CN115841193B - 一种林业有害生物的预测方法和装置 - Google Patents

一种林业有害生物的预测方法和装置 Download PDF

Info

Publication number
CN115841193B
CN115841193B CN202310127595.6A CN202310127595A CN115841193B CN 115841193 B CN115841193 B CN 115841193B CN 202310127595 A CN202310127595 A CN 202310127595A CN 115841193 B CN115841193 B CN 115841193B
Authority
CN
China
Prior art keywords
data
time sequence
target
meteorological
wood
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.)
Active
Application number
CN202310127595.6A
Other languages
English (en)
Other versions
CN115841193A (zh
Inventor
王宇翔
黄季夏
范磊
张乐
姜超
文兆能
高影
李莎
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.)
Henan Aerospace Hongtu Information Technology Co ltd
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Henan Aerospace Hongtu Information Technology Co ltd
Aerospace Hongtu Information Technology 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 Henan Aerospace Hongtu Information Technology Co ltd, Aerospace Hongtu Information Technology Co Ltd filed Critical Henan Aerospace Hongtu Information Technology Co ltd
Priority to CN202310127595.6A priority Critical patent/CN115841193B/zh
Publication of CN115841193A publication Critical patent/CN115841193A/zh
Application granted granted Critical
Publication of CN115841193B publication Critical patent/CN115841193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种林业有害生物的预测方法和装置，涉及林业监测的技术领域，包括：获取目标区域预设时间段内目标数据的时间序列，其中，目标数据包括：森林病虫害数据、气象数据和木材交易数据；对目标数据的时间序列进行预处理，得到样本时间序列；对样本时间序列进行协整分析，得到协整关系数量和协整方程；基于协整关系数量和协整方程，构建误差修正模型；在获取到目标区域的待预测时刻的气象数据和木材交易数据之后，利用误差修正模型和待预测时刻的气象数据和木材交易数据，确定出待预测时刻的林业有害生物预测结果，解决了现有的林业有害生物的预测方法的准确性较低的技术问题。

Description

一种林业有害生物的预测方法和装置
技术领域
本发明涉及林业监测的技术领域，尤其是涉及一种林业有害生物的预测方法和装置。
背景技术
森林病虫害是我国森林的主要灾害之一，对森林具有毁灭性危害。近年来，森林病虫害的发生范围不断扩增，森林病虫害的种类有8000多种，其中可造成危害的200余种，严重威胁着森林资源安全和生态系统的平衡，并对我国林业生产和经济发展造成严重危害。大力开展森林病虫害防治，对保护森林资源、促进生态环境建设和经济社会可持续发展具有十分重要意义，有必要为森林病虫害防治工作提供技术支撑。技术方案的主要内容如下：传统室内饲养和林间设立标准地观测，遥感监测和通过一年或跨年数据进行间断的模型观测。
但是，现有的技术方案费时费力，且无法大面积实现；遥感监测识别精度不高，且忽略重要社会经济指标影响；模型观测可能存在时间特殊性和偶然性，无法保证避免伪回归以及无法保证长时间的稳定趋势性。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种林业有害生物的预测方法和装置，以缓解了现有的林业有害生物的预测方法的准确性较低的技术问题。
第一方面，本发明实施例提供了一种林业有害生物的预测方法，包括：获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；对所述目标数据的时间序列进行预处理，得到样本时间序列；对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；基于所述协整关系数量和所述协整方程，构建误差修正模型；在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果。
进一步地，对所述目标数据的时间序列进行预处理，得到样本时间序列，包括：对所述森林病虫害数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到所述第一时间序列；对所述木材交易数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到所述第二时间序列；利用克里金插值算法对所述气象数据中的第一目标气象数据进行空间插值，得到第一插值数据，其中，所述第一目标气象数据为不符合正态分布的气象数据；利用反距离加权算法对所述气象数据中的第二目标气象数据进行空间插值，得到第二插值数据，其中，所述第二目标气象数据为符合正态分布的气象数据；对所述第一插值数据和所述第二插值数据与所述目标区域的行政属性进行匹配和连接，得到所述第三时间序列；将所述第一时间序列、所述第二时间序列和所述第三时间序列，确定为所述样本时间序列。
进一步地，对所述样本时间序列进行协整分析，得到协整关系数量和协整方程，包括：基于所述样本时间序列，确定出目标因子，所述目标因子包括：有害生物的发生面积，气象因子和木材产量，所述气象因子包括：春夏季月份气温均值、春夏季月份降水均值和春末夏初月份风速均值；对所述目标因子进行平稳性检验，得到完成检验的目标因子；对所述完成检验的目标因子进行，得到所述协整关系数量和所述协整方程。
进一步地，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果，包括：基于所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的气象因子和木材产量；将所述待预测时刻的气象因子和木材产量输入所述误差修正模型，得到所述待预测时刻的林业有害生物预测结果。
第二方面，本发明实施例还提供了一种林业有害生物的预测装置，包括：获取单元，用于获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；预处理单元，用于对所述目标数据的时间序列进行预处理，得到样本时间序列；分析单元，用于对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；构建单元，用于基于所述协整关系数量和所述协整方程，构建误差修正模型；预测单元，用于在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果。
进一步地，所述预处理单元，用于：对所述森林病虫害数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到所述第一时间序列；对所述木材交易数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到所述第二时间序列；利用克里金插值算法对所述气象数据中的第一目标气象数据进行空间插值，得到第一插值数据，其中，所述第一目标气象数据为不符合正态分布的气象数据；利用反距离加权算法对所述气象数据中的第二目标气象数据进行空间插值，得到第二插值数据，其中，所述第二目标气象数据为符合正态分布的气象数据；对所述第一插值数据和所述第二插值数据与所述目标区域的行政属性进行匹配和连接，得到所述第三时间序列；将所述第一时间序列、所述第二时间序列和所述第三时间序列，确定为所述样本时间序列。
进一步地，所述分析单元，用于：基于所述样本时间序列，确定出目标因子，所述目标因子包括：有害生物的发生面积，气象因子和木材产量，所述气象因子包括：春夏季月份气温均值、春夏季月份降水均值和春末夏初月份风速均值；对所述目标因子进行平稳性检验，得到完成检验的目标因子；对所述完成检验的目标因子进行，得到所述协整关系数量和所述协整方程。
进一步地，所述预测单元，用于：基于所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的气象因子和木材产量；将所述待预测时刻的气象因子和木材产量输入所述误差修正模型，得到所述待预测时刻的林业有害生物预测结果。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；对所述目标数据的时间序列进行预处理，得到样本时间序列；对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；基于所述协整关系数量和所述协整方程，构建误差修正模型；在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果，达到了准确高效的对林业有害生物进行预测的目的，进而解决了现有的林业有害生物的预测方法的准确性较低的技术问题，从而实现了提高林业有害生物的预测准确性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种林业有害生物的预测方法的流程图；
图2为本发明实施例提供的一种林业有害生物的预测装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例一：
根据本发明实施例，提供了一种林业有害生物的预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种林业有害生物的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；
步骤S104，对所述目标数据的时间序列进行预处理，得到样本时间序列；
步骤S106，对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；
步骤S108，基于所述协整关系数量和所述协整方程，构建误差修正模型；
步骤S110，在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果。
在本发明实施例中，通过获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；对所述目标数据的时间序列进行预处理，得到样本时间序列；对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；基于所述协整关系数量和所述协整方程，构建误差修正模型；在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果，达到了准确高效的对林业有害生物进行预测的目的，进而解决了现有的林业有害生物的预测方法的准确性较低的技术问题，从而实现了提高林业有害生物的预测准确性的技术效果。
在本发明实施例中，步骤S104包括如下步骤：
对所述森林病虫害数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到所述第一时间序列；
对所述木材交易数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到所述第二时间序列；
利用克里金插值算法对所述气象数据中的第一目标气象数据进行空间插值，得到第一插值数据，其中，所述第一目标气象数据为不符合正态分布的气象数据；
利用反距离加权算法对所述气象数据中的第二目标气象数据进行空间插值，得到第二插值数据，其中，所述第二目标气象数据为符合正态分布的气象数据；
对所述第一插值数据和所述第二插值数据与所述目标区域的行政属性进行匹配和连接，得到所述第三时间序列；
将所述第一时间序列、所述第二时间序列和所述第三时间序列，确定为所述样本时间序列。
在本发明实施例中，采用由1982-2019年松材线虫病发生面积，并对发生数据进行整合，使之与区县连接。预处理包括对森林病虫害数据进行行政属性匹配和连接。
气象数据来源于气象站点数据，木材产量数据来源于中国林业和草原统计年鉴，与区县进行匹配和属性连接。选择春夏季月份气温均值、春夏季月份降水均值、春末夏初月份风速均值作为预测模型的气象因子自变量；木材交易数据选用每年的木材产量数据，空间为县域尺度。对符合正态分布检验的气象数据采用克里金插值法进行空间插值，对于未通过正态分布检验的气象数据采用反距离加权法进行空间插值，然后对插值完成的气象数据按县域尺度进行分区统计。
在本发明实施例中，步骤S106包括如下步骤：
基于所述样本时间序列，确定出目标因子，所述目标因子包括：有害生物的发生面积，气象因子和木材产量，所述气象因子包括：春夏季月份气温均值、春夏季月份降水均值和春末夏初月份风速均值；
对所述目标因子进行平稳性检验，得到完成检验的目标因子；
对所述完成检验的目标因子进行，得到所述协整关系数量和所述协整方程。
在本发明实施例中，分别对长第一时间序列、第二时间序列和第三时间序列采用单位根检验的方法进行平稳性检验，分别对松材线虫病发生面积、气温、降水、风速、木材产量数据进行平稳性检验，采用单位根检验方法，有三种情形（1）（2）（3）：
若不拒绝原假设，为含单位根的非平稳时间序列；若拒绝原假设，情形（1）（2）中为平稳时间序列，情形（3）中为趋势平稳序列。若各变量的原序列未通过平稳性检验，则对序列进行差分，将差分后的序列进行单位根检验，得到检验结果为变量非平稳但同阶单整。
对于检验后同阶单整的森林病虫害因子、气象因子、木材产量因子进行Johansen（4）协整检验，对各变量建立VAR模型，根据AIC、SC等信息准则，选择最优滞后阶数，并根据变量是否含有截距项和趋势项选择协整检验形式，并对结果进行迹检验（5），对于通过迹检验的结果，获得协整关系个数以及协整方程（6）。
（4）
其中，，。是（y×1）的维向量，其对应所有的变量均为I(1)，和A是估计参数的矩阵，是一个具有确定性元素（常数和趋势）的向量，是一个随机误差矩阵。
（5）
其中，是从估计矩阵中获得的估计有序特征值，是滞后调整后的观测次数。
（6）
其中，Area为区县的发生面积，分别为统计月份平均气温、平均降水量、平均风速，为区县的木材产量；a，b，c，d为各自变量对应的回归系数。
下面对步骤S108进行详细说明。
根据Johansen检验建立向量误差修正模型（7），得到森林病虫害因子对长期趋势的偏离与气象因子、木材产量因子对长期趋势偏离之间的关系。
7）
其中，为误差修正项，参数矩阵分别是对变化的短期和长期修整。
在本发明实施例中，步骤S110包括如下步骤：
基于所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的气象因子和木材产量；
将所述待预测时刻的气象因子和木材产量输入所述误差修正模型，得到所述待预测时刻的林业有害生物预测结果。
在本发明实施例中，在获取到待预测时刻的气象数据和木材交易数据之后，通过待预测时刻的气象数据和木材交易数据确定出待预测时刻的气象因子和木材产量。
将待预测时刻的气象因子和木材产量输入误差修正模型，得到森林病虫害在两个时相的差分值，与已知病虫害数据相加后得到林业有害生物预测结果。
本发明实施例将县域尺度森林病虫害数据、气象数据、木材交易数据采用时间序列协整分析的方法运用于病虫害预测，从而克服传统病虫害预测模型忽略长时间序列趋势性而出现伪回归的缺陷，为森林病虫害预测提供更准确、有针对性的预测。
实施例二：
本发明实施例还提供了一种林业有害生物的预测装置，该林业有害生物的预测装置用于执行本发明实施例上述内容所提供的林业有害生物的预测方法，以下是本发明实施例提供的林业有害生物的预测装置的具体介绍。
如图2所示，图2为上述林业有害生物的预测装置的示意图，该林业有害生物的预测装置包括：
获取单元10，用于获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；
预处理单元20，用于对所述目标数据的时间序列进行预处理，得到样本时间序列；
分析单元30，用于对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；
构建单元40，用于基于所述协整关系数量和所述协整方程，构建误差修正模型；
预测单元50，用于在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果。
在本发明实施例中，通过获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；对所述目标数据的时间序列进行预处理，得到样本时间序列；对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；基于所述协整关系数量和所述协整方程，构建误差修正模型；在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果，达到了准确高效的对林业有害生物进行预测的目的，进而解决了现有的林业有害生物的预测方法的准确性较低的技术问题，从而实现了提高林业有害生物的预测准确性的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-ProgrammableGate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种林业有害生物的预测方法，其特征在于，包括：
获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；
对所述目标数据的时间序列进行预处理，得到样本时间序列；
对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；
基于所述协整关系数量和所述协整方程，构建误差修正模型；
在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果；
其中，对所述样本时间序列进行协整分析，得到协整关系数量和协整方程 ，包括：
基于所述样本时间序列，确定出目标因子，所述目标因子包括：有害生物的发生面积，气象因子和木材产量，所述气象因子包括：春夏季月份气温均值、春夏季月份降水均值和春末夏初月份风速均值；
对所述目标因子进行平稳性检验，得到完成检验的目标因子；
对所述完成检验的目标因子进行迹检验，得到所述协整关系数量和所述协整方程。
2.根据权利要求1所述的方法，其特征在于，对所述目标数据的时间序列进行预处理，得到样本时间序列，包括：
对所述森林病虫害数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到第一时间序列；
对所述木材交易数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到第二时间序列；
利用克里金插值算法对所述气象数据中的第一目标气象数据进行空间插值，得到第一插值数据，其中，所述第一目标气象数据为不符合正态分布的气象数据；
利用反距离加权算法对所述气象数据中的第二目标气象数据进行空间插值，得到第二插值数据，其中，所述第二目标气象数据为符合正态分布的气象数据；
对所述第一插值数据和所述第二插值数据与所述目标区域的行政属性进行匹配和连接，得到第三时间序列；
将所述第一时间序列、所述第二时间序列和所述第三时间序列，确定为所述样本时间序列。
3.根据权利要求1所述的方法，其特征在于，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果，包括：
基于所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的气象因子和木材产量；
将所述待预测时刻的气象因子和木材产量输入所述误差修正模型，得到所述待预测时刻的林业有害生物预测结果。
4.一种林业有害生物的预测装置，其特征在于，包括：
获取单元，用于获取目标区域预设时间段内目标数据的时间序列，其中，所述目标数据包括：森林病虫害数据、气象数据和木材交易数据；
预处理单元，用于对所述目标数据的时间序列进行预处理，得到样本时间序列；
分析单元，用于对所述样本时间序列进行协整分析，得到协整关系数量和协整方程；
构建单元，用于基于所述协整关系数量和所述协整方程，构建误差修正模型；
预测单元，用于在获取到所述目标区域的待预测时刻的气象数据和木材交易数据之后，利用所述误差修正模型和所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的林业有害生物预测结果；
其中，所述分析单元，用于：
基于所述样本时间序列，确定出目标因子，所述目标因子包括：有害生物的发生面积，气象因子和木材产量，所述气象因子包括：春夏季月份气温均值、春夏季月份降水均值和春末夏初月份风速均值；
对所述目标因子进行平稳性检验，得到完成检验的目标因子；
对所述完成检验的目标因子进行迹检验，得到所述协整关系数量和所述协整方程。
5.根据权利要求4所述的装置，其特征在于，所述预处理单元，用于：
对所述森林病虫害数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到第一时间序列；
对所述木材交易数据的时间序列与所述目标区域的行政属性进行匹配和连接，得到第二时间序列；
利用克里金插值算法对所述气象数据中的第一目标气象数据进行空间插值，得到第一插值数据，其中，所述第一目标气象数据为不符合正态分布的气象数据；
利用反距离加权算法对所述气象数据中的第二目标气象数据进行空间插值，得到第二插值数据，其中，所述第二目标气象数据为符合正态分布的气象数据；
对所述第一插值数据和所述第二插值数据与所述目标区域的行政属性进行匹配和连接，得到第三时间序列；
将所述第一时间序列、所述第二时间序列和所述第三时间序列，确定为所述样本时间序列。
6.根据权利要求5所述的装置，其特征在于，所述预测单元，用于：
基于所述待预测时刻的气象数据和木材交易数据，确定出所述待预测时刻的气象因子和木材产量；
将所述待预测时刻的气象因子和木材产量输入所述误差修正模型，得到所述待预测时刻的林业有害生物预测结果。
7.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至3任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至3任一项所述方法的步骤。
CN202310127595.6A 2023-02-17 2023-02-17 一种林业有害生物的预测方法和装置 Active CN115841193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310127595.6A CN115841193B (zh) 2023-02-17 2023-02-17 一种林业有害生物的预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310127595.6A CN115841193B (zh) 2023-02-17 2023-02-17 一种林业有害生物的预测方法和装置

Publications (2)

Publication Number Publication Date
CN115841193A CN115841193A (zh) 2023-03-24
CN115841193B true CN115841193B (zh) 2023-05-09

Family

ID=85579812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310127595.6A Active CN115841193B (zh) 2023-02-17 2023-02-17 一种林业有害生物的预测方法和装置

Country Status (1)

Country Link
CN (1) CN115841193B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574096B (zh) * 2024-01-15 2024-04-05 西安道法数器信息科技有限公司 基于大数据的农林有害生物预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11762125B2 (en) * 2014-09-12 2023-09-19 Climate Llc Forecasting national crop yield during the growing season
CN105118293B (zh) * 2015-09-16 2017-03-29 东南大学 一种考虑长期均衡关系的道路断面交通速度短时预测方法
CN110889571B (zh) * 2018-09-10 2024-05-10 中国林业科学研究院森林生态环境与保护研究所 有林地病(虫)基指数曲线群及其建立方法和应用
CN112465204A (zh) * 2020-11-20 2021-03-09 北京林业大学 一种基于空间异质特征的县域尺度森林病虫害预测方法

Also Published As

Publication number Publication date
CN115841193A (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Yao et al. Spatiotemporal pattern of gross primary productivity and its covariation with climate in China over the last thirty years
Ma et al. Gross primary production of global forest ecosystems has been overestimated
CN115841193B (zh) 一种林业有害生物的预测方法和装置
Aksoy et al. Simulation of future forest and land use/cover changes (2019–2039) using the cellular automata-Markov model
Sharma et al. Increasing agricultural risk to hydro-climatic extremes in India
Finger Biases in farm-level yield risk analysis due to data aggregation
Das et al. Nonstationary modeling of meteorological droughts: application to a region in India
Rusticucci et al. A comparative study of maximum and minimum temperatures over Argentina: NCEP–NCAR reanalysis versus station data
Yuan et al. The evolving distribution of relative humidity conditional upon daily maximum temperature in a warming climate
CN114820262A (zh) 一种二氧化碳排放变化及排放贡献评估方法和装置
CN114357811B (zh) 长历时旱涝事件的确定方法、装置和设备
Vatankhah et al. The economic impacts of climate change on agriculture in Iran:‎ a CGE model analysis
Xavier et al. An evaluation metric for intraseasonal variability and its application to CMIP3 twentieth-century simulations
Li et al. Probabilistic assessment of crop yield loss to drought time‐scales in Xinjiang, China
Noguera et al. Assessment of parametric approaches to calculate the Evaporative Demand Drought Index
Ankrah et al. Spatiotemporal Characteristics of Meteorological Drought and Wetness Events across the Coastal Savannah Agroecological Zone of Ghana
Suarez-Gutierrez et al. Extreme heat and drought typical of an end-of-century climate could occur over Europe soon and repeatedly
Okoh et al. Preliminary results of temperature modelling in Nigeria using neural networks
Makutėnienė et al. An Empirical Investigation into Greenhouse Gas Emissions and Agricultural Economic Performance in Baltic Countries: A Non-Linear Framework
Silva et al. A modelling framework to predict bat activity patterns on wind farms: An outline of possible applications on mountain ridges of North Portugal
Zouabi et al. The direct and indirect effect of climate change on citrus production in Tunisia: a macro and micro spatial analysis
Micheletti et al. A weighted χ 2 test to detect the presence of a major change point in non-stationary Markov chains
Evins et al. The impact of local variations in a temperate maritime climate on building energy use
US20210372647A1 (en) Method and system for automatic detection of malfunctions/inefficient household electronic heating device
Guijarro Quality control and homogenization of climatological series

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