基点温度、作物理论旬需水量。
3、当年数据:日均温、日降雨量;作物播种期。
一般来说,作物产量可分为3个部分,趋势产量、气象产量和随机“噪声”,即:
Y=Yt+Yw+ε
Y为作物历年单产,Yt为趋势产量,Yw为气象产量,ε为随机“噪声”,略不计,因此简化为:Y=Yt+Yw。
下面结合图1和图2对本发明实施例的基于趋势产量和气象产量的作物产量预测方法,进行详细说明。
步骤S1,获取历史产量数据,通过历史产量数据按照二次函数模拟历史趋势产量数据。
在步骤S1中,历史产量数据至少为4年产量数据。即,在4年资料序列情况下,结合二次曲线和调和权重法实现趋势产量的模拟和预测。
在本发明的一个实施例中,二次函数方程如下:
Yt=ax2+bx+c
其中,x为时间序列,比如用1、2、3、4…依次代替2008、2009、2010、2011…,Yt为模拟历史趋势产量,实际产量Yt作为因变量,时间序列作为自变量,abc是二次函数的系数,在此文中无特殊含义,用实际产量和时间序列建立二次函数模拟方程,模拟历史趋势产量。
步骤S2,采用调和权重方式对趋势产量进行预测,调和权重是一种对趋势产量进行外延的算法,包括:计算历史趋势产量的增量,根据历史趋势产量的增量进一步计算历史趋势产量增量的调和平均值,然后根据上一年度的趋势产量和调和平均值,对当年的趋势产量进行预测。
具体的,计算历史趋势产量的增量:wt+1=yt+1-yt,其中,yt为第t年的趋势产量,则wt+1为第t+1年趋势产量的增量。
计算历史趋势产量增量的调和平均值:其中,ct+1为调和权重系数,ct+1按下式计算:
………
显然,调和权重满足:ct+1>0;∑ct+1=1。
计算趋势产量预测值:
步骤S3,提取历史气象产量,包括:从获取的历史产量数据中减去模拟历史趋势产量,分离得到历史气象产量。
步骤S4,获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,根据分离得到的历史气象产量和历史综合气候适宜度指数,建立回归方程,得到当年预测的气象产量。
在步骤S4中,获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,包括:
(1)计算气候适宜度,包括计算每日温度适宜度和旬降水适宜度;
每日温度适宜度为:
旬降水适宜度为:
其中,F(t)、F(r)分别为作物生长期逐日气温适宜度值、逐旬降水适宜度值,t为某日的日平均气温,tl、th、t0分别为作物某发育期所需的最低温度、最高温度和适宜温度,当t=t0时,温度适宜度为1;当tl≤t≤th时,温度适宜度取值在0和1之间;当t< tl或t>th时,温度适宜度为0,r为旬降水量,在计算时为当旬的降水量加上前期过量降水 (有效降水量大于作物需水量的部分),r0为作物生育期内逐旬的需水量,rl=ur0,rh=vr0,设该作物品种生育期内降水量/需水量<u为轻旱,降水量/需水量>v为轻涝,所以定义u≤降水量/需水量≤v为降水适宜标准。
以玉米生育期内降水量/需水量<70%为轻旱,降水量/需水量>150%为轻涝,所以定义70%≤降水量/需水量≤150%为降水适宜标准,即rl=0.7r0,rh=1.5r0。
冬小麦生育期内降水量/需水量<60%为轻旱,降水量/需水量>150%为轻涝,所以定义60%≤降水量/需水量≤150%为降水适宜标准,即rl=0.6r0,rh=1.5r0。
(2)计算综合气候适宜度参数,包括:计算旬温度适宜度和播种-任意旬的温度和降水适宜度、播种至某旬的综合气候适宜度指数。
旬温度适宜度为各旬内日温度适宜度取均值;
播种-任意旬的温度和降水适宜度为:发育期内自播种开始至某一个时段,逐旬的适宜度的加权集成即构成了不同时段的适宜度指数。通过计算各个旬气温、降水适宜度与气象产量之间的相关系数的大小来确定各旬的权重系数大小,则各旬的温度和降水适宜度权重系数Ki如下式:
Ri为各旬气候(温度、降水)适宜度与气象产量的相关系数,n为播种至某一发育时间期间的旬数(不足一旬时,按一旬计算)。则播种至某一旬的气候(温度、降水)适宜度的表达式为:
其中,FI(c)i是播种至某一旬的气候(温度、降水)适宜度,F(c)i、Ki分别是第i旬的温度或降水适宜度和权重系数。
播种至某旬的综合气候适宜度指数为该时间段内温度和降水适宜度相乘开平方。
将最近4年的气象产量与对应年播种至某一旬综合气候适宜度指数建立回归方程,代入当年播种至某一旬综合气候适宜度指数,即得当年预测的气象产量。
步骤S5,将步骤S4的当年气象产量与步骤S3的趋势产量之和即为当年的预测产量,实现产量动态预报。例如,预测年气象产量可以随着玉米发育进程,在不同生育进程作出气象产量动态预测。
本发明实施例的基于趋势产量和气象产量的作物产量预测方法,可以实现以下功能:作物产量可分离为趋势产量和气象产量,通过二次函数模拟历史趋势产量,实际产量与趋势产量的差值为气象产量。对作物历年气象产量和播种至某一旬的综合气候适宜度进行回归分析,建立直线回归方程,将预测年播种至某一旬综合气候适宜度代入回归方程得出预报年的气象产量,预报年气象产量与通过调和权重法外推预报年的趋势产量之和即为预报年预测产量。利用播种至某一旬的综合适宜度与气象产量的回归方程可以建立各气象站站点从作物播种至任意旬止的产量动态预报模型。
根据本发明实施例的基于趋势产量和气象产量的作物产量预测方法,具有以下有益效果:
(1)在资料序列较短的情况下进行各气象站点的更准确的产量预测;
(2)趋势产量一般占总产的80%以上,利用调和权重法外推预报年的趋势产量,尤其是当近4年历史产量序列出现小幅波动时,这种外推预测准确性高于直接用回归方程的外推结果,从而在一定程度上提高了最终产量预测结果的准确性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (7)
1.一种基于趋势产量和气象产量的作物产量预测方法,其特征在于,包括如下步骤:
步骤S1,获取历史产量数据,通过所述历史产量数据按照二次函数模拟历史趋势产量数据;
步骤S2,采用调和权重方式对趋势产量进行预测,包括:计算历史趋势产量的增量,根据历史趋势产量的增量进一步计算历史趋势产量增量的调和平均值,然后根据上一年度的趋势产量和调和平均值,对当年的趋势产量进行预测;
步骤S3,提取历史气象产量,包括:从获取的历史产量数据中减去模拟历史趋势产量,分离得到历史气象产量;
步骤S4,获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,根据分离得到的历史气象产量和历史综合气候适宜度指数,建立回归方程,得到当年预测的气象产量;
步骤S5,将步骤S4的当年气象产量与步骤S3的趋势产量之和即为当年的预测产量,实现产量动态预报。
2.如权利要求1所述的基于趋势产量和气象产量的作物产量预测方法,其特征在于,在所述步骤S1中,所述历史产量数据至少为4年产量数据。
3.如权利要求1所述的基于趋势产量和气象产量的作物产量预测方法,其特征在于,在所述步骤S1中,二次函数方程如下:
Yt=ax2+bx+c
其中,x为时间序列,Yt为模拟历史趋势产量,实际产量Yt作为因变量,时间序列作为自变量,abc是二次函数的系数,用实际产量和时间序列建立二次函数模拟方程,模拟历史趋势产量。
4.如权利要求1所述的基于趋势产量和气象产量的作物产量预测方法,其特征在于,在所述步骤S2中,
计算历史趋势产量的增量:wt+1=yt+1-yt,其中,yt为第t年的趋势产量,则wt+1为第t+1年趋势产量的增量;
计算历史趋势产量增量的调和平均值:其中,ct+1为调和权重系数,调和权重满足:ct+1>0;∑ct+1=1;
计算趋势产量预测值:
5.如权利要求1所述的基于趋势产量和气象产量的作物产量预测方法,其特征在于,在所述步骤S4中,所述获取历史气象数据和作物生理参数,得到历史综合气候适宜度指数,包括:
(1)计算气候适宜度,包括计算每日温度适宜度和旬降水适宜度;
(2)计算综合气候适宜度参数,包括:计算旬温度适宜度和播种-任意旬的温度和降水适宜度、播种至某旬的综合气候适宜度指数。
6.如权利要求5所述的基于趋势产量和气象产量的作物产量预测方法,其特征在于,所述每日温度适宜度为:
所述旬降水适宜度为:
其中,F(t)、F(r)分别为作物生长期逐日气温适宜度值、逐旬降水适宜度值,t为某日的日平均气温,tl、th、t0分别为作物某发育期所需的最低温度、最高温度和适宜温度,当t=t0时,温度适宜度为1;当tl≤t≤th时,温度适宜度取值在0和1之间;当t<tl或t>th时,温度适宜度为0,r为旬降水量,在计算时为当旬的降水量加上前期过量降水,r0为作物生育期内逐旬的需水量,rl=ur0,rh=vr0,设该作物品种生育期内降水量/需水量<u为轻旱,降水量/需水量>v为轻涝,所以定义u≤降水量/需水量≤v为降水适宜标准。
7.如权利要求5所述的基于趋势产量和气象产量的作物产量预测方法,其特征在于,所述旬温度适宜度为各旬内日温度适宜度取均值;
所述播种-任意旬的温度和降水适宜度为:通过计算各个旬气温、降水适宜度与气象产量之间的相关系数的大小来确定各旬的权重系数大小,则各旬的温度和降水适宜度权重系数Ki如下式:
其中,Ri为各旬气候适宜度与气象产量的相关系数,n为播种至某一发育时间期间的旬数,则播种至某一旬的气候适宜度的表达式为:
其中,FI(c)i是播种至某一旬的气候适宜度,F(c)i、Ki分别是第i旬的温度或降水适宜度和权重系数;
所述播种至某旬的综合气候适宜度指数为该时间段内温度和降水适宜度相乘开平方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810737459.8A CN108921351A (zh) | 2018-07-06 | 2018-07-06 | 基于趋势产量和气象产量的作物产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810737459.8A CN108921351A (zh) | 2018-07-06 | 2018-07-06 | 基于趋势产量和气象产量的作物产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921351A true CN108921351A (zh) | 2018-11-30 |
Family
ID=64424933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810737459.8A Pending CN108921351A (zh) | 2018-07-06 | 2018-07-06 | 基于趋势产量和气象产量的作物产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921351A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615149A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定甜菜气象产量的方法和系统 |
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 |
CN109615148A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定玉米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 |
CN109858678A (zh) * | 2018-12-29 | 2019-06-07 | 航天信息股份有限公司 | 一种确定向日葵气象产量的方法和系统 |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
WO2020252863A1 (zh) * | 2019-06-21 | 2020-12-24 | 中国气象科学研究院 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
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 |
CN113505920A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234691A1 (en) * | 2004-04-20 | 2005-10-20 | Singh Ramesh P | Crop yield prediction |
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
CN104182800A (zh) * | 2013-05-21 | 2014-12-03 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
WO2017119987A1 (en) * | 2016-01-07 | 2017-07-13 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及系统 |
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 |
-
2018
- 2018-07-06 CN CN201810737459.8A patent/CN108921351A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234691A1 (en) * | 2004-04-20 | 2005-10-20 | Singh Ramesh P | Crop yield prediction |
CN104182800A (zh) * | 2013-05-21 | 2014-12-03 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
CN103955860A (zh) * | 2014-04-17 | 2014-07-30 | 中国农业大学 | 一种基于集合卡尔曼滤波同化的区域作物估产方法 |
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
WO2017119987A1 (en) * | 2016-01-07 | 2017-07-13 | The Climate Corporation | Generating digital models of crop yield based on crop planting dates and relative maturity values |
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及系统 |
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 |
Non-Patent Citations (5)
Title |
---|
刘伟昌;陈怀亮;余卫东;刘忠阳;: "基于气候适宜度指数的冬小麦动态产量预报技术研究", 气象与环境科学, no. 02, 15 May 2008 (2008-05-15), pages 21 - 24 * |
徐芳;黄帆;: "基于SPSS的梧州早稻产量预测模型构建", 气象研究与应用, no. 03, 15 September 2016 (2016-09-15), pages 98 - 101 * |
王雪姣;潘学标;王森;胡莉婷;郭燕云;李新建;: "基于COSIM模型的新疆棉花产量动态预报方法", 农业工程学报, no. 08, 23 April 2017 (2017-04-23) * |
高红霞;武荣盛;刘洋;: "内蒙古兴安盟玉米气候适宜度模型构建", 内蒙古农业大学学报(自然科学版), no. 01, 31 January 2017 (2017-01-31), pages 23 - 28 * |
高红霞;高宇;张玲;: "1982―2015年兴安盟玉米气候适宜度变化分析", 内蒙古气象, no. 01, 15 February 2017 (2017-02-15) * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109615148A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定玉米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 |
CN109858678A (zh) * | 2018-12-29 | 2019-06-07 | 航天信息股份有限公司 | 一种确定向日葵气象产量的方法和系统 |
CN109615149B (zh) * | 2018-12-29 | 2023-04-28 | 航天信息股份有限公司 | 一种确定甜菜气象产量的方法和系统 |
CN109615149A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定甜菜气象产量的方法和系统 |
CN109615148B (zh) * | 2018-12-29 | 2023-04-28 | 航天信息股份有限公司 | 一种确定玉米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 |
CN109858678B (zh) * | 2018-12-29 | 2023-04-25 | 航天信息股份有限公司 | 一种确定向日葵气象产量的方法和系统 |
WO2020252863A1 (zh) * | 2019-06-21 | 2020-12-24 | 中国气象科学研究院 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
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 |
CN113505920B (zh) * | 2021-06-25 | 2022-03-18 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
CN113505920A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921351A (zh) | 基于趋势产量和气象产量的作物产量预测方法 | |
US11617313B2 (en) | Controlling agricultural production areas | |
Selvaraju | Impact of El Niño–southern oscillation on Indian foodgrain production | |
Opara | Fruit growth measurement and analysis | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
CN109615148B (zh) | 一种确定玉米气象产量的方法和系统 | |
Tian et al. | Changes in production potentials of rapeseed in the Yangtze River Basin of China under climate change: A multi-model ensemble approach | |
Çakır et al. | Yield prediction of wheat in south-east region of Turkey by using artificial neural networks | |
CN107423850A (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
Lyu et al. | Multi-objective winter wheat irrigation strategies optimization based on coupling AquaCrop-OSPy and NSGA-III: A case study in Yangling, China | |
CN117114374A (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
Cola et al. | BerryTone—a simulation model for the daily course of grape berry temperature | |
Herrmann et al. | A new harvest time prognosis tool for forage maize production in Germany | |
Barbosa dos Santos et al. | Machine learning algorithms for soybean yield forecasting in the Brazilian Cerrado | |
Zhang et al. | Short-term forecasting of daily crop evapotranspiration using the ‘Kc-ETo’approach and public weather forecasts | |
CN109615149A (zh) | 一种确定甜菜气象产量的方法和系统 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN109858678B (zh) | 一种确定向日葵气象产量的方法和系统 | |
CN109508810A (zh) | 一种基于实现月平均水文流量预测的系统 | |
CN115169263A (zh) | 基于TVGM-Budyko耦合模型的多时间尺度径流变化归因分析方法 | |
CN109840623A (zh) | 一种确定芝麻气象产量的方法和系统 | |
CN115049126A (zh) | 基于温度效应和历史阈值的蒸散量预测方法 | |
Gommes | Non-parametric crop yield forecasting, a didactic case study for Zimbabwe |
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 |