CN113505919B - 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 - Google Patents
一种基于关键因素预测收获小麦呕吐毒素的方法及系统 Download PDFInfo
- Publication number
- CN113505919B CN113505919B CN202110714114.2A CN202110714114A CN113505919B CN 113505919 B CN113505919 B CN 113505919B CN 202110714114 A CN202110714114 A CN 202110714114A CN 113505919 B CN113505919 B CN 113505919B
- Authority
- CN
- China
- Prior art keywords
- factor
- meteorological
- wheat
- period
- data
- 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
- 238000003306 harvesting Methods 0.000 title claims abstract description 154
- 241000209140 Triticum Species 0.000 title claims abstract description 152
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 152
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 title claims abstract description 101
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 68
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 238000009313 farming Methods 0.000 claims description 38
- 239000002689 soil Substances 0.000 claims description 14
- 238000011109 contamination Methods 0.000 claims description 12
- 238000003967 crop rotation Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 239000010902 straw Substances 0.000 claims description 10
- 241000607479 Yersinia pestis Species 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 241000238631 Hexapoda Species 0.000 claims description 8
- 239000004927 clay Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003971 tillage Methods 0.000 claims description 5
- 239000002895 emetic Substances 0.000 claims description 4
- 230000000855 fungicidal effect Effects 0.000 claims description 4
- 239000000417 fungicide Substances 0.000 claims description 4
- 230000002363 herbicidal effect Effects 0.000 claims description 4
- 239000004009 herbicide Substances 0.000 claims description 4
- 239000000575 pesticide Substances 0.000 claims description 4
- 239000003053 toxin Substances 0.000 claims description 4
- 231100000765 toxin Toxicity 0.000 claims description 4
- 235000017060 Arachis glabrata Nutrition 0.000 claims description 3
- 244000105624 Arachis hypogaea Species 0.000 claims description 3
- 235000010777 Arachis hypogaea Nutrition 0.000 claims description 3
- 235000018262 Arachis monticola Nutrition 0.000 claims description 3
- 244000068988 Glycine max Species 0.000 claims description 3
- 235000010469 Glycine max Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 235000020232 peanut Nutrition 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- 235000013339 cereals Nutrition 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 231100000678 Mycotoxin Toxicity 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000002636 mycotoxin Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 108010014173 Factor X Proteins 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/29—Geographical information databases
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Fuzzy Systems (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于关键因素预测收获小麦呕吐毒素的方法及系统，基于历史数据通过逐步回归的方法，再分别验证因素的显著性建立预测模型，同时又基于历史数据通过积温的方式预测当年开花期和收获期，再根据其对应的气象预测得到未来一段时间相关的因素，通过预测模型与相关的因素预测小麦收获期呕吐毒素含量。相比现有技术，预测模型中的统计项更加完备，通过逐步回归筛选显著性更高的因素。模型所筛选的因素显著性更高，进而通过多元线性回归算法所建立的预测模型精准度更高。
Description
技术领域
本发明涉及农业预测领域，特别是涉及一种基于关键因素预测收获小麦呕吐毒素的方法及系统。
背景技术
粮食中呕吐毒素污染分别由产前和产后两个阶段产生，随着科技进步和我国储粮方式的不断改进，目前粮食中真菌毒素的发生主要存在于粮食收获前。收获前，由于粮食作物在田间生长过程中真菌感染、耕作方式影响和天气条件不稳定，导致真菌毒素积累，且不同地区，不同年份间差异较大。因此，在收获前预测粮食中呕吐毒素含量，从而实施有针对性的预防措施，从根本上降低粮食呕吐毒素污染非常重要。
粮食中导致呕吐毒素产生的因素众多，主要指标为天气情况、作物熟性与耕种条件、病虫害情况等。其中天气情况又是其主要影响因素。因此在收获之前，我们根据气象数据对小麦收获后呕吐毒素含量进行预测。本发明分别以开花期和收获期作为基准，以3天、5天、7天、9天、11天、13天为不同预设时间间隔，统计了开花期和收获期前后多个时间段的相关气象信息。现有技术中存在仅考虑气象因素与呕吐毒素之间的相关性，而忽略耕种因素与呕吐毒素之间的相关性，从而导致样本集不完整；并且现有技术中对于因素的相关性的验证方法简单单一，导致样本集中因素的相关性不显著；最终导致预测结果不准确。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于关键因素预测收获小麦呕吐毒素的方法及系统。
本发明实施例提供如下技术方案：
第一方面，本发明实施例提供一种基于关键因素预测收获小麦呕吐毒素的方法，其包括：获取预设年份内预设区域的小麦历史数据，所述小麦历史数据包括：地理数据、耕种数据、气象数据、生长期数据和小麦收获期呕吐毒素含量检测数据；
基于所述小麦历史数据中的气象数据，获取预设年份的第一开花期和第一收获期；
根据所述第一开花期和所述第一收获期利用预设划分规则得到第一气象数据统计时间段；
基于所述小麦历史数据中的气象数据获取所述第一气象数据统计时间段对应的第一气象因素、第一耕种因素、第一地理因素以及第一小麦收获期呕吐毒素含量；
利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型；
获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期；根据所述第二开花期和所述第二收获期利用预设划分规则得到第二气象数据统计时间段，并获取所述第二气象数据统计时间段对应的第二气象因素和第二耕种因素，所述第二气象因素为实时的气象因素；
将所述第二气象因素和所述第二耕种因素一起作为第二综合因素；
通过所述第二综合因素与所述预测模型预测到第二小麦收获期呕吐毒素含量，根据所述第二小麦收获期呕吐毒素含量建立进行区域风险地图绘制。
进一步地，根据所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期利用预设划分规则得到第一气象数据统计时间段/第二气象数据统计时间段，包括：
利用预设时间阈值，分别以所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期为中心确定第一选定时间段/第二选定时间段；
利用预设时间间隔将所述第一选定时间段/所述第二选定时间段划分为第一气象数据统计时间段/第二气象数据统计时间段。
进一步地，预设时间阈值具有多个设定值，每个设定值对应具有至少一个预设时间间隔，所述预设时间阈值的设定值包括：19天、22天、24天和27天；当所述设定值为19天时，所述预设时间间隔为13天；当所述设定值为22天时，所述预设时间间隔为3天、5天和9天；当所述设定值为24天时，所述预设时间间隔为7天；当所述设定值为27天时，所述预设时间间隔为11天。
进一步地，第一气象因素/所述第二气象因素包括所述第一气象数据统计时间段/所述第二气象数据统计时间段对应的平均气温、高于预设温度的小时数、总降雨量、相对湿度平均值、相对湿度高于预设湿度的小时数和平均日照小时数。其中，预设温度包括：16摄氏度到30摄氏度；预设湿度包括：0％到90％。
进一步地，利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型，包括：
将第一气象因素进行归一化处理，得到第一气象因素样本；
将所述第一气象因素样本与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第一关键因素；
将所述第一耕种因素与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第二关键因素；
由所述第一关键因素和所述第二关键因素得到第一综合因素；
基于所述第一综合因素通过多元线性回归算法建立所述预测模型。
进一步地，地理数据包括：所述预设区域的经度、纬度信息；所述耕种数据包括：小麦轮作情况、秸秆处理方式、地形、种子用量、土壤类型、翻耕方式、是否使用除草剂、是否使用杀真菌剂、是否有病虫害、是否对病虫害施药；所述气象数据包括：逐小时气温、相对湿度、降雨量和日照小时数；所述生长期数据包括：小麦的开花期和收获日期。
进一步地，所述轮作情况为上季度土地轮作的农作物，所述农作物包括：“稻谷”、“玉米”、“小麦”、“大豆”和“花生”，所述秸秆处理方式包括：“收集使用”和“粉碎还田”，所述地形包括：“平原”、“丘陵”和“坡地”，所述土壤类型包括：“粘土”、“沙土”、“粘壤土”、“沙壤土”、“粉壤”，翻耕方式包括：“免耕”、“平翻”、“深松”和“深耕”。
进一步地，获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期，包括：
从所述小麦历史数据的生长期数据中读取小麦历年开花期和收获日期；
利用所述小麦历史数据中的气象数据，分别计算出对应年份自1月1日至所述小麦历年开花期和收获日期的第一历年日积温值和第二历年日积温值，并计算出所述第一历年日积温值和所述第二历年日积温值的平均值；
利用当年的实时气象数据计算自预测年份1月1日起的实时日积温值；
判断所述实时日积温值是否达到所述第一历年日积温值和所述第二历年日积温值的平均值；
当所述实时积温值达到所述第一历年日积温值的平均值，将该实时日积温值对应的日期确定为当年的第二开花期；
当所述实时积温值达到所述第二历年日积温值的平均值，将该实时日积温值对应的日期确定为当年的第二收获期。
进一步地，预测模型包括：
其中，g(x)包括：
其中，ak为第k个因素的系数，b为常数项；
g(x)在小于等于500时，呕吐毒素含量无污染风险，
g(x)在(500,1500]时，呕吐毒素含量存在轻度污染风险，
g(x)在(1500,2500]时，呕吐毒素含量存在中度污染风险，
g(x)在大于2500时，呕吐毒素含量存在重度污染风险。
第二方面，本发明实施例提供一种基于关键因素预测收获小麦呕吐毒素的系统，其特征在于，所述系统包括：小麦历史数据获取模块，用于获取预设年份内预设区域的小麦历史数据，所述小麦历史数据包括：地理数据、耕种数据、气象数据、生长期数据和小麦收获期呕吐毒素含量检测数据；
第一生长期获取模块，用于基于所述小麦历史数据中的气象数据，获取预设年份的第一开花期和第一收获期；
第一因素获取模块，用于根据所述第一开花期和所述第一收获期利用预设划分规则得到第一气象数据统计时间段；基于所述小麦历史数据中的气象数据获取所述第一气象数据统计时间段对应的第一气象因素、第一耕种因素、第一地理因素以及第一小麦收获期呕吐毒素含量；
预测模型建立模块，用于利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型；
第二生长期获取模块，用于获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期；
第二因素获取模块，用于根据所述第二开花期和所述第二收获期利用预设划分规则得到第二气象数据统计时间段，并获取所述第二气象数据统计时间段对应的第二气象因素和第二耕种因素，所述第二气象因素为实时的气象因素；将所述第二气象因素和所述第二耕种因素一起作为第二综合因素；
预测展示模块，用于通过所述第二综合因素与所述预测模型预测到第二小麦收获期呕吐毒素含量，根据所述第二小麦收获期呕吐毒素含量建立进行区域风险地图绘制。
本发明提供一种基于关键因素预测收获小麦呕吐毒素的方法及系统，基于历史数据通过逐步回归的方法，再分别验证因素的显著性建立预测模型，同时又基于历史数据通过积温的方式预测当年开花期和收获期，再根据其对应的气象预测得到未来一段时间相关的因素，通过预测模型与相关的因素预测小麦收获期呕吐毒素含量。相比现有技术，预测模型中的统计项更加完备，通过逐步回归筛选显著性更高的因素。模型所筛选的因素显著性更高，进而通过多元线性回归算法所建立的预测模型精准度更高。
附图说明
图1为本发明一个实施例提供一种基于关键因素预测收获小麦呕吐毒素的系统的示意图；
图2为本发明一个实施例提供一种基于关键因素预测收获小麦呕吐毒素的方法的示意图；
图3为本发明一个实施例提供2016-2019年当年3月1日至开花期积温统计图；
图4为本发明一个实施例提供2016-2019年开花期至收获期积温统计图；
图5为本发明一个实施例提供2016-2019黄淮海区域开花期时间分布；
图6为本发明一个实施例提供2016-2019黄淮海区域收获期时间分布；
图7为本发明一个实施例提供2020年3月1日至预测当日的实时气象数据；
图8为本发明一个实施例提供2020年预测日期之后15天内的预报数据；
图9为本发明一个实施例提供2020年小麦收获期呕吐毒素含量风险分类预测结果统计；
图10为本发明一个实施例提供2020年小麦收获后呕吐毒素含量的污染风险地图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
为了克服现有技术的缺陷，本发明实施例基于逐步回归的筛选方法筛选出显著性明显的因素，基于多元线性回归算法通过上述因素建立预测模型，大大提高了预测的精准度。
参考图1，为本发明一个实施例提供了一种基于关键因素预测收获小麦呕吐毒素的系统，其包括：小麦历史数据获取模块01，用于获取预设年份内预设区域的小麦历史数据，所述小麦历史数据包括：地理数据、耕种数据、气象数据、生长期数据和小麦收获期呕吐毒素含量检测数据；第一生长期获取模块02，用于基于所述小麦历史数据中的气象数据，获取预设年份的第一开花期和第一收获期；第一因素获取模块03，用于根据所述第一开花期和所述第一收获期利用预设划分规则得到第一气象数据统计时间段；基于所述小麦历史数据中的气象数据获取所述第一气象数据统计时间段对应的第一气象因素、第一耕种因素、第一地理因素以及第一小麦收获期呕吐毒素含量；预测模型建立模块04，用于利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型；第二生长期获取模块05，用于获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期；第二因素获取模块06，用于根据所述第二开花期和所述第二收获期利用预设划分规则得到第二气象数据统计时间段，并获取所述第二气象数据统计时间段对应的第二气象因素和第二耕种因素，所述第二气象因素为实时的气象因素；将所述第二气象因素和所述第二耕种因素一起作为第二综合因素；预测展示模块07，用于通过所述第二综合因素与所述预测模型预测到第二小麦收获期呕吐毒素含量，根据所述第二小麦收获期呕吐毒素含量建立进行区域风险地图绘制。
进一步地，所述地理数据包括：所述预设区域的经度、纬度信息；所述耕种数据包括：小麦轮作情况、秸秆处理方式、地形、种子用量、土壤类型、翻耕方式、是否使用除草剂、是否使用杀真菌剂、是否有病虫害、是否对病虫害施药；所述气象数据包括：逐小时气温、相对湿度、降雨量和日照小时数；所述生长期数据包括：小麦的开花期和收获日期。
具体地，小麦历史数据获取模块01的数据来自于距离预测点最近的气象站；第二因素获取模块05的气象数据来源来自于国家气象中心的气象大数据接口获得的实时数据和10天内的预报数据统计需要的气象数据数据因子，耕种数据来自于距离预测点最近的气象站。
在一个实施例中，上述气象站的寻找方法包括：步骤一：读取当前地点经纬度信息，搜索当前位置南北方向1经度、东西方向1纬度范围内所有气象站，当搜索到气象站个数不为零时进入步骤三，否则，进行步骤二，直至搜索到气象站个数不为零时进入步骤三；步骤二：在当前基础上南北方向延伸1经度、东西方向延伸1纬度；步骤三：使用四叉树算法获取距离当前位置最近的气象站。
本发明实施例系统，通过获取气象站的历史数据进行筛选，建立预测模型；通过获取国家气象中心特定的气象因素再结合耕种因素，基于预测模型预测小麦收获期呕吐毒素含量。相比现有技术，结合气象因素与耕种因素的数据样本大大增加了预测的维度，从而提升了预测模型的有效性。
与上述公开的一种基于关键因素预测收获小麦呕吐毒素的系统相对应，本发明实施例还公开了一种预测小麦收获期呕吐毒素含量方法详细介绍本发明实施例中公开的一种预测小麦收获期呕吐毒素含量实现方法。
在风险预警模型性分为定量模型和定性模型，定量模型是将小麦收获期呕吐毒素含量作为连续变量进行预测；根据分级规则将小麦收获期呕吐毒素含量分为多类，给出风险等级。本实施例采用多元线性回归模型对2020年黄淮海地区小麦收获期呕吐毒素含量进行了风险等级预测。
参考图2，为本实施例提供了一种基于关键因素预测收获小麦呕吐毒素的方法，其包括：获取预设年份内预设区域的小麦历史数据，所述小麦历史数据包括：地理数据、耕种数据、气象数据、生长期数据和小麦收获期呕吐毒素含量检测数据；基于所述小麦历史数据中的气象数据，获取预设年份的第一开花期和第一收获期；根据所述第一开花期和所述第一收获期利用预设划分规则得到第一气象数据统计时间段；基于所述小麦历史数据中的气象数据获取所述第一气象数据统计时间段对应的第一气象因素、第一耕种因素、第一地理因素以及第一小麦收获期呕吐毒素含量；利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型；获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期；根据所述第二开花期和所述第二收获期利用预设划分规则得到第二气象数据统计时间段，并获取所述第二气象数据统计时间段对应的第二气象因素和第二耕种因素，所述第二气象因素为实时的气象因素；将所述第二气象因素和所述第二耕种因素一起作为第二综合因素；通过所述第二综合因素与所述预测模型预测到第二小麦收获期呕吐毒素含量，根据所述第二小麦收获期呕吐毒素含量建立进行区域风险地图绘制。
本发明实施例方法，通过获取气象站的历史数据进行筛选，建立预测模型；通过获取国家气象中心特定的气象因素再结合耕种因素，基于预测模型预测小麦收获期呕吐毒素含量。相比现有技术，结合气象因素与耕种因素的数据样本大大增加了预测的维度，从而提升了预测模型的有效性。
进一步地，根据所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期利用预设划分规则得到第一气象数据统计时间段/第二气象数据统计时间段，包括：利用预设时间阈值，分别以所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期为中心确定第一选定时间段/第二选定时间段；利用预设时间间隔将所述第一选定时间段/所述第二选定时间段划分为第一气象数据统计时间段/第二气象数据统计时间段。
优选地，所述预设时间阈值具有多个设定值，每个设定值对应具有至少一个预设时间间隔，所述预设时间阈值的设定值包括：19天、22天、24天和27天；当所述设定值为19天时，所述预设时间间隔为13天；当所述设定值为22天时，所述预设时间间隔为3天、5天和9天；当所述设定值为24天时，所述预设时间间隔为7天；当所述设定值为27天时，所述预设时间间隔为11天。
本发明实施例方法，通过将上述不同间隔时间所采集的因素进行显著性计算，得到最优的预设时间间隔，再进行建模，这样的好处在于，针对不同环境的地区，进行不同预设时间间隔的建模，使得该方法的自适应力能力大大增强。
优选地，气象因素包括：所述预设时间段中的平均气温、总降雨量、相对湿度平均值和平均日照小时数。
在一个实施例中，参考表1平均气温包括：预设温度从16℃到30℃，以1℃为预设温度间隔记录高于预设温度的小时数，具体地，高于16℃的小时数、高于17℃的小时数、……、高于30℃的小时数。
表1平均气温
在一个实施例中，参考表2湿度平均值包括：预设湿度从0％到90％，以5％为预设湿度间隔记录高于预设湿度的小时数，具体地
湿度高于0％的小时数、……、湿度高于70％的小时数、相对湿度高于75％的小时数、相对湿度高于80％的小时数、相对湿度高于85的小时数、相对湿度高于90％的小时数。
表2湿度平均值
优选地，耕种因素包括：轮作情况、秸秆处理、地形、土壤和翻耕，所述轮作情况为上一季的农作物，其包括：“稻谷”、“玉米”、“小麦”、“大豆”、“花生”和“其他”；所述秸秆处理包括：“收集使用”和“粉碎还田”；所述地形包括：“平原”、“丘陵”、“坡地”和“其他”，土壤类型分类为“粘土”、“沙土”、“粘壤土”、“沙壤土”、“粉壤”和“其他”；所述翻耕方式分类为“免耕”、“平翻”、“深松”和“深耕”。
本发明实施例方法，通过大量且完备的气象因素和耕种因素进行建模，避免了模型中因素单一而导致预测精度不准确的问题；并且针对不同环境的区域，将完整的因素维度筛选到适应当地地理气候的因素维度，会大大增强该方法的适应性。
进一步地，利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型，包括：将第一气象因素进行归一化处理，得到第一气象因素样本；将所述第一气象因素样本与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第一关键因素；将所述第一耕种因素与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第二关键因素；由所述第一关键因素和所述第二关键因素得到第一综合因素；基于所述第一综合因素通过多元线性回归算法建立所述预测模型。
具体地，归一化公式：
式中，xk为归一化后的样本数据，xk为样本的原始数据，xmax、xmin分别为样本数据中的最大值和最小值；
在一个实施例中，根据2017-2018年黄淮海呕吐毒素数据和气象因素、耕种因素，建立了预警模型。在进行小麦收获期呕吐毒素含量风险实时预测过程中，由于田间信息和气象数据获得的局限性，以作物生长期为时间基准，获取得模型所需变量如表3黄淮海小麦收获期呕吐毒素含量风险预测线性回归模型所示。从表中可以看出，模型是在采样结束后，获得耕种因素之后对小麦收获期呕吐毒素含量进行预测
***p<0.01,**p<0.05,*p<0.1
表3黄淮海小麦收获期呕吐毒素含量风险预测线性回归模型
本发明实施例方法，以黄淮海地区呕吐毒素的历史数据进行建模，通过设置阈值的方式筛选出显著性较高的的因素维度，从上表中可以看出，现有技术中未涉及的耕种因素，对小麦收获期呕吐毒素含量的影响也极大。
进一步地，逐步回归算法包括：S1:将因素X1,X2,X3,...,Xp分别与小麦中呕吐毒素含量Y建立一元回归模型，Y＝a+bXi，i＝1,2,3,...,p，计算相应的回归系数的F检验统计量，记为
取其中的最大值
对给定的显著性水平α，记相应的临界值为F1,
则将Xi1引入回归模型；S2：建立因变量Y与因素子集{Xi1，X1}，……，{Xi1，Xi1-1}，{Xi1，Xi1+1}，……，{Xi1，Xp}的二元回归模型，共有p-1个。计算变量的回归系数F检验的统计量值，选其中最大者，记为
对应因素为Xi2。若
则将因素Xi2引入回归模型。否则，终止因素引入过程；S3:考虑因变量对因素子集{Xi1，Xi2，Xk}的回归重复S2；S4:依此方法重复进行，每次从未引入回归模型的因素中选取一个，直到经检验没有因素引入为止。此时引入回归模型的因素为影响第一小麦收获期呕吐毒素含量的关键因素；S5:将所有所述影响第一小麦收获期呕吐毒素含量的关键因素形成所述第一综合因素。
进一步地，预测模型包括：
其中，g(x)包括：
其中，ak为第k个因素的系数，b为常数项；
g(x)在小于等于500时，呕吐毒素含量无污染风险，
g(x)在(500,1500]时，呕吐毒素含量存在轻度污染风险，
g(x)在(1500,2500]时，呕吐毒素含量存在中度污染风险，
g(x)在大于2500时，呕吐毒素含量存在重度污染风险。
在一个实施例中，参考表4为预测分类的标准，上述小麦收获期呕吐毒素含量的单位为μg/kg。
表4预测分类标准
获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期，包括：从所述小麦历史数据的生长期数据中读取小麦历年开花期和收获日期；利用所述小麦历史数据中的气象数据，分别计算出对应年份自1月1日至所述小麦历年开花期和收获日期的第一历年日积温值和第二历年日积温值，并计算出所述第一历年日积温值和所述第二历年日积温值的平均值；利用当年的实时气象数据计算自预测年份1月1日起的实时日积温值；判断所述实时日积温值是否达到所述第一历年日积温值和所述第二历年日积温值的平均值；当所述实时积温值达到所述第一历年日积温值的平均值，将该实时日积温值对应的日期确定为当年的第二开花期；当所述实时积温值达到所述第二历年日积温值的平均值，将该实时日积温值对应的日期确定为当年的第二收获期。
在一个实施例中，小麦收获期呕吐毒素含量风险预警模型中气象因素以小麦的生长期(如开花期和收获期等)为基础进行统计。由于2020年小麦生长期在收获后才能得到，因此在进行2020年风险预测过程中，采用积温方法预测获得2020年小麦生长期。图3为2016-2019年当年3月1日至开花期积温统计图。图4为2016-2019年开花期至收获日期积温统计图。
在一个实施例中，采用2016-2019年获得的积温数据和2020年对2020年预测点开花期和收获日期进行预测，自3月1日起，累计温度达到2016-2019年3月1日至开花期积温的平均值时，记录当天的日期为开花期，以获得2020年小麦开花期估计值，如图5.自开花期起，累计温度达到2016-2019年开花期至收获日期积温的平均值时，记录当天的日期为收获日期，以获得2020年小麦收获期估计值，如图6。从图中可以看出收获最早的地区在5月18日小麦已经成熟，收获最晚的为6月17日，模型要使用收获前3天的气象数据，6月15日即可对所有地区完成收获前的预测。
在一个实施例中，2020年黄淮海小麦风险预警中应用的第二气象因素分为两部分，参考图7，一部分为2020年3月1日至预测当日的实时气象数据，为气象站监测的真实数,，另一部分参考图8，为预测日期之后15天内的预报数据，为气象中心根据气象学推测的天气情况。虽然可以获得15天内的预报数据，但7天内的预报数据较为准确，故选用7天的预报数据参与预测，这样可以保证小麦中呕吐毒素含量风险预测结果的时效性和准确性。
在一个实施例中，参考图9，其中，276个预测点小麦收获期呕吐毒素含量污染风险为一级，145个预测点风险等级为二级，仅有30个预测点预测的等级为3-4等级。
在一个实施例中，参考图10，根据小麦收获期呕吐毒素含量风险等级预测结果，绘制小麦收获后小麦收获期呕吐毒素含量的污染风险地图。
本领域所属技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
Claims (5)
1.一种基于关键因素预测收获小麦呕吐毒素的方法，其特征在于，所述方法包括：
获取预设年份内预设区域的小麦历史数据，所述小麦历史数据包括：地理数据、耕种数据、气象数据、生长期数据和小麦收获期呕吐毒素含量检测数据，所述地理数据包括：所述预设区域的经度、纬度信息；所述耕种数据包括：小麦轮作情况、秸秆处理方式、地形、种子用量、土壤类型、翻耕方式、是否使用除草剂、是否使用杀真菌剂、是否有病虫害、是否对病虫害施药；所述气象数据包括：逐小时气温、相对湿度、降雨量和日照小时数；所述生长期数据包括：小麦的开花期和收获日期；
基于所述小麦历史数据中的气象数据，获取预设年份的第一开花期和第一收获期；
根据所述第一开花期和所述第一收获期利用预设划分规则得到第一气象数据统计时间段；
基于所述小麦历史数据中的气象数据获取所述第一气象数据统计时间段对应的第一气象因素、第一耕种因素、第一地理因素以及第一小麦收获期呕吐毒素含量；
利用所述第一小麦收获期呕吐毒素含量将第一气象因素、第一耕种因素和第一地理因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型；
获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期；根据所述第二开花期和所述第二收获期利用预设划分规则得到第二气象数据统计时间段，并获取所述第二气象数据统计时间段对应的第二气象因素和第二耕种因素，所述第二气象因素为实时的气象因素；
将所述第二气象因素和所述第二耕种因素一起作为第二综合因素；
通过所述第二综合因素与所述预测模型预测到第二小麦收获期呕吐毒素含量，根据所述第二小麦收获期呕吐毒素含量建立进行区域风险地图绘制；
根据所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期利用预设划分规则得到第一气象数据统计时间段/第二气象数据统计时间段，包括：利用预设时间阈值，分别以所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期为中心确定第一选定时间段/第二选定时间段；利用预设时间间隔将所述第一选定时间段/所述第二选定时间段划分为第一气象数据统计时间段/第二气象数据统计时间段；
所述预设时间阈值具有多个设定值，每个设定值对应具有至少一个预设时间间隔，所述预设时间阈值的设定值包括：19天、22天、24天和27天；当所述设定值为19天时，所述预设时间间隔为13天；当所述设定值为22天时，所述预设时间间隔为3天、5天和9天；当所述设定值为24天时，所述预设时间间隔为7天；当所述设定值为27天时，所述预设时间间隔为11天；
所述第一气象因素/所述第二气象因素包括所述第一气象数据统计时间段/所述第二气象数据统计时间段对应的平均气温、高于预设温度的小时数、总降雨量、相对湿度平均值、相对湿度高于预设湿度的小时数和平均日照小时数；
利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型，包括：
将第一气象因素进行归一化处理，得到第一气象因素样本；
将所述第一气象因素样本与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第一关键因素；
将所述第一耕种因素与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第二关键因素；
由所述第一关键因素和所述第二关键因素得到第一综合因素；
基于所述第一综合因素通过多元线性回归算法建立所述预测模型。
2.根据权利要求1所述一种基于关键因素预测收获小麦呕吐毒素的方法，其特征在于，
所述轮作情况为上季度土地轮作的农作物，所述农作物包括：“稻谷”、“玉米”、“小麦”、“大豆”和“花生”，所述秸秆处理方式包括：“收集使用”和“粉碎还田”，所述地形包括：“平原”、“丘陵”和“坡地”，所述土壤类型包括：“粘土”、“沙土”、“粘壤土”、“沙壤土”、“粉壤”，翻耕方式包括：“免耕”、“平翻”、“深松”和“深耕”。
3.根据权利要求1所述一种基于关键因素预测收获小麦呕吐毒素的方法，其特征在于，获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期，包括：
从所述小麦历史数据的生长期数据中读取小麦历年开花期和收获日期；
利用所述小麦历史数据中的气象数据，分别计算出对应年份自1月1日至所述小麦历年开花期和收获日期的第一历年日积温值和第二历年日积温值，并计算出所述第一历年日积温值和所述第二历年日积温值的平均值；
利用当年的实时气象数据计算自预测年份1月1日起的实时日积温值；
判断所述实时日积温值是否达到所述第一历年日积温值和所述第二历年日积温值的平均值；
当所述实时日积温值达到所述第一历年日积温值的平均值，将该实时日积温值对应的日期确定为当年的第二开花期；
当所述实时日积温值达到所述第二历年日积温值的平均值，将该实时日积温值对应的日期确定为当年的第二收获期。
4.根据权利要求1所述一种基于关键因素预测收获小麦呕吐毒素的方法，其特征在于，所述预测模型的公式为：
其中，ak为第k个因素的系数，b为常数项；
g(x)在小于等于500时，呕吐毒素含量无污染风险，
g(x)在(500,1500]时，呕吐毒素含量存在轻度污染风险，
g(x)在(1500,2500]时，呕吐毒素含量存在中度污染风险，
g(x)在大于2500时，呕吐毒素含量存在重度污染风险。
5.一种基于关键因素预测收获小麦呕吐毒素的系统，其特征在于，所述系统包括：
小麦历史数据获取模块，用于获取预设年份内预设区域的小麦历史数据，所述小麦历史数据包括：地理数据、耕种数据、气象数据、生长期数据和小麦收获期呕吐毒素含量检测数据，所述地理数据包括：所述预设区域的经度、纬度信息；所述耕种数据包括：小麦轮作情况、秸秆处理方式、地形、种子用量、土壤类型、翻耕方式、是否使用除草剂、是否使用杀真菌剂、是否有病虫害、是否对病虫害施药；所述气象数据包括：逐小时气温、相对湿度、降雨量和日照小时数；所述生长期数据包括：小麦的开花期和收获日期；
第一生长期获取模块，用于基于所述小麦历史数据中的气象数据，获取预设年份的第一开花期和第一收获期；
第一因素获取模块，用于根据所述第一开花期和所述第一收获期利用预设划分规则得到第一气象数据统计时间段；基于所述小麦历史数据中的气象数据获取所述第一气象数据统计时间段对应的第一气象因素、第一耕种因素、第一地理因素以及第一小麦收获期呕吐毒素含量；
预测模型建立模块，用于利用所述第一小麦收获期呕吐毒素含量将第一气象因素、第一耕种因素和第一地理因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型；
第二生长期获取模块，用于获取当年的实时气象数据，利用当年的实时气象数据结合所述小麦历史数据确定当年的第二开花期和第二收获期；
第二因素获取模块，用于根据所述第二开花期和所述第二收获期利用预设划分规则得到第二气象数据统计时间段，并获取所述第二气象数据统计时间段对应的第二气象因素和第二耕种因素，所述第二气象因素为实时的气象因素；将所述第二气象因素和所述第二耕种因素一起作为第二综合因素；
预测展示模块，用于通过所述第二综合因素与所述预测模型预测到第二小麦收获期呕吐毒素含量，根据所述第二小麦收获期呕吐毒素含量建立进行区域风险地图绘制；
根据所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期利用预设划分规则得到第一气象数据统计时间段/第二气象数据统计时间段，包括：利用预设时间阈值，分别以所述第一开花期和所述第一收获期/所述第二开花期和所述第二收获期为中心确定第一选定时间段/第二选定时间段；利用预设时间间隔将所述第一选定时间段/所述第二选定时间段划分为第一气象数据统计时间段/第二气象数据统计时间段；
所述预设时间阈值具有多个设定值，每个设定值对应具有至少一个预设时间间隔，所述预设时间阈值的设定值包括：19天、22天、24天和27天；当所述设定值为19天时，所述预设时间间隔为13天；当所述设定值为22天时，所述预设时间间隔为3天、5天和9天；当所述设定值为24天时，所述预设时间间隔为7天；当所述设定值为27天时，所述预设时间间隔为11天；
所述第一气象因素/所述第二气象因素包括所述第一气象数据统计时间段/所述第二气象数据统计时间段对应的平均气温、高于预设温度的小时数、总降雨量、相对湿度平均值、相对湿度高于预设湿度的小时数和平均日照小时数；
利用所述第一小麦收获期呕吐毒素含量将第一气象因素和第一耕种因素进行降维处理得到第一综合因素，通过第一综合因素建立预测模型，包括：
将第一气象因素进行归一化处理，得到第一气象因素样本；
将所述第一气象因素样本与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第一关键因素；
将所述第一耕种因素与所述第一小麦收获期呕吐毒素含量采用逐步回归算法消除多重共线性，得到第二关键因素；
由所述第一关键因素和所述第二关键因素得到第一综合因素；
基于所述第一综合因素通过多元线性回归算法建立所述预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110714114.2A CN113505919B (zh) | 2021-06-25 | 2021-06-25 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110714114.2A CN113505919B (zh) | 2021-06-25 | 2021-06-25 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505919A CN113505919A (zh) | 2021-10-15 |
| CN113505919B true CN113505919B (zh) | 2022-02-25 |
Family
ID=78010771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110714114.2A Active CN113505919B (zh) | 2021-06-25 | 2021-06-25 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505919B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156775A (zh) * | 2013-06-28 | 2014-11-19 | 贵州电网公司电力调度控制中心 | 基于多元线性回归算法的气象灾害预测方法 |
| CN106408114A (zh) * | 2016-08-31 | 2017-02-15 | 东北农业大学 | 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 |
| CN107563646A (zh) * | 2017-09-05 | 2018-01-09 | 环境保护部华南环境科学研究所 | 一种城市生活垃圾焚烧处理设施对人群健康风险的管理系统 |
| CN108717001A (zh) * | 2018-05-30 | 2018-10-30 | 河北省农林科学院粮油作物研究所 | 一种小麦籽粒硬度的检测方法 |
| CN109142650A (zh) * | 2018-07-03 | 2019-01-04 | 广东省环境科学研究院 | 一种蔬菜中镉含量预测模型的建模方法及其应用 |
| CN109711111A (zh) * | 2019-02-27 | 2019-05-03 | 盐城师范学院 | 一种采用分层多元逐步回归分析进行轴温预测的方法 |
| CN110596280A (zh) * | 2019-10-29 | 2019-12-20 | 南京财经大学 | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 |
| CN111260208A (zh) * | 2020-01-14 | 2020-06-09 | 生态环境部环境规划院 | 基于风险场的区域网格化累积性环境风险评估系统及方法 |
| CN112149849A (zh) * | 2020-07-21 | 2020-12-29 | 吉林建筑大学 | 基于多元线性回归法预测饮用水消毒副产物的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226173B (zh) * | 2007-01-16 | 2011-06-08 | 复旦大学 | 测定粮食中脱氧雪腐镰刀菌烯醇和雪腐镰刀菌烯醇的方法 |
| CN208420696U (zh) * | 2018-05-22 | 2019-01-22 | 南京农业大学 | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 |
| CN210953993U (zh) * | 2019-09-18 | 2020-07-07 | 深圳市汇知科技有限公司 | 一种检测食品中呕吐毒素的快速检测装置 |
| CN111723994A (zh) * | 2020-06-24 | 2020-09-29 | 中国平安财产保险股份有限公司 | 基于灾害性天气的车辆预警方法及系统 |
-
2021
- 2021-06-25 CN CN202110714114.2A patent/CN113505919B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156775A (zh) * | 2013-06-28 | 2014-11-19 | 贵州电网公司电力调度控制中心 | 基于多元线性回归算法的气象灾害预测方法 |
| CN106408114A (zh) * | 2016-08-31 | 2017-02-15 | 东北农业大学 | 一种多元线性回归模型在预测肉鸡腹部脂肪量或选育低脂系肉鸡中的应用 |
| CN107563646A (zh) * | 2017-09-05 | 2018-01-09 | 环境保护部华南环境科学研究所 | 一种城市生活垃圾焚烧处理设施对人群健康风险的管理系统 |
| CN108717001A (zh) * | 2018-05-30 | 2018-10-30 | 河北省农林科学院粮油作物研究所 | 一种小麦籽粒硬度的检测方法 |
| CN109142650A (zh) * | 2018-07-03 | 2019-01-04 | 广东省环境科学研究院 | 一种蔬菜中镉含量预测模型的建模方法及其应用 |
| CN109711111A (zh) * | 2019-02-27 | 2019-05-03 | 盐城师范学院 | 一种采用分层多元逐步回归分析进行轴温预测的方法 |
| CN110596280A (zh) * | 2019-10-29 | 2019-12-20 | 南京财经大学 | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 |
| CN111260208A (zh) * | 2020-01-14 | 2020-06-09 | 生态环境部环境规划院 | 基于风险场的区域网格化累积性环境风险评估系统及方法 |
| CN112149849A (zh) * | 2020-07-21 | 2020-12-29 | 吉林建筑大学 | 基于多元线性回归法预测饮用水消毒副产物的方法 |
Non-Patent Citations (1)
| Title |
|---|
| "粮食中脱氧雪腐镰刀菌烯醇风险预警研究进展";李森;《中国粮油学报》;20200930;第35卷(第9期);第179-186页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505919A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9652840B1 (en) | System and method for remote nitrogen monitoring and prescription | |
| Kayad et al. | Ten years of corn yield dynamics at field scale under digital agriculture solutions: A case study from North Italy | |
| Jagtap et al. | Adaptation and evaluation of the CROPGRO-soybean model to predict regional yield and production | |
| Kitchen et al. | Delineating productivity zones on claypan soil fields using apparent soil electrical conductivity | |
| US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
| US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
| CA2663917C (en) | Variable zone crop-specific inputs prescription method and systems therefor | |
| US20160247076A1 (en) | Simulation of soil condition response to expected weather conditions for forecasting temporal opportunity windows for suitability of agricultural and field operations | |
| Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
| Heermann et al. | Interdisciplinary irrigated precision farming research | |
| Parihar et al. | FASAL: An integrated approach for crop assessment and production forecasting | |
| CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
| Carter et al. | Estimating regional crop potential in Finland under a changing climate | |
| Rosenthal et al. | Predicting regional grain sorghum production in Australia using spatial data and crop simulation modelling | |
| KR102381491B1 (ko) | 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템 | |
| CN113505920B (zh) | 一种预测小麦收获期呕吐毒素含量的方法及系统 | |
| CN113505919B (zh) | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 | |
| Singla et al. | Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction. | |
| CN116523673A (zh) | 数字烟田智慧农业系统 | |
| XZ et al. | A new soybean NDVI data-based partitioning algorithm for fertilization management zoning. | |
| Saraf et al. | Biophysical drivers for predicting the distribution and abundance of invasive yellow sweetclover in the Northern Great Plains | |
| Salinger et al. | Climate variability and wheat baking quality | |
| Kalivas et al. | Using geographic information systems to map the prevalent weeds at an early stage of the cotton crop in relation to abiotic factors | |
| Jung et al. | Predicting Changes in the Suitable Agro-climate Zone of Italian Ryegrass Cultivars with RCP 8.5 Climate Change Scenario | |
| CN113505918B (zh) | 一种动态预测小麦收获期呕吐毒素含量的方法及系统 |
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 |