CN115205695A - 一种根据种植数据确定种植策略的方法和系统 - Google Patents

一种根据种植数据确定种植策略的方法和系统 Download PDF

Info

Publication number
CN115205695A
CN115205695A CN202210353963.4A CN202210353963A CN115205695A CN 115205695 A CN115205695 A CN 115205695A CN 202210353963 A CN202210353963 A CN 202210353963A CN 115205695 A CN115205695 A CN 115205695A
Authority
CN
China
Prior art keywords
planting
data
information
block
determining
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.)
Granted
Application number
CN202210353963.4A
Other languages
English (en)
Other versions
CN115205695B (zh
Inventor
孙彤
黄桂恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Brick Suzhou Agricultural Internet Co ltd
Original Assignee
Brick Suzhou Agricultural Internet Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Brick Suzhou Agricultural Internet Co ltd filed Critical Brick Suzhou Agricultural Internet Co ltd
Priority to CN202210353963.4A priority Critical patent/CN115205695B/zh
Publication of CN115205695A publication Critical patent/CN115205695A/zh
Application granted granted Critical
Publication of CN115205695B publication Critical patent/CN115205695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种根据种植数据确定种植策略的方法和系统，该方法包括：获取目标区域的遥感数据、气象数据以及土壤数据；基于遥感数据确定目标区域的种植区块信息以及种植作物信息，其中种植区块信息包括区块划分信息、区块边界信息、区块从属信息中的至少一种；通过产量评估模型对遥感数据、气象数据以及土壤数据进行处理，确定与种植作物信息对应的单位面积产量；根据种植作物价格信息、种植成本信息、单位面积产量以及种植区块信息确定种植区块的收益数据；以及基于收益数据确定种植区块的种植策略。

Description

一种根据种植数据确定种植策略的方法和系统
技术领域
本说明书涉及智慧农业领域，特别涉及一种根据种植数据确定种植策略的方法和系统。
背景技术
随着信息技术在农业经济发展中的应用，农业生产逐渐智能化。当前，信息技术在农业发展中的应用主要涉及选种、种植技术、病虫害预防、灾害预防、产量预估、农副产品加工销售等方面，形成了各种各样的农业信息系统。但各信息系统相互孤立、信息共享程度低，特别是缺少与民政补贴、信贷、保险等社会管理数据的融合。而农业生产不仅依靠选种、种植、病虫害灾害预防、产量预估等方面的技术。通过各方面信息的统筹与综合分析，有助于农业发展的精准决策。
因此，希望提出一种根据种植数据确定种植策略的方法和系统。
发明内容
本说明书一个或多个实施例提供一种根据种植数据确定种植策略的方法。所述方法包括：获取目标区域的遥感数据、气象数据以及土壤数据；基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息，所述种植区块信息包括区块划分信息、区块边界信息、区块从属信息中的至少一种；通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量；根据种植作物价格信息、种植成本信息、所述单位面积产量以及所述种植区块信息确定所述种植区块的收益数据；以及基于所述收益数据确定所述种植区块的种植策略。
本说明书一个或多个实施例提供一种根据种植数据确定种植策略的系统，所述系统包括数据获取模块，用于获取目标区域的遥感数据、气象数据以及土壤数据；区块确定模块，基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息，所述种植区块信息包括区块划分信息、区块边界信息、区块从属信息中的至少一种；产量预估模块，用于通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量；收益预估模块，用于根据种植作物价格信息、种植成本信息、所述单位面积产量以及所述种植区块信息确定所述种植区块的收益数据；以及策略确定模块，用于基于所述收益数据确定所述种植区块的种植策略。
本说明书一个或多个实施例提供一种根据种植数据确定种植策略的装置，包括处理器，所述处理器用于执行本说明书实施例提供的根据种植数据确定种植策略的方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书实施例提供的根据种植数据确定种植策略的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的种植策略确定系统的应用场景示意图；
图2是根据本说明书一些实施例所示的种植策略确定系统的示例性模块图；
图3是根据本说明书一些实施例所示的根据种植数据确定种植策略的方法的示例性流程图；
图4是根据本说明书一些实施例所示的种植区块信息以及种植作物信息的确定方法的示例性流程图；
图5是根据本说明书一些实施例所示的补助人员收益的预警方法的示例性流程图；
图6是根据本说明书一些实施例所示的基于种植投入信息确定单位面积产量的方法的示例性流程图；
图7是根据本说明书一些实施例所示的种植数据的监控方法的示例性流程图；
图8是根据本说明书一些实施例所示的产量评估模型的训练方法的示例图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的种植策略确定系统的应用场景示意图。
在一些实施例中，基于种植策略确定系统可以通过实施本说明书中披露的方法和/或过程确定种植区块的种植策略。种植策略确定系统可以用于多种场景，例如，农作物种植指导场景、种植收益评估场景、惠农助农场景等。
如图1所示，本说明书实施例所涉及种植策略确定系统的应用场景100可以包括处理设备110、网络120、存储设备130、采集系统140、终端150。在一些实施例中，应用场景 100中的组件可以经由网络120以实现彼此连接和/或通信。例如，处理设备110可以通过网络连接存储设备130、采集系统140、终端150以访问信息和/或数据。又例如，处理设备110 可以从采集系统140获取采集数据和/或信息，并对获取的数据和/或信息进行处理。
处理设备110可以用于处理与应用场景100有关的信息和/或数据，例如，遥感数据、气象数据、土壤数据等。处理设备110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。
网络120可以连接应用场景100的各组成部分和/或连接应用场景100与外部资源部分。网络使得应用场景100的各组成部分之间，以及应用场景100的各组成部分与应用场景 100之外其他部分之间可以进行通讯，促进数据和/或信息的交换，例如，处理设备110可以通过网络120访问信贷系统、保险系统或其他相关系统。
在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点、基站、交换点等。在一些实施例中，交换点可以是通信基站，例如，移动通信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)等。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
存储设备130可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储处理设备110用来执行或使用以完成本说明书中描述的示例性方法的数据和 /或指令。在一些实施例中，存储设备130可以连接到网络120以与应用场景100的至少一个组件(例如，处理设备110、采集系统140、终端150)通信。例如，存储设备130可以存储遥感数据、气象数据、土壤数据。在一些实施例中，存储设备130还可以可包括大容量存储器、可移除存储器等或其任意组合。
采集系统140可以用于采集数据和/或信息的设备及其组合。例如，采集系统140可以包括卫星遥感140-1、气象站140-2、无人机140-3等。在一些实施例中，采集系统140可以通过采集设备直接或间接获取遥感数据、气象数据、土壤数据等相关数据，例如，可以通过卫星遥感140-1获取地表的电磁波反射与发射情况，并基于地表的电磁波反射与发射情况确定反映地表地貌的遥感数据。在一些实施例中，采集系统140可以将采集的数据和/或信息通过网络120发送给应用场景100的其他组件(例如，处理设备110)。
终端150指用户所使用的一个或多个终端设备或软件。在一些实施例中，终端150可以是移动设备、平板计算机、笔记本电脑等或其任意组合。在一些实施例中，终端150可以通过网络120与应用场景100中的其他组件交互。例如，在一些实施例中，终端150可以接收处理设备110发送的或存储于存储设备140中的种植策略、收益数据、单位面积产量等信息。在一些实施例中，终端150可以是固定的和/或移动的智能设备，例如，终端150可以包括手机、平板电脑、膝上计算机等。
应当注意应用场景仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景还可以包括数据库。又例如，应用场景可以在其他设备上实现以实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的种植策略确定系统的示例性模块图。
如图2所示，所述种植策略确定系统的模块图200可以包括数据获取模块210、区块确定模块220、产量预估模块230、收益预估模块240及策略确定模块250。
数据获取模块210可以用于获取目标区域的遥感数据、气象数据以及土壤数据。关于遥感数据、气象数据以及土壤数据的更多内容可以参考图3及其相关描述。
区块确定模块220可以用于基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息，所述种植区块信息包括区块划分信息、区块边界信息、区块从属信息中的至少一种。关于种植区块信息以及种植作物信息的更多内容可以参考图3及其相关描述。
在一些实施例中，所述遥感数据可以包括卫星遥感数据和无人机遥感数据。在一些实施例中，区块确定模块220可以基于所述卫星遥感数据确定所述目标区域的第一种植区块信息以及第一种植作物信息。在一些实施例中，区块确定模块220可以基于所述无人机遥感数据确定所述目标区域的第二种植区块信息以及第二种植作物信息。在一些实施例中，区块确定模块220可以基于所述第一种植区块信息和所述第二种植区块信息确定所述种植区块信息，以及基于所述第一种植作物信息和所述第二种植作物信息确定所述种植作物信息。关于无人机遥感数据以及卫星遥感数据的更多内容可以参考图4及其相关描述。
产量预估模块230可以用于通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量。关于产量评估模型以及单位面积产量的更多内容可以参考图3及其相关描述。
在一些实施例中，产量预估模块230可以用于根据所述区块从属信息确定种植投入信息。在一些实施例中，产量预估模型230可以用于根据所述区块从属信息从信贷系统获取农业信贷申请数据；根据所述农业信贷申请数据确定所述种植投入信息。在一些实施例中，产量预估模块230可以用于通过产量评估模型对所述遥感数据、所述气象数据、所述土壤数据以及所述种植投入信息进行处理，确定与所述种植作物信息对应的单位面积产量。关于种植投入信息的更多内容可以参考图6及其相关描述。
在一些实施例中，产量预估模块230可以基于训练样本以及标记结果训练初始产量评估模型，得到所述产量评估模型。在一些实施例中，所述训练样本可以通过数据获取模块210 获取，所述训练样本包括训练作物的单位面积产量和以下特征中的至少一个：训练作物信息、遥感数据、气象数据、土壤数据；将所述训练作物的单位面积产量标记作为参考产量。关于训练产量评估模型的更多内容可以参考图8及其相关描述。
收益预估模块240可以用于根据种植作物价格信息、种植成本信息、所述单位面积产量以及所述种植区块信息确定所述种植区块的收益数据。关于收益数据的更多内容可以参考图3及其相关描述。
在一些实施例中，收益确定模块240可以用于根据所述区块从属信息确定补助人员种植信息；根据所述补助人员种植信息从所述种植区块的收益数据中确定补助人员收益数据；判断所述补助人员收益数据是否低于预警数据；响应于所述补助人员收益数据低于所述预警数据，生成补助人员预警数据。关于补助人员预警数据的更多内容可以参考图5及其相关描述。
在一些实施例中，收益确定模块240可以用于获取多个时间点的所述单位面积产量；根据所述种植区块信息、所述种植作物信息、所述区块从属信息以及多个时间点的所述单位面积产量确定种植风险数据；将所述种植风险数据发送到保险系统。关于种植风险数据的更多内容可以参考图7及其相关描述。
策略确定模块250可以用于基于所述收益数据确定所述种植区块的种植策略。关于种植策略的更多内容可以参考图3及其相关描述。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的数据获取模块、区块确定模块、产量预估模块、收益预估模块和策略确定模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
本说明书实施例还提供根据种植数据确定种植策略的装置，所述装置包括处理器，所述处理器用于执行本说明书任一实施例中所述的根据种植数据确定种植策略的方法。
本说明书实施例还提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书任一实施例中所述的根据种植数据确定种植策略的方法。
图3是根据本说明书一些实施例所示的根据种植数据确定种植策略的方法的示例性流程图。在一些实施例中，流程300可以由处理设备110执行。
种植数据可以指与作物的种植情况相关的数据，可以用于确定或预估作物的成长及收获情况。例如，种植数据可以包括作物的土壤数据。示例性地，可以分析土壤数据确定作物所在土地的肥力情况、化肥吸收情况等数据，进而预估作物的长势与收成。在一些实施例中，种植数据可以包括遥感数据、气象数据以及土壤数据。关于遥感数据、气象数据以及土壤数据的更多内容可以参见步骤310的相关内容。
种植策略可以指适合目标区域农业发展的种植方案。例如，种植策略可以包括种植规划建议以及种植投入建议，其中，种植规划建议可以指种植作物及其种植方法的相关建议。例如，种植规划建议可以涉及适合种植的作物、对应的种植技术、种植密度、田区安排等。种植投入建议可以指种植过程中人力、物力的投入建议。例如，种植投入建议可以涉及化肥投入因素、农机具投入因素等。示例性地，化肥投入因素可以包括化肥种植、化肥投入量、化肥投入时间等因素。
关于根据种植数据确定种植策略确定的具体内容可以参见图3的相关描述。如图3所示，流程300包括下述步骤：
步骤310，获取目标区域的遥感数据、气象数据以及土壤数据。在一些实施例中，步骤310可以由数据获取模块210执行。
目标区域可以是指种植有农作物和/或预备种植农作物的区域，可以基于需要进行人为划分。在一些实施例中，目标区域可以根据管辖范围或土地权属进行划分。例如，可以基于管辖范围或土地权属将完整土地划分为不同等级的地籍单元，示例性地，地籍单元可以表征为X X省X X县(县级市)X X乡(镇)X X行政村X X宗地(地块)X X图斑。在一些实施例中，目标区域可以根据作物结构、种植制度、区块归属中的至少一种进行划分。例如，可以按照区块归属以及作物结构，将种植户种植相同作物的多个地籍单元规划为一个目标区域。再例如，基于作物结构和种植制度将我国农作物种植区域划分为东北大豆、春麦、玉米、甜菜区，北部高原小杂粮、甜菜区，黄淮海棉、麦、油、烟、果区，长江中下游稻、棉、油、桑、茶区等。
遥感数据也可以称为遥感影像(Remote Sensing Image,RS)，遥感数据可以是指通过相关采集装置获取的、能反映地表情况的可视图像。例如，遥感数据可以基于地球地表物体对电磁波的发射情况和/或反射情况，所确定的地表地貌的可视图像信息。
气象数据可以是指反映目标区域天气的数据，可以包括天气资料和气候资料。在一些实施例中，气象数据包括降水量、温湿度、光照等影响农作物生长的数据及其变化规律。
土壤数据可以是指反映目标区域土壤情况的数据。在一些实施例中，土壤数据可以包括能影响农作物种植的土壤信息，例如，土壤数据可以包括土壤类型、土壤质地、土壤养分及土壤变化等信息。
在一些实施例中，采集系统可以周期性获取遥感数据、气象数据以及土壤数据等数据并存储在储存设备中，数据获取模块210执行步骤310时可以从存储设备中调用相关数据。在一些实施例中，数据获取模块210可以直接与采集系统中的采集设备连接，通过采集设备获取对应的数据。
在一些实施例中，遥感数据可以储存在特定数据库中(如LANDSAT-5卫星数据库)，在调用遥感数据时，可以从特定数据库中获取目标区域的遥感数据。在一些实施例中，可以通过无人机对目标区域进行拍摄，以获取目标区域的遥感图像。
在一些实施例中，可以通过气象站获取气象数据。在一些实施例中，可以通过第三方网站或平台获取气象数据，例如，中国气象数据网、地方气象局官网等。
在一些实施例中，土壤数据可以通过对土壤样本的分析结果确定，即可以通过无人机获取目标区域的土壤样本，根据土壤样本获取所述目标区域的土壤数据，其中，土壤样本可以是目标区域中的土壤，例如，土壤样本可以是预设采样位置的土壤，无人机可以飞往采样位置获取土壤样本。在一些实施例中，土壤样本的分析结果可以通过土壤检测装置确定，即无人机获取土壤样本后，可以将土壤样本输入土壤检测装置以获取土壤数据。
采集精度信息可以指采集系统中各个采集设备采集对应的数据时的采集精度以及采集频率。在一些实施例中，可以通过控制无人机飞行的高度确定无人机的采集精度，无人机距地面距离越小采集精度越高。在一些实施例中，可以基于天气信息确定无人机的采集精度，能见度越高采集精度越高。在一些实施例中，可以根据实际需求控制遥感数据、气象数据及土壤数据的采集频率，例如每2小时采集1次、每24小时采集1次等。
步骤320，基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息。其中，所述种植区块信息可以包括区块划分信息、区块边界信息、区块从属信息中的至少一种。在一些实施例中，步骤320可以由区块确定模块220执行。
种植区块信息可以指目标区域中各个种植区域的相关信息，其中，种植区块(也可以称为土地区块)可以是目标区域中具有相同特定属性的连续地籍单元。例如，种植区块可以指目标区域中归属于同一种植户的连续土地。再例如，种植区块可以指目标区域中种植相同作物的各块土地。
区块划分信息可以反映目标区域中划分规则与划分情况，区块划分信息可以包括区块划分规则以及区块划分结果，例如，区块划分信息可以包括按所有者划分的目标区域中的各个种植区块。在一些实施例中，区块划分信息可以包括多种目标区域中区块划分规则以及对应的区块划分结果，可以根据实际需要从中确定对应的结果。例如，当统计特定作物的种植情况时，区块划分信息可以包括按照作物类型划分的各个种植区块。再例如，在通知土地地力补贴时，区块划分信息可以包括按照土地原拥有者划分的各个种植区块。
区块边界信息可以包括反映种植区块边界的边界情况的边界信息，例如，区块边界信息可以包括目标区域中各个最小地籍单元的边界信息，其中，最小地籍单元可以指在土地流转时，土地面积的计量单元。示例性地，最小地籍单元可以是亩。在一些实施例中，可以根据区块划分信息以及区块边界信息确定各个种植区块的具体边界，例如，可以根据区块划分信息确定种植户A的土地包括编号1-41号土地，则该种植户A可以根据1-41号土地的边界确定总边界。
区块从属信息可以反映各个种植区块的所有权、使用权情况。例如，区块从属信息可以包括原所有权人、土地流转方、流转中间人等信息。在一些实施例中，区块从属信息还可以反映各个种植区块的行政区划，例如，区块从属信息可以包括各个种植区块在村镇级的从属情况。
种植作物信息可以反映作物的种植情况，例如，种植作物信息可以包括各个区块种植的作物类型，作物的存活率、作物的生长情况等。在一些实施例中，种植作物信息还可以包括对应种植户的农务工作情况，例如，种植作物信息可以包括施肥情况、病虫害情况及其防止工作、土地翻整情况等。
在一些实施例中，可以基于遥感数据确定目标区域的种植区块信息以及种植作物信息。在一些实施例中，可以通过图像识别技术对目标区域的遥感图像进行识别，确定种植区块信息以及种植作物信息。例如，基于图像识别技术对目标区域的遥感数据的处理，可以得到目标区域的种植区块面积、形状、边界、从属以及种植的作物类型、种植面积等信息。在一些实施例中，可以结合其他相关信息确定种植区块信息以及种植作物信息。例如，可以根据土地确权证、土地流转合同等相关法律文件在遥感数据中确定各个种植区域的区划信息、归属信息等。再例如，可以根据农户耕种日志确定种植户的农务工作情况。
在一些实施例中，可以根据多数据源的遥感数据综合确定目标区域的种植区块信息以及种植作物信息，关于多数据源的遥感数据的更多内容可以参见图4及其相关描述。
步骤330，通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量。在一些实施例中，步骤330可以由产量预估模块230执行。
单位面积产量是指种植区块上对应的作物在当前种植周期内平均每单位土地面积上所收获的农产品数量。例如，小麦的单位面积产量为5057公斤/公顷。
在一些实施例中，可以通过对目标区域遥感数据、气象数据以及土壤数据进行处理分析，确定与种植作物信息对应的单位面积产量。例如，通过处理分析目标区域遥感数据可以得到种植作物的生长情况(如长势是否达到预期)；通过分析气象数据可以判断是否适宜种植作物生长、是否有灾害天气造成种植物损害等；通过分析土壤数据可以判断土壤养分、水分等是否达到种植物生长要求等。基于前述数据分析，可以综合评估种植作物的单位面积产量。
在一些实施例中，可以通过产量评估模型对目标区域遥感数据、气象数据以及土壤数据进行处理，确定种植作物信息对应的单位面积产量。
产量评估模型可以是用于确定种植作物信息对应的单位面积产量的模型。产量评估模型可以指训练过的机器学习模型。产品评估模型可以对目标区域遥感数据、气象数据以及土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量。其中，产品评估模型的输入可以是目标区域遥感数据、气象数据以及土壤数据，输出可以是与所述种植作物信息对应的单位面积产量。例如，将某区域2025年的种植作物信息、遥感数据、气象数据以及土壤数据输入产量评估模型，可以输出该区域2025年种植作物对应的单位面积产量。
在一些实施例中，产量评估模型可以包括深度神经网络模型(Deep NeuralNetworks， DNN)、循环神经网络模型(Recurrent Neural Network,RNN)、卷积神经网络(Convolutional Neural Networks,CNN)或其他自定义的模型结构等中的任意一种或组合。
在一些实施例中，产量评估模型可以基于新输入的数据，对应输出信息的更新结果。例如，当每周采集一次遥感数据、气象数据、土壤数据时，产量评估模型可以基于每周输入的数据更新种植作物对应的单位面积产量。
在一些实施例中，产量评估模型可以基于训练样本以及训练标签进行对初始产量评估模型进行训练，并将训练后的初始产量评估模型作为产量评估模型。具体训练过程可以参见图8及其相关内容，在此不做赘述。
步骤340，根据种植作物价格信息、种植成本信息、所述单位面积产量以及所述种植区块信息确定所述种植区块的收益数据。在一些实施例中，步骤340可以由收益预估模块240 执行。
种植区块的收益数据可以反映该种植区块在当前种植周期的收益情况。例如，种植区块的收益数据可以包括作物收获情况、作物总收获量、作物总收益、种植支出、种植净利润等，其中，作物收获情况可以包括不同作物等级的农作物的总收获量。种植净利润可以是作物总收益除去各种成本后可以获得的经济效益。例如，某区域2025年小麦种植收益为500元 /亩。种植区块的收益数据可以基于种植作物当前的产量、价格信息、成本信息等确定。
种植作物价格信息可以反映种植作物在收获后进行交割时的可能价格。例如，种植作物价格信息可以包括指导价格、市场价格、收购价格等。在一些实施例中，可以从第三方网络平台获取种植作物价格信息。例如，中国农业信息网、中国粮油信息网等。在一些实施例中，可以根据当前种植作物交易价格预估当前种植周期后的交易价格。在一些实施例中，种植作物价格信息还可以根据种植者所采取的金融措施有关，例如，种植者可以采用基金的方式锁定在未来时间的交割价格，对应的交割价格可以作为种植作物价格信息。在一些实施例中，种植作物价格信息还可以包括不同等级的种植作物的价格信息，例如，樱桃根据果实直径可以包括J～4J等四种类型，种植作物价格信息可以包括不同类型的樱桃的价格。
种植成本信息可以反映种植作物在当前生产周期中总投入的成本数据。例如，种植成本信息可以包括农务作业成本(耕地、播种、收割)、地租费、农用物资成本(农药、种子、化肥)等。在一些实施例中，可以从第三方网站获取种植成本信息，例如，中国农业信息网。在一些实施例中，可以基于历史种植数据确定种植成本信息。例如，基于2021年某区域小麦种植成本信息推算2022年该区域种植小麦的成本信息。在一些实施例中，根据实际统计需要，种植成本信息还可以包括经济学意义上的各种成本。例如，种植成本信息可以包括机会成本，示例性地，机会成本可以包括土地所有者自己种植土地而未将其流转而导致的收益损失。
在一些实施例中，可以直接基于种植作物价格信息、种植成本信息、单位面积产量以及种植区块信息计算种植收益数据。例如，2025年某区域种植小麦1000亩，单位面积产量为 500千克/亩，种植成本600元/亩，收获期小麦价格为3元/千克，可以计算出2025年该区域小麦种植收益为90万元。
在一些实施例中，可以通过收益预测模型对各个时间点的种植作物价格信息、种植成本信息、单位面积产量以及种植区块信息进行处理，确定种植区块的收益数据。
收益预测模型可以是用于预测种植收益的模型。收益预测模型可以指训练后的机器学习模型。在一些实施例中，收益预测模型可以包括深度神经网络模型(Deep NeuralNetworks， DNN)、循环神经网络模型(Recurrent Neural Network,RNN)、卷积神经网络(Convolutional Neural Networks,CNN)或其他自定义的模型结构等中的任意一种或组合。
在一些实施例中，收益预测模型的输入可以是种植作物价格信息、种植成本信息、单位面积产量以及种植区块信息。例如，将某区域2024年的种植作物价格信息、种植成本信息以及该区域2025年的单位面积产量以及种植区块信息输入收益预测模型，可以输出该区域 2025年种植作物对应的收益。
在一些实施例中，收益预测模型可以基于训练获取。收益预测模型的训练可以由收益预估模块240执行。
在一些实施例中，训练收益预测模型时，可以使用多个带有标签的训练样本，通过多种方法(例如，梯度下降法)进行训练，从而可以学习到模型的参数，当训练的模型满足预设条件时，训练结束，获取训练好的收益预测模型。
训练样本可以包括按年份获取的种植作物价格信息、种植成本信息、单位面积产量以及种植区块信息，训练样本的标签可以是基于历史时间节点的种植收益，训练样本的标签可以通过人工标注进行获取。在一些实施例中，收益预测模型可以在另外的设备或模块中被训练。
步骤350，基于所述收益数据确定所述种植区块的种植策略。在一些实施例中，步骤 350可以由策略确定模块250执行。
种植区块的种植策略可以是针对目标区域制定的适合目标区域农业发展的种植方案。例如，种植区块的种植策略可以包括目标区域的种植规划建议以及目标区域种植投入建议，例如，种植区块的种植策略可以包括目标区域适合种植的作物、对应的种植技术、一年种植几季、肥料的理论投入量、投入时间等。
在一些实施例中，当种植区域即将进行耕种时，可以根据收益数据确定各个种植区块经济效益最佳的作物。然后基于该作物结合种植区块的种植条件确定具体种植方法、种植技术并作为种植规划建议。在一些实施例中，收益数据还可以包括当前种植周期之前的历史收益数据以及种植条件类似的相关种植区块的收益数据。在确定种植作物时可以根据历史收益数据以及相关种植区块的收益数据确定最优作物。在一些实施例中，收益数据还可以包括基于当前的种植条件种植作物的预估收益数据。
在一些实施例中，可以通过模拟土地的各种投入因素及投入量，确定土地需要的投入因素及最佳投入量。例如，可以基于种植作物的相关信息(如遥感数据、气象数据、土壤数据)对种植区块的种植情况进行预估并确定最佳投入，即通过模拟多组不同的投入因素及不同的投入量，得出每组数据对应的作物单位面积产量，经过多次模拟确定最高的单位面积产量，最高的单位面积产量对应的土地投入因素及投入量即为最佳投入。在一些实施例中，基于作物种类不同，可以采用不同的土地投入因素及投入量进行模拟。
在一些实施例中，可以基于最优土地投入与当前土地投入生成种植建议。例如，可以基于种植户的种植日志确定土地施肥投入，基于土壤数据判断种植户的土地施肥投入是否满足最优施肥投入的要求，若否则将土地施肥投入作为欠投入因素，并基于欠投入因素生成种植策略与种植建议。在一些实施例中，欠投入因素还可以根据基于农户的补贴申请数据确定，关于补贴申请数据的更多内容可以参见图5及其相关描述。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，可以根据实际需要在不同场合执行流程300的不同步骤。示例性地，在预估收益时，可以仅执行步骤310～步骤340。
基于本说明书一些实施例提供的种植策略确定方法可以通过产量评估模型进行单位面积产量预测可以减少人工预测的误差，结果更加准确，且可以实时获取预测所需数据，可以根据气候变化、土壤变化等动态调整预测结果。还可以通过种植收益数据确定种植策略，将策略与影响收益的各种因素关联，可以更加精确的控制种植过程中的各种投入信息及技术信息。
图4是根据本说明书一些实施例所示的种植区块信息以及种植作物信息的确定方法的示例性流程图。如图4所示，流程400包括下述步骤。在一些实施例中，流程400可以由区块确定模块220执行。
步骤410，基于所述卫星遥感数据确定所述目标区域的第一种植区块信息以及第一种植作物信息。
卫星遥感数据可以是通过卫星拍摄的目标区域的图像数据、影像数据。例如，卫星拍摄的某区域农田分布图像、农田种植作物图像等。
第一种植区块信息可以指基于卫星遥感数据确定的种植区块信息。第一种植作物信息可以指基于卫星遥感数据确定的区块种植的种植作物信息。
在一些实施例中，可以对卫星遥感数据进行图像识别，并基于识别结果确定第一种植区块信息以及第一种植作物信息。例如，可以先根据卫星遥感数据确定目标区域的各个种植区块，再基于种植区块对卫星遥感数据进行划分，同时识别种植区块对应的卫星遥感数据确定第一种植作物信息。在一些实施例中，卫星遥感数据可以结合相关法律文件确定第一种植区块信息。例如，可以根据土地确权证以及土地流转协议确定各个区块的形态与经纬度信息，再根据经纬度信息以及区块的形态从卫星遥感数据中匹配对应结果作为第一种植区块信息。
步骤420，基于所述无人机遥感数据确定所述目标区域的第二种植区块信息以及第二种植作物信息。
无人机遥感数据可以是通过无人机拍摄的目标区域的图像数据、影像数据。例如，无人机拍摄的某区域农田分布图像、农田种植作物图像等。
第二种植区块信息可以指基于无人机遥感数据确定的种植区块信息。第二种植作物信息可以指基于无人机遥感数据确定的区块种植的种植作物信息。
在一些实施例中，可以基于无人机遥感数据确定目标区域的第二种植区块信息以及第二种植作物信息。在一些实施例中，可以根据无人机所在位置确定无人机所在的种植区块，再根据无人机拍摄的遥感数据确定当前区域的种植作物信息以及边界信息。例如，可以根据无人机所在位置确定无人机所在的经纬度，基于无人机所在的经纬度与各个种植区块相关法律文件中记载的经纬度对比，确定无人机所在的种植区块。
步骤430，基于所述第一种植区块信息和所述第二种植区块信息确定所述种植区块信息，以及基于所述第一种植作物信息和所述第二种植作物信息确定所述种植作物信息。
在一些实施例中，可以基于遥感图像分辨率、图像采集频率以及采集精度确定数据采集的置信度，并选取置信度高的传感数据对应的种植区块以及种植情况作为步骤320中的种植区块信息以及种植作物信息。其中，遥感图像分辨率、采集频率和采集精度越高，数据采集的置信度越高。
分辨率可以指遥感图像中图像细节的精细程度。采集频率可以反映遥感图像的获取周期，例如，卫星每月获取一次遥感数据，则对应的采集频率为1次/月。采集精度可以反映采集位置的密度，例如，无人机在采集遥感数据时，在对应高度采集一平方公里范围的遥感数据，则对应的采集密度为一平方公里。
在一些实施例中，可以基于多数据源的遥感数据综合确定目标区域的种植区块信息以及种植作物信息。例如，可以根据卫星遥感数据确定目标区域的大致区划，再根据无人机遥感数据确定区块的具体边界，将两者信息结合，确定种植区块信息。又例如，可以根据卫星遥感数据确定目标区域种植的作物种类，再根据无人机遥感数据确定种植作物的面积，基于作物种类和面积确定种植作物信息。
根据本说明书一些实施例提供的确定方法，可以通过卫星遥感数据和无人机遥感数据两种数据结合确定种植区块信息和种植作物信息，可以使确定结果更加的准确，有助于更加精确地确定种植策略。
图5是根据本说明书一些实施例所示的补助人员收益的预警方法的示例性流程图。如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由处理设备110执行。
步骤510，根据区块从属信息确定补助人员种植信息。
补助人员可以指生活困难需领取补助的家庭或居民。例如，补助人员可以指遭遇自然灾害享有自然灾害农业补贴、救灾补助基金的居民。
补助人员种植信息可以反映补助人员在当前种植周期的种植情况，例如，补助人员种植信息可以包括补助人员所种植的种植区块，对应种植区块的作物生长情况等。在一些实施例中，补助人员种植信息可以通过区块从属信息确定，例如，可以根据各个种植区块的区块从属信息，从种植区块中选中补助人员所种植的种植区块，并根据选中的种植区块确定对应的种植作物信息作为补助人员种植信息。
步骤520，根据补助人员种植信息从种植区块的收益数据中确定补助人员收益数据。
在一些实施例中，确定补助人员种植信息后，可以根据补助人员种植信息所包含的种植区块统计该种植区块的收益数据作为补助人员收益数据。例如，补助人员收益数据可以包括补助人员所种植的各个种植区块的总收益。
步骤530，判断补助人员收益数据是否低于预警数据。
预警数据可以是用于监控补助人员的收益是否达标的数据。在一些实施例中，预警数据可以根据实际需求进行设定，当补助人员收益数据是低于预警数据时，可以认定补助人员有生活困难的风险。在一些实施例中，预警数据还可以与补助人员的收获情况、种植情况有关。例如，预警数据可以包括因自然灾害造成的种植户有效种植面积比例的阈值，示例性地，当因自然灾害造成的种植户有效种植面积小于50％时，则判定补助人员收益数据低于预警数据。
需要说明的是，预警数据的判断方法不局限于小于这一种方法。实际上，可以根据预警数据的内容确定对应判断规则以及判断方法，例如，用户的受灾情况还可以通过绝产面积表征，则对应的判断规则可以为大于等于，即当用户的绝产面积大于等于预设阈值时，说明补助人员的收益没有达到预设期望。
在一些实施例中，在判断补助人员收益数据是否低于预警数据时，可以根据需要确定与调整实际的收益数据以及预警数据。例如，考虑到种植风险，实际的收益数据可以是补助人员收益数据的数学期望。再例如，考虑到种植户可能有其他渠道收入，实际的预警数据可以基于预设标准线及种植户其他收入，通过数学方法计算确定。
步骤540，响应于补助人员收益数据低于预警数据，生成补助人员预警数据。
补助人员预警数据可以用于提醒相关工作人员，该补助人员的收益情况存在异常的信息。在一些实施例中，当补助人员收益数据低于预警数据，可以将补助人员收益数据以及补助人员种植信息进行信息打包，以生成补助人员预警数据，从而便于根据补助人员预警数据了解补助人员的当前种植情况。
在一些实施例中，可以根据补助人员在种植欠投入因素确定对应的种植补助方式。在一些实施例中，可以根据补助人员的种植情况确定欠投入因素。关于根据种植情况确定欠投入因素的更多内容可以参见步骤350的相关描述。
在一些实施例中，还可以根据补助人员的补贴申请数据确定欠投入因素，即可以先获取补助用户的补贴申请数据；然后根据所述补贴申请数据确定种植欠投入因素；最后，根据所述种植欠投入信息确定补助方式。例如，可以基于贫困原因进行分析：由因病因残致贫、缺劳力致贫可推算土地欠缺人力投入；由缺资金致贫，可推算贫困户经济困难，买不起农机具、肥料等，推算土地欠农机、肥料投入；由缺技术致贫可推算土地欠技术投入。示例性地，补助人员经济困难时，可以推测土地欠农机、肥料投入，由此，可以生成免费提供农机服务、肥料补贴等方式。
在一些实施例中，在接收补助人员预警数据后，可以通过无人机周期获取数据，从而对贫困户进行监控。在一些实施例中，可以响应于所述补助人员预警数据，通过无人机获取多个时间点的补助人员种植作物信息。基于多个时间点的所述补助人员种植作物信息确定补助人员状态监测信息。
在一些实施例中，可以根据信息的置信度调节补助人员状态监测信息的相关数据的采集频率以及采集精度。关于调节采集频率的更多内容可以参见图7及其相关描述。
基于本说明书一些实施例提供的补助人员收益预警方法，可以实现对补助人员收益的有效监控，并及时提供有效的补助。
图6是根据本说明书一些实施例所示的基于种植投入信息确定单位面积产量的方法的示例性流程图。如图6所示，流程600包括下述步骤。在一些实施例中，流程600可以由处理设备110执行。
步骤610，根据区块从属信息确定种植投入信息。
种植投入信息可以指种植人员在种植作物时的投入因素(也称为投入特征)，种植投入信息可以具体包括种植投入内容以及投入量。例如，种植投入信息可以包括种子投入因素，其中，种子投入因素可以包括投入的种子种类、种子质量(如发芽率、唤醒率等)、种子种植间距等。再例如，种植投入信息可以包括肥料投入因素，其中，肥料投入因素可以包括肥料组成、施肥频率、单次施肥量、施肥效果等。
在一些实施例中，种植投入信息可以由种植人员输入。在一些实施例中，种植投入信息可以根据相关数据确定，例如，可以对种植区块进行监控，进而确定种植人员的农务劳动，再根据农务劳动确定种植投入信息。
在一些实施例中，种植投入信息可以根据农业信贷申请数据确定，即可以根据所述区块从属信息从信贷系统获取农业信贷申请数据；然后根据所述农业信贷申请数据确定所述种植投入特征。
信贷系统可以是银行等金融机构储存信贷数据的服务器，也可以是已备案的数据库。例如，种植人员申请农业贷款时，种植人员所在的村委会可以作为中间方，参与贷款合同的签订。由此，村委会可以根据种植人员的贷款信息进行备案并生成数据库。
在一些实施例中，可以对信贷申请数据进行解析，获取信贷申请数据中与种植投入有关的数据，例如可以获取信贷申请类型、贷款额度、抵押或担保数据等相关数据，并基于该数据确定土地投入特征。其中，相关数据可以包括农户劳力情况、农机具情况、土地面积、种植作物、历史产量等信息。例如，信贷申请数据可能存在农机具抵押情况，可以确定土地的农机投入。再例如，可以基于贷款条件，如具有劳动能力、经营能力等，确定土地人力投入。
在一些实施例中，农业信贷申请可以被替换为其他类型的贷款申请，如住房贷款申请。考虑到其他类型的贷款申请可以包含对贷款人还款能力的评估，可以根据其他类型的贷款申请的相关数据确定种植投入特征。
步骤620，通过产量评估模型对遥感数据、气象数据、土壤数据以及种植投入信息进行处理，确定与种植作物信息对应的单位面积产量。
在一些实施例中，可以将种植投入信息作为产量评估模的一个输入，对应的在产量评估模型的训练过程中，可以将历史种植投入信息作为训练样本之一。从而使产量评估模型可以基于种植投入信息修正单位面积产量的预估结果。
基于本说明书一些实施例提供的基于种植投入信息确定单位面积产量的方法，可以确定种植人员的种植投入信息，从而使单位面积产量能反映种植人员的种植投入，从而提高单位面积产量的准确性。
图7是根据本说明书一些实施例所示的种植数据的监控方法的示例性流程图。如图7所示，流程700包括下述步骤。在一些实施例中，流程700可以由处理设备110执行。
步骤710，根据种植区块的收益数据以及所述区块从属信息，确定种植风险数据。
风险数据可以描述种植者或利益相关方的收益风险。例如，风险数据可以反映自然灾害可能导致的收益减少。再例如，风险数据可以反映种植人员不规范种植导致的收益减少。在一些实施例中，风险数据可以根据收益人员分为种植户风险、信贷风险以及保险风险等。
种植户风险可以指当前种植收益情况不符合种植户的预期收益。例如，种植户风险可以通过前述补助人员收益数据描述。
信贷风险可以反映当前种植收益情况导致种植户违约的风险。例如，信贷风险可以通过信贷评估信息描述。在一些实施例中，可以根据农业信贷申请数据、种植区块的收益数据生成信贷评估信息。信贷评估信息可以反映贷款人员的还款能力。
保险风险可以反映当前种植收益情况导致保险理赔的风险。例如，当自然灾害导致种植收益大规模减少时，保险公司可以根据具体减少数额确定理赔等级进行理赔，则保险风险可以反映进行理赔的可能性。
在一些实施例中，保险风险可以通过种植风险数据描述。即可以通过所述产量评估模型获取多个时间点的所述单位面积产量。根据所述种植区块信息、所述种植作物信息、所述区块从属信息以及多个时间点的所述单位面积产量确定种植风险数据，将所述种植风险数据发送到保险系统。其中，保险系统可以是对种植区块遭受自然灾害、意外事故疫病、疾病等意外事件导致减产、绝产进行理赔的责任方。
步骤720，当种植风险数据大于风险阈值时，根据数据采集情况以及产量评估模型的置信度，确定数据采集方式。
风险阈值可以是风险数据的报警阈值，当种植风险数据大于风险阈值时，可以认为有较大的几率对受益方造成较大的经济损失。例如，风险阈值可以是前述补助人员收益数据的预警数据。
数据采集情况可以指当前种植相关数据的数据采集参数。例如，在步骤310中获取相关数据时，可以记录对应的信息、采集频率、采集密度、数据清晰度作为数据采集情况。
置信度可以反映种植风险数据的可信任程度，当置信度越高时，则认为种植风险数据越准确。在一些实施例中，置信度可以根据预测算法确定。例如，置信度可以是数据采集情况以及产量评估模型的置信度的加权合，示例性地，置信度C＝aD+bZ1+d，其中，C为置信度， D为图像清晰度，Z1为产量评估模型的置信度，a、b、d可以为预设常数。
数据采集方法与数据采集情况对应，可以是下一采集周期的数据采集方法。在一些实施例中，当置信度较低时，可以根据数据采集方式，调节数据采集参数，以使图像清晰度更高、图像采集频率更高，进而使置信度满足预设要求。在一些实施例中，数据采集方法可以包括对图像清晰度、采集频率、采集密度、信息源至少一个采集参数的调整。例如，可以通过调节无人机的飞行高度，调节无人机的视野进而调整图像清晰度以及采集密度。
步骤730，基于数据采集方式，对种植区块的种植情况进行监控。
在一些实施例中，可以基于数据采集方式调节采集参数，并基于调节后的采集参数对种植区块的种植情况进行监控。例如，数据采集方式可以包括无人机采集频率以及采集密度，在监控时，可以基于采集频率以及采集密度控制无人机进行数据采集，从而生成种植区块的种植情况的监控数据。
基于本说明书一些实施例提供的种植数据的监控方法，可以对种植过程中发生的风险进行评估，并进行持续监控，从而方便受益方提高对应的收益。例如，保险系统可以在自然灾害发生后对受灾区域进行监控，确定受灾面积、受灾等级，还可以确定种植人员是否及时救灾。
图8是根据本说明书一些实施例所示的产量评估模型的训练方法的示例图。
在一些实施例中，产量评估模型810可以通过训练样本进行训练得到。在一些实施例中，训练产量评估模型810的方法可以包括获取训练样本820以及基于所述训练样本820以及标记结果830训练初始产量评估模型840，得到所述产量评估模型。其中，所述训练样本包括训练作物的单位面积产量和以下特征中的至少一个：训练作物信息821、遥感数据822、气象数据823、土壤数据824；将所述训练作物的单位面积产量标记作为参考产量831。
在一些实施例中，训练样本820以及标记结果830(也称为样本标签)可以基于历史数据确定。例如，可以根据历史种植周期的生产情况确定历史数据，并从历史数据中确定训练样本820以及标记结果830。示例性地，可以某一历史种植周期的历史数据中获取各个种植区块的训练作物信息821、遥感数据822、气象数据823以及土壤数据824。并将该历史种植周期的实际产量作为参考产量831。
在一些实施例中，可以将训练样本820输入初始产量评估模型840，得到历史产量的预估结果。基于历史产量的预估结果和标记结果830构建损失函数，并基于损失函数同时迭代更新的初始产量评估模型840的参数，当损失函数满足预设条件时模型训练完成，其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
基于本申请一些实施例所述的训练方式，将历史种植周期中作物信息、遥感数据、气象数据、土壤数据等数据作为训练样本，将训练作物的单位面积产量标记作为参考产量(样本标签)，充分利用了历史数据，进而提高了产量评估模型的评估精度。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种根据种植数据确定种植策略的方法，其特征在于，所述方法包括：
获取目标区域的遥感数据、气象数据以及土壤数据；
基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息，所述种植区块信息包括区块划分信息、区块边界信息、区块从属信息中的至少一种；
通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量；
根据种植作物价格信息、种植成本信息、所述单位面积产量以及所述种植区块信息确定所述种植区块的收益数据；以及
基于所述收益数据确定所述种植区块的种植策略。
2.根据权利要求1所述的方法，其特征在于，所述遥感数据包括卫星遥感数据和无人机遥感数据，所述基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息，包括：
基于所述卫星遥感数据确定所述目标区域的第一种植区块信息以及第一种植作物信息；
基于所述无人机遥感数据确定所述目标区域的第二种植区块信息以及第二种植作物信息；
基于所述第一种植区块信息和所述第二种植区块信息确定所述种植区块信息，以及基于所述第一种植作物信息和所述第二种植作物信息确定所述种植作物信息。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述区块从属信息确定补助人员种植信息；
根据所述补助人员种植信息从所述种植区块的收益数据中确定补助人员收益数据；
判断所述补助人员收益数据是否低于预警数据；
响应于所述补助人员收益数据低于所述预警数据，生成补助人员预警数据。
4.根据权利要求1所述的方法，其特征在于，所述通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量，包括：
根据所述区块从属信息确定种植投入信息；
所述通过产量评估模型对所述遥感数据、所述气象数据、所述土壤数据以及所述种植投入信息进行处理，确定与所述种植作物信息对应的单位面积产量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述区块从属信息确定种植投入信息，包括：
根据所述区块从属信息从信贷系统获取农业信贷申请数据；
根据所述农业信贷申请数据确定所述种植投入信息。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个时间点的所述单位面积产量；
根据所述种植区块信息、所述种植作物信息、所述区块从属信息以及多个时间点的所述单位面积产量确定种植风险数据；
将所述种植风险数据发送到保险系统。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本，其中，所述训练样本包括训练作物的单位面积产量和以下特征中的至少一个：训练作物信息、遥感数据、气象数据、土壤数据；将所述训练作物的单位面积产量标记作为参考产量；
基于所述训练样本以及标记结果训练初始产量评估模型，得到所述产量评估模型。
8.一种根据种植数据确定种植策略的系统，其特征在于，所述系统包括：
数据获取模块，用于获取目标区域的遥感数据、气象数据以及土壤数据；
区块确定模块，基于所述遥感数据确定所述目标区域的种植区块信息以及种植作物信息，所述种植区块信息包括区块划分信息、区块边界信息、区块从属信息中的至少一种；
产量预估模块，用于通过产量评估模型对所述遥感数据、所述气象数据以及所述土壤数据进行处理，确定与所述种植作物信息对应的单位面积产量；
收益预估模块，用于根据种植作物价格信息、种植成本信息、所述单位面积产量以及所述种植区块信息确定所述种植区块的收益数据；以及
策略确定模块，用于基于所述收益数据确定所述种植区块的种植策略。
9.一种根据种植数据确定种植策略的处理装置，包括处理器，所述处理器用于执行权利要求1～7中任一项所述的根据种植数据确定种植策略的方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～9任一项所述的根据种植数据确定种植策略的方法。
CN202210353963.4A 2022-04-06 2022-04-06 一种根据种植数据确定种植策略的方法和系统 Active CN115205695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210353963.4A CN115205695B (zh) 2022-04-06 2022-04-06 一种根据种植数据确定种植策略的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210353963.4A CN115205695B (zh) 2022-04-06 2022-04-06 一种根据种植数据确定种植策略的方法和系统

Publications (2)

Publication Number Publication Date
CN115205695A true CN115205695A (zh) 2022-10-18
CN115205695B CN115205695B (zh) 2024-03-15

Family

ID=83574984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210353963.4A Active CN115205695B (zh) 2022-04-06 2022-04-06 一种根据种植数据确定种植策略的方法和系统

Country Status (1)

Country Link
CN (1) CN115205695B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731460A (zh) * 2022-10-27 2023-03-03 北京神州数码方圆科技有限公司 基于遥感技术的边界确权方法、系统、设备及储存介质
CN115796558A (zh) * 2023-02-03 2023-03-14 光泽县宏翔智能科技有限公司 基于深度神经网络的烟草种植面积智能管理系统
CN117056599A (zh) * 2023-08-12 2023-11-14 布瑞克(苏州)农业互联网股份有限公司 一种农作物种植推荐方法与系统
CN117875728A (zh) * 2023-11-27 2024-04-12 中国科学院空天信息创新研究院 作物种植策略生成方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260791A (zh) * 2015-09-25 2016-01-20 苏州携优信息技术有限公司 基于农业物联网和大数据分析的种植计划优化系统和方法
CN108985260A (zh) * 2018-08-06 2018-12-11 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
CN109816542A (zh) * 2019-01-28 2019-05-28 中国平安财产保险股份有限公司四川分公司 一种农作物减产理赔方法及系统
CN109829832A (zh) * 2019-01-18 2019-05-31 河南奥菲斯电子科技有限公司 大数据维护农业保险投保数据的方法、系统及存储介质
CN111080133A (zh) * 2019-12-18 2020-04-28 华润租赁有限公司 光伏电站融资风险评估方法、系统、设备及存储介质
CN111507832A (zh) * 2020-06-30 2020-08-07 浙江网商银行股份有限公司 数据处理方法及装置
CN112907061A (zh) * 2021-02-08 2021-06-04 山东省农业科学院科技信息研究所 马铃薯全产业链管理系统
CN113362192A (zh) * 2021-07-07 2021-09-07 中国工商银行股份有限公司 农业保险核保方法、系统、设备和存储介质
CN113762788A (zh) * 2021-09-13 2021-12-07 中化现代农业有限公司 农地数据模型与画像构建方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260791A (zh) * 2015-09-25 2016-01-20 苏州携优信息技术有限公司 基于农业物联网和大数据分析的种植计划优化系统和方法
CN108985260A (zh) * 2018-08-06 2018-12-11 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
CN109829832A (zh) * 2019-01-18 2019-05-31 河南奥菲斯电子科技有限公司 大数据维护农业保险投保数据的方法、系统及存储介质
CN109816542A (zh) * 2019-01-28 2019-05-28 中国平安财产保险股份有限公司四川分公司 一种农作物减产理赔方法及系统
CN111080133A (zh) * 2019-12-18 2020-04-28 华润租赁有限公司 光伏电站融资风险评估方法、系统、设备及存储介质
CN111507832A (zh) * 2020-06-30 2020-08-07 浙江网商银行股份有限公司 数据处理方法及装置
CN112907061A (zh) * 2021-02-08 2021-06-04 山东省农业科学院科技信息研究所 马铃薯全产业链管理系统
CN113362192A (zh) * 2021-07-07 2021-09-07 中国工商银行股份有限公司 农业保险核保方法、系统、设备和存储介质
CN113762788A (zh) * 2021-09-13 2021-12-07 中化现代农业有限公司 农地数据模型与画像构建方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘云;: "农业企业政府补助的列报问题", 中国农业会计, no. 02, 10 February 2013 (2013-02-10) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731460A (zh) * 2022-10-27 2023-03-03 北京神州数码方圆科技有限公司 基于遥感技术的边界确权方法、系统、设备及储存介质
CN115731460B (zh) * 2022-10-27 2024-04-12 北京神州数码方圆科技有限公司 基于遥感技术的边界确权方法、系统、设备及储存介质
CN115796558A (zh) * 2023-02-03 2023-03-14 光泽县宏翔智能科技有限公司 基于深度神经网络的烟草种植面积智能管理系统
CN117056599A (zh) * 2023-08-12 2023-11-14 布瑞克(苏州)农业互联网股份有限公司 一种农作物种植推荐方法与系统
CN117875728A (zh) * 2023-11-27 2024-04-12 中国科学院空天信息创新研究院 作物种植策略生成方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115205695B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
US20240008390A1 (en) Methods and systems for managing agricultural activities
US11941709B2 (en) Methods and systems for managing crop harvesting activities
US20210383290A1 (en) Methods and systems for recommending agricultural activities
US20210342956A1 (en) Methods and systems for determining agricultural revenue
EP3528613B1 (en) Method for mapping temporal and spatial sustainability of a cropping system
CN113473840B (zh) 用于实现农业田地试验的农业田地数字建模和跟踪
US20230206352A1 (en) Digital modeling and tracking of agricultural fields for implementing agricultural field trials
CN115205695B (zh) 一种根据种植数据确定种植策略的方法和系统
WO2016127094A1 (en) Methods and systems for recommending agricultural activities
US20200245525A1 (en) Yield estimation in the cultivation of crop plants
US20190012749A1 (en) Dynamic cost function calculation for agricultural users
Berestov et al. Assessment of Weather Risks for Agriculture using Big Data and Industrial Internet of Things Technologies
Bezuidenhout Development and evaluation of model-based operational yield forecasts in the South African sugar industry.
Denning Integrating agricultural extension programs with farming systems research
Saunders et al. Integrating economic data with spatial biophysical data to analyse profitability and risks of wheat production on a regional basis
Koiter et al. Rural Development Institute
US20210318283A1 (en) Systems and methods for providing germplasm crop scenarios
Hajare et al. Fuzzy based approach for weather advisory system
Balbi et al. Future Dynamics of Irrigation Water Demand in the Farming Landscape of the Venice Lagoon Watershed under the Pressure of Climate Change

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