CN114219183A - 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 - Google Patents
一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 Download PDFInfo
- Publication number
- CN114219183A CN114219183A CN202210078675.2A CN202210078675A CN114219183A CN 114219183 A CN114219183 A CN 114219183A CN 202210078675 A CN202210078675 A CN 202210078675A CN 114219183 A CN114219183 A CN 114219183A
- Authority
- CN
- China
- Prior art keywords
- year
- litchi
- grade
- annual
- meteorological
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 241001347978 Major minor Species 0.000 title claims abstract description 7
- 241001629511 Litchi Species 0.000 title claims description 67
- 238000003306 harvesting Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 244000183278 Nephelium litchi Species 0.000 abstract description 11
- 239000010408 film Substances 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002262 irrigation Effects 0.000 abstract description 3
- 238000003973 irrigation Methods 0.000 abstract description 3
- 239000010409 thin film Substances 0.000 abstract description 3
- 244000025254 Cannabis sativa Species 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 22
- 235000013399 edible fruits Nutrition 0.000 description 8
- 235000015742 Nephelium litchi Nutrition 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其构建方法步骤如下：步骤一：区域荔枝产量大小年年型等级数据收集；步骤二：气象数据确定；步骤三：气象指标筛选；步骤四：预测模型确定；本发明在技术使用上：可以为生产者和管理者提供直接的田间管理措施和标准，如收获上一年12月1日到1月15日期间通过铺设反光膜或薄膜覆盖，增强日照强度；收获当年5月1日到6月30日地面可以铺设反光膜，增加气温，有条件时可以薄膜覆盖矮的荔枝树，增加日照强度，同时本发明在社会效益上：遮阳棚、灌溉和地面覆草等措施在荔枝主产区是常规栽培技术，易容推广应用。
Description
技术领域
本发明涉及园艺作物产量定量预测技术领域，具体是一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法。
背景技术
荔枝是对气候条件要求最为严格的热带亚热带果树之一。荔枝为多年生果树，每年产量波动主要受生产周期内气象条件的影响，当以产量大年为100％时，小年产量为30％以下，即荔枝产量每年最大波动幅度约70％。行业上将产量在不同年际间的变化称之为果树大小年现象，即大年产量高、小年产量低。以往对果树大小年产生原因的研究结果可以归纳为四个方面，即气象条件、以土壤为主的立地条件、管理方法和果树自身特征，这四个方面共同左右着每个生产周期的产量。
受数据和研究方法限制，以往的研究多数为描述性或半定量或短期研究，未形成系统性的可定量预测产量的技术。一般地，现代生产管理技术不至于造成产量的大幅度波动，此项影响可略；施肥和灌溉能够及时补充大年后的土壤养分和水分相对匮乏状态；未发现果树明显的自身特征而形成有规律的大小年波动现象；而每个生长周期的气象条件却具有明显的不同，研究表明它是影响果树大小年产生的主要不确定因素。荔枝产量大小年年型等级难题一直没有得到解决，根本原因在于没有找到关键的定量影响因素。
发明内容
本发明的目的在于提供一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其构建方法步骤如下：
步骤一：区域荔枝产量大小年年型等级数据收集；
步骤二：气象数据确定；
步骤三：气象指标筛选；
步骤四：预测模型确定；
使用筛选出来的多个指标与荔枝产量年型等级建立多元回归模型，最后以模型自回归合格率80％以上为模型合格率标准确定预测模型和参数。
作为本发明进一步的方案：所述步骤一中通过实地调查和公开信息确定近些年区域荔枝产量大小年年型等级数据(包括年的数量和每年的年型等级)，分为大年、偏大年、平年、偏小年、小年五级，分别赋值5、4、3、2、1，作为因变量Y；确定开始收获月，以便确定下一个生产周期的气象条件起始月，针对未收获前就已进入下一个花芽分化期的品种，起始月应该提前到花芽分化期当月。
作为本发明再进一步的方案：所述步骤二中使用有年型等级数据的对应生长周期的区域逐日气象数据，包括平均温度、最高温度、最低温度、平均相对湿度、最小相对湿度、日照时数和降水量。
作为本发明再进一步的方案：所述步骤三中筛选与荔枝产量年型等级呈显著或极显著相关关系的气象指标。
与现有技术相比，本发明的有益效果是：
1、本发明是在对近些年区域荔枝单产调查和观测的基础上，将荔枝产量等级划分成大年、偏大年、平年、偏小年、小年五个等级，并赋值5、4、3、2、1，然后将年型等级赋值与逐月逐日的气象因素进行一一匹配和分析，最后优选出影响荔枝产量大小年年型等级的气象指标，再进行多元回归建模，经过对模型自回归检验后确定预测模型和参数，从而为荔枝产量大小年年型等级预测提供大数据算法、模型和参数。
2、本发明创造性：建立基于每个生长周期气象条件的荔枝产量年型等级区域预测模型，充分挖掘出气象数据的生产潜力，诠释数据就是生产资料的科学依据。
3、本发明新颖性：通过大数据分析，精准确定影响荔枝产量年型等级气象条件的指标、时段和以天为单位的时间步长，为田间管理决策制定和措施实施提供具体调控指标和标准。
4、本发明实用性：确定了气象影响指标的具体时间段和最佳范围，使生产者容易掌握和调控这些指标，能够显著提高预测模型的实用性。
5、本发明在技术使用上：可以为生产者和管理者提供直接的田间管理措施和标准，如收获上一年12月1日到1月15日期间通过铺设反光膜或薄膜覆盖，增强日照强度；收获当年5月1日到6月30日地面可以铺设反光膜，增加气温，有条件时可以薄膜覆盖矮的荔枝树，增加日照强度；收获当年5月1日到6月20日通过薄膜覆盖、铺设反光膜等措施增加气温、间接降低空气湿度；收获当年5月1日到6月30期间铺设反光膜或薄膜覆盖，增强日照强度。
6、本发明在经济效益上：荔枝是单产波动最大的水果之一，在荔枝主产区，与小年单产相比，通过微气象条件的调控，单产增加50％以上是完全可能的，经济效益非常巨大。
7、本发明在社会效益上：遮阳棚、灌溉和地面覆草等措施在荔枝主产区是常规栽培技术，易容推广应用。
附图说明
图1为北流市荔枝X1与Y的关系图。
图2为北流市荔枝X2与Y的关系图。
图4为北流市荔枝X3与Y的关系图。
图6为北流市荔枝X4与Y的关系图。
图3为北流市荔枝X5与Y的关系图。
图5为北流市荔枝X6与Y的关系图。
图7为北流市荔枝X7与Y的关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1～7，本发明实施例中，一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其构建方法步骤如下：
步骤一：区域荔枝产量大小年年型等级数据收集；
通过实地调查和公开信息确定近些年区域荔枝产量大小年年型等级数据(包括年的数量和每年的年型等级)，分为大年、偏大年、平年、偏小年、小年五级，分别赋值5、4、3、2、1，作为因变量Y；确定开始收获月，以便确定下一个生产周期的气象条件起始月，针对未收获前就已进入下一个花芽分化期的品种，起始月应该提前到花芽分化期当月；
步骤二：气象数据确定；
使用有年型等级数据的对应生长周期的区域逐日气象数据，包括平均温度、最高温度、最低温度、平均相对湿度、最小相对湿度、日照时数和降水量；
步骤三：气象指标筛选；
筛选与荔枝产量年型等级呈显著或极显著相关关系的气象指标；
步骤四：预测模型确定；
使用筛选出来的多个指标与荔枝产量年型等级建立多元回归模型，最后以模型自回归合格率80％以上为模型合格率标准确定预测模型和参数；
本发明确定了影响荔枝产量大小年年型等级的气象指标，即上一年12月1日到1月15的每日日照时数的累计、收获当年5月1日到6月30日的每日最高温度的平均、收获当年5月1日到6月20日的每日最小湿度的平均和收获当年5月1日到6月30的每日日照时数的累计四个气象指标；
影响荔枝产量大小年年型等级的上一年12月1日到1月15的每日日照时数的累计、收获当年5月1日到6月30日的每日最高温度的平均、收获当年5月1日到6月20日的每日最小湿度的平均和收获当年5月1日到6月30的每日日照时数的累计四个气象指标；
基于这四个气象指标建立的四元回归预测模型和参数，即Y＝-115.314+0.008×X1+3.437×X2+0.125×X3+0.00002×X4(r＝0.971**)，其中y为产量大小年年型等级，X1、X2、X3、X4分别代表上一年12月1日到1月15的每日日照时数的累计、收获当年5月1日到6月30日的每日最高温度的平均、收获当年5月1日到6月20日的每日最小湿度的平均和收获当年5月1日到6月30的每日日照时数的累计。模型自回归合格率按年型等级预测误差±1.0个等级计算，合格率为100.0％，见表3。
保护影响荔枝产量大年或偏大年型等级的气象指标范围为：在收获上一年12月1日到1月15日期间，每日日照时数的累计＞200h；收获当年5月1日到6月30日的每日最高温度的平均≥32℃天数＞35d；收获当年5月1日到6月20日的每日最小湿度的平均≤60％天数＞32d；收获当年5月1日到6月30的每日日照时数≥6h天数＞32d。
实施例：
1、北流市荔枝产量大小年年型等级数据：通过实地调查、公开信息和数据分析整理近年北流市荔枝产量大小年年型等级数据，确定九年北流市荔枝产量大小年年型等级，分为5级，并将大年、偏大年、平年、偏小年、小年(Y)分别赋值5、4、3、2、1，结果见表1。
表1北流市荔枝产量大小年年型等级
| 大年 | 偏大年 | 平年 | 偏小年 | 小年 |
| 2007、2018 | 2014、2016 | 2012 | 1991 | 2000、2001、2019 |
气象数据：本案例中所使用的气象数据主要包括逐日的平均温度、最高温度、最低温度、平均相对湿度、最小相对湿度、日照时数和降水量，数据来源于《中国气象科学数据共享服务网》(http：//cdc.nmic.cn)中国756个基本、基准地面气象观测站气候资料年值数据集；北流市逐年逐日气象数据来源于玉林气象站1991-2016年和广东信宜气象站2017-2019年的气象数据。北流市荔枝收获时间为6～7月，因此将其生长周期确定8～7月，提取北流市荔枝每个生长周期年8～7月的7个气象指标(平均温度、最高温度、最低温度、平均相对湿度、最小相对湿度的月均值和日照时数、降水量的月累计值)的数据，此处8～12月为上一年气象数据，1～7月为收获当年气象数据。
模型建立方法：采用统计分析方法建立基于气象条件的北流市荔枝产量大小年年型等级预测模型，统计方法包括一元和多元回归；使用Excel和自编软件进行数据分析和建模；
2、影响北流市荔枝产量大小年年型等级的气象指标
经过多种算法和大数据计算，最后确定四个变量为影响北流市荔枝产量大小年年型等级的气象指标，结果见表2，相应的气象数据和模型自回归结果见表3。
表2影响北流市荔枝产量大小年年型等级的原始气象指标
| 变量和单位 | 定义和与年型等级的关系 |
| X<sub>1</sub>(h) | 上一年12月1日到1月15的每日日照时数的累计；正相关 |
| X<sub>2</sub>(℃) | 收获当年5月1日到6月30日的每日最高温度的平均；正相关 |
| X<sub>3</sub>(％) | 收获当年5月1日到6月20日的每日最小湿度的平均；负相关 |
| X<sub>4</sub>(h) | 收获当年5月1日到6月30的每日日照时数的累计；正相关 |
表3影响北流市荔枝产量大小年年型等级的原始气象数据和模型自回归结果
| 年 | X<sub>1</sub>(h) | X<sub>2</sub>(℃) | X<sub>3</sub>(％) | X<sub>4</sub>(h) | Y | Y′ | Y′-Y |
| 1991 | 160.1 | 31.4 | 64.4 | 306.4 | 2 | 2.19 | 0.19 |
| 2000 | 178.9 | 31.3 | 60.3 | 277.1 | 1 | 1.21 | 0.21 |
| 2001 | 171.9 | 30.9 | 65.8 | 237.7 | 1 | 0.78 | -0.22 |
| 2007 | 212.1 | 32.5 | 53.8 | 385.1 | 5 | 4.81 | -0.19 |
| 2012 | 136.4 | 32.0 | 60.9 | 253.9 | 3 | 3.04 | 0.04 |
| 2014 | 235.6 | 31.8 | 64.7 | 258.9 | 4 | 4.03 | 0.03 |
| 2016 | 76.2 | 32.3 | 61.0 | 340.5 | 4 | 3.98 | -0.02 |
| 2018 | 207.6 | 32.3 | 58.1 | 396.2 | 5 | 5.07 | 0.07 |
| 2019 | 134.8 | 30.9 | 67.7 | 277.9 | 1 | 0.90 | -0.10 |
3、北流市原始气象指标之间相关关系
表4为影响北流市荔枝产量大小年原始气象指标之间的相关关系，说明：收获当年5月1日到6月30日的每日最高温度的平均与当年5月1日到6月20日的每日最小湿度的平均呈极显著的负相关，即温度越高，湿度越小；同期的最高温度与日照时数呈显著正相关，说明日照时数越多，温度越高；同期的日照时数越多，湿度越小。
表4北流市原始气象指标之间相关关系
| r | X<sub>1</sub>(h) | X<sub>2</sub>(℃) | X<sub>3</sub>(％) | X<sub>4</sub>(h) |
| X<sub>1</sub>(h) | 1 | |||
| X<sub>2</sub>(℃) | 0.117 | 1 | ||
| X<sub>3</sub>(％) | -0.249 | -0.819** | 1 | |
| X<sub>4</sub>(h) | 0.121 | 0.727* | -0.746* | 1 |
注：r0.05＝0.666，r0.01＝0.798，n＝9
4、北流市单一气象指标与荔枝产量大小年年型等级的关系
分别做表3中的北流市四个原始气象指标与荔枝产量大小年年型等级关系的散点图，并配回归方程，结果分别见图1、图2、图3和图4。X1未找到可以转化的对应天数的气象指标；图5、图6、图7分别为X2、X3、X4转化为天数的气象指标，包括四个原始气象指标在内被选中气象指标有七个；
图1说明：扣除图中最左边的一个点，随X1增大，北流市荔枝产量大小年年型等级增大，呈显著正相关；当X1＞200h时，年型以大年和偏大年为主。回归方程为Y＝0.0004×X1 2-0.129×X1+11.222，r＝0.731*(n＝9)；
表5为北流市上一年12月1日到1月15的每日日照时数
图2说明：北流市收获当年5月1日到6月30日的每日最高温度的平均与荔枝大小年年型等级呈极显著正相关关系；随X2增加，年型等级增大，当X2＞32.2℃时，年型以大年和偏大年为主。回归方程为Y＝0.395×X2 2－22.309×X2+313.57，r＝0.955**(n＝9)；
表6北流市收获当年5月1日到6月30日的每日最高温度(℃)
图3说明：随当年5月1日到6月20日的每日最小湿度的平均X3的减少，北流市荔枝产量大小年年型等级增大，呈显著负相关关系；当X3＜60％时，为大年。回归方程为y＝0.00002×X3 2－0.297×X3+21.052，r＝－0.705*(n＝9)；
表7北流市当年5月1日到6月20日的每日最小湿度(℃)
图4说明：随X4增加，北流市荔枝产量大小年年型等级增大；当X4＞350h时，为大年。回归方程为Y＝0.00007×X4 2－0.026×X4+3.580，r＝0.765*(n＝9)；
表8北流市当年5月1日到6月30的每日日照时数(h)
由表6和表3相关数据制作成图5，图5和表6说明：当年5月1日到6月30日的每日最高温度≥32℃天数＞35d时，才能保证大年或偏大年。回归方程为Y＝0.015×X5 2－0.672×X5+8.257，r＝0.866**(n＝9)；
由表7和表3相关数据制作成图6，图6和表7说明：北流市当年5月1日到6月20日的每日最小湿度≤60％天数＞32d，才能保证大年或偏大年。回归方程为Y＝0.007×X6 2－0.224×X6+3.641，r＝0.684*(n＝9)；
由表8和表3相关数据制作成图7，图7和表8说明：北流市当年5月1日到6月30的每日日照时数≥6h天数＞32d，才能保证大年或偏大年。回归方程为Y＝0.007×X7 2－0.180×X7+2.928，r＝0.705*(n＝9)；
5、北流市荔枝产量大小年年型等级预测模型
(1)基于原始气象指标组合的综合预测模型：对北流市九年已知荔枝产量大小年年型等级赋值(Y)与使用表3中的X1、X2、X3、X4进行四元回归，得到预测模型：Y(1)＝－110.573+0.008×X1+3.111×X2+0.188×X3+0.006×X4(r＝0.989**，n＝9)，自回归合格率按年型等级预测误差±0.5个等级计算，合格率为100.0％，结果见表9。
(2)基于原始气象指标组合中某些指标被以天数指标替换后的综合预测模型：使用表3中的X1、X5、X6、X7进行四元回归，得到回归方程Y(2)＝－6.934－0.001×X1+0.288×X5－0.023×X6+0.038×X7(r＝0.901**，n＝9)，模型自回归合格率按年型等级预测误差±1个等级计算，合格率为77.8％，结果见表9。从这一结果可见，转化为天数的指标最好与原始筛选出来的指标一起使用。
(3)所有气象指标组合的综合预测模型：由于样本数量少，北流市荔枝剔除X6变量未参加建模，使用表3中的X1、X2、X3、X4、X5、X7与Y进行六元回归，得到回归方程Y＝－135.904+0.013×X1+4.002×X2+0.193×X3+0.013×X4－0.154×X5－0.038×X7(r＝0.997**，n＝9)，模型自回归合格率按年型等级预测误差±0.5个等级计算，合格率为100.0％，结果见表9。
表9北流市荔枝产量大小年年型等级模型自回归结果
注：表中Y为年型等级赋值,Y1～3＇为通过模型自回归预测的年型等级、(Y1～3'-Y)为预测误差。
6、北流市荔枝产量大小年年型等级气象指标范围
北流市已知九年荔枝产量大小年年型等级的气象指标范围见表10，可见除大年和偏大年的X1指标范围重叠外，大年的其他6项指标范围与其他年型的不重叠，说明指标选择的合理，可以使用建模预测或指标条件判别预测产量年型。
表10北流市荔枝已知九年产量大小年年型等级的气象指标范围
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其特征在于：其构建方法步骤如下：
步骤一：区域荔枝产量大小年年型等级数据收集；
步骤二：气象数据确定；
步骤三：气象指标筛选；
步骤四：预测模型确定；
使用筛选出来的多个指标与荔枝产量年型等级建立多元回归模型，最后以模型自回归合格率80％以上为模型合格率标准确定预测模型和参数。
2.根据权利要求1所述的基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其特征在于：所述步骤一中通过实地调查和公开信息确定近些年区域荔枝产量大小年年型等级数据(包括年的数量和每年的年型等级)，分为大年、偏大年、平年、偏小年、小年五级，分别赋值5、4、3、2、1，作为因变量Y；确定开始收获月，以便确定下一个生产周期的气象条件起始月，针对未收获前就已进入下一个花芽分化期的品种，起始月应该提前到花芽分化期当月。
3.根据权利要求1所述的基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其特征在于：所述步骤二中使用有年型等级数据的对应生长周期的区域逐日气象数据，包括平均温度、最高温度、最低温度、平均相对湿度、最小相对湿度、日照时数和降水量。
4.根据权利要求1所述的基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法，其特征在于：所述步骤三中筛选与荔枝产量年型等级呈显著或极显著相关关系的气象指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210078675.2A CN114219183A (zh) | 2022-01-24 | 2022-01-24 | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210078675.2A CN114219183A (zh) | 2022-01-24 | 2022-01-24 | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219183A true CN114219183A (zh) | 2022-03-22 |
Family
ID=80708671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210078675.2A Pending CN114219183A (zh) | 2022-01-24 | 2022-01-24 | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219183A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310290A (zh) * | 2022-08-10 | 2022-11-08 | 南宁师范大学 | 一种荔枝区域产量年型预测模型的构建方法 |
-
2022
- 2022-01-24 CN CN202210078675.2A patent/CN114219183A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310290A (zh) * | 2022-08-10 | 2022-11-08 | 南宁师范大学 | 一种荔枝区域产量年型预测模型的构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114330931A (zh) | 一种基于气象条件的桂平荔枝产量大小年年型等级区域预测模型的构建方法 | |
| Vasseur et al. | Climate as a driver of adaptive variations in ecological strategies in Arabidopsis thaliana | |
| CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
| CN110909973B (zh) | 考虑下垫面条件的旱情综合监测评估方法 | |
| Sher | Forecasting Wheat Production in Pakistan Falak Sher and Eatzaz Ahmad | |
| CN111898922A (zh) | 一种多尺度农作物产量评估方法及系统 | |
| Ale et al. | Determining optimum irrigation termination periods for cotton production in the Texas High Plains | |
| CN114254964B (zh) | 水稻区域气候品质评估方法及系统 | |
| Baigorria et al. | Assessing predictability of cotton yields in the southeastern United States based on regional atmospheric circulation and surface temperatures | |
| CN114897423B (zh) | 基于作物水分指示线的农田灌溉概率指数计算方法 | |
| CN114219183A (zh) | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 | |
| Gong et al. | Distribution characteristics of climate potential productivity of soybean in frigid region and its response to climate change | |
| Salvador et al. | Farmers’ scheduling patterns in on-demand pressurized irrigation | |
| CN111582742A (zh) | 一种基于气象评价农产品品质的方法及系统 | |
| Kang et al. | Examining the Impact of Weather Factors on Yield Industry Vitalization on Big Data Foundation Technique | |
| Angon et al. | Cropland mapping expansion for production forecast: rainfall, relative humidity and temperature estimation | |
| CN109615149B (zh) | 一种确定甜菜气象产量的方法和系统 | |
| CN116523673A (zh) | 数字烟田智慧农业系统 | |
| CN109063896B (zh) | 一种东北地区融雪径流开始日期的识别方法 | |
| CN115166866A (zh) | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 | |
| CN114358442A (zh) | 一种基于气象条件的合浦荔枝产量大小年年型等级区域预测模型的构建方法 | |
| Sodha et al. | Crop management of agricultural products using time series analysis | |
| CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
| CN113850465A (zh) | 一种无资料地区的水文干旱监测系统 | |
| CN111626638A (zh) | 夏玉米倒伏气象等级评估模型的构建与应用 |
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 |