CN113592147B - 基于区块链的农业生产地区调控系统 - Google Patents
基于区块链的农业生产地区调控系统 Download PDFInfo
- Publication number
- CN113592147B CN113592147B CN202110742408.6A CN202110742408A CN113592147B CN 113592147 B CN113592147 B CN 113592147B CN 202110742408 A CN202110742408 A CN 202110742408A CN 113592147 B CN113592147 B CN 113592147B
- Authority
- CN
- China
- Prior art keywords
- data
- planting
- module
- storage
- greenhouse
- 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
- 238000012271 agricultural production Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 118
- 238000003306 harvesting Methods 0.000 claims abstract description 36
- 238000013179 statistical model Methods 0.000 claims abstract description 7
- 235000013311 vegetables Nutrition 0.000 claims description 32
- 238000013500 data storage Methods 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 235000013339 cereals Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 240000003768 Solanum lycopersicum Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 240000007124 Brassica oleracea Species 0.000 description 2
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 2
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 2
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 2
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 240000006394 Sorghum bicolor Species 0.000 description 2
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000007319 Avena orientalis Nutrition 0.000 description 1
- 241000209763 Avena sativa Species 0.000 description 1
- 235000007558 Avena sp Nutrition 0.000 description 1
- 244000036905 Benincasa cerifera Species 0.000 description 1
- 235000011274 Benincasa cerifera Nutrition 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 240000004270 Colocasia esculenta var. antiquorum Species 0.000 description 1
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 241000371652 Curvularia clavata Species 0.000 description 1
- 235000002723 Dioscorea alata Nutrition 0.000 description 1
- 235000007056 Dioscorea composita Nutrition 0.000 description 1
- 235000009723 Dioscorea convolvulacea Nutrition 0.000 description 1
- 235000005362 Dioscorea floribunda Nutrition 0.000 description 1
- 235000004868 Dioscorea macrostachya Nutrition 0.000 description 1
- 235000005361 Dioscorea nummularia Nutrition 0.000 description 1
- 235000005360 Dioscorea spiculiflora Nutrition 0.000 description 1
- 240000008620 Fagopyrum esculentum Species 0.000 description 1
- 235000009419 Fagopyrum esculentum Nutrition 0.000 description 1
- 240000008436 Ipomoea aquatica Species 0.000 description 1
- 235000019004 Ipomoea aquatica Nutrition 0.000 description 1
- 235000006350 Ipomoea batatas var. batatas Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000004879 dioscorea Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Software Systems (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的农业生产地区调控系统，若干个大棚数据站，收集大棚内农作物的种植数据，将种植数据存储并通过区块链存证；若干个种植数据站，存储种植数据并通过区块链进行存证固定；若干个市场数据站，接入市场每日的销售数据；调控服务器，将需求统计模型下发市场数据站执行，获得全部市场数据站每种农产品的年平均需求总量，将生长模型下发到大棚数据站和种植数据站，获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类。本发明的实质性效果是：根据预测产量和预测需求情况，找到进行种植的最为合理科学的农作物品种，维护农市场供需平衡。
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的农业生产地区调控系统。
背景技术
大棚蔬菜种植是一种能够忽视季节影响而长期获得蔬菜的种植方式。大棚种植能够满足市场上消费者对于新鲜蔬菜的需求。由于大棚蔬菜的利润高且能够持续获得利润，因此多地均纷纷展开温室、大棚蔬菜种植工作，取得了较为突出的成果。为了提高大棚种植的效益，目前的研究都集中于大棚的建设技术、大棚内土壤的改善和大棚的监控技术。虽然取得了良好的成效，但目前的种植大棚出现盲目扩张和建设，缺乏统一的调控，导致地区供需关系不平衡，降低了种植大棚的收益，甚至出现亏损情况。
中国专利CN107125059A，公开日2017年9月5日，一种基于物联网的农业大棚调控系统，通过采集系统上配置的4G通讯网络传送给控制器，控制器经加权平均法数据融合处理分析后，通过4G通讯网络控制相应装置进行自动调控，地理信息系统GIS、全球定位系统CPS以及4G通讯网络组成的3S技术传送到人机界面，建立预测模型，采用时间序列分析法进行预测，有效解决了现有技术执行机构功能单一，效率低、且不能根据植物不同生长阶段进行不同的调控方式。但其技术方案进行调控单一大棚的种植，不能结合地区种植情况，综合调节供需平衡。
发明内容
本发明要解决的技术问题是：目前缺乏调控地区农业生产供需平衡方案的技术问题。提出了一种基于区块链的农业生产地区调控系统，本调控系统能够根据预测需求和预测产量，调整新种植农作物的种类和种植时间，有助于维持地区农业生产供需平衡。
为解决上述技术问题，本发明所采取的技术方案为：基于区块链的农业生产地区调控系统，若干个大棚数据站，所述大棚数据站设置在大棚中，收集大棚内农作物的种植数据，将种植数据存储并通过区块链存证，所述种植数据包括农作物种类、种植日期、面积和生长环境数据；若干个种植数据站，接入若干个农户的露天种植区，为每个种植区分配唯一标识并关联农户，存储种植区的种植数据并通过区块链进行存证固定；若干个市场数据站，设置在农贸批发市场中，接入市场每日的销售数据，将销售数据存储并通过区块链存证，所述销售数据包括种类、销量和售价，调控服务器，与大棚数据站、种植数据站和市场数据站连接，将需求统计模型下发市场数据站执行，获得每个市场数据站统计每种农产品的年平均需求量，计算获得全部市场数据站每种农产品的年平均需求总量，将生长模型下发到大棚数据站和种植数据站，获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类，使地区大棚和种植区产出的每种农产品与其年平均需求总量差距最小。虽然农产品销路并没有任何限制，但在一定的时期内，农产品具有较为固定的供销渠道。而对于一个农贸市场而言，其主要供货源在一定的时期内也基本是保持不变的。因而追踪一个产地主要销往的农贸批发市场，就可以基本实现追踪其市场需求情况。
作为优选，调控服务器获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类，获得规划收获期和规划产量，每个市场数据站统计每种农产品的每日平均需求量，计算获得全部市场数据站每种农产品的每日平均需求总量，获取每种农产品的保质期，将大棚或种植区产出的农产品的收获期加上保质期作为农产品的存在期，根据收获期、预测产量、规划收获期和规划产量，计算获得每种农产品在年内每个日期上处于存在期的总产量，所述调控服务器遍历年内的日期，依次将在日期上处于存在期的总产量匹配日期对应的每日平均需求总量，统计过了存在期仍未被匹配的产量，计为剩余产量，统计未被匹配产量的需求量，计为不足产量，所述规划收获期和规划产量使得剩余产量和不足产量的和最小。
作为优选，为每种农产品赋予权重，所述权重均大于1，计算全部农产品的剩余产量的加权和作为总剩余产量，所述规划收获期和规划产量使得总剩余产量与不足产量的和最小。
作为优选，所述需求统计模型按销售数据包含的销量为权重，计算对应农产品每日售价的加权平均值，作为日平均售价，所述调控服务器遍历年内的日期，依次将在日期上处于存在期的总产量匹配日期对应的每日平均需求总量，统计过了存在期仍未被匹配的产量，计为剩余产量，将剩余产量与存在期最后一日对应的日平均售价的乘积作为剩余产值，统计未被匹配产量的需求量，计为不足产量，将不足产量与对应日期的日平均售价的乘积作为不足产值，所述规划收获期和规划产量使得剩余产值和不足产值的和最小。
作为优选，所述大棚数据站包括传感器接入模块、指令接入模块和存储存证模块，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，所述存储存证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，通过区块链进行存证固定。
作为优选，所述种植数据站包括数据录入模块、数据传感模块、数据同步模块、数据存储存证模块和模型执行模块，所述数据录入模块接收农户录入的种植数据，录入的种植数据包括农作物种类、种植日期和面积，所述数据传感模块连接若干个生长环境传感器，所述生长环境传感器包括温湿度传感器、土壤温湿度传感器、土壤酸碱度传感器、风速传感器和光照传感器，所述数据同步模块与当地气象部分同步天气数据，所述数据存储存证模块将种植数据存储并通过区块链进行存证，所述模型执行模块接收调控服务器发送的生长模型，调取种植区对应的种植数据，代入种植模型，获得农作物的成熟期和产量，分别作为农产品的收获期和预测产量。
作为优选，所述数据存储存证模块为每个农户的农田分配静态存储空间和增量存储空间，所述静态存储空间存储数据录入模块录入的数据，所述增量存储空间存储数据传感模块和数据同步模块获得的数据，当所述数据录入模块录入新的数据时，所述数据存储存证模块提取状态数据的哈希值，并上传区块链存储，所述增量存储空间采用顺序存储结构，所述数据存储存证模块周期性在增量存储空间建立存证点，所述存证点占用预设长度的存储空间，所述数据存储存证模块将两个存证点之间的数据及上一个存证点内的哈希值一起提取哈希值，存入最新的存证点内，所述数据存储存证模块以预设周期将最新的存证点内的哈希值上传区块链存储，并将对应区块高度和区块哈希值存入存证点。
作为优选，所述市场数据站包括若干个交易录入模块、数据缓存模块、统计模块、同步模块和存储设备，所述交易录入模块设置在每个批发档口，录入批发交易信息，批发交易信息包括交易时间、蔬菜种类、销量和售价，所述数据缓存模块与交易录入模块连接，所述交易录入模块将录入的批发交易信息写入所述数据缓存模块；批发交易日结束后，将数据缓存模块缓存的批发交易信息交由同步模块存储到存储设备中；所述统计模块读取所述数据缓存模块记录的批发交易信息，统计获得交易日的销售数据，所述销售数据包括蔬菜的种类、销量和售价，所述售价为以销量为权重计算获得的加权均值，提取销售数据的哈希值，关联时间戳后上传区块链存储，将交易日的销售数据关联时间戳、区块高度和区块哈希值后存储到存储设备，而后清空数据缓存模块。
作为优选，所述数据缓存模块为每个交易录入模块开辟有存储轨，所述存储轨采用顺序存储结构，所述数据缓存模块将收到的批发交易信息存入所述存储轨，所述数据缓存模块周期性在存储轨建立标识点，所述标识点占用预设长度的存储空间，提取最新的两个标识点之间批发交易信息的哈希值作为标识哈希值，提取标识哈希值和上一个存证点存储的关联哈希值一起提取哈希值，作为新的关联哈希值，存入最新的标识点，从最新的两个标识点之间批发交易信息中尝试截取预设长度的数据片段，将数据片段与关联哈希值一起提取哈希值作为特征哈希值，使得全部存储轨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标识点；所述统计模块在批发交易日结束后，读取数据缓存模块中的批发交易信息，验证标识哈希值、关联哈希值及特征哈希值是否自洽，若验证不自洽则删除整个存储轨的数据，并发出告警，若验证自洽则从批发交易信息中统计每种蔬菜的销量和平均售价，将存储轨的数据、统计结果交由同步模块存储到存储设备中。
作为优选，所述存储轨具有编号，所述存储轨的特征哈希值大小顺序与编号顺序相同，若存在存储轨无法找到满足要求的数据片段，则全部存储轨均减小数据片段的长度，重新建立特征哈希值。
本发明的实质性效果是：通过接入大棚和露天种植区，获得地区农业生产情况，根据销售数据预测市场的需求情况，使用生长模型预测农产品的收获期和预测产量，根据预测产量和预测需求情况，判断收获期农产品的供需情况，从而找到当前时间进行种植的最为合理科学的农作物品种，有助于维护农户利益，同时助于市场供需平衡；通过地区整体调控，使农产品的供需达到更好的平衡状态，有助于维持社会稳定；使用区块链使种植数据和销售数据具有可信度，使得市场参与各方能够在可信的状态下进行协同，促进农产品市场的健康发展。
附图说明
图1为实施例一农业生产地区调控系统结构示意图。
图2为实施例一谷物产量及需求曲线示意图。
图3为实施例一蔬菜产量及需求曲线示意图。
图4为实施例一大棚数据站结构示意图。
图5为实施例一数据存储存证模块工作示意图。
图6为实施例一市场数据站结构示意图。
图7为实施例一数据缓存模块工作示意图。
其中：10、市场数据站，11、交易录入模块，12、数据缓存模块，13、统计模块，14、同步模块，20、调控服务器，30、大棚数据站，31、传感器接入模块，32、指令接入模块，33、存储存证模块，40、种植数据站，50、区块链，61、空气温湿度传感器，62、CO2浓度传感器，63、土壤温湿度传感器，64、土壤酸碱度传感器，65、光照传感器，71、静态存储空间，72、增量存储空间，73、存证点，80、批发档口，121、存储轨，122、数据片段，123、标识哈希值，124、关联哈希值，125、特征哈希值，126、标识点。
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：
基于区块链的农业生产地区调控系统，请参阅附图1，本实施例包括若干个大棚数据站30，大棚数据站30设置在大棚中，收集大棚内农作物的种植数据，将种植数据存储并通过区块链50存证，种植数据包括农作物种类、种植日期、面积和生长环境数据；若干个种植数据站40，接入若干个农户的露天种植区，为每个种植区分配唯一标识并关联农户，存储种植区的种植数据并通过区块链50进行存证固定；若干个市场数据站10，设置在农贸批发市场中，接入市场每日的销售数据，将销售数据存储并通过区块链50存证，销售数据包括种类、销量和售价，调控服务器20，与大棚数据站30、种植数据站40和市场数据站10连接，将需求统计模型下发市场数据站10执行，获得每个市场数据站10统计每种农产品的年平均需求量，计算获得全部市场数据站10每种农产品的年平均需求总量，将生长模型下发到大棚数据站30和种植数据站40，获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类，使地区大棚和种植区产出的每种农产品与其年平均需求总量差距最小。虽然农产品销路并没有任何限制，但在一定的时期内，农产品具有较为固定的供销渠道。而对于一个农贸市场而言，其主要供货源在一定的时期内也基本是保持不变的。因而追踪一个产地主要销往的农贸批发市场，就可以基本实现追踪其市场需求情况。
调控服务器20获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类，获得规划收获期和规划产量，每个市场数据站10统计每种农产品的每日平均需求量，计算获得全部市场数据站10每种农产品的每日平均需求总量，获取每种农产品的保质期，将大棚或种植区产出的农产品的收获期加上保质期作为农产品的存在期，根据收获期、预测产量、规划收获期和规划产量，计算获得每种农产品在年内每个日期上处于存在期的总产量，调控服务器20遍历年内的日期，依次将在日期上处于存在期的总产量匹配日期对应的每日平均需求总量，统计过了存在期仍未被匹配的产量，计为剩余产量，统计未被匹配产量的需求量，计为不足产量，规划收获期和规划产量使得剩余产量和不足产量的和最小。
为每种农产品赋予权重，权重均大于1，计算全部农产品的剩余产量的加权和作为总剩余产量，规划收获期和规划产量使得总剩余产量与不足产量的和最小。每种谷物的重要程度不同，如高粱供应不足的危害低于稻谷供应不足，因而应首先满足稻谷的供应。为每种农产品赋予权重，来控制优选满足的顺序和程度。
请参阅附图2，为谷物在一年内的产量和需求量，谷物如小麦、稻谷、玉米、黑米、荞麦、燕麦、高粱等，其一般露天种植，具有时令性。种植时间和成熟时间基本是固定的，一年一茬或两茬，产品上市非常集中。而需求则全年都有，且较为平均。谷物的保质期通常超过一年，本实施例按一年考虑。谷物收获上市当日起，即不断与日期上的需求进行匹配，直到一周年后，若仍然有剩余，则记为剩余产量。若不到一周年即被全部匹配，则剩余需求记为不足产量。每种谷物是剩余还是不足，情况是不同的，将全部谷物的剩余产量和不足产量相加，剩余产量和不足产量均取绝对值参与相加。使得全部谷物的剩余产量和不足产量相加和最小的种植安排，为使得谷物种植分配最为符合市场需求，最能够维持供需平衡的调控方案。在此基础上，进一步考虑蔬菜的种植调控。
蔬菜如黄瓜、卷心菜、冬瓜、莱椒、山药、丝瓜、生菜、西兰花、白菜、空心菜、西红柿、生瓜、茭白、紫角叶等，其生长周期短。若露天种植，则适宜种植的环境期限有限，在期限内有些能种植一茬，有些则可种植两茬。若采用大棚种植，则可以在任何时间进行种植。蔬菜的种植时间不确定，上市时间也不确定。请参阅附图3，大部分蔬菜的需求全年基本平稳，本实施例按需求平稳考虑，蔬菜的产量仍然存在一定的短期波动。蔬菜的保质期较短。若蔬菜过了保质期仍然没有被匹配到需求，则记为剩余产量，若部分需求没有被及时匹配到对应的产量，则记为不足产量。在蔬菜种植前，即通过生长模型预测蔬菜的收获时间以及预测产量。由于需求基本平稳，可以仅通过统计已知的其他种植大棚或者种植区种植的同品类蔬菜的情况，推断收获期产量情况，与需求量进行对比即可预测出剩余产量和不足产量。因而可以提前调控，尽量避免剩余产量和不足产量。蔬菜的生长模型的建立有两种方式，一种是收集大棚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。
需求统计模型按销售数据包含的销量为权重，计算对应农产品每日售价的加权平均值，作为日平均售价，调控服务器20遍历年内的日期，依次将在日期上处于存在期的总产量匹配日期对应的每日平均需求总量，统计过了存在期仍未被匹配的产量，计为剩余产量，将剩余产量与存在期最后一日对应的日平均售价的乘积作为剩余产值，统计未被匹配产量的需求量，计为不足产量，将不足产量与对应日期的日平均售价的乘积作为不足产值，规划收获期和规划产量使得剩余产值和不足产值的和最小。
请参阅附图4，大棚数据站30包括传感器接入模块31、指令接入模块32和存储存证模块33，传感器接入模块31接入大棚内的环境数据，环境数据由环境传感器采集获得，环境传感器包括温湿度传感器61、CO2浓度传感器62、土壤温湿度传感器63、土壤酸碱度传感器64和光照传感器65，指令接入模块32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，存储存证模块33将传感器接入模块31和指令接入模块32收集到的数据存储，通过区块链50进行存证固定。
种植数据站40包括数据录入模块、数据传感模块、数据同步模块14、数据存储存证模块33和模型执行模块，数据录入模块接收农户录入的种植数据，录入的种植数据包括农作物种类、种植日期和面积，数据传感模块连接若干个生长环境传感器，生长环境传感器包括温湿度传感器61、土壤温湿度传感器63、土壤酸碱度传感器64、风速传感器和光照传感器65，数据同步模块14与当地气象部分同步天气数据，数据存储存证模块33将种植数据存储并通过区块链50进行存证，模型执行模块接收调控服务器20发送的生长模型，调取种植区对应的种植数据，代入种植模型，获得农作物的成熟期和产量，分别作为农产品的收获期和预测产量。
数据存储存证模块33为每个农户的农田分配静态存储空间71和增量存储空间72，请参阅附图5，静态存储空间71存储数据录入模块录入的数据，增量存储空间72存储数据传感模块和数据同步模块14获得的数据，当数据录入模块录入新的数据时，数据存储存证模块33提取状态数据的哈希值，并上传区块链50存储，增量存储空间72采用顺序存储结构，数据存储存证模块33周期性在增量存储空间72建立存证点73，存证点73占用预设长度的存储空间，数据存储存证模块33将两个存证点73之间的数据及上一个存证点73内的哈希值一起提取哈希值，存入最新的存证点73内，数据存储存证模块33以预设周期将最新的存证点73内的哈希值上传区块链50存储，并将对应区块高度和区块哈希值存入存证点73。
市场数据站10包括若干个交易录入模块11、数据缓存模块12、统计模块13、同步模块14和存储设备，请参阅附图6，交易录入模块11设置在每个批发档口80，录入批发交易信息，批发交易信息包括交易时间、蔬菜种类、销量和售价，数据缓存模块12与交易录入模块11连接，交易录入模块11将录入的批发交易信息写入数据缓存模块12；批发交易日结束后，将数据缓存模块12缓存的批发交易信息交由同步模块14存储到存储设备中；统计模块13读取数据缓存模块12记录的批发交易信息，统计获得交易日的销售数据，销售数据包括蔬菜的种类、销量和售价，售价为以销量为权重计算获得的加权均值，提取销售数据的哈希值，关联时间戳后上传区块链50存储，将交易日的销售数据关联时间戳、区块高度和区块哈希值后存储到存储设备，而后清空数据缓存模块12。
请参阅附图7，数据缓存模块12为每个交易录入模块11开辟有存储轨121，存储轨121采用顺序存储结构，数据缓存模块12将收到的批发交易信息存入存储轨121，数据缓存模块12周期性在存储轨121建立标识点126，标识点126占用预设长度的存储空间，提取最新的两个标识点126之间批发交易信息的哈希值作为标识哈希值123，提取标识哈希值123和上一个存证点73存储的关联哈希值124一起提取哈希值，作为新的关联哈希值124，存入最新的标识点126，从最新的两个标识点126之间批发交易信息中尝试截取预设长度的数据片段122，将数据片段122与关联哈希值124一起提取哈希值作为特征哈希值125，使得全部存储轨121的特征哈希值125的末尾若干位取值相同，将截取的数据片段122存入标识点126。如某个存储轨121的特征哈希值125的末尾4位取值为9EC2，则其他的存储轨121的特征哈希值125末尾4位取值也必须为9EC2，末尾4位取值为9EC2的概率为16的4次方分之一，约为6万5千分之一。概率学上从两个标识点126之间批发交易信息中尝试6.5万次截取预设长度的数据片段122，能够获得满足要求的特征哈希值125。增加要求相同的末尾数位数可以进一步增加难度。有效提高篡改数据的难度，提高数据的可信度。延长数据篡改需要的时长，就可以相应的减少上传区块链50存证的周期，从而降低上传区块链50消耗的资金。
统计模块13在批发交易日结束后，读取数据缓存模块12中的批发交易信息，验证标识哈希值123、关联哈希值124及特征哈希值125是否自洽，若验证不自洽则删除整个存储轨121的数据，并发出告警，若验证自洽则从批发交易信息中统计每种蔬菜的销量和平均售价，将存储轨121的数据、统计结果交由同步模块14存储到存储设备中。存储轨121具有编号，存储轨121的特征哈希值125大小顺序与编号顺序相同，若存在存储轨121无法找到满足要求的数据片段122，则全部存储轨121均减小数据片段122的长度，重新建立特征哈希值125。
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 (7)
1.基于区块链的农业生产地区调控系统，其特征在于，包括：
若干个大棚数据站，所述大棚数据站设置在大棚中，收集大棚内农作物的种植数据，将种植数据存储并通过区块链存证，所述种植数据包括农作物种类、种植日期、面积和生长环境数据；
若干个种植数据站，接入若干个农户的露天种植区，为每个种植区分配唯一标识并关联农户，存储种植区的种植数据并通过区块链进行存证固定；
若干个市场数据站，设置在农贸批发市场中，接入市场每日的销售数据，将销售数据存储并通过区块链存证，所述销售数据包括种类、销量和售价；
调控服务器，与大棚数据站、种植数据站和市场数据站连接，将需求统计模型下发市场数据站执行，获得每个市场数据站每种农产品的年平均需求量，计算获得全部市场数据站每种农产品的年平均需求总量，将生长模型下发到大棚数据站和种植数据站，获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类，使地区大棚和种植区产出的每种农产品与其年平均需求总量差距最小；
所述市场数据站包括若干个交易录入模块、数据缓存模块、统计模块、同步模块和存储设备，所述交易录入模块设置在每个批发档口，录入批发交易信息，批发交易信息包括交易时间、蔬菜种类、销量和售价，所述数据缓存模块与交易录入模块连接，所述交易录入模块将录入的批发交易信息写入所述数据缓存模块；
批发交易日结束后，将数据缓存模块缓存的批发交易信息交由同步模块存储到存储设备中；
所述统计模块读取所述数据缓存模块记录的批发交易信息，统计获得交易日的销售数据，所述销售数据包括蔬菜的种类、销量和售价，所述售价为以销量为权重计算获得的加权均值，提取销售数据的哈希值，关联时间戳后上传区块链存储，将交易日的销售数据关联时间戳、区块高度和区块哈希值后存储到存储设备，而后清空数据缓存模块；
所述数据缓存模块为每个交易录入模块开辟有存储轨，所述存储轨采用顺序存储结构，所述数据缓存模块将收到的批发交易信息存入所述存储轨，所述数据缓存模块周期性在存储轨建立标识点，所述标识点占用预设长度的存储空间，提取最新的两个标识点之间批发交易信息的哈希值作为标识哈希值，提取标识哈希值和上一个存证点存储的关联哈希值一起提取哈希值，作为新的关联哈希值，存入最新的标识点，从最新的两个标识点之间批发交易信息中尝试截取预设长度的数据片段，将数据片段与关联哈希值一起提取哈希值作为特征哈希值，使得全部存储轨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标识点；
所述统计模块在批发交易日结束后，读取数据缓存模块中的批发交易信息，验证标识哈希值、关联哈希值及特征哈希值是否自洽，若验证不自洽则删除整个存储轨的数据，并发出告警，若验证自洽则从批发交易信息中统计每种蔬菜的销量和平均售价，将存储轨的数据、统计结果交由同步模块存储到存储设备中；
调控服务器获得已种植农产品的收获期和预测产量，规划尚未种植农作物的大棚及种植区的种植时间和农作物种类，获得规划收获期和规划产量，
每个市场数据站统计每种农产品的每日平均需求量，计算获得全部市场数据站每种农产品的每日平均需求总量，
获取每种农产品的保质期，将大棚或种植区产出的农产品的收获期加上保质期作为农产品的存在期，
根据收获期、预测产量、规划收获期和规划产量，计算获得每种农产品在年内每个日期上处于存在期的总产量，
所述调控服务器遍历年内的日期，依次将在日期上处于存在期的总产量匹配日期对应的每日平均需求总量，统计过了存在期仍未被匹配的产量，计为剩余产量，统计未被匹配产量的需求量，计为不足产量，
所述规划收获期和规划产量使得剩余产量和不足产量的和最小。
2.根据权利要求1所述的基于区块链的农业生产地区调控系统，其特征在于，
为每种农产品赋予权重，所述权重均大于1，计算全部农产品的剩余产量的加权和作为总剩余产量，所述规划收获期和规划产量使得总剩余产量与不足产量的和最小。
3.根据权利要求1所述的基于区块链的农业生产地区调控系统，其特征在于，
所述需求统计模型按销售数据包含的销量为权重，计算对应农产品每日售价的加权平均值，作为日平均售价，
所述调控服务器遍历年内的日期，依次将在日期上处于存在期的总产量匹配日期对应的每日平均需求总量，统计过了存在期仍未被匹配的产量，计为剩余产量，将剩余产量与存在期最后一日对应的日平均售价的乘积作为剩余产值，统计未被匹配产量的需求量，计为不足产量，将不足产量与对应日期的日平均售价的乘积作为不足产值，所述规划收获期和规划产量使得剩余产值和不足产值的和最小。
4.根据权利要求1至3任一项所述的基于区块链的农业生产地区调控系统，其特征在于，
所述大棚数据站包括传感器接入模块、指令接入模块和存储存证模块，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，所述存储存证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，通过区块链进行存证固定。
5.根据权利要求1至3任一项所述的基于区块链的农业生产地区调控系统，其特征在于，
所述种植数据站包括数据录入模块、数据传感模块、数据同步模块、数据存储存证模块和模型执行模块，所述数据录入模块接收农户录入的种植数据，录入的种植数据包括农作物种类、种植日期和面积，所述数据传感模块连接若干个生长环境传感器，所述生长环境传感器包括温湿度传感器、土壤温湿度传感器、土壤酸碱度传感器、风速传感器和光照传感器，所述数据同步模块与当地气象部分同步天气数据，所述数据存储存证模块将种植数据存储并通过区块链进行存证，所述模型执行模块接收调控服务器发送的生长模型，调取种植区对应的种植数据，代入种植模型，获得农作物的成熟期和产量，分别作为农产品的收获期和预测产量。
6.根据权利要求5所述的基于区块链的农业生产地区调控系统，其特征在于，
所述数据存储存证模块为每个农户的农田分配静态存储空间和增量存储空间，所述静态存储空间存储数据录入模块录入的数据，所述增量存储空间存储数据传感模块和数据同步模块获得的数据，当所述数据录入模块录入新的数据时，所述数据存储存证模块提取状态数据的哈希值，并上传区块链存储，所述增量存储空间采用顺序存储结构，所述数据存储存证模块周期性在增量存储空间建立存证点，所述存证点占用预设长度的存储空间，所述数据存储存证模块将两个存证点之间的数据及上一个存证点内的哈希值一起提取哈希值，存入最新的存证点内，所述数据存储存证模块以预设周期将最新的存证点内的哈希值上传区块链存储，并将对应区块高度和区块哈希值存入存证点。
7.根据权利要求1至3任一项所述的基于区块链的农业生产地区调控系统，其特征在于，
所述存储轨具有编号，所述存储轨的特征哈希值大小顺序与编号顺序相同，若存在存储轨无法找到满足要求的数据片段，则全部存储轨均减小数据片段的长度，重新建立特征哈希值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742408.6A CN113592147B (zh) | 2021-07-01 | 2021-07-01 | 基于区块链的农业生产地区调控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742408.6A CN113592147B (zh) | 2021-07-01 | 2021-07-01 | 基于区块链的农业生产地区调控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592147A CN113592147A (zh) | 2021-11-02 |
| CN113592147B true CN113592147B (zh) | 2024-04-30 |
Family
ID=78245629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110742408.6A Active CN113592147B (zh) | 2021-07-01 | 2021-07-01 | 基于区块链的农业生产地区调控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592147B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114097563A (zh) * | 2021-12-06 | 2022-03-01 | 湖南省烟草公司衡阳市公司常宁市分公司 | 简易烟草育苗大棚管理方法 |
| CN116703083B (zh) * | 2023-06-05 | 2024-01-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于人工智能的可控农业栽培管理系统及方法 |
| CN117196331A (zh) * | 2023-08-28 | 2023-12-08 | 湖北泰跃卫星技术发展股份有限公司 | 农产品种植策略生成方法、装置、计算机设备及存储介质 |
| CN117893228B (zh) * | 2024-03-14 | 2024-05-14 | 河北农业大学 | 一种农业投入品经营流通与溯源回收监管一体化系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194822A (zh) * | 2017-05-25 | 2017-09-22 | 河南嘉禾智慧农业科技有限公司 | 一种基于区块链的农业数据共享系统及方法 |
| CN107330581A (zh) * | 2017-06-08 | 2017-11-07 | 上海交通大学 | 基于区块链的农产品质量信息系统 |
| 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 |
| CN108600986A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市益鑫智能科技有限公司 | 一种基于区块链的农业数据采集及共享系统 |
| CN109729168A (zh) * | 2018-12-31 | 2019-05-07 | 浙江成功软件开发有限公司 | 一种基于区块链的数据共享交换系统及方法 |
| KR20200114665A (ko) * | 2019-03-29 | 2020-10-07 | 주식회사 씽스앤 | 농식품 거래 플랫폼을 기반으로 하는 농식품 유통 시스템 |
-
2021
- 2021-07-01 CN CN202110742408.6A patent/CN113592147B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194822A (zh) * | 2017-05-25 | 2017-09-22 | 河南嘉禾智慧农业科技有限公司 | 一种基于区块链的农业数据共享系统及方法 |
| CN107330581A (zh) * | 2017-06-08 | 2017-11-07 | 上海交通大学 | 基于区块链的农产品质量信息系统 |
| 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 |
| CN108600986A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市益鑫智能科技有限公司 | 一种基于区块链的农业数据采集及共享系统 |
| CN109729168A (zh) * | 2018-12-31 | 2019-05-07 | 浙江成功软件开发有限公司 | 一种基于区块链的数据共享交换系统及方法 |
| KR20200114665A (ko) * | 2019-03-29 | 2020-10-07 | 주식회사 씽스앤 | 농식품 거래 플랫폼을 기반으로 하는 농식품 유통 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592147A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113592147B (zh) | 基于区块链的农业生产地区调控系统 | |
| US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
| US20200390044A1 (en) | Controlling argricultural production areas | |
| KR101852987B1 (ko) | 고부가가치 버섯재배를 위한 모듈형 식물공장시스템 | |
| Höglind et al. | Process-based simulation of growth and overwintering of grassland using the BASGRA model | |
| CN111275569B (zh) | 一种烤烟产区生态特征测定方法、系统、存储介质、终端 | |
| US20140249893A1 (en) | Agricultural performance information systems and related methods | |
| CA3024419C (en) | Yield forecast and light use efficiency | |
| CN110414859B (zh) | 一种基于物联网技术的稻谷收储作业5t评价方法 | |
| Persson et al. | Impact of climate change on harvest security and biomass yield of two timothy ley harvesting systems in Norway | |
| CN115553742A (zh) | 一种用于建筑智慧运维的人体微环境数据采集系统及运维方法 | |
| CN110751322B (zh) | 一种基于大数据分析预测的荔枝控梢促花管理方法 | |
| CN113469831B (zh) | 基于区块链技术的农时导航系统 | |
| CN113487444B (zh) | 一种基于区块链技术的大棚种植导航系统 | |
| Zhang et al. | PVIDSS: developing a WSN-based irrigation decision support system (IDSS) for viticulture in protected area, Northern China | |
| CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
| CN114331090A (zh) | 基于大数据的农产品市场供需数据监控系统及方法 | |
| Villordon et al. | Combining linear regression and machine learning approaches to identify consensus variables related to optimum sweetpotato transplanting date | |
| CN113469392B (zh) | 基于区块链的农产品预定系统 | |
| CN118052681B (zh) | 基于物联网的温室种植碳排放量监测管理方法 | |
| CN113469743A (zh) | 基于区块链的大棚种植收益预测系统 | |
| KR102693616B1 (ko) | 다중결합 알고리즘 기반 농작물 거래가격 및 수요 예측 방법 및 시스템 | |
| Oh et al. | Analysis and Application of Sensor Data Collected from Strawberry Greenhouse | |
| Kartheepan et al. | E-Agrigo | |
| JP2022161489A (ja) | 形質変化推定システム及び自動栽培システム |
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 |