CN116384594B - 基于大数据分析的作物虫害预警方法、系统、终端及介质 - Google Patents
基于大数据分析的作物虫害预警方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN116384594B CN116384594B CN202310650813.4A CN202310650813A CN116384594B CN 116384594 B CN116384594 B CN 116384594B CN 202310650813 A CN202310650813 A CN 202310650813A CN 116384594 B CN116384594 B CN 116384594B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- induction
- value
- factor
- factors
- 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
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 158
- 230000006698 induction Effects 0.000 claims abstract description 138
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 241000238631 Hexapoda Species 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims description 66
- 230000001939 inductive effect Effects 0.000 claims description 56
- 230000000875 corresponding effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000411 inducer Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 230000001999 effect on insects Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 16
- 238000011161 development Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001717 pathogenic effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了基于大数据分析的作物虫害预警方法、系统、终端及介质，涉及数据处理技术领域，其技术方案要点是：本发明依据历史虫害监测数据和历史正常监测数据对比分析来提取作为监测项的诱导因素，可以减少实时监测数据的数据量；同时从所有诱导因素中提取影响作物虫害的关联特征，且依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数，在作物虫害预警过程中，既可以体现不同诱导因素对虫害发展的重要程度，又可以对虫害发展速度快的环境场景进行及时预警，实现难度低。
Description
技术领域
本发明涉及数据处理技术领域，更具体地说，它涉及基于大数据分析的作物虫害预警方法、系统、终端及介质。
背景技术
作物、病原物、环境条件三者是影响作物病虫害发生发展的基本因素，在具备致病性的病原物和感病寄住条件下，环境条件就会成为主导因素。而病虫害中的虫害相比于病害而言，其发展过程更依赖环境条件。为此，对于目标作物的某一虫害监测一般是依据目标作物的环境条件变化进行监测。
传统的作物虫害监测主要是采用对单项环境因素超限的概率统计学方法进行分析的，而受不同环境因素对作物中同一虫害的重要程度不同影响，基于概率统计学方法的作物虫害监测存在稳定性较差的问题。为此，现有技术中记载有采用神经网络模型对作物的历史虫害数据进行训练，以构建虫害监测或预测的预测模型。然而，依据历史虫害数据所训练的预测模型主要考虑的各个环境因素的分布情况，对于不同环境因素对作物中同一虫害的重要程度需要大量样本数据叠加才能体现，所以采用预测模型的作物虫害监测复杂度高。此外，在作物虫害发展过程中，一般存在两个及以上的环境因素协同促使作物快速虫害，所以存在多组的环境因素协同作用下的虫害发展速度会比无环境因素协同作用下的虫害发展速度快，而采用预测模型的作物虫害监测无法实现在不同环境因素协同作用下的虫害及时预警。
因此，如何研究设计一种能够克服上述缺陷的基于大数据分析的作物虫害预警方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供基于大数据分析的作物虫害预警方法、系统、终端及介质，在作物虫害预警过程中，既可以体现不同诱导因素对虫害发展的重要程度，又可以对虫害发展速度快的环境场景进行及时预警，实现难度低。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了基于大数据分析的作物虫害预警方法，包括以下步骤：
将目标物所对应的历史虫害监测数据和历史正常监测数据中的各个监测项数据进行差值分析，并提取差值超限的监测项作为诱导因素；
以诱导因素在历史正常监测数据中的监测值作为监测阈值，并以诱导因素在历史虫害监测数据中的监测值作为临界值；
从所有诱导因素中随机提取对虫害发生产生相互促进作用的两个诱导因素，得到由两个提取的诱导因素所确定的关联特征；
依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数；
获取目标物的实时监测数据，并依据实时监测数据中各个诱导因素的实际监测值相对于监测阈值和临界值的分布位置将实际监测值转换成突变参数；
结合各个诱导因素的突变参数和对应的权重系数进行权重计算得到目标物的实时突变值，并在实时突变值超过目标物的突变阈值时生成作物虫害预警信号。
进一步的，所述诱导因素的权重系数分配过程具体为：
确定每一个诱导因素所覆盖的关联特征数量；
依据诱导因素的关联特征数量为对应诱导因素分配呈正相关的权重系数；
所有诱导因素的权重系数之和为1。
进一步的，所述诱导因素的权重系数计算公式具体为：
；
其中，表示第/>个诱导因素的权重系数；/>表示第/>个诱导因素所覆盖的关联特征数量；/>表示每一个关联特征对诱导因素的分配基数增量；/>表示诱导因素的数量；/>表示关联特征的数量。
进一步的，所述诱导因素的权重系数计算公式具体为：
；
其中，表示第/>个诱导因素的权重系数；/>表示第/>个诱导因素所覆盖的关联特征数量；/>表示诱导因素的数量；/>均为常值。
进一步的，所述实际监测值转换成突变参数的过程具体为：
以诱导因素的临界值与监测阈值之间的值宽度作为突变基础宽度；
以诱导因素的实际监测值与监测阈值之间的值宽度作为实际突变宽度；
以实际突变宽与突变基础宽度之比作为对应诱导因素的突变参数。
进一步的，所述突变参数的计算公式具体为：
；
其中，表示第/>个诱导因素的突变参数；/>表示第/>个诱导因素的实际监测值；/>表示第/>个诱导因素的监测阈值；/>表示第/>个诱导因素的临界值。
进一步的，若所述诱导因素的临界值大于诱导因素的监测阈值，则诱导因素的实际监测值大于或等于诱导因素的监测阈值；
若所述诱导因素的临界值小于诱导因素的监测阈值，则诱导因素的实际监测值小于或等于诱导因素的监测阈值。
第二方面，提供了基于大数据分析的作物虫害预警系统，包括：
因素提取模块，用于将目标物所对应的历史虫害监测数据和历史正常监测数据中的各个监测项数据进行差值分析，并提取差值超限的监测项作为诱导因素；
边界确定模块，用于以诱导因素在历史正常监测数据中的监测值作为监测阈值，并以诱导因素在历史虫害监测数据中的监测值作为临界值；
关联分析模块，用于从所有诱导因素中随机提取对虫害发生产生相互促进作用的两个诱导因素，得到由两个提取的诱导因素所确定的关联特征；
权重分配模块，用于依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数；
参数转换模块，用于获取目标物的实时监测数据，并依据实时监测数据中各个诱导因素的实际监测值相对于监测阈值和临界值的分布位置将实际监测值转换成突变参数；
虫害预警模块，用于结合各个诱导因素的突变参数和对应的权重系数进行权重计算得到目标物的实时突变值，并在实时突变值超过目标物的突变阈值时生成作物虫害预警信号。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器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中任意一项所述的基于大数据分析的作物虫害预警方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的基于大数据分析的作物虫害预警方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提供的基于大数据分析的作物虫害预警方法，依据历史虫害监测数据和历史正常监测数据对比分析来提取作为监测项的诱导因素，可以减少实时监测数据的数据量；同时从所有诱导因素中提取影响作物虫害的关联特征，且依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数，在作物虫害预警过程中，既可以体现不同诱导因素对虫害发展的重要程度，又可以对虫害发展速度快的环境场景进行及时预警，实现难度低；
2、本发明在诱导因素的权重系数分配过程中，可以先考虑关联特征和所有诱导因素的整体分布情况，再结合关联特征对诱导因素的增量影响，实现了所有诱导因素的权重系数合理分配；
3、本发明在诱导因素的权重系数分配过程中，考虑了随着关联特征增多而难以对虫害发展速度保持相同的增速促进作用，保证了诱导因素的权重系数分配的精确度；
4、本发明以实际突变宽与突变基础宽度之比作为对应诱导因素的突变参数，既可以适用于诱导因素的实际监测值以递减趋势进行突变的情况，也可以适用于诱导因素的实际监测值以递增趋势进行突变的情况。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例1中的流程图；
图2是本发明实施例2中的系统框图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：基于大数据分析的作物虫害预警方法，如图1所示，包括以下步骤：
步骤S1：将目标物所对应的历史虫害监测数据和历史正常监测数据中的各个监测项数据进行差值分析，并提取差值超限的监测项作为诱导因素；
步骤S2：以诱导因素在历史正常监测数据中的监测值作为监测阈值，并以诱导因素在历史虫害监测数据中的监测值作为临界值；
步骤S3：从所有诱导因素中随机提取对虫害发生产生相互促进作用的两个诱导因素，得到由两个提取的诱导因素所确定的关联特征；
步骤S4：依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数；
步骤S5：获取目标物的实时监测数据，并依据实时监测数据中各个诱导因素的实际监测值相对于监测阈值和临界值的分布位置将实际监测值转换成突变参数；
步骤S6：结合各个诱导因素的突变参数和对应的权重系数进行权重计算得到目标物的实时突变值，并在实时突变值超过目标物的突变阈值时生成作物虫害预警信号。
本发明中作物虫害预警方法适用于目标物的单一虫害类型监测，为此，历史虫害监测数据和历史正常监测数据均是针对目标物的同一虫害进行采集得到。而在差值分析过程中，主要是计算正常情况下和虫害情况下，同一监测项之间数据差值的绝对值，为了适应监测数据采集过程中所存在的误差波动和环境随机波动，可以设置一定阈值进行过滤。
需要说明的是，监测阈值可以是所有历史正常监测数据中对应监测值的平均值，也可以是历史正常监测数据中统计概率最大所对应的监测值。
同理，临界值可以是所有历史虫害监测数据中对应监测值的平均值，也可以是历史虫害监测数据中统计概率最大所对应的监测值。
对于关联特征而言，以温度和湿度两个诱导因素为例，若温度对某一虫害的单独促进作用为A，而湿度对某一虫害的单独促进作用为B，若温度和和湿度同时对某一虫害的促进作用为C。当C≤A+B时，则说明温度与湿度不存在相互促进作用；若C＞A+B时，则说明温度与湿度存在相互促进作用，那么温度和湿度的标记特征可以即为H(A,B)。
诱导因素的权重系数分配过程具体为：确定每一个诱导因素所覆盖的关联特征数量；依据诱导因素的关联特征数量为对应诱导因素分配呈正相关的权重系数；所有诱导因素的权重系数之和为1。
作为一种可选的实施方式，诱导因素的权重系数计算公式具体为：
；
其中，表示第/>个诱导因素的权重系数；/>表示第/>个诱导因素所覆盖的关联特征数量；/>表示每一个关联特征对诱导因素的分配基数增量，一般情况下取值不大于1，如取值为0.8或1；/>表示诱导因素的数量；/>表示关联特征的数量。
以6个诱导因素为例，其中，诱导因素1与诱导因素6、诱导因素2与诱导因素3、诱导因素3与诱导因素6、诱导因素5与诱导因素6均存在关联特征，那么关联特征数量总计为4。
若每一个关联特征对诱导因素的分配基数增量设置为1，那么诱导因素1的分配基数为2、诱导因素2的分配基数为2、诱导因素3的分配基数为3、诱导因素4的分配基数为1、诱导因素5的分配基数为2、诱导因素6的分配基数为4。
通过计算可得，诱导因素1-6的权重系数分别为1/7、1/7、3/14、1/14、1/7、2/7。
本发明在诱导因素的权重系数分配过程中，可以先考虑关联特征和所有诱导因素的整体分布情况，再结合关联特征对诱导因素的增量影响，实现了所有诱导因素的权重系数合理分配。
作为一种可选的实施方式，诱导因素的权重系数计算公式具体为：
；
其中，表示第/>个诱导因素的权重系数；/>表示第/>个诱导因素所覆盖的关联特征数量；/>表示诱导因素的数量；/>均为常值，例如/>取值为1，/>取值为0.5。
本发明在诱导因素的权重系数分配过程中，考虑了随着关联特征增多而难以对虫害发展速度保持相同的增速促进作用，保证了诱导因素的权重系数分配的精确度。
实际监测值转换成突变参数的过程具体为：以诱导因素的临界值与监测阈值之间的值宽度作为突变基础宽度；以诱导因素的实际监测值与监测阈值之间的值宽度作为实际突变宽度；以实际突变宽与突变基础宽度之比作为对应诱导因素的突变参数。
在本实施例中，突变参数的计算公式具体为：
；
其中，表示第/>个诱导因素的突变参数；/>表示第/>个诱导因素的实际监测值；/>表示第/>个诱导因素的监测阈值；/>表示第/>个诱导因素的临界值。
需要说明的是，若诱导因素的临界值大于诱导因素的监测阈值，则诱导因素的实际监测值大于或等于诱导因素的监测阈值；若诱导因素的临界值小于诱导因素的监测阈值，则诱导因素的实际监测值小于或等于诱导因素的监测阈值。
本发明以实际突变宽与突变基础宽度之比作为对应诱导因素的突变参数，既可以适用于诱导因素的实际监测值以递减趋势进行突变的情况，也可以适用于诱导因素的实际监测值以递增趋势进行突变的情况。
实施例2：基于大数据分析的作物虫害预警系统，该系统用于实现实施例1中所记载的基于大数据分析的作物虫害预警方法，如图2所示，包括因素提取模块、边界确定模块、关联分析模块、权重分配模块、参数转换模块和虫害预警模块。
其中，因素提取模块，用于将目标物所对应的历史虫害监测数据和历史正常监测数据中的各个监测项数据进行差值分析，并提取差值超限的监测项作为诱导因素；边界确定模块，用于以诱导因素在历史正常监测数据中的监测值作为监测阈值，并以诱导因素在历史虫害监测数据中的监测值作为临界值；关联分析模块，用于从所有诱导因素中随机提取对虫害发生产生相互促进作用的两个诱导因素，得到由两个提取的诱导因素所确定的关联特征；权重分配模块，用于依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数；参数转换模块，用于获取目标物的实时监测数据，并依据实时监测数据中各个诱导因素的实际监测值相对于监测阈值和临界值的分布位置将实际监测值转换成突变参数；虫害预警模块，用于结合各个诱导因素的突变参数和对应的权重系数进行权重计算得到目标物的实时突变值，并在实时突变值超过目标物的突变阈值时生成作物虫害预警信号。
工作原理：本发明依据历史虫害监测数据和历史正常监测数据对比分析来提取作为监测项的诱导因素，可以减少实时监测数据的数据量；同时从所有诱导因素中提取影响作物虫害的关联特征，且依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数，在作物虫害预警过程中，既可以体现不同诱导因素对虫害发展的重要程度，又可以对虫害发展速度快的环境场景进行及时预警，实现难度低。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于大数据分析的作物虫害预警方法，其特征是，包括以下步骤：
将目标物所对应的历史虫害监测数据和历史正常监测数据中的各个监测项数据进行差值分析，并提取差值超限的监测项作为诱导因素；
以诱导因素在历史正常监测数据中的监测值作为监测阈值，并以诱导因素在历史虫害监测数据中的监测值作为临界值；
从所有诱导因素中随机提取对虫害发生产生相互促进作用的两个诱导因素，得到由两个提取的诱导因素所确定的关联特征；
依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数；
获取目标物的实时监测数据，并依据实时监测数据中各个诱导因素的实际监测值相对于监测阈值和临界值的分布位置将实际监测值转换成突变参数；
结合各个诱导因素的突变参数和对应的权重系数进行权重计算得到目标物的实时突变值，并在实时突变值超过目标物的突变阈值时生成作物虫害预警信号；
所述诱导因素的权重系数分配过程具体为：
确定每一个诱导因素所覆盖的关联特征数量；
依据诱导因素的关联特征数量为对应诱导因素分配呈正相关的权重系数；
所有诱导因素的权重系数之和为1；
所述诱导因素的权重系数计算公式具体为：
其中，εi表示第i个诱导因素的权重系数；Gi表示第i个诱导因素所覆盖的关联特征数量；k表示每一个关联特征对诱导因素的分配基数增量；N表示诱导因素的数量；n表示关联特征的数量；
或，所述诱导因素的权重系数计算公式具体为：
其中，εi表示第i个诱导因素的权重系数；Gi表示第i个诱导因素所覆盖的关联特征数量；N表示诱导因素的数量；a、b均为常值；
所述实际监测值转换成突变参数的过程具体为：
以诱导因素的临界值与监测阈值之间的值宽度作为突变基础宽度；
以诱导因素的实际监测值与监测阈值之间的值宽度作为实际突变宽度；
以实际突变宽度与突变基础宽度之比作为对应诱导因素的突变参数。
2.根据权利要求1所述的基于大数据分析的作物虫害预警方法，其特征是，所述突变参数的计算公式具体为：
其中，Ti表示第i个诱导因素的突变参数；Si表示第i个诱导因素的实际监测值；Yi表示第i个诱导因素的监测阈值；Li表示第i个诱导因素的临界值。
3.根据权利要求1所述的基于大数据分析的作物虫害预警方法，其特征是，若所述诱导因素的临界值大于诱导因素的监测阈值，则诱导因素的实际监测值大于或等于诱导因素的监测阈值；
若所述诱导因素的临界值小于诱导因素的监测阈值，则诱导因素的实际监测值小于或等于诱导因素的监测阈值。
4.基于大数据分析的作物虫害预警系统，其特征是，包括：
因素提取模块，用于将目标物所对应的历史虫害监测数据和历史正常监测数据中的各个监测项数据进行差值分析，并提取差值超限的监测项作为诱导因素；
边界确定模块，用于以诱导因素在历史正常监测数据中的监测值作为监测阈值，并以诱导因素在历史虫害监测数据中的监测值作为临界值；
关联分析模块，用于从所有诱导因素中随机提取对虫害发生产生相互促进作用的两个诱导因素，得到由两个提取的诱导因素所确定的关联特征；
权重分配模块，用于依据所有诱导因素的数量和关联特征的分布情况为每个诱导因素分配权重系数；
参数转换模块，用于获取目标物的实时监测数据，并依据实时监测数据中各个诱导因素的实际监测值相对于监测阈值和临界值的分布位置将实际监测值转换成突变参数；
虫害预警模块，用于结合各个诱导因素的突变参数和对应的权重系数进行权重计算得到目标物的实时突变值，并在实时突变值超过目标物的突变阈值时生成作物虫害预警信号；
所述诱导因素的权重系数分配过程具体为：
确定每一个诱导因素所覆盖的关联特征数量；
依据诱导因素的关联特征数量为对应诱导因素分配呈正相关的权重系数；
所有诱导因素的权重系数之和为1；
所述诱导因素的权重系数计算公式具体为：
其中，εi表示第i个诱导因素的权重系数；Gi表示第i个诱导因素所覆盖的关联特征数量；k表示每一个关联特征对诱导因素的分配基数增量；N表示诱导因素的数量；n表示关联特征的数量；
或，所述诱导因素的权重系数计算公式具体为：
其中，εi表示第i个诱导因素的权重系数；Gi表示第i个诱导因素所覆盖的关联特征数量；N表示诱导因素的数量；a、b均为常值；
所述实际监测值转换成突变参数的过程具体为：
以诱导因素的临界值与监测阈值之间的值宽度作为突变基础宽度；
以诱导因素的实际监测值与监测阈值之间的值宽度作为实际突变宽度；
以实际突变宽度与突变基础宽度之比作为对应诱导因素的突变参数。
5.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-3中任意一项所述的基于大数据分析的作物虫害预警方法。
6.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-3中任意一项所述的基于大数据分析的作物虫害预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310650813.4A CN116384594B (zh) | 2023-06-05 | 2023-06-05 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310650813.4A CN116384594B (zh) | 2023-06-05 | 2023-06-05 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384594A CN116384594A (zh) | 2023-07-04 |
| CN116384594B true CN116384594B (zh) | 2023-08-01 |
Family
ID=86971494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310650813.4A Active CN116384594B (zh) | 2023-06-05 | 2023-06-05 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384594B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117040137B (zh) * | 2023-10-09 | 2024-05-07 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818642A (zh) * | 2012-07-18 | 2012-12-12 | 辽宁省海洋水产科学研究院 | 刺参病害预警系统 |
| CN109035057A (zh) * | 2018-09-30 | 2018-12-18 | 田东县文设芒果专业合作社 | 带有观光走廊的芒果虫害智能监测系统 |
| CN111460990A (zh) * | 2020-03-31 | 2020-07-28 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
| CN113283629A (zh) * | 2021-04-01 | 2021-08-20 | 安徽农业大学 | 一种基于大数据的多元农作物病虫害监测预警方法 |
| CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
| CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| CN115169750A (zh) * | 2022-09-01 | 2022-10-11 | 广东省农业科学院植物保护研究所 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11849677B2 (en) * | 2020-10-08 | 2023-12-26 | Senslytics Corporation | Method and apparatus for applying intuition technology to better preserve grains against pest damages in smart silos |
| CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
-
2023
- 2023-06-05 CN CN202310650813.4A patent/CN116384594B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818642A (zh) * | 2012-07-18 | 2012-12-12 | 辽宁省海洋水产科学研究院 | 刺参病害预警系统 |
| CN109035057A (zh) * | 2018-09-30 | 2018-12-18 | 田东县文设芒果专业合作社 | 带有观光走廊的芒果虫害智能监测系统 |
| CN111460990A (zh) * | 2020-03-31 | 2020-07-28 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
| CN113283629A (zh) * | 2021-04-01 | 2021-08-20 | 安徽农业大学 | 一种基于大数据的多元农作物病虫害监测预警方法 |
| CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
| CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| CN115169750A (zh) * | 2022-09-01 | 2022-10-11 | 广东省农业科学院植物保护研究所 | 一种基于物联网的鳞翅目害虫防治方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| William Dalmorra de Souza,etc.A Model for Pest Infestation Prediction in Crops Based on Local Meteorological Monitoring Stations.《2017 Sixteenth Mexican International Conference on Artificial Intelligence (MICAI)》.2018,第39-45页. * |
| 基于多源遥感数据的森林虫害监测及驱动力分析;罗先轶 等;《航天返回与遥感》;第43卷(第6期);第129-140页 * |
| 数据挖掘技术在广西红树林病虫害气候因素分析中的应用——以广州小斑螟为例;梁燕红;《玉林师范学院学报》;第38卷(第5期);第131-135页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384594A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107086944B (zh) | 一种异常检测方法和装置 | |
| CN107808122B (zh) | 目标跟踪方法及装置 | |
| CN111984503A (zh) | 一种监控指标数据异常数据识别的方法及装置 | |
| CN116384594B (zh) | 基于大数据分析的作物虫害预警方法、系统、终端及介质 | |
| Yue et al. | An approach to assessing site index changes of Norway spruce based on spatially and temporally disjunct measurement series | |
| CN116306323A (zh) | 一种数字孪生模型的确定方法、装置、终端设备及介质 | |
| CN111402235B (zh) | 菌落图像的生长记录方法、装置、电子设备及存储介质 | |
| CN114898000A (zh) | 考虑环境因素的红枣成熟采摘分析方法、系统及终端 | |
| CN110580265B (zh) | Etl任务的处理方法、装置、设备及存储介质 | |
| CN117170980A (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
| CN112380126A (zh) | Web系统健康预测装置及方法 | |
| EP4287083A1 (en) | Determination program, determination apparatus, and method of determining | |
| CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
| CN111539508A (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
| CN113793076B (zh) | 一种风险池动态监测方法、系统、设备和可读存储介质 | |
| Pazhayamadom et al. | Decision Interval Cumulative Sum Harvest Control Rules (DI-CUSUM-HCR) for managing fisheries with limited historical information | |
| CN107203916B (zh) | 一种用户信用模型建立方法及装置 | |
| CN111523576B (zh) | 一种适用于电子质量检测的密度峰值聚类离群点检测方法 | |
| CN110826904B (zh) | 风机的数据处理方法、装置、处理设备及可读存储介质 | |
| CN114782519A (zh) | 基于点云信息的球形或类球形物体定位方法、装置及介质 | |
| CN114399780A (zh) | 表格检测方法、表格检测模型训练方法及装置 | |
| EP2652675A1 (en) | Processing distributions of a population over a region of interest divided into a plurality of cells | |
| CN117151342B (zh) | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 | |
| CN110599622A (zh) | 应用于飞机飞行状态的参数表征方法 | |
| CN112487250B (zh) | 识别养号账号群的方法及装置 |
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 |