CN113962476A - 一种虫害预测方法、装置、设备及存储介质 - Google Patents
一种虫害预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113962476A CN113962476A CN202111322776.1A CN202111322776A CN113962476A CN 113962476 A CN113962476 A CN 113962476A CN 202111322776 A CN202111322776 A CN 202111322776A CN 113962476 A CN113962476 A CN 113962476A
- Authority
- CN
- China
- Prior art keywords
- pest
- prediction
- weather
- position information
- 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 582
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241000238631 Hexapoda Species 0.000 title claims description 168
- 239000012528 membrane Substances 0.000 claims description 132
- 230000002265 prevention Effects 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 239000007921 spray Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 241000256626 Pterygota <winged insects> Species 0.000 description 18
- 238000009792 diffusion process Methods 0.000 description 18
- 239000002609 medium Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 10
- 230000002354 daily effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000001556 precipitation Methods 0.000 description 7
- 229920000742 Cotton Polymers 0.000 description 6
- 241001124076 Aphididae Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000008141 laxative Substances 0.000 description 4
- 230000002475 laxative effect Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 241001600408 Aphis gossypii Species 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000002362 mulch Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请实施例公开了一种虫害预测方法、装置、设备及存储介质。本申请实施例提供的技术方案通过根据在设定预测周期内的气象预报数据，利用第一预测模型预测在设定预测周期内的虫害预测时间以及虫害预测量，并根据预测得到的虫害预测量，利用第二预测模型预测在设定预测周期内的虫害膜位信息，基于预测得到的虫害预测时间和虫害膜位信息输出虫害预测结果，通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据，减少因不同的工作人员的主观差异导致虫害预测效果不理想的情况。
Description
技术领域
本申请实施例涉及农作物防治技术领域，尤其涉及一种虫害预测方法、装置、设备及存储介质。
背景技术
在农作物的种植过程中会伴随蚜虫等虫害的发生，需要及时对农作物种植区域的害虫进行防治。传统的农作物植保一般是通过全田普防的方式进行，全田普防的时间与次数根据虫害情况和选用的防治指标进行确定。
目前，对农作物虫害情况的监视工作主要通过人工进行，即通过人工巡田的方式记录田间虫害情况，并对目标区域的虫害情况进行预测以判断进行全田普防的时机，但是人工巡田的方式对人工经验的依赖比较大，不同的工作人员存在较大的主观差异，虫害预测效果不理想。
发明内容
本申请实施例提供一种虫害预测方法、装置、设备及存储介质，以解决现有技术中人工巡田的方式对人工经验的依赖比较大，不同的工作人员存在较大的主观差异，虫害预测效果不理想的技术问题，本申请实施例通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据。
在第一方面，本申请实施例提供了一种虫害预测方法，包括：
获取目标地区在设定预测周期内的气象预报数据；
利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量；
利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息；
基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
在第二方面，本申请实施例提供了一种虫害预测装置，包括气象获取模块、第一预测模块、第二预测模块和结果分析模块，其中：
所述气象获取模块，用于获取目标地区在设定预测周期内的气象预报数据；
所述第一预测模块，用于利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量；
所述第二预测模块，用于利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息；
所述结果分析模块，用于基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
在第三方面，本申请实施例提供了一种虫害预测设备，包括：存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的虫害预测方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的虫害预测方法。
本申请实施例通过根据在设定预测周期内的气象预报数据，利用第一预测模型预测在设定预测周期内的虫害预测时间以及虫害预测量，并根据预测得到的虫害预测量，利用第二预测模型预测在设定预测周期内的虫害膜位信息，基于预测得到的虫害预测时间和虫害膜位信息输出虫害预测结果，通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据，减少因不同的工作人员的主观差异导致虫害预测效果不理想的情况。
附图说明
图1是本申请实施例提供的一种虫害预测方法的流程图；
图2是本申请实施例提供的另一种虫害预测方法的流程图；
图3是本申请实施例提供的另一种虫害预测方法的流程图；
图4是本申请实施例提供的一种虫害预测装置的结构示意图；
图5是本申请实施例提供的一种虫害预测设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种虫害预测方法的流程图，本申请实施例提供的虫害预测方法可以由虫害预测装置来执行，该虫害预测装置可以通过硬件和/或软件的方式实现，并集成在虫害预测设备中。
下述以虫害预测装置执行虫害预测方法为例进行描述。参考图1，该虫害预测方法包括：
S101：获取目标地区在设定预测周期内的气象预报数据。
本实施例提供的气象预报数据包括目标地区(例如滴灌棉田)在设定预测周期内的温度预报数据、湿度预报数据和降水预报数据等不同气象类型的一种或多种的组合。气象预报数据可按照设定预测周期，从目标地区对应的气象站点网站进行获取得到。本实施例提供的气象预报数据将作为预测基数输入到训练好的第一预测模型和第二预测模型中进行分析处理。
在一种实施例中，还可以在目标地块中设置气象监测设备，气象监测设备可以根据记录的气象数据预测未来的气象预报数据，并将气象预报数据传输给服务器，服务器利用该气象预报数据可以对虫害情况进行分析。
S102：利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量。
本实施例提供的第一预测模型用于对于输入的气象预报数据进行分析处理并输出对应的虫害预测时间和虫害预测量。该第一预测模型基于采集到的气象指标样本数据、虫害发生时间和虫害发生量样本数据进行训练得到，具体的，以气象指标样本数据为输入，以虫害发生时间和虫害发生量样本数据为输出对第一预测模型进行训练，直至第一预测模型的准确度达到设定准确度要求。
示例性的，将气象预报数据后输入到第一预测模型中，由第一预测模型对气象预报数据进行分析处理并输出对应的虫害预测时间和虫害预测量。其中虫害预测时间与虫害预测量一一对应，虫害预测时间可以是在设定预测周期对应的时间长度内的多个连续的时间，例如设定预测周期为15天，将未来15天的每一天都作为一个虫害预测时间，第一预测模型根据未来15天对应的气象预报数据进行分析处理，输出未来15天中每一天对应的虫害预测量。虫害预测时间还可以是设定的虫害节点时间，例如害虫始见期和有翅虫迁飞高峰期等，并且不同的虫害节点时间均对应一个虫害预测量，可通过预测害虫始见期和有翅虫迁飞高峰期，提前安排无人机进行打药，以防害虫大面积为害作物植株或影响作物植株产量。其中虫害预测时间可理解为虫害发生的预测时间，例如害虫始见期、有翅虫迁飞高峰期或者是设定预测周期的每一天预测的虫量，虫害预测量可理解为预测的在虫害预测时间对应的害虫的发生量。
S103：利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息。
本实施例提供的第二预测模型用于对输入的气象预报数据和虫害预测量进行分析处理并输出对应的虫害膜位信息，其中虫害膜位信息用于表示害虫(距离田埂或种植边界)的扩散距离，其中膜位为覆盖在作物上的覆膜的位置，例如在棉花的种植中，为了对棉花进行保护，在棉花种植位置上覆盖覆膜。该第二预测模型基于采集的气象指标样本数据、虫害发生量样本数据和虫害膜位样本数据进行训练得到。具体的，以气象指标样本数据和虫害发生量样本数据为输入，以虫害膜位样本数据为输出对第二预测模型进行训练，直至第二预测模型的准确度达到设定准确度要求。在一个实施例中，扩散距离可以通过对应害虫扩散到的膜位中，距离田埂或种植区域边界最远的膜位来表示。
示例性的，将气象预报数据以及上述步骤中第一预测模型输出的虫害预测量输入到第二预测模型中，由第二预测模型对气象预报数据以及虫害预测量进行分析处理并输出对应的虫害膜位信息。其中虫害膜位信息可以是在设定预测周期对应的时间长度内的多个连续的时间对应的扩散距离，例如设定预测周期为15天，第二预测模型根据未来15天对应的气象预报数据以及虫害预测量进行分析处理，输出未来15天中每一天对应的扩散距离。另外，虫害膜位信息还可以是设定的虫害节点时间(例如害虫始见期和有翅虫迁飞高峰期等)对应的扩散距离，或者是在设定预测周期内的最长的扩散距离。
S104：基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
在得到在设定预测周期内的虫害预测时间以及虫害膜位信息后，基于虫害预测时间以及虫害膜位信息生成虫害预测结果，并对虫害预测结果进行展示。管理人员可根据虫害预测结果直观地观察在设定预测周期内不同虫害预测时间对应的虫害膜位信息，了解在设定预测周期内的农田害虫的扩散时间和范围，并在害虫爆发前进行预防处理。
可以理解的是，本方案根据气象预报数据对虫害预测时间和虫害膜位信息进行预测，为农田虫害防护提供预防处理依据，在害虫全田爆发前对相应区域进行预防处理，以区域化、针对性的提前害虫防护替代在害虫全田爆发后的全田普防式的植保防护，减少植保作业面积，减少因频繁的全田普防对作物的损害和对害虫天敌种群的打压，有利于建立生态保护屏障，更合理的进行植保操作、保护农田生态。
上述，通过根据在设定预测周期内的气象预报数据，利用第一预测模型预测在设定预测周期内的虫害预测时间以及虫害预测量，并根据预测得到的虫害预测量，利用第二预测模型预测在设定预测周期内的虫害膜位信息，基于预测得到的虫害预测时间和虫害膜位信息输出虫害预测结果，通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据，减少因不同的工作人员的主观差异导致虫害预测效果不理想的情况。
在上述实施例的基础上，图2给出了本申请实施例提供的另一种虫害预测方法的流程图，该虫害预测方法是对上述虫害预测方法的具体化。参考图2，该虫害预测方法包括：
S201：获取目标地区在设定预测周期内的气象预报数据。
S202：利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和有翅虫害预测量和无翅虫害预测量。
本实施例提供的虫害预测量包括有翅虫害预测量和无翅虫害预测量，其中有翅虫害预测量可理解为有翅害虫(例如在棉田保护带上的有翅型的蚜虫，其中，翅型的蚜虫具有迁飞危害植株的能力)的发生量，无翅虫害预测量可理解为无翅害虫(例如在棉田保护带上的无翅型的蚜虫)的发生量。
其中，第一预测模型基于气象指标样本数据、虫害发生时间和虫害发生量样本数据进行训练得到，其中虫害发生量样本数据包括有翅害虫发生量样本数据和无翅害虫发生量样本数据，对应的，虫害发生时间包括有翅虫害预测时间和无翅虫害预测时间。即在训练第一预测模型时，以气象指标样本数据作为输入，以有翅虫害预测时间和无翅虫害预测时间以及对应的有翅害虫发生量样本数据和无翅害虫发生量样本数据作为输出，对第一预测模型进行训练。将气象预报数据输入到第一预测模型中后，第一预测模型将输出有翅虫害预测量和对应的有翅虫害预测时间，以及无翅虫害预测量和对应的无翅虫害预测时间。
S203：利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定有翅虫害膜位信息和无翅虫害膜位信息。
本实施例提供的虫害膜位信息包括有翅虫害膜位信息和无翅虫害膜位信息，其中有翅虫害膜位信息指示有翅害虫在对应的有翅虫害预测时间中的扩散距离，无翅虫害膜位信息指示无翅害虫在对应的无翅虫害预测时间中的扩散距离。
本实施例提供的第二预测模型基于气象指标样本数据、虫害发生量样本数据和虫害膜位样本数据进行训练得到，其中虫害发生量样本数据包括有翅虫害发生量样本数据和无翅虫害发生量样本数据，对应的，虫害膜位样本数据包括有翅虫害膜位样本数据和无翅虫害膜位样本数据。
具体的，在训练第二预测模型时，以采集到的气象指标样本数据作为输入，有翅虫害发生量样本数据和无翅虫害发生量样本数据以及有翅虫害膜位样本数据和无翅虫害膜位样本数据作为输出，对第二预测模型进行训练。将气象预报数据和第一预测模型输出的有翅虫害预测量和无翅虫害预测量输入第二预测模型中后，第二预测模型将输出对应的有翅虫害膜位信息和无翅虫害膜位信息。
其中第二预测模型输出的有翅虫害膜位信息和无翅虫害膜位信息可以是在设定预测周期对应的时间长度内的多个连续的时间对应的有翅虫害膜位信息和无翅虫害膜位信息，还可以是在设定预测周期内最大的有翅虫害膜位信息和无翅虫害膜位信息。
S204：从所述有翅虫害膜位信息和所述无翅虫害膜位信息中确定最大膜位信息。
具体的，将第二预测模型输出的有翅虫害膜位信息和无翅虫害膜位信息进行比较，将有翅虫害膜位信息和无翅虫害膜位信息中最大的虫害膜位信息确定为最大膜位信息。可以理解的是，最大膜位信息反映了在目标地区中，各种虫态(有翅型和无翅型)害虫在对应虫害预测时间中所扩散到的最远的膜位。
S205：基于所述虫害预测时间和所述最大膜位信息得到虫害预测结果。
在得到在设定预测周期内的虫害预测时间以及最大膜位信息后，基于虫害预测时间以及最大膜位信息生成虫害预测结果，并对虫害预测结果进行展示。管理人员可根据虫害预测结果直观地观察在设定预测周期内不同虫害预测时间对应的最大膜位信息，了解在设定预测周期内的各种虫态害虫的最大扩散范围。
在一个可能的实施例中，在得到最大膜位信息后，可结合目标区域上的覆膜之间的膜间距、膜宽度、膜长度计算出虫害发生预测面积，方便管理者根据虫害发生预测面积规划利用无人机进行防治的地块飞防面积，或者是生成对应虫害发生预测面积的植保处方图。
S206：在所述虫害预测量达到设定虫量阈值和/或所述虫害膜位信息达到设定膜位阈值时，发出虫害预警和/或根据所述虫害预测结果从植保库中确定植保预防方案，所述植保库记录有不同虫害预测结果对应的植保预防方案。
在得到虫害预测量和/或最大膜位信息后，可根据虫害预测量和/或最大膜位信息进行虫害预警或者是进行植保预防方案的确定。其中植保预防方案可以是不同虫害预测结果对应的量化植保用药方案。
具体的，将虫害预测量与设定虫量阈值进行比较，在虫害预测量达到设定虫量阈值时，发出虫害发生量预警，提醒管理人员及时对虫害进行预防；或者是在虫害预测量达到设定虫量阈值时，根据虫害预测结果从植保库中确定植保预防方案，管理人员可根据植保预防方案的决策建议对进行植保防护，提前对虫量进行控制。本实施例提供的植保库中记录有不同虫害预测结果对应的植保预防方案，可根据虫害预测结果和植保预防方案之间的对应关系确定当前虫害预测结果下对应的植保预防方案。其中，设定膜位阈值可以是用户设定的阈值，也可以是系统默认的阈值，用户可通过设置设定膜位阈值设置防治或预警阈值，可针对不同的害虫类型或防治力度设置提醒或预警的时机，更灵活的进行植保防治
另外，还可将最大膜位信息对应的最大扩散距离与设定膜位阈值对应的扩散距离阈值进行比较，若最大扩散距离达到扩散距离阈值，则发出虫害膜位预警，提醒管理人员及时对虫害进行预防。
或者是在虫害预测量达到设定虫量阈值和/或在最大扩散距离达到扩散距离阈值时，根据虫害预测结果从植保库中确定植保预防方案，管理人员可根据植保预防方案的决策建议对进行植保防护，提前对虫量进行控制和/或对最大膜位信息对应的区域进行植保防护。本实施例提供的植保库中记录有不同虫害预测结果对应的植保预防方案，可根据虫害预测结果和植保预防方案之间的对应关系确定当前虫害预测结果下对应的植保预防方案。其中，设定虫量阈值和/或设定膜位阈值可以是用户设定的阈值，也可以是系统默认的阈值，用户可通过设置设定虫量阈值和/或设定膜位阈值以设置防治或预警阈值，可针对不同的害虫类型或防治力度设置提醒或预警的时机，更灵活的进行植保防治。
上述，通过根据在设定预测周期内的气象预报数据，利用第一预测模型预测在设定预测周期内的虫害预测时间以及虫害预测量，并根据预测得到的虫害预测量，利用第二预测模型预测在设定预测周期内的虫害膜位信息，基于预测得到的虫害预测时间和虫害膜位信息输出虫害预测结果，通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据，减少因不同的工作人员的主观差异导致虫害预测效果不理想的情况。同时，根据有翅害虫和无翅害虫两种不同虫态对应的虫害膜位信息的比较输出最大膜位信息，更精确地确定距离种植区域边界最远的虫害发生膜位的预测值，保证植保作业面积可覆盖各种虫态害虫的扩散范围，更合理的安排进行植保防护的膜位范围。并且在最大膜位信息达到设定膜位阈值时进行虫害预警，提醒管理人员及时对虫害进行预防处理，或者是根据虫害预测结果输出植保预防方案，为植保防护提供指导。同时，由于气象预报本身准确性有限，通过预测模型提供一个标准化的评估技术依据，准确客观地预测虫害预测时间、虫害预测量和虫害膜位信息，减少人工巡田造成的主观差异影响，并有效减少人工巡田的频率与巡田内容(包括需要巡查的地块面积)，降低植保防护的工作成本与工作量，提高植保防护的工作效率与防护质量。
在一个可能的实施例中，在得到虫害预测结果后，可根据后续的实际气象数据对虫害预测结果进行校正，基于此，本方案提供的虫害预测方法还包括：
S207：根据所述目标地区的实际气象数据与对应的所述气象预报数据，对所述虫害预测结果进行校正。
具体的，获取目标地区的实际气象数据，并将实际气象数据与设定预测周期中与实际气象数据同一天的气象预报数据进行比较，并根据比较结果对虫害预测结果进行校正。
可以理解的是，实际气象数据反映了目标地区当天的实际气象情况，实际气象数据可从目标地区对应的气象站点网站进行获取得到，或者是通过布置在田边或田间的物联网设备(例如农业气象站)进行采集或监测得到，还可以是对当天的实际气象情况进行监测得到。其中，实际气象数据包括实时温度数据、实时湿度数据和实时降水数据等不同气象类型的一种或多种的组合。
在具体的实施方式中，对虫害预测结果进行校正包括步骤S2071-S2072：
S2071：根据所述目标地区的实际气象数据对所述气象预报数据进行校正。
S2072：基于校正后的所述气象预报数据对所述虫害预测时间、所述虫害预测量和所述虫害膜位信息进行更新，以对所述虫害预测结果进行校正。
具体的，获取目标地区的实际气象数据，将实际气象数据替换掉设定预测周期内的气象预报数据中与实际气象数据对应的(相同时间的)气象预测数据，以对气象预测数据进行校正，相当于对预测基数进行校正。可以理解的是，在设定预测周期内的某一天中，校正后的气象预报数据包括在当天以前的实际气象数据和当天及以后的气象预报数据。
例如，对于通过有效积温作为气象数据中温度的一个计算指标，在设定预测周期中的有效积温，每天都会根据之前的实际温度数据和当天及以后的预报温度数据进行计算，即每天对有效积温进行校正。例如，基于未来几日(例如7日)的气象预报数据对短期的虫害预测结果进行预测，害虫的全期积温值是整个害虫(例如蚜虫)发生期(3～4个月)中每一天有效积温的积累实际值，需要基于历史真实值(实际气象数据)+未来几日气象预报值(气象预报数据)进行准确的计算。同时，每过一天，导入这一天的实际气象数据，对之后的预测基数(气象预报数据)做一个校正，得到在设定预测周期中更接近真实的有效积温。
进一步的，在校正后续的气象预报数据后，将校正后的气象预报数据输入到第一预测模型中，得到更新后的虫害预测时间和虫害预测量，将及校正后的气象预报数据和更新后的虫害预测量输入到第二预测模型中，得到校正后的虫害膜位预测信息，并基于更新后的虫害预测时间和虫害膜位信息更新虫害预测结果。通过每一天的实际气象数据对气象预报数据进行校正，实现对虫害预测结果的逐步校正，减少虫害预测结果与实际虫害结果之间的误差，为农作物的虫害防治提供更准确的参考依据。
在一个可能的实施例中，在得到虫害膜位信息之后，可根据虫害膜位信息确定进行植保防治的区域，基于此，本方案提供的虫害预测方法还包括：
S208：根据所述虫害膜位信息确定待作业区域。
S209：生成所述待作业区域对应的作业任务。
S210：将所述作业任务发送给无人机，以使无人机对所述待作业区域进行喷洒作业。
具体的，在确定虫害膜位信息后，在需要确定作业区域进行害虫防治时(例如虫害预测量达到)，可根据虫害膜位信息确定待作业区域，例如将从田埂(或距离田埂最近的膜位)到虫害膜位信息对应的膜位所围成的区域作为待作业区域。进一步的，根据待作业区域生成对应的作业任务，并将作业任务发送给可进行药物喷洒的无人机，由无人机根据作业任务对待作业区域进行喷洒作业，以对待作业区域进行针对性的片防，不需要等到虫害全田爆发之后再进行全田普防。其中待作业区域可理解为预测的虫害扩散范围，本方案通过对待作业区域进行打药，对害虫进行防治，通过根据虫害膜位信息准确确定待作业区域，打药区域明确，无需全田打药，只要对待作业区域打药即可，减少植保防治的作业量，提高作业效率。
在上述实施例的基础上，图3给出了本申请实施例提供的另一种虫害预测方法的流程图，该虫害预测方法是对上述虫害预测方法的具体化。参考图3，该虫害预测方法包括：
S301：根据不同气象类型组合的气象指标样本数据与虫害发生时间、虫害发生量样本数据和虫害膜位样本数据的相关性筛选所述气象指标样本数据。
气象指标样本数据可通过在目标地区安装的农业气象站等气象监测设备获取，其中气象指标样本数据中所包含的气象类型包括温度、湿度和降水中的一种或多种的组合。
其中，温度可通过有效积温作为温度的一个计算指标。需要进行解释的是，有效积温可理解为所要监测的害虫完成某一发育阶段所需要的发育起点以上温度的累积值，并且有效积温的计算以不同类型的害虫在不同发育阶段的起点温度和上限温度作为有效积温筛选条件，即日均气温在的起点温度和上限温度之间害虫才可正常发育，有效积温可基于以下公式进行确定：
其中，K为有效积温(度·日)，n为设定预测周期的天数(日)，
为日均气温(℃)，To为所要监测的害虫在对应发育阶段的生长发育起点温度(℃)。可以理解的是，不同种类的害虫以及不同的发育阶段，对应的生长发育起点温度均不同，例如对于棉黑蚜和苗期棉蚜其对应的每日生长积温是分别以6.05℃～25℃、5℃～34.9℃为有效积温条件计算的，即对应的生长发育起点温度分别为6.05℃和5℃。
示例性的，以设定预测周期为采集周期，通过人工或智能设备采集的方式采集气象指标样本数据、虫害发生时间、虫害发生量样本数据和虫害膜位样本数据，并根据不同气象类型组合的气象指标样本数据相对于虫害发生时间、虫害发生量样本数据和虫害膜位样本数据之间的相关性筛选气象指标样本数据，从而筛选出与虫害发生时间、虫害发生量样本数据和虫害膜位样本数据之间的相关性最高的气象指标样本数据对应的气象类型组合。其中不同气象类型组合的气象指标样本数据可以是有效积温、日均湿度和日降雨量中的任意一种，或者是任意两种的组合，还可以是有效积温、日均湿度和日降雨量三种的组合，其中气象指标样本数据不仅限于有效积温、日均湿度和日降雨量三种类型，气象指标样本数据的类型可根据采集实际气象数据的物联设备设计确定。
其中虫害发生时间(包括有翅虫害预测时间和无翅虫害预测时间)可以是在采集周期对应的时间长度内的多个连续的时间，还可以是在采集周期中的虫害节点时间，例如害虫始见期和有翅虫迁飞高峰期等。虫害发生量样本数据可理解为在采集周期中各个虫害发生时间对应的害虫的发生量(包括有翅害虫发生量样本数据和无翅害虫发生量样本数据)，可通过百株害虫数、单位面积害虫数等方式进行表示。虫害膜位样本数据(包括有翅虫害膜位样本数据和无翅虫害膜位样本数据)可理解为为在采集周期中各个虫害发生时间对应的害虫扩散距离。
进一步的，输入第一预测模型的气象指标是根据不同气象类型组合的气象指标与虫害发生时间和/或虫害发生量的第一相关性，从不同气象类型组合的气象指标中筛选出与虫害发生时间和/或虫害发生量的相关性最高的气象指标。对应的，输入第二预测模型的气象指标是根据不同气象类型组合的气象指标与虫害的发生量和/或膜位信息的第二相关性，从不同气象类型组合的气象指标中筛选出与虫害的发生量和/或膜位信息的相关性最高的气象指标。基于此，对气象指标样本数据进行筛选具体包括步骤S3011-S3012：
S3011：根据不同气象类型组合的气象指标样本数据与虫害发生时间和/或虫害发生量样本数据的第一相关性，从所述气象指标样本数据中筛选出与虫害发生时间和/或虫害发生量样本数据的相关性最高的第一气象样本数据。
S3012：根据不同气象类型组合的气象指标样本数据与虫害发生量样本数据和/或虫害膜位样本数据之间的第二相关性，从所述气象指标样本数据中筛选出与虫害发生量样本数据和/或虫害膜位样本数据的相关性最高的第二气象样本数据。
本实施例提供的第一相关性和第二相关性基于主成分分析算法或逐步回归分析算法计算得到。具体的，基于主成分分析算法或逐步回归分析算法，计算各个气象类型组合的气象指标样本数据相对于虫害发生时间和/或虫害发生量样本数据之间的第一相关性，从不同气象类型组合的气象指标样本数据中筛选出相对于虫害发生时间和/或虫害发生量样本数据的相关性最高(敏感性最高)的第一气象样本数据。进一步的，基于主成分分析算法或逐步回归分析算法，计算各个气象类型组合的气象指标样本数据相对于虫害发生量样本数据和/或虫害膜位样本数据之间的第二相关性，从不同气象类型组合的气象指标样本数据中筛选出相对于虫害发生量样本数据和/或虫害膜位样本数据的相关性最高(敏感性最高)的第二气象样本数据。
例如，假设不同气象类型组合的气象指标样本数据有：温度、湿度、降水、温度+湿度、温度+降水、湿度+降水和温度+湿度+降水供7种不同的气象类型组合，分别计算这7种不同的气象类型组合对应气象指标样本数据所对应的第一相关性和第二相关性，在7种不同的气象类型组合对应气象指标样本数据中，筛选出对应第一相关性最高的气象指标样本数据作为第一气象样本数据，并在7种不同的气象类型组合对应气象指标样本数据中，筛选出对应第二相关性最高的气象指标样本数据作为第二气象样本数据。
S302：基于筛选后的所述气象指标样本数据、虫害发生时间、虫害发生量样本数据和虫害膜位样本数据，训练第一预测模型和第二预测模型。
在筛选出相关性最高的气象指标样本数据后，利用筛选出的气象指标样本数据、虫害发生时间、虫害发生量样本数据和虫害膜位样本数据对第一预测模型和第二预测模型进行训练。具体的，对第一预测模型和第二预测模型的训练包括步骤S3021-S3022：
S3021：基于所述第一气象样本数据、虫害发生时间和虫害发生量样本数据，训练第一预测模型。
S3022：基于所述第二气象样本数据、虫害发生量样本数据和虫害膜位样本数据，训练第二预测模型。
具体的，将第一气象样本数据作为输入，虫害发生时间和虫害发生量样本数据作为输出，对基于神经学习网络构建的第一预测模型进行训练，得到基于气象数据拟合虫害发生时间和虫害发生量变化准确度更高的第一预测模型。
在一个可能的实施例中，后续在将气象预报数据输入第一预测模型中时，可先根据第一气象样本数据对应的气象类型组合对气象预报数据进行预处理(包括在设定预测周期内不同类型害虫的有效积温的计算)，使得气象预报数据的气象类型组合与第一气象样本数据对应的气象类型组合一致，再将预处理后的气象预报数据输入到第一预测模型中，得到更准确的虫害预测时间和虫害预测量。
进一步的，将第二气象样本数据和虫害发生量样本数据作为输入，虫害膜位样本数据作为输出，对基于神经学习网络构建的第二预测模型进行训练，得到基于气象数据和虫害发生量拟合虫害膜位变化准确度更高的第二预测模型。
S303：获取目标地区在设定预测周期内的气象预报数据。
本实施例提供的气象预报数据包括气象指标数据，输入第一预测模型的气象指标数据根据不同气象类型组合的气象指标数据与虫害发生时间和/或虫害发生量的相关性筛选得到的，输入第二预测模型的气象指标数据根据不同气象类型组合的气象指标数据与虫害发生量和/或虫害膜位信息的相关性筛选得到的。其中不同气象类型组合的气象指标数据与虫害发生时间和/或虫害发生量的相关性(与第一相关性一致)，以及不同气象类型组合的气象指标数据与虫害发生量和/或虫害膜位信息的相关性(与第二相关性一致)，在第一预测模型和第二预测模型的训练过程中确定并记录。
例如在采集到目标地区在设定预测周期内的气象预报数据后，根据气象指标数据与虫害发生时间和/或虫害发生量的相关性，筛选出相关性最高的气象类型组合的气象指标数据，可将该气象指标数据输入到第一预测模型中，得到更准确的虫害预测时间和虫害预测量。进一步的，根据气象指标数据与虫害发生量和/或虫害膜位信息的相关性，筛选出相关性最高的气象类型组合的气象指标数据，可将该气象指标数据输入到第二预测模型中，得到更准确的虫害膜位信息。
S304：利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量。
S305：利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息。
S306：基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
上述，通过根据在设定预测周期内的气象预报数据，利用第一预测模型预测在设定预测周期内的虫害预测时间以及虫害预测量，并根据预测得到的虫害预测量，利用第二预测模型预测在设定预测周期内的虫害膜位信息，基于预测得到的虫害预测时间和虫害膜位信息输出虫害预测结果，通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据，减少因不同的工作人员的主观差异导致虫害预测效果不理想的情况。同时，根据不同气象类型组合的气象指标样本数据相对于虫害发生时间、虫害发生量样本数据和虫害膜位样本数据之间的相关性对气象指标样本数据进行筛选，再基于筛选后的气象指标样本数据训练第一预测模型和第二预测模型，提高第一预测模型和第二预测模型的预测精确度，实现虫害预测时间、虫害预测量和虫害膜位信息的精准预测。用户是否需要进行防治主要看所预测的虫害预测量是否达到默认或用户设置的设定虫量阈值，预测模型的主要功能是基于筛选后的敏感气象指标(气象指标数据)预测虫量变化，预测模型可准确预测虫害预测量达到设定虫量阈值的具体发生日期(虫害预测时间)以及发生膜位(膜位信息)，对植保防治指导针对性片防，减少全田普防的次数，有效实现成本节约与环保增效。
图4给出了本申请实施例提供的一种虫害预测装置的结构示意图。参考图4，该虫害预测装置包括气象获取模块41、第一预测模块42、第二预测模块43和结果分析模块44。
其中，所述气象获取模块41，用于获取目标地区在设定预测周期内的气象预报数据；所述第一预测模块42，用于利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量；所述第二预测模块43，用于利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息；所述结果分析模块44，用于基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
上述，通过根据在设定预测周期内的气象预报数据，利用第一预测模型预测在设定预测周期内的虫害预测时间以及虫害预测量，并根据预测得到的虫害预测量，利用第二预测模型预测在设定预测周期内的虫害膜位信息，基于预测得到的虫害预测时间和虫害膜位信息输出虫害预测结果，通过气象预报数据准确预测虫害预测时间和虫害膜位信息，为农作物的虫害防治提供更准确的参考依据，减少因不同的工作人员的主观差异导致虫害预测效果不理想的情况。
本申请实施例还提供了一种虫害预测设备，该虫害预测设备可集成本申请实施例提供的虫害预测装置。图5是本申请实施例提供的一种虫害预测设备的结构示意图。参考图5，该虫害预测设备包括：输入装置53、输出装置54、存储器52以及一个或多个处理器51；所述存储器52，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器51执行，使得所述一个或多个处理器51实现如上述实施例提供的虫害预测方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器52作为一种计算设备可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的虫害预测方法对应的程序指令/模块(例如，虫害预测装置中的气象获取模块41、第一预测模块42、第二预测模块43和结果分析模块44)。存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的虫害预测方法。
上述提供的虫害预测装置、设备和计算机可用于执行上述任意实施例提供的虫害预测方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的虫害预测方法，该虫害预测方法包括：获取目标地区在设定预测周期内的气象预报数据；
利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量；利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息；基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的虫害预测方法，还可以执行本申请任意实施例所提供的虫害预测方法中的相关操作。
上述实施例中提供的虫害预测装置、设备及存储介质可执行本申请任意实施例所提供的虫害预测方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的虫害预测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (12)
1.一种虫害预测方法，其特征在于，包括：
获取目标地区在设定预测周期内的气象预报数据；
利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量；
利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息；
基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
2.根据权利要求1所述的虫害预测方法，其特征在于，所述虫害预测量包括有翅虫害预测量和无翅虫害预测量，所述虫害膜位信息包括有翅虫害膜位信息和无翅虫害膜位信息；
所述基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果，包括：
从所述有翅虫害膜位信息和所述无翅虫害膜位信息中确定最大膜位信息；
基于所述虫害预测时间和所述最大膜位信息得到虫害预测结果。
3.根据权利要求1所述的虫害预测方法，其特征在于，所述气象预报数据包括气象指标数据，输入所述第一预测模型的气象指标数据是根据不同气象类型组合的气象指标数据与虫害发生时间和/或虫害发生量的相关性筛选得到的，输入所述第二预测模型的气象指标数据是根据不同气象类型组合的气象指标数据与虫害发生量和/或虫害膜位信息的相关性筛选得到的。
4.根据权利要求3所述的虫害预测方法，其特征在于，输入所述第一预测模型的气象指标是不同气象类型组合的气象指标中与虫害发生时间和/或虫害发生量的相关性最高的气象指标；
输入所述第二预测模型的气象指标是不同气象类型组合的气象指标中与虫害的发生量和/或膜位信息的相关性最高的气象指标。
5.根据权利要求3所述的虫害预测方法，其特征在于，所述相关性基于主成分分析算法或逐步回归分析算法计算得到。
6.根据权利要求1所述的虫害预测方法，其特征在于，所述方法还包括：
在所述虫害预测量达到设定虫量阈值和/或所述虫害膜位信息达到设定膜位阈值时，发出虫害预警和/或根据所述虫害预测结果从植保库中确定植保预防方案，所述植保库记录有不同虫害预测结果对应的植保预防方案。
7.根据权利要求1所述的虫害预测方法，其特征在于，所述方法还包括：
根据所述虫害膜位信息确定待作业区域；
生成所述待作业区域对应的作业任务；
将所述作业任务发送给无人机，以使无人机对所述待作业区域进行喷洒作业。
8.根据权利要求1所述的虫害预测方法，其特征在于，所述方法还包括：
根据所述目标地区的实际气象数据与对应的所述气象预报数据，对所述虫害预测结果进行校正。
9.根据权利要求8所述的虫害预测方法，其特征在于，所述根据所述目标地区的实际气象数据与对应的所述气象预报数据，对所述虫害预测结果进行校正，包括：
根据所述目标地区的实际气象数据对所述气象预报数据进行校正；
基于校正后的所述气象预报数据对所述虫害预测时间、所述虫害预测量和所述虫害膜位信息进行更新，以对所述虫害预测结果进行校正。
10.一种虫害预测装置，其特征在于，包括气象获取模块、第一预测模块、第二预测模块和结果分析模块，其中：
所述气象获取模块，用于获取目标地区在设定预测周期内的气象预报数据；
所述第一预测模块，用于利用训练好的第一预测模型，根据所述气象预报数据确定虫害预测时间和虫害预测量，所述第一预测模型可基于所述气象预报数据的输入，输出所述虫害预测时间和所述虫害预测量；
所述第二预测模块，用于利用训练好的第二预测模型，根据所述气象预报数据和所述虫害预测量确定虫害膜位信息，所述第二预测模型可基于所述气象预报数据与所述虫害预测量的输入，输出所述虫害膜位信息；
所述结果分析模块，用于基于所述虫害预测时间和所述虫害膜位信息得到虫害预测结果。
11.一种虫害预测设备，其特征在于，包括：存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9任一项所述的虫害预测方法。
12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9任一项所述的虫害预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111322776.1A CN113962476A (zh) | 2021-11-09 | 2021-11-09 | 一种虫害预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111322776.1A CN113962476A (zh) | 2021-11-09 | 2021-11-09 | 一种虫害预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962476A true CN113962476A (zh) | 2022-01-21 |
Family
ID=79469959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111322776.1A Pending CN113962476A (zh) | 2021-11-09 | 2021-11-09 | 一种虫害预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962476A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953262A (zh) * | 2023-03-15 | 2023-04-11 | 江苏慧禾融智信息技术有限公司 | 一种基于蛾虫驱赶调查的病虫害数据管理系统及方法 |
| CN116523149A (zh) * | 2023-07-04 | 2023-08-01 | 中化现代农业有限公司 | 微小害虫防治适期预测方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-09 CN CN202111322776.1A patent/CN113962476A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953262A (zh) * | 2023-03-15 | 2023-04-11 | 江苏慧禾融智信息技术有限公司 | 一种基于蛾虫驱赶调查的病虫害数据管理系统及方法 |
| CN116523149A (zh) * | 2023-07-04 | 2023-08-01 | 中化现代农业有限公司 | 微小害虫防治适期预测方法、装置、电子设备和存储介质 |
| CN116523149B (zh) * | 2023-07-04 | 2023-10-31 | 中化现代农业有限公司 | 微小害虫防治适期预测方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962476A (zh) | 一种虫害预测方法、装置、设备及存储介质 | |
| CN112602563A (zh) | 一种节水灌溉系统及精准灌溉方法 | |
| US11716985B2 (en) | Method for remediating developmentally delayed plants | |
| Skobelev et al. | Development of models and methods for creating a digital twin of plant within the cyber-physical system for precision farming management | |
| Fila et al. | Calibration and validation of grapevine budburst models using growth-room experiments as data source | |
| CN117078456B (zh) | 一种农林业病虫害监测管理系统 | |
| Richards et al. | A continental biomass stock and stock change estimation approach for Australia | |
| CN107609078A (zh) | 长势监测模型更新方法、传感器、服务器及系统 | |
| CN111985724A (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
| CN113627641A (zh) | 一种基于多参数融合的人工智能虫情预测的方法 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| US20230082714A1 (en) | Soil Property Model Using Measurements of Properties of Nearby Zones | |
| CN115936264A (zh) | 单日工程量计算方法、阶段性工程量预测方法及预测装置 | |
| CN116415488A (zh) | 一种土壤湿度预测方法、装置、电子设备及存储介质 | |
| WO2021124815A1 (ja) | 予測装置 | |
| CN108040840A (zh) | 灌溉控制方法 | |
| CN117610973B (zh) | 一种基于白蚁分布趋势的规划方法、系统及装置 | |
| CN113822495B (zh) | 基于机器学习模型的长势预测方法、装置、设备及介质 | |
| EP4173477A1 (en) | Method and device for optimisation of collection & processing of soil moisture data to be used in automatic instructions generation for optimal irrigation in agriculture | |
| CN117852724B (zh) | 一种林业有害生物的预测方法及系统 | |
| CN108040839A (zh) | 灌溉控制方法 | |
| CN115329148B (zh) | 一种基于多重大数据处理的数据筛选整合方法及系统 | |
| CN117077893A (zh) | 耕地智保数据分析方法及装置 | |
| Sharma et al. | Analysis of crowd sourced soil data for small scale ginger farms | |
| CN117350449A (zh) | 当茬作物施肥控制方法、装置、存储介质 |
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 |