CN116451823A - 一种基于气象主控因子的苹果产量预测方法 - Google Patents
一种基于气象主控因子的苹果产量预测方法 Download PDFInfo
- Publication number
- CN116451823A CN116451823A CN202211616324.9A CN202211616324A CN116451823A CN 116451823 A CN116451823 A CN 116451823A CN 202211616324 A CN202211616324 A CN 202211616324A CN 116451823 A CN116451823 A CN 116451823A
- Authority
- CN
- China
- Prior art keywords
- yield
- meteorological
- months
- apple
- temperature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 241000220225 Malus Species 0.000 claims abstract description 62
- 230000005855 radiation Effects 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 235000021016 apples Nutrition 0.000 claims abstract description 14
- 238000001704 evaporation Methods 0.000 claims abstract description 13
- 230000008020 evaporation Effects 0.000 claims abstract description 13
- 238000001556 precipitation Methods 0.000 claims abstract description 13
- 230000006378 damage Effects 0.000 claims abstract description 10
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 7
- 230000005059 dormancy Effects 0.000 claims abstract description 6
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000009746 freeze damage Effects 0.000 claims description 2
- 230000005094 fruit set Effects 0.000 claims description 2
- 230000035784 germination Effects 0.000 claims description 2
- 230000010152 pollination Effects 0.000 claims description 2
- 238000012097 association analysis method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; 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
- 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
Abstract
本发明公开了一种基于气象主控因子的苹果产量预测方法,具体涉及果树产量预测技术领域,利用苹果基地县单产数据,分别由单产的3年滑动平均、2年滑动平均、5年滑动平均以及二次多项式拟合四种方法拟合基地县苹果趋势产量,进而从苹果单产中分离出气象产量;其次,以气象产量为研究对象,应用灰色关联分析方法分析了太阳总辐射、蒸发皿蒸发量、积温、降水量、风速、最高气温、最低气温、平均气温及高温热害日数、开花期霜冻日数、冬季休眠期低温冻害日数、气温年较差等88种气候因子与苹果基地县气象产量的关联度,提取出了影响基地县气象产量的主控因子;最后,利用支持向量机SVM(Support Vector Machine)定量预测了更长时间段的基地县气象产量。
Description
技术领域
本发明涉及果树产量预测技术领域,更具体地说,本发明涉及一种基于气象主控因子的苹果产量预测方法。
背景技术
通常开展作物产量预测的方法包括农田抽样统计、估产模型法和神经网络法。
传统的农田抽样统计适用于地块级范围,在不同地块间差异较明显,较大地域范围数据采集的难度大、产量预测准确度较差;估产模型是当前粮食作物产量估算的主流方式,分为经验统计模型、作物生长模型、光能利用率模型和耦合模型4种类型,主要是根据气象数据与产量之间的关系建立统计模型,实现作物单产估算的模型,估产模型对于一年生作物的产量预测具有较好的适应型,对于多年生果树开展产量预测的生理学理论支撑较弱。
苹果生产受气象条件的影响和制约,降水、温度和太阳辐射等是影响苹果生长和产量的主要气候因子,但影响苹果产量的主控因子的选择至关重要,主控因子的生物学意义和对产量的贡献成为产量预测结果的关键,不同的地区及不同的苹果品种影响产量的主控因子或有不同。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种基于气象主控因子的苹果产量预测方法,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:一种基于气象主控因子的苹果产量预测方法,包括以下步骤:
S1:获取历史产量数据,并通过所述历史产量数据计算历史趋势产量数据序列;
S2:通过所述趋势产量数据计算出气象产量数据;
S3:基于所述趋势产量数据序列计算出相对应的趋势产量标准差,将所述趋势产量标准差作为产量分离方法优劣的判断依据,判定产地较优的气象产量分离方法,提取出产地的气象产量;
S4:将气象产量时间序列与气象因素时间序列进行灰色关联分析,并根据所述气象产量时间序列与所述气象因素时间序列之间的关联度计算主控因子的贡献度,鉴别主控气象因素;
S5:获取产地太阳总辐射观测数据,计算产地逐月总辐射量的地表反射因子参数值的基础上,太阳月总辐射数据采用各产地的天文辐射、相对日照及辐射参数计算出;
S6:获取产地月降水量、平均温度和平均风速并通过SVM预测产地月蒸发量数据;
S7:采用支持向量机方法将步骤S4中历史主控气象因素作为输入变量,气象产量作为输出变量构建预测模型;
S8:将气象产量预测模型进行校准和验证,采用回归斜率、相关系数、标准差和模型效率指标进行预测精度的判断;
S9:对建立的气象产量预测模型开展精度订正后,预测产地气象产量。
进一步的,步骤S1中所述历史趋势产量数据序列基于所述历史产量数据并通过3年滑动平均、2年滑动平均、5年滑动平均和二次多项式拟合四种方法拟合得到。
进一步的,步骤S6中计算所述月蒸发量时月降水量、平均温度和平均风速作为输入变量,月蒸发量为输出变量。
进一步的,步骤S4中气象因素数量为88个。
进一步的,所述气象因素包括苹果不同物候期:上一年度12月—2月为休眠期、3月为花芽萌发期、4月开花授粉期、5月幼果坐果与花芽生理分化开始期、6—7月为幼果生长期、8—9月为果实膨大期、10月为苹果成熟采收与花芽生理分化完成期。
进一步的,影响苹果生长的气象因素包括气候资源和气象灾害。
进一步的,所述气候资源包括:上一年度11月—当年10月逐月平均气温、降水量,生长季4月—10月逐月蒸发量、太阳总辐射,上年11月—5月逐月最低气温,4月—8月逐月最高气温,4月上、中、下三个旬各旬的平均风速、平均气温、最低气温、最高气温、降雨量,5月上—下三旬的各旬的降雨量,全年≥5℃、6℃、10℃、20℃的有效积温和活动积温
进一步的,所述气象灾害包括高温热害、霜冻害、冻害、干旱,选取高于或低于某一界限温度的日数用于反映气象灾害的影响程度及影响时间,具体为:夏季高温热害日数(年内日最高气温≥35℃日数、≥37℃日数),苹果开花期霜冻日数(4月上、中、下三个旬各旬的日最低气温≤0℃日数、≤-2℃日数),冬季休眠期低温冻害日数(上年12月—2月各月的日最低气温≤-15℃日数),年极端气温差(夏季极端最高气温-上年冬季极端最低气温)。
进一步的,基于辐射参数的计算方法采用Angstom法,计算出不同月份辐射参数各月平均a值、b值,根据各站点的日照时数、可照时数和月天文辐射数据计算出相应月份的太阳辐射。
本发明的有益效果:
本发明本发明基于产地气候资源、气象灾害和苹果产量数据,应用4种方法计算出苹果趋势产量和气象产量,充分利用苹果从上一年休眠期开始至当年成熟采收与花芽生理分化完成期间所有可用的气候资源和气象灾害数据,鉴别出影响基地县/区苹果气象产量的主控气象因素,通过构建气象产量的神经网络模型达到预测的目的,与少数因子和传统统计方法相比更加精准,且提供了苹果在特定基地县/区的主控气象因素集。本发明通过构建苹果气象产量的预测模型,从而预测苹果的单产,提高了单产预测的精度。
附图说明
图1为本发明的88个气象因素示意图。
图2为本发明实施例中陕西苹果基地县/区气象产量主控气象因子集示意图。
图3为本发明实施例中基于SVM预测模型的苹果基地县气象产量精确度示意图。
具体实施方式
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。
一种基于气象主控因子的苹果产量预测方法,以陕西苹果基地县苹果产量为例,包括以下步骤:
S1、根据陕西苹果基地县的苹果单产数据,应用4种方法计算趋势产量,包括:方法1:取前1年、当年和后1年共3年单产的平均值,方法2:前1年和当年2年单产的平均值,方法3:前2年、当年和后2年共5年单产的平均值,方法4:研究时段内逐年单产数据时间序列的二次多项式拟合。作为一种可实施方式,利用MicrosoftExcel2010软件从1981—2016年单产中分别计算获得4种陕西省28个苹果基地县1983—2014年趋势产量数据。
S2、对步骤1中所述趋势产量,根据气象产量为同年单产和趋势产量的差值计算出逐年气象产量。基于陕西省28个苹果基地县1983—2014年4种趋势产量数据分别计算出4种相对应的气象产量数据。
S3、对步骤1中所述趋势产量的波动性(标准差),利用MicrosoftExcel2010软件中标准差函数STDEV.P计算出陕西省28个苹果基地县1983—2014年4种趋势产量的标准差,并将其作为产量分离方法优劣的判断依据,将每个苹果基地县标准差数值最小的方法确定为该地较优的气象产量分离方法,提取出基地县的气象产量。
S4、对苹果基地县/区多年的气象产量时间序列数据与88个气象因素(表1)时间序列进行灰色关联分析,根据关联度计算主控因子的贡献度,鉴别出影响苹果基地县/区气象产量的主控气象因素(表2)。
进一步地,灰色关联分析的计算过程为:确定反映系统行为特征的参考数列和影响系统行为的比较数列进行灰色关联度及关联序分析时,以多年的气象产量数据构成了气象产量系统特征行为序列、将28个县88个气象因素多年数据的时间序列作为比较数列。分析时每种气象因子作为灰色系统的一个因素,应用T灰色关联法对气象因素与气象产量之间的关系做综合分析。
为定量分析影响气象产量的主控因子的大小,引入了贡献率,其计算方法为同一个主控因子与气象产量的灰色关联度的加权平均值,适用于计算不同基地县的苹果基地县中主控因子的贡献程度。利用关联度确定了影响气象产量的主控因子,确定出了影响28个苹果基地县每个基地县气象产量的主控因子集。
作为一种可实施方式,利用MATLABR2014b环境编写了计算苹果基地县气象产量与气候因子关联度的程序。
具体地,计算步骤及方法如下:
确定反映系统行为特征的参考数列和影响系统行为的比较数列;对参考数列和比较数列进行无量纲化处理,本方法采用[0,1]无量纲化方法进行灰色关联度分析时的数据处理;求比较数列与参考数列的灰色关联系数,计算时分辨系数的参数值取值为0.5。
T型关联度:假设对于变量t而言,tk-1和tk分别为t在k-1和k时刻的取值,对于区间[a,b],b>a≥0,令其增量Δtk=tk-tk-1(k=2,3,…,n),对于/>两原始时间序列在[a,b]区间各点的取值分别为:
X0=(x0(t1),x0(t2),...,x0(tn)) (1)
Xi=(xi(t1),xi(t2),...,xi(tn)) (2)
其增量序列为:
Δx0(tk)=x0(tk)-x0(tk-1),(k=2,3,...,n) (3)
Δxi(tk)=xi(tk)-xi(tk-1),(k=2,3,...,n) (4)
计算各个时段的关联系数:
(5)式中:当Δx0(tk)·Δxi(tk)>0时,关联系数ζ(tk)>0,否则,当Δx0(tk)·Δxi(tk)<0,则关联度:
计算关联度时,是根据两序列在对应各时段Δtk=tk-tk-1,(k=2,3,...,n)的增量的大小来判定相对变化态势的接近程度,如果在时段Δtk间两增量的值相等或接近,那么这两序列在时段Δtk间的关联系数就大;反之就小。各时段间的关联系数的加权平均数被定义为两时间序列的关联度。
S5、对步骤4中鉴别出的主控气象因素,有部分苹果基地县/区缺乏直接观测的太阳总辐射观测数据,在计算出陕西黄土高原苹果主产区逐月总辐射量的地表反射因子参数值的基础上,太阳月总辐射数据采用各基地县/区的天文辐射、相对日照及辐射参数计算出;
具体地,基于辐射参数的计算方法采用Angstom法,首先计算出不同月份辐射参数各月平均a值、b值,其次根据各站点的日照时数、可照时数和月天文辐射数据计算出相应月份的太阳辐射。
具体地,计算方法如下:
式(7)中,Rs为太阳辐射,n为日照时数,N为可照时数,n/N为相对日照,Ra为天文辐射,as和bs为辐射参数值,随大气状况和太阳磁偏角(纬度和月份)而变化。
作为一种可实施方式,利用MATLABR2014b环境编写了计算28个苹果基地县各月总辐射的程序。
S6、对步骤4中鉴别出的主控气象因素,有部分苹果基地县/区缺乏直接观测的月蒸发皿蒸发量数据,采用月降水量、平均温度和平均风速利用SVM预测月蒸发量数据,计算月蒸发量时月降水量、平均温度和平均风速作为输入变量,月蒸发量为输出变量。作为一种可实施方式,利用MATLABR2014b环境编写了计算28个苹果基地县各月总辐射的程序。
S7、采用支持向量机方法(Supportvectormachine,SVM),将步骤4鉴别出的历史主控气象因素作为输入变量,气象产量作为输出变量构建预测模型。
具体地,对28个基地县1983—2014年的主控气象因素采用支持向量机方法(Supportvectormachine,SVM),预测其气象产量。作为一种可实施方式,利用MATLABR2014b环境,调用其工具箱开展预测。
S8、对步骤7建立的SVM模型进行校准和验证,在提高SVM模型的预测精度时主要采取了两种方法,第一种方法是基于在构建SVM预测模型时调试多个参数,不断进行参数寻优的校准与调试,以此提高模型预测精度。第二种方法是采用训练函数中的输出变量与预测函数的同期输出变量进行对比,再对输出变量进行订正,根据订正后的变量序列与同期训练函数中的输出序列开展精度分析。采用回归斜率、相关系数、标准差、模型效率(预测正确率)等指标进行预测精度的判断。
具体地,计算方法如下:
(8)式中,Y为多年的气象产量平均值。Yj是计算值,Zi是订正值。通常,标准差越小,两列值之间的偏差程度越小。当E≥0时,订正后的气象产量预测值优于从单产分离出的气象产量平均值;当E接近1时,预测的气象产量准确度非常高。
S9、对步骤8中的SVM模型开展精度订正后,预测苹果基地县/区气象产量。
为了验证本发明的效果,本发明以28个基地县1983—2014年的气象产量为实验对象,实验数据为同期苹果单产数据及88种气象因素,以10种气象要素预测了气象产量。如表3所示,预测值与分离值相关系数在0.584—1之间,平均相关系数为0.943,标准差在0.223—3.411t·hm-2,平均为1.157t·hm-2;模型精度为-0.421–1.0之间,平均为0.84。精度较高,满足县域尺度的苹果产量精度要求;
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于气象主控因子的苹果产量预测方法,其特征在于:包括以下步骤:
S1:获取历史产量数据,并通过所述历史产量数据计算历史趋势产量数据序列;
S2:通过所述趋势产量数据计算出气象产量数据;
S3:基于所述趋势产量数据序列计算出相对应的趋势产量标准差,将所述趋势产量标准差作为产量分离方法优劣的判断依据,判定产地较优的气象产量分离方法,提取出产地的气象产量;
S4:将气象产量时间序列与气象因素时间序列进行灰色关联分析,并根据所述气象产量时间序列与所述气象因素时间序列之间的关联度计算主控因子的贡献度,鉴别主控气象因素;
S5:获取产地太阳总辐射观测数据,计算产地逐月总辐射量的地表反射因子参数值的基础上,太阳月总辐射数据采用各产地的天文辐射、相对日照及辐射参数计算出;
S6:获取产地月降水量、平均温度和平均风速并通过SVM预测产地月蒸发量数据;
S7:采用支持向量机方法将步骤S4中历史主控气象因素作为输入变量,气象产量作为输出变量构建预测模型;
S8:将气象产量预测模型进行校准和验证,采用回归斜率、相关系数、标准差和模型效率指标进行预测精度的判断;
S9:对建立的气象产量预测模型开展精度订正后,预测产地气象产量。
2.根据权利要求1所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:步骤S1中所述历史趋势产量数据序列基于所述历史产量数据并通过3年滑动平均、2年滑动平均、5年滑动平均和二次多项式拟合四种方法拟合得到。
3.根据权利要求1或2所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:步骤S6中计算所述月蒸发量时月降水量、平均温度和平均风速作为输入变量,月蒸发量为输出变量。
4.根据权利要求1所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:步骤S4中气象因素数量为88个。
5.根据权利要求4所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:所述气象因素包括苹果不同物候期:上一年度12月—2月为休眠期、3月为花芽萌发期、4月开花授粉期、5月幼果坐果与花芽生理分化开始期、6—7月为幼果生长期、8—9月为果实膨大期、10月为苹果成熟采收与花芽生理分化完成期。
6.根据权利要求1或4所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:影响苹果生长的气象因素包括气候资源和气象灾害。
7.根据权利要求6所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:所述气候资源包括:上一年度11月—当年10月逐月平均气温、降水量,生长季4月—10月逐月蒸发量、太阳总辐射,上年11月—5月逐月最低气温,4月—8月逐月最高气温,4月上、中、下三个旬各旬的平均风速、平均气温、最低气温、最高气温、降雨量,5月上—下三旬的各旬的降雨量,全年≥5℃、6℃、10℃、20℃的有效积温和活动积温。
8.根据权利要求6所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:所述气象灾害包括高温热害、霜冻害、冻害、干旱,选取高于或低于某一界限温度的日数用于反映气象灾害的影响程度及影响时间,具体为:夏季高温热害日数(年内日最高气温≥35℃日数、≥37℃日数),苹果开花期霜冻日数(4月上、中、下三个旬各旬的日最低气温≤0℃日数、≤-2℃日数),冬季休眠期低温冻害日数(上年12月—2月各月的日最低气温≤-15℃日数),年极端气温差(夏季极端最高气温-上年冬季极端最低气温)。
9.根据权利要求1所述的一种基于气象主控因子的苹果产量预测方法,其特征在于:基于辐射参数的计算方法采用Angstom法,计算出不同月份辐射参数各月平均a值、b值,根据各站点的日照时数、可照时数和月天文辐射数据计算出相应月份的太阳辐射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616324.9A CN116451823A (zh) | 2022-12-15 | 2022-12-15 | 一种基于气象主控因子的苹果产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616324.9A CN116451823A (zh) | 2022-12-15 | 2022-12-15 | 一种基于气象主控因子的苹果产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451823A true CN116451823A (zh) | 2023-07-18 |
Family
ID=87120831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211616324.9A Pending CN116451823A (zh) | 2022-12-15 | 2022-12-15 | 一种基于气象主控因子的苹果产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451823A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056661A (zh) * | 2023-09-08 | 2023-11-14 | 华风气象传媒集团有限责任公司 | 一种气候三伏的确定方法 |
-
2022
- 2022-12-15 CN CN202211616324.9A patent/CN116451823A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056661A (zh) * | 2023-09-08 | 2023-11-14 | 华风气象传媒集团有限责任公司 | 一种气候三伏的确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11617313B2 (en) | Controlling agricultural production areas | |
Bai et al. | Optimization of the nitrogen fertilizer schedule of maize under drip irrigation in Jilin, China, based on DSSAT and GA | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
CN111898922B (zh) | 一种多尺度农作物产量评估方法及系统 | |
Wang et al. | Increased uncertainty in simulated maize phenology with more frequent supra-optimal temperature under climate warming | |
CN109615148B (zh) | 一种确定玉米气象产量的方法和系统 | |
CN110826797B (zh) | 基于多目标综合评价体系确定最佳农业种植系统的方法 | |
CN109800921A (zh) | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 | |
CN105389739A (zh) | 设施葡萄低温灾害天气指数保险纯费率的确定方法 | |
CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN115688997A (zh) | 一种基于积温的茶叶采摘时期预测方法及系统 | |
CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
CN109615149B (zh) | 一种确定甜菜气象产量的方法和系统 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN112989560A (zh) | 一种基于墒情气象数据计算农作物需水量的方法 | |
Wu et al. | Crop yield estimation and irrigation scheduling optimization using a root-weighted soil water availability based water production function | |
CN115049126A (zh) | 基于温度效应和历史阈值的蒸散量预测方法 | |
CN116415704A (zh) | 一种基于多数据融合与同化的区域精量灌溉方法及系统 | |
CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
Zhou et al. | Optimization of cotton irrigation management for different climatic conditions using the CROPGRO-Cotton model | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 |
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 |