CN111798028A - 一种作物产量预测方法、装置、电子设备和存储介质 - Google Patents
一种作物产量预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111798028A CN111798028A CN202010481700.2A CN202010481700A CN111798028A CN 111798028 A CN111798028 A CN 111798028A CN 202010481700 A CN202010481700 A CN 202010481700A CN 111798028 A CN111798028 A CN 111798028A
- Authority
- CN
- China
- Prior art keywords
- crop
- predicted
- preset
- yield
- period
- 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 66
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000003337 fertilizer Substances 0.000 claims abstract description 108
- 239000002028 Biomass Substances 0.000 claims abstract description 92
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims description 65
- 230000000243 photosynthetic effect Effects 0.000 claims description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 23
- 230000006735 deficit Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000002689 soil Substances 0.000 claims description 17
- 238000003306 harvesting Methods 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002881 soil fertilizer Substances 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 23
- 238000011161 development Methods 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 6
- 230000035558 fertility Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 239000000618 nitrogen fertilizer Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000029553 photosynthesis Effects 0.000 description 4
- 238000010672 photosynthesis Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000035945 sensitivity 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
- G06Q10/04—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种作物产量预测方法、装置、电子设备和存储介质，方法包括：获取待预测作物在预设生育期内的气象信息和地理位置信息；根据气象信息和地理位置信息，预测得到待预测作物在预设生育期内的总生物量；其中，预设生育期为待预测作物从种植到成熟的生长时长；获取待预测作物对应的环境肥效增产比，环境肥效增产比用于表征肥料对待预测作物的生长的影响；根据环境肥效增产比对总生物量进行调整，得到待预测作物在预设生育期内的预测产量。本申请在进行作物产量预测时，考虑到不同的施肥量对于作物产量的影响，可以更加准确地对实际生产过程中作物的产量进行预测。
Description
技术领域
本申请涉及农业技术领域，具体而言，涉及一种作物产量预测方法、装置、电子设备和存储介质。
背景技术
作物产量是指作物在全预设生育期内通过光合作用和吸收作用，即通过物质和能量的转化所生产和累积的各种有机物的总量。作物产量估算是评价农业生产效益、改进农业生产决策的关键环节。
传统的作物产量估计是基于光能利用率估算作物产量，只考虑到作物生长过程中的光照、温度、水分的环境因素，导致作物产量估算不准确。
发明内容
本申请实施例的目的在于提供一种作物产量预测方法、装置、电子设备和存储介质，用以改善传统的作物产量估计不准确的问题。
第一方面，实施例提供一种作物产量预测方法，包括：获取待预测作物在预设生育期内的气象信息和地理位置信息；根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量；其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长；获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响；根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。
本申请在进行作物产量预测时，考虑到不同的施肥量对于作物产量的影响，根据计算得到的环境肥料增产比对作物的总生物量进行调整，得到待预测作物在考虑到施肥量后的预测产量，由此，可以更加准确地对实际生产过程中作物的产量进行预测。
在可选的实施方式中，所述根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量，包括：根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量以及实际积温，其中，所述周期净生物量为所述待预测作物的在所述预设周期内增加的生物量，所述实际积温为所述待预测作物从种植开始到所述预设周期结束，预设周期内的平均气温与种植温度的差值的累加温度；确定所述待预测作物从种植开始到第一生长时刻的生长时长为所述预设生育期；其中，所述第一生长时刻为所述实际积温到达预设有效积温的时刻；累加在所述预设生育期内的所有的周期净生物量，得到所述待预测作物在所述预设生育期内的总生物量。
本申请实施例通过根据待预测作物的实际积温的数值来衡量待预测作物的生长情况，在实际积温达到预设有效积温时确定对应的预设生育期，由此可以较为准确地计算出待预测作物在预设生育期内的总生物量。
在可选的实施方式中，所述根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量，包括：根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光合有效辐射以及目标光能利用率；根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物在所述预设周期内的周期净生物量。
本申请实施例通过计算待预测作物的目标光合有效辐射，并通过目标光能利用率对目标光合有效辐射进行调整，使得计算得到的周期净生物量更加准确，以便后续提高对作物产量预测的准确性。
在可选的实施方式中，所述根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光合有效辐射，包括：根据所述地理位置信息以及所述气象信息，计算得到初始光合有效辐射；根据所述待预测作物的品种，利用归一化曲线确定所述待预测作物对应的冠层光合有效辐射截获率；根据所述冠层光合有效辐射截获率和所述初始光合有效辐射，计算得到所述待预测作物的目标光合有效辐射。
本申请实施例通过根据不同的待预测作物的品种，根据归一化曲线模拟得到与品种对应的冠层光合有效辐射截获率，可以更加准确地、有针对性地计算得到待预测作物的目标光合有效辐射，以便后续可以更加准确地对作物产量进行预测。
在可选的实施方式中，根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光能利用率，包括：根据所述气象信息计算得到温度影响参数；利用预设的作物水分亏缺模型对所述气象信息与所述地理位置信息进行计算，得到作物水分亏缺参数；根据所述待预测作物的品种，确定所述待预测作物的最大光能利用率；根据所述温度影响参数和所述作物水分亏缺参数对所述最大光能利用率进行调整，得到所述待预测作物的目标光能利用率。
本申请实施例通过作物水分亏缺模型，计算得到作物亏缺参数，再计算得到待预测作物的目标光能利用率，由此，在考虑到作物水分亏缺对作物的光合有效辐射的影响下，可以更加准确地对待测作物的目标光能利用率进行计算，提高后续作物产量的预测。
在可选的实施方式中，所述根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物在所述预设周期内的周期净生物量，包括：获取所述待预测作物在所述预设周期内的周期呼吸消耗量；根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物的初始周期净生物量；根据所述周期呼吸消耗量对所述初始周期净生物量进行调整，得到所述待预测作物在所述预设周期内的周期净生物量。
本申请实施例通过计算得到的呼吸消耗量，对净生物量进行调整，以便在考虑到植物呼吸时的消耗，以便提高得到的净生物量的精确度。
在可选的实施方式中，所述获取所述待预测作物对应的环境肥效增产比，包括：获取所述待预测作物对应的土壤含肥量以及施肥量；利用预设肥效方程对所述土壤含肥量进行计算，得到第一肥效增产比，所述第一肥效增产比用于表征土壤对所述待预测作物的生长的影响；利用预设肥效方程对所述施肥量进行计算，得到第二肥效增产比，所述第二肥效增产比用于表征施加的肥料对所述待预测作物的生长的影响；根据所述第一肥效增产比和第二肥效增产比的差值，计算得到所述待预测作物对应的环境肥效增产比。
本申请实施例通过土壤含肥量计算得到第一肥效增产比，还通过施肥量得到第二肥效增产比，并根据第一肥效增产比和第二肥效增产比得到环境肥效增产比，以提高作物产量的预测精度。
在可选的实施方式中，在所述根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量之后，所述方法还包括：利用获得的所述待预测作物对应的作物收获系数以及籽粒含水率，对所述预测产量进行调整，得到所述待预测作物在所述预设生育期内的目标预测产量。
本申请实施例还会根据待预测作物的作物收货系数以及治理含水量对预测产量进行调整，由此，可以得到更加接近实际生产情况的目标预测产量，提高作物产量预测的准确性。
第二方面，实施例提供一种作物产量预测装置，包括：获取模块，用于获取待预测作物在预设生育期内的气象信息和地理位置信息；预测模块，用于根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量；其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长；肥效计算模块，用于获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响；调整模块，用于根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。
本申请实施例在进行作物产量预测时，考虑到不同的施肥量对于作物产量的影响，利用调整模块根据计算得到的环境肥料增产比对作物的总生物量进行调整，得到待预测作物在考虑到施肥量后的预测产量，由此，可以更加准确地对实际生产过程中作物的产量进行预测。
第三方面，实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前述实施方式任一项所述的方法。
第四方面，实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前述实施方式任一项所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种作物产量预测方法的流程示意图；
图2为本申请实施例提供的又一种作物产量预测方法的流程示意图；
图3为本申请实施例提供的再一种作物产量预测方法的流程示意图；
图4为本申请实施例提供的一种作物产量预测装置的结构示意图；
图5示出了一种可应用于本申请实施例中的电子设备10的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
图1为本申请实施例提供的一种作物产量预测方法的流程示意图，所述作物产量预测方法包括：
步骤110：获取待预测作物在预设生育期内的气象信息和地理位置信息。
步骤120：根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量。
在本申请可选的实施过程中，为了对待预测作物的产量进行预测，可以通过模拟待预测作物的生育过程。基于作物的光合作用的原理，根据预设生育期内的气象信息以及地理信息，可以预测出待测作物在整个预设生育期内的总生物量，以便后续再考虑肥效对作物产量的影响。
值得说明的是，作物的总生物量是生态学术语，或对植物可以称为植物量(phytomass)，是指某一时刻单位面积内实存生活的有机物质总量，通常以kg/m2或t/hm2为单位进行表示。因此，通过模拟待预测作物的生育过程，并预测得到待预测作物在成熟后的总生物量，可以确定出待预测作物在预设生育期内的总生物量。
其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长。在模拟待预测作物的生育过程中，可以将从模拟种植待预测作物的种植开始，到待预测作物成熟或可收获时所花费的时长作为预设生育期，以确定待预测作物在预设生育期内的总生物量。
并且，获取待预测作物在预设生育期内的气象信息和地理位置信息主要是为了后续对影响总生物量的多种指标进行模拟，气象信息可以为温度、降水量、日照时长等等，地理位置信息可以为培养待预测作物的经纬度、土壤肥力、太阳高度角等等，气象信息和地理位置信息的具体类型可以根据实际需求进行调整。
步骤130：获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响。
步骤140：根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。
由于在实际的作物发育的过程中，在相同的生产环境中，往往会因为土壤的肥力不同，导致作物的实际产量不同，同时还会有部分种植者为了提高作物的产量进行施肥。而传统的作物产量预测方法往往只考虑了光照、温度、水分等环境因素，未考虑肥效影响，使得预测结果不准确，影响后续的农业生产决策，严重会还导致实际农业的经济效益亏损。
在本申请可选的实施过程中，在预测得到待预测作物的总生物量之后，考虑到在除去肥料之外的相同环境条件下，土壤中不同的肥料对作物产量的影响也不同。由此可以通过设置环境肥料增产比来表征肥料对待预测作物的生长的影响，再根据环境肥效增产比来对总生物量进行调整，即可得到待预测作物在预设生育内的预测产量。该预测产量是在考虑了土壤中肥力对待预测作物的生长的影响得到的，提高了预测产量的精度，为后续的农业生产决策做准备参考。
在上述实施例的基础上，步骤120具体可以为：根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量以及实际积温。确定所述待预测作物从种植开始到第一生长时刻的生长时长为所述预设生育期。累加在所述预设生育期内的所有的周期净生物量，得到所述待预测作物在所述预设生育期内的总生物量。
其中，所述第一生长时刻为所述实际积温到达预设有效积温的时刻。所述周期净生物量为所述待预测作物的在所述预设周期内增加的生物量，所述实际积温为所述待预测作物从种植开始到所述预设周期结束，预设周期内的平均气温与种植温度的差值的累加温度。
由于作物的生长速率较快，使得作物的相关指标在整个预设生育期中变化较快，尤其是作物处于生长前期到中期的时间内，作物的植被状况会在短时间内变化显著。因此，传统的作物产量预测方法一般以旬或月为最小时间单位计算相关指标，得到的相关指标的时间分辨率较低，导致预测作物产量时的误差增大。
在本申请可选的实施过程中，为了提高计算作物产量的相关指标的精度，可以通过作物的实际积温作为衡量作物生产发育进程的变量，用以模拟后续预测过程中所需的相关指标。同时，从种植待预测作物开始，预测每一预设周期内待预测作物的周期净生物量，以及在每一预设周期结束后，待预测作物的实际积温。在实际积温达到预设有效积温时，判定待预测作物达到成熟状态，并将从种植待预测作物开始到成熟状态的生长时长设定为预设发育期。通过累加预设发育期内的所有的周期净生物量，得到待预测作物在预设发育期内的总生物量，即待预测作物从种植到成熟时期的总净累计量。
由此，本申请通过积温来衡量作物的发育进程，相较传统的作物产量预测方法来说，通过模拟待预测作物的生长过程，通过实际积温衡量发育进程，在确定稳定后，累加多次预测的周期净生物量，可以更加准确地确定出总生物量，提高了预测的精度。
值得说明的是，设定预设周期的目的在于设定预测待预测作物的净生物量的频率，预设周期可以为一天、三天、一星期，预设周期的具体时长可以根据实际的预测需求进行调整。
还需要说明的是，积温可以反映待预测作物对热量的需求，可以根据待预测植物的生长发育特性及对温度的敏感性确定发育温度起点，以及完成整个预设生育期所需要的预设有效积温。实际积温为所述待预测作物从种植开始到对应的预设周期结束为止，预设周期内的平均气温与种植待预测作物时的气温的差值的累加，种植待预测作物时的气温即为发育温度起点。以预设周期为一天，待预测作物发育温度起点为a，以及第一天平均气温为b，第二天平均气温为c为例进行说明，待预测作物在从种植开始，在经过生长发育的两天之后，第一天的实际积温为b-a，第二天的实际积温为b-a+c-a。
图2为本申请实施例提供的又一种作物产量预测方法的流程示意图，所述根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量，包括：
步骤210：根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光合有效辐射以及目标光能利用率。
步骤220：根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物在所述预设周期内的周期净生物量。
在本申请可选的实施过程中，为了得到较为准确的净生物量，基于作物的光合作用，假设作物在生长过程中以一个具体的光能利用率值将光合有效辐射转化为待预测作物的化学能和有机物，进而估算作物的净生物量，以确定出待预测作物在预设生育期内的总生物量。由此，通过将作物的光合作用进行简化，可以更加简单、高效地对作物产量进行预测。
值得说明的是，步骤220具体可以包括：获取所述待预测作物在所述预设周期内的周期呼吸消耗量；根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物的初始周期净生物量；根据所述周期呼吸消耗量对所述初始周期净生物量进行调整，得到所述待预测作物在所述预设周期内的周期净生物量。
其中，为了提高估算周期净生物量的精度，可以通过计算待预测作物的周期呼吸消耗量，来对初始周期净生物量进行调整，以此得到较为准确的周期净生物量。
可以说明的是，作物利用光合有效辐射进行光合作用，产生的同化物有一部分用于呼吸作用，主要包括光呼吸和暗呼吸，光呼吸消耗量较小，在作物产量模拟时可以忽略。暗呼吸消耗主要包括维持呼吸消耗RM和生长呼吸消耗RG，由维持呼吸消耗RM和生长呼吸消耗RG累加，可得作物生长过程中每日呼吸消耗量R。以预设周期为一天为例，具体的暗呼吸消耗的计算方法如下所示：
RGi＝Rg*(Biom-Am)
Ri＝RMi+RGi
其中，RMi为第i天维持呼吸消耗，T为日均温度，Biomi为第i天作物同化量，Rm为参考温度下的维持呼吸系数，Tthref为参考温度。在Tthref为20℃时，Rm为0.015；在Tthref为25℃时，Rm为0.016。RGi为第i天生长呼吸消耗量，Rg为生长呼吸系数，Rg取0.25，Am为当天同化量，Ri为第i天呼吸消耗量。
还值得说明的是，为了确定出作物在生产中的光合有效辐射以及目标光能利用率，可以通过测量待预测作物在预设周期内的气象信息和地理位置信息来进行预测获得。
在上述实施例的基础上，步骤220具体可以包括：根据所述地理位置信息以及所述气象信息，计算得到初始光合有效辐射；根据所述待预测作物的品种，利用归一化曲线确定所述待预测作物对应的冠层光合有效辐射截获率；根据所述冠层光合有效辐射截获率和所述初始光合有效辐射，计算得到所述待预测作物的目标光合有效辐射。
由于，传统的计算光合有效辐射的方法涉及的参数较多，计算较为复杂。在本申请可选的实施过程中，为了实现时间分辨率较高的光合有效辐射的模拟，可以通过归一化标准曲线的方式模拟出与待预测作物品种对应归一化植被指数NDVI或叶面积指数LAI。再利用预设辐射截获模型对归一化植被指数NDVI或叶面积指数LAI进行处理，可以的到待预测作物对应的冠层光合有效辐射截获率，进而计算待测作物的目标光合有效辐射，即为作物冠层吸收的光合有效辐射。
其中，作物冠层光合有效辐射截获率与植被状况有显著相关性，因此可以通过监测反映作物植被状况的相关指数来计算作物冠层光合有效辐射截获率，归一化植被指数NDVI和叶面积指数LAI等反映植被状况的指标常用于估算作物冠层光合有效辐射截获率。
举例来说，在计算出待预测作物在不同的生长发育时间对应的归一化植被指数NDVI和叶面积指数LAI之后，可以利用预设辐射截获模型对NDVI和LAI进行处理，得到冠层光合有效截获率，具体的预设辐射截获模型如下所示：
APAR＝f·PAR
f＝-0.0162+1.2573*NDVI
f＝1-e-α·LAI
其中，APAR为作物冠层吸收的光合有效辐射，f为冠层光合有效辐射截获率，PAR为光合有效辐射量，NDVI为归一化植被指数，α为消光系数，LAI为叶面积指数。
并且，作物整个预设生育期内，消光系数α会主要因群体结构和太阳高度角而变化，具体的计算公式如下所示：
α＝λ·(0.7848-0.0016·θ)·(0.1548·LAI2-0.5586·LAI+0.654)
θ＝90°-|ψ-δ|
其中，λ为叶形修正参数，θ为太阳高度角，ψ为太阳直射点的纬度，每天移动约0.25°，可根据日序计算太阳直射点纬度值，δ为所计算太阳高度角当地的纬度。
同时，待测量作物在整个预设生育期内的光合有效辐射能量，还与待测量作物的地理位置有关。具体的计算光合有效辐射的计算公式如下所示：
其中，K为从1月1日起的日序，SL为太阳倾角，LAT为计算地点的纬度，SD、CD为中间变量，DL为日长，Ra为外太空辐射，H为实际日照时数，PAR为光合有效辐射。
值得说明的是，传统获取归一化植被指数NDVI和叶面积指数LAI的方法，获取得到的指标的时间分辨率太低，受到气象变化的影响较大，不能连续性的计算出光合有效辐射截获率，因此，本申请采用针对不同待预测作物品种，采用归一化标准曲线的方式对归一化植被指数NDVI和叶面积指数LAI进行模拟，可以得到连续性的冠层光合有效辐射截获率，提高了时间精度。
举例来说，假设待预测作物品种为小麦、玉米和水稻，可以基于待预测作物的品种，确定相应的归一化标准曲线的参数，通过归一化标准曲线模拟后的归一化植被指数NDVI和叶面积指数LAI如下所示：
NDVI＝(-2.169*t2+2.824*t+0.081)*NDVImax (1)
NDVI＝(-1.755*t2+2.291*t+0.252)*NDVImax (2)
NDVI＝(-1.825*t2+2.414*t+0.202)*NDVImax (3)
其中，t为相对生长发育时间，NDVImax预设生育期内最大归一化植被指数值，LAImax为预设生育期内最大叶面积指数值。式(1)、式(2)、式(3)分别为小麦、玉米和水稻3种作物的NDVI模拟函数，式(4)、式(5)、式(6)分别为小麦、玉米和水稻3种作物的LAI模拟函数。
在上述实施例的基础上，步骤220还可以具体包括：根据所述气象信息计算得到温度影响参数；利用预设的作物水分亏缺模型对所述气象信息与所述地理位置信息进行计算，得到作物水分亏缺参数；根据所述待预测作物的品种，确定所述待预测作物的最大光能利用率；根据所述温度影响参数和所述作物水分亏缺参数对所述最大光能利用率进行调整，得到所述待预测作物的目标光能利用率。
传统的计算光能利用率的方法需要用到的参数不易获取，且参数较为复杂需要花费大量的时间进行计算，在本申请可选的实施过程中，通过计算待预测作物对应的作物水分亏缺指数，可以快速的与温度影响参数一起对最大光能利用率进行调整，快速、高效地得到目标光能利用率。由此，通过设定作物水分亏缺指数来反映土壤湿度对作物光能利用率的影响，可以快速是实现对作物产量的预测。
值得说明的是，作物水分亏缺指数可以表征土壤的潮湿程度，还可以表征作物蒸发的水分程度，可以通过作物参考蒸散量来计算得到作物水分亏缺指数。由此，在作物参考蒸散量计算过程中，通过模拟出经验模型，估算作物参考蒸散量，大大降低了计算量，有利于实现快速估产。
举例来说，以预设周期为一天进行说明，具体的作物水分亏缺指数的计算公式如下：
W＝0.5×(1-CWDI)
ε＝εmax·T1·T2·W
其中，εmax为最大光能利用率，T1为低温影响参数，T2为高温影响参数，W为作物水分亏缺指数。Topt为叶面积指数或归一化植被指数最大的当月内的平均温度，Tmon为每月平均气温。ET0为作物参考蒸散量，C0通常取值0.87，T为温度，SSH为实际日照时数(h)，DL为日长(h)，Ra为太空辐射，P为连续10日降水量，I为连续10日灌溉量，Kc为作物系数，CWDI为作物水分亏缺指数。
并且，在计算CWDI时，可以利用连续10天的累计量来计算出ET0，最终CWDI为相邻5次的ET0的加权平均值，权重可以为0.1、0.15、0.2、0.25、0.3。
图3为本申请实施例提供的再一种作物产量预测方法的流程示意图，所述步骤130具体可以包括：
步骤310：获取所述待预测作物对应的土壤含肥量以及施肥量。
步骤320：利用预设肥效方程对所述土壤含肥量进行计算，得到第一肥效增产比，所述第一肥效增产比用于表征土壤对所述待预测作物的生长的影响。
步骤330：利用预设肥效方程对所述施肥量进行计算，得到第二肥效增产比，所述第二肥效增产比用于表征施加的肥料对所述待预测作物的生长的影响。
步骤340：根据所述第一肥效增产比和第二肥效增产比的差值，计算得到所述待预测作物对应的环境肥效增产比。
在本申请可选的实施过程中，为了模拟实际作物产量的培育过程，可以分别计算土壤肥力以及肥料肥力对待预测作物的肥效增产比。由此，可以得到根据第一肥效增产比和第二肥效增产比的差值，可以得到表征在预设发育期中肥力对产量的影响的环境肥效增产比，以便对作物产量进行更加准确的预测。
举例来说，以氮素为指标，模拟施肥量对作物的影响，估产过程中将土壤基础氮含量和施氮量分别代入氮肥肥效方程，计算肥效增产比，取两者差值作为增产比，最终对产量进行折算，具体的氮肥肥效方程的计算公式如下：
fe＝f2-f1
其中，N1为土壤基础氮含量，f1为土壤对应的氮肥增产比；N2为氮施入量，f2为氮施入量对应的氮肥增产比；fe为氮肥增产比，N的单位：kg/mu。
在上述实施例的基础上，在步骤140之后，所述方法还包括：利用获得的所述待预测作物对应的作物收获系数以及籽粒含水率，对所述预测产量进行调整，得到所述待预测作物在所述预设生育期内的目标预测产量。
由于在作物成熟收获的过程中，会因为实际收获的是作物的果实、籽粒等导致实际的产量与预测产量不同，在本申请可选的实施过程中，通过作物收获系数以及籽粒含水率来对待预测作物的预测产量进行调整，得到更加贴近实际收获的目标预测产量。
其中，作物收获指数(Harvest Index,HI)是作物收获时经济产量(籽粒、果实等)与生物产量之比，籽粒含水量也是影响预测产量的一个重要因素。作物品种的不同导致经济产量不同，即作物收获系数以及籽粒含水量的数值可以根据待预测作物的品种进行调整。
举例来说，假设预设周期为一天，将每日净生物量产量累加至作物成熟，即将预设生育期内的周期净生物量累加，得到总生物量。再利用籽粒含水率和肥效增产比对总生物量进行折算，即可得目标预设产量，具体的计算方法如下所示：
其中，Yield为目标预设产量，n为预设生育期的天数，即作物生长到成熟的天数，APARi为作物冠层每日吸收的光合有效辐射，εi为作物每日实际的光能利用率，fe为肥效增产比，h为作物收获系数，wseed为籽粒含水率。
值得说明的是，上述计算公式的参数数值不限定，均可以根据实际的待预测作物的品种、气象信息以及地理位置信息进行调整。
图4为本申请实施例提供的一种作物产量预测装置的结构示意图，基于同一发明构思，本申请实施例中还提供一种作物产量预测装置400，包括：获取模块410，用于获取待预测作物在预设生育期内的气象信息和地理位置信息；预测模块420，用于根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量；其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长；肥效计算模块430，用于获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响；调整模块440，用于根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。
在上述实施例的基础上，所述预设模块420具体用于：根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量以及实际积温，其中，所述周期净生物量为所述待预测作物的在所述预设周期内增加的生物量，所述实际积温为所述待预测作物从种植开始到所述预设周期结束，预设周期内的平均气温与种植温度的差值的累加温度；确定所述待预测作物从种植开始到第一生长时刻的生长时长为所述预设生育期；其中，所述第一生长时刻为所述实际积温到达预设有效积温的时刻；累加在所述预设生育期内的所有的周期净生物量，得到所述待预测作物在所述预设生育期内的总生物量。
在上述实施例的基础上，所述预设模块420具体用于：根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光合有效辐射以及目标光能利用率；根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物在所述预设周期内的周期净生物量。
在上述实施例的基础上，所述预设模块420具体用于：根据所述地理位置信息以及所述气象信息，计算得到初始光合有效辐射；根据所述待预测作物的品种，利用归一化曲线确定所述待预测作物对应的冠层光合有效辐射截获率；根据所述冠层光合有效辐射截获率和所述初始光合有效辐射，计算得到所述待预测作物的目标光合有效辐射。
在上述实施例的基础上，所述预设模块420具体用于：根据所述气象信息计算得到温度影响参数；利用预设的作物水分亏缺模型对所述气象信息与所述地理位置信息进行计算，得到作物水分亏缺参数；根据所述待预测作物的品种，确定所述待预测作物的最大光能利用率；根据所述温度影响参数和所述作物水分亏缺参数对所述最大光能利用率进行调整，得到所述待预测作物的目标光能利用率。
在上述实施例的基础上，所述预设模块420具体用于：获取所述待预测作物在所述预设周期内的周期呼吸消耗量；根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物的初始周期净生物量；根据所述周期呼吸消耗量对所述初始周期净生物量进行调整，得到所述待预测作物在所述预设周期内的周期净生物量。
在上述实施例的基础上，所述肥效计算模块430具体用于：获取所述待预测作物对应的土壤含肥量以及施肥量；利用预设肥效方程对所述土壤含肥量进行计算，得到第一肥效增产比，所述第一肥效增产比用于表征土壤对所述待预测作物的生长的影响；利用预设肥效方程对所述施肥量进行计算，得到第二肥效增产比，所述第二肥效增产比用于表征施加的肥料对所述待预测作物的生长的影响；根据所述第一肥效增产比和第二肥效增产比的差值，计算得到所述待预测作物对应的环境肥效增产比。
在上述实施例的基础上，所述作物产量预测装置400还包括：处理模块，用于利用获得的所述待预测作物对应的作物收获系数以及籽粒含水率，对所述预测产量进行调整，得到所述待预测作物在所述预设生育期内的目标预测产量。
请参照图5，图5示出了一种可应用于本申请实施例中的电子设备10的结构框图。电子设备10可以包括存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。至少一个软件或固件(firmware)存储于所述存储器101中或固化在操作系统(operating system，OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，软件功能模块或计算机程序。
其中，存储器101可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本申请实施例任一实施例揭示的方法可以应用于处理器103中，或者由处理器103实现。
处理器103可以是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述电子设备10的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。
显示单元107在所述电子设备10与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。
可以理解，图5所示的结构仅为示意，所述电子设备10还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
综上所述，本申请实施例提供了一种作物产量预测方法、装置、电子设备和存储介质，包括：获取待预测作物在预设生育期内的气象信息和地理位置信息；根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量；其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长；获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响；根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。本申请在进行作物产量预测时，考虑到不同的施肥量对于作物产量的影响，根据计算得到的环境肥料增产比对作物的总生物量进行调整，得到待预测作物在考虑到施肥量后的预测产量，由此，可以更加准确地对实际生产过程中作物的产量进行预测。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (11)
1.一种作物产量预测方法，其特征在于，包括：
获取待预测作物在预设生育期内的气象信息和地理位置信息；
根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量；其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长；
获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响；
根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。
2.根据权利要求1所述的作物产量预测方法，其特征在于，所述根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量，包括：
根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量以及实际积温，其中，所述周期净生物量为所述待预测作物的在所述预设周期内增加的生物量，所述实际积温为所述待预测作物从种植开始到所述预设周期结束，预设周期内的平均气温与种植温度的差值的累加温度；
确定所述待预测作物从种植开始到第一生长时刻的生长时长为所述预设生育期；其中，所述第一生长时刻为所述实际积温到达预设有效积温的时刻；
累加在所述预设生育期内的所有的周期净生物量，得到所述待预测作物在所述预设生育期内的总生物量。
3.根据权利要求2所述的作物产量预测方法，其特征在于，所述根据在预设周期内的所述气象信息和所述地理位置信息，得到所述待预测作物在预设周期内的周期净生物量，包括：
根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光合有效辐射以及目标光能利用率；
根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物在所述预设周期内的周期净生物量。
4.根据权利要求3所述的作物产量预测方法，其特征在于，所述根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光合有效辐射，包括：
根据所述地理位置信息以及所述气象信息，计算得到初始光合有效辐射；
根据所述待预测作物的品种，利用归一化曲线确定所述待预测作物对应的冠层光合有效辐射截获率；
根据所述冠层光合有效辐射截获率和所述初始光合有效辐射，计算得到所述待预测作物的目标光合有效辐射。
5.根据权利要求3所述的作物产量预测方法，其特征在于，根据在预设周期内的所述气象信息和所述地理位置信息，计算得到对应的所述待预测作物的目标光能利用率，包括：
根据所述气象信息计算得到温度影响参数；
利用预设的作物水分亏缺模型对所述气象信息与所述地理位置信息进行计算，得到作物水分亏缺参数；
根据所述待预测作物的品种，确定所述待预测作物的最大光能利用率；
根据所述温度影响参数和所述作物水分亏缺参数对所述最大光能利用率进行调整，得到所述待预测作物的目标光能利用率。
6.根据权利要求3所述的作物产量预测方法，其特征在于，所述根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物在所述预设周期内的周期净生物量，包括：
获取所述待预测作物在所述预设周期内的周期呼吸消耗量；
根据所述目标光合有效辐射以及所述目标光能利用率，计算得到所述待预测作物的初始周期净生物量；
根据所述周期呼吸消耗量对所述初始周期净生物量进行调整，得到所述待预测作物在所述预设周期内的周期净生物量。
7.根据权利要求1-6任一项所述的作物产量预测方法，其特征在于，所述获取所述待预测作物对应的环境肥效增产比，包括：
获取所述待预测作物对应的土壤含肥量以及施肥量；
利用预设肥效方程对所述土壤含肥量进行计算，得到第一肥效增产比，所述第一肥效增产比用于表征土壤对所述待预测作物的生长的影响；
利用预设肥效方程对所述施肥量进行计算，得到第二肥效增产比，所述第二肥效增产比用于表征施加的肥料对所述待预测作物的生长的影响；
根据所述第一肥效增产比和第二肥效增产比的差值，计算得到所述待预测作物对应的环境肥效增产比。
8.根据权利要求1-6任一项所述的作物产量预测方法，其特征在于，在所述根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量之后，所述方法还包括：
利用获得的所述待预测作物对应的作物收获系数以及籽粒含水率，对所述预测产量进行调整，得到所述待预测作物在所述预设生育期内的目标预测产量。
9.一种作物产量预测装置，其特征在于，包括：
获取模块，用于获取待预测作物在预设生育期内的气象信息和地理位置信息；
预测模块，用于根据所述气象信息和所述地理位置信息，预测得到所述待预测作物在所述预设生育期内的总生物量；其中，所述预设生育期为所述待预测作物从种植到成熟的生长时长；
肥效计算模块，用于获取所述待预测作物对应的环境肥效增产比，所述环境肥效增产比用于表征肥料对所述待预测作物的生长的影响；
调整模块，用于根据所述环境肥效增产比对所述总生物量进行调整，得到所述待预测作物在所述预设生育期内的预测产量。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-8任一项所述的方法。
11.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481700.2A CN111798028A (zh) | 2020-05-28 | 2020-05-28 | 一种作物产量预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481700.2A CN111798028A (zh) | 2020-05-28 | 2020-05-28 | 一种作物产量预测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111798028A true CN111798028A (zh) | 2020-10-20 |
Family
ID=72806723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010481700.2A Pending CN111798028A (zh) | 2020-05-28 | 2020-05-28 | 一种作物产量预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798028A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112840977A (zh) * | 2020-12-31 | 2021-05-28 | 航天信息股份有限公司 | 一种基于小麦关键生育时期预测小麦产量的方法及系统 |
| CN113077077A (zh) * | 2021-03-18 | 2021-07-06 | 四川农业大学 | 带状复合作物种植产量评估方法、装置、设备及存储介质 |
| CN113435566A (zh) * | 2021-06-22 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种农场作物施肥的方法、系统、装置及存储介质 |
| CN116401508A (zh) * | 2023-06-08 | 2023-07-07 | 武汉大学 | 基于PlanetScope卫星影像的田间小麦籽粒含水率监测方法 |
| CN116629453A (zh) * | 2023-07-18 | 2023-08-22 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| 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 |
-
2020
- 2020-05-28 CN CN202010481700.2A patent/CN111798028A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 张超: "基于高光谱数据与SAFY-FAO作物模型同化的冬小麦生长监测与模拟研究", 中国博士学位论文全文数据库 农业科技辑, no. 2, pages 0050 - 0066 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112840977A (zh) * | 2020-12-31 | 2021-05-28 | 航天信息股份有限公司 | 一种基于小麦关键生育时期预测小麦产量的方法及系统 |
| CN113077077A (zh) * | 2021-03-18 | 2021-07-06 | 四川农业大学 | 带状复合作物种植产量评估方法、装置、设备及存储介质 |
| CN113077077B (zh) * | 2021-03-18 | 2022-05-27 | 四川农业大学 | 带状复合作物种植产量评估方法、装置、设备及存储介质 |
| CN113435566A (zh) * | 2021-06-22 | 2021-09-24 | 布瑞克农业大数据科技集团有限公司 | 一种农场作物施肥的方法、系统、装置及存储介质 |
| CN113435566B (zh) * | 2021-06-22 | 2022-04-12 | 布瑞克农业大数据科技集团有限公司 | 一种农场作物施肥的方法、系统、装置及存储介质 |
| CN116401508A (zh) * | 2023-06-08 | 2023-07-07 | 武汉大学 | 基于PlanetScope卫星影像的田间小麦籽粒含水率监测方法 |
| CN116401508B (zh) * | 2023-06-08 | 2023-08-01 | 武汉大学 | 基于PlanetScope卫星影像的田间小麦籽粒含水率监测方法 |
| CN116629453A (zh) * | 2023-07-18 | 2023-08-22 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
| CN116629453B (zh) * | 2023-07-18 | 2023-10-24 | 山东科技大学 | 一种适用于作物全生育时期的遥感估产方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ur Rahman et al. | Multi-model projections of future climate and climate change impacts uncertainty assessment for cotton production in Pakistan | |
| CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
| US20200390044A1 (en) | Controlling argricultural production areas | |
| Fischer | Definitions and determination of crop yield, yield gaps, and of rates of change | |
| Fang et al. | Evapotranspiration partitioning, water use efficiency, and maize yield under different film mulching and nitrogen application in northwest China | |
| Bannayan et al. | A stochastic modelling approach for real-time forecasting of winter wheat yield | |
| CN110243406B (zh) | 农作物估产方法、装置、电子设备及存储介质 | |
| Sun et al. | Heat stress may cause a significant reduction of rice yield in China under future climate scenarios | |
| Allison et al. | Why does sugarcane (Saccharum sp. hybrid) grow slowly? | |
| CN114254964B (zh) | 水稻区域气候品质评估方法及系统 | |
| BAI et al. | Growth simulation and yield prediction for perennial jujube fruit tree by integrating age into the WOFOST model | |
| Long et al. | Impact of climate change on wheat yield and quality in the Yellow River Basin under RCP8. 5 during 2020–2050 | |
| Wang et al. | Impact of climate variability on grain yields of spring and summer maize | |
| Giménez et al. | Can crop management reduce the negative effects of warm nights on wheat yield? | |
| McGree et al. | On the use of mean and extreme climate indices to predict sugar yield in western Fiji | |
| Odey et al. | Modeling the influence of seasonal climate variability on soybean yield in a temperate environment: South Korea as a case study | |
| Liu et al. | Influences of agricultural phenology dynamic on land surface biophysical process and climate feedback | |
| Liao et al. | Novel models for simulating maize growth based on thermal time and photothermal units: Applications under various mulching practices | |
| CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
| Varghese et al. | Future changes in rice yield over Kerala using climate change scenario from high resolution global climate model projection | |
| Cappelli et al. | GLORIFY: A new forecasting system for rice grain quality in Northern Italy | |
| CN112667955B (zh) | 基于遥感估算区域尺度玉米潜在产量与产量差的方法与应用 | |
| Ribeiro et al. | Suitable areas for temperate fruit trees in a Brazilian hotspot area: Changes driven by new IPCC scenarios | |
| Pereira et al. | Potato maximum yield as affected by crop parameters and climatic factors in Brazil | |
| Lisson et al. | Development of a hemp (Cannabis sativa L.) simulation model 4. Model description and validation |
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 |