CN108960530A - 基于长短时记忆网络的大田植被覆盖率指标的预测方法 - Google Patents

基于长短时记忆网络的大田植被覆盖率指标的预测方法 Download PDF

Info

Publication number
CN108960530A
CN108960530A CN201810834676.9A CN201810834676A CN108960530A CN 108960530 A CN108960530 A CN 108960530A CN 201810834676 A CN201810834676 A CN 201810834676A CN 108960530 A CN108960530 A CN 108960530A
Authority
CN
China
Prior art keywords
vegetation coverage
data
coverage index
rvi
soil moisture
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
Application number
CN201810834676.9A
Other languages
English (en)
Inventor
郭亚
朱南阳
夏倩
胡凯
蒋永年
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JIANGSU ZHONGNONG INTERNET OF THINGS TECHNOLOGY Co Ltd
Jiangnan University
Original Assignee
JIANGSU ZHONGNONG INTERNET OF THINGS TECHNOLOGY Co Ltd
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JIANGSU ZHONGNONG INTERNET OF THINGS TECHNOLOGY Co Ltd, Jiangnan University filed Critical JIANGSU ZHONGNONG INTERNET OF THINGS TECHNOLOGY Co Ltd
Priority to CN201810834676.9A priority Critical patent/CN108960530A/zh
Publication of CN108960530A publication Critical patent/CN108960530A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Agronomy & Crop Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于长短时记忆网络的大田植被覆盖率指标的预测方法，主要包括如下步骤：S1：使用过去几年试验大田中的空气湿度、空气温度、二氧化碳、土壤水分、土壤温度、植被覆盖率指标rvi和相对应的采集时间周期的数据，构建数据集；S2：对数据集内的空气湿度、空气温度、二氧化碳、土壤水分、土壤温度、植被覆盖率指标rvi和时间周期数据进行必要的滤波清洗，并对数据进行归一化处理后，建立样本集。可以预测用户设定时间范围内的植被覆盖率rvi数值，达到提前预报的效果，使得用户可以提前预测植被覆盖率，反映植被覆盖度和生长状况的差异，用户可以根据植被覆盖率的大小，规划施肥，灌溉等改善植物生长状态操作，提高了种植效率和种植成本。

Description

基于长短时记忆网络的大田植被覆盖率指标的预测方法
技术领域
本发明涉及大田植被覆盖率指标rvi的预测，特别是涉及基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法。
背景技术
大田种植业是我国农业经济的重要支柱，种植的植被生长环境受空气温度、空气湿度、土壤水分和土壤温度的影响，同时种植的二氧化碳含量也会影响植物的光合作用，从而影响植物的生长。植被覆盖率指标rvi用来定性和定量评价植被覆盖及其生长活力，能较好的反映植被覆盖度和生长状况的差异，适用于植被生长旺盛、具有高覆盖度的植被检测。因此预测植被覆盖率指标rvi的变化趋势和数值至关重要。
发明内容
基于此，有必要针对上述技术问题，提供一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，使用大田种植环境历史数据，运用长短时记忆网络(LSTM)的方法，构建rvi数值的预测模型。
一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，包括：
使用过去预设年数采集的大田种植环境的空气湿度、空气温度、二氧化碳、土壤水分、土壤温度、植被覆盖率指标rvi和相对应的采集周期时刻的数据，构建数据集，设当前空气湿度x1、空气温度x2、二氧化碳x3、土壤水分x4、土壤温度x5和时间周期x6组成6维输入向量数据xt＝[x1,x2,x3,x4,x5,x6]，输出向量为植被覆盖率指标yt，前一时刻的隐藏状态输出ht；
对数据集内的数据进行滤波清洗，再对数据进行归一化处理后，得到新的输入向量xt和输出向量yt；
将数据处理后的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和时间周期数据作为输入变量，相应的植被覆盖率指标rvi作为输出变量；将样本集分为训练集和测试集，采用长短时记忆(LSTM)的方法防止过拟合，使用训练集训练LSTM，使用测试集测试后，得到LSTM网络模型；
实时采集和保存大田种植环境的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和周期时间等数据信息，结合当前实时采集的数据信息和历史时刻的数据信息通过LSTM模型预测规定范围内用户设定时间内的大田植被覆盖率指标rvi。
在另外的一个实施例中，根据实时植被覆盖率指标rvi数据，反向调节各层网络的权值阈值，用于预测下一时刻的植被覆盖率rvi数值。
在另外的一个实施例中，采用长短时记忆网络(LSTM)具体的步骤为：
遗忘门输出：ft＝sigmoid(Wf·[ht-1,xt]+bf)；
输入门输出：it＝sigmoid(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)；
更新单元状态值：Ct＝ft*Ct-1+it*Ct'
输出门输出：ot＝sigmoid(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)；
当前索引的预测输出：y't＝sigmoid(V·ht+c)；
代价函数：E(yt,y't)＝-ytlog(y't)；
利用梯度下降和反向传播算法调节并更新权值和阈值Wf，Wi，Wc，Wo，V，bf，bi，bc，bo，c；
最后使用测试集测试模型精度和对模型进行评估，使用如下评估项：
如果精度和评估没达到要求，重新初始化权值阈值或者提高训练次数；当达到精度要求后，建立植被覆盖率指标rvi的LSTM神经网络模型。
在另外的一个实施例中，“对数据集内的数据进行滤波清洗，再对数据进行归一化处理后，得到新的输入向量xt和输出向量yt；”步骤采用高斯滤波清洗。
在另外的一个实施例中，所述预设年数是10年。
上述基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，考虑当前大田中的种植环境参数同历史大田中种植环境参数存在时间序列上的相关性，建立植被覆盖率指标LSTM模型，提高预测的精度和准确性，可以预测用户设定时间范围内的植被覆盖率rvi数值，达到提前预报的效果，使得用户可以提前预测植被覆盖率，反映植被覆盖度和生长状况的差异，用户可以根据植被覆盖率的大小，规划施肥，灌溉等改善植物生长状态操作，提高了种植效率和种植成本。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
附图说明
图1为本申请实施例提供的一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法的流程示意图。
图2为本申请实施例提供的一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法中的长短时记忆网络(LSTM)损失函数变化图。
图3为本申请实施例提供的一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法中的长短时记忆网络(LSTM)训练集拟合效果图。
图4为本申请实施例提供的一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法中的长短时记忆网络(LSTM)测试集预测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，包括：
使用过去预设年数采集的大田种植环境的空气湿度、空气温度、二氧化碳、土壤水分、土壤温度、植被覆盖率指标rvi和相对应的采集周期时刻的数据，构建数据集，设当前空气湿度x1、空气温度x2、二氧化碳x3、土壤水分x4、土壤温度x5和时间周期x6组成6维输入向量数据xt＝[x1,x2,x3,x4,x5,x6]，输出向量为植被覆盖率指标yt，前一时刻的隐藏状态输出ht；
对数据集内的数据进行滤波清洗，再对数据进行归一化处理后，得到新的输入向量xt和输出向量yt；
将数据处理后的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和时间周期数据作为输入变量，相应的植被覆盖率指标rvi作为输出变量；将样本集分为训练集和测试集，采用长短时记忆(LSTM)的方法防止过拟合，使用训练集训练LSTM，使用测试集测试后，得到LSTM网络模型；
实时采集和保存大田种植环境的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和周期时间等数据信息，结合当前实时采集的数据信息和历史时刻的数据信息通过LSTM模型预测规定范围内用户设定时间内的大田植被覆盖率指标rvi。
因为植被覆盖率指标rvi的变化幅度较大，需进行滤波，降低历史数据中存在的噪声干扰，之后进行归一化处理，用于提高预测的精准性。
在另外的一个实施例中，根据实时植被覆盖率指标rvi数据，反向调节各层网络的权值阈值，用于预测下一时刻的植被覆盖率rvi数值。
在另外的一个实施例中，采用长短时记忆网络(LSTM)具体的步骤为：
遗忘门输出：ft＝sigmoid(Wf·[ht-1,xt]+bf)；
输入门输出：it＝sigmoid(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)；
更新单元状态值：Ct＝ft*Ct-1+it*Ct'；
输出门输出：ot＝sigmoid(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)；
当前索引的预测输出：y't＝sigmoid(V·ht+c)；
代价函数：E(yt,y't)＝-ytlog(y't)；
利用梯度下降和反向传播算法调节并更新权值和阈值Wf，Wi，Wc，Wo，V，bf，bi，bc，bo，c；
最后使用测试集测试模型精度和对模型进行评估，使用如下评估项：
如果精度和评估没达到要求，重新初始化权值阈值或者提高训练次数；当达到精度要求后，建立植被覆盖率指标rvi的LSTM神经网络模型。
在另外的一个实施例中，“对数据集内的数据进行滤波清洗，再对数据进行归一化处理后，得到新的输入向量xt和输出向量yt；”步骤采用高斯滤波清洗。
在另外的一个实施例中，所述预设年数是10年。
上述基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，考虑当前大田中的种植环境参数同历史大田中种植环境参数存在时间序列上的相关性，建立植被覆盖率指标LSTM模型，提高预测的精度和准确性，可以预测用户设定时间范围内的植被覆盖率rvi数值，达到提前预报的效果，使得用户可以提前预测植被覆盖率，反映植被覆盖度和生长状况的差异，用户可以根据植被覆盖率的大小，规划施肥，灌溉等改善植物生长状态操作，提高了种植效率和种植成本。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
下面介绍一个本发明的具体应用场景：
S1：使用过去几年采集的大田种植环境的空气湿度、空气温度、二氧化碳、土壤水分、土壤温度、植被覆盖率指标rvi和相对应的采集周期时刻的数据，构建数据集，设当前空气湿度x1、空气温度x2、二氧化碳x3、土壤水分x4、土壤温度x5和时间周期x6组成6维输入向量数据xt＝[x1,x2,x3,x4,x5,x6]，输出向量为植被覆盖率指标yt，前一时刻的隐藏状态输出ht；
S2：对数据集内的数据进行和高斯滤波清洗，在对数据进行归一化处理后，得到新的输入向量xt输出向量yt；
S3：将样本集分为训练集和测试集，采用长短时记忆网络(LSTM)，具体的步骤为：
(1)遗忘门输出：ft＝sigmoid(Wf·[ht-1,xt]+bf)；
(2)输入门输出：it＝sigmoid(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)；
(3)更新单元状态值：Ct＝ft*Ct-1+it*Ct'
(4)输出门输出：ot＝sigmoid(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)；
(5)当前索引的预测输出：y't＝sigmoid(V·ht+c)；
(6)代价函数：E(yt,y't)＝-ytlog(y't)；
(7)利用梯度下降和反向传播算法调节并更新权值和阈值Wf，Wi，Wc，Wo，V，bf，bi，bc，bo，c；
最后使用测试集测试模型精度和对模型进行评估,使用如下评估项：
如果精度和评估没达到要求，重新初始化权值阈值或者提高训练次数；当达到精度要求后，建立植被覆盖率指标rvi的LSTM神经网络模型。
S4：实时采集和保存大田种植环境的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和周期时间等数据信息，结合当前实时采集的数据信息和历史时刻的数据信息通过LSTM模型预测规定范围内用户设定时间内的大田植被覆盖率指标rvi；
S5：根据实时植被覆盖率指标rvi数据，反向调节各层网络的权值阈值，用于预测下一时刻的植被覆盖率rvi数值。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，其特征在于，包括：
使用过去预设年数采集的大田种植环境的所述空气湿度、空气温度、二氧化碳、土壤水分、土壤温度、植被覆盖率指标rvi和相对应的采集周期时刻的数据，构建数据集，设当前空气湿度x1、空气温度x2、二氧化碳x3、土壤水分x4、土壤温度x5和时间周期x6组成6维输入向量数据xt＝[x1,x2,x3,x4,x5,x6]，输出向量为植被覆盖率指标yt，前一时刻的隐藏状态输出ht；
对数据集内的数据进行滤波清洗，再对数据进行归一化处理后，得到新的输入向量xt和输出向量yt；
将数据处理后的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和时间周期数据作为输入变量，相应的植被覆盖率指标rvi作为输出变量；将样本集分为训练集和测试集，采用长短时记忆(LSTM)的方法防止过拟合，使用训练集训练LSTM，使用测试集测试后，得到LSTM网络模型；
实时采集和保存大田种植环境的空气温度、空气湿度、二氧化碳、土壤温度、土壤水分和周期时间等数据信息，结合当前实时采集的数据信息和历史时刻的数据信息通过LSTM模型预测规定范围内用户设定时间内的大田植被覆盖率指标rvi。
2.根据权利要求1所述的基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，其特征在于，还包括：根据实时植被覆盖率指标rvi数据，反向调节各层网络的权值阈值，用于预测下一时刻的植被覆盖率rvi数值。
3.根据权利要求1所述的基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，其特征在于，采用长短时记忆网络(LSTM)具体的步骤为：
遗忘门输出：ft＝sigmoid(Wf·[ht-1,xt]+bf)；
输入门输出：it＝sigmoid(Wi·[ht-1,xt]+bi)
C′t＝tanh(Wc·[ht-1,xt]+bc)；
更新单元状态值：Ct＝ft*Ct-1+it*C′t；
输出门输出：ot＝sigmoid(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)；
当前索引的预测输出：y't＝sigmoid(V·ht+c)；
代价函数：E(yt,y't)＝-ytlog(y't)；
利用梯度下降和反向传播算法调节并更新权值和阈值Wf，Wi，Wc，Wo，V，bf，bi，bc，bo，c；
最后使用测试集测试模型精度和对模型进行评估，使用如下评估项：
如果精度和评估没达到要求，重新初始化权值阈值或者提高训练次数；当达到精度要求后，建立植被覆盖率指标rvi的LSTM模型。
4.根据权利要求1所述的基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，其特征在于，“对数据集内的数据进行滤波清洗，再对数据进行归一化处理后，得到新的输入向量xt和输出向量yt；”滤波步骤采用高斯滤波清洗方法。
5.根据权利要求1所述的基于长短时记忆网络的大田植被覆盖率指标rvi的预测方法，其特征在于，所述预设年数是10年。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到5任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到5任一项所述方法的步骤。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到5任一项所述的方法。
CN201810834676.9A 2018-07-26 2018-07-26 基于长短时记忆网络的大田植被覆盖率指标的预测方法 Pending CN108960530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810834676.9A CN108960530A (zh) 2018-07-26 2018-07-26 基于长短时记忆网络的大田植被覆盖率指标的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810834676.9A CN108960530A (zh) 2018-07-26 2018-07-26 基于长短时记忆网络的大田植被覆盖率指标的预测方法

Publications (1)

Publication Number Publication Date
CN108960530A true CN108960530A (zh) 2018-12-07

Family

ID=64463916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810834676.9A Pending CN108960530A (zh) 2018-07-26 2018-07-26 基于长短时记忆网络的大田植被覆盖率指标的预测方法

Country Status (1)

Country Link
CN (1) CN108960530A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816267A (zh) * 2019-01-31 2019-05-28 中国农业科学院农业信息研究所 一种智能大豆生产管理方法及系统
CN110390386A (zh) * 2019-06-28 2019-10-29 南京信息工程大学 基于输入变化微分的灵敏长短期记忆方法
CN110472726A (zh) * 2019-07-25 2019-11-19 南京信息工程大学 基于输出变化微分的灵敏长短期记忆方法
CN110852415A (zh) * 2019-09-24 2020-02-28 广州地理研究所 基于神经网络算法的植被指数预测方法、系统及设备
CN111814952A (zh) * 2020-06-01 2020-10-23 珠海格力电器股份有限公司 植被生长监测方法、装置、设备及存储介质
CN112351481A (zh) * 2020-09-03 2021-02-09 东南大学 基于用户行为预测的小基站唤醒方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203875A (ja) * 2011-03-28 2012-10-22 Tokyo Electric Power Co Inc:The 収量予測装置およびコンピュータプログラム
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
CN108133297A (zh) * 2018-01-26 2018-06-08 广州大学 基于长短期记忆网络的溶解氧预测方法与系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203875A (ja) * 2011-03-28 2012-10-22 Tokyo Electric Power Co Inc:The 収量予測装置およびコンピュータプログラム
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
CN108133297A (zh) * 2018-01-26 2018-06-08 广州大学 基于长短期记忆网络的溶解氧预测方法与系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816267A (zh) * 2019-01-31 2019-05-28 中国农业科学院农业信息研究所 一种智能大豆生产管理方法及系统
CN110390386A (zh) * 2019-06-28 2019-10-29 南京信息工程大学 基于输入变化微分的灵敏长短期记忆方法
CN110472726A (zh) * 2019-07-25 2019-11-19 南京信息工程大学 基于输出变化微分的灵敏长短期记忆方法
CN110472726B (zh) * 2019-07-25 2022-08-02 南京信息工程大学 基于输出变化微分的灵敏长短期记忆方法
CN110852415A (zh) * 2019-09-24 2020-02-28 广州地理研究所 基于神经网络算法的植被指数预测方法、系统及设备
CN110852415B (zh) * 2019-09-24 2022-04-26 广东省科学院广州地理研究所 基于神经网络算法的植被指数预测方法、系统及设备
CN111814952A (zh) * 2020-06-01 2020-10-23 珠海格力电器股份有限公司 植被生长监测方法、装置、设备及存储介质
CN112351481A (zh) * 2020-09-03 2021-02-09 东南大学 基于用户行为预测的小基站唤醒方法
CN112351481B (zh) * 2020-09-03 2023-04-07 东南大学 基于用户行为预测的小基站唤醒方法

Similar Documents

Publication Publication Date Title
CN108960530A (zh) 基于长短时记忆网络的大田植被覆盖率指标的预测方法
Sudheer et al. Estimating actual evapotranspiration from limited climatic data using neural computing technique
Brédy et al. Water table depth forecasting in cranberry fields using two decision-tree-modeling approaches
Haro-Monteagudo et al. Exploring the utility of drought indicators to assess climate risks to agricultural productivity in a humid climate
CN104850836A (zh) 基于深度卷积神经网络的害虫图像自动识别方法
CN109978234A (zh) 墒情预测、灌溉决策方法和装置
WO2014073985A1 (en) A method and system for automated differential irrigation
Karimaldini et al. Daily evapotranspiration modeling from limited weather data by using neuro-fuzzy computing technique
Guillén-Navarro et al. A deep learning model to predict lower temperatures in agriculture
Acevedo-Opazo et al. Assessment of an empirical spatial prediction model of vine water status for irrigation management in a grapevine field
Wakamori et al. Optical flow-based analysis of the relationships between leaf wilting and stem diameter variations in tomato plants
Jiménez et al. Evaluation of two recurrent neural network methods for prediction of irrigation rate and timing
CN116778333A (zh) 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统
Lu et al. Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet
Baruah et al. Use of data mining technique for prediction of tea yield in the face of climate change of Assam, India
Anindya et al. IoT Based Climate Prediction System Using Long Short-Term Memory (LSTM) Algorithm as Part of Smart Farming 4.0
Vakili et al. Rainfall–runoff modeling using adaptive neuro-fuzzy inference system (ANFIS) and genetic algorithm (GA)
Kaushik et al. Predicting annual rainfall for the Indian state of Punjab using machine learning techniques
Martinez et al. Comparative analysis of learning and meta-learning algorithms for creating models for predicting the probable alcohol level during the ripening of grape berries
Kushal et al. Real Time Crop Prediction based on Soil Analysis using Internet of Things and Machine Learning
Hern et al. Estimation of reference evapotranspiration using limited climatic data and Bayesian model averaging
Doğan Reference evapotranspiration estimation using adaptive neuro‐fuzzy inference systems
Preite et al. Artificial intelligence to optimize water consumption in agriculture: A predictive algorithm-based irrigation management system
Li et al. Forecast of gross output value of agriculture and forestry in Guangxi based on holt-winters model
Rajapaksha et al. Analyzing the Best Ways of Optimizing Rice Production through Machine Learning Technologies

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

Application publication date: 20181207

RJ01 Rejection of invention patent application after publication