CN112597827A - 一种基于大数据的植物物候期预测方法和系统 - Google Patents
一种基于大数据的植物物候期预测方法和系统 Download PDFInfo
- Publication number
- CN112597827A CN112597827A CN202011443049.6A CN202011443049A CN112597827A CN 112597827 A CN112597827 A CN 112597827A CN 202011443049 A CN202011443049 A CN 202011443049A CN 112597827 A CN112597827 A CN 112597827A
- Authority
- CN
- China
- Prior art keywords
- information
- plant
- obtaining
- period prediction
- phenological 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的植物物候期预测方法和系统,获得第一植物的品种信息;根据所述第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合;获得所述第一植物的第一生长环境的气候特性信息;将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;获得所述第一植物的年龄信息;根据所述第一植物的年龄信息,获得第一调整参数;根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。解决了现有技术中存在对于植物的物候期预测不准确的技术问题。
Description
技术领域
本发明涉及植物物候期预测相关领域,尤其涉及一种基于大数据的植物物候期预测方法和系统。
背景技术
物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。通过观测和记录一年中植物的生长荣枯,动物的迁徙繁殖和环境的变化等,比较其时空分布的差异,探索动植物发育和活动过程的周期性规律,及其对周围环境条件的依赖关系,进而了解气候的变化规律,及其对动植物的影响。物候期的准确的预测对于植物的生长、培育有着至关重要的作用。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在对于植物的物候期预测不准确的技术问题。
发明内容
本申请实施例通过提供一种基于大数据的植物物候期预测方法和系统,解决了现有技术中存在对于植物的物候期预测不准确的技术问题,达到基于大数据,对植物的物候期进行准确的预测的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于大数据的植物物候期预测方法和系统。
第一方面,本申请实施例提供了一种基于大数据的植物物候期预测方法,所述方法应用于一植物物候期预测系统,所述系统包括一图像采集装置,所述方法包括:获得第一植物的品种信息;根据所述第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合;获得所述第一植物的第一生长环境的气候特性信息;将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;获得所述第一植物的年龄信息;根据所述第一植物的年龄信息,获得第一调整参数;根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
另一方面,本申请还提供了一种基于大数据的植物物候期预测系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一植物的品种信息;第二获得单元,所述第二获得单元用于根据所述第一植物的品种信息,通过图像采集装置获得所述第一植物的观测部位的图像集合;第三获得单元,所述第三获得单元用于获得所述第一植物的第一生长环境的气候特性信息;第一输入单元,所述第一输入单元用于将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;第四获得单元,所述第四获得单元用于获得所述第一植物的年龄信息;第五获得单元,所述第五获得单元用于根据所述第一植物的年龄信息,获得第一调整参数;第六获得单元,所述第六获得单元用于根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
第三方面,本发明提供了一种基于大数据的植物物候期预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合,获得第一植物的第一生长环境的气候特性信息,将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,基于所述植物物候期预测模型不断地基于训练数据自我修正调整的特性,获得所述第一植物的第一物候期预测结果信息,再根据第一植物的年龄信息获得第一调整参数,根据所述第一调整参数对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息,达到基于大数据,对植物的物候期进行准确的预测的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于大数据的植物物候期预测方法的流程示意图;
图2为本申请实施例一种基于大数据的植物物候期预测系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一输入单元14,第四获得单元15,第五获得单元16,第六获得单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种基于大数据的植物物候期预测方法和系统,解决了现有技术中存在对于植物的物候期预测不准确的技术问题,达到基于大数据,对植物的物候期进行准确的预测的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
物候期是指动植物的生长、发育、活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。通过观测和记录一年中植物的生长荣枯,动物的迁徙繁殖和环境的变化等,比较其时空分布的差异,探索动植物发育和活动过程的周期性规律,及其对周围环境条件的依赖关系,进而了解气候的变化规律,及其对动植物的影响。物候期的准确的预测对于植物的生长、培育有着至关重要的作用。但现有技术中存在对于植物的物候期预测不准确的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于大数据的植物物候期预测方法,所述方法应用于一植物物候期预测系统,所述系统包括一图像采集装置,所述方法包括:获得第一植物的品种信息;根据所述第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合;获得所述第一植物的第一生长环境的气候特性信息;将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;获得所述第一植物的年龄信息;根据所述第一植物的年龄信息,获得第一调整参数;根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于大数据的植物物候期预测方法,其中,所述方法应用于一植物物候期预测系统,所述系统包括一图像采集装置,所述方法包括:
步骤S100:获得第一植物的品种信息;
具体而言,所述植物物候期预测系统为对植物的物候期进行预测的系统,所述物候期是指动植物的生长,发育,活动等规律与生物的变化对节候的反应。所述第一植物为将进行物候期预测的植物,所述品种信息是指经过人工选择而形成遗传性状比较稳定、种性大致相同、具有人类需要的性状的栽培植物群的相关信息,这里指所述第一植物的分类信息。
步骤S200:根据所述第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合;
具体而言,所述图像采集装置为具备成像功能的设备,所述第一植物的观测部位为根据所述第一植物的品种信息,基于大数据获得的观测部位信息,所述图像集合为包含所述第一植物的同一观测部位的至少两张以上图像。
步骤S300:获得所述第一植物的第一生长环境的气候特性信息;
具体而言,所述气候特性是指即地区的自然条件,一般因为纬度位置(阳光直射与斜射)、大气环流、海陆位置(季风)、地形地势和洋流等因素综合影响的结果。它是分地域分类型的,各个地方气候类型是不一样的。根据所述第一植物的生长环境信息,对所述环境信息进行分析,获得所述第一生长环境的气候特性信息。通过所述气候特性信息的获得,为后续准确的进行第一植物的物候期进行准确的预测做好了准备工作。
步骤S400:将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;
具体而言,所述植物物候期预测模型为不断进行学习进步的模型。将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述植物物候期预测模型的预测结果。
进一步而言,所述将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息,本申请实施例步骤S400还包括:
步骤S410:将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息作为输入数据,输入植物物候期预测模型,其中,所述植物物候期预测模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述观测部位的图像集合中的观测部位的图像信息、所述气候特性信息和用来标识第一物候期预测结果的标识信息;
步骤S420:获得所述植物物候期预测模型的第一输出信息,所述第一输出信息为所述第一植物的第一物候期预测结果信息。
具体而言,所述植物物候期预测模型为机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息作为输入数据,输入神经网络模型,则输出第一物候期预测结果信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述观测部位的图像集合中的观测部位的图像信息、所述气候特性信息和用来标识第一物候期预测结果的标识信息,将所述观测部位的图像集合中的观测部位的图像信息、所述气候特性信息输入到神经网络模型中,根据用来标识第一物候期预测结果的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而获得更加准确的第一物候期预测结果,达到对植物的物候期进行准确的预测的技术效果。
步骤S500:获得所述第一植物的年龄信息;
步骤S600:根据所述第一植物的年龄信息,获得第一调整参数;
具体而言,所述年龄是指一种具有生物学基础的自然标志,随着日月流逝,年龄也随之增长,这是不可抗拒的自然规律。获得所述第一植物的年龄信息,即所述第一植物的生长时间信息,根据所述年龄信息,获得第一调整参数。
步骤S700:根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
具体而言,根据所述第一植物的年龄信息,结合所述第一植物的生长环境的特性,获得第一调整参数,根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。达到对植物的物候期进行准确的预测的技术效果。
进一步而言,本申请实施例还包括:
步骤S810:根据所述第二物候期预测结果信息,获得第一预测节点信息;
步骤S820:根据所述第一预测节点信息,获得第一图像信息,其中,所述第一图像信息为所述第一植物处于所述第一预测节点信息时的实时图像信息;
步骤S830:根据所述第一预测节点信息,所述第一图像信息,获得所述第一植物的第一实际物候期信息;
步骤S840:判断所述第一实际物候期信息是否与所述第二物候期预测结果信息相同;
步骤S850:如果所述第一实际物候期信息与所述第二物候期预测结果信息不同,获得第一提醒信息;
步骤S860:根据所述第一提醒信息,提醒所述第二物候期预测结果信息需要进行调整。
具体而言,所述预测节点为所述植物处于不同物候期的节点,举例而言,所述物候期节点可以是:萌芽期、生长期、开花期等等,在所述物候期节点,获得所述物候期的植物的实时图像信息,根据所述实时图像信息为第一图像信息,根据所述预测节点信息和第一图像信息,获得所述第一植物的第一实际物候期信息,根据所述第一实际物候期信息判断所述第二物候期预测结果信息与所述第一实际物候期信息是否相同,当所述如果所述第一实际物候期信息与所述第二物候期预测结果信息不同,表明上述模型仍需进一步的调整,此时获得第一提醒信息,根据所述第一提醒信息,对所述第二物候期预测结果和植物物候期预测模型进行调整,达到获得更加准确的植物物候期的预测结果的技术效果。
进一步而言,本申请实施例还包括:
步骤S910:对所述第一植物信息进行健康检测,获得第一健康信息;
步骤S920:获得预定健康标准;
步骤S930:判断所述第一健康信息是否达到所述预定健康标准;
步骤S940:如果所述第一健康信息未达到所述预定健康标准,获得所述第一植物信息的疾病信息;
步骤S950:根据所述第一植物信息的疾病信息,获得第一影响因素信息;
步骤S960:根据所述第一影响因素信息,对所述第二物候期预测结果信息进行调整,获得第三物候期预测结果信息。
具体而言,所述物候期的预测还受到所述植物的健康状态的影响,对所述第一植物进行健康检查,获得所述第一植物的健康状态信息,获得预定健康标准,所述预定健康标准为根据不同种类的植物受到疾病影响,对所述物候期的影响程度获得的,判断所述第一植物的第一健康信息是否满足所述预定健康标准,当不满足时,根据所述第一植物的疾病的不同,感染疾病的时间,感染的疾病的严重程度,感染疾病的治疗状况,获得调整信息,根据所述调整信息,对所述第二物候期预测结果信息进行调整,获得第三物候期预测结果信息。通过对所述植物的健康状态进行实时的监测和判断,达到根据植物的健康状态的不同,对物候期进行修正调整,以获得更加准确的植物物候期预测结果的技术效果。
进一步而言,本申请实施例还包括:
步骤S1010:获得所述第一植物的第一生长环境的天气预测信息;
步骤S1020:获得预定极端天气信息;
步骤S1030:判断所述第一植物的第一生长环境的天气预测信息是否具有所述预定极端天气信息;
步骤S1040:如果所述第一植物的第一生长环境的天气预测信息具有所述预定极端天气信息,获得第一极端天气信息;
步骤S1050:根据所述第一极端天气信息,对所述第一植物的第一生长环境的气候特性信息进行调整。
具体而言,植物的物候期天气因素影响很大。获得所述第一植物的第一生长环境的天气预测信息,根据所述天气预测信息,判断所述天气预测信息中是否存在极端天气,所述极端天气为根据植物种类、生长周期的不同获得的预定极端天气,当所述第一植物的第一生长环境的天气预测信息具有所述预定极端天气信息,获得第一极端天气信息。根据所述第一极端天气的持续时间、恶劣程度等,获得调整信息,根据所述调整信息对所述第一植物的第一生长环境的气候特性信息进行调整,进一步来说,所述因为天气的变化带来的温度影响也是影响植物物候期的重要因素,根据所述温度的变化,即早晚的温差信息,高温和低温对于植物的影响程度,对所述第一植物的第一生长环境的气候特性信息进行调整。通过极端天气、温差变化的预测,对所述第一植物的第一生长环境的气候特性信息进行调整,进而可以获得更加准确的植物物候期预测模型,达到对所述植物的物候期可以准确预测的技术效果。
进一步而言,本申请实施例还包括:
步骤S1110:获得第二图像信息,所述第二图像信息包括所述第一植物的第一生长环境的图像信息;
步骤S1120:根据所述第二图像信息,判断所述第一植物是否为人工管理植物;
步骤S1130:如果所述第一植物为人工管理植物,获得所述第一植物的监管记录信息;
步骤S1140:根据所述第一植物的监管记录信息,对所述第二物候期预测结果信息进行调整,获得第四物候期预测结果信息。
具体而言,所述第二图像信息为第一植物的生长环境信息,根据所述第二图像信息,判断所述第一植物是否为人工管理的植物,当所述第一植物为人工进行管理的植物时,根据所述第一植物的监管情况,对所述监管情况进行统计,根据所述人工对所述植物的照顾情况,获得第一调整信息,根据所述调整信息,对所述第二物候期预测结果信息进行调整,获得第四物候期预测结果信息。
进一步而言,本申请实施例还包括:
步骤S1210:获得所述第一植物在第二生长环境的第五物候期预测结果信息;
步骤S1220:获得所述第一生长环境和所述第二生长环境的区别特征;
步骤S1230:根据所述区别特征和所述第二物候期预测结果信息和所述第五物候期预测结果信息,获得第一预测规律;
步骤S1240:根据所述第一预测规律,对所述第一物候期预测结果信息进行甄别。
具体而言,所述第二生长环境为与所述第一生长环境不同的生长环境,获得所述第一植物在第二生长环境下的第五物候期预测结果信息,获得所述第一生长环境和所述第二生长环境的区别特征,即所述第一生长环境与第二生长环境的不同因素,并对所述因素进行分析处理,根据所述第二物候期预测结果和第五物候期预测结果,综合考量所述区别特征后,获得第一预测规律,根据所述预测规律,对所述第一物候期预测结果信息进行判断,以达到保证所述植物物候期预测模型准确性的技术效果。
进一步而言,所述将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息作为输入数据,输入植物物候期预测模型之前,本申请实施例步骤S410还包括:
步骤S411:获得输入所述植物物候期预测模型的第一训练数据、第二训练数据直至第N训练数据,其中,N为大于1的自然数;
步骤S412:根据所述第一训练数据生成第一验证码,所述第一验证码与所述第一训练数据一一对应;
步骤S413:根据所述第二训练数据和第一验证码生成第二验证码,以此类推,根据所述第N训练数据和第N-1验证码生成第N验证码;
步骤S414:将所有训练数据和验证码复制存储在M台电子设备上,其中,M为大于1的自然数。
具体而言,区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账”,共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一训练数据生成第一验证码,所述第一验证码与第一训练数据一一对应;根据所述第二训练数据和第一验证码生成第二验证码,第二验证码与第二训练数据一一对应;以此类推,根据所述第N训练数据和第N-1验证码生成第N验证码,其中,N为大于1的自然数,将所有训练数据和验证码分别复制保存在M台设备上,其中,所述第一训练数据和所述第一验证码作为第一存储单元保存在一台设备上,所述第二训练数据和所述第二验证码作为第二存储单元保存在一台设备上,所述第N训练数据和所述第N验证码作为第N存储单元保存在一台设备上,当需要调用所述训练数据时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希函数对于每一存储单元进行串接,使得训练数据不易丢失和遭到破坏,通过区块链的逻辑对所述训练数据进行加密处理,保证了所述训练数据的安全性,进而保证了通过所述训练数据训练获得的植物物候期预测模型的准确性,为后续准确、高效的进行植物物候期预测夯实了基础。
综上所述,本申请实施例所提供的一种基于大数据的植物物候期预测方法和系统具有如下技术效果:
1、由于采用了根据第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合,获得第一植物的第一生长环境的气候特性信息,将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,基于所述植物物候期预测模型不断地基于训练数据自我修正调整的特性,获得所述第一植物的第一物候期预测结果信息,再根据第一植物的年龄信息获得第一调整参数,根据所述第一调整参数对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息,达到基于大数据,对植物的物候期进行准确的预测的技术效果。
2、由于采用了通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而获得更加准确的第一物候期预测结果,达到对植物的物候期进行准确的预测的技术效果。
3、由于采用了根据第一提醒信息,对所述第二物候期预测结果和植物物候期预测模型进行调整的方式,达到获得更加准确的植物物候期的预测结果的技术效果。
4、由于采用了通过对所述植物的健康状态进行实时的监测和判断的方式,达到根据植物的健康状态的不同,对物候期进行修正调整,以获得更加准确的植物物候期预测结果的技术效果。
5、由于采用了通过极端天气、温差变化的预测,对所述第一植物的第一生长环境的气候特性信息进行调整的方式,进而可以获得更加准确的植物物候期预测模型,达到对所述植物的物候期可以准确预测的技术效果。
实施例二
基于与前述实施例中一种基于大数据的植物物候期预测方法同样发明构思,本发明还提供了一种基于大数据的植物物候期预测系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一植物的品种信息;
第二获得单元12,所述第二获得单元12用于根据所述第一植物的品种信息,通过图像采集装置获得所述第一植物的观测部位的图像集合;
第三获得单元13,所述第三获得单元13用于获得所述第一植物的第一生长环境的气候特性信息;
第一输入单元14,所述第一输入单元14用于将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;
第四获得单元15,所述第四获得单元15用于获得所述第一植物的年龄信息;
第五获得单元16,所述第五获得单元16用于根据所述第一植物的年龄信息,获得第一调整参数;
第六获得单元17,所述第六获得单元17用于根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
进一步的,所述系统还包括:
第二输入单元,所述第二输入单元用于将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息作为输入数据,输入植物物候期预测模型,其中,所述植物物候期预测模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述观测部位的图像集合中的观测部位的图像信息、所述气候特性信息和用来标识第一物候期预测结果的标识信息;
第七获得单元,所述第七获得单元用于获得所述植物物候期预测模型的第一输出信息,所述第一输出信息为所述第一植物的第一物候期预测结果信息。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于根据所述第二物候期预测结果信息,获得第一预测节点信息;
第九获得单元,所述第九获得单元用于根据所述第一预测节点信息,获得第一图像信息,其中,所述第一图像信息为所述第一植物处于所述第一预测节点信息时的实时图像信息;
第十获得单元,所述第十获得单元用于根据所述第一预测节点信息,所述第一图像信息,获得所述第一植物的第一实际物候期信息;
第一判断单元,所述第一判断单元用于判断所述第一实际物候期信息是否与所述第二物候期预测结果信息相同;
第一提醒单元,所述第一提醒单元用于根据所述第一提醒信息,提醒所述第二物候期预测结果信息需要进行调整。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于对所述第一植物信息进行健康检测,获得第一健康信息;
第十二获得单元,所述第十二获得单元用于获得预定健康标准;
第二判断单元,所述第二判断单元用于判断所述第一健康信息是否达到所述预定健康标准;
第十三获得单元,所述第十三获得单元用于如果所述第一健康信息未达到所述预定健康标准,获得所述第一植物信息的疾病信息;
第十四获得单元,所述第十四获得单元用于根据所述第一植物信息的疾病信息,获得第一影响因素信息;
第十五获得单元,所述第十五获得单元用于根据所述第一影响因素信息,对所述第二物候期预测结果信息进行调整,获得第三物候期预测结果信息。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于获得所述第一植物的第一生长环境的天气预测信息;
第十七获得单元,所述第十七获得单元用于获得预定极端天气信息;
第三判断单元,所述第三判断单元用于判断所述第一植物的第一生长环境的天气预测信息是否具有所述预定极端天气信息;
第十八获得单元,所述第十八获得单元用于如果所述第一植物的第一生长环境的天气预测信息具有所述预定极端天气信息,获得第一极端天气信息;
第一调整单元,所述第一调整单元用于根据所述第一极端天气信息,对所述第一植物的第一生长环境的气候特性信息进行调整。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于获得第二图像信息,所述第二图像信息包括所述第一植物的第一生长环境的图像信息;
第四判断单元,所述第四判断单元用于根据所述第二图像信息,判断所述第一植物是否为人工管理植物;
第二十获得单元,所述第二十获得单元用于如果所述第一植物为人工管理植物,获得所述第一植物的监管记录信息;
第二十一获得单元,所述第二十一获得单元用于根据所述第一植物的监管记录信息,对所述第二物候期预测结果信息进行调整,获得第四物候期预测结果信息。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于获得所述第一植物在第二生长环境的第五物候期预测结果信息;
第二十三获得单元,所述第二十三获得单元用于获得所述第一生长环境和所述第二生长环境的区别特征;
第二十四获得单元,所述第二十四获得单元用于根据所述区别特征和所述第二物候期预测结果信息和所述第五物候期预测结果信息,获得第一预测规律;
第一甄别单元,所述第一甄别单元用于根据所述第一预测规律,对所述第一物候期预测结果信息进行甄别。
前述图1实施例一中的一种基于大数据的植物物候期预测方法的各种变化方式和具体实例同样适用于本实施例的一种基于大数据的植物物候期预测系统,通过前述对一种基于大数据的植物物候期预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于大数据的植物物候期预测系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于大数据的植物物候期预测方法的发明构思,本发明还提供一种基于大数据的植物物候期预测系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于大数据的植物物候期预测方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种基于大数据的植物物候期预测方法,所述方法应用于一植物物候期预测系统,所述系统包括一图像采集装置,所述方法包括:获得第一植物的品种信息;根据所述第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合;获得所述第一植物的第一生长环境的气候特性信息;将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;获得所述第一植物的年龄信息;根据所述第一植物的年龄信息,获得第一调整参数;根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。解决了现有技术中存在对于植物的物候期预测不准确的技术问题,达到基于大数据,对植物的物候期进行准确的预测的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于大数据的植物物候期预测方法,其中,所述方法应用于一植物物候期预测系统,所述系统包括一图像采集装置,所述方法包括:
获得第一植物的品种信息;
根据所述第一植物的品种信息,通过所述图像采集装置获得所述第一植物的观测部位的图像集合;
获得所述第一植物的第一生长环境的气候特性信息;
将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;
获得所述第一植物的年龄信息;
根据所述第一植物的年龄信息,获得第一调整参数;
根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
2.如权利要求1所述的方法,其中,所述将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息,包括:
将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息作为输入数据,输入植物物候期预测模型,其中,所述植物物候期预测模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述观测部位的图像集合中的观测部位的图像信息、所述气候特性信息和用来标识第一物候期预测结果的标识信息;
获得所述植物物候期预测模型的第一输出信息,所述第一输出信息为所述第一植物的第一物候期预测结果信息。
3.如权利要求1所述的方法,其中,所述方法包括:
根据所述第二物候期预测结果信息,获得第一预测节点信息;
根据所述第一预测节点信息,获得第一图像信息,其中,所述第一图像信息为所述第一植物处于所述第一预测节点信息时的实时图像信息;
根据所述第一预测节点信息,所述第一图像信息,获得所述第一植物的第一实际物候期信息;
判断所述第一实际物候期信息是否与所述第二物候期预测结果信息相同;
如果所述第一实际物候期信息与所述第二物候期预测结果信息不同,获得第一提醒信息;
根据所述第一提醒信息,提醒所述第二物候期预测结果信息需要进行调整。
4.如权利要求1所述的方法,其中,所述方法包括:
对所述第一植物信息进行健康检测,获得第一健康信息;
获得预定健康标准;
判断所述第一健康信息是否达到所述预定健康标准;
如果所述第一健康信息未达到所述预定健康标准,获得所述第一植物信息的疾病信息;
根据所述第一植物信息的疾病信息,获得第一影响因素信息;
根据所述第一影响因素信息,对所述第二物候期预测结果信息进行调整,获得第三物候期预测结果信息。
5.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一植物的第一生长环境的天气预测信息;
获得预定极端天气信息;
判断所述第一植物的第一生长环境的天气预测信息是否具有所述预定极端天气信息;
如果所述第一植物的第一生长环境的天气预测信息具有所述预定极端天气信息,获得第一极端天气信息;
根据所述第一极端天气信息,对所述第一植物的第一生长环境的气候特性信息进行调整。
6.如权利要求1所述的方法,其中,所述方法包括:
获得第二图像信息,所述第二图像信息包括所述第一植物的第一生长环境的图像信息;
根据所述第二图像信息,判断所述第一植物是否为人工管理植物;
如果所述第一植物为人工管理植物,获得所述第一植物的监管记录信息;
根据所述第一植物的监管记录信息,对所述第二物候期预测结果信息进行调整,获得第四物候期预测结果信息。
7.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一植物在第二生长环境的第五物候期预测结果信息;
获得所述第一生长环境和所述第二生长环境的区别特征;
根据所述区别特征和所述第二物候期预测结果信息和所述第五物候期预测结果信息,获得第一预测规律;
根据所述第一预测规律,对所述第一物候期预测结果信息进行甄别。
8.一种基于大数据的植物物候期预测系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一植物的品种信息;
第二获得单元,所述第二获得单元用于根据所述第一植物的品种信息,通过图像采集装置获得所述第一植物的观测部位的图像集合;
第三获得单元,所述第三获得单元用于获得所述第一植物的第一生长环境的气候特性信息;
第一输入单元,所述第一输入单元用于将所述观测部位的图像集合中的观测部位的图像信息和所述气候特性信息输入植物物候期预测模型,获得所述第一植物的第一物候期预测结果信息;
第四获得单元,所述第四获得单元用于获得所述第一植物的年龄信息;
第五获得单元,所述第五获得单元用于根据所述第一植物的年龄信息,获得第一调整参数;
第六获得单元,所述第六获得单元用于根据所述第一调整参数,对所述第一物候期预测结果信息进行调整,获得第二物候期预测结果信息。
9.一种基于大数据的植物物候期预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443049.6A CN112597827A (zh) | 2020-12-11 | 2020-12-11 | 一种基于大数据的植物物候期预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443049.6A CN112597827A (zh) | 2020-12-11 | 2020-12-11 | 一种基于大数据的植物物候期预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597827A true CN112597827A (zh) | 2021-04-02 |
Family
ID=75192270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011443049.6A Pending CN112597827A (zh) | 2020-12-11 | 2020-12-11 | 一种基于大数据的植物物候期预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597827A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191302A (zh) * | 2021-05-14 | 2021-07-30 | 成都鸿钰网络科技有限公司 | 一种草原生态监测方法及系统 |
CN113408849A (zh) * | 2021-05-13 | 2021-09-17 | 柳州东风容泰化工股份有限公司 | 一种唑螨酯与农药混用药效评估方法及系统 |
CN114529097A (zh) * | 2022-02-26 | 2022-05-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110352660A (zh) * | 2019-07-12 | 2019-10-22 | 塔里木大学 | 一种脱绒棉种活力快速无损检测信息处理方法和装置 |
CN111783946A (zh) * | 2020-06-23 | 2020-10-16 | 珠海格力电器股份有限公司 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
CN111931711A (zh) * | 2020-09-17 | 2020-11-13 | 北京长隆讯飞科技有限公司 | 一种多源异构遥感大数据处理方法和装置 |
CN112001242A (zh) * | 2020-07-16 | 2020-11-27 | 厦门理工学院 | 一种智能园艺管理方法和装置 |
-
2020
- 2020-12-11 CN CN202011443049.6A patent/CN112597827A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110352660A (zh) * | 2019-07-12 | 2019-10-22 | 塔里木大学 | 一种脱绒棉种活力快速无损检测信息处理方法和装置 |
CN111783946A (zh) * | 2020-06-23 | 2020-10-16 | 珠海格力电器股份有限公司 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
CN112001242A (zh) * | 2020-07-16 | 2020-11-27 | 厦门理工学院 | 一种智能园艺管理方法和装置 |
CN111931711A (zh) * | 2020-09-17 | 2020-11-13 | 北京长隆讯飞科技有限公司 | 一种多源异构遥感大数据处理方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408849A (zh) * | 2021-05-13 | 2021-09-17 | 柳州东风容泰化工股份有限公司 | 一种唑螨酯与农药混用药效评估方法及系统 |
CN113191302A (zh) * | 2021-05-14 | 2021-07-30 | 成都鸿钰网络科技有限公司 | 一种草原生态监测方法及系统 |
CN114529097A (zh) * | 2022-02-26 | 2022-05-24 | 黑龙江八一农垦大学 | 多尺度农作物物候期遥感降维预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597827A (zh) | 一种基于大数据的植物物候期预测方法和系统 | |
CN112001338A (zh) | 一种提升儿童健康水平的信息处理方法及系统 | |
Patidar et al. | Weed seedling detection using mask regional convolutional neural network | |
CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
Albayrak et al. | Development of intelligent decision support system using fuzzy cognitive maps for migratory beekeepers | |
CN111524023A (zh) | 温室调节方法及系统 | |
WO2019003441A1 (ja) | 予測装置、予測方法、予測プログラムが記録された記録媒体、及び、遺伝子推定装置 | |
CN113420733B (zh) | 一种高效分布式大数据数据采集实现方法及系统 | |
CN113689959B (zh) | 基于人工智能的疫情防控决策方法、装置、设备及介质 | |
Eyduran et al. | Predictive modeling of multivariate adaptive regression splines: An R Tutorial | |
CN115240843A (zh) | 基于结构因果模型的公平性预测系统 | |
US20210174276A1 (en) | Information processing apparatus, information processing method and non-transitory recording medium | |
Upadhyay et al. | Removal of batch effects using generative adversarial networks | |
Bansal et al. | A deep learning model for heterogeneous dataset analysis-application to winter wheat crop yield prediction | |
CN112348184A (zh) | 一种青蒿素纯度的检测方法和装置 | |
JP7243496B2 (ja) | 情報処理装置 | |
Bhat et al. | Crop Production Prediction odels in Indian Agriculture: M Possibilities and Challenges | |
CN118072976B (zh) | 基于数据分析的儿童呼吸道疾病预测系统及方法 | |
Varshini et al. | Crop Yield Forecast Using Machine Learning | |
CN113674518B (zh) | 一种柑橘植株高温热害等级预报方法及系统 | |
Morris | Modelling the evolution of flowering time in perennial plants | |
CN117238380A (zh) | 宏基因组病原识别的ai推荐方法、装置、设备及介质 | |
Doan et al. | A NOVEL SYSTEM FOR PREDICTING THE DAMAGE OF RICE DISEASES IN AN GIANG PROVINCE, VIETNAM | |
Hanafi et al. | Performance Evaluation of Rice Seed Classification System Based on The CNN with VGG-GoogleNet Architecture |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |
|
RJ01 | Rejection of invention patent application after publication |