CN108921449A - 一种水稻田的等级评估方法 - Google Patents
一种水稻田的等级评估方法 Download PDFInfo
- Publication number
- CN108921449A CN108921449A CN201810813690.0A CN201810813690A CN108921449A CN 108921449 A CN108921449 A CN 108921449A CN 201810813690 A CN201810813690 A CN 201810813690A CN 108921449 A CN108921449 A CN 108921449A
- Authority
- CN
- China
- Prior art keywords
- paddy field
- sample
- content
- default
- assessed
- 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 25
- 238000003066 decision tree Methods 0.000 claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 42
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 33
- 229910052760 oxygen Inorganic materials 0.000 claims description 33
- 239000001301 oxygen Substances 0.000 claims description 33
- 235000015097 nutrients Nutrition 0.000 claims description 30
- 229910052751 metal Inorganic materials 0.000 claims description 27
- 239000002184 metal Substances 0.000 claims description 27
- 239000002689 soil Substances 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 241000209094 Oryza Species 0.000 claims description 11
- 235000007164 Oryza sativa Nutrition 0.000 claims description 11
- 235000009566 rice Nutrition 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 229910001385 heavy metal Inorganic materials 0.000 claims description 4
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims description 3
- 239000002253 acid Substances 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (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
本发明提供一种水稻田等级评估方法,包括以下步骤:获取待评估水稻田的多个参数数据;将获取到的多个参数数据代入预先获得的决策树模型,对所述待评估水稻田进行评估,得到所述待评估水稻田的评估结果。本发明可以方便快捷的评估出水稻田的等级性能,以便对不同等级的水稻田进行不同的管理操作。
Description
技术领域
本发明涉及农业技术领域,具体涉及一种水稻田的等级评估方法。
背景技术
我国是一个农业大国,人多地少,长期以来,土地的投入与产出比例失衡,土壤的养分逐渐耗竭,土壤肥力退化严重。而稻米做为我国最主要粮食之一,土壤肥力的退化严重影响着水稻田的性能等级。当然水稻田的等级还决定于土壤的pH值、重金属含量、使用年限等因素。如何有效的管理评估水稻田的性能等级,将不同等级的水稻田分别进行不同的管理操作,以得到更加高产的水稻,是目前需要解决的问题。
发明内容
有鉴于此,本发明所要解决的技术问题是提供一种水稻田的等级评估方法,用以对水稻田进行评估,以便对水稻田进行精准管理。
为实现上述目的,本发明的技术方案为:
一种水稻田的等级评估方法,包括以下步骤:
获取待评估水稻田的多个参数数据;
将获取到的多个参数数据代入预先获得的决策树模型,对所述待评估水稻田进行评估,得到所述待评估水稻田的评估结果。
进一步的,在所述将获取到的多个参数数据代入预先获得的决策树模型,对所述待评估水稻田进行评估,得到所述待评估水稻田的评估结果的步骤之前,所述等级评估方法还包括:
获取多个样本水稻田中每个样本水稻田的等级和多个参数数据;
根据每个样本水稻田的等级和多个参数数据,构建决策树模型。
进一步的,所述根据每个样本水稻田的等级和多个参数数据,构建决策树模型的步骤,包括:
根据每个样本水稻田的多个参数数据,对每个样本水稻田进行规范化处理;
根据规范化处理后的多个样本水稻田以及每个样本水稻田的等级,构建决策树模型。
进一步的,所述每个样本水稻田的多个参数数据至少包括:样本水稻田土壤的pH值、样本水稻田重金属含量、样本水稻田六六六含量、样本水稻田滴滴涕含量、样本水稻田无机养分的含量、样本水稻田使用年限、样本水稻田近三年亩产以及样本水稻田水源的含氧量。
进一步的,所述根据每个样本水稻田的多个参数数据,对每个样本水稻田进行规范化处理的步骤,包括:
将样本水稻田土壤的pH值在预设pH值区间内的样本水稻田作为酸碱适中的水稻田,并将样本水稻田土壤的pH值不在所述预设pH值区间内的样本水稻田作为异常的水稻田;
将样本水稻田重金属含量在预设重金属含量区间内的样本水稻田作为重金属超标的水稻田,并将样本水稻田重金属含量不在所述预设重金属含量区间内的样本水稻田作为重金属正常的水稻田;
将样本水稻田六六六含量在预设六六六含量区间内的样本水稻田作为六六六超标的水稻田,并将样本水稻田六六六含量不在所述预设六六六含量区间内的样本水稻田作为六六六正常的水稻田;
将样本水稻田滴滴涕含量在预设滴滴涕含量区间内的样本水稻田作为滴滴涕超标的水稻田,并将样本水稻田滴滴涕含量不在所述预设滴滴涕含量区间内的样本水稻田作为滴滴涕正常的水稻田;
将样本水稻田无机养分含量在预设无机养分含量区间内的样本水稻田作为无机养分高的水稻田,并将样本水稻田无机养分含量不在所述预设无机养分含量区间内的样本水稻田作为无机养分低的水稻田;
将样本水稻田使用年限在预设使用年限区间内的样本水稻田作为使用年限高的水稻田,并将样本水稻田使用年限不在所述预设使用年限区间内的样本水稻田作为使用年限低的水稻田;
将样本水稻田近三年亩产在预设近三年亩产区间内的样本水稻田作为近三年亩产高的水稻田,并将样本水稻田近三年亩产不在所述预设近三年亩产区间内的样本水稻田作为近三年亩产低的水稻田;
将样本水稻田水源的含氧量在第一预设含氧量区间内的样本水稻田作为水源情况优的水稻田,并将样本水稻田水源的含氧量在第二预设含氧量区间内的样本水稻田作为水源情况良的水稻田,并将样本水稻田水源的含氧量在第三预设含氧量区间内的样本水稻田作为水源情况差的水稻田。
进一步的,所述预设pH值区间为6.5~7.5;所述预设重金属含量区间为大于400mg/kg;所述预设六六六含量区间为大于0.5mg/kg;所述预设滴滴涕含量区间为大于0.5mg/kg;所述预设无机养分含量区间为大于28g/kg;所述预设使用年限区间为大于20年;所述第一预设含氧量区间为大于7.5mg/L;所述第二预设含氧量区间为3.5mg/L~7.5mg/L;所述第三预设含氧量区间为小于3.5mg/L。
进一步的,所述待评估水稻田的多个参数数据至少包括:待评估水稻田土壤的pH值、待评估水稻田重金属含量、待评估水稻田六六六含量、待评估水稻田滴滴涕含量、待评估水稻田无机养分的含量、待评估水稻田使用年限、待评估水稻田近三年亩产以及待评估水稻田水源的含氧量。
本发明的有益效果在于:
通过获取待评估水稻田的多个参数数据,带入预先获得的决策树模型,对待评估水稻田进行评估,得到水稻田的评估等级,从而可以方便快捷的得到待评估水稻田的等级。
附图说明
图1为本发明水稻田等级评估方法流程图;
图2为本发明构建决策树模型流程图;
图3为图2中步骤S22的具体流程图;
图4为本发明选取近三年亩产作为根节点后构建的决策树节点图;
图5为本发明选取pH值作为第二级节点构建的决策树节点图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面将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的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明提供的水稻田等级评估方法,包括以下步骤:
S11,获取待评估水稻田的多个参数数据。
此处待评估水稻田的多个参数数据至少包括:待评估水稻田土壤的pH值、待评估水稻田重金属含量、待评估水稻田六六六含量、待评估水稻田滴滴涕含量、待评估水稻田无机养分的含量、待评估水稻田使用年限、待评估水稻田近三年亩产以及待评估水稻田水源的含氧量。此步骤目的在于提高后续评估的准确性。
S12,将获取到的多个参数数据代入预先获得的决策树模型,对所述待评估水稻田进行评估,得到所述待评估水稻田的评估结果。
上述预先获得的决策树模型将在后续说明中做详细解释。
上述方法可以方便快捷的评价出待评估水稻田的等级,根据不同等级水稻田实施不同管理方式,有效提高水稻田的利用价值。
其中,如图2所示,在本发明的具体实施例中,在执行上述步骤S12之前,上述水稻田等级评估方法还包括如下步骤:
S21,获取多个样本水稻田中每个样本水稻田的等级和多个参数数据。
每个样本水稻田的多个参数数据至少包括:样本水稻田土壤的pH值、样本水稻田重金属含量、样本水稻田六六六含量、样本水稻田滴滴涕含量、样本水稻田无机养分的含量、样本水稻田使用年限、样本水稻田近三年亩产以及样本水稻田水源的含氧量。
S22,根据每个样本水稻田的等级和多个参数数据,构建决策树模型。
通过多个样本水稻田的等级与多个参数数据来构建形成的决策树模型,可以有效提高对待评估水稻田进行评估的效率。
如图3所示,步骤S22的具体实现方式包括如下步骤:
S31,根据每个样本水稻田的多个参数数据,对每个样本水稻田进行规范化处理。
对每个样本水稻田进行规范化处理的具体实现方式包括:
将样本水稻田土壤的pH值在预设pH值区间内的样本水稻田作为酸碱适中的水稻田,并将样本水稻田土壤的pH值不在预设pH值区间内的样本水稻田作为异常的水稻田;
将样本水稻田重金属含量在预设重金属含量区间内的样本水稻田作为重金属超标的水稻田,并将样本水稻田重金属含量不在预设重金属含量区间内的样本水稻田作为重金属正常的水稻田;
将样本水稻田六六六含量在预设六六六含量区间内的样本水稻田作为六六六超标的水稻田,并将样本水稻田六六六含量不在预设六六六含量区间内的样本水稻田作为六六六正常的水稻田;
将样本水稻田滴滴涕含量在预设滴滴涕含量区间内的样本水稻田作为滴滴涕超标的水稻田,并将样本水稻田滴滴涕含量不在预设滴滴涕含量区间内的样本水稻田作为滴滴涕正常的水稻田;
将样本水稻田无机养分含量在预设无机养分含量区间内的样本水稻田作为无机养分高的水稻田,并将样本水稻田无机养分含量不在预设无机养分含量区间内的样本水稻田作为无机养分低的水稻田;
将样本水稻田使用年限在预设使用年限区间内的样本水稻田作为使用年限高的水稻田,并将样本水稻田使用年限不在预设使用年限区间内的样本水稻田作为使用年限低的水稻田;
将样本水稻田近三年亩产在预设近三年亩产区间内的样本水稻田作为近三年亩产高的水稻田,并将样本水稻田近三年亩产不在预设近三年亩产区间内的样本水稻田作为近三年亩产低的水稻田;
将样本水稻田水源的含氧量在第一预设含氧量区间内的样本水稻田作为水源情况优的水稻田,将样本水稻田水源的含氧量在第二预设含氧量区间内的样本水稻田作为水源情况良的水稻田,并将样本水稻田水源的含氧量在第三预设含氧量区间内的样本水稻田作为水源情况差的水稻田。
上述预设pH值区间为6.5~7.5;预设重金属含量区间为大于400mg/kg;预设六六六含量区间为大于0.5mg/kg;预设滴滴涕含量区间为大于0.5mg/kg;预设无机养分含量区间为大于28g/kg;预设使用年限区间为大于20年;第一预设含氧量区间为大于7.5mg/L;第二预设含氧量区间为3.5mg/L~7.5mg/L;第三预设含氧量区间为小于3.5mg/L。
对样本水稻田的多个参数数据进行规范化处理,有利于后续决策树模型的快速构建。
S32,根据规范化处理后的多个样本水稻田以及每个样本水稻田的等级,构建决策树模型。
利用规范化处理后的多个样本水稻田以及每个样本水稻田的等级构建形成的决策树模型简单易懂,用以评估时方便快捷。
下面根据具体数据对上述构建决策树模型方法进行说明:
首先得到10个样本水稻田的等级以及多个参数数据,如下表1:
表1样本水稻田等级与多个参数数据表
对每个样本水稻田进行规范化处理后得到表2。
表2样本水稻田参数数据规范化处理结果表
然后根据规范化处理后的多个样本水稻田以及每个样本水稻田的等级,构建决策树模型,在本实施例中,采用ID3算法构建决策树模型。在其他实施方式中,还可以采用C4.5、CART、SLIQ等其他算法构建决策树模型。
以下采用ID3算法进行详细说明。
将进行规范化处理后的样本水稻田的多个参数数据以及等级作为一个训练数据集,每个参数数据在规范化处理后得到不同类别,如pH值分为了两种类别:适中、异常;重金属含量分为了:超标与正常两种类别。其他如表2所示。
步骤1、计算每个参数的信息增益值,将信息增益值最大的参数确定为特征参数并作为决策树的根节点;
计算参数的信息增益方法包括以下步骤:
步骤1.1、采用如下公式计算训练数据集中等级与各参数的信息熵:
其中,E表示训练数据集,c表示参数类别数,pi表示类别i在E中出现的概率。
步骤1.2、对应训练数据集E,选择参数A作为决策树模型判断节点,在参数A作用后的信息熵为Info(E),计算公式如下:
其中k表示训练数据集E被分为k个部分,j表示一个参数值,Ej表示训练数据集E中参数为j的子集;
步骤1.3、计算参数A的信息增益,公式如下:
Gain(A)=Info(E)-InfoA(E);
步骤1.4、依次从训练数据集中选取参数,重复步骤上述步骤1.1~1.3,得到训练数据集中所有参数的信息增益,选取信息增益值最大的参数作为特征参数。
参考表2,等级有三种类别,一级、二级、三级。其熵为:
假定参数A选择水源情况,水源情况有三种类别:优、良、差。其熵分别为:
Info水源情况为差(E)=0
Gain(E,水源情况)=Info(E)-Info水源情况(E)=0.663
依次计算出其他参数的信息增益分别为:
Gain(E,近三年亩产)=Info(E)-Info近三年亩产(E)=0.971
Gain(E,使用年限)=Info(E)-Info使用年限(E)=0.151
Gain(E,无机养分含量)=Info(E)-Info无机养分含量(E)=0.447
Gain(E,滴滴涕含量)=Info(E)-Info滴滴涕含量(E)=0.047
Gain(E,六六六含量)=Info(E)-Info六六六含量(E)=0.157
Gain(E,重金属含量)=Info(E)-Info重金属含量(E)=0.800
Gain(E,pH值)=Info(E)-InfopH值(E)=0.322
对所有参数的信息增益进行排序,信息增益最大的参数为近三年亩产。因此选择近三年亩产作为根节点得到一个节点图,如图4所示。
步骤2、按照特征参数的类别将训练数据集进行划分,训练数据集将已经判定为特征参数的参数去除,并判断按照特征参数的类别划分出的集合中,是否有等级均为一个类别的集合,若有,则所述等级均为一个类别的集合不需进行划分,对应的节点为叶子节点并存储所述等级的类别;若新划分的集合中,等级不为一个类别,则转向下一步骤;
根据近三年亩产的类别将训练数据集划分为两个集合:
E(等级|近三年亩产为高)={1、4、5、6、7、8}
E(等级|近三年亩产为高)={2、3、9、10}
其中集合E(等级|近三年亩产为高)={2、3、9、10}已经全部属于三级,因此不需要再分,作为叶子节点。对于集合E(等级|近三年亩产为高)={1、4、5、6、7、8}继续进行划分;
步骤3、在每个新划分的训练数据集中计算每个参数的信息增益,选择信息增益值最大的参数作为特征参数,做为决策树的m级中间节点,其中,m为2,3,4,……c,c为正整数;
Gain(等级|近三年亩产为高,水源情况)=0.251
Gain(等级|近三年亩产为高,使用年限)=0.204
Gain(等级|近三年亩产为高,无机养分含量)=0.316
Gain(等级|近三年亩产为高,滴滴涕含量)=0.229
Gain(等级|近三年亩产为高,六六六含量)=0
Gain(等级|近三年亩产为高,重金属含量)=0.172
Gain(等级|近三年亩产为高,pH值)=0.459
对所有参数的信息增益进行排序,信息增益最大的参数为pH值。作为决策树的2级中间节点,如图5所示。按照pH值的类别进行划分:
E(等级等级|近三年亩产为高,pH值适中)={1、6、7}
E(等级等级|近三年亩产为高,pH值异常)={4、5、8}
其中集合E(等级等级|近三年亩产为高,pH值适中)={1、6、7}等级已经全部属于一级,因此不需要再分,作为叶子节点;
步骤4、重复步骤2~3,至新划分的训练数据集中等级只有一个类别,决策树模型构建完成;
对于集合E(等级等级|近三年亩产为高,pH值异常)={4、5、8}继续重复步骤2~3至新划分的训练数据集中等级只有一个类别,决策树模型构建完成。
综上,本发明根据多个样本水稻田的多个实际参数构建决策树模型,然后输入待评估水稻田的多个参数获得待评估水稻田等级,根据水稻田不同等级,可以对水稻田进行合理安排种植、施肥等操作,进一步提高水稻的产量与性能。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水稻田的等级评估方法,其特征在于,包括以下步骤:
获取待评估水稻田的多个参数数据;
将获取到的多个参数数据代入预先获得的决策树模型,对所述待评估水稻田进行评估,得到所述待评估水稻田的评估结果。
2.根据权利要求1所述的等级评估方法,其特征在于,在所述将获取到的多个参数数据代入预先获得的决策树模型,对所述待评估水稻田进行评估,得到所述待评估水稻田的评估结果的步骤之前,所述等级评估方法还包括:
获取多个样本水稻田中每个样本水稻田的等级和多个参数数据;
根据每个样本水稻田的等级和多个参数数据,构建决策树模型。
3.根据权利要求2所述的等级评估方法,其特征在于,所述根据每个样本水稻田的等级和多个参数数据,构建决策树模型的步骤,包括:
根据每个样本水稻田的多个参数数据,对每个样本水稻田进行规范化处理;
根据规范化处理后的多个样本水稻田以及每个样本水稻田的等级,构建决策树模型。
4.根据权利要求3所述的等级评估方法,其特征在于,所述每个样本水稻田的多个参数数据至少包括:样本水稻田土壤的pH值、样本水稻田重金属含量、样本水稻田六六六含量、样本水稻田滴滴涕含量、样本水稻田无机养分的含量、样本水稻田使用年限、样本水稻田近三年亩产以及样本水稻田水源的含氧量。
5.根据权利要求4所述的等级评估方法,其特征在于,所述根据每个样本水稻田的多个参数数据,对每个样本水稻田进行规范化处理的步骤,包括:
将样本水稻田土壤的pH值在预设pH值区间内的样本水稻田作为酸碱适中的水稻田,并将样本水稻田土壤的pH值不在所述预设pH值区间内的样本水稻田作为异常的水稻田;
将样本水稻田重金属含量在预设重金属含量区间内的样本水稻田作为重金属超标的水稻田,并将样本水稻田重金属含量不在所述预设重金属含量区间内的样本水稻田作为重金属正常的水稻田;
将样本水稻田六六六含量在预设六六六含量区间内的样本水稻田作为六六六超标的水稻田,并将样本水稻田六六六含量不在所述预设六六六含量区间内的样本水稻田作为六六六正常的水稻田;
将样本水稻田滴滴涕含量在预设滴滴涕含量区间内的样本水稻田作为滴滴涕超标的水稻田,并将样本水稻田滴滴涕含量不在所述预设滴滴涕含量区间内的样本水稻田作为滴滴涕正常的水稻田;
将样本水稻田无机养分含量在预设无机养分含量区间内的样本水稻田作为无机养分高的水稻田,并将样本水稻田无机养分含量不在所述预设无机养分含量区间内的样本水稻田作为无机养分低的水稻田;
将样本水稻田使用年限在预设使用年限区间内的样本水稻田作为使用年限高的水稻田,并将样本水稻田使用年限不在所述预设使用年限区间内的样本水稻田作为使用年限低的水稻田;
将样本水稻田近三年亩产在预设近三年亩产区间内的样本水稻田作为近三年亩产高的水稻田,并将样本水稻田近三年亩产不在所述预设近三年亩产区间内的样本水稻田作为近三年亩产低的水稻田;
将样本水稻田水源的含氧量在第一预设含氧量区间内的样本水稻田作为水源情况优的水稻田,并将样本水稻田水源的含氧量在第二预设含氧量区间内的样本水稻田作为水源情况良的水稻田,并将样本水稻田水源的含氧量在第三预设含氧量区间内的样本水稻田作为水源情况差的水稻田。
6.根据权利要求5所述的等级评估方法,其特征在于,所述预设pH值区间为6.5~7.5。
7.根据权利要求5所述的等级评估方法,其特征在于,所述预设重金属含量区间为大于400mg/kg。
8.根据权利要求5所述的等级评估方法,其特征在于,所述预设使用年限区间为大于20年。
9.根据权利要求5所述的等级评估方法,其特征在于,所述第一预设含氧量区间为大于7.5mg/L;所述第二预设含氧量区间为3.5mg/L~7.5mg/L;所述第三预设含氧量区间为小于3.5mg/L。
10.根据权利要求1所述的等级评估方法,其特征在于,所述待评估水稻田的多个参数数据至少包括:待评估水稻田土壤的pH值、待评估水稻田重金属含量、待评估水稻田六六六含量、待评估水稻田滴滴涕含量、待评估水稻田无机养分的含量、待评估水稻田使用年限、待评估水稻田近三年亩产以及待评估水稻田水源的含氧量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810813690.0A CN108921449A (zh) | 2018-07-23 | 2018-07-23 | 一种水稻田的等级评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810813690.0A CN108921449A (zh) | 2018-07-23 | 2018-07-23 | 一种水稻田的等级评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921449A true CN108921449A (zh) | 2018-11-30 |
Family
ID=64415784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810813690.0A Pending CN108921449A (zh) | 2018-07-23 | 2018-07-23 | 一种水稻田的等级评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921449A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176014A (zh) * | 2019-06-18 | 2019-08-27 | 广西壮族自治区水产科学研究院 | 一种禾花鱼稻田生态养殖信息处理方法及系统 |
CN113504344A (zh) * | 2021-08-18 | 2021-10-15 | 中国科学院南京土壤研究所 | 一种评估酸性土壤改良剂长效性的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047133B1 (en) * | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
CN102035698A (zh) * | 2011-01-06 | 2011-04-27 | 西北工业大学 | 基于决策树分类算法的http隧道检测方法 |
CN103886508A (zh) * | 2014-03-03 | 2014-06-25 | 中标软件有限公司 | 海量农田数据的监控方法和系统 |
CN106613588A (zh) * | 2016-11-07 | 2017-05-10 | 湖南润丰达生态环境科技有限公司 | 一种循环修复镉污染稻田与种植水稻的方法 |
CN106952170A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 一种基于随机森林的县域耕地自然质量评价方法 |
CN107862475A (zh) * | 2017-12-05 | 2018-03-30 | 华南农业大学 | 一种新增水田潜力评估方法及系统 |
-
2018
- 2018-07-23 CN CN201810813690.0A patent/CN108921449A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047133B1 (en) * | 2003-01-31 | 2006-05-16 | Deere & Company | Method and system of evaluating performance of a crop |
CN102035698A (zh) * | 2011-01-06 | 2011-04-27 | 西北工业大学 | 基于决策树分类算法的http隧道检测方法 |
CN103886508A (zh) * | 2014-03-03 | 2014-06-25 | 中标软件有限公司 | 海量农田数据的监控方法和系统 |
CN106613588A (zh) * | 2016-11-07 | 2017-05-10 | 湖南润丰达生态环境科技有限公司 | 一种循环修复镉污染稻田与种植水稻的方法 |
CN106952170A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 一种基于随机森林的县域耕地自然质量评价方法 |
CN107862475A (zh) * | 2017-12-05 | 2018-03-30 | 华南农业大学 | 一种新增水田潜力评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
王莉莎: "基于决策树的双季稻区水稻土地力特征分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176014A (zh) * | 2019-06-18 | 2019-08-27 | 广西壮族自治区水产科学研究院 | 一种禾花鱼稻田生态养殖信息处理方法及系统 |
CN113504344A (zh) * | 2021-08-18 | 2021-10-15 | 中国科学院南京土壤研究所 | 一种评估酸性土壤改良剂长效性的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hafezalkotob et al. | A decision support system for agricultural machines and equipment selection: A case study on olive harvester machines | |
Reddy et al. | Optimal reservoir operation using multi-objective evolutionary algorithm | |
CN108876209A (zh) | 一种考虑相对产量的红壤稻田土壤肥力评价方法 | |
CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
CN102509240A (zh) | 一种基于多指标多层次的电网投资效益评估方法 | |
CN104537067A (zh) | 一种基于k-means聚类的分箱方法 | |
CN107833137A (zh) | 基于多目标优化的量化交易策略生成方法及装置、设备和存储介质 | |
CN109345105B (zh) | 一种多水源灌区灌溉用水量复核方法 | |
Fadhil et al. | Formulation for development strategy of Gayo coffee agroindustry institution using interpretive structural modeling (ISM). | |
CN108921449A (zh) | 一种水稻田的等级评估方法 | |
CN108959746B (zh) | 区域农业用水量核定与分解方法 | |
CN107944747A (zh) | 一种基于改进主成分分析的低压台区评价方法 | |
CN104630382A (zh) | 一种基于基因组杂合度鉴定猕猴桃杂交种质的方法 | |
Ahmad et al. | Changes in land use pattern and factors responsible for variations in current fallow land in Bihar, India | |
CN107818328A (zh) | 结合局部信息的不完整数据相似性刻画方法 | |
CN106022507A (zh) | 一种农田连片整治的优化方法及其系统 | |
Wani et al. | Land-use dynamics in Jammu and Kashmir1 | |
Moore et al. | Minimum requirements and regional economics, 1980 | |
CN116070906A (zh) | 一种基于复杂产品供应商供应链的风险识别与评估方法 | |
CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
CN107535350A (zh) | 一种基于ssr标记的玉米组配模式优选方法及系统 | |
Mousavi-Avval et al. | Energy storage in field operations of sunflower production using data envelopment analysis approach | |
Sinha | Economies of the factors affecting crop production in India: Analysis based on Cobb-Douglas Production Function | |
Spielman et al. | Food, agriculture, and rural development in Pakistan | |
Odeh et al. | Soil suitability and crop versatility assessment using fuzzy analysis at a farm scale |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181130 |