CN111667167A - 一种农业粮食产量估算方法和系统 - Google Patents
一种农业粮食产量估算方法和系统 Download PDFInfo
- Publication number
- CN111667167A CN111667167A CN202010494500.0A CN202010494500A CN111667167A CN 111667167 A CN111667167 A CN 111667167A CN 202010494500 A CN202010494500 A CN 202010494500A CN 111667167 A CN111667167 A CN 111667167A
- Authority
- CN
- China
- Prior art keywords
- estimation
- index
- yield
- unit
- calculating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000012360 testing method Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 6
- 238000010411 cooking Methods 0.000 abstract description 40
- 230000005070 ripening Effects 0.000 description 25
- 241000209094 Oryza Species 0.000 description 18
- 235000007164 Oryza sativa Nutrition 0.000 description 18
- 235000009566 rice Nutrition 0.000 description 18
- 235000013339 cereals Nutrition 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 12
- 238000012272 crop production Methods 0.000 description 10
- 230000032683 aging Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000000546 chi-square test Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 230000010152 pollination Effects 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (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
本发明涉及农业技术领域,特别涉及一种农业粮食产量估算方法和系统。所述一种农业粮食产量估算方法,包括步骤:选择估算区域,根据训练数据训练估算模型;输入估算数据至所述训练后的估算模型,计算得估算结果;所述训练数据包括:估算指标和农作物产量;所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。通过本方法可动态的对不同熟制和不同生长周期的农作物产量进行估算,做到因地制宜、因时制宜地对农作物产量进行估算。
Description
技术领域
本发明涉及农业技术领域,特别涉及一种农业粮食产量估算方法和系统。
背景技术
现有农作物产量估算方法可分为有损测产和无损估产两种。有损测产是稻谷成熟前,测产人员通过田间抽样调查,测算农作物产量,精度较高,但效率低、工期长、只能预测当季产量;无损估产是通过分析影响农作物生长的各种因素,间接估算农作物的产量,常用的方法包括基于农业气象模型估算、利用遥感影像估算等,但这些方法仅适用于特定指标的限制,且需要大量的实验与分析,结果受数据指标、数据质量、算法等多方面的影响,往往只能进行大面积低精度的估算。
发明内容
为此,提出一种农业粮食产量估算方法,用以解决现有农作物估算模型无法做到因地制宜、因时制宜个性化对农作物产量进行估算等问题。具体技术方案如下:
一种农业粮食产量估算方法,包括步骤:
选择估算区域,根据训练数据训练估算模型;
输入估算数据至所述训练后的估算模型,计算得估算结果;
所述训练数据包括:估算指标和农作物产量;
所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。
进一步的,所述“输入估算数据至所述训练后的估算模型,计算得估算结果”,还包括步骤:
选择估算区域,输入所述估算区域内各估算单元的估算指标数据;
根据所述训练后的估算模型计算出所述各估算单元的估算结果;
所述估算结果包括以下中的一种或多种:亩产量、总产量、各估算指标权重值、各相似度值、相似估算单元。
进一步的,还包括步骤:
对各估算单元的亩产量乘以面积并对结果进行加和,计算得所述估算区域的农作物产量估算结果。
进一步的,所述估算模型包括:估算指标权重核算模块、估算单元相似性度量模块和估算单元产量预估模块;
所述估算指标权重核算模块用于:核算不同类型的估算指标的权重值;
所述估算单元相似性度量模块用于:从训练数据中计算出与待估算单元估算指标值最相似的估算单元;
所述估算单元产量预估模块用于:估算所述待估算单元的农作物产量。
进一步的,所述“根据训练数据训练估算模型”,还包括步骤:
输入测试数据至训练后的估算模型,计算得测试结果。
为解决上述技术问题,还提供了一种农业粮食产量估算系统,具体技术方案如下:
一种农业粮食产量估算系统,包括:存储设备,所述存储设备存储有指令集,所述指令集用于执行:
选择估算区域,根据训练数据训练估算模型;
输入估算数据至所述训练后的估算模型,计算得估算结果;
所述训练数据包括:估算指标和农作物产量;
所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。
进一步的,所述指令集还用于执行:
所述“输入估算数据至所述训练后的估算模型,计算得估算结果”,还包括步骤:
选择估算区域,输入所述估算区域内各估算单元的估算指标数据;
根据所述训练后的估算模型计算出所述各估算单元的估算结果;
所述估算结果包括以下中的一种或多种:亩产量、总产量、各估算指标权重值、各相似度值、相似估算单元。
进一步的,所述指令集还用于执行:
对各估算单元的亩产量乘以面积并对结果进行加和,计算得所述估算区域的农作物产量估算结果。
进一步的,所述指令集还用于执行:
所述估算模型包括:估算指标权重核算模块、估算单元相似性度量模块和估算单元产量预估模块;
所述估算指标权重核算模块用于:核算不同类型的估算指标的权重值;
所述估算单元相似性度量模块用于:从训练数据中计算出与待估算单元估算指标值最相似的估算单元;
所述估算单元产量预估模块用于:估算所述待估算单元的农作物产量。
进一步的,所述指令集还用于执行:
所述“根据训练数据训练估算模型”,还包括步骤:
输入测试数据至训练后的估算模型,计算得测试结果。
本发明的有益效果是:本方案中的训练数据包括:估算指标和农作物产量;其中所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。使得根据该训练数据训练估算模型,输入估算数据至所述训练后的估算模型,计算得的估算结果可以根据时间变化,来修正农作物产量估算结果,可动态的对不同熟制和不同生长周期的农作物产量进行估算,做到因地制宜、因时制宜地对农作物产量进行估算。
附图说明
图1为具体实施方式所述一种农业粮食产量估算方法的流程图;
图2为具体实施方式所述估算模型示意图;
图3为具体实施方式所述一种农业粮食产量估算系统的模块示意图。
附图标记说明:
300、农业粮食产量估算系统;
301、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1至图2,在本实施方式中,一种农业粮食产量估算方法可应用在一种农业粮食产量估算系统上,所述农业粮食产量估算系统包括存储设备。
具体实施如下:
首先对本实施方式中会涉及的一些名词做以下解释说明:
在本实施方式中,所述农作物指农业上栽培的各种植物,如:小麦、水稻、花生、玉米等等。
估算单元:用于农作物产量估算的最小单元,一般以农作物生产的最小要素——地块作为估算单元,也可以使用格网或其他任意形状的区域作为估算单元。
估算区域:需要进行农作物产量估算的空间范围,可以是地块、村庄、乡镇、县、市、省,或任意边界的区域,估算区域必须包含至少一个估算单元。
估算指标:影响农作物产量的因素,如:土壤中氮、磷、钾含量,气温、降水、日照时间等。特别的,本方案中根据估算指标随时间变化的频率,将估算指标分为本底指标、时序指标、事件指标。不同类型的估算指标在估算模型中对应不同的算法。
本底指标:是指自然状态下性状相对稳定、年变化幅度较小、可能对农作物生产有影响的因素及其对应的数据,如土壤质地、土壤类型等。本底指标取值为连续型变量值与离散型变量两种。
时序指标:是指随时序连续变化的、对农作物生产有影响的因素及其对应的数据,如气温、降水等。时序指标取值为连续型变量值与离散型变量两种。
事件指标:是指频率较低偶然发生的影响农作物生产的因素及其对应的事件。如气象灾害等。事件指标取值为事件发生等级,当某估算单元在某时段发生多次事件时,则取事件等级的均值(向上取整)。如:在2019年3月,某地块所在区域共发生3次暴雨灾害事件(暴雨预警共4级,由低到高依次为红色预警为1级、橙色预警为2级、黄色预警为3级、蓝色预警为4级)分别为:暴雨黄色预警记为3,橙色预警记为2,黄色预警记为3,取3次事件等级的均值为2。
估算模型:按一定顺序组织的用于估算区域农作物产量估算的算法集合。
训练数据:用于确定估算模型运行参数的数据集合,包括估算指标和农作物产量两部分,一般占估算区域所有记录的70%。
测试数据:用于评估估算模型估算效果的数据集合,包括估算指标和农作物产量两部分,一般占估算区域所有记录的30%。
在本实施方式中,农作物产量特指农作物亩产量。
以下具体展开说明
步骤S101:选择估算区域,根据训练数据训练估算模型。
步骤S102:输入估算数据至所述训练后的估算模型,计算得估算结果;所述训练数据包括:估算指标和农作物产量;所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。
本方案中的训练数据包括:估算指标和农作物产量;其中所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。使得根据该训练数据训练估算模型,输入估算数据至所述训练后的估算模型,计算得的估算结果可以根据时间变化,来修正农作物产量估算结果,可动态的对不同熟制和不同生长周期的农作物产量进行估算,做到因地制宜、因时制宜地对农作物产量进行估算。
如图2所示,在本实施方式中,所述估算模型包括:估算指标权重核算模块、估算单元相似性度量模块和估算单元产量预估模块;
所述估算指标权重核算模块用于:核算不同类型的估算指标的权重值;
所述估算单元相似性度量模块用于:从训练数据中计算出与待估算单元估算指标值最相似的估算单元;
所述估算单元产量预估模块用于:估算所述待估算单元的农作物产量。
在本实施方式中,所述“根据训练数据训练估算模型”,还包括步骤:
Step1:输入训练数据。
Step2:估算指标权重核算模块根据所述训练数据计算各估算指标权重。
Step3:基于所述训练数据更新相似性度量算法参数。
Step4:基于所述训练数据更新产量预估算法参数。
以下结合对三个模块展开具体说明来进一步解释说明上述步骤:
估算指标权重核算模块
不同类型的估算指标采用不同的权重核算方法。设估算指标按顺序依次编号为1至n,估算区域内估算单元按顺序依次编号为1至m,不同批次的农作物亩产量依次编号为1至q,任意估算单元的在任意批次农作物亩产量和估算指标共同构成1条记录。
本底指标权重核算方法如下:
本方法主要核算不同本底指标对农作物亩产量的影响。
1、本底指标
(1)连续型本底指标
对于任意指标ai,其权重wi计算公式如下:
上式中,ai,j为估算指标ai在估算单元j的值,为所有估算单元估算指标ai的平均值;pk,j为估算单元j在第k次的农作物亩产量值,为第k次所有估算单元产量的平均值;cov(ai,pk)为各估算单元第k次农作物亩产量与估算指标ai的协方差;δai为各估算单元间估算指标ai的方差;δpk为各估算单元间第k次的农作物亩产量值的方差;ρi,k为估算指标ai与第k次的农作物亩产量值之间的相关系数;wi为估算指标ai的权重,取q批农作物亩产量与估算指标相关系数的平均值。
(2)离散型本底指标
对于指标值为离散型的本底指标,采用如下的方法计算其权重。
利用系统聚类的方法,以不同批次不同估算单元的农作物亩产量的差值dp作为衡量两个批次距离的衡量标准,对不同批次不同估算单元的农作物亩产量进行聚类,并划分为u类,记为Clusteru,其中u为用户输入的类别数。
设离散型本底指标aj的变量域为{v1,…,vg},样本区间分为g×u份,利用卡方检验计算离散型本底指标的权重wj,其公式如下:
上式中,E为假设指标aj与亩产量p相互独立条件下,第e份样本区间的期望值,fe为第e份样本区间的实际值,即落入第e份样本区间的产量记录数,f(x2,g×u)为自由度为g×u,显著性为x2时,卡方检验临界值表中的对应值。
时序指标权重核算方法
农作物在不同的地区具有不同的熟制,生长周期各阶段持续时间也存在差异。其中,熟制是指农作物的农业制度与成熟时间,如一年两熟、两年三熟、一年一熟等,以水稻为例,水稻根据熟制不同可以分为早稻、中稻、晚稻、一季晚稻、双季晚稻等类型。本申请以h表示估算单元的熟制,共有H类。生长周期是指农作物从育种到收获这段时间的生长变化,以水稻为例,生长周期包括幼苗期、插秧期、分蘖期、拔节期、孕穗期、抽穗期、扬花授粉期、灌浆期等。本申请以t表示农作物从育种到成熟各阶段的持续时间,时间单位可以是天、小时,或任意的其他单位,最大值为T。
(1)连续型时序指标
对于指标值为离散型的时序指标,采用如下的方法计算其权重。
设bt为时变指标ai在任意最小统计时段的值,则估算指标ai的权重wi计算方式如下。
上式中,bt,h,j为估算指标ai在熟制为h、时段为t时在估算单元j的值,为所有估算单元的估算指标ai在熟制为h、时段为t时的平均值;pk,h,j为估算单元j在熟制为h时第k次的农作物亩产量值,为熟制为h时第k次所有估算单元亩产量的平均值;cov(bt,h,pk,h)为在熟制为h时各估算单元第k次农作物亩产量与估算指标ai在t时段的协方差;δbt,h为在熟制为h时各估算单元间估算指标ai在t时段的方差;δpk,h为在熟制为h时各估算单元间第k次的农作物亩产量值的方差;wt,h,i为在熟制为h、时段为t时,估算指标ai的权重;wh,i为在熟制为h时,估算指标ai的权重;wi为估算指标ai的权重。
(2)离散型时变指标
对于指标值为离散型的时序指标,采用如下的方法计算其权重。
设bt为时变指标ai在任意最小统计时段的值,则估算指标ai的权重wi计算方式如下。
利用系统聚类的方法,对熟制为h,时段为t时,不同估算单元农作物亩产量的差值dp,h,t作为衡量距离的标准进行聚类,并划分为u类,记为Clusteru,其中u为用户输入的类别数。
设离散型时序指标ai的变量域为{v1,…,vg},样本区间分为g×u份,利用卡方检验计算离散型本底指标的权重wj,其公式如下:
上式中,Et,h为熟制为h,时段为t时,假设指标ai与产量p相互独立的条件下,第e份样本区间的期望值;fe,t,h为熟制为h,时段为t时第e份样本区间的实际值,即落入第e份样本区间的亩产量记录数;为自由度为g×u,显著性为时,卡方检验临界值表中的对应值;wt,h为熟制为h,时段为t时,指标ai的权重;wh为熟制为h时,指标ai的权重;wi为ai的权重。
传统的农作物估产模型仅适用于特定指标的限制,而本方案即适用于连续型指标,亦适用于离散型指标,且可根据区域特征和数据情况自由选择参与核算的估算指标,大大提高了模型的适用范围。
事件指标
事件指标以影响农作物生产的各种灾害事件为主,指标值为各类灾害的等级。设熟制为h时,对于变量域为{v1,…vg}的事件指标ai,农作物生长周期的各阶段分别为{c1,…cr},样本区间为g×r份,利用卡方检验计算其权重wi。
上式中,Er,h为熟制为h、生长周期为r时,假设指标ai与亩产量p相互独立的条件下,第e份样本区间的期望值;qr,h为熟制为h、生长周期为r时产量批次数;mr,h为熟制为h、生长周期为r时估算单元数;fe,r,h为熟制为h、生长周期为r时第e份样本区间的实际值,即落入第e份样本区间的亩产量记录数;为自由度为g×r,显著性为时,卡方检验临界值表中的对应值;wr,h为熟制为h,生长周期为r时,指标ai的权重;wh为熟制为h,指标ai的权重;wi为ai的权重。
估算单元相似性度量模块
一、估算单元间估算指标相似性度量
相似性度量模块用于从训练数据中找出与待估算单元估算指标值最相似的估算单元。设待估算单元yα与任意训练数据中的估算单元yβ间估算指标ai的距离d的计算方式如下。
1、本底指标间的距离
上式中,AscNum()方法返回α与β的距离在α与所有估算单元间距离(按距离升序排列)中的顺序号;IsEqual()方法,当α与β的值相同时返回1,不同时返回0。
2、时序指标间的距离
(1)相同熟制,相同时段下连续型时序指标间的距离
(2)相同熟制下连续型时序指标间的距离
(3)连续型时序指标间的距离
(4)相同熟制、相同时段下离散型时序指标的距离
dα,β,i,h,t=IsEqual(ai,α,ai,β)
(5)相同熟制下离散型时序指标的距离
(6)离散型时序指标的距离
3、事件指标的距离
(1)相同熟制,相同生长周期下事件指标的距离
(2)相同熟制下事件指标的距离
(3)事件指标的距离
二、整体相似性度量
设不同农作物生产记录α与β间的相似性为rα,β,则rα,β采用如下的核算方法:1、总体相似度
2、熟制相似度
3、时间相似度
4、生长周期相似度
估算单元产量预估模块
基于相似度的度量,用户可以对估算单元的农作物亩产量进行估算,估算基于以下的方法实现。
Step1:输入估算单元各估算指标的值;
Step2:计算输入估算单元与模型中其他估算单元的总体相似度rall、熟制相似度rh;
Step3:特别的,如果输入估算单元的农作物正处于生长状态,则进一步计算输入估算单元与模型中其他估算单元的时间相似度rt、生长周期相似度rr。
Step4:按如下的算法预估农作物亩产量p、相同熟制下农作物亩产量ph、当前生长状态下农作物亩产量pnow。
p=f(rall)
ph=f(rall×rh)
pnow=f(rall×rh×rt×rr)
上式中,r()将输入估算单元与模型中任意记录的相似度按降序排列,以相似度与产量乘积的加权平均作为输出结果,即预估的农作物产量结果。特别的,n可以由用户指定,但n的取值范围在1和模型所有记录数之间的整数,当用户指定n后,r()只取排在前n位的记录进行估算。
Step5:输出模型核算结果,包括估算结果p、ph、pnow(若估算单元中的农作物处于生长状态),以及模型中各记录的总体相似度、熟制相似度、时间相似度、生长周期相似度、估算指标和亩产量。
进一步的,在本实施方式中,为了提高估算模型结果的精确度,所述“根据训练数据训练估算模型”,还包括步骤:输入测试数据至训练后的估算模型,计算得测试结果。具体可如下:
模型训练完成后,输入测试数据对模型的估算效果进行测试,设共有n条测试数据,其步骤如下。
Step1:计算预测亩产量与实际亩产量的偏差bias,方差D和标准差δ。
Step2:输出模型测试结果,包括所有测试记录的实际亩产量值、预测亩产量值、偏差、方差和标准差。
根据输出测试结果判断所述估算模型是否合格,若所述估算模型合格,则确认好估算模型后,所述“输入估算数据至所述训练后的估算模型,计算得估算结果”,还包括步骤:
选择估算区域,输入所述估算区域内各估算单元的估算指标数据;
根据所述训练后的估算模型计算出所述各估算单元的估算结果;
所述估算结果包括以下中的一种或多种:亩产量、总产量、各估算指标权重值、各相似度值、相似估算单元。
其中总产量可包括:一个估算单元的总产量,亦可以是一个估算区域的总产量。
相似估算单元包括了与各估算单元最相似的相似估算单元。
各相似度值包括了:总体相似度、熟制相似度、时间相似度和生长周期相似度。
进一步的,还包括步骤:
对各估算单元的亩产量乘以面积并对结果进行加和,计算得所述估算区域的农作物产量估算结果。
可输出估算区域的产量估算结果、各估算单元的模型核算结果、模型测试结果。
请参阅图2至图3,在本实施方式中,一种农业粮食产量估算系统300的具体实施方式如下:
所述农业粮食产量估算系统300包括存储设备301,所述农业粮食产量估算系统包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端等。具体实施如下:
首先对本实施方式中会涉及的一些名词做以下解释说明:
估算单元:用于农作物产量估算的最小单元,一般以农作物生产的最小要素——地块作为估算单元,也可以使用格网或其他任意形状的区域作为估算单元。
估算区域:需要进行农作物产量估算的空间范围,可以是地块、村庄、乡镇、县、市、省,或任意边界的区域,估算区域必须包含至少一个估算单元。
估算指标:影响农作物产量的因素,如:土壤中氮、磷、钾含量,气温、降水、日照时间等。特别的,本方案中根据估算指标随时间变化的频率,将估算指标分为本底指标、时序指标、事件指标。不同类型的估算指标在估算模型中对应不同的算法。
本底指标:是指自然状态下性状相对稳定、年变化幅度较小、可能对农作物生产有影响的因素及其对应的数据,如土壤质地、土壤类型等。本底指标取值为连续型变量值与离散型变量两种。
时序指标:是指随时序连续变化的、对农作物生产有影响的因素及其对应的数据,如气温、降水等。时序指标取值为连续型变量值与离散型变量两种。
事件指标:是指频率较低偶然发生的影响农作物生产的因素及其对应的事件。如气象灾害等。事件指标取值为事件发生等级,当某估算单元在某时段发生多次事件时,则取事件等级的均值(向上取整)。在2019年3月,某地块所在区域共发生3次暴雨灾害事件(暴雨预警共4级,由低到高依次为红色预警为1级、橙色预警为2级、黄色预警为3级、蓝色预警为4级)分别为:暴雨黄色预警记为3,橙色预警记为2,黄色预警记为3,取3次事件等级的均值为2。
估算模型:按一定顺序组织的用于估算区域农作物产量估算的算法集合。
训练数据:用于确定估算模型运行参数的数据集合,包括估算指标和农作物产量两部分,一般占估算区域所有记录的70%。
测试数据:用于评估估算模型估算效果的数据集合,包括估算指标和农作物产量两部分,一般占估算区域所有记录的30%。
在本实施方式中,农作物产量特指农作物亩产量。
以下具体展开说明
所述存储设备301存储有指令集,所述指令集用于执行:
步骤S301:选择估算区域,根据训练数据训练估算模型。
步骤S302:输入估算数据至所述训练后的估算模型,计算得估算结果;所述训练数据包括:估算指标和农作物产量;所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。
本方案中的训练数据包括:估算指标和农作物产量;其中所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。使得根据该训练数据训练估算模型,输入估算数据至所述训练后的估算模型,计算得的估算结果可以根据时间变化,来修正农作物产量估算结果,可动态的对不同熟制和不同生长周期的农作物产量进行估算,做到因地制宜、因时制宜地对农作物产量进行估算。
如图2所示,在本实施方式中,所述估算模型包括:估算指标权重核算模块、估算单元相似性度量模块和估算单元产量预估模块;
所述估算指标权重核算模块用于:核算不同类型的估算指标的权重值;
所述估算单元相似性度量模块用于:从训练数据中计算出与待估算单元估算指标值最相似的估算单元;
所述估算单元产量预估模块用于:估算所述待估算单元的农作物产量。
在本实施方式中,所述“根据训练数据训练估算模型”,还包括步骤:
Step1:输入训练数据。
Step2:估算指标权重核算模块根据所述训练数据计算各估算指标权重。
Step3:基于所述训练数据更新相似性度量算法参数。
Step4:基于所述训练数据更新产量预估算法参数。
以下结合对三个模块展开具体说明来进一步解释说明上述步骤:
估算指标权重核算模块
不同类型的估算指标采用不同的权重核算方法。设估算指标按顺序依次编号为1至n,估算区域内估算单元按顺序依次编号为1至m,不同批次的农作物亩产量依次编号为1至q,任意估算单元的在任意批次农作物亩产量和估算指标共同构成1条记录。
本底指标权重核算方法如下:
本方法主要核算不同本底指标对农作物亩产量的影响。
1、本底指标
(1)连续型本底指标
对于任意指标ai,其权重wi计算公式如下:
上式中,ai,j为估算指标ai在估算单元j的值,为所有估算单元估算指标ai的平均值;pk,j为估算单元j在第k次的农作物亩产量值,为第k次所有估算单元产量的平均值;cov(ai,pk)为各估算单元第k次农作物亩产量与估算指标ai的协方差;δai为各估算单元间估算指标ai的方差;δpk为各估算单元间第k次的农作物亩产量值的方差;ρi,k为估算指标ai与第k次的农作物亩产量值之间的相关系数;wi为估算指标ai的权重,取q批农作物亩产量与估算指标相关系数的平均值。
(2)离散型本底指标
对于指标值为离散型的本底指标,采用如下的方法计算其权重。
利用系统聚类的方法,以不同批次不同估算单元的农作物亩产量的差值dp作为衡量两个批次距离的衡量标准,对不同批次不同估算单元的农作物亩产量进行聚类,并划分为u类,记为Clusteru,其中u为用户输入的类别数。
设离散型本底指标aj的变量域为{v1,…,vg},样本区间分为g×u份,利用卡方检验计算离散型本底指标的权重wj,其公式如下:
上式中,E为假设指标aj与亩产量p相互独立条件下,第e份样本区间的期望值,fe为第e份样本区间的实际值,即落入第e份样本区间的产量记录数,f(x2,g×u)为自由度为g×u,显著性为x2时,卡方检验临界值表中的对应值。
时序指标权重核算方法
农作物在不同的地区具有不同的熟制,生长周期各阶段持续时间也存在差异。其中,熟制是指农作物的农业制度与成熟时间,如一年两熟、两年三熟、一年一熟等,以水稻为例,水稻根据熟制不同可以分为早稻、中稻、晚稻、一季晚稻、双季晚稻等类型。本申请以h表示估算单元的熟制,共有H类。生长周期是指农作物从育种到收获这段时间的生长变化,以水稻为例,生长周期包括幼苗期、插秧期、分蘖期、拔节期、孕穗期、抽穗期、扬花授粉期、灌浆期等。本申请以t表示农作物从育种到成熟各阶段的持续时间,时间单位可以是天、小时,或任意的其他单位,最大值为T。
(1)连续型时序指标
对于指标值为离散型的时序指标,采用如下的方法计算其权重。
设bt为时变指标ai在任意最小统计时段的值,则估算指标ai的权重wi计算方式如下。
上式中,bt,h,j为估算指标ai在熟制为h、时段为t时在估算单元j的值,为所有估算单元的估算指标ai在熟制为h、时段为t时的平均值;pk,h,j为估算单元j在熟制为h时第k次的农作物亩产量值,为熟制为h时第k次所有估算单元亩产量的平均值;cov(bt,h,pk,h)为在熟制为h时各估算单元第k次农作物亩产量与估算指标ai在t时段的协方差;δbt,h为在熟制为h时各估算单元间估算指标ai在t时段的方差;δpk,h为在熟制为h时各估算单元间第k次的农作物亩产量值的方差;wt,h,i为在熟制为h、时段为t时,估算指标ai的权重;wh,i为在熟制为h时,估算指标ai的权重;wi为估算指标ai的权重。
(2)离散型时变指标
对于指标值为离散型的时序指标,采用如下的方法计算其权重。
设bt为时变指标ai在任意最小统计时段的值,则估算指标ai的权重wi计算方式如下。
利用系统聚类的方法,对熟制为h,时段为t时,不同估算单元农作物亩产量的差值dp,h,t作为衡量距离的标准进行聚类,并划分为u类,记为Clusteru,其中u为用户输入的类别数。
设离散型时序指标ai的变量域为{v1,…,vg},样本区间分为g×u份,利用卡方检验计算离散型本底指标的权重wj,其公式如下:
上式中,Et,h为熟制为h,时段为t时,假设指标ai与产量p相互独立的条件下,第e份样本区间的期望值;fe,t,h为熟制为h,时段为t时第e份样本区间的实际值,即落入第e份样本区间的亩产量记录数;为自由度为g×u,显著性为时,卡方检验临界值表中的对应值;wt,h为熟制为h,时段为t时,指标ai的权重;wh为熟制为h时,指标ai的权重;wi为ai的权重。
传统的农作物估产模型仅适用于特定指标的限制,而本方案即适用于连续型指标,亦适用于离散型指标,且可根据区域特征和数据情况自由选择参与核算的估算指标,大大提高了模型的适用范围。
事件指标
事件指标以影响农作物生产的各种灾害事件为主,指标值为各类灾害的等级。设熟制为h时,对于变量域为{v1,…vg}的事件指标ai,农作物生长周期的各阶段分别为{c1,…cr},样本区间为g×r份,利用卡方检验计算其权重wi。
上式中,Er,h为熟制为h、生长周期为r时,假设指标ai与亩产量p相互独立的条件下,第e份样本区间的期望值;qr,h为熟制为h、生长周期为r时产量批次数;mr,h为熟制为h、生长周期为r时估算单元数;fe,r,h为熟制为h、生长周期为r时第e份样本区间的实际值,即落入第e份样本区间的亩产量记录数;为自由度为g×r,显著性为时,卡方检验临界值表中的对应值;wr,h为熟制为h,生长周期为r时,指标ai的权重;wh为熟制为h,指标ai的权重;wi为ai的权重。
估算单元相似性度量模块
一、估算单元间估算指标相似性度量
相似性度量模块用于从训练数据中找出与待估算单元估算指标值最相似的估算单元。设待估算单元yα与任意训练数据中的估算单元yβ间估算指标ai的距离d的计算方式如下。
1、本底指标间的距离
上式中,AscNum()方法返回α与β的距离在α与所有估算单元间距离(按距离升序排列)中的顺序号;IsEqual()方法,当α与β的值相同时返回1,不同时返回0。
2、时序指标间的距离
(1)相同熟制,相同时段下连续型时序指标间的距离
(2)相同熟制下连续型时序指标间的距离
(3)连续型时序指标间的距离
(4)相同熟制、相同时段下离散型时序指标的距离
dα,β,i,h,t=IsEqual(ai,α,ai,β)
(5)相同熟制下离散型时序指标的距离
(6)离散型时序指标的距离
3、事件指标的距离
(1)相同熟制,相同生长周期下事件指标的距离
(2)相同熟制下事件指标的距离
(3)事件指标的距离
二、整体相似性度量
设不同农作物生产记录α与β间的相似性为rα,β,则rα,β采用如下的核算方法:
1、总体相似度
2、熟制相似度
3、时间相似度
4、生长周期相似度
估算单元产量预估模块
基于相似度的度量,用户可以对估算单元的农作物亩产量进行估算,估算基于以下的方法实现。
Step1:输入估算单元各估算指标的值;
Step2:计算输入估算单元与模型中其他估算单元的总体相似度rall、熟制相似度rh;
Step3:特别的,如果输入估算单元的农作物正处于生长状态,则进一步计算输入估算单元与模型中其他估算单元的时间相似度rt、生长周期相似度rr。
Step4:按如下的算法预估农作物亩产量p、相同熟制下农作物亩产量ph、当前生长状态下农作物亩产量pnow。
p=f(rall)
ph=f(rall×rh)
pnow=f(rall×rh×rt×rr)
上式中,f()将输入估算单元与模型中任意记录的相似度按降序排列,以相似度与产量乘积的加权平均作为输出结果,即预估的农作物产量结果。特别的,n可以由用户指定,但n的取值范围在1和模型所有记录数之间的整数,当用户指定n后,f()只取排在前n位的记录进行估算。
Step5:输出模型核算结果,包括估算结果p、ph、pnow(若估算单元中的农作物处于生长状态),以及模型中各记录的总体相似度、熟制相似度、时间相似度、生长周期相似度、估算指标和亩产量。
进一步的,在本实施方式中,为了提高估算模型结果的精确度,所述“根据训练数据训练估算模型”,还包括步骤:输入测试数据至训练后的估算模型,计算得测试结果。具体可如下:
模型训练完成后,输入测试数据对模型的估算效果进行测试,设共有n条测试数据,其步骤如下。
Step1:计算预测亩产量与实际亩产量的偏差bias,方差D和标准差δ。
Step2:输出模型测试结果,包括所有测试记录的实际亩产量值、预测亩产量值、偏差、方差和标准差。
根据输出测试结果判断所述估算模型是否合格,若所述估算模型合格,则确认好估算模型后,所述“输入估算数据至所述训练后的估算模型,计算得估算结果”,还包括步骤:
选择估算区域,输入所述估算区域内各估算单元的估算指标数据;
根据所述训练后的估算模型计算出所述各估算单元的估算结果;
所述估算结果包括以下中的一种或多种:亩产量、总产量、各估算指标权重值、各相似度值、相似估算单元。
其中总产量可包括:一个估算单元的总产量,亦可以是一个估算区域的总产量。
相似估算单元包括了与各估算单元最相似的相似估算单元。
各相似度值包括了:总体相似度、熟制相似度、时间相似度和生长周期相似度。
进一步的,还包括步骤:
对各估算单元的亩产量乘以面积并对结果进行加和,计算得所述估算区域的农作物产量估算结果。
可输出估算区域的产量估算结果、各估算单元的模型核算结果、模型测试结果。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或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,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种农业粮食产量估算方法,其特征在于,包括步骤:
选择估算区域,根据训练数据训练估算模型;
输入估算数据至所述训练后的估算模型,计算得估算结果;
所述训练数据包括:估算指标和农作物产量;
所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。
2.根据权利要求1所述的一种农业粮食产量估算方法,其特征在于,所述“输入估算数据至所述训练后的估算模型,计算得估算结果”,还包括步骤:
选择估算区域,输入所述估算区域内各估算单元的估算指标数据;
根据所述训练后的估算模型计算出所述各估算单元的估算结果;
所述估算结果包括以下中的一种或多种:亩产量、总产量、各估算指标权重值、各相似度值、相似估算单元。
3.根据权利要求2所述的一种农业粮食产量估算方法,其特征在于,还包括步骤:
对各估算单元的亩产量乘以面积并对结果进行加和,计算得所述估算区域的农作物产量估算结果。
4.根据权利要求1所述的一种农业粮食产量估算方法,其特征在于,
所述估算模型包括:估算指标权重核算模块、估算单元相似性度量模块和估算单元产量预估模块;
所述估算指标权重核算模块用于:核算不同类型的估算指标的权重值;
所述估算单元相似性度量模块用于:从训练数据中计算出与待估算单元估算指标值最相似的估算单元;
所述估算单元产量预估模块用于:估算所述待估算单元的农作物产量。
5.根据权利要求1所述的一种农业粮食产量估算方法,其特征在于,所述“根据训练数据训练估算模型”,还包括步骤:
输入测试数据至训练后的估算模型,计算得测试结果。
6.一种农业粮食产量估算系统,其特征在于,包括:存储设备,所述存储设备存储有指令集,所述指令集用于执行:
选择估算区域,根据训练数据训练估算模型;
输入估算数据至所述训练后的估算模型,计算得估算结果;
所述训练数据包括:估算指标和农作物产量;
所述估算指标包括以下中的一种或多种:本底指标、时序指标、事件指标。
7.根据权利要求6所述的一种农业粮食产量估算系统,其特征在于,所述指令集还用于执行:
所述“输入估算数据至所述训练后的估算模型,计算得估算结果”,还包括步骤:
选择估算区域,输入所述估算区域内各估算单元的估算指标数据;
根据所述训练后的估算模型计算出所述各估算单元的估算结果;
所述估算结果包括以下中的一种或多种:亩产量、总产量、各估算指标权重值、各相似度值、相似估算单元。
8.根据权利要求7所述的一种农业粮食产量估算系统,其特征在于,所述指令集还用于执行:
对各估算单元的亩产量乘以面积并对结果进行加和,计算得所述估算区域的农作物产量估算结果。
9.根据权利要求6所述的一种农业粮食产量估算系统,其特征在于,所述指令集还用于执行:
所述估算模型包括:估算指标权重核算模块、估算单元相似性度量模块和估算单元产量预估模块;
所述估算指标权重核算模块用于:核算不同类型的估算指标的权重值;
所述估算单元相似性度量模块用于:从训练数据中计算出与待估算单元估算指标值最相似的估算单元;
所述估算单元产量预估模块用于:估算所述待估算单元的农作物产量。
10.根据权利要求6所述的一种农业粮食产量估算系统,其特征在于,所述指令集还用于执行:
所述“根据训练数据训练估算模型”,还包括步骤:
输入测试数据至训练后的估算模型,计算得测试结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010494500.0A CN111667167B (zh) | 2020-06-03 | 2020-06-03 | 一种农业粮食产量估算方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010494500.0A CN111667167B (zh) | 2020-06-03 | 2020-06-03 | 一种农业粮食产量估算方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667167A true CN111667167A (zh) | 2020-09-15 |
CN111667167B CN111667167B (zh) | 2022-12-06 |
Family
ID=72385683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010494500.0A Active CN111667167B (zh) | 2020-06-03 | 2020-06-03 | 一种农业粮食产量估算方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667167B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322435A1 (en) * | 2017-05-03 | 2018-11-08 | Aurora Predictions, LLC | Performance & predictive dimensions for business intelligence data |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
CN109685393A (zh) * | 2019-01-17 | 2019-04-26 | 北京师范大学 | 一种适用于生态型地区的地质资源环境现状评价方法 |
CN110766308A (zh) * | 2019-10-17 | 2020-02-07 | 中国科学院地理科学与资源研究所 | 一种基于集合同化策略的区域农作物估产方法 |
-
2020
- 2020-06-03 CN CN202010494500.0A patent/CN111667167B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322435A1 (en) * | 2017-05-03 | 2018-11-08 | Aurora Predictions, LLC | Performance & predictive dimensions for business intelligence data |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
CN109685393A (zh) * | 2019-01-17 | 2019-04-26 | 北京师范大学 | 一种适用于生态型地区的地质资源环境现状评价方法 |
CN110766308A (zh) * | 2019-10-17 | 2020-02-07 | 中国科学院地理科学与资源研究所 | 一种基于集合同化策略的区域农作物估产方法 |
Non-Patent Citations (2)
Title |
---|
孟国庆等: "河北省粮食产量预测影响因素关联挖掘分析", 《河北农业大学学报》, no. 06, 15 November 2019 (2019-11-15) * |
李平舟等: "基于BP神经网络的国家稳定性研究", 《软件》, no. 06, 15 June 2018 (2018-06-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN111667167B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6261492B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN110245444B (zh) | 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 | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
CN116485040B (zh) | 种子活力预测方法、系统、电子设备及存储介质 | |
CN115860581B (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 | |
CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及系统 | |
CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN111582742A (zh) | 一种基于气象评价农产品品质的方法及系统 | |
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 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN111667167B (zh) | 一种农业粮食产量估算方法和系统 | |
CN116629453A (zh) | 一种适用于作物全生育时期的遥感估产方法 | |
Haun | Determination of Wheat Growth‐Environment Relationships 1 | |
CN109858678A (zh) | 一种确定向日葵气象产量的方法和系统 | |
CN109615149A (zh) | 一种确定甜菜气象产量的方法和系统 | |
CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和系统 | |
CN109840623B (zh) | 一种确定芝麻气象产量的方法和系统 | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
CN117235322B (zh) | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 | |
CN117371529B (zh) | 作物表型数据知识图谱生成方法、装置、电子设备及介质 |
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 |