CN113487037B - 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 - Google Patents
一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 Download PDFInfo
- Publication number
- CN113487037B CN113487037B CN202110711037.5A CN202110711037A CN113487037B CN 113487037 B CN113487037 B CN 113487037B CN 202110711037 A CN202110711037 A CN 202110711037A CN 113487037 B CN113487037 B CN 113487037B
- Authority
- CN
- China
- Prior art keywords
- temperature
- water vapor
- vapor pressure
- cracking
- humidity
- 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
- 238000005336 cracking Methods 0.000 title claims abstract description 79
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 61
- 235000010401 Prunus avium Nutrition 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 241001290151 Prunus avium subsp. avium Species 0.000 title claims abstract description 10
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 59
- 239000002689 soil Substances 0.000 claims abstract description 25
- 244000007021 Prunus avium Species 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 13
- 235000019693 cherries Nutrition 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
Abstract
本发明公开了一种熵权算法和机器学习技术的甜樱桃裂果率评估方法,包括:获取关键参数,所述关键参数包括环境温度、环境湿度、土壤温度、土壤湿度;根据樱桃棚相对湿度得到实际裂果相对湿度;由Emanuel公式得温度和水汽压之间呈指数关系,进而得到任意时刻、任意温度T的饱和水汽压E以及裂果温度下的饱和水汽压;通过干湿球温度表测定实际任意时刻温度T的水汽压e,获取裂果的实时水汽压;根据所述裂果的实时水汽压、饱和水汽压得到任意时刻温度变量裂果时的裂果湿度。在樱桃培育生产中,通过上述方法得知较为客观科学的裂果率数据,有利于针对环境参数进行及时调节,降低裂果量,减少经济损失。
Description
技术领域
本发明涉及智慧农业技术领域,具体涉及一种熵权算法和机器学习技术的甜樱桃裂果率评估方法。
背景技术
经过大量调研考察,在甜樱桃的培育生产过程中,农户最关注的问题是裂果,裂果产生的主要原因是:土壤湿度越大果实越容易吸水就会导致裂果,环境温度越高果实硬度越低就会导致裂果,土壤温度越高蒸发水汽融入空气就越多,同样也容易导致裂果。其裂果会造成农户严重的经济损失。
发明内容
针对甜樱桃在生产培育过程中,由于农户无法提前获知较为科学的裂果情况,从而错过改善培育参数时间,造成大量裂果问题,本申请采用熵权算法和机器学习技术,设计了一种预知裂果率的评估方法,用来辅助农户生产培育。
为实现上述目的,本申请的技术方案为:一种熵权算法和机器学习技术的甜樱桃裂果率评估方法,包括:
获取关键参数,所述关键参数包括环境温度x1j、环境湿度x2j、土壤温度x3j、土壤湿度x4j;
根据樱桃棚相对湿度得到实际裂果相对湿度;
由Emanuel公式得温度T和水汽压е之间呈指数关系,进而得到任意时刻、任意温度T的饱和水汽压E以及裂果温度下的饱和水汽压/>
通过干湿球温度表测定实际任意时刻温度T的水汽压e,获取裂果的实时水汽压
根据所述裂果的实时水汽压饱和水汽压/>得到任意时刻温度变量裂果时的裂果湿度/>
进一步的,所述樱桃棚相对湿度为空气中实际水汽压与同温度饱和水汽压的比值,用干湿球温度表测定湿度,其公式为:
e为当时空气中的水汽压,E为当时干球温度下的饱和水汽压;当时达到实际产生裂果时的水汽压/>则有实际裂果相对湿度:
进一步的,任意时刻、任意温度T的饱和水汽压E,表达为:
将理想温度带入式(3)获取饱和水汽压/>
进一步的,通过干湿球温度表测定实际任意时刻温度T的水汽压e,表示为:
e=ET0-AP(T0-TL) (4)
其中ET0为干球温度下的饱和水汽压,A为干湿表测湿系数,P为当时气压,T0为干球温度,TL为湿球温度;则达到实际裂果相对湿度时裂果的实时水汽压为:
ETj为实际裂果时的饱和水汽压,Tj为实际裂果时干球的温度,为实际裂果时湿球的温度。
进一步的,所述环境温度x1j与实际裂果时干球的温度Tj相等,所述环境湿度x2j与实时水汽压相等,则有:
x1j=Tj (6)
联立式(3)、(6)、(7)得
更进一步的,定义裂果率函数为Q,每行为同一变量,每列包含4种变量,每列为一组数据,具体Q函数为:
Qj(x)=α1x1j+α2x2j+α3x3j+α4x4j (8)
其中[α1 α2 α3 α4]为权重系数矩阵。
更进一步的,将变量集合进行归一化处理,使其变量范围在[0,1]内进行计算,处理公式如下:
其中X为集合中任意变量,Xmin为变量中最小值,Xmax为变量中最大值。
更进一步的,获取任一变量第i项指标下第j个数据所占比重;得到第i项指标的熵值;
所述获取任一变量第i个数据占第j项指标的比重为:
通过式(11)确定出在环境温度、环境湿度、土壤温度、土壤湿度4种变量中,任一变量所占的比重;
所述第i项指标的熵值为:
通过式(12)获得其中一种变量在变量集合中的信息熵值。
作为更进一步的,消除环境温度信息熵值E1、环境湿度信息熵值E2、土壤温度信息熵值E3、土壤湿度信息熵值E4主观性,对裂果率函数Q数值化求解:
得到环境湿度是甜樱桃发生裂果的关键环境因素。
作为更进一步的,采用机器学习决策树验证环境湿度是否甜樱桃发生裂果的关键环境因素,具体为:首先构建决策树模型,目的是通过机器学习的方式处理具有相关性特征数据,用裂果增益率来选择属性,通过基尼系数再次判定熵权算法的准确性和科学性。
本发明由于采用以上技术方案,能够取得如下的技术效果:相对于传统统计学以及深度学习模型在预测裂果率问题上无法消除经验主观性和保证不了具有实际生产意义的客观合理性,本发明利用spssau熵权算法消除了预测方式的主观性,保证了客观赋权。又引入决策树模型解决了熵权算法无法解决变量之间存在关系(相关性、线性等)的问题。二者互相弥补,通过熵权算法和决策树共同判定客观权值是否输出,既保证了客观性又解决了变量关联性。在樱桃培育生产中,通过上述方法得知较为客观科学的裂果率数据,有利于针对环境参数进行及时调节,降低裂果量,减少经济损失。
附图说明
图1为甜樱桃裂果率评估方法流程图;
图2为对裂果率函数Q数值化求解结果柱形图;
图3为决策树模型构建图;
图4为实际裂果率柱形图;
图5为裂果率函数Q预测裂果率柱形图;
图6为实际裂果率和预测裂果率结果对比图。
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
实施例1
在实际生产意义上,裂果会造成农户严重的经济损失,而利用产生裂果的关键环境参数建立数学模型,实现亩产裂果预测的功能,有利于降低裂果产量,提高农户的实际生产效益。本发明主要根据裂果问题,采用熵权算法进行数据解析,又通过机器学习技术判定甜樱桃生产过程中的关键特征参数,求得关键特征参数的权重矩阵,得到了一种裂果率评估函数,如图1所示,其实施步骤如下:
S1.获取关键参数,所述关键参数包括环境温度x1j、环境湿度x2j、土壤温度x3j、土壤湿度x4j;
S2.根据樱桃棚相对湿度得到实际裂果相对湿度;
具体的,所述樱桃棚相对湿度为空气中实际水汽压与同温度饱和水汽压的比值,用干湿球温度表测定湿度,其公式为:
e为当时空气中的水汽压,E为当时干球温度下的饱和水汽压。那么定义:当时达到实际产生裂果时的水汽压/>则有实际裂果相对湿度:
S3.由Emanuel公式得温度T和湿度е之间呈指数关系,可得任意时刻、任意温度T的饱和水汽压E,表达为:
将理想裂果温度带入式(3)获取饱和水汽压/>
S4.干湿球温度表测定实际任意时刻温度T的水汽压e表示为:
e=ETl-AP(Tl-TL) (4)
其中ET0为干球温度下的饱和水汽压,A为干湿表测湿系数,P为当时气压,T0为干球温度,TL为湿球温度;则达到实际裂果相对湿度时裂果的实时水汽压为:
ETj为实际裂果时的饱和水汽压,Tj为实际裂果时干球的温度,为实际裂果时湿球的温度。
根据所述裂果的实时水汽压饱和水汽压/>得到任意时刻温度变量裂果时的裂果湿度/>(注/>),即联立式(2)、(3)、(5)。
S5.考虑到变量出现交集、交叉情况,一般为当时,甜樱桃则一定会产生30%及以上大量裂果问题。有如下定义推导:
x1j=Tj (6)
联立(3)、(6)、(7)得
S6.根据S1中影响裂果的四个主要参数,x1j,x2j,x3j,x4j分别表示环境温度、环境湿度、土壤温度、土壤湿度。定义裂果率函数为Q,每行为同一变量,每列包含4种变量,每列为一组数据,则Q为1×j阵,X为4×j阵。具体裂果率函数Q为:
Qj(x)=α1x1j+α2x2j+α3x3j+α4x4j (8)
w=[α1 α2 α3 α4]为权重系数矩阵,w为1×4阵。
S7.对参数数据进行预处理,所述参数数据可以来源美早品种(七顶山1、七顶山2、得利寺、登沙河、亮甲店等),土壤类数据的所有点埋放深度为20cm深。本实施例采用了625条数据。将变量集合进行归一化处理,使其变量范围在[0,1]范围内进行计算。处理公式如下:
其中X为集合中任意变量,Xmin为变量中最小值,Xmax为变量中最大值;
S8.将裂果率函数Q数值化求解:第一步,获取任一变量第i项指标下第j个数据所占比重;第二步,得到第i项指标的熵值;第三步确定各指标的权重。
所述获取任一变量第i个数据占第j项指标的比重为:
通过式(11)可以确定出在环境温度、环境湿度、土壤温度、土壤湿度4种变量中,任一变量所占的比重。
得到第i项指标的熵值为:
通过式(12)可以获得其中一种变量在所有变量集合中的信息熵值。
消除环境温度信息熵值E1、环境湿度信息熵值E2、土壤温度信息熵值E3、土壤湿度信息熵值E4主观性,对裂果率函数Q数值化求解,即确定各指标的权重:
完成S2-S8可得权重w系数,至此完成函数Q的求解。结果图如表1、图2所示。由结果可得MMS_环境湿度的信息熵值为0.9510、信息效用值为0.0490、权重为0.3038。
表1为熵权法计算结果
由数据解析结果可得环境湿度是甜樱桃发生裂果的关键环境因素,MM_S环境湿度权重系数达到30.38%。可得
w=[0.1807 0.3038 0.29.3 0.2252],是一种客观赋权法,相对主观赋权具有较高的可信度和精确度,但不会考虑指标与指标之间的相关性、层级关系等影响。
因此采用机器学习决策树进行辅助验证,消除其弊端。如图3所示,首先构建决策树模型,目的是通过机器学习的方式处理具有相关性特征数据,用裂果增益率来选择属性,通过基尼系数再次判定熵权算法的准确性和科学性。
对比决策树所得基尼系数(Gini coefficient),经分析与熵权算法所得实验结论相同,实验结果如表2所示。在考虑变量相关性的条件下环境湿度的基尼系数为0.518,环境湿度仍是影响裂果的决定性因素,所以环境温度的变化会影响湿度变化,环境湿度幅值变化过大,果实易裂,决策树模型准确率为87.778%.
表2为决策树模型结果
针对传统统计学以及种植经验的方式和本申请所得评估函数模型对比;抽取5个监测点样本进行试验。根据大连市农科院专家给出的传统统计学裂果率阈值,可分为3个等级进行量化:当空气相对湿度达到75%以上时会产生30%及以上裂果亩产占比;空气相对湿度达到50%-60%会产生低于10%的裂果亩产占比。空气相对湿度达到60%-75%会产生10%-30%的裂果亩产占比。
将5组变量对应的实际环境湿度x2j进行量化得出实际裂果率,结果如图4所示;
将5组测试数据代入裂果率函数Q中,将4个变量与权值矩阵W进行计算,得到本申请所预测得裂果率结果。结果如图5所示,分别得到预测裂果率为:8.24%、33.41%、8.37%、29.24%、9.17%.
经过对比发现本申请提出的裂果率函数Q拟合度相当准确,最大预测误差为3.41%。实际结果与预测结果对比图如图6所示。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (2)
1.一种熵权算法和机器学习技术的甜樱桃裂果率评估方法,其特征在于,包括:
获取关键参数,所述关键参数包括环境温度x1j、环境湿度x2j、土壤温度x3j、土壤湿度x4j;
根据樱桃棚相对湿度得到实际裂果相对湿度;
由Emanuel公式得温度T和水汽压e之间呈指数关系,进而得到任意时刻、任意温度T的饱和水汽压E以及裂果温度下的饱和水汽压/>
通过干湿球温度表测定实际任意时刻温度T的水汽压e,获取裂果的实时水汽压
根据所述裂果的实时水汽压饱和水汽压/>得到任意时刻温度变量裂果时的裂果湿度/>
所述樱桃棚相对湿度为空气中实际水汽压与同温度饱和水汽压的比值,用干湿球温度表测定湿度,其公式为:
e为当时空气中的水汽压,E为当时干球温度下的饱和水汽压;当时达到实际产生裂果时的水汽压/>则有实际裂果相对湿度:
任意时刻、任意温度T的饱和水汽压E,表达为:
将裂果温度带入式(3)获取裂果饱和水汽压/>
通过干湿球温度表测定实际任意时刻温度T的水汽压e,表示为:
e=ET0-AP(T0-TL) (4)
其中ET0为干球温度下的饱和水汽压,A为干湿表测湿系数,P为当时气压,T0为干球温度,TL为湿球温度;则达到实际裂果相对湿度时裂果的实时水汽压为:
ETj为实际裂果时的饱和水汽压,Tj为实际裂果时干球的温度,为实际裂果时湿球的温度;
所述环境温度x1j与实际裂果时干球的温度Tj相等,所述环境湿度x2j与实时水汽压相等,则有:
x1j=Tj (6)
联立式(3)、(6)、(7)得
定义裂果率函数为Q,每行为同一变量,每列包含4种变量,每列为一组数据,具体Q函数为:
Qj(x)=α1x1j+α2x2j+α3x3j+α4x4j (8)
其中[α1 α2 α3 α4]为权重系数矩阵;
将变量集合进行归一化处理,使其变量范围在[0,1]内进行计算,处理公式如下:
其中X为集合中任意变量,Xmin为变量中最小值,Xmax为变量中最大值;
获取任一变量第i项指标下第j个数据所占比重;得到第i项指标的熵值;
所述获取任一变量第i个数据占第j项指标的比重为:
通过式(11)确定出在环境温度、环境湿度、土壤温度、土壤湿度4种变量中,任一变量所占的比重;
所述第i项指标的熵值为:
通过式(12)获得其中一种变量在变量集合中的信息熵值;
消除环境温度信息熵值E1、环境湿度信息熵值E2、土壤温度信息熵值E3、土壤湿度信息熵值E4主观性,对裂果率函数Q数值化求解:
得到环境湿度是甜樱桃发生裂果的关键环境因素。
2.根据权利要求1所述一种熵权算法和机器学习技术的甜樱桃裂果率评估方法,其特征在于,采用机器学习决策树验证环境湿度是否甜樱桃发生裂果的关键环境因素,具体为:首先构建决策树模型,目的是通过机器学习的方式处理具有相关性特征数据,用裂果增益率来选择属性,通过基尼系数再次判定熵权算法的准确性和科学性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711037.5A CN113487037B (zh) | 2021-06-25 | 2021-06-25 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711037.5A CN113487037B (zh) | 2021-06-25 | 2021-06-25 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487037A CN113487037A (zh) | 2021-10-08 |
CN113487037B true CN113487037B (zh) | 2024-05-31 |
Family
ID=77937610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110711037.5A Active CN113487037B (zh) | 2021-06-25 | 2021-06-25 | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487037B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002153147A (ja) * | 2000-11-22 | 2002-05-28 | National Agricultural Research Organization | オウトウ果実の裂果防止装置及びオウトウ用加温施設 |
CN110057748A (zh) * | 2019-05-30 | 2019-07-26 | 西安石油大学 | 油气管道土壤腐蚀分级量化方法 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
-
2021
- 2021-06-25 CN CN202110711037.5A patent/CN113487037B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002153147A (ja) * | 2000-11-22 | 2002-05-28 | National Agricultural Research Organization | オウトウ果実の裂果防止装置及びオウトウ用加温施設 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN110057748A (zh) * | 2019-05-30 | 2019-07-26 | 西安石油大学 | 油气管道土壤腐蚀分级量化方法 |
Non-Patent Citations (1)
Title |
---|
温棚内气候因素对烟台地区设施甜樱桃果实品质的影响;杨剑超;姜学玲;李延菊;邢建平;王冰;孙妮娜;;现代农业科技(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113487037A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN112270129B (zh) | 一种基于大数据分析的植物长势预测方法 | |
CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN111855590A (zh) | 水稻叶片淀粉积累量遥感反演模型和方法 | |
CN110824586B (zh) | 基于改进决策树算法的降水预测方法 | |
CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
CN114638146A (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
CN112418682B (zh) | 一种融合多源信息的安全性评估方法 | |
CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
CN111855593A (zh) | 水稻叶片淀粉含量遥感反演模型和方法 | |
CN116485040B (zh) | 种子活力预测方法、系统、电子设备及存储介质 | |
CN110555553A (zh) | 多因素骤旱综合识别方法 | |
CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
CN109934334B (zh) | 一种基于扰动的叶绿素a含量相关因子敏感性分析方法 | |
CN113487037B (zh) | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN111914488A (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN111053005A (zh) | 一种水稻再生力鉴定方法 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN113128871A (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
CN111257240A (zh) | 基于近地高光谱数据和集成模型的油菜氮磷钾养分诊断方法 | |
CN110084487B (zh) | 一种基于最大熵原理的堤防防护林树种适宜性评价方法 |
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 |