CN112183575A - 一种基于区域气象参数预测土豆产量的方法 - Google Patents
一种基于区域气象参数预测土豆产量的方法 Download PDFInfo
- Publication number
- CN112183575A CN112183575A CN202010855865.1A CN202010855865A CN112183575A CN 112183575 A CN112183575 A CN 112183575A CN 202010855865 A CN202010855865 A CN 202010855865A CN 112183575 A CN112183575 A CN 112183575A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- parameters
- potato
- layer
- data
- 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
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 92
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012935 Averaging Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 17
- 230000003442 weekly effect Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 235000012015 potatoes Nutrition 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 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
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区域气象参数预测土豆产量的方法,包括统计目标区域分别对历史指定N年中各单位时长的各类型气象参数、以及各类型气象参数对应的日期,构建历史气象参数集;将构建的历史气象参数集输入至训练好的气象参数预测模型中,获取统计时间中最晚日期之后的一年中的各类型预测气象参数;对各类型预测气象参数分别求平均,获取各类型预测气象参数的在各个季度的季度平均值,将各类型预测气象参数的季度平均值输入至训练好的土豆产量预测模型中,获取预测的各季度的土豆产量。本发明提供方法可以根据预测的目标区域的气象参数,对目标区域的土豆产量进行预测。
Description
技术领域
本发明涉及智慧农业技术领域,具体涉及一种基于区域气象参数预测土豆产量的方法啊。
背景技术
土豆,也称为马铃薯、洋芋,相比小麦、玉米、水稻三大主粮,土豆的优势在于种植周期短、耐寒、耐旱、耐瘠薄,适应性广、产量高,且营养价值高,土豆逐渐成为第四大主粮作物。现在的农业生产依旧存在着高风险、高灾害的现象,这些现象对土豆的产量存在着影响。
需要一种有效的土豆产量的预测方法对土豆产量进行预测,根据预测的土豆产量,对土豆产业进行风险防控和战略性预见,有效且及时的对土豆生产进行防控和统筹,而现有技术中缺乏一种对土豆产量进行预测的方法。
发明内容
本发明的目的:提供一种有效预测土豆产量的方法。
技术方案:本发明提供的基于区域气象参数预测土豆产量的方法,用于对目标区域中的土豆产量进行预测,方法包括如下步骤:
步骤A、统计目标区域分别对历史指定N年中各单位时长的各类型气象参数、以及各类型气象参数对应的日期,构建历史气象参数集;
步骤B、将构建的历史气象参数集输入至训练好的气象参数预测模型中,获取统计时间中最晚日期之后的一年中的各类型预测气象参数;
步骤C、对各类型预测气象参数分别求平均,获取各类型预测气象参数的在各个季度的季度平均值,将各类型预测气象参数的季度平均值输入至训练好的土豆产量预测模型中,获取预测的各季度的土豆产量。
各类型气象参数包括:光照强度、气温数据、湿度数据、降雨量数据。
在步骤A中,构建历史气象参数集的方法包括:以周为单位,分别对历史指定N年内的各类型气象参数求平均,获取各类型气象参数的周平均值,以及与各类型气象参数的周平均值所对应的时间,进而构建历史气象参数集。
步骤B中,按照步骤B1至步骤B2,获得训练好的气象参数预测模型:
步骤B1、搭建卷积神经网络模型;
步骤B2、随机选取历史气象参数集中的预设比例数据作为训练集,将历史气象参数集中的其他数据作为测试集,对步骤B1中搭建的卷积神经网络模型进行训练,获取训练好的气象参数预测模型。
步骤C中,按照步骤C1至步骤C3,获得训练好的土豆产量预测模型:
步骤C1、搭建卷积神经网络模型;
步骤C2、以季度为单位,分别对历史指定N年中的各类型气象参数求平均,获取各气象参数的季度平均值,以及与各类型气象参数的季度平均值所对应的时间;统计历史指定N年中,目标区域中每季度的土豆产量;建立各类型气象参数的季度平均值和每季度的土豆产量之间的对应关系,构建气象参数-土豆产量数据集;
步骤C3、随机选取气象参数-土豆产量数据集中的预设比例数据作为训练集,将气象参数-土豆产量数据集中的其他数据作为测试集,对步骤C1中搭建的卷及审计网络模型进行训练,获取训练好的土豆产量预测模型。
卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层;搭建卷积神经网络模型的方法包括如下步骤:
步骤1、选择输入层、卷积层、池化层、全连接层、输出层的排列规律;
步骤2、确定输入层矩阵的大小;
步骤3、在卷积层中,使用SamePadding零填充矩阵边界,设计卷积核大小;
步骤4、设定卷积层中卷积步长;
步骤5、选择池化层的Pooling窗口;
步骤6、设定激活函数和损失函数。
在步骤6中,激活函数为RELU函数,损失函数为MSE均方误差损失函数。
有益效果:相对于现有技术,本发明提供的方法能够根据预测的气象参数,结合土豆产量预测模型,对土豆产量进行预测。
附图说明
图1是根据本发明实施例提供的基于区域气象参数对土豆产量进行预测的方法流程图;
图2是根据本发明实施例提供的卷积神经网络的图示解析;
图3是根据本发明实施例提供的使用卷积神经网络获得预测气象训练集的具体流程图;
图4是根据本发明实施例提供的预测气象参数与土豆规律特征集进行特征融合并再次分类的流程。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明提供的基于区域气象参数预测土豆产量的方法包括如下步骤:
步骤A、统计目标区域分别对应历史指定N年中各单位时长各类型气象参数,以及各类型气象参数对应的日期,构建历史气象参数集。
在一个实施例中,以县为单位进行待进行土豆产量预测的目标地区中,前二十年气象参数的获取,并获取该地区前二十年的土豆年产量数据。
将获取的前二十年的气象参数数据和土豆年产量数据进行降噪处理,删除与整体数据严重不符合的气象数据,并删除与之时间对应的土豆产量数据,删除与整体不符合的土豆产量数据,并且删除与之时间对应的气象数据;排除因为极端天气或非自然因素而造成的不可测影响。
获取的各类型气象参数包括光照强度、气温数据、湿度数据、降雨量数据;具体的,根据各类型气象参数获取历史气象参数集的方法包括:
统计目标区域内的光照强度,针对获得的光照强度数据,将其以周为单位对光照强度数据进行处理,处理方法为:提取每天光照强度的最高值表示该天的光照强度,将一周内代表每天的光照强度的值求平均,获取光照强度的周平均值,将获取的光照强度的周平均值作为代表该周的光照强度值,存入一维数组,即一个数组代表该年内该周的光照强度,由此构建出目标区域中按照周划分的光照强度数据库;
统计目标区域内的温度数据,针对获得的温度数据,将其以周为单位对温度数据进行处理,处理方法为:提取每天的温度最高值和温度最低值代表该天的温度数据,将一周内代表每天温度的值求平均,获取温度数据的周平均值,将获取的温度的周平均值作为代表该周的温度数据,存入一维数组,即一个数组的值代表该年内该周的温度数据,由此构建目标区域中按周划分的温度数据库;
统计目标区域内的湿度数据,针对获得的湿度数据,将其以周为单位对湿度数据进行处理,处理方法为:提取每天的湿度最高值和最低值代表该天的湿度数据,将一周内代表每天湿度的数据求平均,获取湿度数据的周平均值,将获取的湿度的周平均值作为代表该周的湿度数据,存入一维数组,即一个数组的值代表该年内该周的湿度数据,由此构建目标区域中按周划分的湿度数据库;
统计目标区域内的降雨量数据,针对获得的降雨量数据,将其以周为单位统计目标区域的降雨量,获取降雨量的周平均值,将降雨量的周平均值作为代表该周的降雨量数据,存入一维数组,即一个数组代表该年内该周的降雨量数据,由此获取目标区域中每年的按周划分的降雨量,构建目标区域中按周划分的降雨量数据库;
将根据上述方法获取的以周为单位的光照强度、温度数据、湿度数据、降雨量数据存入一个四维数组,则一个四维数组中包含某一年某一周的光照强度、温度数据、湿度数据、降雨量数据四种气象参数,该思维数组的形式如下所示:
根据上述方法创建完成目标区域中以周为单位的历史气象参数集。
步骤B、将构建的历史气象参数集输入至训练好的气象参数预测模型中,获取统计时间中最晚日期之后的一年中的各类型预测气象参数。
训练气象参数预测模型的方法包括:
步骤B1、搭建卷积神经网络模型;
参照图2,卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层;搭建卷积神经网络模型的方法包括如下步骤:
步骤1、选择输入层、卷积层、池化层、全连接层、输出层的排列规律;
步骤2、确定输入层矩阵的大小;
步骤3、在卷积层中,使用SamePadding零填充矩阵边界,设计卷积核大小;
步骤4、设定卷积层中卷积步长;
步骤5、选择池化层的Pooling窗口;
步骤6、设定激活函数和损失函数;激活函数为RELU函数,损失函数为MSE均方误差损失函数;
步骤B2、随机选取历史气象参数集中的预设比例数据作为训练集,将历史气象参数集中的其他数据作为测试集,对步骤B1中搭建的卷积神经网络模型进行训练,获取训练好的气象参数预测模型。
参照图3,在进行气象参数预测模型训练时,在卷积层随机生成一组3×4的数组,以历史气象参数集的80%作为训练集输入至卷积神经网络模型开始训练气象预测模型,并将其准确率的精度控制在98%以上,得到气象数据初步模型,在以剩下的20%的气象参数数据作为测试集检验气象参数预测模型的准确性,将准确率控制在98%以上,如不符合则继续训练预测模型,完善训练阈值数组。
根据上述卷积神经网络模型获取具有预测效果的气象参数预测模型,在获取训练好的气象参数预测模型后,将根据步骤A获取的前20年的气象数据整理成数组形式后输入至训练好的气象参数预测模型中,可输出目标区域来年的预测气象参数。
获取的目标区域来年的预测气象参数形式为:
步骤C、对各类型预测气象参数分别求平均,获取各类型预测气象参数的在各个季度的季度平均值,将各类型预测气象参数的季度平均值输入至训练好的土豆产量预测模型中,获取预测的各季度的土豆产量。
参照图4,训练土豆预测模型的方法包括步骤C1至步骤C3:
步骤C1、搭建卷积神经网络模型;搭建卷积神经网络模型的方法参照前述的步骤1至步骤6。
步骤C2、以季度为单位,分别对历史指定N年中的各类型气象参数求平均,获取各气象参数的季度平均值,以及与各类型气象参数的季度平均值所对应的时间;统计历史指定N年中,目标区域中每季度的土豆产量;建立各类型气象参数的季度平均值和每季度的土豆产量之间的对应关系,构建气象参数-土豆产量数据集;
步骤C3、随机选取气象参数-土豆产量数据集中的预设比例数据作为训练集,将气象参数-土豆产量数据集中的其他数据作为测试集,对步骤C1中搭建的卷及审计网络模型进行训练,获取训练好的土豆产量预测模型;
即:以一年的季度为限度进行划分,以某季度的气象历史数据和对应的该季节的土豆产量为对应关系训练土豆产量预测模型,使该模型能够实现由某一季节的气象数据决定该季节的土豆产量的功能。
具体的,模型训练的方法包括:随机生成一组3×4的数组参数作为卷积层,将各类型的气象参数的季度平均值和对应季节的土豆产量作为训练单位,以其中80%的历史气象参数作为训练集输入至步骤C1中搭建的卷积神经网络模型中,以训练气象参数对应时间的土豆产量为目标项,通过优化卷积层数组训练土豆产量预测模型,用剩下的20%的气象参数和对应的土豆产量作为测试集验证土豆产量预测模型,并且将准确率控制在98%以上。通过上述卷积神经网络获得能够反映气象参数和土豆产量之间直接关系的土豆产量预测模型。
将步骤B中获取的预测各类型气象参数进行季节划分,分为四个预测气象数据,分别作为土豆产量预测模型的输入值,通过土豆产量预测模型输出来年以季节为单位的土豆产量,获取的土豆产量的形式为:
根据上述方法完成对土豆产量的预测。
通过对生成好的训练数据集进行精度检测,随机获取往年的气象参数,用训练数据集给出其预测的当年的土豆产量,用预测值和真实值进行比较,将预测的误差控制在2%之内,如果超过2%的设定阈值,则继续修改步骤B和步骤C中训练对应卷积神经网络模型时的参数进行反馈调节,直至误差控制在2%之内,根据上述步骤既可把土豆智能预测模型搭建完毕。将每年新得到的实际气象条件作为测试集,该年内的土豆产量作为测试比对结果,将土豆预测模型得到的土豆预测产量和土豆的实际年产量进行比对,根据比对结果反馈调节气象参数影响土豆产能预测结果的阈值,继续采用前述的卷积神经网络模型对数据库参数进行修正,提高预测效果和预测精度。同时将每年新产生的实际气象数据和土豆产能数据分别通过步骤A中的方法进行数组化处理,并且填充到目标区域历史气象参数集合目标区域土豆产能的历史数据集中,达到丰富数据库和保持数据库的时效性。
历史气象参数集中预设比例的数据作为训练集是通过卷积神经网络模型中的卷积层、池化层经过前向训练处理并提取特征量;将特征量输入至全连接层中进行分类,得到能够预测目标区域气象参数的区域气象参数预测模型。预测气象参数作为训练集是通过卷积神经网络模型中的卷积层、池化层经过向前训练处理并提取特征量;将特征量输入至全连接层中进行分类,以目标区域中土豆的产量为目标数组,进行训练模型优化参数,由此得到能够反映区域气象参数和区域土豆产量的关系模型,即土豆预测模型。
在步骤C中,输入土豆预测模型的预测气象参数通过卷积神经网络中的卷积层、池化层经过前向训练处理并提取特征量,运用土豆产量预测模型输出预测的土豆产量,根据上述步骤获得能够预测区域土豆产量的土豆产量预测系统。
在前述的方法中,神经网络模型中的卷积层通过公式(1)进行前向训练提取特征:
其中n代表当前层,表示当前层的第j个特征图,f()表示激励函数,Mj代表输入图的集合,表示第j个特征图对应的偏置项,表示当前层第j个特征图与前一层第i个特征图的卷积核,表示前一层第i个特征图,*表示卷积运算。
将前述卷积层提取的特征作为输入池化层,并通过公式(2)降低数据的维度,进行前向训练提取特征:
将卷积层提取的特征和池化层提取的特征通过全连接层通过公式(3)进行分类,获得对应的预测模型:
h(x)=f(wTx+b) (3)
h(x)表示神经元的输出值;x表示神经元输入特征向量;w表示权值向量;b表示偏置,T表示矩阵转置。
在根据卷积神经网络模型训练气象参数预测模型和土豆产量预测模型时,在模型训练时存在训练集输出值与真实值存在误差的现象,此时需要进行反向传播来更新权值。
反向传播:当卷积神经网络输出结果与预期值不符时,需要进行反向传播,求出输出结果和期望值的误差,将误差值一层层返回,计算每层的误差值,进行权值更新,具体过程如下:
(1)计算总的误差,求输出与目标值之间的误差,计算公式为:
δ(m)=-(y-a(m))*f(z(m)) (4)
其中,m表示输出层,a(m)表示输出层的输出,y表示目标值,f(z(m))为激励函数的导函数的值,δ(m)表示误差。
(2)误差传入全连接层,求出该层中产生多少误差。误差由神经元造成,所以要求出每个神经元的误差,更新权值。
(3)在下采样层中,根据采用的池化方法,将误差传递到上一层。下采样层不需要权值更新。
(4)在卷积层中,误差通过卷积核来传递,需要先对卷积层误差进行一层全零填充,然后将卷积层进行一百八十度旋转,再用旋转后的卷积核卷积填充过程的误差矩阵,并得到了上一层的误差。更新权值。
根据上述方法,对获取的目标区域中前20年内的气象参数和土豆产量进行降噪处理、数理统计后得到纯净的历史气象参数集,训练土豆产量预测模型的卷积神经网络利用训练集置卷积层、池化层、全连接层的排列规律,进行前向训练并反向传播更新权值,得到能够预测土豆产量的模型;将通过预测到的气象数据输入得到的土豆产量预测模型中,便可得到来年的土豆的预测产量。
以上所述仅是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于区域气象参数预测土豆产量的方法,用于对目标区域中的土豆产量进行预测,其特征在于,包括如下步骤:
步骤A、统计目标区域分别对历史指定N年中各单位时长的各类型气象参数、以及各类型气象参数对应的日期,构建历史气象参数集;
步骤B、将构建的历史气象参数集输入至训练好的气象参数预测模型中,获取统计时间中最晚日期之后的一年中的各类型预测气象参数;
步骤C、对各类型预测气象参数分别求平均,获取各类型预测气象参数的在各个季度的季度平均值,将各类型预测气象参数的季度平均值输入至训练好的土豆产量预测模型中,获取预测的各季度的土豆产量。
2.根据权利要求1所述的基于区域气象参数预测土豆产量的方法,其特征在于,所述各类型气象参数包括:光照强度、气温数据、湿度数据、降雨量数据。
3.根据权利要求2所述的基于区域气象参数预测土豆产量的方法,其特征在于,在步骤A中,构建历史气象参数集的方法包括:以周为单位,分别对历史指定N年内的各类型气象参数求平均,获取各类型气象参数的周平均值,以及与各类型气象参数的周平均值所对应的时间,进而构建历史气象参数集。
4.根据权利要求3所述的基于区域气象参数预测土豆产量的方法,其特征在于,所述步骤B中,按照步骤B1至步骤B2,获得训练好的气象参数预测模型:
步骤B1、搭建卷积神经网络模型;
步骤B2、随机选取历史气象参数集中的预设比例数据作为训练集,将历史气象参数集中的其他数据作为测试集,对步骤B1中搭建的卷积神经网络模型进行训练,获取训练好的气象参数预测模型。
5.根据权利要求2所述的基于区域气象参数预测土豆产量的方法,其特征在于,所述步骤C中,按照步骤C1至步骤C3,获得训练好的土豆产量预测模型:
步骤C1、搭建卷积神经网络模型;
步骤C2、以季度为单位,分别对历史指定N年中的各类型气象参数求平均,获取各气象参数的季度平均值,以及与各类型气象参数的季度平均值所对应的时间;统计历史指定N年中,目标区域中每季度的土豆产量;建立各类型气象参数的季度平均值和每季度的土豆产量之间的对应关系,构建气象参数-土豆产量数据集;
步骤C3、随机选取气象参数-土豆产量数据集中的预设比例数据作为训练集,将气象参数-土豆产量数据集中的其他数据作为测试集,对步骤C1中搭建的卷及审计网络模型进行训练,获取训练好的土豆产量预测模型。
6.根据权利要求4或5所述的基于区域气象参数预测土豆产量的方法,其特征在于,所述卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层;搭建卷积神经网络模型的方法包括如下步骤:
步骤1、选择输入层、卷积层、池化层、全连接层、输出层的排列规律;
步骤2、确定输入层矩阵的大小;
步骤3、在卷积层中,使用SamePadding零填充矩阵边界,设计卷积核大小;
步骤4、设定卷积层中卷积步长;
步骤5、选择池化层的Pooling窗口;
步骤6、设定激活函数和损失函数。
7.根据权利要求6所述基于区域气象参数预测土豆产量的方法,其特征在于,在步骤6中,激活函数为RELU函数,损失函数为MSE均方误差损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855865.1A CN112183575A (zh) | 2020-08-24 | 2020-08-24 | 一种基于区域气象参数预测土豆产量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855865.1A CN112183575A (zh) | 2020-08-24 | 2020-08-24 | 一种基于区域气象参数预测土豆产量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183575A true CN112183575A (zh) | 2021-01-05 |
Family
ID=73925031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010855865.1A Pending CN112183575A (zh) | 2020-08-24 | 2020-08-24 | 一种基于区域气象参数预测土豆产量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183575A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298286A (zh) * | 2021-03-31 | 2021-08-24 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果上市时间预测的方法 |
CN114529091A (zh) * | 2022-02-22 | 2022-05-24 | 山东省农业科学院 | 一种融合气象数据的作物产量预测系统 |
CN115796384A (zh) * | 2022-12-22 | 2023-03-14 | 中国农业科学院农业环境与可持续发展研究所 | 用于小麦面包品质预测的系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053061A (zh) * | 2017-12-08 | 2018-05-18 | 天津大学 | 一种基于改进卷积神经网络的太阳能辐照度预测方法 |
CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
CN111027752A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
-
2020
- 2020-08-24 CN CN202010855865.1A patent/CN112183575A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053061A (zh) * | 2017-12-08 | 2018-05-18 | 天津大学 | 一种基于改进卷积神经网络的太阳能辐照度预测方法 |
CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
CN111027752A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
Non-Patent Citations (1)
Title |
---|
李公法: "《机器人灵巧手的人机交互技术及其稳定控制》", 华中科技大学出版社, pages: 115 - 116 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298286A (zh) * | 2021-03-31 | 2021-08-24 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果上市时间预测的方法 |
CN114529091A (zh) * | 2022-02-22 | 2022-05-24 | 山东省农业科学院 | 一种融合气象数据的作物产量预测系统 |
CN115796384A (zh) * | 2022-12-22 | 2023-03-14 | 中国农业科学院农业环境与可持续发展研究所 | 用于小麦面包品质预测的系统 |
CN115796384B (zh) * | 2022-12-22 | 2023-11-14 | 中国农业科学院农业环境与可持续发展研究所 | 用于小麦面包品质预测的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183575A (zh) | 一种基于区域气象参数预测土豆产量的方法 | |
Mathieu et al. | Assessment of the agro-climatic indices to improve crop yield forecasting | |
US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
WO2023179167A1 (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
Linker et al. | Efficient model-based sub-optimal irrigation scheduling using imperfect weather forecasts | |
CN104899786A (zh) | 玉米品种种植适宜性精细区划方法与系统 | |
CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
Liu et al. | Narrowing the agronomic yield gaps of maize by improved soil, cultivar, and agricultural management practices in different climate zones of Northeast China | |
CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
CN115730523A (zh) | 一种基于深度学习的区域尺度作物产量近实时预测方法 | |
CN116307191A (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
AU2021374236A1 (en) | Advanced crop manager for crops stress mitigation | |
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 | |
Safa et al. | Artificial neural networks application to predict wheat yield using climatic data | |
CN115953064A (zh) | 一种耕地质量综合治理及优化调控方法 | |
Karuna et al. | Convolutional and spiking neural network models for crop yield forecasting | |
JP7416394B2 (ja) | 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法 | |
Salam et al. | Climate recommender system for wheat cultivation in North Egyptian Sinai Peninsula | |
Mapp et al. | Simulation of soil water-crop yield systems: The potential for economic analysis | |
US20210318283A1 (en) | Systems and methods for providing germplasm crop scenarios | |
Piekutowska et al. | Modeling methods of predicting potato yield-examples and possibilities of application | |
CN111695533B (zh) | 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法 | |
Soodtoetong et al. | The performance of crop yield forecasting model based on artificial intelligence |
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 |