CN113052407A - 一种大豆气象单产预测方法及预测系统 - Google Patents
一种大豆气象单产预测方法及预测系统 Download PDFInfo
- Publication number
- CN113052407A CN113052407A CN202110539332.7A CN202110539332A CN113052407A CN 113052407 A CN113052407 A CN 113052407A CN 202110539332 A CN202110539332 A CN 202110539332A CN 113052407 A CN113052407 A CN 113052407A
- Authority
- CN
- China
- Prior art keywords
- historical
- model
- yield
- unit
- meteorological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/22—Yield analysis or yield optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及一种大豆气象单产预测方法及预测系统,先对大豆生育期进行划分,得到多个侯。然后根据生育期内各个气象因子的值,计算每一侯内各个气象因子的平均值。再以每一侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产,以每一侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产,以每一侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产,最后以温度拟合单产、降雨拟合单产和光照拟合单产作为输入,利用气象单产模型计算气象单产,从而能够基于大豆生育期内的多个气象因子的值来对大豆的气象单产进行预测,还能进一步预测大豆的实际单产。
Description
技术领域
本发明涉及大豆气象产量预测技术领域,特别是涉及一种大豆气象单产预测方法及预测系统。
背景技术
大豆气象单产主要受平均气温、降雨量、光照时长等气象因子影响。通过对大豆从播种至成熟期间的平均气温、降雨量、光照时长等气象因子与大豆产量进行相关性分析,可以得出各生长期显著影响大豆产量的气象因子。
但目前,还没有一种能够基于气象因子对大豆气象单产进行预测的方法及系统。
发明内容
本发明的目的是提供一种大豆气象单产预测方法及预测系统,能够基于大豆生育期内的气象因子对大豆气象单产进行预测。
为实现上述目的,本发明提供了如下方案:
一种大豆气象单产预测方法,所述预测方法包括如下步骤:
对大豆生育期进行划分,得到多个侯;
根据所述生育期内各个气象因子的值,计算每一所述侯内各个气象因子的平均值;所述气象因子包括平均气温、降雨和光照时长;
以每一所述侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产;以每一所述侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产;以每一所述侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产;
以所述温度拟合单产、所述降雨拟合单产和所述光照拟合单产作为输入,利用气象单产模型计算气象单产;所述温度单产模型、所述降雨单产模型、所述光照单产模型和所述气象单产模型均是基于样本数据所建立的。
一种大豆气象单产预测系统,所述预测系统包括:
划分模块,用于对大豆生育期进行划分,得到多个侯;
计算模块,用于根据所述生育期内各个气象因子的值,计算每一所述侯内各个气象因子的平均值;所述气象因子包括平均气温、降雨和光照时长;
第一预测模块,用于以每一所述侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产;以每一所述侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产;以每一所述侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产;
第二预测模块,用于以所述温度拟合单产、所述降雨拟合单产和所述光照拟合单产作为输入,利用气象单产模型计算气象单产;所述温度单产模型、所述降雨单产模型、所述光照单产模型和所述气象单产模型均是基于样本数据所建立的。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种大豆气象单产预测方法及预测系统,先对大豆生育期进行划分,得到多个侯。然后根据生育期内各个气象因子的值,计算每一侯内各个气象因子的平均值。再以每一侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产,以每一侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产,以每一侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产,最后以温度拟合单产、降雨拟合单产和光照拟合单产作为输入,利用气象单产模型计算气象单产,从而能够基于大豆生育期内的多个气象因子的值来对大豆的气象单产进行预测,还能进一步预测大豆的实际单产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例1所提供的预测方法的方法流程图。
图2为本发明实施例1所提供的建立温度单产模型的方法流程图。
图3为本发明实施例1所提供的建立降雨单产模型的方法流程图。
图4为本发明实施例1所提供的建立光照单产模型的方法流程图。
图5为本发明实施例1所提供的建立气象单产模型的方法流程图。
图6为本发明实施例2所提供的预测系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种大豆气象单产预测方法及预测系统,能够基于大豆生育期内的气象因子对大豆气象单产进行预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种大豆气象单产预测方法,如图1所示,所述预测方法包括如下步骤:
S1:对大豆生育期进行划分,得到多个侯;
采用时间侯段的方式对大豆生育期进行划分,每一侯包括多个连续的自然日。一般情况下,气候学中5天为一侯,可选择每一侯均包括5个连续的自然日,进而将大豆生育期划分为多个侯。
S2:根据所述生育期内各个气象因子的值,计算每一所述侯内各个气象因子的平均值;所述气象因子包括平均气温、降雨和光照时长;
以气象因子为平均气温为例,采用侯平均的方式获取每一侯内的平均气温的平均值。侯平均为侯内每一日的平均气温的值的和除以该侯的总日数。
S3:以每一所述侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产;以每一所述侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产;以每一所述侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产;
S4:以所述温度拟合单产、所述降雨拟合单产和所述光照拟合单产作为输入,利用气象单产模型计算气象单产;所述温度单产模型、所述降雨单产模型、所述光照单产模型和所述气象单产模型均是基于样本数据所建立的。
为了获得温度单产模型、降雨单产模型、光照单产模型和气象单产模型,从而实现大豆气象单产的预测,本实施例的预测方法还包括获取样本数据,以根据样本数据建立温度单产模型、降雨单产模型、光照单产模型和气象单产模型的步骤。具体的,获取样本数据的过程包括:
1)选取大豆的多个历史生育期,对每一历史生育期分别进行划分,得到多个历史侯。每一历史侯所包括的日数与S1中每一侯所包括的日数对应相等,每一历史侯也可以包括5个连续的自然日。利用时间侯段的方式对每一个历史生育期进行划分,得到历史生育期的历史侯的个数,将每一历史生育期均划分为多个历史侯。需要说明的是,每一历史生育期所属的年份不同,且每一历史生育期的历史侯的个数与大豆生育期的侯的个数相同。一般情况下,历史生育期和生育期是对应于同一地区的,即在依据A地区的历史气象因子和历史气象单产的数据建立好各个单产模型后,也是依据这一地区的生育期内的气象因子的值来预测这一地区的大豆的气象单产。
2)对于每一历史生育期,计算历史生育期对应的历史气象单产。并根据历史生育期内各个历史气象因子的值,计算每一历史侯内各个历史气象因子的平均值,历史气象因子包括历史平均气温、历史降雨和历史光照时长。同样采用侯平均的方式获取每一历史侯内的历史气象因子的平均值。侯平均为历史侯内每一日的历史气象因子的值的和除以该历史侯的总日数。
在计算历史气象单产时,采用线性回归的方法计算历史气象单产,以将科技产量对大豆气候的影响因素剔除,提高预测方法的精度。具体的,先采集历史生育期对应的历史实际单产。再根据趋势单产计算公式计算历史生育期对应的趋势单产。最后根据历史生育期对应的历史实际单产和历史生育期对应的趋势单产计算历史生育期对应的历史气象单产。
由于农业生产技术水平的提升和科技水平的进步,趋势单产随着年份应该是逐年提高的,本实施例所用的趋势单产计算公式如下:
Yt=a+bt; (1)
式1中,Yt为趋势单产,其主要反映农业生产技术水平对大豆产量的影响,如品种、施肥和栽培管理等;a为趋势单产截距,b为趋势单产系数;t为时间年数。t为所想预测趋势单产的年份与所有历史生育期的最小一个年份之间的差值。举例而言,历史生育期分别属于1980-1988年,则所有历史生育期中最小的一个年份为1980年,若所想预测趋势单产的年份为1987年,则t为1987-1980=7年。
另外,大豆实际单产、趋势单产和大豆气象单产之间的关系为:
Ya=Yt+Yw+ε; (2)
式2中,Ya为大豆实际单产;Yw为大豆气象单产,其主要受气象因子的影响;ε为随机产量,主要受自然、社会的某些随机干扰,如突发性的自然灾害,测产和统计上的误差,农业政策和价格上的波动。
故在计算每一历史生育期的历史气象单产时,可以先依据式1计算历史生育期对应的趋势单产,然后利用式2计算历史生育期对应的历史气象单产。基于上述过程,可以得到用于建立温度单产模型、降雨单产模型、光照单产模型和气象单产模型所需的样本数据,该样本数据包括多个历史发育期分别对应的历史气象单产和每一历史侯的历史平均气温的平均值、历史降雨的平均值和历史光照时长的平均值。
利用上述得到的样本数据,本实施例在建立温度单产模型时,如图2所示,具体步骤包括:
S101:根据大豆产量与温度之间的相关关系,选取温度距平百分率最优气候偏离预测模型作为初始温度单产模型;
大豆在不同生长阶段所需温度均有所差异。大豆生育期间对温度的变化较为敏感,一般情况下前期即苗期温度略高于常年为宜,中期即花荚期温度接近或低于常年为宜,后期即鼓粒成熟期温度接近或略高于常年为宜。由此可以推断温度接近常年最有利于大豆产量,温度太高或太低都不利于大豆产量,因此温度影响大豆产量的预测模型可以采用温度距平百分率最优气候偏离预测模型,温度距平百分率反应了某一时段温度与同期平均状态的偏离程度。
S102:以所有所述历史生育期对应的历史气象单产和历史平均气温的平均值作为输入,利用运筹学带约束的多元线性规划算法计算所述初始温度单产模型的模型参数,得到温度单产模型。
利用运筹学带约束的多元线性规划算法计算初始温度单产模型的模型参数具体包括:
1)建立初始温度单产模型对应的多元线性回归方程;
多元线性回归方程的表达式如下:
y=ω0+ω1x1+...+ωixi+...+ωnxn; (3)
式3中,y为历史气象单产;ω0为截距;ωi为第i侯的影响系数,i=1,2,..n,n为历史侯的个数;xi为第i侯的历史气象因子的平均值。
每一历史生育期对应的历史气象单产和历史平均气温的平均值均可以写成如式3所示的形式,则可获得多个式3。
为了方便计算,将式3写成矩阵形式,如下:
Y=XW; (4)
式4中,X为自变量,其包括所有历史生育期的每一历史侯内历史平均气温的平均值,假设有M个历史生育期,则X为M×n矩阵;Y为因变量,其包括所有历史生育期的历史气象单产,其为M×1矩阵;W为自变量的系数,其为n+1×1矩阵。
为了使X与W相对应,在X的第一列前插一个全是1的列。那么问题就转变成,已知自变量X以及对应的因变量Y的值,需要求出满足方程的W,一般不存在一个W使所有样本都能满足方程,毕竟现实中的样本有很多噪声。采用最小二乘法来求解W。
2)以残差平方和最小为目标,根据预设的约束条件对所述多元线性回归方程进行求解,得到所述初始温度单产模型的模型参数。
本实施例希望求出的W是最接近线性方程的解的,故定义目标函数为残差平方和最小。残差的公式和残差平方和的公式如下:
式6中,Q为残差平方和。
在W求解过程中,期望残差平方和最小,即minQ。但考虑到大豆产量农学的研究意义,需要进行约束,预设的约束条件包括:任意一个影响系数大于或等于0以及任意两个影响系数的比值小于或等于预设参数。其约束条件的方程如下:
式7中,δ为预设参数,其为常数,表示系数之间在一个相对平衡的范围内,本实施例可以取10。
基于式6和式7,为了求解W,构造拉格朗日函数L:
式8中,拉格朗日乘子αk,ηk≥0(k=1,2...n),上述优化问题等价于下面的二次凸规划问题:
在KKT互补条件的约束下,通过拉格朗日对偶变换,可以得到如下等式:
对式10的右边部分求解即可得到W。
采用运筹学带约束的多元线性规划算法对初始温度单产模型的模型参数进行求解,可以使大豆各侯的影响系数产生农学意义上的互相影响性和连续性,并用数据量纲和标准化的方法处理模型参数。
基于上述过程,温度单产模型的表达式为:
式11中,YTw为温度拟合单产;cT为温度单产截距,其与ω0值相同;βTi为第i侯的影响系数,其与ωi值相同;xTi为第i侯的平均气温的平均值;xTi为建立温度单产模型时所用所有历史生育期的第i侯的历史平均气温的平均值。
本实施例的预测方法还包括基于样本数据建立降雨单产模型,如图3所示,可以包括:
S201:根据大豆产量与降雨之间的相关关系,选择降雨距平百分率最优气候偏离预测模型作为初始降雨单产模型;
大豆在不同生长阶段所需的水分均有所差异。一般情况下苗期需水相对较少,适当微旱有利于形成壮苗,多雨或干旱都不利于苗期生长,多雨还易发生田间病害;花荚期是需水旺盛期,怕干旱,雨水多有利于花荚的形成和生长;鼓粒期要求雨水适中更有利于子粒生长;成熟期是失水期,雨水少有利于子粒成熟,减少病害的发生。由此可以推断降雨接近常年最有利于大豆产量,降雨太多或太少都不利于大豆产量,因此降雨影响大豆产量的预测模型可以采用降雨距平百分率最优气候偏离预测模型,降雨距平百分率反应了某一时段降雨与同期平均状态的偏离程度。
S202:以所有所述历史生育期对应的历史气象单产和历史降雨的平均值作为输入,利用运筹学带约束的多元线性规划算法计算所述初始降雨单产模型的模型参数,得到降雨单产模型。
S202的求解过程与S102的求解过程相同,只需将所有历史生育期对应的历史气象单产和历史平均气温的平均值替换为所有历史生育期对应的历史气象单产和历史降雨的平均值,便能够利用式3-式10对初始降雨单产模型的模型参数进行求解,所得到的降雨单产模型如下:
式12中,YPw为降雨拟合单产;cP为降雨单产截距,其与ω0值相同;βPi为第i侯的影响系数,其与ωi值相同;xPi为第i侯的降雨的平均值;为建立温度单产模型时所用所有历史生育期的第i侯的历史降雨的平均值。
本实施例的预测方法还包括依据样本数据建立光照单产模型,如图4所示,可以包括:
S301:根据大豆产量与光照之间的相关关系,选择正相关多元线性回归模型作为初始光照单产模型;
大豆是喜光作物,光照时间的长短直接影响大豆的产量。幼苗期接近常年为宜,开花前至花荚期月平均光照时数较常年偏少为宜,鼓粒期偏多且接近常年为好,收获期月平均光照时数较常年偏多为宜。由此可以推断光照时数越多越有利于大豆产量,因此光照影响大豆产量的预测模型可以采用正相关多元线性回归预测模型。
S302:以所有所述历史生育期对应的历史气象单产和历史光照时长的平均值作为输入,利用运筹学带约束的多元线性规划算法计算所述初始光照单产模型的模型参数,得到光照单产模型。
S302的求解过程与S102的求解过程相同,只需将所有历史生育期对应的历史气象单产和历史平均气温的平均值替换为所有历史生育期对应的历史气象单产和历史光照时长的平均值,便能够利用式3-式10对初始光照单产模型的模型参数进行求解,所得到的光照单产模型如下:
YSw=cS+βS1xS1+...+βSixSi+...βSnxSn; (13)
式13中,YSw为光照拟合单产;cS为光照单产截距,其与ω0值相同;βSi为第i侯的影响系数,其与ωi值相同;xSi为第i侯的光照时长的平均值。
上述所建立的单产模型(温度单产模型、降雨单产模型和光照单产模型)所研究的是单个气象因子对大豆的气象产量的影响。实际上,大豆的气象产量在整个生育期应该是受平均气温、降雨、光照时长的共同影响,所以,通过对大豆从播种至成熟期间的平均气温、降雨、光照时长等气象因子与大豆气象产量进行相关性分析,采用大豆气象单产、降雨拟合单产、温度拟合单产、光照拟合单产和显著影响大豆单产的气象因子(平均气温、降雨、光照时长)建立气象单产模型,以综合所有气象因子对气象单产进行预测。故本实施例的预测方法还包括依据样本数据建立气象单产模型,如图5所示,可以包括:
S401:以每一所述历史侯内历史平均气温的平均值作为输入,利用所述温度单产模型计算历史温度拟合单产;以每一所述历史侯内历史降雨的平均值作为输入,利用所述降雨单产模型计算历史降雨拟合单产;以每一所述历史侯内历史光照时长的平均值作为输入,利用所述光照单产模型计算历史光照拟合单产;
S402:选取三元线性回归模型作为初始气象单产模型;
S403:根据所有所述历史生育期对应的历史温度拟合单产、历史降雨拟合单产、历史光照拟合单产和历史气象单产,计算所述初始气象单产模型的模型参数,得到气象单产模型。
所得到的气象单产模型如下:
Yw=cw+αT·YTw+αP·YPw+αS·YSw; (14)
式14中,cw为气象单产截距;αT为温度拟合单产的权重系数;αP为降雨拟合单产的权重系数;αS为光照拟合单产的权重系数。
在得到大豆气象单产后,可以依据式1计算预测年份的趋势单产,然后依据式2计算预测年份的大豆实际单产。本实施例所提供的一种大豆气象单产预测方法,通过分解大豆生育期以实现分析每侯气象因子对大豆产量的影响,能够基于大豆生育期内的多个气象因子的值来对大豆的气象单产进行预测,还能进一步预测大豆的实际单产。
实施例2:
本实施例用于提供一种大豆气象单产预测系统,如图6所示,所述预测系统包括:
划分模块M1,用于对大豆生育期进行划分,得到多个侯;
计算模块M2,用于根据所述生育期内各个气象因子的值,计算每一所述侯内各个气象因子的平均值;所述气象因子包括平均气温、降雨和光照时长;
第一预测模块M3,用于以每一所述侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产;以每一所述侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产;以每一所述侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产;
第二预测模块M4,用于以所述温度拟合单产、所述降雨拟合单产和所述光照拟合单产作为输入,利用气象单产模型计算气象单产;所述温度单产模型、所述降雨单产模型、所述光照单产模型和所述气象单产模型均是基于样本数据所建立的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种大豆气象单产预测方法,其特征在于,所述预测方法包括如下步骤:
对大豆生育期进行划分,得到多个侯;
根据所述生育期内各个气象因子的值,计算每一所述侯内各个气象因子的平均值;所述气象因子包括平均气温、降雨和光照时长;
以每一所述侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产;以每一所述侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产;以每一所述侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产;
以所述温度拟合单产、所述降雨拟合单产和所述光照拟合单产作为输入,利用气象单产模型计算气象单产;所述温度单产模型、所述降雨单产模型、所述光照单产模型和所述气象单产模型均是基于样本数据所建立的。
2.根据权利要求1所述的预测方法,其特征在于,所述预测方法还包括获取样本数据,具体包括:
选取大豆的多个历史生育期,对每一所述历史生育期分别进行划分,得到多个历史侯;
对于每一所述历史生育期,计算所述历史生育期对应的历史气象单产;并根据所述历史生育期内各个历史气象因子的值,计算每一所述历史侯内各个历史气象因子的平均值;所述历史气象因子包括历史平均气温、历史降雨和历史光照时长。
3.根据权利要求2所述的预测方法,其特征在于,所述计算所述历史生育期对应的历史气象单产具体包括:
采集所述历史生育期对应的历史实际单产;
根据趋势单产计算公式计算所述历史生育期对应的趋势单产;
根据所述历史实际单产和所述趋势单产计算历史气象单产。
4.根据权利要求2所述的预测方法,其特征在于,所述预测方法还包括基于所述样本数据建立温度单产模型,具体包括:
根据大豆产量与温度之间的相关关系,选取温度距平百分率最优气候偏离预测模型作为初始温度单产模型;
以所有所述历史生育期对应的历史气象单产和历史平均气温的平均值作为输入,利用运筹学带约束的多元线性规划算法计算所述初始温度单产模型的模型参数,得到温度单产模型。
5.根据权利要求2所述的预测方法,其特征在于,所述预测方法还包括基于所述样本数据建立降雨单产模型,具体包括:
根据大豆产量与降雨之间的相关关系,选择降雨距平百分率最优气候偏离预测模型作为初始降雨单产模型;
以所有所述历史生育期对应的历史气象单产和历史降雨的平均值作为输入,利用运筹学带约束的多元线性规划算法计算所述初始降雨单产模型的模型参数,得到降雨单产模型。
6.根据权利要求2所述的预测方法,其特征在于,所述预测方法还包括基于所述样本数据建立光照单产模型,具体包括:
根据大豆产量与光照之间的相关关系,选择正相关多元线性回归模型作为初始光照单产模型;
以所有所述历史生育期对应的历史气象单产和历史光照时长的平均值作为输入,利用运筹学带约束的多元线性规划算法计算所述初始光照单产模型的模型参数,得到光照单产模型。
7.根据权利要求2所述的预测方法,其特征在于,所述预测方法还包括基于所述样本数据建立气象单产模型,具体包括:
以每一所述历史侯内历史平均气温的平均值作为输入,利用所述温度单产模型计算历史温度拟合单产;以每一所述历史侯内历史降雨的平均值作为输入,利用所述降雨单产模型计算历史降雨拟合单产;以每一所述历史侯内历史光照时长的平均值作为输入,利用所述光照单产模型计算历史光照拟合单产;
选取三元线性回归模型作为初始气象单产模型;
根据所有所述历史生育期对应的历史温度拟合单产、历史降雨拟合单产、历史光照拟合单产和历史气象单产,计算所述初始气象单产模型的模型参数,得到气象单产模型。
8.根据权利要求4所述的预测方法,其特征在于,所述利用运筹学带约束的多元线性规划算法计算所述初始温度单产模型的模型参数具体包括:
建立所述初始温度单产模型对应的多元线性回归方程;
以残差平方和最小为目标,根据预设的约束条件对所述多元线性回归方程进行求解,得到所述初始温度单产模型的模型参数。
9.根据权利要求8所述的预测方法,其特征在于,所述初始温度单产模型的模型参数包括多个影响系数,所述预设的约束条件包括:任意一个所述影响系数大于或等于0以及任意两个所述影响系数的比值小于或等于预设参数。
10.一种大豆气象单产预测系统,其特征在于,所述预测系统包括:
划分模块,用于对大豆生育期进行划分,得到多个侯;
计算模块,用于根据所述生育期内各个气象因子的值,计算每一所述侯内各个气象因子的平均值;所述气象因子包括平均气温、降雨和光照时长;
第一预测模块,用于以每一所述侯内平均气温的平均值作为输入,利用温度单产模型计算温度拟合单产;以每一所述侯内降雨的平均值作为输入,利用降雨单产模型计算降雨拟合单产;以每一所述侯内光照时长的平均值作为输入,利用光照单产模型计算光照拟合单产;
第二预测模块,用于以所述温度拟合单产、所述降雨拟合单产和所述光照拟合单产作为输入,利用气象单产模型计算气象单产;所述温度单产模型、所述降雨单产模型、所述光照单产模型和所述气象单产模型均是基于样本数据所建立的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539332.7A CN113052407B (zh) | 2021-05-18 | 2021-05-18 | 一种大豆气象单产预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539332.7A CN113052407B (zh) | 2021-05-18 | 2021-05-18 | 一种大豆气象单产预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052407A true CN113052407A (zh) | 2021-06-29 |
CN113052407B CN113052407B (zh) | 2023-08-29 |
Family
ID=76518510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539332.7A Active CN113052407B (zh) | 2021-05-18 | 2021-05-18 | 一种大豆气象单产预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052407B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600760A (zh) * | 2022-11-09 | 2023-01-13 | 南宁师范大学(Cn) | 一种甘蔗区域单产预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及系统 |
CN109615148A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定玉米气象产量的方法和系统 |
CN111275569A (zh) * | 2020-03-13 | 2020-06-12 | 中国农业科学院烟草研究所 | 一种烤烟产区生态特征测定方法、系统、存储介质、终端 |
CN111881418A (zh) * | 2020-07-27 | 2020-11-03 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
CA3146167A1 (en) * | 2019-07-08 | 2021-01-14 | Indigo Ag, Inc. | Crop yield forecasting models |
-
2021
- 2021-05-18 CN CN202110539332.7A patent/CN113052407B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及系统 |
CN109615148A (zh) * | 2018-12-29 | 2019-04-12 | 航天信息股份有限公司 | 一种确定玉米气象产量的方法和系统 |
CA3146167A1 (en) * | 2019-07-08 | 2021-01-14 | Indigo Ag, Inc. | Crop yield forecasting models |
WO2021007352A1 (en) * | 2019-07-08 | 2021-01-14 | Indigo Ag, Inc. | Crop yield forecasting models |
CN111275569A (zh) * | 2020-03-13 | 2020-06-12 | 中国农业科学院烟草研究所 | 一种烤烟产区生态特征测定方法、系统、存储介质、终端 |
CN111881418A (zh) * | 2020-07-27 | 2020-11-03 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
曹永强,李玲慧,路洁,张若凝,宁月: "气候变化对辽宁省玉米产量的影响", 中国农村水利水电, no. 11, pages 132 - 137 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600760A (zh) * | 2022-11-09 | 2023-01-13 | 南宁师范大学(Cn) | 一种甘蔗区域单产预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052407B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3534689B1 (en) | Controlling agricultural production areas | |
WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
CN109615148B (zh) | 一种确定玉米气象产量的方法和系统 | |
CN110309969B (zh) | 基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法 | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
Long et al. | Impact of climate change on wheat yield and quality in the Yellow River Basin under RCP8. 5 during 2020–2050 | |
CN113052407A (zh) | 一种大豆气象单产预测方法及预测系统 | |
CN112183575A (zh) | 一种基于区域气象参数预测土豆产量的方法 | |
Wolf et al. | Modeling winter wheat production across Europe with WOFOST—The effect of two new zonations and two newly calibrated model parameter sets | |
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 | |
Bahrami et al. | Determination of effective weather parameters on rainfed wheat yield using backward multiple linear regressions based on relative importance metrics | |
CN109615149B (zh) | 一种确定甜菜气象产量的方法和系统 | |
CN109359862B (zh) | 一种粮食作物实时估产方法及系统 | |
CN111881418A (zh) | 一种基于二分法的大豆气象产量预测方法及系统 | |
CN109858678A (zh) | 一种确定向日葵气象产量的方法和系统 | |
CN114626010A (zh) | 一种基于CatBoost的灌溉量计算方法及系统 | |
CN110751322B (zh) | 一种基于大数据分析预测的荔枝控梢促花管理方法 | |
Jiao et al. | Prediction model of rice seedling growth and rhizosphere fertility based on the improved Elman neural network | |
CN109840623B (zh) | 一种确定芝麻气象产量的方法和系统 | |
Hundal et al. | Growth and yield response of rice (Oryza sativa) in relation to temperature, photoperiod and sunshine duration in Punjab | |
CN117236519B (zh) | 水肥调控方法、装置、电子设备和存储介质 | |
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 | |
CN117744898B (zh) | 一种大田粮食作物产量年际预测模型构建方法 | |
CN117172385B (zh) | 一种甘蔗高糖度收获期预测方法及系统 |
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 |