CN114330931A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114330931A CN114330931A CN202210078708.3A CN202210078708A CN114330931A CN 114330931 A CN114330931 A CN 114330931A CN 202210078708 A CN202210078708 A CN 202210078708A CN 114330931 A CN114330931 A CN 114330931A
- Authority
- CN
- China
- Prior art keywords
- annual
- year
- grade
- litchi
- yield
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- 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桂平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；可以为生产者和管理者提供直接的田间管理措施和标准，如上一年10月的每日最低温度高于20℃时和收获当年2月的每日平均温度高于14℃时，可以通过地面铺设遮阳棚，降低日照强度，间接降低温度，有利于高产，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；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桂平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桂平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桂平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。
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。
作为本发明再进一步的方案：所述步骤四中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。
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，如上一年10月的每日最低温度高于20℃时和收获当年2月的每日平均温度高于14℃时，可以通过地面铺设遮阳棚，降低日照强度，间接降低温度，有利于高产；
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为桂平市荔枝X1与Y的关系图。
图2为桂平市荔枝X2与Y的关系图。
图3为桂平市荔枝X3与Y的关系图。
图4为桂平市荔枝X4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1～4，本发明实施例中，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，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10月的每日最低温度的平均和收获当年2月的每日平均温度的平均两个气象指标；
本发明影响荔枝产量大小年年型等级的上一年10月的每日最低温度的平均和收获当年2月的每日平均温度的平均两个气象指标；
本发明基于两个气象指标建立的二元回归预测模型和参数，即Y＝34.467-1.080×X1-0.595×X2(r＝0.997**，n＝7)其中y为产量大小年年型等级，X1、X2分别代表上一年10月的每日最低温度的平均和收获当年2月的每日平均温度的平均两个气象指标，a、b、c为模型参数。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100.0％；
本发明影响荔枝产量大年年型等级的气象指标范围为：上一年10月的每日最低温度≤20℃天数＞11d和收获当年2月的每日平均温度≤14℃天数＞15d。
实施例
1、数据和研究方法
麻垌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麻垌荔枝产量大小年年型等级数据，确定七年麻垌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桂平市麻垌荔枝产量大小年年型等级
| 大年 | 偏大年 | 平年 | 偏小年 | 小年 |
| 2012、2014 | 2016、2018 | 2013 | 2015、2017 |
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；桂平市逐年逐日气象数据来源于桂平气象站的气象数据。麻垌荔枝收获时间为6～7月，因此将其生长周期确定为8～7月，提取麻垌荔枝每个生长周期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麻垌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、影响麻垌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，最后确定两个变量为影响麻垌荔枝产量大小年年型等级的气象指标，见表2，相应的气象数据和模型自回归结果见表3；
表2影响麻垌荔枝产量大小年年型等级的原始气象指标
表3影响桂平市麻垌荔枝产量大小年年型等级原始气象指标数据和模型自回归结果
| 年 | X<sub>1</sub>(℃) | X<sub>2</sub>(℃) | Y | Y′ | Y′-Y |
| 2012 | 20.4 | 12.4 | 5 | 5.07 | 0.07 |
| 2013 | 21.5 | 15.9 | 2 | 1.79 | -0.21 |
| 2014 | 20.5 | 12.6 | 5 | 4.81 | -0.19 |
| 2015 | 21.8 | 16.6 | 1 | 1.06 | 0.06 |
| 2016 | 21.2 | 12.8 | 4 | 4.00 | 0.00 |
| 2017 | 22.7 | 15.0 | 1 | 1.08 | 0.08 |
| 2018 | 20.3 | 14.0 | 4 | 4.19 | 0.19 |
住：表中Y为年型等级赋值、Y′为通过模型自回归预测的年型等级、(Y′-Y)为预测误差
3、桂平市原始气象指标之间相关关系
表4为影响麻垌荔枝产量大小年原始气象指标之间的相关关系，说明：上一年10月的每日最低温度的平均与当年2月的每日平均温度的平均呈正相关，但是未达到显著相关水平；
表4桂平市气象指标之间相关关系
| X<sub>1</sub>(mm) | x<sub>2</sub>(℃) | |
| X<sub>1</sub>(mm) | 1 | |
| X<sub>2</sub>(℃) | 0.658 | 1 |
注：r0.05＝0.754，r0.01＝0.874，n＝7
4、桂平市单一气象指标与麻垌荔枝产量大小年年型等级的关系
分别做表3中的桂平市两个2月的每日平均温度的平均与麻垌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和图2，而图3和图4分别为对应的两个原始气象指标转化为天数的两个气象指标，合计四个气象指标；
图1说明：麻垌荔枝产量大小年年型等级与桂平市上一年10月的每日最低温度的平均呈极显著负相关关系；当X1＜20.7℃时，年型等级为大年和偏大年。回归方程为Y＝0.3166×X1 2-15.411×X1+187.34，r＝0.906**(n＝7)。
表5桂平市上一年10月的每日最低温度(℃)
图3说明：桂平市麻垌荔枝产量大小年年型等级与桂平市收获当年2月的每日平均温度的平均呈极显著负相关关系；当X2＜13℃时，年型等级为大年。回归方程为Y＝0.107×X2 2-4.037×X2+38.546，r＝-0.921**(n＝7)。
由表5和表3相关数据制作成图3，图3和表5说明：桂平市上一年10月的每日最低温度≤20℃天数＞11d，才能保证大年或偏大年年型。回归方程为Y＝0.005×X1(1) 2+0.229×X1(1)+0.145，r＝0.904**(n＝7)。
表6桂平市当年2月的每日平均温度(℃)
由表6和表3相关数据制作成图4，图4和表6说明：桂平市收获当年2月的每日平均温度≤14℃天数＞15d时，才能保证大年或偏大年年型。回归方程为Y＝－0.041×X2(1) 2+1.576×X2(1)－10.595，r＝0.931**(n＝7)。
5、桂平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：使用表3中的X1、X2与Y进行二元回归，得到预测模型：Y(1)＝34.467－1.080×X1－0.595×X2(r＝0.997**，n＝7)，自回归合格率按年型预测误差±0.5个等级计算，合格率为100％，结果见表7。
(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5和表6中的X3、X4与Y进行二元回归，进行二元回归，得到回归方程Y(2)＝－1.604+0.209×X3+0.171×X4(r＝0.964**，n＝7)，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100.0％，结果见表7。
(3)所有气象指标组合的综合预测模型：使用表3、表5和表6中的X1、X2、X3、X4与Y四个气象指标进行四元回归，得到回归方程Y(3)＝72.897－2.750×X1－0.600×X2－0.308×X3+0.018×X4(r＝0.999**，n＝7)，模型自回归合格率按年型等级预测误差±0.2个等级计算，合格率为100.0％，结果见表7。
表7桂平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、桂平市荔枝已知七年产量大小年年型等级的气象指标范围
表8为桂平荔枝已知七年产量大小年年型等级的气象指标范围，可见大年和偏大年的四项指标与偏小年和小年的不重叠，说明指标选择的合理。
表8桂平市荔枝已知七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 (5)
1.一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，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。
2.根据权利要求1所述的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，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桂平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桂平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。
5.根据权利要求1所述的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，其特征在于：所述步骤四中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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210078708.3A CN114330931A (zh) | 2022-01-24 | 2022-01-24 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210078708.3A CN114330931A (zh) | 2022-01-24 | 2022-01-24 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330931A true CN114330931A (zh) | 2022-04-12 |
Family
ID=81028543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210078708.3A Pending CN114330931A (zh) | 2022-01-24 | 2022-01-24 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330931A (zh) |
Cited By (3)
| 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 |
| CN115600760A (zh) * | 2022-11-09 | 2023-01-13 | 南宁师范大学（Cn） | 一种甘蔗区域单产预测方法及系统 |
| CN117172385A (zh) * | 2023-09-15 | 2023-12-05 | 数字广西集团有限公司 | 一种甘蔗高糖度收获期预测方法及系统 |
-
2022
- 2022-01-24 CN CN202210078708.3A patent/CN114330931A/zh active Pending
Cited By (4)
| 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 |
| CN115600760A (zh) * | 2022-11-09 | 2023-01-13 | 南宁师范大学（Cn） | 一种甘蔗区域单产预测方法及系统 |
| CN117172385A (zh) * | 2023-09-15 | 2023-12-05 | 数字广西集团有限公司 | 一种甘蔗高糖度收获期预测方法及系统 |
| CN117172385B (zh) * | 2023-09-15 | 2024-03-19 | 数字广西集团有限公司 | 一种甘蔗高糖度收获期预测方法及系统 |
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 | |
| Ahamed et al. | Applying data mining techniques to predict annual yield of major crops and recommend planting different crops in different districts in Bangladesh | |
| Gurgiser et al. | Comparing peasants' perceptions of precipitation change with precipitation records in the tropical Callejón de Huaylas, Peru | |
| US20090099776A1 (en) | System and method for sugarcane yield estimation | |
| CN111898922A (zh) | 一种多尺度农作物产量评估方法及系统 | |
| Sher | Forecasting Wheat Production in Pakistan Falak Sher and Eatzaz Ahmad | |
| CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
| Rale et al. | Prediction of crop cultivation | |
| Rahman et al. | Machine learning facilitated rice prediction in Bangladesh | |
| CN112352523B (zh) | 一种基于智能决策的茶园水肥灌溉控制方法和系统 | |
| CN111275569B (zh) | 一种烤烟产区生态特征测定方法、系统、存储介质、终端 | |
| Baigorria et al. | Assessing predictability of cotton yields in the southeastern United States based on regional atmospheric circulation and surface temperatures | |
| 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 | |
| Angon et al. | Cropland mapping expansion for production forecast: rainfall, relative humidity and temperature estimation | |
| CN112945881A (zh) | 一种基于高光谱特征参数的马铃薯叶片含水量监测方法 | |
| Viola et al. | Olive yield and future climate forcings | |
| CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
| 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 | |
| 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 | |
| Jing et al. | Prediction of crop phenology—A component of parallel agriculture management | |
| CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
| Abubakar et al. | What does modelling tells us on the influence of certain weather parameters on oil palm production in Peninsular Malaysia | |
| CN113408793A (zh) | 一种基于气象条件的荔枝大小年区域预报模型的构建方法 | |
| CN112945882A (zh) | 一种基于高光谱的马铃薯植株水分监测灌溉方法 | |
| Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields |
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 |