CN111667122A - 一种农产品品种农药残留的风险评估方法 - Google Patents

一种农产品品种农药残留的风险评估方法 Download PDF

Info

Publication number
CN111667122A
CN111667122A CN202010546738.3A CN202010546738A CN111667122A CN 111667122 A CN111667122 A CN 111667122A CN 202010546738 A CN202010546738 A CN 202010546738A CN 111667122 A CN111667122 A CN 111667122A
Authority
CN
China
Prior art keywords
pesticide residue
agricultural product
residue content
product variety
risk
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.)
Granted
Application number
CN202010546738.3A
Other languages
English (en)
Other versions
CN111667122B (zh
Inventor
陈琴琴
陈巧特
王丙勤
应梦杰
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.)
Srif Software Co ltd
Original Assignee
Srif Software Co ltd
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 Srif Software Co ltd filed Critical Srif Software Co ltd
Priority to CN202010546738.3A priority Critical patent/CN111667122B/zh
Publication of CN111667122A publication Critical patent/CN111667122A/zh
Application granted granted Critical
Publication of CN111667122B publication Critical patent/CN111667122B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Husbandry (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种农产品品种农药残留的风险评估方法，通过分析农产品品种中农药残留含量在预设时间段内的分布变化规律，得到各农产品品种的农药残留含量值是否具备统计规律，分别针对具有统计规律和无统计规律的农产品品种建立基于风险等级的农药残留风险预测模型和农药残留风险知识库，针对具有统计规律的农产品品种利用其上一个时间段内的农药残留含量值均值作为输入样本数据输入到农药残留风险预测模型，得到该农产品品种在下一个时间段内的农药残留含量值均值，将农产品品种的预测农药残留含量值的均值与预设的农残品风险等级评定列表做匹配对比，得到农产品品种在下一个时间段的农残品风险等级，完成针对农产品品种中农药残留的风险预评估。

Description

一种农产品品种农药残留的风险评估方法
技术领域
本发明涉及农药残留风险评估领域，尤其涉及一种农产品品种农药残留的风险评估方法。
背景技术
在种植农产品品种的时候，为了防治虫害，提高农产品品种的质量，通常会根据需要对农产品品种喷洒农药。在喷洒农药后，这些农药一般在农产品品种中都会有一定的残留期。在该残留期内，如果没有对残留在农产品品种中的残留农药进行处理或者处理不当，一旦人们食用后，就会对人体的身体健康造成较大的危害。因此，为了及时了解农产品品种中的农药残留，以对残留农药做出风险评估，成为当前农产品种植以及加工领域面临的一个问题。
中国发明专利申请CN109255724A公开了一种基于多因子和AHP-E模型的农药残留污染评价方法，通过综合侦测结果中的多属性因子，得到不同农产品、不同时间段的农药残留污染程度；包括：对多种数据集进行预处理；采用层次分析法进行综合评价，得到特定农产品的农残污染指数；通过熵值法对各个时间段内的农残污染进行综合评价，得到特定时间段内的农残污染指数，从而实现有效突出不同时间段农药残留污染程度的差异。
然而，该发明专利申请CN109255724A公开的农药残留污染评价方法是针对农药在以往特定时间段内的农残污染指数情况，其反映的是农产品在以往特定时间段内的农药残留污染程度，却难以对农产品品种在将来一个时间段内的农药残留情况以及农药残留污染程度做出预测，进而也就无法预先针对农产品品种在将来时间段内的农药残留风险预先做出评估。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种农产品品种农药残留的风险评估方法。
本发明解决上述技术问题所采用的技术方案为：一种农产品品种农药残留的风险评估方法，其特征在于，包括如下步骤1至步骤5：
步骤1，获取农产品品种的农药残留含量值概率分布规律性；
步骤2，根据农产品品种的农药残留含量值概率分布规律性做出判断：
当农产品品种的农药残留含量值具有概率分布规律性时，转入步骤3；否则，转入步骤5；
步骤3，建立针对该农产品品种的农药残留风险预测模型；
步骤4，根据农产品品种的当前农药残留含量值以及所述农药残留风险预测模型，预测得到该农产品品种在将来时间的农药残留风险评估等级；
步骤5，建立针对该农产品品种的农药残留风险知识库。
改进地，在所述农产品品种农药残留的风险评估方法中，按照如下步骤a1～a8的方式获取农产品品种的农药残留含量值概率分布规律性：
步骤a1，形成农产品品种的农药残留含量值检测数据库，并在农药残留含量值检测数据库中分别收集农药残留含量值检测数据和农残品检出数据；
步骤a2，分别对农药残留含量值检测数据和农残品检出数据进行数据筛选整理操作和标准化操作，得到标准化农药残留含量值检测数据；其中，数据筛选整理操作为筛选出具有检测时间、农产品品种名称和检测结果的数据；
步骤a3，对若干农产品品种的标准化农药残留含量值检测数据分别做概率分布研究分析，得到标准化农药残留含量值检测数据具有统计规律的农产品品种以及该农产品品种所对应标准化农药残留含量值检测数据的农药残留含量值概率密度函数；其中，在该农产品品种的农药残留含量值概率密度函数中，农药残留含量值大于0的部分服从正态分布，农药残留含量值小于0部分的概率堆积在农药残留含量值为0处；
步骤a4，对各农产品品种的农药残留含量值的检测数据分别做统计，得到各农产品品种的农药残留含量值检测数据的均值和农药残留含量值检测数据的方差；
步骤a5，根据步骤a3所得农产品品种的农药残留含量值概率密度函数以及步骤a4所得农产品品种的农药残留含量值检测数据的均值及方差，分别确定各农产品品种农药残留含量值的概率密度函数；
步骤a6，根据所确定的各农产品品种农药残留含量值的概率密度函数，得到各农产品品种针对不同农药残留含量值所对应的抽样频率；其中，设定所有农产品品种的总数量标记为M，第m个农产品品种标记为Producem，农产品品种Producem针对不同农药残留含量值所对应的抽样频率标记为
Figure BDA0002540960590000021
Figure BDA0002540960590000022
其中，Q1为针对农产品品种Producem抽样的总次数，
Figure BDA0002540960590000023
为针对农产品品种Producem中农药残留含量值不同分段内的抽样总次数，1≤m≤M；
步骤a7，分别获取各农产品品种针对不同农药残留含量值的农残品检出概率；其中，农残品检出概率为任一农产品品种中的农药残留含量值超过预设含量值的抽检次数与针对该任一农产品品种的总抽检次数之间的比值；
步骤a8，分别将各农产品品种针对不同农药残留含量值的抽样频率和发生概率进行比较判断：
当农产品品种的抽样频率与发生概率之间的对比误差超过预设对比误差阈值时，判定该农产品品种的农药残留含量值具有概率分布规律性；否则，判定该农产品品种的农药残留含量值不具有概率分布规律性。
针对步骤3的农药残留风险预测模型，该发明中的农产品品种农药残留的风险评估方法按照如下步骤b1～b8的方式建立针对农产品品种的农药残留风险预测模型：
步骤b1，调取农药残留含量值具有概率分布规律性的所有农产品品种的农药残留含量值的检测数据和农残品检出数据；
步骤b2，分别统计步骤b1中各农产品品种在不同年份内各第一预设时间段的农残品检出率，计算各农产品品种在各第一预设时间段的农残品检出率的均值；
步骤b3，将各农产品品种在各第一预设时间段的农残品检测率的均值与预设的农残品风险等级评定列表做匹配对比，得到各农产品品种分别在各第一预设时间段的农残品风险等级；
步骤b4，构建针对农产品品种农药残留含量值预测模型的训练样本数据集；其中，所述训练样本数据集含有多个作为训练样本数据的农产品品种农药残留含量值；
步骤b5，建立农产品品种农药残留含量值预测模型；其中，所述农产品品种农药残留含量值预测模型为基于支持向量回归方法建立；
步骤b6，将构建的所述训练样本数据集作为输入数据输入到所述农产品品种农药残留含量值预测模型中，以调整得到最优的农产品品种农药残留含量值预测模型；
步骤b7，将当前第一预设时间段内的农药残留含量值的均值输入到所述最优的农产品品种农药残留含量值预测模型，输出得到该农产品品种在下一个第一预设时间段内的预测农药残留含量值的均值；
步骤b8，将农产品品种的预测农药残留含量值的均值与预设的农残品风险等级评定列表做匹配对比，得到农产品品种在下一个第一预设时间段的农残品风险等级。
再进一步地，在所述农产品品种农药残留的风险评估方法中，步骤b4中的训练样本数据为农产品品种在上一个第一预设时间段内每天的农药残留含量均值。
为了更加贴近农产品品种农药残留的风险预评估实际工作，再进一步地，所述第一预设时间段为一个月；其中，在步骤b4中：
当一个月不足30天时，以该月的上一个月的农药残留含量值的均值作为当前一个月的农药残留含量值的均值；
当一个月为31天时，随机删除该当前月份内任一天的农药残留含量值，将当前月份经删除后的农药残留含量值的均值作为下一个月的农药残留含量值的均值。
另外，在该发明中，具有概率分布规律性的农产品品种的农残品检出值的概率密度函数为f(x)：
Figure BDA0002540960590000041
其中，f(x)表示农产品品种的农残品检出概率，x表示农产品品种中的农药残留含量值，μ表示农产品品种中的农药残留含量值的均值，σ表示农产品品种中的农药残留含量值的方差。
针对步骤b5中的农产品品种农药残留含量值预测模型，该发明具体是按照如下步骤s1～s8的方式建立农产品品种农药残留含量值预测模型：
步骤s1，选取构建好的训练样本数据集；其中，训练样本数据集标记为T，T＝{(x1,y1),(x2,y2),…,(xn,yn)}，xi∈RD×1，RD×1表示上一个第一预设时间段内农产品品种在每天的农药残留含量值的均值，D表示第一预设时间段内的总天数，yi∈R1×1表示农产品品种在未来一个第一预设时间段内的农残品检出率的均值，1≤i≤n，n表示样本个数；
步骤s2，选取径向基函数作为支持向量回归的核函数，将所述训练样本数据集内的训练样本数据通过核函数映射到一个高维空间；其中，所述核函数标记为K(xi,xj)：
Figure BDA0002540960590000042
其中，xi为第i个训练样本数据，xj为第j个训练样本数据，δ为径向基函数的控制半径；
步骤s3，利用拟合函数对训练样本数据进行拟合处理；其中，所述拟合函数标记为f(x)：
f(x)＝ω·K(xi,xj)+b；ω表示连接权值，b表示偏置项；
步骤s4，根据所述拟合函数，构建优化该拟合函数参数的目标函数；其中，所述目标函数标记为R(f)：
Figure BDA0002540960590000051
yk为实际的下一个第一预设时间段的农残品检出率的均值，C为惩罚因子；N表示输入的样本总数量；
步骤s5，将所述目标函数做拉格朗日方程处理，得到该目标函数的回归函数形式；其中，该目标函数的回归函数形式为
Figure BDA0002540960590000052
Figure BDA0002540960590000053
k＝1,2,…,N，k为输入的特征维度，
Figure BDA0002540960590000054
和
Figure BDA0002540960590000055
表示拉格朗日乘子，K(x,xk)为核函数；
步骤s6，预先设置针对农产品品种农药残留含量值预测模型的预测精度和惩罚因子，以对所述目标函数做优化构造处理，得到优化构造处理后的函数形式，并求解得到
Figure BDA0002540960590000056
其中，优化构造处理后的函数形式如下：
Figure BDA0002540960590000057
其中，ε为预测精度，ε＞0，惩罚因子C＞0；
Figure BDA0002540960590000058
Figure BDA0002540960590000059
Figure BDA00025409605900000510
α(*)表示拉格朗日乘子法引入的一个系数集，
Figure BDA00025409605900000511
和αi均表示拉格朗日乘子法引入的第i个系数；
步骤s7，对预设区间中
Figure BDA00025409605900000512
的分量
Figure BDA00025409605900000513
或
Figure BDA00025409605900000514
进行选取，并根据核函数、预测精度以及选取的分量，得到偏置项b；其中，所述预设区间为(0,C)：
Figure BDA00025409605900000515
其中，yj表示选取分量
Figure BDA00025409605900000516
所对应实际的下一个第一预设时间段的农残品检出率的均值，yk表示选取分量
Figure BDA00025409605900000517
所对应实际的下一个第一预设时间段的农残品检出率的均值，αi表示步骤s6中求解的拉格朗日乘子；
步骤s8，根据所得拉格朗日乘子
Figure BDA0002540960590000061
和偏置项b，确定拟合函数，得到农产品品种农药残留含量值预测模型：
Figure BDA0002540960590000062
另外，该农产品品种农药残留的风险评估方法中的第一预设时间段可以根据需要进行设置。其中，该发明将第一预设时间段设置为一个月。
另外，作为优选的设置，在所述的农产品品种农药残留的风险评估方法中，所述径向基函数的控制半径δ＝0.1247，所述惩罚因子C＝186.3，所述预测精度ε＝0.01。
另外，针对步骤5，该发明按照如下步骤c1～c4的方式建立针对农产品品种的农药残留风险知识库：
步骤c1，调取农药残留含量值不具有概率分布规律性的所有农产品品种的农残品检出数据；
步骤c2，分别统计步骤c1中各农产品品种在不同年份内各第二预设时间段的农残品检出率，计算各农产品品种在各第二预设时间段的农残品检出率的均值；
步骤c3，将各农产品品种在各第二预设时间段的农残品检测率的均值与预设的农残品风险等级评定列表做匹配对比，得到各农产品品种分别在各第二预设时间段的农残品风险等级；
步骤c4，将各农产品品种在各第二预设时间段的农残品检测率的均值、农产品品种名称以及该农产品品种所对应的农残品风险等级写入新创建的数据库中，从而建立针对农产品品种的农药残留风险知识库。
再进一步地，在所述农产品品种农药残留的风险评估方法中，所述预设的农残品风险等级评定列表包括分别与不同农残品检出率的均值区间相对应的低风险等级评定结果、偏低风险等级评定结果、中等风险等级评定结果、偏高风险等级评定结果和高风险等级评定结果；
在所述预设的农残品风险等级评定列表中，低风险等级评定结果所对应农残品检出率的均值区间的下限值为农产品品种的农残品检出率的最小值，高风险等级评定结果所对应农残品检出率的均值区间的下限值为对应农产品品种的农残品检出率的最大值；所述预设的农残品风险等级评定列表内各风险等级评定结果所对应的农残品检出率的均值区间由针对农产品品种在各第二预设时间段的所有农残品检出率做均匀划分得到。
另外，该农产品品种农药残留的风险评估方法中的第二预设时间段可以根据需要进行设置。其中，该发明将第二预设时间段设置为一个月。
与现有技术相比，本发明的优点在于：通过对农产品品种中农药残留含量在预设时间段内(如每个月内)的分布变化规律进行分析，得到各农产品品种的农药残留含量值是否具备统计规律，然后针对具有统计规律的农产品品种和不具有统计规律的农产品品种分别建立基于风险等级的农药残留风险预测模型和农药残留风险知识库，然后再针对具有统计规律的农产品品种，利用所得上一个预设时间段内的农药残留含量值均值作为输入样本数据输入到农药残留风险预测模型中，输出得到该农产品品种在下一个时间段内的农药残留含量值均值，最后将农产品品种的预测农药残留含量值的均值与预设的农残品风险等级评定列表做匹配对比，得到农产品品种在下一个第一预设时间段的农残品风险等级，从而完成针对农产品品种中农药残留的风险预评估，进而可以为农产品品种的月度监测和监管提供科学依据。当然，该农产品品种农药残留的风险评估方法能够有效地掌握各个农产品品种在不同月份的农残值含量的变化情况，实现未来1个月农残值含量水平的预测，有助于监管部分的合理督查。
附图说明
图1为本发明实施例中的农产品品种农药残留的风险评估方法流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
参见图1所示，本实施例提供一种农产品品种农药残留的风险评估方法。具体地，该农产品品种农药残留的风险评估方法包括如下步骤1至步骤5：
步骤1，获取农产品品种的农药残留含量值概率分布规律性；例如，在该实施例中，按照如下步骤a1～a8的方式获取农产品品种的农药残留含量值概率分布规律性：
步骤a1，形成农产品品种的农药残留含量值检测数据库，并在农药残留含量值检测数据库中分别收集农药残留含量值检测数据和农残品检出数据；
步骤a2，分别对农药残留含量值检测数据和农残品检出数据进行数据筛选整理操作和标准化操作，得到标准化农药残留含量值检测数据；其中，数据筛选整理操作为筛选出具有检测时间、农产品品种名称和检测结果的数据；也就是说，经过数据筛选整理操作后，所筛选后的数据需要具有检测时间、产品品种名称和检测结果；
步骤a3，对若干农产品品种的标准化农药残留含量值检测数据分别做概率分布研究分析，得到标准化农药残留含量值检测数据具有统计规律的农产品品种以及该农产品品种所对应标准化农药残留含量值检测数据的农药残留含量值概率密度函数；其中，在该农产品品种的农药残留含量值概率密度函数中，农药残留含量值大于0的部分服从正态分布，农药残留含量值小于0部分的概率堆积在农药残留含量值为0处；在该实施例中，具有概率分布规律性的农产品品种的农残品检出值的概率密度函数为f(x)：
Figure BDA0002540960590000081
其中，f(x)表示农产品品种的农残品检出概率，x表示农产品品种中的农药残留含量值，μ表示农产品品种中的农药残留含量值的均值，σ表示农产品品种中的农药残留含量值的标准差。
步骤a4，对各农产品品种的农药残留含量值的检测数据分别做统计，得到各农产品品种的农药残留含量值检测数据的均值和农药残留含量值检测数据的方差；
步骤a5，根据步骤a3所得农产品品种的农药残留含量值概率密度函数以及步骤a4所得农产品品种的农药残留含量值检测数据的均值及方差，分别确定各农产品品种农药残留含量值的概率密度函数；
例如，经过计算，农产品品种A的农药残留含量值检测数据的均值标记为μA，农产品品种A的农药残留含量值检测数据的方差标记为
Figure BDA0002540960590000082
对应地，该农产品品种A的农药残留含量值的概率密度函数为fA(x)：
Figure BDA0002540960590000083
步骤a6，根据确定的各农产品品种农药残留含量值的概率密度函数，得到各农产品品种针对不同农药残留含量值所对应的抽样频率；其中，设定所有农产品品种的总数量标记为M，第m个农产品品种标记为Producem，农产品品种Producem针对不同农药残留含量值所对应的抽样频率标记为
Figure BDA0002540960590000084
Figure BDA0002540960590000091
其中，Q1为针对农产品品种Producem抽样的总次数，
Figure BDA0002540960590000092
为针对农产品品种Producem中农药残留含量值不同分段内的抽样总次数，1≤m≤M；
假设针对一个农产品品种Producem，针对其内的农药残留含量值分成了5段，针对第1段农药残留含量值的抽样次数为q1，针对第2段农药残留含量值的抽样次数为q2，针对第3段农药残留含量值的抽样次数为q3，针对第4段农药残留含量值的抽样次数为q4，针对第5段农药残留含量值的抽样次数为q5，那么，针对农产品品种Producem中农药残留含量值不同分段内的抽样次数
Figure BDA0002540960590000093
步骤a7，分别获取各农产品品种针对不同农药残留含量值的农残品检出概率；其中，农残品检出概率为任一农产品品种中的农药残留含量值超过预设含量值的抽检次数与针对该任一农产品品种的总抽检次数之间的比值；
假设针对一个农产品品种V，预设含量值为uth，经过针对该农产品品种V做100次抽检，该农产品品种V中的某一类农药残留含量值超过预设含量值uth的抽检次数为35次，那么，针对该农产品品种V的该类农药残留含量值的农残品检出概率就是35％；
步骤a8，分别将各农产品品种针对不同农药残留含量值的抽样频率和发生概率进行比较判断：
当农产品品种的抽样频率与发生概率之间的对比误差超过预设对比误差阈值时，例如设置的预设对比误差阈值为80％，则判定该农产品品种的农药残留含量值具有概率分布规律性；否则，判定该农产品品种的农药残留含量值不具有概率分布规律性。
步骤2，根据农产品品种的农药残留含量值概率分布规律性做出判断：
当农产品品种的农药残留含量值具有概率分布规律性时，转入步骤3；否则，转入步骤5；
步骤3，建立针对该农产品品种的农药残留风险预测模型；其中，该实施例按照如下步骤b1～b8的方式建立针对农产品品种的农药残留风险预测模型：
步骤b1，调取农药残留含量值具有概率分布规律性的所有农产品品种的农药残留含量值的检测数据和农残品检出数据；
步骤b2，分别统计步骤b1中各农产品品种在不同年份内各第一预设时间段的农残品检出率，计算各农产品品种在各第一预设时间段的农残品检出率的均值；该实施例中的第一预设时间段设置为一个月；
步骤b3，将各农产品品种在各月的农残品检测率的均值与预设的农残品风险等级评定列表做匹配对比，得到各农产品品种分别在各月的农残品风险等级；
步骤b4，构建针对农产品品种农药残留含量值预测模型的训练样本数据集；其中，此处的该训练样本数据集含有多个作为训练样本数据的农产品品种农药残留含量值，训练样本数据为农产品品种在上一个月内每天的农药残留含量均值；其中：
当一个月不足30天时，以该月的上一个月的农药残留含量值的均值作为当前一个月的农药残留含量值的均值；
当一个月为31天时，随机删除该当前月份内任一天的农药残留含量值，将当前月份经删除后的农药残留含量值的均值作为下一个月的农药残留含量值的均值。
步骤b5，建立农产品品种农药残留含量值预测模型；其中，此处的农产品品种农药残留含量值预测模型为基于支持向量回归方法建立；例如，此处的农产品品种农药残留含量值预测模型按照如下步骤s1～s8的方式建立：
步骤s1，选取构建好的训练样本数据集；其中，训练样本数据集标记为T，T＝{(x1,y1),(x2,y2),…,(xn,yn)}，xi∈R30×1，R30×1表示上一个月内农产品品种在每天的农药残留含量值的均值，yi∈R1×1表示农产品品种在未来1个月的农残品检出率的均值，1≤i≤n，n表示样本个数；
步骤s2，选取径向基函数作为支持向量回归的核函数，将所述训练样本数据集内的训练样本数据通过核函数映射到一个高维空间；其中，所述核函数标记为K(xi,xj)：
Figure BDA0002540960590000101
其中，xi为第i个训练样本数据，xj为第j个训练样本数据，δ为径向基函数的控制半径，该实施例中径向基函数的控制半径δ＝0.1247；
步骤s3，利用拟合函数对训练样本数据进行拟合处理；其中，所述拟合函数标记为f(x)：
f(x)＝ω·K(xi,xj)+b；ω表示连接权值，b表示偏置项；
步骤s4，根据所述拟合函数，构建优化该拟合函数参数的目标函数；其中，所述目标函数标记为R(f)：
Figure BDA0002540960590000102
yk为实际的下一个月的农残品检出率的均值，C为惩罚因子，C＞0，N表示输入的样本总数量，该实施例中的惩罚因子C＝186.3；
步骤s5，将所述目标函数做拉格朗日方程处理，得到该目标函数的回归函数形式；其中，该目标函数的回归函数形式为
Figure BDA0002540960590000111
Figure BDA0002540960590000112
k＝1,2,…,N，k为输入的特征维度，
Figure BDA0002540960590000113
和
Figure BDA0002540960590000114
表示拉格朗日乘子，K(x,xk)为核函数；
步骤s6，预先设置针对农产品品种农药残留含量值预测模型的预测精度和惩罚因子，以对所述目标函数做优化构造处理，得到优化构造处理后的函数形式，并求解得到
Figure BDA0002540960590000115
其中，优化构造处理后的函数形式如下：
Figure BDA0002540960590000116
其中，ε为预测精度，ε＞0，例如，预测精度ε＝0.01，惩罚因子C＝186.3；
Figure BDA0002540960590000117
Figure BDA0002540960590000118
α(*)表示拉格朗日乘子法引入的一个系数集，
Figure BDA0002540960590000119
和αi均表示拉格朗日乘子法引入的第i个系数；
步骤s7，对预设区间中
Figure BDA00025409605900001110
的分量
Figure BDA00025409605900001111
或
Figure BDA00025409605900001112
进行选取，并根据核函数、预测精度以及选取的分量，得到偏置项b；其中，该实施例中的预设区间为(0,C)：
Figure BDA00025409605900001113
其中，yj表示选取分量
Figure BDA00025409605900001114
所对应实际的下一个月的农残品检出率的均值，yk表示选取分量
Figure BDA00025409605900001115
所对应实际的下一个月的农残品检出率的均值，αi表示步骤s6中求解的拉格朗日乘子；
步骤s8，根据所得拉格朗日乘子
Figure BDA00025409605900001116
和偏置项b，确定拟合函数，得到农产品品种农药残留含量值预测模型，该农产品品种农药残留含量值预测模型如下公式所示出：
Figure BDA00025409605900001117
步骤b6，将构建的训练样本数据集作为输入数据输入到农产品品种农药残留含量值预测模型中，以调整得到最优的农产品品种农药残留含量值预测模型；
步骤b7，将当前月内的农药残留含量值的均值输入到上述最优的农产品品种农药残留含量值预测模型，输出得到该农产品品种在下一个月内的预测农药残留含量值的均值；
步骤b8，将农产品品种的预测农药残留含量值的均值与预设的农残品风险等级评定列表做匹配对比，得到农产品品种在下一个月的农残品风险等级。
步骤4，根据农产品品种的当前农药残留含量值以及所述农药残留风险预测模型，预测得到该农产品品种在将来时间的农药残留风险评估等级；
步骤5，建立针对该农产品品种的农药残留风险知识库。其中，在该实施例中，按照如下步骤c1～c4的方式建立针对农产品品种的农药残留风险知识库：
步骤c1，调取农药残留含量值不具有概率分布规律性的所有农产品品种的农残品检出数据；
步骤c2，分别统计步骤c1中各农产品品种在不同年份内各第一预设时间段的农残品检出率，计算各农产品品种在各第一预设时间段的农残品检出率的均值；例如，该实施例中的第一预设时间段为一个月；
步骤c3，将各农产品品种在各月的农残品检测率的均值与预设的农残品风险等级评定列表做匹配对比，得到各农产品品种分别在各月的农残品风险等级；其中：
此处的预设的农残品风险等级评定列表包括分别与不同农残品检出率的均值区间相对应的低风险等级评定结果、偏低风险等级评定结果、中等风险等级评定结果、偏高风险等级评定结果和高风险等级评定结果；
在该预设的农残品风险等级评定列表中，低风险等级评定结果所对应农残品检出率的均值区间的下限值为农产品品种的农残品检出率的最小值，高风险等级评定结果所对应农残品检出率的均值区间的下限值为对应农产品品种的农残品检出率的最大值；
预设的农残品风险等级评定列表内各风险等级评定结果所对应的农残品检出率的均值区间由针对农产品品种在各月的所有农残品检出率做均匀划分得到；
步骤c4，将各农产品品种在各月的农残品检测率的均值、农产品品种名称以及该农产品品种所对应的农残品风险等级写入新创建的数据库中，从而建立针对农产品品种的农药残留风险知识库。
尽管以上详细地描述了本发明的优选实施例，但是应该清楚地理解，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种农产品品种农药残留的风险评估方法，其特征在于，包括如下步骤1至步骤5：
步骤1，获取农产品品种的农药残留含量值概率分布规律性；
步骤2，根据农产品品种的农药残留含量值概率分布规律性做出判断：
当农产品品种的农药残留含量值具有概率分布规律性时，转入步骤3；否则，转入步骤5；
步骤3，建立针对该农产品品种的农药残留风险预测模型；
步骤4，根据农产品品种的当前农药残留含量值以及所述农药残留风险预测模型，预测得到该农产品品种在将来时间的农药残留风险评估等级；
步骤5，建立针对该农产品品种的农药残留风险知识库。
2.根据权利要求1所述的农产品品种农药残留的风险评估方法，其特征在于，按照如下步骤a1～a8的方式获取农产品品种的农药残留含量值概率分布规律性：
步骤a1，形成农产品品种的农药残留含量值检测数据库，并在农药残留含量值检测数据库中分别收集农药残留含量值检测数据和农残品检出数据；
步骤a2，分别对农药残留含量值检测数据和农残品检出数据进行数据筛选整理操作和标准化操作，得到标准化农药残留含量值检测数据；其中，数据筛选整理操作为筛选出具有检测时间、农产品品种名称和检测结果的数据；
步骤a3，对若干农产品品种的标准化农药残留含量值检测数据分别做概率分布研究分析，得到标准化农药残留含量值检测数据具有统计规律的农产品品种以及该农产品品种所对应标准化农药残留含量值检测数据的农药残留含量值概率密度函数；其中，在该农产品品种的农药残留含量值概率密度函数中，农药残留含量值大于0的部分服从正态分布，农药残留含量值小于0部分的概率堆积在农药残留含量值为0处；
步骤a4，对各农产品品种的农药残留含量值的检测数据分别做统计，得到各农产品品种的农药残留含量值检测数据的均值和农药残留含量值检测数据的方差；
步骤a5，根据步骤a3所得农产品品种的农药残留含量值概率密度函数以及步骤a4所得农产品品种的农药残留含量值检测数据的均值及方差，分别确定各农产品品种农药残留含量值的概率密度函数；
步骤a6，根据确定的各农产品品种农药残留含量值的概率密度函数，得到各农产品品种针对不同农药残留含量值所对应的抽样频率；其中，设定所有农产品品种的总数量标记为M，第m个农产品品种标记为Producem，农产品品种Producem针对不同农药残留含量值所对应的抽样频率标记为
Figure FDA0002540960580000011
Figure FDA0002540960580000021
其中，Q1为针对农产品品种Producem抽样的总次数，
Figure FDA0002540960580000022
为针对农产品品种Producem中农药残留含量值不同分段内的抽样总次数，1≤m≤M；
步骤a7，分别获取各农产品品种针对不同农药残留含量值的农残品检出概率；其中，农残品检出概率为任一农产品品种中的农药残留含量值超过预设含量值的抽检次数与针对该任一农产品品种的总抽检次数之间的比值；
步骤a8，分别将各农产品品种针对不同农药残留含量值的抽样频率和发生概率进行比较判断：
当农产品品种的抽样频率与发生概率之间的对比误差超过预设对比误差阈值时，判定该农产品品种的农药残留含量值具有概率分布规律性；否则，判定该农产品品种的农药残留含量值不具有概率分布规律性。
3.根据权利要求2所述的农产品品种农药残留的风险评估方法，其特征在于，按照如下步骤b1～b8的方式建立针对农产品品种的农药残留风险预测模型：
步骤b1，调取农药残留含量值具有概率分布规律性的所有农产品品种的农药残留含量值的检测数据和农残品检出数据；
步骤b2，分别统计步骤b1中各农产品品种在不同年份内各第一预设时间段的农残品检出率，计算各农产品品种在各第一预设时间段的农残品检出率的均值；
步骤b3，将各农产品品种在各第一预设时间段的农残品检测率的均值与预设的农残品风险等级评定列表做匹配对比，得到各农产品品种分别在各第一预设时间段的农残品风险等级；
步骤b4，构建针对农产品品种农药残留含量值预测模型的训练样本数据集；其中，所述训练样本数据集含有多个作为训练样本数据的农产品品种农药残留含量值；
步骤b5，建立农产品品种农药残留含量值预测模型；其中，所述农产品品种农药残留含量值预测模型为基于支持向量回归方法建立；
步骤b6，将构建的所述训练样本数据集作为输入数据输入到所述农产品品种农药残留含量值预测模型中，以调整得到最优的农产品品种农药残留含量值预测模型；
步骤b7，将当前第一预设时间段内的农药残留含量值的均值输入到所述最优的农产品品种农药残留含量值预测模型，输出得到该农产品品种在下一个第一预设时间段内的预测农药残留含量值的均值；
步骤b8，将农产品品种的预测农药残留含量值的均值与预设的农残品风险等级评定列表做匹配对比，得到农产品品种在下一个第一预设时间段的农残品风险等级。
4.根据权利要求3所述的农产品品种农药残留的风险评估方法，其特征在于，步骤b4中的训练样本数据为农产品品种在上一个第一预设时间段内每天的农药残留含量均值。
5.根据权利要求4所述的农产品品种农药残留的风险评估方法，其特征在于，所述第一预设时间段为一个月；其中，在步骤b4中：
当一个月不足30天时，以该月的上一个月的农药残留含量值的均值作为当前一个月的农药残留含量值的均值；
当一个月为31天时，随机删除该当前月份内任一天的农药残留含量值，将当前月份经删除后的农药残留含量值的均值作为下一个月的农药残留含量值的均值。
6.根据权利要求5所述的农产品品种农药残留的风险评估方法，其特征在于，具有概率分布规律性的农产品品种的农残品检出值的概率密度函数为f(x)：
Figure FDA0002540960580000031
其中，f(x)表示农产品品种的农残品检出概率，x表示农产品品种中的农药残留含量值，μ表示农产品品种中的农药残留含量值的均值，σ表示农产品品种中的农药残留含量值的方差。
7.根据权利要求1所述的农产品品种农药残留的风险评估方法，其特征在于，步骤b5中的所述农产品品种农药残留含量值预测模型按照如下步骤s1～s8的方式建立：
步骤s1，选取构建好的训练样本数据集；其中，训练样本数据集标记为T，T＝{(x1,y1),(x2,y2),…,(xn,yn)}，xi∈RD×1，RD×1表示上一个第一预设时间段内农产品品种在每天的农药残留含量值的均值，D表示第一预设时间段内的总天数，yi∈R1×1表示农产品品种在未来一个第一预设时间段内的农残品检出率的均值，1≤i≤n，n表示样本个数；
步骤s2，选取径向基函数作为支持向量回归的核函数，将所述训练样本数据集内的训练样本数据通过核函数映射到一个高维空间；其中，所述核函数标记为K(xi,xj)：
Figure FDA0002540960580000032
其中，xi为第i个训练样本数据，xj为第j个训练样本数据，δ为径向基函数的控制半径；
步骤s3，利用拟合函数对训练样本数据进行拟合处理；其中，所述拟合函数标记为f(x)：
f(x)＝ω·K(xi,xj)+b；ω表示连接权值，b表示偏置项；
步骤s4，根据所述拟合函数，构建优化该拟合函数参数的目标函数；其中，所述目标函数标记为R(f)：
Figure FDA0002540960580000041
yk为实际的下一个第一预设时间段的农残品检出率的均值，C为惩罚因子；N表示输入的样本总数量；
步骤s5，将所述目标函数做拉格朗日方程处理，得到该目标函数的回归函数形式；其中，该目标函数的回归函数形式为
Figure FDA00025409605800000415
Figure FDA00025409605800000416
k为输入的特征维度，
Figure FDA0002540960580000044
和
Figure FDA0002540960580000045
表示拉格朗日乘子，K(x,xk)为核函数；
步骤s6，预先设置针对农产品品种农药残留含量值预测模型的预测精度和惩罚因子，以对所述目标函数做优化构造处理，得到优化构造处理后的函数形式，并求解得到
Figure FDA0002540960580000046
其中，优化构造处理后的函数形式如下：
Figure FDA0002540960580000047
其中，ε为预测精度，ε＞0，惩罚因子C＞0；
Figure FDA0002540960580000048
Figure FDA00025409605800000410
α(*)表示拉格朗日乘子法引入的一个系数集，
Figure FDA00025409605800000411
和αi均表示拉格朗日乘子法引入的第i个系数；
步骤s7，对预设区间中
Figure FDA00025409605800000412
的分量
Figure FDA00025409605800000413
或
Figure FDA00025409605800000414
进行选取，并根据核函数、预测精度以及选取的分量，得到偏置项b；其中，所述预设区间为(0,C)：
Figure FDA0002540960580000051
其中，yj表示选取分量
Figure FDA0002540960580000052
所对应实际的下一个第一预设时间段的农残品检出率的均值，yk表示选取分量
Figure FDA0002540960580000053
所对应实际的下一个第一预设时间段的农残品检出率的均值，αi表示步骤s6中求解的拉格朗日乘子；
步骤s8，根据所得拉格朗日乘子
Figure FDA0002540960580000054
和偏置项b，确定拟合函数，得到农产品品种农药残留含量值预测模型：
Figure FDA0002540960580000055
8.根据权利要求7所述的农产品品种农药残留的风险评估方法，其特征在于，所述径向基函数的控制半径δ＝0.1247，所述惩罚因子C＝186.3，所述预测精度ε＝0.01。
9.根据权利要求3～8任一项所述的农产品品种农药残留的风险评估方法，其特征在于，按照如下步骤c1～c4的方式建立针对农产品品种的农药残留风险知识库：
步骤c1，调取农药残留含量值不具有概率分布规律性的所有农产品品种的农残品检出数据；
步骤c2，分别统计步骤c1中各农产品品种在不同年份内各第二预设时间段的农残品检出率，计算各农产品品种在各第二预设时间段的农残品检出率的均值；
步骤c3，将各农产品品种在各第二预设时间段的农残品检测率的均值与预设的农残品风险等级评定列表做匹配对比，得到各农产品品种分别在各第二预设时间段的农残品风险等级；
步骤c4，将各农产品品种在各第二预设时间段的农残品检测率的均值、农产品品种名称以及该农产品品种所对应的农残品风险等级写入新创建的数据库中，从而建立针对农产品品种的农药残留风险知识库。
10.根据权利要求9所述的农产品品种农药残留的风险评估方法，其特征在于，所述预设的农残品风险等级评定列表包括分别与不同农残品检出率的均值区间相对应的低风险等级评定结果、偏低风险等级评定结果、中等风险等级评定结果、偏高风险等级评定结果和高风险等级评定结果；
在所述预设的农残品风险等级评定列表中，低风险等级评定结果所对应农残品检出率的均值区间的下限值为农产品品种的农残品检出率的最小值，高风险等级评定结果所对应农残品检出率的均值区间的下限值为对应农产品品种的农残品检出率的最大值；所述预设的农残品风险等级评定列表内各风险等级评定结果所对应的农残品检出率的均值区间由针对农产品品种在各第二预设时间段的所有农残品检出率做均匀划分得到。
CN202010546738.3A 2020-06-16 2020-06-16 一种农产品品种农药残留的风险评估方法 Active CN111667122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010546738.3A CN111667122B (zh) 2020-06-16 2020-06-16 一种农产品品种农药残留的风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010546738.3A CN111667122B (zh) 2020-06-16 2020-06-16 一种农产品品种农药残留的风险评估方法

Publications (2)

Publication Number Publication Date
CN111667122A true CN111667122A (zh) 2020-09-15
CN111667122B CN111667122B (zh) 2023-05-26

Family

ID=72387913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010546738.3A Active CN111667122B (zh) 2020-06-16 2020-06-16 一种农产品品种农药残留的风险评估方法

Country Status (1)

Country Link
CN (1) CN111667122B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505269A (zh) * 2020-11-24 2021-03-16 中国食品药品检定研究院 一种中药材中农药残留的风险评价方法及系统
CN114154857A (zh) * 2021-12-03 2022-03-08 江苏省农业科学院 农残污染物追溯系统
CN115758888A (zh) * 2022-11-17 2023-03-07 厦门智康力奇数字科技有限公司 一种基于多机器学习算法融合的农产品安全风险评估方法
CN116452020A (zh) * 2023-06-14 2023-07-18 中国农业科学院农业质量标准与检测技术研究所 一种农产品安全性评价方法、装置、设备及存储介质
CN117192015A (zh) * 2023-09-11 2023-12-08 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) 一种枸杞中农药残留的风险评估方法及系统
CN117787510A (zh) * 2024-02-28 2024-03-29 青岛小蜂生物科技有限公司 基于时序预测分析的农药残留监测过程的优化方法
CN118427495A (zh) * 2024-07-04 2024-08-02 武汉上成生物科技有限公司 一种基于大数据的产物含量预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920044A (zh) * 2017-03-07 2017-07-04 北京工商大学 基于模糊综合评价模型的农药残留风险评估方法
CN108416047A (zh) * 2018-03-16 2018-08-17 北京工商大学 一种面向农药残留数据的多维交叉分析方法与系统
US20200042540A1 (en) * 2017-04-17 2020-02-06 Chinese Academy Of Inspection And Quarantine Pesticide residue detection data platform based on high resolution mass spectrum, internet and data science, and method for automatically generating detection report

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920044A (zh) * 2017-03-07 2017-07-04 北京工商大学 基于模糊综合评价模型的农药残留风险评估方法
US20200042540A1 (en) * 2017-04-17 2020-02-06 Chinese Academy Of Inspection And Quarantine Pesticide residue detection data platform based on high resolution mass spectrum, internet and data science, and method for automatically generating detection report
CN108416047A (zh) * 2018-03-16 2018-08-17 北京工商大学 一种面向农药残留数据的多维交叉分析方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTOS A. DAMALAS等: "Pesticide Exposure, Safety Issues, and Risk Assessment Indicators" *
王建华等: "基于贝叶斯网络的农业生产者农药施用行为风险评估" *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505269A (zh) * 2020-11-24 2021-03-16 中国食品药品检定研究院 一种中药材中农药残留的风险评价方法及系统
CN114154857A (zh) * 2021-12-03 2022-03-08 江苏省农业科学院 农残污染物追溯系统
CN115758888A (zh) * 2022-11-17 2023-03-07 厦门智康力奇数字科技有限公司 一种基于多机器学习算法融合的农产品安全风险评估方法
CN115758888B (zh) * 2022-11-17 2024-04-23 厦门智康力奇数字科技有限公司 一种基于多机器学习算法融合的农产品安全风险评估方法
CN116452020A (zh) * 2023-06-14 2023-07-18 中国农业科学院农业质量标准与检测技术研究所 一种农产品安全性评价方法、装置、设备及存储介质
CN116452020B (zh) * 2023-06-14 2023-09-15 中国农业科学院农业质量标准与检测技术研究所 一种农产品安全性评价方法、装置、设备及存储介质
CN117192015A (zh) * 2023-09-11 2023-12-08 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) 一种枸杞中农药残留的风险评估方法及系统
CN117787510A (zh) * 2024-02-28 2024-03-29 青岛小蜂生物科技有限公司 基于时序预测分析的农药残留监测过程的优化方法
CN117787510B (zh) * 2024-02-28 2024-05-03 青岛小蜂生物科技有限公司 基于时序预测分析的农药残留监测过程的优化方法
CN118427495A (zh) * 2024-07-04 2024-08-02 武汉上成生物科技有限公司 一种基于大数据的产物含量预测方法及系统
CN118427495B (zh) * 2024-07-04 2024-09-10 武汉上成生物科技有限公司 一种基于大数据的产物含量预测方法及系统

Also Published As

Publication number Publication date
CN111667122B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN111667122A (zh) 一种农产品品种农药残留的风险评估方法
Urena et al. A machine vision system for seeds quality evaluation using fuzzy logic
CN106157132A (zh) 信用风险监控系统及方法
CN111275341B (zh) 基于lasso及随机森林的高拱坝谷幅变形分析方法
Doehlert et al. Evaluation of oat kernel size uniformity
CN116485020B (zh) 一种基于大数据的供应链风险识别预警方法、系统及介质
CN113822495B (zh) 基于机器学习模型的长势预测方法、装置、设备及介质
CN113688506B (zh) 基于微站等多维数据的潜在大气污染源识别方法
CN104408525B (zh) 作业车间调度风险的量化评估与控制方法
US20080208946A1 (en) Method Of Data Analysis
CN111144738A (zh) 信息处理方法、装置、计算机设备和存储介质
Eddamiri et al. An automatic ensemble machine learning for wheat yield prediction in Africa
CN113919932A (zh) 一种基于贷款申请评分模型的客户评分偏移检测方法
Siriwardena et al. How can assemblage structure indices improve monitoring of change in bird communities using ongoing survey data?
CN114943290B (zh) 一种基于多源数据融合分析的生物入侵识别方法
CN115510945B (zh) 基于主成分和Logistic分析地质灾害概率预报方法
CN113642834B (zh) 基于任务属性优先级映射的任务重要性评价方法和系统
CN113537759A (zh) 一种基于权重自适应的用户体验度量模型
Wielenga Identifying and overcoming common data mining mistakes
US20210157707A1 (en) Transferability determination apparatus, transferability determination method, and recording medium
CN117273467B (zh) 一种基于多因素耦合的工业安全风险管控方法及系统
CN117172607B (zh) 基于公共空间服务的数据采集和项目运营分析系统
CN107767144A (zh) 一种信用评价方法和装置
CN118228130B (zh) 一种基于设备健康状态的监测方法、系统和存储介质
Chiu et al. Stream health index for the Puget Sound Lowland

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