CN113469831A - 基于区块链技术的农时导航系统 - Google Patents
基于区块链技术的农时导航系统 Download PDFInfo
- Publication number
- CN113469831A CN113469831A CN202110742435.3A CN202110742435A CN113469831A CN 113469831 A CN113469831 A CN 113469831A CN 202110742435 A CN202110742435 A CN 202110742435A CN 113469831 A CN113469831 A CN 113469831A
- Authority
- CN
- China
- Prior art keywords
- data
- storage
- vegetables
- planting
- hash value
- 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
- 238000009313 farming Methods 0.000 title claims abstract description 23
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 235000013311 vegetables Nutrition 0.000 claims abstract description 79
- 238000003306 harvesting Methods 0.000 claims abstract description 44
- 238000003860 storage Methods 0.000 claims description 117
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000013500 data storage Methods 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002354 daily effect Effects 0.000 description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 12
- 238000005286 illumination Methods 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000227653 Lycopersicon Species 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区块链技术领域，具体涉及一种基于区块链技术的农时导航系统，若干个大棚数据站，收集大棚内每畦蔬菜的种植数据，将种植数据存储并通过区块链存证，农时导航服务器，与若干个大棚数据站连接，将生长模型下发给种植有同种蔬菜的大棚对应的大棚数据站，返回预期收获期和预期产量，统计本次空畦种植蔬菜的预期收获期内每日的其他大棚的预期总产量，若预期总产量超过设定阈值，则通知农户推迟种植对应蔬菜，推迟天数为使预期收获期内每日的预期总产量小于预设阈值的最小推迟天数。本发明的实质性效果是：通过预测市场供需情况，为农户提供蔬菜种植的推荐日期，避免蔬菜集中上市，破坏供需平衡，有效保障农户的利益。
Description
技术领域
本发明涉及区块链技术领域，具体涉及一种基于区块链技术的农时导航系统。
背景技术
蔬菜大棚是一种具有出色的保温性能的框架覆膜结构，它出现使得人们可以吃到反季节蔬菜。一般蔬菜大棚使用竹结构或者钢结构的骨架，上面覆上一层或多层保温塑料膜，这样就形成了一个温室空间。外膜很好地阻止内部蔬菜生长所产生的二氧化碳的流失，使棚内具有良好的保温效果。大棚栽培可以生产反季节的作物供应市场，提高农产品价格，增加种植户收益。但实际推广应用中，也出现了蔬菜种植大棚亏损的情况。究其原因除种植水平欠缺，水肥、田间管理不善之外，缺乏市场供需调控指导也是不可忽视的原因。如果大量的种植大棚都种同一种蔬菜，就会导致短期的供需失衡。蔬菜的保质期较短，农户只能降价销售，导致收入大幅降低。因而需要研发一种农时导航系统，指导农户该选择何种蔬菜种植，以及该在何时种植最为适宜。
发明内容
本发明要解决的技术问题是：目前缺乏农时导航，导致农户种植具有盲目性的技术问题。提出了一种基于区块链技术的农时导航系统，本导航系统通过预测市场供需关系，为农户提供种植导航，有助于维护市场供需平衡。
为解决上述技术问题，本发明所采取的技术方案为：基于区块链技术的农时导航系统，若干个大棚数据站，所述大棚数据站设置在大棚中，大棚划分有蔬菜的种植畦，收集大棚内每畦蔬菜的种植数据，将种植数据存储并通过区块链存证，所述种植数据包括蔬菜种类、种植日期、面积和生长环境数据，农时导航服务器，与若干个所述大棚数据站连接，当大棚内有空畦时，接收农户在空畦欲种植的蔬菜，将对应蔬菜的生长模型下发给种植有同种蔬菜的大棚对应的大棚数据站，大棚数据站返回预期收获期和预期产量，统计本次空畦种植蔬菜的预期收获期内每日的其他大棚的预期总产量，若预期总产量超过设定阈值，则通知农户推迟种植对应蔬菜，推迟天数为使预期收获期内每日的预期总产量小于预设阈值的最小推迟天数，农户选择推迟种植或更换蔬菜品种重新提交给农时导航服务器。畦为蔬菜的最小种植单位，其面积不定。每畦种植的蔬菜种类相同，管培措施相同。
作为优选，所述大棚数据站包括传感器接入模块、指令接入模块、存储模块和数据存证模块，所述传感器接入模块接入大棚内的环境数据，所述环境数据由环境传感器采集获得，所述环境传感器包括空气温湿度传感器、CO2浓度传感器、土壤温湿度传感器、土壤酸碱度传感器和光照传感器，所述指令接入模块与大棚控制器连接，同步大棚控制器收集到的棚内环境数据和控制指令数据，所述存储模块将传感器接入模块和指令接入模块收集到的数据存储，数据存证模块将存储模块存储的数据通过区块链进行存证固定。
作为优选，所述存储存证模块识别控制指令数据，根据控制指令发出的时间、控制对象和控制动作，从所述传感器接入模块收集到的数据中，尝试寻找控制指令在预设时间长度内所影响到的环境数据作为关联环境数据，将找到关联环境数据的控制指令打标，周期性统计控制指令中被打标的控制指令的占比，作为有效响应占比。
作为优选，所述数据存储模块为每个种植畦开设顺序存储空间，将传感器接入模块采集到的对应种植畦的环境数据存入种植畦对应的所述顺序存储空间，所述数据存储模块以第一周期在顺序存储空间建立存证点，提取两个存证点之间的种植数据的哈希值作为存证哈希值，将所述存证哈希值存入所述存证点并提交给所述数据存证模块，所述数据存证模块为每个种植畦建立哈希值表和初始的关联哈希值，将数据存储模块提交的存证哈希值存入所述哈希值表，将哈希值表中最新的存证哈希值和关联哈希值一起提取哈希值，作为新的关联哈希值并存入哈希值表，所述数据存证模块以第二周期将最新的关联哈希值与种植畦标识和时间戳关联后，上传到区块链存储。
作为优选，所述数据存证模块在第一周期结束时，将接入的每个种植畦对应的关联哈希值的指定位取出，获得若干个M位数，将若干个所述M位数调整顺序，获得使得M位数一起提取的哈希值取值最小的排列顺序。
作为优选，从最新的两个存证点之间环境数据中尝试截取预设长度的数据片段，将数据片段与存证哈希值一起提取哈希值作为特征哈希值，使得全部顺序存储空间的特征哈希值的末尾若干位取值相同，将截取的数据片段存入存证点。
作为优选，若存在顺序存储空间无法找到满足要求的数据片段，则全部顺序存储空间均减小数据片段的长度，重新建立特征哈希值。
作为优选，所述数据存储模块设有备份存储区域，所述备份存储区域包括若干个备份存储区域，备份存储区域与顺序存储空间一一对应，所述备份存储区域具有编号，当所述顺序存储空间产生新的存证点时，所述备份存储区域同步产生标识点，将最新的两个存证点之间的数据备份到对应的备份存储区域的最新的两个标识点之间，将最新的两个标识点之间的数据按预设大小打散为子数据，若干个备份存储区域之间交换子数据，备份存储区域最新的两个标识点之间的数据与备份存储区域的编号一起提取的哈希值作为标识哈希值，子数据交换后标识哈希值的大小顺序与备份存储区域编号顺序匹配。
作为优选，所述备份存储区域最新的标识哈希值的末尾若干位取值相同，若在预设时间内未找到使得标识哈希值的末尾若干位取值相同子数据交换方案，则进一步将子数据打散为更小的子数据并重新尝试交换，直到满足备份存储区域的标识哈希值的末尾若干位取值相同。
作为优选，所述农时导航服务器接收到导航请求时，获得蔬菜的预期收获期，读取全部大棚数据站的数据，获得与预期收获期有重叠的同品种蔬菜的种植日期、面积和生长环境数据，代入相应的生长模型获得预期收获期中蔬菜预测产量，按每畦的预测产量平均分配到收获期中的每日作为每日预测产量，计算每日预测总产量，即为预期收获期内每日的其他大棚的预期总产量。
作为优选，所述农时导航服务器接收到导航请求时，获得蔬菜的预期收获期，读取全部大棚数据站的数据，获得与预期收获期有重叠的同品种蔬菜的种植日期、面积和生长环境数据，代入相应的生长模型获得预期收获期中蔬菜预测产量，蔬菜预测产量乘以修正系数进行修正，所述修正系数等于有效响应占比N次方，按每畦的预测产量平均分配到收获期中的每日作为每日预测产量，计算每日预测总产量，即为预期收获期内每日的其他大棚的预期总产量。
本发明的实质性效果是：通过预测市场供需情况，为农户提供蔬菜种植的推荐日期，避免蔬菜集中上市，破坏供需平衡，有效保障农户的利益；通过监测到的种植数据，结合生长模型提高了蔬菜收获期和产量的预测准确度；使用区块链进行存证固定，保证了种植数据的可信性，避免了数据掺假，最终损害农户利益。
附图说明
图1为实施例一农时导航系统结构示意图。
图2为实施例一大棚数据站结构示意图。
图3为实施例一数据存储存证示意图。
图4为实施例二数据备份示意图。
其中：10、农时导航服务器，20、大棚数据站，21、传感器接入模块，22、指令接入模块，23、存储模块，24、数据存证模块，30、大棚，41、空气温湿度传感器，42、CO2浓度传感器，43、土壤温湿度传感器，44、土壤酸碱度传感器，45、光照传感器，50、区块链，231、顺序存储空间，232、存证点，233、标识哈希值，234、子数据，235、备份存储区域，241、关联哈希值，242、存证哈希值，243、哈希值表。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
实施例一：
基于区块链50技术的农时导航系统，请参阅附图1，本实施例包括若干个大棚数据站20，大棚数据站20设置在大棚30中，大棚30划分有蔬菜的种植畦，收集大棚30内每畦蔬菜的种植数据，将种植数据存储并通过区块链50存证，种植数据包括蔬菜种类、种植日期、面积和生长环境数据，农时导航服务器10，与若干个大棚数据站20连接，当大棚30内有空畦时，接收农户在空畦欲种植的蔬菜，将对应蔬菜的生长模型下发给种植有同种蔬菜的大棚30对应的大棚数据站20，大棚数据站20返回预期收获期和预期产量，统计本次空畦种植蔬菜的预期收获期内每日的其他大棚30的预期总产量，若预期总产量超过设定阈值，则通知农户推迟种植对应蔬菜，推迟天数为使预期收获期内每日的预期总产量小于预设阈值的最小推迟天数，农户选择推迟种植或更换蔬菜品种重新提交给农时导航服务器10。畦为蔬菜的最小种植单位，其面积不定。每畦种植的蔬菜种类相同，管培措施相同。
大棚数据站20包括传感器接入模块21、指令接入模块22、存储模块23和数据存证模块24，请参阅附图2，传感器接入模块21接入大棚30内的环境数据，环境数据由环境传感器采集获得，环境传感器包括空气温湿度传感器41、CO2浓度传感器42、土壤温湿度传感器43、土壤酸碱度传感器44和光照传感器45，指令接入模块22与大棚30控制器连接，同步大棚30控制器收集到的棚内环境数据和控制指令数据，存储模块23将传感器接入模块21和指令接入模块22收集到的数据存储，数据存证模块24将存储模块23存储的数据通过区块链50进行存证固定。
存储存证模块识别控制指令数据，根据控制指令发出的时间、控制对象和控制动作，从传感器接入模块21收集到的数据中，尝试寻找控制指令在预设时间长度内所影响到的环境数据作为关联环境数据，将找到关联环境数据的控制指令打标，周期性统计控制指令中被打标的控制指令的占比，作为有效响应占比。如打开通风口，则棚内温度应该具有与外界温度变得相同的变化趋势，若没有变得相同的趋势，则表示大棚30设备可能存在损坏或故障。大棚30设备出现损坏或故障会导致减产。若有效响应占比较高，标识大棚30内设备良好，有助于提高产量。
数据存储模块23为每个种植畦开设顺序存储空间231，将传感器接入模块21采集到的对应种植畦的环境数据存入种植畦对应的顺序存储空间231，请参阅附图3，数据存储模块23以第一周期在顺序存储空间231建立存证点232，提取两个存证点232之间的种植数据的哈希值作为存证哈希值242，将存证哈希值242存入存证点232并提交给数据存证模块24，数据存证模块24为每个种植畦建立哈希值表243和初始的关联哈希值241，将数据存储模块23提交的存证哈希值242存入哈希值表243，将哈希值表243中最新的存证哈希值242和关联哈希值241一起提取哈希值，作为新的关联哈希值241并存入哈希值表243，数据存证模块24以第二周期将最新的关联哈希值241与种植畦标识和时间戳关联后，上传到区块链50存储。
数据存证模块24在第一周期结束时，将接入的每个种植畦对应的关联哈希值241的指定位取出，获得若干个M位数，将若干个M位数调整顺序，获得使得M位数一起提取的哈希值取值最小的排列顺序，将得到的排序上传区块链50存储。本实施例中M取值为4，M的推荐取值区间为[4,12]，大棚30中共设有4个种植畦，每个关联哈希值241取首4位、末尾4位和中间指定位置的4位，共取出12个4位数。12个4位数的排列有约4.8亿个，遍历4.8亿个组合是需要消耗一定时间的。能够有效拖延数据篡改后抹去痕迹的时间，提高数据篡改难度。若抹去痕迹所需要的时间大于第二周期，则篡改后来不及在第二周期结束时上传区块链50，使得痕迹不可被抹除。提高M位数的数量能够增加该时间，使得第二周期也可以延长。降低使用区块链50的频率，从而降低资金消耗。
表1 某个周期结束后的关联哈希值241
| 来源 | 关联哈希值241 | 起始4位、中间4位、末尾4位数 |
| 种植畦1 | <u>f5a8</u>2…<u>bb48</u>d415d4183989c<u>52ef</u> | f5a8、bb48、52ef |
| 种植畦2 | <u>b2a9</u>e…<u>bdc6</u>cb4bba579c471<u>8663</u> | b2a9、bdc6、8663 |
| 种植畦3 | <u>916e</u>c…<u>4322</u>0a7bd1fc2fa9c<u>7794</u> | 916e、4322、7794 |
| 种植畦4 | <u>3b47</u>5…<u>c455</u>cdfe2afd9204d<u>fc3a</u> | 3b47、c455、fc3a |
从最新的两个存证点232之间环境数据中尝试截取预设长度的数据片段，将数据片段与存证哈希值242一起提取哈希值作为特征哈希值，使得全部顺序存储空间231的特征哈希值的末尾若干位取值相同，将截取的数据片段存入存证点232。如某个特征哈希值为：CF17E96DD64…0E322A40DD9A6BA76770EAC74B9，其末尾4位的值为74B9，则其余顺序存储空间231的特征哈希值的末尾4位取值也必须为74B9，末尾4位取值为74B9的概率为16的4次方之一，约为6.5万分之一，因而截取6.5万次的数据片段，从概率上来讲能够获得末尾4位取值为74B9的特征哈希值。
若存在顺序存储空间231无法找到满足要求的数据片段，则全部顺序存储空间231均减小数据片段的长度，重新建立特征哈希值。
农时导航服务器10接收到导航请求时，获得蔬菜的预期收获期，读取全部大棚数据站20的数据，获得与预期收获期有重叠的同品种蔬菜的种植日期、面积和生长环境数据，代入相应的生长模型获得预期收获期中蔬菜预测产量，按每畦的预测产量平均分配到收获期中的每日作为每日预测产量，计算每日预测总产量，即为预期收获期内每日的其他大棚30的预期总产量。生长模型的建立有两种方式，一种是收集大棚30内的蔬菜的生长环境数据，包括温湿度、土壤温湿度、土壤酸碱度、平均CO2浓度、光照强度和光照时长，并在蔬菜成熟后记录蔬菜的产量，将温湿度、土壤温湿度、土壤酸碱度、平均CO2浓度、光照强度和光照时长关联单位产量，作为样本数据。收集足够多的样本数据后，建立并训练神经网络模型，训练出的神经网络模型即为该种蔬菜的生长模型。另外一种方式是采用现有技术公开的生长模型。如文献：“褚金翔;温室番茄生长发育模型建立与参数实验研究[D];中国农业科学院;2008年”、“倪纪恒;温室番茄生长发育模拟模型研究[D];南京农业大学;2005年”以及“王会军;温室黄瓜生长发育模拟模型的研究[D];中国农业大学;2004年”所记载的蔬菜生长发育模型。
农时导航服务器10接收到导航请求时，获得蔬菜的预期收获期，读取全部大棚数据站20的数据，获得与预期收获期有重叠的同品种蔬菜的种植日期、面积和生长环境数据，代入相应的生长模型获得预期收获期中蔬菜预测产量，蔬菜预测产量乘以修正系数进行修正，修正系数等于有效响应占比N次方，按每畦的预测产量平均分配到收获期中的每日作为每日预测产量，计算每日预测总产量，即为预期收获期内每日的其他大棚30的预期总产量。
本实施例的有益技术效果是：通过预测市场供需情况，为农户提供蔬菜种植的推荐日期，避免蔬菜集中上市，破坏供需平衡，有效保障农户的利益；通过监测到的种植数据，结合生长模型提高了蔬菜收获期和产量的预测准确度；使用区块链50进行存证固定，保证了种植数据的可信性，避免了数据掺假，最终损害农户利益。
实施例二：
基于区块链50技术的农时导航系统，请参阅附图4，本实施例中，数据存储模块23设有备份存储区域235，备份存储区域235包括若干个备份存储区域235，备份存储区域235与顺序存储空间231一一对应，备份存储区域235具有编号，当顺序存储空间231产生新的存证点232时，备份存储区域235同步产生标识点，将最新的两个存证点232之间的数据备份到对应的备份存储区域235的最新的两个标识点之间，将最新的两个标识点之间的数据按预设大小打散为子数据234，若干个备份存储区域235之间交换子数据234，备份存储区域235最新的两个标识点之间的数据与备份存储区域235的编号一起提取的哈希值作为标识哈希值233，子数据234交换后标识哈希值233的大小顺序与备份存储区域235编号顺序匹配。如编号01的备份存储区域235中经过子数据234交换后，与编号01一起提取哈希值，就需要比编号02的备份存储区域235中的子数据234与编号02一起提取的哈希值要小。而编号03的备份存储区域235中的子数据234与编号03一起提取的哈希值取值最大。若备份存储区域235的数量较多，即种植畦较多，则会提供适度的工作量证明。
备份存储区域235最新的标识哈希值233的末尾若干位取值相同，若在预设时间内未找到使得标识哈希值233的末尾若干位取值相同子数据234交换方案，则进一步将子数据234打散为更小的子数据234并重新尝试交换，直到满足备份存储区域235的标识哈希值233的末尾若干位取值相同。本实施例能够与实施例一同时实施。相对于实施例一，本实施例不仅能够为种植数据提供备份，同时还提供了验证种植数据是否被修改过的验证方法，进一步提高了种植数据的篡改的难度，提高了种植数据的可信度。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.基于区块链技术的农时导航系统，其特征在于，
若干个大棚数据站，所述大棚数据站设置在大棚中，大棚划分有蔬菜的种植畦，收集大棚内每畦蔬菜的种植数据，将种植数据存储并通过区块链存证，所述种植数据包括蔬菜种类、种植日期、面积和生长环境数据，
农时导航服务器，与若干个所述大棚数据站连接，当大棚内有空畦时，接收农户在空畦欲种植的蔬菜，将对应蔬菜的生长模型下发给种植有同种蔬菜的大棚对应的大棚数据站，大棚数据站返回预期收获期和预期产量，统计本次空畦种植蔬菜的预期收获期内每日的其他大棚的预期总产量，若预期总产量超过设定阈值，则通知农户推迟种植对应蔬菜，推迟天数为使预期收获期内每日的预期总产量小于预设阈值的最小推迟天数，农户选择推迟种植或更换蔬菜品种重新提交给农时导航服务器。
2.根据权利要求1所述的基于区块链技术的农时导航系统，其特征在于，
所述大棚数据站包括传感器接入模块、指令接入模块、存储模块和数据存证模块，所述传感器接入模块接入大棚内的环境数据，所述环境数据由环境传感器采集获得，所述环境传感器包括空气温湿度传感器、CO2浓度传感器、土壤温湿度传感器、土壤酸碱度传感器和光照传感器，所述指令接入模块与大棚控制器连接，同步大棚控制器收集到的棚内环境数据和控制指令数据，所述存储模块将传感器接入模块和指令接入模块收集到的数据存储，数据存证模块将存储模块存储的数据通过区块链进行存证固定。
3.根据权利要求2所述的基于区块链技术的农时导航系统，其特征在于，
所述存储存证模块识别控制指令数据，根据控制指令发出的时间、控制对象和控制动作，从所述传感器接入模块收集到的数据中，尝试寻找控制指令在预设时间长度内所影响到的环境数据作为关联环境数据，将找到关联环境数据的控制指令打标，周期性统计控制指令中被打标的控制指令的占比，作为有效响应占比。
4.根据权利要求2或3所述的基于区块链技术的农时导航系统，其特征在于，
所述数据存储模块为每个种植畦开设顺序存储空间，将传感器接入模块采集到的对应种植畦的环境数据存入种植畦对应的所述顺序存储空间，所述数据存储模块以第一周期在顺序存储空间建立存证点，提取两个存证点之间的种植数据的哈希值作为存证哈希值，将所述存证哈希值存入所述存证点并提交给所述数据存证模块，所述数据存证模块为每个种植畦建立哈希值表和初始的关联哈希值，将数据存储模块提交的存证哈希值存入所述哈希值表，将哈希值表中最新的存证哈希值和关联哈希值一起提取哈希值，作为新的关联哈希值并存入哈希值表，所述数据存证模块以第二周期将最新的关联哈希值与种植畦标识和时间戳关联后，上传到区块链存储。
5.根据权利要求4所述的基于区块链技术的农时导航系统，其特征在于，
从最新的两个存证点之间环境数据中尝试截取预设长度的数据片段，将数据片段与存证哈希值一起提取哈希值作为特征哈希值，使得全部顺序存储空间的特征哈希值的末尾若干位取值相同，将截取的数据片段存入存证点。
6.根据权利要求2或3所述的基于区块链技术的农时导航系统，其特征在于，
所述数据存储模块设有备份存储区域，所述备份存储区域包括若干个备份存储区域，备份存储区域与顺序存储空间一一对应，所述备份存储区域具有编号，当所述顺序存储空间产生新的存证点时，所述备份存储区域同步产生标识点，将最新的两个存证点之间的数据备份到对应的备份存储区域的最新的两个标识点之间，将最新的两个标识点之间的数据按预设大小打散为子数据，若干个备份存储区域之间交换子数据，备份存储区域最新的两个标识点之间的数据与备份存储区域的编号一起提取的哈希值作为标识哈希值，子数据交换后标识哈希值的大小顺序与备份存储区域编号顺序匹配。
7.根据权利要求1至3任一项所述的基于区块链技术的农时导航系统，其特征在于，
所述农时导航服务器接收到导航请求时，获得蔬菜的预期收获期，读取全部大棚数据站的数据，获得与预期收获期有重叠的同品种蔬菜的种植日期、面积和生长环境数据，代入相应的生长模型获得预期收获期中蔬菜预测产量，按每畦的预测产量平均分配到收获期中的每日作为每日预测产量，计算每日预测总产量，即为预期收获期内每日的其他大棚的预期总产量。
8.根据权利要求3所述的基于区块链技术的农时导航系统，其特征在于，
所述农时导航服务器接收到导航请求时，获得蔬菜的预期收获期，读取全部大棚数据站的数据，获得与预期收获期有重叠的同品种蔬菜的种植日期、面积和生长环境数据，代入相应的生长模型获得预期收获期中蔬菜预测产量，蔬菜预测产量乘以修正系数进行修正，所述修正系数等于有效响应占比N次方，按每畦的预测产量平均分配到收获期中的每日作为每日预测产量，计算每日预测总产量，即为预期收获期内每日的其他大棚的预期总产量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742435.3A CN113469831A (zh) | 2021-07-01 | 2021-07-01 | 基于区块链技术的农时导航系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742435.3A CN113469831A (zh) | 2021-07-01 | 2021-07-01 | 基于区块链技术的农时导航系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469831A true CN113469831A (zh) | 2021-10-01 |
Family
ID=77876933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110742435.3A Pending CN113469831A (zh) | 2021-07-01 | 2021-07-01 | 基于区块链技术的农时导航系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469831A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312441A (zh) * | 2023-08-09 | 2023-12-29 | 云南瀚哲科技有限公司 | 一种基于区块链的农产品产量估算方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573860A (zh) * | 2014-12-31 | 2015-04-29 | 北京农业信息技术研究中心 | 一种大型蔬菜种植企业种植计划自动生成方法 |
| CN108109006A (zh) * | 2017-12-20 | 2018-06-01 | 黑龙江省农业信息中心 | 农产品市场监控预警系统 |
| CN108510107A (zh) * | 2018-03-07 | 2018-09-07 | 深圳远佳智慧科技有限公司 | 一种农业种植指导方法、电子设备及存储介质 |
| CN110084480A (zh) * | 2019-03-29 | 2019-08-02 | 南京星链高科技发展有限公司 | 一种基于区块链的农产品溯源方法 |
| KR20200065758A (ko) * | 2018-11-30 | 2020-06-09 | 김지회 | 스마트 영농 서비스 제공 방법 및 이를 지원하는 서비스 장치 |
| CN112955000A (zh) * | 2018-10-24 | 2021-06-11 | 克莱米特公司 | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 |
-
2021
- 2021-07-01 CN CN202110742435.3A patent/CN113469831A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573860A (zh) * | 2014-12-31 | 2015-04-29 | 北京农业信息技术研究中心 | 一种大型蔬菜种植企业种植计划自动生成方法 |
| CN108109006A (zh) * | 2017-12-20 | 2018-06-01 | 黑龙江省农业信息中心 | 农产品市场监控预警系统 |
| CN108510107A (zh) * | 2018-03-07 | 2018-09-07 | 深圳远佳智慧科技有限公司 | 一种农业种植指导方法、电子设备及存储介质 |
| CN112955000A (zh) * | 2018-10-24 | 2021-06-11 | 克莱米特公司 | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 |
| KR20200065758A (ko) * | 2018-11-30 | 2020-06-09 | 김지회 | 스마트 영농 서비스 제공 방법 및 이를 지원하는 서비스 장치 |
| CN110084480A (zh) * | 2019-03-29 | 2019-08-02 | 南京星链高科技发展有限公司 | 一种基于区块链的农产品溯源方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312441A (zh) * | 2023-08-09 | 2023-12-29 | 云南瀚哲科技有限公司 | 一种基于区块链的农产品产量估算方法和系统 |
| CN117312441B (zh) * | 2023-08-09 | 2024-04-23 | 云南瀚哲科技有限公司 | 一种基于区块链的农产品产量估算方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2688234C1 (ru) | Способ интеллектуального управления выращиванием и интеллектуальное устройство для выращивания | |
| Easterling et al. | Preparing the erosion productivity impact calculator (EPIC) model to simulate crop response to climate change and the direct effects of CO2 | |
| CN113592147B (zh) | 基于区块链的农业生产地区调控系统 | |
| Souza et al. | Growth, phenology and harvesting time of cactus-millet intercropping system under biotic mulching | |
| CN113469831A (zh) | 基于区块链技术的农时导航系统 | |
| Liáng et al. | Modelling the effects of pasture renewal on the carbon balance of grazed pastures | |
| Persson et al. | Impact of climate change on harvest security and biomass yield of two timothy ley harvesting systems in Norway | |
| Dube et al. | Adapting peri-urban agriculture to climate change in Bulawayo, Zimbabwe: A qualitative assessment | |
| US10064347B2 (en) | Plant cultivation system, and plant cultivation unit | |
| CN113469823B (zh) | 一种基于区块链的农业保险平台 | |
| CN117314024B (zh) | 一种智慧农业病虫害云平台 | |
| CN109685280A (zh) | 针对单一地块利用人工智能进行农业气象预报的处理方法及装置 | |
| Stanghellini et al. | Carbon dioxide concentration in Mediterranean greenhouses: how much lost production? | |
| Pavithra et al. | Analysis of precision agriculture based on random forest algorithm by using sensor networks | |
| CN112005840A (zh) | 一种毛竹的带状采伐技术 | |
| Makhado et al. | Colophospermum mopane leaf production and phenology in Southern Africa's savanna ecosystem–A review | |
| Sørensen et al. | Possible impact of winter conditions and summer temperature on bank vole (Myodes glareolus) population fluctuations in Central Norway | |
| Romera et al. | Comparison of haymaking strategies for cow‐calf systems in the Salado Region of Argentina using a simulation model. 1. Effect of herbage mass at cutting and cow stocking rate under a rigid system of management | |
| CN113469824A (zh) | 一种基于区块链的农业保险理赔判定系统 | |
| CN113487444B (zh) | 一种基于区块链技术的大棚种植导航系统 | |
| CN113469743B (zh) | 基于区块链的大棚种植收益预测系统 | |
| CN112508508A (zh) | 智慧农场管理系统 | |
| Snowball et al. | The value of germplasm nurseries in selecting species for field evaluation | |
| Singels | Evaluating wheat planting strategies using a growth model | |
| De Silva et al. | Present status of research and development on climate change mitigation and future needs in the sugarcane sector in Sri Lanka |
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 |