CN115860581A - 农作物品种适宜性评价方法、装置、设备及存储介质 - Google Patents
农作物品种适宜性评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115860581A CN115860581A CN202310173483.4A CN202310173483A CN115860581A CN 115860581 A CN115860581 A CN 115860581A CN 202310173483 A CN202310173483 A CN 202310173483A CN 115860581 A CN115860581 A CN 115860581A
- Authority
- CN
- China
- Prior art keywords
- data
- variety
- sample
- suitability
- target
- 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
-
- 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
本发明提供一种农作物品种适宜性评价方法、装置、设备及存储介质,涉及作物品种评价技术领域,所述方法包括:获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据;将品种试验数据和环境气象数据输入品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;其中,品种适宜性评价模型是基于图卷积神经网络构建的。本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
Description
技术领域
本发明涉及作物品种评价技术领域,尤其涉及一种农作物品种适宜性评价方法、装置、设备及存储介质。
背景技术
目前主要农作物审定品种已进入百花齐放的“井喷”时代,审定和上市的品种较多,反而导致“企业卖种难、消费者买种难”的局面。由于缺乏信息技术的支撑,品种推广人员和消费者对品种与环境间的互作认识不足,导致将品种推广到不适宜区域,进而导致优良品种在种植中表现失常,给消费者造成经济损失。所以,育种企业需要品种精准推广的技术支持,消费者也需要获得最适于本地种植品种的信息支持,尤其是面向县(区)范围的品种适宜性精准评价,是品种推广风险评估和市场化运营的重要技术需求。
因此,如何对农作物品种和种植区域之间的适宜性进行评价,将品种推荐到最适宜种植的区域,成为业界亟需解决的问题。
发明内容
针对现有技术存在的问题,本发明提供一种农作物品种适宜性评价方法、装置、设备及存储介质。
第一方面,本发明提供一种农作物品种适宜性评价方法,包括:
获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
可选地,根据本发明提供的一种农作物品种适宜性评价方法,在所述将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果之前,所述方法还包括:
获取目标农作物样本的品种试验数据样本,以及所述目标农作物样本对应的种植区域的环境气象数据样本;
基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集;
将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,所述每一条样本数据中包括所述品种试验数据样本和所述环境气象数据样本;
利用所述图结构数据训练初始品种适宜性评价模型,获得训练完成的所述品种适宜性评价模型。
可选地,根据本发明提供的一种农作物品种适宜性评价方法,所述品种试验数据样本中包括作物性状特征;
所述基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集,包括:
基于所述品种试验数据样本中的所述作物性状特征,确定所述品种试验数据样本对应的目标农作物的生育期起止时间;
基于所述生育期起止时间,确定所述环境气象数据样本中的目标环境气象数据样本,所述目标环境气象数据样本是所述生育期起止时间内的环境气象数据样本;
基于所述品种试验数据样本和所述目标环境气象数据样本,构建所述训练数据集。
可选地,根据本发明提供的一种农作物品种适宜性评价方法,所述训练数据集中的每一条样本数据携带有品种适宜性评价标签;
所述将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,包括:
基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,所述目标特征数据是与所述品种适宜性评价标签的相关性最大的前第一预设数目个特征数据;
分别将所述每一条样本数据中的目标特征数据作为一个关键特征集合;
分别将每一个关键特征集合作为一个节点,构建所述图结构数据。
可选地,根据本发明提供的一种农作物品种适宜性评价方法,所述分别将每一个关键特征集合作为一个节点,构建所述图结构数据,包括:
分别将每一个关键特征集合作为一个节点,并确定所有所述节点中的任意一个目标节点与除所述目标节点之外的其他节点之间的距离,并基于各所述距离,确定与所述目标节点距离最小的前第二预设数目个节点;
建立所述目标节点与所述第二预设数目个节点中的每一个节点之间的双向边;
在确定对所有所述节点中的每一个目标节点建立对应的双向边之后,完成所述图结构数据的构建。
可选地,根据本发明提供的一种农作物品种适宜性评价方法,所述基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,包括:
利用皮尔逊Pearson相关系数,确定所述训练数据集中的所有样本数据中的各特征数据分别与各所述样本数据相对应的品种适宜性评价标签的相关性;
基于各所述相关性,确定训练数据集中的每一条样本数据中的所述目标特征数据。
可选地,在所述将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据之前,所述方法还包括:
对所述训练数据集进行预处理操作;
其中,所述预处理操作包括以下任意一项或多项:
异常值处理、缺失值处理和数据标准化。
第二方面,本发明还提供一种农作物品种适宜性评价装置,包括:
获取模块,用于获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
评价模块,用于将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述农作物品种适宜性评价方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述农作物品种适宜性评价方法。
本发明提供的农作物品种适宜性评价方法、装置、设备及存储介质,通过首先获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据,进而将品种试验数据和环境气象数据输入至基于图卷积神经网络构建的品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;即本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的农作物品种适宜性评价方法的流程示意图;
图2是本发明提供的图卷积神经网络的结构示意图;
图3是本发明提供的原始的比对照增减产性状特征数据分布示意图;
图4是本发明提供的标准化后的比对照增减产性状特征数据分布示意图;
图5是本发明提供的原始的株高性状特征数据分布示意图;
图6是本发明提供的标准化后的株高性状特征数据分布示意图;
图7是本发明提供的农作物品种适宜性评价装置的结构示意图;
图8是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
需要说明的是,农作物品种适宜性评价是指通过对农作物品种在不同种植区域与环境气象条件中生长的关键表型性状进行分析和预测,如产量、质量和抗逆性等,对该品种与种植区域的适宜性进行综合和科学地评价。环境气象条件的变化将持续影响农作物生长的整个周期,对农作物品种适宜性评价有巨大影响。农作物表型性状或作物性状特征是农作物生长与当前种植环境适宜性的直观表现,是环境因素与农作物品种相互作用的结果。
下面结合附图对本发明提供的农作物品种适宜性评价方法、装置、设备及存储介质进行示例性的介绍。
图1是本发明提供的农作物品种适宜性评价方法的流程示意图,如图1所示,该方法包括:
步骤100,获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
步骤110,将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
需要说明的是,本发明实施例提供的农作物品种适宜性评价方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备,也可以为非移动电子设备。示例性地,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、可穿戴设备、超级移动个人计算机(Ultra-mobile Personal Computer,UMPC)、上网本或者个人数字助理(Personal Digital Assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(Personal Computer,PC)、电视机(Television,TV)、柜员机或者自助机等,本发明实施例对此不作具体限定。
下面以计算机执行本发明提供的农作物品种适宜性评价方法为例,详细说明本发明实施例的技术方案。
具体地,为了克服现有技术由于缺乏信息技术的支撑,品种推广人员和消费者对品种与环境间的互作认识不足,导致将品种推广到不适宜区域,进而导致优良品种在种植中表现失常,给消费者造成经济损失的缺陷,本发明通过首先获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据,进而将品种试验数据和环境气象数据输入至基于图卷积神经网络构建的品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;即本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
需要说明的是,本发明实施例中的目标农作物可以是现有的任意农作物,例如可以是玉米、水稻、棉花、小麦和大豆等,本发明实施例对此不作具体限定。
需要说明的是,在本发明实施例中,主要以目标农作物是玉米为例,详细说明本发明实施例的技术方案。
可选地,可以获取待评价的目标农作物的品种试验数据,其中品种试验数据中的每条数据为目标农作物品种在某试验点完成的一次田间试验,每条数据均以四元数据{品种,试验点,试验年度,性状特征集合}表示。
可选地,性状特征集合包括物候期、农艺性状和病虫害情况等。
需要说明的是,物候期是指动植物的生长、发育和活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。农艺性状(Agronomic Traits)指农作物的株高、叶面积和果实重量等可以代表作物品种特点的相关性状。
可选地,可以获取待评价的目标农作物对应的种植区域的环境气象数据,其中环境气象数据中的每条数据均以四元数据{试验点,试验点所属县(区),日期,气象特征集合}表示。
可选地,气象特征集合可以包括温度、湿度、气压、风力和日照等,这些气象数据以天为单位,还可以包括各类气象特征的平均值、最大值和最小值等统计特征。
可选地,可以将获取的目标农作物的品种试验数据和目标农作物对应的种植区域的环境气象数据输入品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果,其中品种适宜性评价模型输出的评价结果用于表征目标农作物的品种和目标农作物对应的种植区域之间的适宜性,且品种适宜性评价模型是基于图卷积神经网络构建的。
可选地,所述图卷积神经网络的表达式如下所示:
例如,图2是本发明提供的图卷积神经网络的结构示意图,如图2所示,图卷积神经网络由1个输入层、4个隐藏层(ND128、ND256、ND64和ND32)和1个输出层组成,每层中间均采用ReLU激活函数提高非线性拟合能力,其中,图中的ND128表示该隐藏层的节点维度是128,ND256表示该隐藏层的节点维度是256,ND64表示该隐藏层的节点维度是64,ND32表示该隐藏层的节点维度是32。
可选地,在本发明实施例中,进行品种适宜性评价针对的种植区域可以到县(区)尺度,即进行评价预测时使用的是该县(区)的代表性环境气象数据。对于少数安装有小型气象站的农场,如果拥有完整的实际观测气象数据,则可以使用本发明实施例中的品种适宜性评价模型进行更小尺度的品种适宜性评价。
需要说明的是,代表性环境气象数据通常为县(区)一段较长时间内的环境气象数据的平均值,以代表该县(区)的一般气候特征。
需要说明的是,本发明实施例针对的种植区域到县(区)尺度,对2000个已知的玉米品种和县(区)之间的适宜性情况进行了测试,获得结果为{Accuracy=0.748,Precision=0.687,Recall=0.911,F1-score=0.783,AUC=0.748},表明本发明实施例中的品种适宜性评价模型的性能较好,其中Accuracy表示评价结果的准确率,计算方式是利用预测正确的样本数除以样本数总数;Precision表示精确率或精度,指的是在预测为真的样本中有多少确实为真;Recall表示召回率,指的是实际上为真的样本有多少被挑选出来;F1-score表示F1分数,是Precision和Recall的加权调和平均;AUC(Area Under Curve)指的是受试者工作特征曲线(ROC,Receiver Operating Characteristic curve)与坐标轴围成的面积,是为了优化Accuracy可能有误判而提出的评价指标。
本发明提供的农作物品种适宜性评价方法,通过首先获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据,进而将品种试验数据和环境气象数据输入至基于图卷积神经网络构建的品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;即本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
可选地,在所述将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果之前,所述方法还包括:
获取目标农作物样本的品种试验数据样本,以及所述目标农作物样本对应的种植区域的环境气象数据样本;
基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集;
将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,所述每一条样本数据中包括所述品种试验数据样本和所述环境气象数据样本;
利用所述图结构数据训练初始品种适宜性评价模型,获得训练完成的所述品种适宜性评价模型。
可以理解的是,在应用品种适宜性评价模型对待评价的目标农作物进行品种适宜性评价之前,需要基于样本数据对初始品种适宜性评价模型进行训练,其中初始品种适宜性评价模型是基于图卷积神经网络初始构建的品种适宜性评价模型。
具体地,在本发明实施例中,对初始品种适宜性评价模型进行训练的过程为:首先获取目标农作物样本的品种试验数据样本,以及目标农作物样本对应的种植区域的环境气象数据样本,然后基于品种试验数据样本和环境气象数据样本构建训练数据集,进而将训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,最后利用图结构数据训练初始品种适宜性评价模型,进而获得训练完成的品种适宜性评价模型,其中训练数据集中的每一条样本数据中包括品种试验数据样本和环境气象数据样本。
需要说明的是,本发明实施例中的目标农作物样本和待评价的目标农作物属于同一种农作物。
表1为目标农作物样本的部分品种试验数据示意,目标农作物样本皆为玉米,品种试验数据中的性状特征集合包括株高(cm)、穗位高(cm)、穗长(cm)、秃尖长(cm)、倒伏率(%)、倒折率(%)、空秆率(%)、生育期(天)、大斑病(级)、灰斑病(级)、穗腐病(级)、百粒重(g)、果穗鲜重(kg)、亩产(kg)和比对照增减产(%)等。
表1品种试验数据
表2为目标农作物样本对应的种植区域的部分环境气象数据示意,环境气象数据中的气象特征集合包括最高温度(℃)、最低温度(℃)、平均温度(℃)、地面气压(hPa)、相对湿度(%)、降水量(mm)、最大风速(m/s)、平均风速(m/s)、风向角度(度)、风力等级(级)和日照时长(h)。
表2环境气象数据
可选地,在本发明实施例中,可以基于目标农作物样本的品种试验数据样本和其对应的种植区域的环境气象数据样本,构建训练数据集,进一步将训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据。
需要说明的是,本发明实施例中的品种适宜性评价模型是基于图卷积神经网络构建的,则可以利用构建的图结构数据对图卷积神经网络进行训练,训练完成后即可得到品种适宜性评价模型。
本发明实施例通过结合目标农作物样本的品种试验数据样本和其对应的种植区域的环境气象数据样本,构建训练数据集,进而基于构建的训练数据集对初始品种适宜性评价模型进行训练,获得训练完成的品种适宜性评价模型,以便于基于训练完成的品种适宜性评价模型对待评价的目标农作物进行适宜性评价。
可选地,所述品种试验数据样本中包括作物性状特征;
所述基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集,包括:
基于所述品种试验数据样本中的所述作物性状特征,确定所述品种试验数据样本对应的目标农作物的生育期起止时间;
基于所述生育期起止时间,确定所述环境气象数据样本中的目标环境气象数据样本,所述目标环境气象数据样本是所述生育期起止时间内的环境气象数据样本;
基于所述品种试验数据样本和所述目标环境气象数据样本,构建所述训练数据集。
具体地,在本发明实施例中,为了实现基于品种试验数据样本和环境气象数据样本构建训练数据集,可以首先基于品种试验数据样本中的作物性状特征,确定品种试验数据样本对应的目标农作物的生育期起止时间,进而基于该生育期起止时间,确定环境气象数据样本中的目标环境气象数据样本,其中该目标环境气象数据样本是品种试验数据样本对应的目标农作物的生育期起止时间内的环境气象数据样本。
可选地,可以根据目标农作物对生育期的不同定义,从每条品种试验数据中的特定的作物性状特征中获得该试验的生育期起止时间。
需要说明的是,决定生育期起止时间的物候期性状根据农作物而定,例如玉米一般是出苗期和成熟期,水稻一般是播种期和成熟期,棉花一般是出苗期和吐絮期等。
需要说明的是,本发明实施例中的目标农作物为玉米,则每个数据样本都使用其出苗期和成熟期作为生育期起止时间。
例如,以表1中的第一条样本数据为例,该品种试验数据的出苗期为2017.5.20,成熟期为2017.9.19,从而确定2017.5.20至2017.9.19为该品种试验数据对应的生育期起止时间。
可选地,可以根据每条品种试验数据对应的生育期起止时间,获取并计算对应试验点的环境气象数据,即目标环境气象数据样本。
可以理解的是,目标环境气象数据样本中的环境气象数据是在每个品种试验生育期起止时间内的阶段性环境气象数据,可进一步分别计算阶段内环境气象数据中各类气象特征的均值和方差,以共同作为训练数据特征。
例如,以表1中的第一条样本数据为例,该品种试验数据对应的生育期起止时间为2017.5.20至2017.9.19,从表2中筛选该试验点在这个时间段内的所有气象数据记录,并进一步进行一些统计值的计算,最终得到的加入训练数据集的环境气象特征数据为{最高温度均值=28.02、最高温度方差=3.83、最低温度均值=16.34、最低温度方差=4.00、平均温度均值=22.15、平均温度方差=3.28、温差均值=11.68、温差方差=4.05、地面气压均值=923.54、地面气压方差=3.38、相对湿度均值=55.27、相对湿度方差=17.63、降水量均值=1.82、降水量方差=3.96、最大风速均值=4.19、最大风速方差=1.48、平均风速均值=1.94、平均风速方差=0.6、风向角度均值=7654.86、风向角度方差=12118.97、风力等级均值=1.76、风力等级方差=0.49、日照时长均值=10.65、日照时长方差=1.69}。
可选地,所述训练数据集中的每一条样本数据携带有品种适宜性评价标签;
所述将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,包括:
基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,所述目标特征数据是与所述品种适宜性评价标签的相关性最大的前第一预设数目个特征数据;
分别将所述每一条样本数据中的目标特征数据作为一个关键特征集合;
分别将每一个关键特征集合作为一个节点,构建所述图结构数据。
具体地,在本发明实施例中,为了基于训练数据集构建图结构数据,可以首先基于数据相关性分析方法,确定训练数据集中的每一条样本数据中的目标特征数据,其中该目标特征数据是与样本数据对应的品种适宜性评价标签的相关性最大的前第一预设数目个特征数据,进而分别将每一条样本数据中的目标特征数据作为一个关键特征集合,并分别将每一个关键特征集合作为一个节点,构建图结构数据。
可选地,在本发明实施例中,第一预设数目可以基于实际应用进行适应性设置,例如第一预设数目可以是5、10、12或15等,本发明实施例对此不作具体限定。
可以理解的是,在本发明实施例中,通过数据相关性分析方法确定训练数据集中与品种适宜性评价最相关的作物性状特征和环境气象特征,并设置关键特征集合,该关键特征集合为训练数据集特征集合的子集。
可选地,所述基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,包括:
利用皮尔逊Pearson相关系数,确定所述训练数据集中的所有样本数据中的各特征数据分别与各所述样本数据相对应的品种适宜性评价标签的相关性;
基于各所述相关性,确定所述训练数据集中的每一条样本数据中的所述目标特征数据。
具体地,在本发明实施例中,为了实现基于数据相关性分析方法,确定训练数据集中的每一条样本数据中的目标特征数据,可以利用皮尔逊Pearson相关系数,确定训练数据集中的所有样本数据中的各特征数据分别与各样本数据相对应的品种适宜性评价标签的相关性,进而基于确定出的各相关性,确定训练数据集中的每一条样本数据中的目标特征数据。
可以理解的是,在本发明实施例中,可以利用皮尔逊Pearson相关系数分析农作物品种适宜性与各农作物性状特征、环境气象特征之间的关系,表达式如下所示:
其中,为Pearson相关系数,其值介于-1到1之间,表示特征/>和品种适宜性标签/>的相关性,定义为/>和/>两个变量的协方差和两个变量标准差乘积的商,/>和/>为训练数据集总共/>个样本中第/>个样本的两个变量的值,/>和/>为两个变量的平均值。
本发明实施例通过利用Pearson相关系数确定与品种适宜性评价最相关的目标特征,表3为特征及基于Pearson相关系数计算得到的各特征对应的相关系数,每个单元格由特征及其计算得到的相关系数组成,相关系数的绝对值越大,表示对应的特征与品种适宜性评价标签的相关性越大,正数表示正相关,负数表示负相关。其中相关性最大的5个特征为:比对照增减产、最低温度均值、相对湿度均值、相对湿度方差和日照时长均值,可以将该5个特征设置为一个关键特征集合。
表3特征及其对应的相关系数
可选地,所述分别将每一个关键特征集合作为一个节点,构建所述图结构数据,包括:
分别将每一个关键特征集合作为一个节点,并确定所有所述节点中的任意一个目标节点与除所述目标节点之外的其他节点之间的距离,并基于各所述距离,确定与所述目标节点距离最小的前第二预设数目个节点;
建立所述目标节点与所述第二预设数目个节点中的每一个节点之间的双向边;
在确定对所有所述节点中的每一个目标节点建立对应的双向边之后,完成所述图结构数据的构建。
具体地,在本发明实施例中,为了构建图结构数据,可以分别将每一个关键特征集合作为一个节点,并确定所有节点中的任意一个目标节点与除该目标节点之外的其他节点之间的距离,并基于各距离,确定与该目标节点距离最小的前第二预设数目个节点,进而建立目标节点与第二预设数目个节点中的每一个节点之间的双向边;最终在确定对所有节点中的每一个目标节点建立对应的双向边之后,完成图结构数据的构建。
可选地,在本发明实施例中,可以基于以下方法中的任意一种距离计算方法确定两个节点之间的距离:欧几里得距离、曼哈顿距离、切比雪夫距离和余弦距离等。
可选地,在本发明实施例中,利用余弦距离计算节点之间的距离,余弦距离计算公式如下式所示:
可选地,第二预设数目可以基于实际应用进行适应性设置,例如第二预设数目可以是3、5或7等,本发明实施例对此不作具体限定。
可选地,针对每个节点(数据样本)来说,可以将其与其他节点间的距离按从小到大排序,确定一个固定的正整数m(第二预设数目),每个节点均统一取前m个距离最小的节点和该节点建立双向的边关系,从而完成图结构数据的构建。
需要说明的是,当m取值过小时,将导致节点间的边过少,不能充分描述样本间的关系,图神经网络训练的效果不佳;当m取值过大时,则将导致节点间的边过多,带来极大的计算开销和压力。因此,m一般可以设置为3,这样当训练数据集的总样本数量为n时,将构建一个节点数为n,节点间拥有3n个双向边的图结构。
例如,在本发明实施例中,训练数据集中共有1万个数据样本,将作为构建图的1万个节点,并分别计算每个数据样本与其他9999个数据样本之间的余弦距离,然后统一取前3个距离最小的数据样本建立双向的边关系,如表4所示。根据表4构建图结构数据,图中节点数为10000,节点间拥有30000个双向边。
表4源节点与距离最近的3个关联节点
可选地,在所述将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据之前,所述方法还包括:
对所述训练数据集进行预处理操作;
其中,所述预处理操作包括以下任意一项或多项:
异常值处理、缺失值处理和数据标准化。
具体地,在本发明实施例中,在将训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据之前,可以先对训练数据集进行预处理操作,包括但不限于对训练数据集进行异常值处理、缺失值处理和数据标准化。
可选地,在本发明实施例中,对异常值和缺失值的处理可以采用填充本列特征数据的平均值等方法,也可以采用基于深度学习的数据填充方法,例如生成对抗网络(Generative Adversarial Networks,GAN)等,本发明实施例对此不作具体限定。
可选地,在本发明实施例中,数据标准化方法可以为极差标准化法、Z-score标准化法、线性比例标准化法、log函数标准化法和反正切函数标准化法等,本发明实施例对此不作具体限定。
例如,表2中某区2019.8.11采集的平均温度为20859.6,类似此数据,与其他数据样本差异明显的异常值和缺失值可以基于计算机系统自动识别,并自动替换为本列特征数据的平均值。
从表1和表2的示例数据可以看出,不同的性状特征和气象特征的取值范围相差很大,会导致模型训练受到影响,因此需要对数据进行标准化,以实现数据之间的可比性。本发明实施例选择的数据标准化方法为Z-score标准化法,其表达式如下式所示:
图3是本发明提供的原始的比对照增减产性状特征数据分布示意图,图4是本发明提供的标准化后的比对照增减产性状特征数据分布示意图,图5是本发明提供的原始的株高性状特征数据分布示意图,图6是本发明提供的标准化后的株高性状特征数据分布示意图,其中,横坐标表示对应的性状特征在数据集中的值(Value),纵坐标表示每个值在数据集中出现的次数(Frequency)。从图3至图6可以看出,数据标准化后原本取值范围相差极大的两个性状已经基本接近,同时其数据分布曲线仍基本保持一致,没有受到太大影响。
可以理解的是,本发明实施例通过对田间采集的品种试验数据及其对应种植区域的环境气象数据的综合分析,可以基于图卷积神经网络训练得到品种适宜性评价模型,对待评价品种和种植区域的适宜性进行提前预测与评价,解决将农作物品种推荐到最适宜种植的区域,或者为县(区)推荐最适宜种植的农作物品种的问题。
本发明提供的农作物品种适宜性评价方法,通过首先获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据,进而将品种试验数据和环境气象数据输入至基于图卷积神经网络构建的品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;即本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
下面对本发明提供的农作物品种适宜性评价装置进行描述,下文描述的农作物品种适宜性评价装置与上文描述的农作物品种适宜性评价方法可相互对应参照。
图7是本发明提供的农作物品种适宜性评价装置的结构示意图,如图7所示,该装置包括:获取模块710和评价模块720;其中:
获取模块710用于获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
评价模块720用于将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
本发明提供的农作物品种适宜性评价装置,通过首先获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据,进而将品种试验数据和环境气象数据输入至基于图卷积神经网络构建的品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;即本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
可选地,所述装置还包括训练模块,所述训练模块用于:
获取目标农作物样本的品种试验数据样本,以及所述目标农作物样本对应的种植区域的环境气象数据样本;
基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集;
将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,所述每一条样本数据中包括所述品种试验数据样本和所述环境气象数据样本;
利用所述图结构数据训练初始品种适宜性评价模型,获得训练完成的所述品种适宜性评价模型。
可选地,所述品种试验数据样本中包括作物性状特征;
所述训练模块还用于:
基于所述品种试验数据样本中的所述作物性状特征,确定所述品种试验数据样本对应的目标农作物的生育期起止时间;
基于所述生育期起止时间,确定所述环境气象数据样本中的目标环境气象数据样本,所述目标环境气象数据样本是所述生育期起止时间内的环境气象数据样本;
基于所述品种试验数据样本和所述目标环境气象数据样本,构建所述训练数据集。
可选地,所述训练数据集中的每一条样本数据携带有品种适宜性评价标签;
所述训练模块还用于:
基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,所述目标特征数据是与所述品种适宜性评价标签的相关性最大的前第一预设数目个特征数据;
分别将所述每一条样本数据中的目标特征数据作为一个关键特征集合;
分别将每一个关键特征集合作为一个节点,构建所述图结构数据。
可选地,所述训练模块还用于:
分别将每一个关键特征集合作为一个节点,并确定所有所述节点中的任意一个目标节点与除所述目标节点之外的其他节点之间的距离,并基于各所述距离,确定与所述目标节点距离最小的前第二预设数目个节点;
建立所述目标节点与所述第二预设数目个节点中的每一个节点之间的双向边;
在确定对所有所述节点中的每一个目标节点建立对应的双向边之后,完成所述图结构数据的构建。
可选地,所述训练模块还用于:
利用皮尔逊Pearson相关系数,确定所述训练数据集中的所有样本数据中的各特征数据分别与各所述样本数据相对应的品种适宜性评价标签的相关性;
基于各所述相关性,确定所述训练数据集中的每一条样本数据中的所述目标特征数据。
可选地,所述装置还包括预处理模块,所述预处理模块用于:
对所述训练数据集进行预处理操作;
其中,所述预处理操作包括以下任意一项或多项:
异常值处理、缺失值处理和数据标准化。
本发明提供的农作物品种适宜性评价装置,通过首先获取待评价的目标农作物的品种试验数据,以及目标农作物对应的种植区域的环境气象数据,进而将品种试验数据和环境气象数据输入至基于图卷积神经网络构建的品种适宜性评价模型,获得品种适宜性评价模型输出的评价结果;即本发明通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
在此需要说明的是,本发明实施例提供的上述农作物品种适宜性评价装置,能够实现上述农作物品种适宜性评价方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本发明实施例还提供一种农作物品种适宜性评价系统,该系统包括品种试验数据获取单元、气象数据获取单元、数据处理单元、模型训练单元和适宜性评价单元;
其中,品种试验数据获取单元用于采集品种田间试验产生的各类表型性状数据,并将采集的性状数据整理存储到服务器;
气象数据获取单元用于获取各种植区域的环境气象数据,并将环境气象数据整理存储到服务器;
数据处理单元用于完成品种试验数据和环境气象数据的结合。具体地,根据待分析农作物的不同,从每一条品种试验数据的特性性状特征中获得该试验的生育期起止时间,再进一步统计并计算该时间段内对应种植区域的环境气象数据;同时,该单元还可以完成异常值、缺失值的处理和数据标准化;
模型训练单元用于分析待训练数据的相关性,进而设置关键特征集合,完成图结构数据的构建,并使用构建的图结构数据训练预置好的图卷积神经网络,得到品种适宜性评价模型;
适宜性评价单元用于对待评价的农作物品种和种植区域之间的适宜性进行评价,该单元可以支持多品种多种植区域的批量评价。
本发明提供的农作物品种适宜性评价系统,通过结合待评价的目标农作物的品种试验数据和其对应的种植区域的环境气象数据,并通过基于图卷积神经网络构建的品种适宜性评价模型,实现对目标农作物品种和其对应的种植区域之间的适宜性进行评价,进而可以实现基于评价结果将目标农作物品种推荐到最适宜种植的区域。
图8是本发明提供的电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行上述各方法所提供的农作物品种适宜性评价方法,该方法包括:
获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的农作物品种适宜性评价方法,该方法包括:
获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的农作物品种适宜性评价方法,该方法包括:
获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (10)
1.一种农作物品种适宜性评价方法,其特征在于,包括:
获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
2.根据权利要求1所述的农作物品种适宜性评价方法,其特征在于,在所述将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果之前,所述方法还包括:
获取目标农作物样本的品种试验数据样本,以及所述目标农作物样本对应的种植区域的环境气象数据样本;
基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集;
将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,所述每一条样本数据中包括所述品种试验数据样本和所述环境气象数据样本;
利用所述图结构数据训练初始品种适宜性评价模型,获得训练完成的所述品种适宜性评价模型。
3.根据权利要求2所述的农作物品种适宜性评价方法,其特征在于,所述品种试验数据样本中包括作物性状特征;
所述基于所述品种试验数据样本和所述环境气象数据样本,构建训练数据集,包括:
基于所述品种试验数据样本中的所述作物性状特征,确定所述品种试验数据样本对应的目标农作物的生育期起止时间;
基于所述生育期起止时间,确定所述环境气象数据样本中的目标环境气象数据样本,所述目标环境气象数据样本是所述生育期起止时间内的环境气象数据样本;
基于所述品种试验数据样本和所述目标环境气象数据样本,构建所述训练数据集。
4.根据权利要求3所述的农作物品种适宜性评价方法,其特征在于,所述训练数据集中的每一条样本数据携带有品种适宜性评价标签;
所述将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据,包括:
基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,所述目标特征数据是与所述品种适宜性评价标签的相关性最大的前第一预设数目个特征数据;
分别将所述每一条样本数据中的目标特征数据作为一个关键特征集合;
分别将每一个关键特征集合作为一个节点,构建所述图结构数据。
5.根据权利要求4所述的农作物品种适宜性评价方法,其特征在于,所述分别将每一个关键特征集合作为一个节点,构建所述图结构数据,包括:
分别将每一个关键特征集合作为一个节点,并确定所有所述节点中的任意一个目标节点与除所述目标节点之外的其他节点之间的距离,并基于各所述距离,确定与所述目标节点距离最小的前第二预设数目个节点;
建立所述目标节点与所述第二预设数目个节点中的每一个节点之间的双向边;
在确定对所有所述节点中的每一个目标节点建立对应的双向边之后,完成所述图结构数据的构建。
6.根据权利要求4所述的农作物品种适宜性评价方法,其特征在于,所述基于数据相关性分析方法,确定所述训练数据集中的每一条样本数据中的目标特征数据,包括:
利用皮尔逊Pearson相关系数,确定所述训练数据集中的所有样本数据中的各特征数据分别与各所述样本数据相对应的品种适宜性评价标签的相关性;
基于各所述相关性,确定所述训练数据集中的每一条样本数据中的所述目标特征数据。
7.根据权利要求2所述的农作物品种适宜性评价方法,其特征在于,在所述将所述训练数据集中的每一条样本数据分别作为一个节点,构建图结构数据之前,所述方法还包括:
对所述训练数据集进行预处理操作;
其中,所述预处理操作包括以下任意一项或多项:
异常值处理、缺失值处理和数据标准化。
8.一种农作物品种适宜性评价装置,其特征在于,包括:
获取模块,用于获取待评价的目标农作物的品种试验数据,以及所述目标农作物对应的种植区域的环境气象数据;
评价模块,用于将所述品种试验数据和所述环境气象数据输入品种适宜性评价模型,获得所述品种适宜性评价模型输出的评价结果;
其中,所述品种适宜性评价模型是基于图卷积神经网络构建的,所述评价结果用于表征所述目标农作物的品种和所述种植区域之间的适宜性。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述农作物品种适宜性评价方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述农作物品种适宜性评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173483.4A CN115860581B (zh) | 2023-02-28 | 2023-02-28 | 农作物品种适宜性评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173483.4A CN115860581B (zh) | 2023-02-28 | 2023-02-28 | 农作物品种适宜性评价方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860581A true CN115860581A (zh) | 2023-03-28 |
CN115860581B CN115860581B (zh) | 2023-05-26 |
Family
ID=85659253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310173483.4A Active CN115860581B (zh) | 2023-02-28 | 2023-02-28 | 农作物品种适宜性评价方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860581B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114627A (zh) * | 2023-10-18 | 2023-11-24 | 日照市自然资源和规划局 | 土地资源管理系统 |
CN117575836A (zh) * | 2024-01-17 | 2024-02-20 | 中化现代农业有限公司 | 农作物生长适宜性评价方法、装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899786A (zh) * | 2015-05-13 | 2015-09-09 | 中国农业大学 | 玉米品种种植适宜性精细区划方法与系统 |
CN110246051A (zh) * | 2019-05-23 | 2019-09-17 | 成都信息工程大学 | 作物生长周期模型及不同种类农产品建立生长周期的方法 |
CN114021619A (zh) * | 2021-10-09 | 2022-02-08 | 清华大学 | 基于图结构演化的分类方法及装置 |
US20220075344A1 (en) * | 2018-12-21 | 2022-03-10 | Yield Systems Oy | A method of finding a target environment suitable for growth of a plant variety |
CN114254964A (zh) * | 2022-03-01 | 2022-03-29 | 北京市农林科学院信息技术研究中心 | 水稻区域气候品质评估方法及系统 |
CN114461903A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 作物品种适宜推广区域确定方法及装置 |
WO2022141869A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 模型训练方法、调用方法、装置、计算机设备和存储介质 |
CN115618021A (zh) * | 2022-12-19 | 2023-01-17 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜种植区域推荐方法及装置 |
-
2023
- 2023-02-28 CN CN202310173483.4A patent/CN115860581B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899786A (zh) * | 2015-05-13 | 2015-09-09 | 中国农业大学 | 玉米品种种植适宜性精细区划方法与系统 |
US20220075344A1 (en) * | 2018-12-21 | 2022-03-10 | Yield Systems Oy | A method of finding a target environment suitable for growth of a plant variety |
CN110246051A (zh) * | 2019-05-23 | 2019-09-17 | 成都信息工程大学 | 作物生长周期模型及不同种类农产品建立生长周期的方法 |
WO2022141869A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 模型训练方法、调用方法、装置、计算机设备和存储介质 |
CN114021619A (zh) * | 2021-10-09 | 2022-02-08 | 清华大学 | 基于图结构演化的分类方法及装置 |
CN114461903A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 作物品种适宜推广区域确定方法及装置 |
CN114254964A (zh) * | 2022-03-01 | 2022-03-29 | 北京市农林科学院信息技术研究中心 | 水稻区域气候品质评估方法及系统 |
CN115618021A (zh) * | 2022-12-19 | 2023-01-17 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜种植区域推荐方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114627A (zh) * | 2023-10-18 | 2023-11-24 | 日照市自然资源和规划局 | 土地资源管理系统 |
CN117575836A (zh) * | 2024-01-17 | 2024-02-20 | 中化现代农业有限公司 | 农作物生长适宜性评价方法、装置、电子设备和存储介质 |
CN117575836B (zh) * | 2024-01-17 | 2024-04-19 | 中化现代农业有限公司 | 农作物生长适宜性评价方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115860581B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115860581A (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
Liu et al. | Automated image-processing for counting seedlings in a wheat field | |
CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
Islam et al. | An image processing technique to calculate percentage of disease affected pixels of paddy leaf | |
CN110579186A (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
CN115099538A (zh) | 籽粒含水量预测方法、装置、设备及介质 | |
James et al. | High‐throughput phenotyping for breeding targets—Current status and future directions of strawberry trait automation | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Szturo et al. | Ontology based expert system for barley grain classification | |
Anindya et al. | IoT Based Climate Prediction System Using Long Short-Term Memory (LSTM) Algorithm as Part of Smart Farming 4.0 | |
Nabwire et al. | Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis | |
CN116563714A (zh) | 一种自动化判别水稻生长阶段的方法和系统 | |
Sharma et al. | Price prediction model of fruits, vegetables and pulses according to weather | |
Araújo et al. | Appropriate search techniques to estimate Weibull function parameters in a Pinus spp. plantation | |
CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
Behtari et al. | Predicting germination of Medicago sativa and Onobrychis viciifolia seeds by using image analysis | |
CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
Vagh et al. | Mining temperature profile data for shire-level crop yield prediction | |
Abdulla et al. | Deep learning and IoT for Monitoring Tomato Plant. | |
CN117745148B (zh) | 基于多源数据的稻茬烤烟种植质量评价方法及系统 | |
Mallikarjuna et al. | Selective Harvesting of Tobacco Leaves: An Approach Based on Texture Features | |
US20230093903A1 (en) | Methods and systems for use in processing images related to crop phenology | |
Rajkumar et al. | Analysis of Seed Testing to Improve Cultivation using Image Processing Techniques | |
Arora et al. | The role of deep learning in agriculture: A review |
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 |