CN113222294B - 一种大豆投入单产预测方法及系统 - Google Patents
一种大豆投入单产预测方法及系统 Download PDFInfo
- Publication number
- CN113222294B CN113222294B CN202110629356.1A CN202110629356A CN113222294B CN 113222294 B CN113222294 B CN 113222294B CN 202110629356 A CN202110629356 A CN 202110629356A CN 113222294 B CN113222294 B CN 113222294B
- Authority
- CN
- China
- Prior art keywords
- input
- yield
- soybean
- prediction model
- weight coefficient
- 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
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 155
- 244000068988 Glycine max Species 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008030 elimination Effects 0.000 claims abstract description 17
- 238000003379 elimination reaction Methods 0.000 claims abstract description 17
- 239000003337 fertilizer Substances 0.000 claims description 28
- 239000000575 pesticide Substances 0.000 claims description 28
- 238000003973 irrigation Methods 0.000 claims description 23
- 230000002262 irrigation Effects 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种大豆投入单产预测方法及系统,通过limSove行列主元消元法线性规划算法将影响大豆投入单产的投入因子进行计算并将得到的影响系数确定下来,根据确定的影响系数获取各个投入因子的权重系数,从而根据各个投入因子预测数据和各个投入因子的权重系数进行大豆产量预测,提高了对大豆投入单产预测的准确性。
Description
技术领域
本发明涉及农产品产量分析技术领域,特别是涉及一种大豆投入单产预测方法及系统。
背景技术
根据大量实验方法和调研数据,从物质投入影响大豆产量的实际角度出发,对大豆投入单产形成过程中的物质投入(包括种子、化肥、农机动力、灌溉、劳动力、农药、科技进步等)因素数据进行分析,形成大豆投入单产模型预测系统。
然而,现有的大豆投入单产模型预测系统中,往往难以确定各影响因素对大豆单产的影响系数,从而影响对大豆投入单产预测的准确性。
发明内容
本发明的目的是提供一种大豆投入单产预测方法及系统,能够将影响大豆投入单产的投入因子进行计算并将得到的影响系数确定下来,进而实现大豆投入单产的准确预测。
为实现上述目的,本发明提供了如下方案:
一种大豆投入单产预测方法,所述方法包括:
建立初始大豆投入单产预测模型,并利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数,得到大豆投入单产预测模型;所述投入因子包括种子量、化肥量、用工量、农机动力、有效灌溉面积、农药量和科技投入;
根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测。
一种大豆投入单产预测系统,所述系统包括:
权重确定模块,用于建立初始大豆投入单产预测模型,并利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数,得到大豆投入单产预测模型;所述投入因子包括种子量、化肥量、用工量、农机动力、有效灌溉面积、农药量和科技投入;
预测模块,用于根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测。
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:
本发明提供了一种大豆投入单产预测方法及系统,通过limSove行列主元消元法线性规划算法将影响大豆投入单产的投入因子进行计算并将得到的影响系数确定下来,根据确定的影响系数获取各个投入因子的权重系数,从而根据各个投入因子预测数据和各个投入因子权重系数进行大豆产量预测,提高了对大豆投入单产预测的准确性。
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为本发明实施例提供的一种大豆投入单产预测方法流程图;
图2为本发明实施例提供的一种大豆投入单产预测系统框图。
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。
大豆投入单产预测过程中,种子的投入是影响大豆单产的重要因素,选择优良的种子能够比较明显的提高大豆单产;化肥投入也是影响大豆单产的重要因素,特别是在土壤肥力较差的地区,化肥投入对大豆单产的贡献具有上升的趋势;加强农业机械化的推进和实施科学的田间管理,同时加大农田基础设施的投入,同样也能有效提高大豆单产。用工量投入的贡献有减弱的趋势,这和机械化程度较高、劳动力过剩有关;另外加强农田水利的建设也是提高大豆单产的有效途径。因此,在进行大豆投入单产预测时,要考虑上述条件的影响,并明确多种影响因素之间的影响程度大小,即在进行大豆单产预测时的权重系数。
本发明的目的是提供一种大豆投入单产预测方法及系统,能够将影响大豆投入单产的投入因子的权重系数进行准确的确定,从而提高大豆投入单产预测的准确度。
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
如图1所示,本实施例提供了一种大豆投入单产预测方法,所述方法包括:
步骤101:建立初始大豆投入单产预测模型,并利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数,得到大豆投入单产预测模型;所述投入因子包括种子量、化肥量、用工量、农机动力、有效灌溉面积、农药量和科技投入;当然,本实施例所提供的大豆投入单产预测方法也可以选用其他投入因子进行分析,本实施例中选择了对大豆产量影响最为突出的数个投入因子,从而实现最大程度的覆盖影响大豆产量的影响因素。在实际应用中,可以根据实际情况酌情增减或选择新的投入因子进行分析,只要能够对大豆的投入单产进行精确预测都将落入本发明的保护范围内。
步骤102:根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测。
由此,本实施例中通过limSolve行列主元消元法线性规划算法将影响大豆投入单产的投入因子进行计算并将得到的各投入因子的权重系数确定下来,进而实现大豆投入单产的准确预测。
在建立大豆投入单产预测模型之前,还包括获取各个投入因子的历史数据,将所述历史数据作为求解各个权重系数的数据依据。为了保证预测精度,在获取各个投入因子的历史数据后,还包括采用求倒数及绝对值距平均百分率的方法对历史数据进行预处理:
经过预处理后的数据能够更加适配本实施例中通过距平均百分率最优偏离预测模型计算各投入因子预测单产模型的计算方法,提高运算效率和精度。
采用七元线性回归的方式对大豆投入单产形成过程中的投入(包括种子、化肥、农机动力、灌溉、劳动力、农药、科技进步等)进行处理,得到初始大豆投入单产预测模型:
Y=α1·Y1+α2·Y2+α3·Y3+α4·Y4+α5·Y5+α6·Y6+α7·Y7+c
其中,Y为大豆投入单产,Y1为种子投入产量,Y2为化肥投入产量,Y3为人工投入产量,Y4为机械作业投入产量,Y5为排灌有效面积投入产量,Y6为农药投入产量;Y7为科技投入产量;α1为种子量权重系数,α2为化肥量权重系数,α3为用工量权重系数,α4为农机动力权重系数,α5为有效灌溉面积投入权重系数,α6为农药量投入权重系数,α7为科技投入权重系数。
在得到初始大豆投入单产预测模型后,利用行列主元消元法求解大豆投入单产预测模型中各个投入因子的权重系数。首先要构建各个投入因子单独影响大豆产量的投入单产预测模型,本实施例中对所选择的各个投入因子对大豆产量影响程度以及影响原理进行了分析,从而为每个投入因子选择合适的方法构建对应的预测模型,保证了对每个投入因子的预测准确度,也进一步保证了对大豆投入单产预测的准确度。具体分析如下:
种子:种子投入贡献较大,增加种子投入能够有效提高大豆单产。因此,首先要选择优良的种子,种子的投入是影响大豆产量的重要因素。从历史数据来看种子用量接近常年最有利于大豆产量,种子用量太高或太低都不利于大豆产量(会造成植株过密或过疏),因此种子影响大豆产量的预测模型可以采用种子用量距平百分率最优偏离预测模型:
其中,Y1为种子用量影响大豆单产量,c1为截距,β1为种子用量影响系数,x1为预测年份单位面积种子用量,为历年单位面积种子用量平均值。
化肥:化肥投入对大豆单产的贡献具有上升的趋势。推广科学施肥,提高化肥利用率能够有效提高大豆单产。从历史数据来看化肥用量接近常年最有利于大豆产量,化肥用量太高或太低都不利于大豆产量(会造成化肥浪费或土壤养分不够),因此化肥影响大豆产量的预测模型可以采用化肥用量距平百分率最优偏离预测模型:
预测模型方程中:Y2为化肥用量影响大豆单产量,c2为截距,β2为化肥用量影响系数,x2为预测年份单位面积化肥用量,为历年单位面积化肥用量平均值。
劳动力:人工投入量不是影响大豆单产的主要因素。因为目前人均耕地面积较少,劳动数量相对充足,加上技术进步比较明显,特别是农业机械化的推进,反而会造成劳动力过剩。因此人工投入影响大豆产量的预测模型可以采用负相关线性回归预测模型:
Y3=c3-β3·x3
其中,Y3为人工投入影响大豆单产量,c3为截距,β3为劳动力投入影响系数,x3为预测年份单位面积劳动力投入。
农机动力:加强农业机械化的推进能够有效提高大豆单产。包括耕作机械、收获机械、农用运输机械等,提升农业机械化水平,提高劳动生产效率,节约生产成本,提高土地产出率,提高大豆产量。由此可以推断农业机械化越高越有利于大豆产量,因此农业机械化投入影响大豆产量的预测模型可以采用正相关线性回归预测模型:
Y4=c4-β4·x4
其中,Y4为农机投入影响大豆单产量,c4为截距,β4为农机投入影响系数,x4为预测年份单位面积农机动力投入。
有效灌溉面积:灌溉水平对大豆株高与产量也有显著的影响,因此加强农田水利建设也是提高大豆单产的有效途径。加强农田水利建设能有效抵御旱灾,保障作物灌溉,提高大豆单产。由此可以推断灌溉投入越多越有利于大豆产量,因此灌溉水平影响大豆产量的预测模型可以采用正相关线性回归预测模型:
Y5=c5-β5·x5
其中,Y5为有效灌溉面积投入影响大豆单产量,c5为截距,β5为有效灌溉面积投入影响系数,x5为预测年份单位面积有效灌溉面积。
农药量:对大多数农户来讲,基本上都能做到对病虫害及时防治,因此,增加农药的投入对增产影响不显著。从历史数据来看农药用量接近常年最有利于大豆产量(农药用量多有可能当年灾情严重病害多,农药用量少有可能当年病害发生时不能及时有效的防治病害,同样影响大豆产量),因此农药影响大豆产量的预测模型可以采用农药用量距平百分率最优偏离预测模型:
其中,Y6为农药投入影响大豆单产量,c6为截距,β6为农药投入影响系数,x6为预测年份单位面积农药用量,为历年单位面积农药用量平均值。
科技投入:科技投入的产量可以用趋势模型来计算,由于农业生产技术水平的提升和科技水平的进步,趋势产量随着年份应该是逐年提高的。因此科技投入影响大豆产量的预测模型可以采用正相关线性回归预测模型:
Y7=c7-β7·x7
其中,Y7为科技投入影响大豆单产量,c7为截距,β7为科技投入影响系数,x7为预测年份单位面积科技投入。
在得到各个投入因子对应的投入单产预测模型后,限定各所述投入因子的最大影响百分比,根据各所述投入因子的最大影响百分比与各所述投入因子单独影响大豆产量的投入单产预测模型构建多元线性方程,构建不等式约束,根据所述不等式约束通过行列主元消元法求解所述多元线性方程,得到各所述投入因子的权重系数。
具体的,利用线性规划算法限定各个投入因子的最大影响百分比,通过lsei函数将线性回归问题转化成多元线性方程组的求解。lsei函数的表达式推导为min(||Ax-B||)2,其中A为包含要最小化的二次函数系数的数值矩阵||Ax-B||2,如果对应的列具有names属性,则它们将用于标记输出;B为数值向量,包含要计算的二次函数的右侧最小化。约束条件为Ex=f和Gx>=h。其中,E为包含等式约束系数的数值矩阵,Ex=F;如果E的列有names属性,而a的列没有,则将用于标记输出。F为包含等式约束右侧的数字向量。G为包含不等式约束系数的数值矩阵Gx>=H;如果G的列具有names属性,而a和E的列具有names属性,否则,它们将用于标记输出。H为包含不等式约束右侧的数值向量。如果等式约束Ex=f不能够被满足,广义残差逆解向量长度为f-Ex,则可能的最小长度为||f-Ex||2。
在求解过程中,lsei函数解决的问题为AX-B=e(A是线性方程组的系数矩阵,B是应变量组成的向量,该方程组构成目标函数);EX=F(该等式是约束作用);GX>=H(该不等式也是约束作用的);因为本实施例提供的预测方法是对各个自变量有大小限制,因此不需要等式约束,只需要构建不等式约束。不等式约束通过下面的语句实现:G<-rbind(diag(N),(-1)*diag(N));H<-c(各个自变量的大小范围);最后建立lsei(E=E,F=F,A=A,B=B,G=G,H=H),然后求解lsei函数获取各个投入因子产量权重数据。
最后根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测。
本实施例中,将大豆投入单产预测视为一个多元线性回归问题,并基于多元线性回归分析构建了大豆投入单产预测模型。然后采用行列主元消元法求解大豆投入单产预测模型中各个投入因子的权重系数,通过设置每个投入因子影响最大百分比替代了多元线性方程组求解过程中的等式约束,根据构建的不等式约束求解lsei函数,获取各个投入因子的权重参数,根据求得权重参数的大豆投入单产预测模型与各个投入因子的预测数据实现对大豆产量的精确预测。
实施例2
如图2所示,本实施例提供了一种大豆投入单产预测系统,所述系统包括:
权重确定模块M1,用于建立初始大豆投入单产预测模型,并利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数,得到大豆投入单产预测模型;所述投入因子包括种子量、化肥量、用工量、农机动力、有效灌溉面积、农药量和科技投入;
预测模块M2,用于根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测。
本说明书中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 (8)
1.一种大豆投入单产预测方法,其特征在于,所述方法包括:
建立初始大豆投入单产预测模型,并利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数,得到大豆投入单产预测模型;所述投入因子包括种子投入产量、化肥投入产量、用工投入产量、机械作业投入产量、有效灌溉面积投入产量、农药投入产量和科技投入产量;所述初始大豆投入单产预测模型为:
Y=α1·Y1+α2·Y2+α3·Y3+α4·Y4+α5·Y5+α6·Y6+α7·Y7+c
其中,Y为大豆投入单产,Y1为种子投入产量,Y2为化肥投入产量,Y3为用工投入产量,Y4为机械作业投入产量,Y5为有效灌溉面积投入产量,Y6为农药投入产量;Y7为科技投入产量;α1为种子投入产量权重系数,α2为化肥投入产量权重系数,α3为用工投入产量权重系数,α4为机械作业投入产量权重系数,α5为有效灌溉面积投入产量权重系数,α6为农药投入产量权重系数,α7为科技投入产量权重系数,c为截距;
根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测;
所述利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数包括:
构建各投入因子单独影响大豆产量的投入单产预测模型;
限定各所述投入因子的最大影响百分比;
根据各所述投入因子的最大影响百分比与各所述投入因子单独影响大豆产量的投入单产预测模型构建多元线性方程;
通过行列主元消元法求解所述多元线性方程,得到各所述投入因子的权重系数。
2.根据权利要求1所述的一种大豆投入单产预测方法,其特征在于,所述建立初始大豆投入单产预测模型之后,还包括获取各投入因子的历史数据,根据所述历史数据求解所述初始大豆投入单产预测模型中各所述投入因子的权重系数。
3.根据权利要求2所述的一种大豆投入单产预测方法,其特征在于,所述获取各投入因子的历史数据后,还包括采用求倒数及绝对值距平均百分率的方法对所述历史数据进行预处理。
4.根据权利要求1所述的一种大豆投入单产预测方法,其特征在于,所述构建各投入因子单独影响大豆产量的投入单产预测模型包括:
采用距平均百分率最优偏离预测模型求解所述种子投入产量、所述化肥投入产量和所述农药投入产量分别单独影响大豆产量的投入单产预测模型;
采用正相关线性回归预测模型求解所述机械作业投入产量、所述有效灌溉面积投入产量、所述科技投入产量和所述用工投入产量分别单独影响大豆产量的投入单产预测模型。
5.根据权利要求1所述的一种大豆投入单产预测方法,其特征在于,所述种子投入产量的投入单产预测模型包括:
Y1为种子投入产量影响大豆单产量,c1为截距,β1为种子投入产量影响系数,x1为预测年份单位面积种子用量,为历年单位面积种子用量平均值。
6.根据权利要求1所述的一种大豆投入单产预测方法,其特征在于,所述用工的投入单产预测模型包括:
Y3=c3-β3·x3
Y3为用工投入产量影响大豆单产量,c3为截距,β3为用工投入产量影响系数,x3为预测年份单位面积用工投入。
7.根据权利要求1所述的一种大豆投入单产预测方法,其特征在于,构建不等式约束,根据所述不等式约束通过行列主元消元法求解所述多元线性方程。
8.一种大豆投入单产预测系统,其特征在于,所述系统包括:
权重确定模块,用于建立初始大豆投入单产预测模型,并利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数,得到大豆投入单产预测模型;所述投入因子包括种子投入产量、化肥投入产量、用工投入产量、机械作业投入产量、有效灌溉面积投入产量、农药投入产量和科技投入产量;所述初始大豆投入单产预测模型为:
Y=α1·Y1+α2·Y2+α3·Y3+α4·Y4+α5·Y5+α6·Y6+α7·Y7+c
其中,Y为大豆投入单产,Y1为种子投入产量,Y2为化肥投入产量,Y3为用工投入产量,Y4为机械作业投入产量,Y5为有效灌溉面积投入产量,Y6为农药投入产量;Y7为科技投入产量;α1为种子投入产量权重系数,α2为化肥投入产量权重系数,α3为用工投入产量权重系数,α4为机械作业投入产量权重系数,α5为有效灌溉面积投入产量权重系数,α6为农药投入产量权重系数,α7为科技投入产量权重系数,c为截距;
所述利用行列主元消元法求解所述初始大豆投入单产预测模型中各投入因子的权重系数包括:
构建各投入因子单独影响大豆产量的投入单产预测模型;
限定各所述投入因子的最大影响百分比;
根据各所述投入因子的最大影响百分比与各所述投入因子单独影响大豆产量的投入单产预测模型构建多元线性方程;
通过行列主元消元法求解所述多元线性方程,得到各所述投入因子的权重系数;
预测模块,用于根据所述大豆投入单产预测模型与各所述投入因子的预测数据进行大豆投入单产预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110629356.1A CN113222294B (zh) | 2021-06-07 | 2021-06-07 | 一种大豆投入单产预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110629356.1A CN113222294B (zh) | 2021-06-07 | 2021-06-07 | 一种大豆投入单产预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222294A CN113222294A (zh) | 2021-08-06 |
CN113222294B true CN113222294B (zh) | 2023-09-26 |
Family
ID=77082972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110629356.1A Active CN113222294B (zh) | 2021-06-07 | 2021-06-07 | 一种大豆投入单产预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222294B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102131A (zh) * | 2018-10-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种基于大数据的大豆生产的优化方法 |
CN109635994A (zh) * | 2018-10-23 | 2019-04-16 | 广东精点数据科技股份有限公司 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
CN112785036A (zh) * | 2020-12-31 | 2021-05-11 | 航天信息股份有限公司 | 一种基于农作物的关键生育时期对产量进行预测的方法及系统 |
-
2021
- 2021-06-07 CN CN202110629356.1A patent/CN113222294B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635994A (zh) * | 2018-10-23 | 2019-04-16 | 广东精点数据科技股份有限公司 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
CN109102131A (zh) * | 2018-10-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种基于大数据的大豆生产的优化方法 |
CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
CN110309985A (zh) * | 2019-07-10 | 2019-10-08 | 北京师范大学 | 一种农作物产量预测方法及系统 |
CN112785036A (zh) * | 2020-12-31 | 2021-05-11 | 航天信息股份有限公司 | 一种基于农作物的关键生育时期对产量进行预测的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113222294A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Effects of irrigation and fertilization on grain yield, water and nitrogen dynamics and their use efficiency of spring wheat farmland in an arid agricultural watershed of Northwest China | |
MacCarthy et al. | Modeling nutrient and water productivity of sorghum in smallholder farming systems in a semi-arid region of Ghana | |
Li et al. | Optimized single irrigation can achieve high corn yield and water use efficiency in the Corn Belt of Northeast China | |
Ahmad et al. | Application of the CSM-CERES-Rice model for evaluation of plant density and irrigation management of transplanted rice for an irrigated semiarid environment | |
Bouma | Precision agriculture: introduction to the spatial and temporal variability of environmental quality | |
Bakhshoodeh et al. | Input and output technical efficiencies of wheat production in Kerman, Iran | |
Zeng et al. | The effect of crop diversity on agricultural eco-efficiency in China: A blessing or a curse? | |
CN109874477A (zh) | 一种农业园区施肥机托管方法及系统 | |
Singh et al. | Drip fertigation improves water and nitrogen use efficiency of Bt cotton | |
Zhang et al. | Optimizing agronomic practices for closing rapeseed yield gaps under intensive cropping systems in China | |
Soothar et al. | Evaluating the performance of SALTMED model under alternate irrigation using saline and fresh water strategies to winter wheat in the North China Plain | |
Carr et al. | Temporal variations of water productivity in irrigated corn: An analysis of factors influencing yield and water use across central Nebraska | |
Amarasingha et al. | Aligning sowing dates with the onset of rains to improve rice yields and water productivity: modelling rice (Oryza sativa L.) yield of the Maha season in the dry zone of Sri Lanka. | |
Nada et al. | Irrigation expert system for trees | |
CN109033655A (zh) | 一种农作物生长模型优化方法及装置 | |
CN201595053U (zh) | 一种模糊灌溉控制系统 | |
Yu et al. | Improvement and testing of ORYZA model water balance modules for alternate wetting and drying irrigation | |
CN113222294B (zh) | 一种大豆投入单产预测方法及系统 | |
Torabi et al. | Assessment of yield gap due to nitrogen management in wheat | |
Suhaili | Adoption of technology to improve self-sufficiency in paddy plantations in Brunei: Challenges and mitigation strategies for intermediate stakeholders. | |
Jayant et al. | A review of the drip irrigation system | |
Li et al. | The development of variable system-based internet of things for the solar greenhouse and its application in lettuce | |
Shahrajabian et al. | Evaluation of crop coefficient, cumulative and dynamic evapo-transpiration of winter wheat under deficit irrigation treatments in weighing lysimeter in Beijing, China | |
Ning et al. | Optimizing irrigation and N fertigation regimes achieved high yield and water productivity and low N leaching in a maize field in the North China Plain | |
Gloaguen et al. | A method for developing irrigation decision support systems de novo: example of sesame (Sesamum indicum L.) a known drought tolerant species |
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 |