CN109378031B - 一种基于植保和气象信息结合的水稻纹枯病预测方法 - Google Patents

一种基于植保和气象信息结合的水稻纹枯病预测方法 Download PDF

Info

Publication number
CN109378031B
CN109378031B CN201811415231.3A CN201811415231A CN109378031B CN 109378031 B CN109378031 B CN 109378031B CN 201811415231 A CN201811415231 A CN 201811415231A CN 109378031 B CN109378031 B CN 109378031B
Authority
CN
China
Prior art keywords
sheath blight
rice sheath
rice
formula
time
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.)
Active
Application number
CN201811415231.3A
Other languages
English (en)
Other versions
CN109378031A (zh
Inventor
张竞成
张雪雪
董莹莹
田洋洋
王斌
周贤锋
张垚
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.)
Hangzhou Dianzi University
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Hangzhou Dianzi University
Institute of Remote Sensing and Digital Earth of CAS
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 Hangzhou Dianzi University, Institute of Remote Sensing and Digital Earth of CAS filed Critical Hangzhou Dianzi University
Priority to CN201811415231.3A priority Critical patent/CN109378031B/zh
Publication of CN109378031A publication Critical patent/CN109378031A/zh
Application granted granted Critical
Publication of CN109378031B publication Critical patent/CN109378031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Air Conditioning Control Device (AREA)
  • Agricultural Chemicals And Associated Chemicals (AREA)

Abstract

本发明公开了一种基于植保和气象信息结合的水稻纹枯病预测方法。包括水稻纹枯病在内的多数病虫害预测主要依赖专家经验或基于统计方法进行年际预测。本发明如下：一、获取数据，拟合基础模型。二、建立预测模型，模型中包含湿度调节因子和温度调节因子。三、建立湿度调节因子表达式，式中包含湿度调节系数。四、建立温度调节因子表达式，式中包含温度调节系数。步骤五、确定湿度调节系数及温度调节系数。六、将实际需要预测水稻纹枯病病害发生等级的时间作为被预测时间，计算被预测时间的病害等级预测值。本发明能够根据未来几天的气温预报和相对湿度预报对未来水稻田中水稻纹枯病的发生情况进行预测。

Description

一种基于植保和气象信息结合的水稻纹枯病预测方法
技术领域
本发明属于生物灾害预测技术领域，具体涉及一种将时间连续的气象信息和病害流行学过程结合，能够对水稻纹枯病发生发展过程进行连续预测的方法。
背景技术
农作物病虫害是农业生产中的重要生物灾害，是制约农业高产、优质、高效、生态、安全的重要障碍。改善这一状况的一个关键问题是需要对作物病虫害进行准确有效地预测，并据此指导植保工作。
目前，包括水稻纹枯病在内的多数病虫害预测主要依赖专家经验或基于统计方法进行年际预测。这些预测方法的问题是主观性较强或结果较为粗放，未充分考虑病虫害发生发展的生物学规律和特点，通常只能反映年际或生育期内病虫害总体发生情况，无法对病虫害在作物生育期特定时段的发生情况以及连续时间上的演进过程进行有效预测。李淼等提出了大田作物病虫害智能预警系统,根据作物病虫害历史数据计算出作物病虫害预测模型，解决了对无人值守的大田进行低成本病虫害自动预警的技术问题。但此发明是针对温室大棚设计，无法适用大田环境。张竞成等提出了一种基于多源信息的区域尺度病虫害预测方法，但该方法是在年际尺度上给出病虫害发生概率。
发明内容
本发明的目的在于提供一种基于植保和气象信息结合的水稻纹枯病预测方法。
本发明的具体步骤如下
步骤一、获取数据，拟合基础模型。
1.1、在被预测区域内选取z块采样水稻田。分别获取z块采样水稻田的前m年的水稻纹枯病采样集合和温湿度数据集，m≥5。温度数据集包括前m年内各采样水稻田的每天的日平均气温和日平均相对湿度。一块采样水稻田一年的水稻纹枯病数据包括该采样水稻田在n个采样时间采集的水稻纹枯病病害发生等级。采样时间间隔为g1；g1≤10天。
水稻纹枯病采样集合S如下：
Figure BDA0001879298840000021
其中，sijk为第i块采样水稻田在第j年第k个采样时间采集到的水稻纹枯病病害发生等级。i＝1,2,…,z，j＝1,2,…,m，k＝1,2,…,n。
1.2、建立水稻纹枯病均值集合S′；
Figure BDA0001879298840000022
其中，
Figure BDA0001879298840000023
1.3、将水稻纹枯病均值集合S′内的n个数据分别作为离散点绘入以时间为横坐标，水稻纹枯病病害发生等级为纵坐标的平面直角坐标系中，得到水稻纹枯病情况采集时间区间内水稻纹枯病发生情况离散点图。
1.4、用表达式
Figure BDA0001879298840000024
对水稻纹枯病发生情况离散点图中的离散点进行拟合，获得水稻纹枯病情况采集时间区间内水稻纹枯病发生情况曲线图。其中，e为自然对数的底，A、B、C、D均为被拟合的模型系数。
步骤二、建立预测模型如式(1)所示：
Figure BDA0001879298840000025
式(1)中，R为湿度调节因子，T为温度调节因子。
步骤三、建立湿度调节因子表达式如式(2)所示：
Figure BDA0001879298840000026
式(2)中，a为湿度调节系数，
Figure BDA0001879298840000027
的取值为80％；M′Rx为被预测时间的前g2天的平均相对湿度；g2≥3。
步骤四、建立温度调节因子表达式如式(3)所示：
Figure BDA0001879298840000031
其中，b为温度调节系数，S′Tx的表达式为
Figure BDA0001879298840000032
Tl为被预测时间之前的第l天的日平均气温。
Figure BDA0001879298840000033
的表达式为
Figure BDA0001879298840000034
T′ijl为第i块采样水稻田在第j年内与被预测时间对应的时间之前的第l天的日平均气温。
步骤五、确定湿度调节系数a及温度调节系数b。
5.1、将0.3赋值给a，将0赋值给b，将0赋值给r1和r2，将1赋值给i、j、k。
5.2、以sijk的采集时间作为被预测时间，联立式(1)、式(2)和式(3)，计算被预测时间的病害等级估计值yijk。若sjik＝yjik，则将r1及r2均增大1，之后进入步骤5.3；若|sijk-yijk|＝1，则将r2增大1，之后进入步骤5.3；若|sijk-yijk|>1，直接进入步骤5.3
5.3、若i<z，j<m，k<n，则将k增大1，并重复执行步骤5.2。若i<z，j<m，k＝n，则将1赋值给k，将j增大1，并重复执行步骤5.2。若i<z，j＝m，k＝n，则将1赋值给k，将1赋值给j，将i增大1，并重复执行步骤5.2。若i＝z，j＝m，k＝n，则计算精准准确率
Figure BDA0001879298840000035
容错准确率
Figure BDA0001879298840000036
容错特征值P″a,b＝Pa,b+P′a,b
将1赋值给i、j、k，并进入步骤5.4。
5.4、若a<1.2，b<90，则将b增大1，并执行步骤5.2至5.4。若a<1.2，b＝90，则将0赋值给b，a增大0.05，并执行步骤5.2至5.4。若a＝1.2，b＝90，则进入步骤5.5。
5.5、找出所有容错特征值P″a,b中的最小值，以该容错特征值对应的a、b分别作为式(2)中的湿度调节系数、式(3)最终中的温度调节系数。
步骤六、将实际需要预测水稻纹枯病病害发生等级的时间作为被预测时间，联立式(1)、式(2)和式(3)，计算被预测时间的病害等级预测值。
本发明具有的有益效果是：
本发明能够根据过去几天的气温和相对湿度对当前水稻田的水稻纹枯病进行判断，或根据未来几天的气温预报和相对湿度预报对未来水稻田中水稻纹枯病的发生情况进行预测。此外，本发明能够结合气象数据对水稻各生育期纹枯病发生发展过程进行准确连续预测。
附图说明
图1为以一个实例中的数据执行本发明时湿度调节系数、最终中的温度调节系数、精准准确率的关系图；
图2为以一个实例中的数据执行本发明时湿度调节系数、最终中的温度调节系数、容错准确率的关系图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示，一种基于植保和气象信息结合的水稻纹枯病预测方法，具体如下：
步骤一、获取数据，拟合基础模型。
1.1、在被预测区域内选取z块采样水稻田。分别获取z块采样水稻田的前m年的水稻纹枯病采样集合和温湿度数据集，m＝20(水稻纹枯病参照国家农业行业标准(NY/T613-2002)“水稻纹枯病测报调查规范”进行调查)。温度数据集包括前m年内各采样水稻田的每天的日平均气温和日平均相对湿度。一块采样水稻田一年的水稻纹枯病数据包括植保站在n个采样时间采集的水稻纹枯病病害发生等级(该等级分为一至五级，为现有公知的水稻纹枯病病害严重程度的评估方式)。采样时间间隔为g1；g1＝5天。水稻纹枯病病害发生等级采集时间区间为每年的6月30日～9月30日。
水稻纹枯病采样集合S如下：
Figure BDA0001879298840000051
其中，sijk为第i块采样水稻田在第j年第k个采样时间采集到的水稻纹枯病病害发生等级。i＝1,2,…,z，j＝1,2,…,m，k＝1,2,…,n。
1.2、建立水稻纹枯病均值集合S′；
Figure BDA0001879298840000052
其中，
Figure BDA0001879298840000053
1.3、将水稻纹枯病病害发生等级采集时间区间等分为n-1个时相，水稻纹枯病均值集合S′内的n个均值数据与第一个时相的起始时间、n-1个时相的结束时间分别对应。将水稻纹枯病均值集合S′内的n个数据分别作为离散点绘入以时间(单位为时相)为横坐标，水稻纹枯病病害发生等级为纵坐标的平面直角坐标系中，得到水稻纹枯病情况采集时间区间内水稻纹枯病发生情况离散点图。
1.4、用Logistic方程表达式
Figure BDA0001879298840000054
对水稻纹枯病发生情况离散点图中的离散点进行拟合，获得水稻纹枯病情况采集时间区间内水稻纹枯病发生情况曲线图。其中，e为自然对数的底，A、B、C、D均为被拟合的模型系数。A、B、C、D的数值根据水稻纹枯病情况采集时间区间内水稻纹枯病发生情况曲线图确定。
步骤二、建立预测模型如式(1)所示：
Figure BDA0001879298840000055
其中，A、B、C、D为步骤1.4中求得的被拟合的模型系数；R为湿度调节因子，T为温度调节因子。
步骤三、建立湿度调节因子表达式如式(2)所示：
Figure BDA0001879298840000061
其中，a为湿度调节系数(为待求值，下文将求出)，
Figure BDA0001879298840000062
的取值为80％；M′Rx为被预测时间(即未进行等级判定的情况下，需要预测出一块水稻田水稻纹枯病发病情况的时刻)的前g2天的平均相对湿度，即
Figure BDA0001879298840000063
Ml为被预测时间之前的第l天的日平均相对湿度；g2＝7。
步骤四、建立温度调节因子表达式如式(3)所示：
Figure BDA0001879298840000064
其中，b为温度调节系数(为待求值，下文将求出)，S′Tx为被预测时间的积温；S′Tx的表达式为
Figure BDA0001879298840000065
Tl为被预测时间之前的第l天的日平均气温。
Figure BDA0001879298840000066
为z块采样水稻田在前m年的与被预测时间相同的时间点的积温均值，
Figure BDA0001879298840000067
的表达式为
Figure BDA0001879298840000068
T′ijl为第i块采样水稻田在第j年内与被预测时间对应的时间之前的第l天的日平均气温(即若预测时间为9月5日，T′1,20,1为第一块采样水稻田在采样的第20年的9月4日的日平均气温)。
步骤五、确定湿度调节系数a及温度调节系数b。
5.1、将0.3赋值给a，将0赋值给b，将0赋值给r1和r2，将1赋值给i、j、k。
5.2、以sijk的采集时间作为被预测时间，联立式(1)、式(2)和式(3)，计算被预测时间的病害等级估计值yijk。此时式(1)中的x即为sijk的采集时间(仅考虑月份和日期，不考虑年份)，求出的y即为yijk。若sijk＝yijk，则将r1及r2均增大1，之后进入步骤5.3；若|sijk-yijk|＝1，则将r2增大1，之后进入步骤5.3；若|sijk-yijk|>1，直接进入步骤5.3
5.3、若i<z，j<m，k<n，则将k增大1，并重复执行步骤5.2。若i<z，j<m，k＝n，则将1赋值给k，将j增大1，并重复执行步骤5.2。若i<z，j＝m，k＝n，则将1赋值给k，将1赋值给j，将i增大1，并重复执行步骤5.2。若i＝z，j＝m，k＝n，则计算精准准确率
Figure BDA0001879298840000071
容错准确率
Figure BDA0001879298840000072
容错特征值P″a,b＝Pa,b+P′a,b
将1赋值给i、j、k，并进入步骤5.4。
5.4、若a<1.2，b<90，则将b增大1，并执行步骤5.2至5.4。若a<1.2，b＝90，则将0赋值给b，a增大0.05，并执行步骤5.2至5.4。若a＝1.2，b＝90，则进入步骤5.5。
5.5、找出所有容错特征值P″a,b中的最小值，以该容错特征值(最小值)对应的a、b分别作为式(2)中的湿度调节系数、式(3)最终中的温度调节系数。
步骤六、将实际需要预测水稻纹枯病病害发生等级的时间作为被预测时间，联立式(1)、式(2)和式(3)，计算被预测时间的病害等级预测值。
以申请人在步骤五中安徽、江苏、浙江、上海的多个采样水稻田获取的水稻纹枯病采样集合和温湿度数据集，执行本发明，以步骤五得到的不同的(a,b,Pa,b)为三维坐标绘入第一空间直角坐标系中，得到图1；以不同的(a,b,P′a,b)为三维坐标绘入第二空间直角坐标系中，得到图2；从图1和图2中可以看出，Pa,b的最大值为0.36，P′a,b的最大值为0.78，a的值取0.65，b的值取10。

Claims (1)

1.一种基于植保和气象信息结合的水稻纹枯病预测方法，其特征在于：步骤一、获取数据，拟合基础模型；
1.1、在被预测区域内选取z块采样水稻田；分别获取z块采样水稻田的前m年的水稻纹枯病采样集合和温湿度数据集，m≥5；温湿度数据集包括前m年内各采样水稻田的每天的日平均气温和日平均相对湿度；一块采样水稻田一年的水稻纹枯病数据包括该采样水稻田在n个采样时间采集的水稻纹枯病病害发生等级；采样时间间隔为g1；g1≤10天；
水稻纹枯病采样集合S如下：
Figure FDA0002871337090000011
其中，sijk为第i块采样水稻田在第j年第k个采样时间采集到的水稻纹枯病病害发生等级；i＝1,2,…,z，j＝1,2,…,m，k＝1,2,…,n；
1.2、建立水稻纹枯病均值集合S′；
Figure FDA0002871337090000012
其中，
Figure FDA0002871337090000013
1.3、将水稻纹枯病均值集合S′内的n个数据分别作为离散点绘入以时间为横坐标，水稻纹枯病病害发生等级为纵坐标的平面直角坐标系中，得到水稻纹枯病情况采集时间区间内水稻纹枯病发生情况离散点图；
1.4、用表达式
Figure FDA0002871337090000014
对水稻纹枯病发生情况离散点图中的离散点进行拟合，获得水稻纹枯病情况采集时间区间内水稻纹枯病发生情况曲线图；其中，e为自然对数的底，A、B、C、D均为被拟合的模型系数；
步骤二、建立预测模型如式(1)所示：
Figure FDA0002871337090000021
式(1)中，R为湿度调节因子，T为温度调节因子；
步骤三、建立湿度调节因子表达式如式(2)所示：
Figure FDA0002871337090000022
式(2)中，a为湿度调节系数，
Figure FDA0002871337090000023
的取值为80％；M′Rx为被预测时间的前g2天的平均相对湿度；g2≥3；
步骤四、建立温度调节因子表达式如式(3)所示：
Figure FDA0002871337090000024
其中，b为温度调节系数，S′Tx的表达式为
Figure FDA0002871337090000025
Tl为被预测时间之前的第l天的日平均气温；
Figure FDA0002871337090000026
的表达式为
Figure FDA0002871337090000027
Tij′l为第i块采样水稻田在第j年内与被预测时间对应的时间之前的第l天的日平均气温；
步骤五、确定湿度调节系数a及温度调节系数b；
5.1、将0.3赋值给a，将0赋值给b，将0赋值给r1和r2，将1赋值给i、j、k；
5.2、以sijk的采集时间作为被预测时间，联立式(1)、式(2)和式(3)，计算被预测时间的病害等级估计值yijk；若sijk＝yijk，则将r1及r2均增大1，之后进入步骤5.3；若|sijk-yijk|＝1，则将r2增大1，之后进入步骤5.3；若|sijk-yijk|>1，直接进入步骤5.3
5.3、若i<z，j<m，k<n，则将k增大1，并重复执行步骤5.2；若i<z，j<m，k＝n，则将1赋值给k，将j增大1，并重复执行步骤5.2；若i<z，j＝m，k＝n，则将1赋值给k，将1赋值给j，将i增大1，并重复执行步骤5.2；若i＝z，j＝m，k＝n，则计算精准准确率
Figure FDA0002871337090000031
容错准确率
Figure FDA0002871337090000032
容错特征值P″a,b＝Pa,b+P′a,b
将1赋值给i、j、k，并进入步骤5.4；
5.4、若a<1.2，b<90，则将b增大1，并执行步骤5.2至5.4；若a<1.2，b＝90，则将0赋值给b，a增大0.05，并执行步骤5.2至5.4；若a＝1.2，b＝90，则进入步骤5.5；
5.5、找出所有容错特征值P″a,b中的最小值，以该容错特征值对应的a、b分别作为式(2)中的湿度调节系数、式(3)最终中的温度调节系数；
步骤六、将实际需要预测水稻纹枯病病害发生等级的时间作为被预测时间，联立式(1)、式(2)和式(3)，计算被预测时间的病害等级预测值。
CN201811415231.3A 2018-11-26 2018-11-26 一种基于植保和气象信息结合的水稻纹枯病预测方法 Active CN109378031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811415231.3A CN109378031B (zh) 2018-11-26 2018-11-26 一种基于植保和气象信息结合的水稻纹枯病预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811415231.3A CN109378031B (zh) 2018-11-26 2018-11-26 一种基于植保和气象信息结合的水稻纹枯病预测方法

Publications (2)

Publication Number Publication Date
CN109378031A CN109378031A (zh) 2019-02-22
CN109378031B true CN109378031B (zh) 2021-02-26

Family

ID=65383608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811415231.3A Active CN109378031B (zh) 2018-11-26 2018-11-26 一种基于植保和气象信息结合的水稻纹枯病预测方法

Country Status (1)

Country Link
CN (1) CN109378031B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110338014B (zh) * 2019-08-15 2021-10-08 重庆市农业科学院 一种快速判定三系水稻育种材料穗颈瘟发病级的方法
CN111199770B (zh) * 2020-02-22 2022-03-22 杭州电子科技大学 一种基于病害流行机理的水稻纹枯病病株率预测方法
CN111738066B (zh) * 2020-05-11 2024-04-02 杭州电子科技大学 综合多源遥感信息的网格化晚稻纹枯病生境评价方法
CN112257925A (zh) * 2020-10-22 2021-01-22 安徽省农村综合经济信息中心（安徽省农业气象中心） 一种基于降水和温度的水稻稻曲病预测方法
CN114841459A (zh) * 2022-05-20 2022-08-02 杭州电子科技大学 一种基于气象和景观信息的水稻纹枯病发病峰值预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277826A1 (en) * 2016-03-27 2017-09-28 Insilico Medicine, Inc. System, method and software for robust transcriptomic data analysis
CN106779188A (zh) * 2016-11-30 2017-05-31 深圳前海弘稼科技有限公司 一种种植设备中植物病虫害预测方法及装置
CN107423263A (zh) * 2017-06-29 2017-12-01 中国农业大学 一种枣缩果病预测方法及装置
CN107964560B (zh) * 2017-12-14 2022-05-06 江苏省农业科学院 一种西甜瓜枯萎病和蔓枯病苗期联合抗性快速鉴定方法

Also Published As

Publication number Publication date
CN109378031A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109378031B (zh) 一种基于植保和气象信息结合的水稻纹枯病预测方法
CN105739575B (zh) 一种设施蔬菜环境参数的数据融合方法
CN109086928B (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN110069032B (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
CN117391482B (zh) 一种基于大数据监测的大棚温度智能预警方法及系统
CN110555553B (zh) 多因素骤旱综合识别方法
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN116595333B (zh) 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法
CN102663082A (zh) 基于数据挖掘的森林火灾预测方法
CN106248146B (zh) 一种小麦白粉病预报方法及其装置
CN116629550B (zh) 一种基于云计算的水环境监管方法及调度运行系统
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN117455062A (zh) 一种基于多源异构农业数据的农作物产量预测算法
CN118364975B (zh) 多源数据驱动混合机理学习模型的小麦产量预测方法
CN114298418A (zh) 小麦赤霉病流行气象适宜度等级预测方法及计算机系统
CN114239274A (zh) 多源遥感数据驱动指数滤波模型推求根层土壤水的方法
CN118097422A (zh) 一种农业环境监测预警方法
CN109934400B (zh) 基于改进神经网络的集雨调亏作物需水量预测方法
CN110991723A (zh) 一种人工智能在季节性负荷预测中的应用方法
CN107396292B (zh) 一种用于精准农业的土壤湿度信息获取系统
CN115166866A (zh) 基于格点化气象数据的柑橘病虫害发生预报方法及系统
CN115600760A (zh) 一种甘蔗区域单产预测方法及系统
CN114936765A (zh) 一种考虑空间异质性的农业干旱指数构建方法
Bhatt et al. Comparison of different regression models to predict mustard yield in central Punjab
CN117436710B (zh) 一种基于作物模型的干旱评估方法

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
GR01 Patent grant
GR01 Patent grant