CN112836903B - 病虫害风险预测方法 - Google Patents
病虫害风险预测方法 Download PDFInfo
- Publication number
- CN112836903B CN112836903B CN202110322027.2A CN202110322027A CN112836903B CN 112836903 B CN112836903 B CN 112836903B CN 202110322027 A CN202110322027 A CN 202110322027A CN 112836903 B CN112836903 B CN 112836903B
- Authority
- CN
- China
- Prior art keywords
- pest
- disease
- meteorological
- occurrence
- insect
- 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.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 270
- 201000010099 disease Diseases 0.000 title claims abstract description 167
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 54
- 241000238631 Hexapoda Species 0.000 claims abstract description 119
- 208000035240 Disease Resistance Diseases 0.000 claims description 12
- 208000022602 disease susceptibility Diseases 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 37
- 229920000742 Cotton Polymers 0.000 description 10
- 241000219146 Gossypium Species 0.000 description 10
- 240000007594 Oryza sativa Species 0.000 description 7
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 240000008042 Zea mays Species 0.000 description 6
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 6
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 6
- 235000005822 corn Nutrition 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 206010015535 Euphoric mood Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000013403 hyperactivity Diseases 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 240000002024 Gossypium herbaceum Species 0.000 description 1
- 235000004341 Gossypium herbaceum Nutrition 0.000 description 1
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing Methods 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请涉及一种病虫害风险预测方法，包括：获取待测作物所在的作物区域并据其分别获取所述待测作物的病虫害易发生气象模型；分别获取每个所述病虫害易发生气象模型中的每个气象参数对应的气象预报值；根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率；获取所述待测作物的抗病虫等级系数和所述作物区域周边预设范围内的病虫害发生程度系数；根据每个所述病虫害易发生气象模型对应的所述易发生概率、所述抗病虫等级系数以及所述病虫害发生程度系数，分别计算每个所述病虫害类型的病虫害风险概率。
Description
技术领域
本申请涉及病虫害预测技术领域，特别是涉及一种病虫害风险预测方法。
背景技术
水稻、小麦、玉米是我国主要的粮食作物，在我国粮食生产和消费中处于绝对主导地位，棉花是我国重要的经济作物之一，而病虫害严重威胁着水稻、小麦、玉米、棉花产量和品质。如何准确预测病虫害，提醒种植户提前预防，减少病虫害对三大主粮和棉花产量的影响，保证国家粮食安全和棉花生产安全，是当务之急，且具有很重要的现实意义。
现有技术中，对三大主粮和棉花病虫害的预警通常基于大量气象监测设备提供的实时气象数据以及历史气象数据，故无法对即将发生的病虫害进行准确预测。
发明内容
基于此，有必要针对现有病虫害预测方法无法对即将发生的病虫害进行准确预测的问题，提供一种病虫害风险预测方法。
本申请提供一种病虫害风险预测方法，包括：
获取待测作物所在的作物区域；
根据所述作物区域分别获取所述待测作物的每种病虫害类型对应的病虫害易发生气象模型；
分别获取每个所述病虫害易发生气象模型中的每个气象参数对应的所述作物区域内的气象预报值；
根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率；
获取所述待测作物的抗病虫等级系数和所述作物区域周边预设范围内的病虫害发生程度系数；
根据每个所述病虫害易发生气象模型对应的所述易发生概率、所述抗病虫等级系数以及所述病虫害发生程度系数，分别计算每个所述病虫害类型的病虫害风险概率。
在其中一个实施例中，所述根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率，包括：
根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型中的每个所述气象参数对应的单一参数易发生概率；
根据每个所述病虫害易发生气象模型中的每个所述气象参数对应的所述单一参数易发生概率，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率。
在其中一个实施例中，所述预设病虫害预测算法包括：
获取所述病虫害易发生气象模型中每个所述气象参数对应的预设气象阈值范围；
根据每个所述气象参数对应的所述预设气象阈值范围和所述气象预报值，分别计算每个所述气象参数对应的所述单一参数易发生概率。
在其中一个实施例中，根据每个所述气象参数对应的所述预设气象阈值范围和所述气象预报值，分别计算每个所述气象参数对应的所述单一参数易发生概率，包括：
判断所述气象预报值是否位于所述预设气象阈值范围内；
若所述气象预报值位于所述预设气象阈值范围内，则所述单一参数易发生概率为1；
若所述气象预报值位于所述预设气象阈值范围外，则根据所述预设气象阈值范围的最大值和最小值，以及所述气象预报值计算所述单一参数易发生概率。
在其中一个实施例中，所述根据所述预设气象阈值范围的最大值和最小值，以及所述气象预报值计算所述单一参数易发生概率，包括：
判断所述气象预报值是否小于所述预设气象阈值范围的最小值，以及所述气象预报值是否大于所述预设气象阈值范围的最大值；
若所述气象预报值小于所述预设气象阈值范围的最小值，则所述单一参数易发生概率为所述气象预报值与所述预设气象阈值范围的最小值的比值；
若所述气象预报值大于所述预设气象阈值范围的最大值，则所述单一参数易发生概率为1减去相对气象差值，所述相对气象差值为气象差值与所述预设气象阈值范围的最大值的比值，所述气象差值为所述气象预报值减去所述预设气象阈值范围的最大值。
在其中一个实施例中，所述易发生概率为所述病虫害易发生气象模型中每个所述气象参数对应的所述单一参数易发生概率之间的乘积。
在其中一个实施例中，所述病虫害风险概率为所述易发生概率、所述抗病虫等级系数以及所述病虫害发生程度系数的乘积。
在其中一个实施例中，计算每个所述病虫害易发生气象模型对应的所述病虫害类型的病虫害风险概率之后，还包括：
根据所述病虫害风险概率，进行风险等级划分。
在其中一个实施例中，所述根据所述作物区域分别获取所述待测作物的每种病虫害类型对应的病虫害易发生气象模型之前，还包括：
根据所述作物区域获取所述待测作物的病虫害易发生生育期；
根据所述病虫害易发生生育期获取所述待测作物的全部所述病虫害类型。
在其中一个实施例中，所述获取待测作物所在的作物区域之前，还包括：
根据不同的所述待测作物及其对应的所述作物区域，分别构建作物品种数据库、作物区域数据库、生育期数据库，病虫害易发生气象模型数据库、品种抗病性数据库以及历史发生程度数据库；
其中，所述作物品种数据库包括多种所述待测作物，所述作物区域数据库包括所述待测作物对应的所述作物区域，所述生育期数据库包括所述待测作物的所述病虫害易发生生育期，所述病虫害易发生气象模型数据库包括所述作物区域对应的所述病虫害易发生气象模型，所述品种抗病性数据库包括所述待测作物的所述抗病虫等级系数，所述历史发生程度数据库包括所述待测作物的所述病虫害发生程度系数。
本申请提供的病虫害风险预测方法，包括：获取待测作物所在的作物区域；根据作物区域分别获取待测作物的每种病虫害类型对应的病虫害易发生气象模型，故本申请覆盖的病虫害类型较为全面，提高了病虫害预测方法的覆盖范围；分别获取每个病虫害易发生气象模型中的每个气象参数对应的所述作物区域内的气象预报值；根据每个病虫害易发生气象模型对应的全部气象预报值以及预设病虫害预测算法，分别计算每个病虫害易发生气象模型对应的病虫害类型的易发生概率。通过获取待测作物的作物区域以及所述作物区域内的气象预报值，结合方法中其他步骤可以直接获取未来几天内的病虫害风险概率，从而提高了病虫害风险预测方法的时效性。获取待测作物的抗病虫等级系数和作物区域周边预设范围内的病虫害发生程度系数；根据每个病虫害易发生气象模型对应的易发生概率、抗病虫等级系数以及病虫害发生程度系数，分别计算每个病虫害易发生气象模型对应的病虫害类型的病虫害风险概率。通过在病虫害风险预测方法中引入待测作物的抗病虫等级和作物区域周边预设范围内的病虫害发生程度的影响，可以提高病虫害风险概率预测的准确性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例提供的一种病虫害风险预测方法流程图；
图2为本申请实施例提供的一种病虫害风险预测方法原理图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1，本申请提供一种病虫害风险预测方法，包括：
步骤S10，获取待测作物所在的作物区域；
步骤S20，根据作物区域分别获取待测作物的每种病虫害类型对应的病虫害易发生气象模型；
步骤S30，分别获取每个病虫害易发生气象模型中的每个气象参数对应的作物区域内的气象预报值；
步骤S40，根据每个病虫害易发生气象模型对应的全部气象预报值以及预设病虫害预测算法，分别计算每个病虫害易发生气象模型对应的病虫害类型的易发生概率；
步骤S50，获取待测作物的抗病虫等级系数和作物区域周边预设范围内的病虫害发生程度系数；
步骤S60，根据每个病虫害易发生气象模型对应的易发生概率、抗病虫等级系数以及病虫害发生程度系数，分别计算每个病虫害类型的病虫害风险概率。
本申请提供一种病虫害风险预测方法，包括：获取待测作物所在的作物区域；根据作物区域分别获取待测作物的每种病虫害类型对应的病虫害易发生气象模型，故本申请覆盖的病虫害类型较为全面，提高了病虫害预测方法的覆盖范围；分别获取每个病虫害易发生气象模型中的每个气象参数对应的所述作物区域内的气象预报值；根据每个病虫害易发生气象模型对应的全部气象预报值以及预设病虫害预测算法，分别计算每个病虫害易发生气象模型对应的病虫害类型的易发生概率。通过获取待测作物的作物区域以及所述作物区域内的气象预报值，结合方法中其他步骤可以直接获取未来几天内的病虫害风险概率，从而提高了病虫害风险预测方法的时效性。获取待测作物的抗病虫等级系数和作物区域周边预设范围内的病虫害发生程度系数；根据每个病虫害易发生气象模型对应的易发生概率、抗病虫等级系数以及病虫害发生程度系数，分别计算每个病虫害易发生气象模型对应的病虫害类型的病虫害风险概率。通过在病虫害风险预测方法中引入待测作物的抗病虫等级和作物区域周边预设范围内的病虫害发生程度的影响，可以提高病虫害风险概率预测的准确性。
请一并参见图2，在其中一个实施例中，获取待测作物所在的作物区域之前，还包括：
步骤S01，根据不同的待测作物及其对应的作物区域，分别构建作物品种数据库、作物区域数据库、生育期数据库，病虫害易发生气象模型数据库、品种抗病性数据库以及历史发生程度数据库。其中，作物品种数据库包括多种待测作物，作物区域数据库包括待测作物对应的作物区域，生育期数据库包括待测作物的病虫害易发生生育期，病虫害易发生气象模型数据库包括作物区域对应的病虫害易发生气象模型，品种抗病性数据库包括待测作物的抗病虫等级系数，历史发生程度数据库包括待测作物的病虫害发生程度系数。可以理解，通过设置上述数据库，可以在病虫害风险预测方法的后续步骤中直接从上述数据库中调用所需数据，从而提高了病虫害风险预测方法的时效性。
在其中一个实施例中，待测作物可以包括水稻、小麦、玉米等我国主要的粮食作物，以及棉花等我国的重要经济作物，当然也可以根据需要调整为其他类型的作物。另外，可以根据我国种植区域对待测作物对应的作物区域进行划分，其中水稻对应的作物区域可以划分为18个水稻种植生态区，具体可以包括7个粳稻生态区和11个籼稻生态区。另外，玉米对应的作物区域可以划分为11个玉米生态区，小麦对应的作物区域可以划分为11个小麦生态区，而新疆棉花种植区域可以划分为南疆棉花生态区和北疆棉花生态区。本实施例中，可以分别针对每个生态区建立每种病虫害对应的病虫害易发生气象模型，具体可以包括20种常见水稻病虫害，32种常见玉米病虫害，20种常见小麦病虫害以及5种棉花常见虫害对应的病虫害易发生气象模型，同时也可以包括部分不常见的病虫害类型。可以理解，生态区或种植区的划分可以扩大本申请提供的病虫害风险预测算法的受众范围，即所有种植区或生态区的所有区县均可使用本申请提供的病虫害风险预测方法。相比于现有技术中部分种植户无法及时获取到预测预报信息，本申请提供的病虫害风险预测方法可以内置于手机或其他便携智能设备，种植户可通过手机APP及时获取到预测预报信息，对指导其提前预防起到了积极作用。
在其中一个实施例中，根据作物区域分别获取待测作物的每种病虫害类型对应的病虫害易发生气象模型之前，还包括：
步骤S02，根据作物区域获取待测作物的病虫害易发生生育期；
步骤S03，根据病虫害易发生生育期获取待测作物的全部病虫害类型。
在其中一个实施例中，由于待测作物的不同的生育期可以对应不同的病虫害类型，故可以在作物区域获取待测作物的病虫害类型对应的病虫害易发生气象模型之前，根据待测作物的种类及其对应的作物区域获取待测作物的病虫害易发生生育期，结合病虫害易发生生育期可以进一步获取待测作物在当前生育期内的全部病虫害类型，有利于提高病虫害风险预测的准确性。因此，相比于现有技术仅可以在作物的生育时间内提供2-3次的预测预报，无法覆盖病虫害发生的所有风险时期，本申请提供的病虫害风险预测方法可以从待测作物的播种期到收获期的每个生育期内，提供每天的病虫害风险概率预测，从而实现对同一生育期内全部易发生的病虫害类型的全面覆盖。
在其中一个实施例中，步骤S10之前，本申请提供的病虫害风险预测方法还可以自动获取每个用户所在的位置，从而可以根据用户所在位置获取当前位置对应的待测作物。另外，获取每个用户所在的位置还可以有利于步骤S30中直接获取所在位置的天气预报数据，即不同气象参数的气象预报值。因此，相比于现有技术对病虫害进行风险预测时需要县级植保部门进行虫情病情调查上报，省级或国家植保部门对上报数据进行处理、分析、讨论以及预测实现的病虫害风险预测和公告，本申请提供的病虫害风险预测方法可以通过对用户所在位置的自动获取，从而在无需人工操作的基础上直接得出当地以及当前生育期内作物的所有易发生病虫害未来预设天数内的病虫害风险概率，提高了病虫害风险预测的时效性，同时也避免了由于人工预测可能存在的稳定性较低、差异性大以及准确性较低等问题。
在其中一个实施例中，步骤S20中，根据作物区域分别获取待测作物的每种病虫害类型对应的病虫害易发生气象模型。本实施例中，病虫害易发生气象模型可以根据现有的各地区的植保专家的经验以及现有科研结果数据整理建立，例如，其中一种病虫害易发生模型可以参见表1。可以理解，通过设置病虫害易发生气象模型，提高了病虫害风险预测方法的准确性。相比于现有技术中，通过各地区调查后，仅可以针对每种作物的5-7种重点病虫害进行预测，本申请提供的病虫害风险预测方法可以覆盖各种常见以及偶发的病虫害种类，且新增病虫害类型仅需要在数据库中增加对应的病虫害易发生气象模型即可。
表1 病虫害易发生气象模型
在其中一个实施例中，步骤S30中，分别获取每个病虫害易发生气象模型中的每个气象参数对应的作物区域内的气象预报值。本实施例中，气象参数可以包括日平均温、日最高温、日最低温、相对湿度、风速、连续降水、连续阴天以及光照时间等参数。可以理解，不同的病虫害易发生气象条件模型中涉及到的气象参数不同，气象参数对应的数值也存在差异，可以根据实际需要进行设置或选取。在其中一个实施例中，同时获取未来预设几天内的气象预报值时，可以依次对每一天的气象预报值进行后续步骤的计算，从而实现对每一天的病虫害风险概率计算。
在其中一个实施例中，步骤S40，根据每个病虫害易发生气象模型对应的全部气象预报值以及预设病虫害预测算法，分别计算每个病虫害易发生气象模型对应的病虫害类型的易发生概率，包括：
步骤S410，根据每个病虫害易发生气象模型对应的全部气象预报值以及预设病虫害预测算法，分别计算每个病虫害易发生气象模型中的每个气象参数对应的单一参数易发生概率；
步骤S420，根据每个病虫害易发生气象模型中的每个气象参数对应的单一参数易发生概率，分别计算每个病虫害易发生气象模型对应的病虫害类型的易发生概率。
在其中一个实施例中，步骤S410，预设病虫害预测算法包括：
步骤S411，获取病虫害易发生气象模型中每个气象参数对应的预设气象阈值范围。
步骤S412，根据每个气象参数对应的预设气象阈值范围和气象预报值，分别计算每个气象参数对应的单一参数易发生概率。
在其中一个实施例中，相对于现有技术需安装气象监测设备，并需要以气象监测设备的实时数据和历史数据为依据来进行病虫害预警从而导致对未来的天气数据缺乏预见性的问题，本申请提供的病虫害风险预测方法可以结合气预报数据中的气象参数的预报值，从而可以完成未来几天内的当前病虫害类型的易发生概率的计算。另外，现有技术中的气象监测设备需要投入大量的设备资金，不适于中小型种植户使用，而本申请提供的病虫害风险预测方法无需依赖大量的气象监测设备，仅需要结合天气预报数据即可完成病虫害风险预测，节省了成本。
在其中一个实施例中，步骤S412，根据每个气象参数对应的预设气象阈值范围和气象预报值，分别计算每个气象参数对应的单一参数易发生概率，包括：
步骤S413，判断气象预报值是否位于预设气象阈值范围内；
步骤S414，若气象预报值位于预设气象阈值范围内，则单一参数易发生概率为1；其中气象预报值等于预设气象阈值范围的边界值，即最大值和最小值，也可以视为气象预报值位于预设阈值范围内；
步骤S415，若气象预报值位于预设气象阈值范围外，则根据预设气象阈值范围的最大值和最小值，以及气象预报值计算单一参数易发生概率。
在其中一个实施例中，步骤S415，根据预设气象阈值范围的最大值和最小值，以及气象预报值计算单一参数易发生概率，包括：
步骤S416，判断气象预报值是否小于预设气象阈值范围的最小值，以及气象预报值是否大于预设气象阈值范围的最大值；
步骤S417，若气象预报值小于预设气象阈值范围的最小值，则单一参数易发生概率为气象预报值与预设气象阈值范围的最小值的比值；
步骤S418，若气象预报值大于预设气象阈值范围的最大值，则单一参数易发生概率为1减去相对气象差值，相对气象差值为气象差值与预设气象阈值范围的最大值的比值，气象差值为气象预报值减去预设气象阈值范围的最大值。
在其中一个实施例中，若预设气象阈值范围为气温为8～29摄氏度，若气象预报值为15摄氏度，则单一参数易发生概率为1；若气象预报值为7摄氏度，则单一参数易发生概率为7/8＝0.875；若气象预报值为31摄氏度，则单一参数易发生概率为1-(31-29)/29＝0.93。
在其中一个实施例中，单一参数易发生概率的计算过程可以理解为每个病虫害易发生气象条件模型中的气象参数的数值，与未来预设天数内每一天的气象参数的预报值之间一一拟合的过程。可以理解，气象参数与气象预报值之间的拟合度越高，即单一参数易发生概率越高，则病虫害风险概率越高。本实施例中，每一个气象参数与对应的气象预报值拟合后可以得到一个单一参数易发生概率。
在其中一个实施例中，易发生概率为病虫害易发生气象模型中每个气象参数对应的单一参数易发生概率之间的乘积，即可以将不同的气象参数对应的不同的单一参数易发生概率进行相乘，从而得到当前病虫害类型的易发生概率。因此，本申请提供的病虫害风险预测方法可以综合考虑每个气象参数对病虫害风险概率的影响，提高了病虫害风险概率预测的准确性。
在其中一个实施例中，步骤S50中，获取待测作物的抗病虫等级系数和作物区域周边预设范围内的病虫害发生程度系数。可以理解，可以根据天气预报数据与易发生气象条件的符合度，在气象条件符合度基础上，加入待测作物的抗病虫等级系数和历史病虫害发生程度系数，从而可以综合判断短期内病虫害发生风险的概率。其中，每种病虫害易发生的气象条件可以包括气象参数和数值范围。相比于现有技术中病虫害风险预测仅根据监测设备获得的气象数据，加入待测作物的抗病虫等级系数可以参考待测作物不同品种对应的不同的抗病性，加入病虫害发生程度系数可以参考往年病虫害的发生程度，当然还可以根据实际需要参考田间菌源量以及虫源量等多种类型的数据。
在其中一个实施例中，抗病级别和抗虫性级别可以分别包括6个级别。抗病性级别可以包括：免疫，近免疫，高亢；抗，抗病；中抗；中感，慢锈；感，感病；以及高感。抗虫级别可以包括：高亢；抗；中抗，低抗；耐虫，低感；感虫；以及高感。另外，发生程度级别可以包括：轻发生、偏轻发生、中等偏轻、中等发生、中等偏重、偏重发生以及大发生共7个级别。
在其中一个实施例中，步骤S60中，根据每个病虫害易发生气象模型对应的易发生概率、抗病虫等级系数以及病虫害发生程度系数，分别计算每个病虫害易发生气象模型对应的病虫害类型的病虫害风险概率。
在其中一个实施例中，计算得到每个病虫害易发生气象模型对应的易发生概率后，可以根据待测作物的抗病虫级别乘以对应的抗病虫等级系数，其中抗病性级别越高，对应的抗病性越好，抗病虫等级系数越低；随后，可以根据待测作物周边预设公里范围内当前病虫害的历史发生程度数据库中的发生程度级别，乘以病虫害发生程度系数，其中发生程度级别越高，则说明往年发生程度越严重，风险概率越高，病虫害发生程度系数越高。在其中一个实施例中，病虫害风险概率为易发生概率、抗病虫等级系数以及病虫害发生程度系数的乘积。通过上述计算，可以得到当前病虫害类型最终的病虫害风险概率。在其中一个实施例中，可以根据待测作物坐标周边20公里范围内病虫害的历史发生程度数据库中的发生程度级别乘以相应系数。可以理解，本申请提供的病虫害风险预测方法，可以同时结合天气预测中对病虫害发生影响较大的气象参数数据、品种抗病性级别以及历史发生程度数据等多种因素，从而提高对病虫害风险概率的计算的准确性。
在其中一个实施例中，步骤S60，计算每个病虫害易发生气象模型对应的病虫害类型的病虫害风险概率之后，还包括：步骤S70，根据病虫害风险概率，进行风险等级划分。本实施例中，步骤S60输出的结果可以为病虫害风险概率数值，根据病虫害风险概率P，从0～100％，可以划分为四个风险级别：0＜P≤40％时，不易发生，发生风险低；40％＜P≤60％时，发生风险中等；60％＜P≤80％时，发生风险较高；80％＜P≤100％时，发生风险高。另外，还可根据病虫害风险概率对应的风险级别，向用户提供相关的防治方案或用药指导，提高了病虫害风险预测方法的实用性。
综上所述，相对于现有技术进行病虫害风险预测在时效性、触达率、覆盖度、准确性方面都存在不足的问题。本申请提供的病虫害预测算法可以对种植户防治病虫害提供积极指导，确保种植户可以全面且及时地掌握病虫害发生风险信息。另外，本申请提供的病虫害预测算法还摆脱了病虫害预测受预测人员专业水平限制的问题，确保了病虫害风险预测的准确性。因此，本申请提供的病虫害风险预测在在预测预报效率、时效性、覆盖度、触达率、准确性方面都有明显改善，从而可以实现对水稻、小麦、玉米以及棉花病虫害发生风险的及时、短期预测，具有预测准确性高，效果好的优势。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种病虫害风险预测方法，其特征在于，包括：
获取待测作物所在的作物区域；
根据所述作物区域分别获取所述待测作物的每种病虫害类型对应的病虫害易发生气象模型；
分别获取每个所述病虫害易发生气象模型中的每个气象参数对应的所述作物区域内的气象预报值；
根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率；
获取所述待测作物的抗病虫等级系数和所述作物区域周边预设范围内的病虫害发生程度系数；
根据每个所述病虫害易发生气象模型对应的所述易发生概率、所述抗病虫等级系数以及所述病虫害发生程度系数，分别计算每个所述病虫害类型的病虫害风险概率；其中，所述病虫害风险概率，为所述易发生概率、所述抗病虫等级系数以及所述病虫害发生程度系数的乘积；
所述预设病虫害预测算法，包括：获取所述病虫害易发生气象模型中每个所述气象参数对应的预设气象阈值范围；根据每个所述气象参数对应的所述预设气象阈值范围和所述气象预报值，分别计算每个所述气象参数对应的单一参数易发生概率；其中，
所述根据每个所述气象参数对应的所述预设气象阈值范围和所述气象预报值，分别计算每个所述气象参数对应的单一参数易发生概率，包括：
判断所述气象预报值是否位于所述预设气象阈值范围内；若所述气象预报值位于所述预设气象阈值范围内，则所述单一参数易发生概率为1；若所述气象预报值位于所述预设气象阈值范围外，则根据所述预设气象阈值范围的最大值和最小值，以及所述气象预报值计算所述单一参数易发生概率；
所述根据所述预设气象阈值范围的最大值和最小值，以及所述气象预报值计算所述单一参数易发生概率，包括：
判断所述气象预报值是否小于所述预设气象阈值范围的最小值，以及所述气象预报值是否大于所述预设气象阈值范围的最大值；
若所述气象预报值小于所述预设气象阈值范围的最小值，则所述单一参数易发生概率为所述气象预报值与所述预设气象阈值范围的最小值的比值；
若所述气象预报值大于所述预设气象阈值范围的最大值，则所述单一参数易发生概率为1减去相对气象差值，所述相对气象差值为气象差值与所述预设气象阈值范围的最大值的比值，所述气象差值为所述气象预报值减去所述预设气象阈值范围的最大值；
所述易发生概率为所述病虫害易发生气象模型中每个所述气象参数对应的所述单一参数易发生概率之间的乘积。
2.根据权利要求1所述的病虫害风险预测方法，其特征在于，所述根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率，包括：
根据每个所述病虫害易发生气象模型对应的全部所述气象预报值以及预设病虫害预测算法，分别计算每个所述病虫害易发生气象模型中的每个所述气象参数对应的单一参数易发生概率；
根据每个所述病虫害易发生气象模型中的每个所述气象参数对应的所述单一参数易发生概率，分别计算每个所述病虫害易发生气象模型对应的所述病虫害类型的易发生概率。
3.根据权利要求2所述的病虫害风险预测方法，其特征在于，计算每个所述病虫害易发生气象模型对应的所述病虫害类型的病虫害风险概率之后，还包括：
根据所述病虫害风险概率，进行风险等级划分。
4.根据权利要求3所述的病虫害风险预测方法，其特征在于，所述根据所述作物区域分别获取所述待测作物的每种病虫害类型对应的病虫害易发生气象模型之前，还包括：
根据所述作物区域获取所述待测作物的病虫害易发生生育期；
根据所述病虫害易发生生育期获取所述待测作物的全部所述病虫害类型。
5.根据权利要求4所述的病虫害风险预测方法，其特征在于，所述获取待测作物所在的作物区域之前，还包括：
根据不同的所述待测作物及其对应的所述作物区域，分别构建作物品种数据库、作物区域数据库、生育期数据库，病虫害易发生气象模型数据库、品种抗病性数据库以及历史发生程度数据库；
其中，所述作物品种数据库包括多种所述待测作物，所述作物区域数据库包括所述待测作物对应的所述作物区域，所述生育期数据库包括所述待测作物的所述病虫害易发生生育期，所述病虫害易发生气象模型数据库包括所述作物区域对应的所述病虫害易发生气象模型，所述品种抗病性数据库包括所述待测作物的所述抗病虫等级系数，所述历史发生程度数据库包括所述待测作物的所述病虫害发生程度系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110322027.2A CN112836903B (zh) | 2021-03-25 | 2021-03-25 | 病虫害风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110322027.2A CN112836903B (zh) | 2021-03-25 | 2021-03-25 | 病虫害风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112836903A CN112836903A (zh) | 2021-05-25 |
| CN112836903B true CN112836903B (zh) | 2022-01-28 |
Family
ID=75930591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110322027.2A Active CN112836903B (zh) | 2021-03-25 | 2021-03-25 | 病虫害风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836903B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI831034B (zh) * | 2021-07-30 | 2024-02-01 | 國立中興大學 | 稻熱病預警系統及方法 |
| CN117391265B (zh) * | 2023-12-13 | 2024-03-05 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于大数据分析的林业病虫灾害风险预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| CN108764643A (zh) * | 2018-04-27 | 2018-11-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
| CN111537668A (zh) * | 2020-01-16 | 2020-08-14 | 农业农村部规划设计研究院 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019081567A1 (de) * | 2017-10-26 | 2019-05-02 | Basf Se | Ertragsabschätzung beim anbau von kulturpflanzen |
-
2021
- 2021-03-25 CN CN202110322027.2A patent/CN112836903B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| CN108764643A (zh) * | 2018-04-27 | 2018-11-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
| CN111537668A (zh) * | 2020-01-16 | 2020-08-14 | 农业农村部规划设计研究院 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112836903A (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112836903B (zh) | 病虫害风险预测方法 | |
| JP6580334B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
| CN113592193B (zh) | 一种作物收获期时间预测方法、装置及存储介质 | |
| CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
| CN110751412A (zh) | 一种农业气象灾害预警方法及系统 | |
| Molitor et al. | Yield of Müller-Thurgau and Riesling grapevines is altered by meteorological conditions in the current and previous growing seasons | |
| CN107103395B (zh) | 一种农作物虫害短期预警方法 | |
| CN112070297A (zh) | 农事活动的天气指标预测方法、装置、设备及存储介质 | |
| CN115860279B (zh) | 南美白对虾养殖投苗作业窗口期的气象风险预测方法 | |
| CN115619583A (zh) | 一种复合农业气象灾害监测指标体系的构建方法 | |
| CN116523673A (zh) | 数字烟田智慧农业系统 | |
| Li et al. | Farmer's Adaptation to Climate Risk in the Context of China-: A research on Jianghan Plain of Yangtze River Basin | |
| Han et al. | Climate variation explains more than half of cotton yield variability in China | |
| Wu et al. | Empirical analysis of the main factors influencing rice harvest losses based on sampling survey data of ten provinces in China | |
| Kumar et al. | Pre-harvest forecast of rice yield based on meteorological parameters using discriminant function analysis | |
| CN111582742A (zh) | 一种基于气象评价农产品品质的方法及系统 | |
| CN118071194A (zh) | 一种莓茶气象灾害监测系统及方法 | |
| CN115762062B (zh) | 猕猴桃果园气象灾害监测预警方法和装置 | |
| CN115759487B (zh) | 南美白对虾养殖肥水作业窗口期的气象风险预测方法 | |
| McDaniel et al. | Crop and location specific agricultural drought quantification: part I. Method development | |
| CN114219183A (zh) | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 | |
| CN113657771A (zh) | 农作物病虫害植保提醒方法、装置、电子设备和存储介质 | |
| CN113361929A (zh) | 一种基于气象条件的沙田柚糖度区域预报模型的构建方法 | |
| CN113408793A (zh) | 一种基于气象条件的荔枝大小年区域预报模型的构建方法 | |
| Sharma et al. | Prediction of wheat yield using ordinal logistic regression based on weather parameters. |
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 |