CN115310290A - 一种荔枝区域产量年型预测模型的构建方法 - Google Patents
一种荔枝区域产量年型预测模型的构建方法 Download PDFInfo
- Publication number
- CN115310290A CN115310290A CN202210956390.4A CN202210956390A CN115310290A CN 115310290 A CN115310290 A CN 115310290A CN 202210956390 A CN202210956390 A CN 202210956390A CN 115310290 A CN115310290 A CN 115310290A
- Authority
- CN
- China
- Prior art keywords
- annual
- yield
- litchi
- prediction model
- year
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种荔枝区域产量年型预测模型的构建方法,S1:进行荔枝区域产量年型数据的准备;S2:进行土壤养分供应年型的准备;S3:进行气象数据的准备;S4:建立区域产量年型预测模型的概念模型;S5:解析区域产量年型预测模型;S6:得到具体预测模型。所得到的预测模型简单、实用、参数容易获得、预测精度高,可以代表一个气象站所覆盖的荔枝产地区域产量年型,当此模型关系成立后,就可以依据此模型和历史数据、实时数据和未来一段时间气象预测的气象数据进行区域荔枝产量年型的预测。
Description
技术领域
本发明涉及一种模型构建方法,涉及一种荔枝区域产量年型预测模型的构建方法,具体涉及一种基于土壤养分供应年型和气象条件的荔枝区域产量年型预测模型的构建方法。
背景技术
荔枝(学名:Litchi chinensis Sonn.),别名离枝,属无患子科荔枝属的常绿乔木,与香蕉、菠萝、龙眼一同号称“南国四大果品”。荔枝果皮有鳞斑状突起,成熟时通常暗红色至鲜红色,果肉产鲜时半透明凝脂状,味香美,但不耐储藏,分布于中国的西南部、南部和东南部,广东和福建南部栽培最盛,荔枝是大小年非常明显的亚热带水果,小年与大年相比减产达到80%以上。大小年产生的主要原因是气象条件限制了花开坐果和土壤养分供应不足,但是有关荔枝大小年年型诊断或预测方法还没有实现定量化,也没有直接找到大小年产生的根本原因,致使生产上的任何调控只能是仁者见仁智者见智,尽管多多少少都会有所收效,但是结果远不理想。
目前针对荔枝大小年成因的研究结果尚无定论,生产上也出现了能一定程度上对小年进行调控的方法,但是还不能形成通用的技术或技术体系,因此我们提出一种基于气象条件的荔枝大小年区域预测模型构建方法进行进一步优化。
发明内容
本发明的目的在于提供一种荔枝区域产量年型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:
一种荔枝区域产量年型预测模型的构建方法,其方法步骤如下:
S1:进行荔枝区域产量年型数据的准备;
S2:进行土壤养分供应年型的准备;
S3:进行气象数据的准备;
S4:建立区域产量年型预测模型的概念模型;
S5:解析区域产量年型预测模型;
S6:得到具体预测模型。
作为本发明进一步的方案:所述S1中通过模型使用者调查或监测获得荔枝区域产量年型的数据;产量年型数据为同一地区1000亩以上的荔枝园,同时进行连续10年以上的调查和监测获得产量年型数据,将S1中的区域产量年型划分为大年、偏大年、平年、偏小年、小年5级,并分别赋值5、4、3、2、1数值。
作为本发明进一步的方案:所述S2中的土壤养分供应年型的准备,是基于一个区域由于长时间的荔枝与环境条件包括气象条件和土壤养分供应状况的相互作用而形成的总体上区域产量大年年型和小年年型相间的变化规律,其中区域产量大年年型是土壤养分供应充足,区域产量小年年型是土壤养分供应匮乏,赋值土壤养分供应充足年为4,赋值土壤养分供应匮乏年为2,再根据历史数据确定4、2、4、2或2、4、2、4的循环顺序及其与具体年的对应关系。
作为本发明进一步的方案:所述S3中的气象数据使用就近国家气象站免费公布的每日气象数据,气象数据指标包括每日的最高温度、平均温度、最低温度、平均相对湿度、最小相对湿度、降水量和日照时数。
作为本发明进一步的方案:所述S4中设定区域产量年型预测模型的概念模型为P=f(S;C),其中P为区域产量年型,取值5、4、3、2、1;S为土壤养分供应年型,取值4、2;C为生产周期内气象条件,包括C1、C2……Cn-1、Cn等气象指标。
作为本发明进一步的方案:所述S5解析得到的区域产量年型预测模型P=a0+a1×S+a2×C1+a3×C2+……+an×Cn-1,其中a0、a1、a2、……、an均为统计方法获得的模型参数。至此,得到具体预测模型。
由于采用了以上技术方案,本发明具有以下有益效果:本发明是基于一个区域过去连续10年以上荔枝产量年型调查或监测结果和就近气象站的气象数据而建立的,模型简单、实用、参数容易获得、预测精度高,可以代表一个气象站所覆盖的荔枝产地区域的产量年型情况,当此模型关系成立后,就可以依据此模型和历史数据、实时数据和未来一段时间气象预测的气象数据进行荔枝区域产量年型的动态预测。
附图说明
为了更清楚地说明本发明,下面将结合附图对实施例作简单的介绍。
图1为一种基于土壤养分供应年型和气象条件的荔枝区域产量年型预测模型的构建方法步骤框图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,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。
参看图1,本发明实施例中,一种荔枝区域产量年型预测模型的构建方法,其方法步骤如下:
S1:进行荔枝区域产量年型数据的准备;
S2:进行土壤养分供应年型的准备;
S3:进行气象数据的准备;
S4:建立区域产量年型预测模型的概念模型;
S5:解析区域产量年型预测模型;
S6:得到具体预测模型。
所述S1中通过模型使用者调查或监测获得荔枝区域产量年型的数据;产量年型数据为同一地区1000亩以上的荔枝园,同时进行连续10年以上的调查和监测获得产量年型数据,将S1中的区域产量年型划分为大年、偏大年、平年、偏小年、小年5级,并分别赋值5、4、3、2、1数值。
所述S2中的土壤养分供应年型的准备,是基于一个区域由于长时间的荔枝与环境条件包括气象条件和土壤养分供应状况的相互作用而形成的总体上区域产量大年年型和小年年型相间的变化规律,其中区域产量大年年型是土壤养分供应充足,区域产量小年年型是土壤养分供应匮乏,赋值土壤养分供应充足年为4,赋值土壤养分供应匮乏年为2,再根据历史数据确定4、2、4、2或2、4、2、4的循环顺序及其与具体年的对应关系。
所述S3中的气象数据使用就近国家气象站免费公布的每日气象数据,气象数据指标包括每日的最高温度、平均温度、最低温度、平均相对湿度、最小相对湿度、降水量和日照时数。
所述S4中设定区域产量年型预测模型的概念模型为P=f(S;C),其中P为区域产量年型,取值5、4、3、2、1;S为土壤养分供应年型,取值4、2;C为生产周期内气象条件,,包括C1、C2……Cn-1、Cn等气象指标。
所述S5解析得到的区域产量年型预测模型P=a0+a1×S+a2×C1+a3×C2+……+an×Cn-1,其中a0、a1、a2、……、an均为统计方法获得的模型参数。至此,得到具体预测模型。
模型的重要意义在于:通过建模可以获得区域荔枝产量年型与土壤养分供应年型和气象条件的关系,为田间土壤养分调控和微气象条件调控提供科学依据。
实施例
S1:进行荔枝区域产量年型数据的准备;
S2:进行土壤养分供应年型的准备;
S3:进行气象数据的准备;
S4:建立区域产量年型预测模型的概念模型;
S5:解析区域产量年型预测模型;
S6:得到具体预测模型。
S1中通过调查获得广西区灵山县7万亩荔枝区域产量年型的历史数据,如表1。
S2中的土壤养分供应年型确定为双数年为偏大年、单数年为偏小年,如表1。
S3中的气象数据使用灵山县气象站历史年每日气象数据,包括每日的最高温度、平均温度、最低温度、平均相对湿度、最小相对湿度、降水量和日照时数。
S4中设定区域产量年型预测模型的概念模型为P=f(S;C),其中P为区域产量年型,取值5、4、3、2、1;S为土壤养分供应年型,双数年取4、单数年取2;C为生产周期内气象条件,包括C1、C2……Cn等气象指标。这里取4个气象指标C1、C2、C3、C4,其中C1为上一年12月每日最低温度的平均,C2为上一年12月每日平均湿度的平均,C3为上一年12月每日最低温度≤11℃天数,C4为上一年12月每日平均湿度≤75%天数。
S5解析得到的区域产量年型预测模型P=a0+a1×S+a2×C1+a3×C2+……+an×Cn-1,其中a0、a1、a2、……、an均为统计方法获得的模型参数。
S6中广西区灵山县荔枝区域产量年型预测模型为:
P=10.501-0.775×C1+0.014×C2-0.131×C3+0.118×C4+0.179×S,r=0.976**,n=14,合格率85.71%。
产量大年气象条件为:影响灵山县荔枝产量年型的关键时期为花芽分化期,相关的气象指标为上一年12月每日最低温度的平均和每日平均湿度的平均。当12月的最低温度<11℃时或这时段内每日最低温度≤11℃天数≥20d时,年型等级高;上一年12月每日平均湿度的平均<75%时或这时段内每日平均湿度≤75%天数≥20d时,年型等级高。
这里定义的预测合格率为:与当年实测年型相比,85%以上误差在±0.5个年型内的结果为预测合格。
分别使用2020和2021年的C1、C2、C3、C4、S对模型进行检验,结果为:2020年实际年型为平年赋值3,2021年实际年型为偏大年赋值4,预测结果分别为3.15和3.98,预测误差分别为0.15和-0.02个年型,预测结果合格。
表1广西区灵山县荔枝区域产量年型预测结果
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解,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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种荔枝区域产量年型预测模型的构建方法,其特征在于:其方法步骤如下:
S1:进行荔枝区域产量年型数据的准备;
S2:进行土壤养分供应年型的准备;
S3:进行气象数据的准备;
S4:建立区域产量年型预测模型的概念模型;
S5:解析区域产量年型预测模型;
S6:得到具体预测模型。
2.根据权利要求1所述的一种荔枝区域产量年型预测模型的构建方法,其特征在于:所述S1中通过模型使用者调查或监测获得荔枝区域产量年型的数据;产量年型数据为同一地区1000亩以上的荔枝园,同时进行连续10年以上的调查和监测获得产量年型数据,将S1中的区域产量年型划分为大年、偏大年、平年、偏小年、小年5级,并分别赋值5、4、3、2、1数值。
3.根据权利要求1所述的一种荔枝区域产量年型预测模型的构建方法,其特征在于:所述S2中的土壤养分供应年型的准备,是基于一个区域由于长时间的荔枝与环境条件包括气象条件和土壤养分供应状况的相互作用而形成的总体上区域产量大年年型和小年年型相间的变化规律,其中区域产量大年年型是土壤养分供应充足,区域产量小年年型是土壤养分供应匮乏,赋值土壤养分供应充足年为4,赋值土壤养分供应匮乏年为2,再根据历史数据确定4、2、4、2或2、4、2、4的循环顺序及其与具体年的对应关系。
4.根据权利要求1所述的一种荔枝区域产量年型预测模型的构建方法,其特征在于:所述S3中的气象数据使用就近国家气象站免费公布的每日气象数据,气象数据指标包括每日的最高温度、平均温度、最低温度、平均相对湿度、最小相对湿度、降水量和日照时数。
5.根据权利要求1所述的一种荔枝区域产量年型预测模型的构建方法,其特征在于:所述S4中设定区域产量年型预测模型的概念模型为P=f(S;C),其中P为区域产量年型,取值5、4、3、2、1;S为土壤养分供应年型,取值4、2;C为生产周期内气象条件,包括C1、C2……Cn-1、Cn等气象指标。
6.根据权利要求1所述的一种荔枝区域产量年型预测模型的构建方法,其特征在于:所述S5解析得到的区域产量年型预测模型P=a0+a1×S+a2×C1+a3×C2+……+an×Cn-1,其中a0、a1、a2、……、an均为统计方法获得的模型参数。至此,得到具体预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210956390.4A CN115310290B (zh) | 2022-08-10 | 2022-08-10 | 一种荔枝区域产量年型预测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210956390.4A CN115310290B (zh) | 2022-08-10 | 2022-08-10 | 一种荔枝区域产量年型预测模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310290A true CN115310290A (zh) | 2022-11-08 |
CN115310290B CN115310290B (zh) | 2023-04-07 |
Family
ID=83860414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210956390.4A Active CN115310290B (zh) | 2022-08-10 | 2022-08-10 | 一种荔枝区域产量年型预测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310290B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101336300A (zh) * | 2005-12-16 | 2008-12-31 | 健泰科生物技术公司 | 神经胶质瘤的诊断、预后和治疗方法 |
CN113408792A (zh) * | 2021-05-31 | 2021-09-17 | 南宁师范大学 | 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 |
CN113408793A (zh) * | 2021-05-31 | 2021-09-17 | 南宁师范大学 | 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 |
CN114219183A (zh) * | 2022-01-24 | 2022-03-22 | 南宁师范大学 | 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 |
CN114330931A (zh) * | 2022-01-24 | 2022-04-12 | 南宁师范大学 | 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 |
-
2022
- 2022-08-10 CN CN202210956390.4A patent/CN115310290B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101336300A (zh) * | 2005-12-16 | 2008-12-31 | 健泰科生物技术公司 | 神经胶质瘤的诊断、预后和治疗方法 |
CN113408792A (zh) * | 2021-05-31 | 2021-09-17 | 南宁师范大学 | 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 |
CN113408793A (zh) * | 2021-05-31 | 2021-09-17 | 南宁师范大学 | 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 |
CN114219183A (zh) * | 2022-01-24 | 2022-03-22 | 南宁师范大学 | 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 |
CN114330931A (zh) * | 2022-01-24 | 2022-04-12 | 南宁师范大学 | 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 |
Non-Patent Citations (6)
Title |
---|
仁增旺姆等: "氮磷添加对垂穗披碱草人工草地生产生态功能的影响分析", 《高原科学研究》 * |
侯显达: "荔枝产量大小年年型等级与气象条件关系研究", 《吉林农业大学学报》 * |
刘贤等: "海南儋州荔枝园土壤养分现状分析", 《热带农业工程》 * |
周修冲等: "名优荔枝营养特性及钾、硫、镁肥效应研究", 《广东农业科学》 * |
甘一忠等: "荔枝丰欠年型气候分析", 《广西农业生物科学》 * |
罗森波: "荔枝大小年的气象条件分析", 《中国农业气象》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115310290B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | The climatic suitability for maize cultivation in China | |
Xiao et al. | Spatio-temporal variation and the driving forces of tea production in China over the last 30 years | |
Yuan et al. | Variety distribution pattern and climatic potential productivity of spring maize in Northeast China under climate change | |
Zhang et al. | Spatial pattern and decadal change of agro-meteorological disasters in the main wheat production area of China during 1991–2009 | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
CN110069032B (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN110909933A (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN115938083B (zh) | 一种基于移动终端农业监测预警方法及系统 | |
CN105389739A (zh) | 设施葡萄低温灾害天气指数保险纯费率的确定方法 | |
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 | |
CN115310290B (zh) | 一种荔枝区域产量年型预测模型的构建方法 | |
CN108460691A (zh) | 一种日光温室连阴寡照气象指数保险方法 | |
CN112493100B (zh) | 基于土壤水势的棉花水分监测滴灌控制方法及系统 | |
CN113408792A (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 | |
CN112987132A (zh) | 一种牡丹气象服务技术研究系统及方法 | |
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 | |
Viola et al. | Olive yield and future climate forcings | |
Juan et al. | The measure of agricultural modernization level in Shanxi Province based on entropy method | |
CN110942183A (zh) | 一种设施黄绣球菊花生育期模拟方法 | |
Li et al. | Risk analysis of wheat yield losses at the county level in mainland china | |
CN111563824B (zh) | 一种基于油松人工林地研究系统及方法 | |
Liangzhi et al. | A climatic classification for rice production in China | |
CN110751322B (zh) | 一种基于大数据分析预测的荔枝控梢促花管理方法 | |
CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
CN113449907A (zh) | 一种基于气象条件的金桔产量区域预报模型的构建方法 |
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 |