CN113255999A - 基于多模型的农作物产量评估方法、装置、设备及介质 - Google Patents

基于多模型的农作物产量评估方法、装置、设备及介质 Download PDF

Info

Publication number
CN113255999A
CN113255999A CN202110572785.XA CN202110572785A CN113255999A CN 113255999 A CN113255999 A CN 113255999A CN 202110572785 A CN202110572785 A CN 202110572785A CN 113255999 A CN113255999 A CN 113255999A
Authority
CN
China
Prior art keywords
target
yield
historical
evaluation
current
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
Application number
CN202110572785.XA
Other languages
English (en)
Other versions
CN113255999B (zh
Inventor
庄家煜
许世卫
李干琼
张永恩
王禹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute of CAAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202110572785.XA priority Critical patent/CN113255999B/zh
Publication of CN113255999A publication Critical patent/CN113255999A/zh
Application granted granted Critical
Publication of CN113255999B publication Critical patent/CN113255999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于多模型的农作物产量评估方法、装置、设备及介质，该方法包括：调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，所述目标历史时刻组是基于目标预测时刻确定的；所述目标历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量，提高了产量评估的准确性。

Description

基于多模型的农作物产量评估方法、装置、设备及介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种基于多模型的农作物产量评估方法、装置、设备及介质。
背景技术
近年来，中国主要农产品产量增长迅速，有效的满足了居民不断增长的事务需求，农业发展取得了显著的进步，受国内外众多因素的影响，国内外农产品市场波动频繁，尤其一些农产品价格波动较大，影响农业的长期稳定发展，不利于农民稳定增收。
目前，现有技术中的农作物产量评估方法通常只是从某一方面进行农作物产量的评估，比如基于投入品(包括农药、化肥等)的农作物产量评估，只考虑了投入品对农作物产量的影响，从而使产量评估的结果精确度较差。
发明内容
本发明实施例提供一种基于多模型的农作物产量评估方法、装置、设备及介质，以实现对农作物的产量进行评估，提高评估的准确度。
第一方面，本发明实施例提供了一种基于多模型的农作物产量评估方法，所述方法包括：
调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，所述目标历史时刻组是基于目标预测时刻确定的；所述目标历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；
获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；
基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
第二方面，本发明实施例还提供了一种基于多模型的农作物产量评估装置，所述装置包括：
目标待使用评估产量调取模块，用于调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，目标历史时刻组是基于目标预测时刻确定的；所述历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；
目标产量预测模型获取模块，用于获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；
目标产量确定模块，用于基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的基于多模型的农作物产量评估方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的基于多模型的农作物产量评估方法。
本发明实施例的技术方案，通过调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量，并获取与目标预测时刻对应的目标产量预测模型，确定目标产量预测模型中与目标待使用评估产量对应的目标评估值，基于目标产量预测模型和各目标待使用评估产量，确定目标预测时刻对应的目标产量。通过本发明实施例的技术方案，实现了通过多个目标待使用评估产量，与对应的目标评估值得到目标产量，提高了目标产量评估的准确性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一中的一种基于多模型的农作物产量评估方法的流程示意图；
图2为本发明实施例二中的一种基于多模型的农作物产量评估方法的流程示意图；
图3为本发明实施例三中的一种基于遥感的种植产量评估模型进行数据处理的流程示意图；
图4为本发明实施例三中的一种农作物产量评估模型的适用时期分布示意图；
图5为本发明实施例四中的一种基于多模型的农作物产量评估装置的结构示意图；
图6为本发明实施例五中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例所提供的一种基于多模型的农作物产量评估方法的流程示意图，本实施例可适用于在目标预测时刻对农作物产量进行评估的情况，该方法可以由基于多模型的农作物产量评估装置来执行，该装置可以通过软件和/或硬件的形式实现。
如图1所述，本发明实施例基于多模型的农作物产量评估方法具体包括如下步骤：
S110、调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量。
其中，农作物是指农业上栽培的各种植物，包括粮食作物、蔬菜作物等。农作物产量评估模型用于对农作物的产量进行评估。需要说明的是，本发明实施例中的至少两个农作物产量评估模型是指不同的模型，通过不同的农作物产量模型可以从不同的角度对农作物产量进行评估。历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同。不同的农作物的生长周期、生长的环境各不相同，根据不同的农作物的生长周期、生长的环境等因素，设置每种农作物对应的历史时刻。目标历史时刻组是基于目标预测时刻确定的；目标历史时刻组中的历史时刻与目标预测时刻之间的实际间隔时长与预设数量的预设间隔时长相同。比如，目标预设间隔时长为1年，目标预测时刻为2021年10月1日，历史时刻包括2020年10月1日、2019年10月1日……2015年10月1日。待使用评估产量是指每个历史时刻对应的历史评估产量。目标待使用评估产量是指历史时刻组中的目标历史时刻对应的历史评估产量。可选的，通过各个农作物产量评估模型确定每个历史时刻对应的历史评估产量，并将每个农作物产量评估模型、历史时刻以及对应的历史评估产量进行关联存储，以供随时调取。
具体的，确定至少两个农作物评估模型，当确定了目标预测时刻后，基于目标预测时刻确定目标历史时刻组，之后，调取上述的至少两个农作物评估模型在目标历史时刻组的目标待使用评估产量，为后续进行目标预测时刻的农作物产量评估做准备工作。
S120、获取与所述目标预测时刻对应的目标产量预测模型。
其中，目标产量预测模型是基于数学模型构建的，数学模型中包括相应的目标函数，目标函数中包括相应的参数。目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的。参数可以包括如下至少两个，第一个可以是待使用评估产量，另一个可以是与待使用评估产量相对应的评估值。此时，目标待使用评估产量就是目标产量预测模型的参数，每个目标待使用评估产量对应的目标评估值是目标产量预测模型的参数，由目标待使用评估产量以及目标评估值构成目标产量预测模型。每个历史时刻组都存在一个与其相对应的产量预测模型，基于相应的产量预测模型可以是预测相应预测时刻的产量。同时，目标预测时刻对应有一个历史时刻组，可以将该历史时刻组作为目标历史时刻组，与目标历史时刻组对应的产量预测模型为目标产量预测模型，其具体用途参见上述表述。产量误差是指农作物的实际产量与评估产量之间的差值。
具体的，获取目标预测时刻对应的目标产量预测模型，为了后续确定目标预测时刻对应的目标产量做准备工作。
需要说明的是，在本发明实施例中，在确定产量预测模型时，需要根据至少两个农作物产量评估模型得到每个历史时刻组中每个历史时刻对应的待使用评估产量，并根据待使用评估产量的产量误差得到每个待使用评估产量的评估值，以确定每个历史时刻组对应的产量预测模型。也即根据每个历史时刻确定一个产量预测方程，评估值的数量与农作物产量评估模型的数量相同，因此，农作物产量评估模型的数量小于等于所述历史时刻组中历史时刻的数量。基于多个产量预测方程计算出每个评估值的具体取值，从而得到每个历史时刻组对应的产量预测模型。
在本发明实施例中，所述获取与所述目标预测时刻对应的目标产量预测模型，包括：基于所述目标预测时刻确定对应的目标历史时刻组；确定所述目标历史时刻组对应的产量预测模型为目标产量预测模型。
其中，目标历史时刻组中的历史时刻与目标预测时刻存在对应关系，比如，目标预测时刻为2021年3月2日，基于对应关系，确定目标历史时刻组为包括至少两个历史时刻为2019年3月2日和2020年3月2日的历史时刻组。
具体的，在基于目标预测时刻确定了目标历史时刻组后，基于目标历史时刻组确定对应的产量预测模型为目标产量预测模型。可选的，预先存储有各个历史时刻组以及每个历史时刻组对应的产量预测模型，当确定了目标预测时刻时，根据目标预测时刻可以确定对应的目标历史时刻组，基于目标历史时刻组确定对应的产量预测模型为目标产量预测模型。
在本发明实施例中，所述基于所述目标预测时刻确定对应的目标历史时刻组，包括：以所述目标预测时刻为终点，确定在预设历史时长范围内的历史时刻组为目标历史时刻组。
其中，预设历史时长范围包括多个预设间隔时长。每两个历史时刻之间的目标间隔时长与预预设间隔时长相同，当预设历史时长范围包括多个预设间隔时长时，预设历史时长范围内包括多个历史时刻。目标历史时刻组包括至少两个历史时刻，又预设历史时长范围确定目标历史时刻组具体包括多少个历史时刻。比如，预设历史时长范围为5年，预设间隔时长为1年，以目标预测时刻为终点，确定目标历史时刻组中的5个历史时刻。
具体的，以目标预测时刻为终点，确定在预设历史时长范围内的目标历史时刻组。在历史时刻组包括多个历史时刻，根据实际需要设置预设历史时长范围，以获取与目标预测时刻最接近的多个历史时刻，由这多个历史时刻组成目标历史时刻组，以基于目标历史时刻组确定目标待使用评估产量进行计算，提高计算结果的精准性。
S130、基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
其中，目标产量是指根据目标产量预测模型和各目标待使用评估产量确定的在目标预测时刻的评估产量。
具体的，根据目标产量预测模型和各个目标待使用评估产量确定目标预测时刻对应的目标产量，以达到对目标预测时刻的产量进行评估。基于多个农作物产量评估模型确定的目标待使用评估产量，根据目标待使用评估产量的目标产量误差确定的目标评估值，基于包括目标评估值的目标产量预测模型和各个目标待使用评估产量确定的目标产量，提高了目标产量评估的准确性。
在本发明实施例中，所述基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量，包括：获取所述目标产量预测模型中的各目标评估值；根据各目标待使用评估产量对应的农作物产量评估模型的目标评估值，和相应的目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
具体的，根据农作物产量评估模型对应的目标评估值，以及每个目标评估值相对应的目标待使用评估产量确定目标预测时刻对应的目标产量。可选的，各待使用评估产量与对应的目标评估值可以做相乘处理，并将乘积进行加和处理，以得到目标预测时刻的目标产量。
本发明实施例的技术方案，通过调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量，并获取与目标预测时刻对应的目标产量预测模型，确定目标产量预测模型中与目标待使用评估产量对应的目标评估值，基于目标产量预测模型和各目标待使用评估产量，确定目标预测时刻对应的目标产量。通过本发明实施例的技术方案，实现了通过多个目标待使用评估产量，与对应的目标评估值以得到目标产量，提高了目标产量评估的准确性。
实施例二
图2是本发明实施例提供的一种基于多模型的农作物产量评估方法的流程示意图，本发明实施例在上述实施例的可选方案的基础上在获取目标预测时刻对应的目标产量预测模型之前，先确定与各历史时刻组对应的产量预测模型，具体关于产量预测模型的技术特征将在本发明实施例中进行详细的阐述。其中，与上述实施例相同或者相似的技术术语将不再赘述。
如图2所述，本发明实施例所提供的基于多模型的农作物产量评估方法具体包括如下步骤：
S210、确定与各历史时刻组对应的产量预测模型，以根据所述目标预测时刻从各产量预测模型中确定出目标产量预测模型。
具体的，确定历史时刻组中每个农作物产量评估模型对应的待使用评估产量，之后基于各个待使用评估产量以及历史产量值确定产量误差，基于产量误差确定评估值，以确定该历史时刻组对应的产量预测模型。重复执行上述步骤，确定各个历史时刻组对应的产量预测模型。在确定目标预测时刻，基于目标预测时刻确定目标历史时刻组，确定目标历史时刻组对应的产量预测模型为目标产量预测模型。
在本发明实施例中，所述确定与各历史时刻组对应的产量预测模型，包括：针对各历史时刻组，确定当前历史时刻组中的每个农作物产量评估模型的当前输入参数，以基于当前输入参数和对应的农作物产量评估模型确定当前历史评估产量；确定当前历史时刻组中的当前历史产量值，以基于每个农作物产量评估模型得到的当前历史评估产量和当前历史产量值，确定当前历史产量误差；基于各当前历史产量误差确定每个农作物产量评估模型的当前历史评估值；基于当前历史评估值和对应的当前历史产量误差，确定当前历史时刻组的当前产量预测模型。
其中，输入参数是指输入至农作物产量评估模型的参数，比如，农作物产量评估模型为基于调查统计数据确定的农作物产量评估模型，通过抽样调查的方式得到历史评估评估产量，输入参数包括全国ZZ农作物种植产量、当前区域(XX县YY村)的ZZ农作物播种产量、国家调查县的所有区域(村)数量、抽样调查的所有区域(村)的数量、国家调查县中ZZ农作物播种面积以及所有县针对该ZZ农作物的播种产量。应当理解，每个农作物产量评估模型都有对应的输入参数。基于当前输入参数和对应的农作物产量评估模型确定当前历史评估产量。由于是历史的时刻组，所以可以确定历史产量值。当前历史产量误差是指基于每个农作物产量评估模型得到的当前历史评估产量和当前历史产量值得到的。
具体的，将当前输入参数输入至对应的农作物产量评估模型，得到每个农作物产量评估模型输出的当前历史评估产量，基于历史时刻组确定的当前历史产量值。根据每个当前历史评估产量和当前历史产量值确定每个当前历史评估产量对应的当前历史产量误差。确定的方式为当前历史评估产量与当前历史产量值相减，得到当前历史产量误差。根据各个当前历史产量误差可以确定每个农作物产量评估模型对应的当前历史评估值。可选的，根据当前历史产量误差确定农作物产量评估模型对应的当前历史评估值的方式，可以是基于目标函数，将当前历史评估值作为系数，对应的当前历史产量误差作为参数，当目标函数的结果最优时，确定系数取值，以确定每个农作物产量评估模型的当前历史评估值。根据当前历史评估值和对应当前历史产量误差，确定当前历史时刻组的当前产量预测模型，以此，得到多个历史时刻组对应的产量预测模型。
在本发明实施例中，所述确定当前历史时刻组中的每个农作物产量评估模型的当前输入参数，以基于当前输入参数和对应的农作物产量评估模型确定当前历史评估产量，包括：在当前历史时刻组中，确定每个历史时刻每个农作物产量评估模型的当前输入子参数；基于当前输入子参数以及对应的农作物产量评估模型确定当前历史评估子产量；其中，所述当前历史评估产量包括至少两个当前历史评估子产量；相应的，所述确定当前历史时刻组中的当前历史产量值，以基于每个农作物产量评估模型得到的当前历史评估产量和当前历史产量值，确定当前历史产量误差，包括：确定当前历史时刻组中每个历史时刻的当前历史子产量值；基于每个当前历史子产量值以及基于每个农作物产量评估模型得到的当前历史评估子产量，确定每个农作物产量评估模型的当前历史产量子误差；其中，所述当前历史产量误差包括至少两个当前历史产量子误差。
其中，当前输入子参数是指在对应的历史时刻，每个农作物产量评估模型的输入子参数。当前历史评估子产量是指通过每个农作物产量评估模型对对应的当前输入子参数进行处理，得到历史评估子产量。
具体的，在当前历史时刻组中，确定每个历史时刻中每个农作物产量评估模型的当前输入子参数，通过农作物产量评估模型对对应的当前输入子参数进行处理，得到对应的当前历史评估子产量，并确定每个历史时刻对应的当前历史子产量值，根据当前历史子产量值以及每个农作物产量评估模型得到的当前历史评估子产量，确定当前历史时刻，每个农作物产量评估模型的当前历史产量子误差，由多个历史时刻的历史产量子误差组成历史产量误差。
在本发明实施例中，所述基于各当前历史产量误差确定每个农作物产量评估模型的当前历史评估值，包括：针对每个历史时刻，调取基于每个农作物产量评估模型确定的当前历史产量子误差，并基于当前历史产量子误差确定每个农作物产量评估模型的当前历史子评估值；其中，所述当前历史评估值包括至少两个当前历史子评估值；所述基于当前历史评估值和对应的当前历史产量误差，确定当前历史时刻组的当前产量预测模型，包括：在当前历史时刻组中，基于各当前历史子评估值确定当前历史评估值，以基于所述当前历史评估值和当前所述历史产量误差，确定当前产量预测模型。
具体的，调取基于每个农作物产量评估模型在每个历史时刻确定的当前历史产量子误差。基于当前历史产量子误差可以确定对应的农作物产量评估模型的当前历史子评估值，基于当前历史子评估值确定当前历史评估值。示例性的，历史时刻组包括5个历史时刻，基于每个历史时刻确定当前历史产量子误差，以及基于每个当前历史产量子误差确定每个农作物产量评估模型的当前历史子评估值，这样，每个历史时刻就会确定一组当前历史子评估值，基于5组当前历史时刻子评估值，确定历史时刻组的当前历史评估值。可选的，基于当前历史子评估值确定当前历史评估值的方式可以是取平均值、采用混合分布确定当前历史评估值等。
在本发明实施例中，所述基于各当前历史子评估值确定当前历史评估值，包括：将至少两个当前历史子评估值输入至混合分布模型，以通过所述混合分布模型确定当前历史评估值。
其中，混合分布模型可以基于多个当前历史子评估值，得到一个当前历史评估值。
具体的，将至少两个当前历史子评估值输入至混合分布模型，得到当前历史评估值。通过混合分布模型的方式，提高当前历史评估值确定的准确性。
S220、调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量。
S230、获取与所述目标预测时刻对应的目标产量预测模型。
S240、基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
本发明实施例的技术方案，通过确定与各历史时刻组对应的产量预测模型，以根据目标预测时刻从各产量预测模型中确定出目标产量预测模型。之后调取至少两个农作物产量评估模型在目标历史时刻组中的目标待使用评估产量，获取与目标预测时刻对应的目标产量预测模型，基于目标产量预测模型和各目标待使用评估产量，确定目标预测时刻对应的目标产量。通过本发明实施例的技术方案，首先确定与各历史时刻组对应的产量预测模型，之后基于目标预测时刻确定对应的目标历史时刻组，之后确定目标产量预测模型，保证了在确定目标预测时刻后，可以基于目标预测时刻唯一确定一个产量预测模型，保证了产量预测模型的唯一性和有效性。之后根据目标产量预测模型和各目标待使用评价产量，确定目标预测时刻对应的目标产量，提高了目标产量评估的准确率。
实施例三
本发明实施例是上述实施例的一种可实现方式，本发明实施例的农作物产量评估模型设置为5个，分别为基于调查统计数据的农作物产量评估模型、基于种植竞争数据的农作物产量评估模型、基于投入品数据的农作物产量评估模型、基于遥感影像数据的农作物产量评估模型和基于作物生长机理的产量评估模型。在本发明实施例中农作物产量评估模型设置为5个，因此历史时刻组中的历史时刻的数量大于等于5个，这里设置为10个。需要说明的是，农作物产量评估模型的数量，可以根据实际情况对农作物产量评估模型的数量进行增减。
基于调查统计数据的农作物产量评估模型，对全国范围内的农作物进行抽象调查，以对产量进行评估，评估公式如下：
Figure BDA0003083319020000141
其中，X为全国目标农作物种植产量；xi为第i个村目标农作物播种产量；wi为第i个村的权数(扩展因子)；k为国家调查县所有村数量与抽样调查的所有村的比值；r为国家调查县的目标农作物播种面积占所有县目标农作物播种产量的比率。通常以田块为信息源的抽样实测或以农户为信息源进行抽样调查。
基于种植竞争数据的农作物产量评估模型，是指基于Nerlove模型建立的产量预测模型，通过种植地区竞争农作物收益比价效益测算出各区域的产量。模型的具体表达式如下：
lnAi,t＝a0+a1lnAi,t-1++a2lnPt-1+a3lnPsub j,t-1+μ
其中，Ai,t表示第i地区当年目标农作物的产量，Ai,t-1表示第i地区上一年目标农作物的产量，Pt-1表示上一年目标农作物自身收购价格，Psubj,t-1表示上一年目标农作物主要竞争农作物收购价格，ai是指待估参数，μ表示随机误差。
基于投入品数据的农作物产量评估模型，农作物的产量受到投入品的投放量、投放种类的影响。
Figure BDA0003083319020000151
其中，Y为农作物的产量，xi为第i类投入品数量。α为截距项，是指待估参数，βi是指投入品xi对农作物产量的影响弹性系数，在本发明实施例中投入品的产量评估模型的输入参数包括：化肥、农药、农膜、农机动力等。
基于遥感影像数据的农作物产量评估模型，基于多期(多个预设间隔时长)影像农作物识别方法是选择多期(至少两期)进行逻辑运算，得到目标农作物空间分布结果，然后与耕作区空间分布数据求交集运算，并进行精度验证，最终得到目标作物种植空间分布结果，如图3所示，对于获取的原始遥感影像信息，和农作物生长气候信息，行政区矢量边界数据和数字高程模型进行标准化预处理，得到关键期标准影像。对于关键期进行划分为1期和2期，分别进行影像识别，得到关键期分类结果，和耕地区空间分布数据进行融合处理，得到主要农作物空间分布，再进行精度的验证，通过实地考察和解译知识库，对农作物的空间分布进行验证，当验证不合格，重新进行关键期标准影像的获取，当验证合格，基于农作物空间分布结果得到工作报告，为研究人员提供便利。
基于作物生长机理的农作物产量评估模型，可以表述土壤、气象等要素对农作物生长的作用。通过计算机技术动态模拟农作物生长发育和产量的形成过程。基于作物生长机理的产量评估模型通常由农作物发育期子模型、光合生产子模型、叶面动态子模型和产量形成子模型等子模型按照一定的生理生态学规律进行有机的衔接组成。基于作物生长机理模型的产量评估模型对农作物发育期动态、叶片形成动态、光合作用和农作物产量形成等进行模拟。考虑光合作用、呼吸消耗和同化物在农作物的各器官中的分配等生理过程。整个农作物生长机理模拟过程中，需要多种不同的信息输入，包括：生育期指标、环境指标、土壤指标等。
上述的五种农作物产量评估模型在农作物的生长周期中，适用的时间范围如图4所示，将农作物的生长周期划分为农作物播种前(产前)、农作物生长过程中(产中)、以及农作物成熟(产后)三个生长时期。在农作物播种前，使用基于种植竞争数据的农作物产量评估模型。在农作物生长的过程中，应用基于投入品数据的农作物产量评估模型、基于遥感影像数据的农作物产量评估模型和基于作物生长机理的产量评估模型三种模型。在农作物的整个生长周期中，可以使用基于调查统计数据的农作物产量评估模型。在农作物的生长周期中，在不同的生长时期，将五种评估模型进行适应性的分配，提高各个农作物产量评估模型评估产量的准确性。基于五种农作物产量评估模型的构成多个农作物产量评估模型的统筹系统。可选的，对于多个农作物产量评估模型构成的统筹系统可以使用指标函数确定最接近的农作物产量评估模型，并基于此农作物产量评估模型切换当前使用的农作物产量评估模型，这样，在不同的时刻确定的农作物产量评估模型都是适用于当前时刻的。多个农作物产量评估模型的融合最优方案可以表示为：
Figure BDA0003083319020000161
其中，
Figure BDA0003083319020000162
为决策变量的向量形式，S为可获得用来评估农作物产量的信息集合，
Figure BDA0003083319020000163
为第i种农作物产量评估模型评估误差。该非支配的解被认为是帕累托最优方案。
本发明实施例的指标函数是为了确定不同时刻的多个农作物产量评估模型对应的最优权重系数。这样统筹系统就可以选择最优的产量评估方案。
首先对于各个农作物产量评估模型进行初始化操作，时间t＝0。之后建立目标函数：
Figure BDA0003083319020000171
其中，ωti为对应的农作物产量评估模型的权重系数，
Figure BDA0003083319020000172
为第i个产量评估历史年份t历史时刻误差，计算历史所有年份t时刻(历史时刻组中的所有历史时刻)农作物产量评估误差，S为可获得用来评估农作物产量的信息集合，并确定5个农作物产量评估模型的适用范围(上述图4所示)作为约束条件。
建立t时刻5个农作物产量评估模型的历史评估误差组成的混合分布模型，公式为：
Figure BDA0003083319020000173
其中，
Figure BDA0003083319020000174
是第i个模型在t时刻历史误差分布的参数。
之后，对于每一年的t时刻通过上述的混合分布，得到ft(x)最小的权重系数集合ωt，在目标预测时刻，通过将权重系数集合代入到上述的目标函数中，使用每个权重系数对应的待使用评估产量，得到目标产量。
通过本发明实施例的技术方案，可以实现多个农作物产量评估模型的融合，计算目标产量，对于目标产量的结果更加精准。
实施例四
图5为本发明实施例提供的一种基于多模型的农作物产量评估装置的结构示意图，本发明实施例所提供的基于多模型的农作物产量评估装置可执行本发明任意实施例所提供的基于多模型的农作物产量评估方法，具备执行方法相应的功能模块和有益效果。该装置包括：目标待使用评估产量调取模块510、目标产量预测模型获取模块520和目标产量确定模块530；其中：
目标待使用评估产量调取模块510，用于调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，目标历史时刻组是基于目标预测时刻确定的；所述历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；目标产量预测模型获取模块520，用于获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；目标产量确定模块530，用于基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
进一步的，所述装置还包括：
产量预测模型确定模块，用于确定与各历史时刻组对应的产量预测模型，以根据所述目标预测时刻从各产量预测模型中确定出目标产量预测模型。
进一步的，所述产量预测模型确定模块包括：
当前产量预测模型确定子模块，用于针对各历史时刻组，确定当前历史时刻组中的每个农作物产量评估模型的当前输入参数，以基于当前输入参数和对应的农作物产量评估模型确定当前历史评估产量；确定当前历史时刻组中的当前历史产量值，以基于每个农作物产量评估模型得到的当前历史评估产量和当前历史产量值，确定当前历史产量误差；基于各当前历史产量误差确定每个农作物产量评估模型的当前历史评估值；基于当前历史评估值和对应的当前历史产量误差，确定当前历史时刻组的当前产量预测模型。
进一步的，所述当前产量预测模型确定子模块包括：
当前历史评估子产量确定单元，用于在当前历史时刻组中，确定每个历史时刻每个农作物产量评估模型的当前输入子参数；基于当前输入子参数以及对应的农作物产量评估模型确定当前历史评估子产量；其中，所述当前历史评估产量包括至少两个当前历史评估子产量；
当前产量子误差确定单元，用于确定当前历史时刻组中每个历史时刻的当前历史子产量值；基于每个当前历史子产量值以及基于每个农作物产量评估模型得到的当前历史评估子产量，确定每个农作物产量评估模型的当前历史产量子误差；其中，所述当前历史产量误差包括至少两个当前历史产量子误差。
进一步的，所述当前产量预测模型确定子模块包括：
当前历史子评估值确定单元，用于针对每个历史时刻，调取基于每个农作物产量评估模型确定的当前历史产量子误差，并基于当前历史产量子误差确定每个农作物产量评估模型的当前历史子评估值；其中，所述当前历史评估值包括至少两个当前历史子评估值；
当前产量预测模型确定单元，用于在当前历史时刻组中，基于各当前历史子评估值确定当前历史评估值，以基于所述当前历史评估值和所述当前历史产量误差，确定当前产量预测模型。
进一步的，所述当前产量预测模型确定单元还用于：
将至少两个当前历史子评估值输入至混合分布模型，以通过所述混合分布模型确定当前历史评估值。
进一步的，所述当前产量预测模型确定单元还用于：
以所述目标预测时刻为终点，确定在预设历史时长范围内的历史时刻组为目标历史时刻组。
进一步的，所述目标产量确定模块530包括：
目标产量确定子模块，用于获取所述目标产量预测模型中的各目标评估值；根据各目标待使用评估产量对应的农作物产量评估模型的目标评估值，和相应的目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
进一步的，所述农作物产量评估模型的数量小于等于所述历史时刻组中历史时刻的数量。
本发明实施例的技术方案，通过调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量，并获取与目标预测时刻对应的目标产量预测模型，之后基于目标产量预测模型和各目标待使用评估产量，确定目标预测时刻对应的目标产量。通过本发明实施例的技术方案，实现了通过多个目标待使用评估产量与目标产量预测模型得到目标产量，提高了目标产量评估的准确性。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
图6为本发明实施例提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施例实施方式的示例性电子设备60的框图。图6显示的电子设备60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60以通用计算设备的形式表现。电子设备60的组件可以包括但不限于：一个或者多个处理器或者处理单元601，系统存储器602，连接不同系统组件(包括系统存储器602和处理单元601)的总线603。
总线603表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备60访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)604和/或高速缓存存储器605。电子设备60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统606可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线603相连。存储器602可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块607的程序/实用工具608，可以存储在例如存储器602中，这样的程序模块607包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块607通常执行本发明所描述的实施例中的功能和/或方法。
电子设备60也可以与一个或多个外部设备609(例如键盘、指向设备、显示器610等)通信，还可与一个或者多个使得用户能与该电子设备60交互的设备通信，和/或与使得该电子设备60能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口611进行。并且，电子设备60还可以通过网络适配器612与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器612通过总线603与电子设备60的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元601通过运行存储在系统存储器602中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于多模型的农作物产量评估方法。
实施例六
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于多模型的农作物产量评估方法，包括：
调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，所述目标历史时刻组是基于目标预测时刻确定的；所述目标历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种基于多模型的农作物产量评估方法，其特征在于，包括：
调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，所述目标历史时刻组是基于目标预测时刻确定的；所述目标历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；
获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；
基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
2.根据权利要求1所述的方法，其特征在于，还包括：
确定与各历史时刻组对应的产量预测模型，以根据所述目标预测时刻从各产量预测模型中确定出目标产量预测模型。
3.根据权利要求2所述的方法，其特征在于，所述确定与各历史时刻组对应的产量预测模型，包括：
针对各历史时刻组，确定当前历史时刻组中的每个农作物产量评估模型的当前输入参数，以基于当前输入参数和对应的农作物产量评估模型确定当前历史评估产量；
确定当前历史时刻组中的当前历史产量值，以基于每个农作物产量评估模型得到的当前历史评估产量和当前历史产量值，确定当前历史产量误差；
基于各当前历史产量误差确定每个农作物产量评估模型的当前历史评估值；
基于当前历史评估值和对应的当前历史产量误差，确定当前历史时刻组的当前产量预测模型。
4.根据权利要求3所述的方法，其特征在于，所述确定当前历史时刻组中的每个农作物产量评估模型的当前输入参数，以基于当前输入参数和对应的农作物产量评估模型确定当前历史评估产量，包括：
在当前历史时刻组中，确定每个历史时刻每个农作物产量评估模型的当前输入子参数；基于当前输入子参数以及对应的农作物产量评估模型确定当前历史评估子产量；其中，所述当前历史评估产量包括至少两个当前历史评估子产量；
相应的，所述确定当前历史时刻组中的当前历史产量值，以基于每个农作物产量评估模型得到的当前历史评估产量和当前历史产量值，确定当前历史产量误差，包括：
确定当前历史时刻组中每个历史时刻的当前历史子产量值；
基于每个当前历史子产量值以及基于每个农作物产量评估模型得到的当前历史评估子产量，确定每个农作物产量评估模型的当前历史产量子误差；其中，所述当前历史产量误差包括至少两个当前历史产量子误差。
5.根据权利要求4所述的方法，其特征在于，所述基于各当前历史产量误差确定每个农作物产量评估模型的当前历史评估值，包括：
针对每个历史时刻，调取基于每个农作物产量评估模型确定的当前历史产量子误差，并基于当前历史产量子误差确定每个农作物产量评估模型的当前历史子评估值；其中，所述当前历史评估值包括至少两个当前历史子评估值；
所述基于当前历史评估值和对应的当前历史产量误差，确定当前历史时刻组的当前产量预测模型，包括：
在当前历史时刻组中，基于各当前历史子评估值确定当前历史评估值，以基于所述当前历史评估值和所述当前历史产量误差，确定当前产量预测模型。
6.根据权利要求4所述的方法，其特征在于，所述基于各当前历史子评估值确定当前历史评估值，包括：
将至少两个当前历史子评估值输入至混合分布模型，以通过所述混合分布模型确定当前历史评估值。
7.根据权利要求1所述的方法，其特征在于，所述获取与所述目标预测时刻对应的目标产量预测模型，包括：
基于所述目标预测时刻确定对应的目标历史时刻组；
确定所述目标历史时刻组对应的产量预测模型为目标产量预测模型。
8.根据权利要求7所述的方法，其特征在于，所述基于所述目标预测时刻确定对应的目标历史时刻组，包括：
以所述目标预测时刻为终点，确定在预设历史时长范围内的历史时刻组为目标历史时刻组。
9.根据权利要求1所述的方法，其特征在于，所述基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量，包括：
获取所述目标产量预测模型中的各目标评估值；
根据各目标待使用评估产量对应的农作物产量评估模型的目标评估值，和相应的目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
10.根据权利要求1所述的方法，其特征在于，所述农作物产量评估模型的数量小于等于所述历史时刻组中历史时刻的数量。
11.一种基于多模型的农作物产量评估装置，其特征在于，包括：
目标待使用评估产量调取模块，用于调取至少两个农作物产量评估模型在目标历史时刻组的目标待使用评估产量；其中，目标历史时刻组是基于目标预测时刻确定的；所述历史时刻组中包括至少两个历史时刻，每两个历史时刻之间的目标间隔时长与预设间隔时长相同；
目标产量预测模型获取模块，用于获取与所述目标预测时刻对应的目标产量预测模型；其中，所述目标产量预测模型中包括与各目标待使用评估产量对应的目标评估值，所述目标评估值是基于目标历史时刻组的目标待使用评估产量的目标产量误差确定的；
目标产量确定模块，用于基于所述目标产量预测模型和所述各目标待使用评估产量，确定所述目标预测时刻对应的目标产量。
12.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的基于多模型的农作物产量评估方法。
13.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的基于多模型的农作物产量评估方法。
CN202110572785.XA 2021-05-25 2021-05-25 基于多模型的农作物产量评估方法、装置、设备及介质 Active CN113255999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572785.XA CN113255999B (zh) 2021-05-25 2021-05-25 基于多模型的农作物产量评估方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572785.XA CN113255999B (zh) 2021-05-25 2021-05-25 基于多模型的农作物产量评估方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113255999A true CN113255999A (zh) 2021-08-13
CN113255999B CN113255999B (zh) 2024-04-12

Family

ID=77184484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572785.XA Active CN113255999B (zh) 2021-05-25 2021-05-25 基于多模型的农作物产量评估方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113255999B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187525A (zh) * 2022-12-21 2023-05-30 二十一世纪空间技术应用股份有限公司 结合气象的西北地区农作物产量遥感预测方法及装置
CN117541084A (zh) * 2024-01-10 2024-02-09 河北省科技创新服务中心 一种藜麦灌浆期产量预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274036A (zh) * 2017-07-25 2017-10-20 中国农业科学院农业信息研究所 一种最优趋势单产模型的确定方法及系统
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
CN109242201A (zh) * 2018-09-29 2019-01-18 上海中信信息发展股份有限公司 一种预测农作物产量的方法、装置及计算机可读存储介质
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
CN110659780A (zh) * 2019-09-27 2020-01-07 联想(北京)有限公司 备件需求预测方法、备件需求预测装置和电子设备
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
CN111898922A (zh) * 2020-08-10 2020-11-06 深圳市大德众和科技有限公司 一种多尺度农作物产量评估方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274036A (zh) * 2017-07-25 2017-10-20 中国农业科学院农业信息研究所 一种最优趋势单产模型的确定方法及系统
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
CN109242201A (zh) * 2018-09-29 2019-01-18 上海中信信息发展股份有限公司 一种预测农作物产量的方法、装置及计算机可读存储介质
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
CN110659780A (zh) * 2019-09-27 2020-01-07 联想(北京)有限公司 备件需求预测方法、备件需求预测装置和电子设备
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
CN111898922A (zh) * 2020-08-10 2020-11-06 深圳市大德众和科技有限公司 一种多尺度农作物产量评估方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187525A (zh) * 2022-12-21 2023-05-30 二十一世纪空间技术应用股份有限公司 结合气象的西北地区农作物产量遥感预测方法及装置
CN116187525B (zh) * 2022-12-21 2023-09-01 二十一世纪空间技术应用股份有限公司 结合气象的西北地区农作物产量遥感预测方法及装置
CN117541084A (zh) * 2024-01-10 2024-02-09 河北省科技创新服务中心 一种藜麦灌浆期产量预测方法及系统
CN117541084B (zh) * 2024-01-10 2024-05-10 河北省科技创新服务中心 一种藜麦灌浆期产量预测方法及系统

Also Published As

Publication number Publication date
CN113255999B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN111126662B (zh) 基于大数据的灌溉决策制定方法、装置、服务器和介质
Isik et al. Stochastic technology, risk preferences, and adoption of site‐specific technologies
Trukhachev et al. Personnel training for the agricultural sector in terms of digital transformation of the economy: Trends, prospects and limitations
Grimm et al. A von Liebig model for water and nitrogen crop response
CN113255999B (zh) 基于多模型的农作物产量评估方法、装置、设备及介质
Skobelev et al. Development of models and methods for creating a digital twin of plant within the cyber-physical system for precision farming management
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
Zhang et al. Higher contributions of uncertainty from global climate models than crop models in maize‐yield simulations under climate change
Shaimerdenova et al. Development of optimal crop production model considering existing natural-climatic risks increasing crop yields
CN115423643A (zh) 水肥计算方法、装置、电子设备和存储介质
Bassiouni et al. Parsimony vs predictive and functional performance of three stomatal optimization principles in a big‐leaf framework
Casali et al. Drought and temperature limit tropical and temperate maize hybrids differently in a subtropical region
CN106295232B (zh) 一种基于灰色关联分析的测土配方施肥方法
Jin et al. Improving early-season wheat yield forecasts driven by probabilistic seasonal climate forecasts
CN117408430A (zh) 一种基于大数据的农业种植用土壤改良评估系统
Kulba et al. Methodical Approaches to Agricultural Risk Estimate in Forecasting the Economic Effect of Applying Data of the Earth’s Remote Sensing
US20230082714A1 (en) Soil Property Model Using Measurements of Properties of Nearby Zones
Maxwell et al. Can optimization associated with on-farm experimentation using site-specific technologies improve producer management decisions
Zhang et al. Artificial intelligence in soil management: The new frontier of smart agriculture
Bhatia Crop growth simulation modeling
Cheeroo-Nayamuth Crop modelling/simulation: an overview
Jewson et al. Communicating properties of changes in lagged weather forecasts
CN117035471B (zh) 一种基于多植被指数图像的施肥决策方法及系统
Rohde et al. Lettuce modelling for growth control in precision agriculture
Reyes et al. MuSCA: a multi-scale model to explore carbon allocation in plants

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