CN117033810B - 一种基于大数据的农业数据分析管理系统及方法 - Google Patents
一种基于大数据的农业数据分析管理系统及方法 Download PDFInfo
- Publication number
- CN117033810B CN117033810B CN202310584420.8A CN202310584420A CN117033810B CN 117033810 B CN117033810 B CN 117033810B CN 202310584420 A CN202310584420 A CN 202310584420A CN 117033810 B CN117033810 B CN 117033810B
- Authority
- CN
- China
- Prior art keywords
- crop
- yield
- planting
- crops
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007405 data analysis Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 241000238631 Hexapoda Species 0.000 claims description 52
- 241000607479 Yersinia pestis Species 0.000 claims description 51
- 201000010099 disease Diseases 0.000 claims description 50
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 50
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 14
- 239000000575 pesticide Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 230000016507 interphase Effects 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 238000012272 crop production Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
Abstract
本发明涉及可控农业技术领域，具体为一种基于大数据的农业数据分析管理系统及方法，所述系统包括历史数据查询模块、生长环境分析模块、种植方式分析模块以及综合种植条件评估模块，所述综合条件评估模块用于结合生长环境分析模块与种植方式分析模块的结果，进一步分析待监测农作物最佳生长条件，本发明通过历史数据分析得到任意地段相同农作物产量情况，并提取任意地段内种植同一种类农作物生长状态进行分析，结合同一种类农作物在不同生长环境以及不同种植方式下的产量情况，通过分析结果进行匹配对应种类农作物最佳生长条件，进而使得农作物生产质量得到有效提高，还使得农作物产量得到有效提高。
Description
技术领域
本发明涉及可控农业技术领域，具体为一种基于大数据的农业数据分析管理系统及方法。
背景技术
农业是国民经济的基础，根据农业的产业链条划分，农业大数据主要集中在农业环境与资源、农业生产、农业市场和农业管理等领域。农业环境与资源主要包括土地资源数据、水资源数据、气象资源数据、生物资源数据和灾害数据；农业生产数据包括种植业生产数据和养殖业生产数据；农业市场数据包括市场供求信息、价格行情、生产资料市场信息、价格及利润、流通市场和国际市场信息等；农业管理数据主要包括国民经济基本信息、国内生产信息、贸易信息、国际农产品动态信息和突发事件信息等。
随着农作物的生长状态的各个环节不断增加，其产生的数据数量也越来越多，其数据来源广泛、类型多样、结构复杂、有潜在价值，目前针对农业数据处理不成熟，很难利用各种数据进行分析，并结合分析结果是的农作物产量达到最大化。
发明内容
本发明的目的在于提供一种基于大数据的农业数据分析管理系统及方法，以解决上述背景技术中提出的问题，本发明提供如下技术方案：
一种基于大数据的农业数据分析管理方法，所述方法包括以下步骤：
S1、获取历史农业数据，分析待监测区域中不同地段中第k种类农作物产量差异情况；
S2、根据S1分析情况，分析待监测区域中环境因素对第k种类农作物产量的影响情况；
S3、根据S1分析情况，分析不同区域中第k种类农作物种植方式不同对产量的影响情况；
S4、根据S2、S3分析结果，对当前地段农作物种植进行匹配最佳种植条件。
进一步的，所述S1中的方法包括以下步骤：
步骤1001、将待监测区域划分成n个地段，任意获取其中两个地段，记为MA和MB；
步骤1002、通过历史数据获取MA地段中第k种类农作物产量值，记为；
步骤1003、通过历史数据获取MB地段中第k种类农作物产量值，记为；
步骤1004、结合步骤1002与步骤1003中获取的第k种类农作物产量值，比较待监测区域内不同地段中第k种类农作物产量值的差异情况，
若， 则表明MA地段与MB地段中第k种类农作物产量值存在差异值且差异值不超过预设值/>，进一步分析不同地段中环境因素与种植方式的不同对第k种类农作物产量的影响情况；
若，则表明MA地段与MB地段中第k种类农作物产量值差异值在区间中，不需要进一步分析不同地段中环境因素与种植方式的不同对第k种类农作物产量的影响情况。
本发明通过历史数据获取MA地段与MB地段中第k种类农作物的产量值，通过比较两地段之间不同影响因素情况下第k种类农作物产量值差异情况，进而结合差异值情况进一步分析环境因素与种植方式对第k种类农作物的产量影响情况，为后续对当前地段农作物种植进行匹配最佳种植条件提供数据参照。
进一步的，所述S2中的方法包括以下步骤：
步骤2001、通过历史数据获取第k种类农作物生长过程中温度变化情况，并将第k种类农作物生长过程中温度最高值作为温度上限值，记为，温度最低值作为温度下限值，记为/>；
步骤2002、通过历史数据获取温度差值最大时，对应的第k种类农作物生长周期，记为，并获取第k种类农作物每天平均气温，记为集合，其中m表示第k种类农作物从播种到收获所需天数，集合C中元素表示历史数据获取温度差值最大时，对应的第k种类农作物生长周期内平均每天气温情况；
步骤2003、筛选集合C中气温超过第k种类农作物预设下限温度值的元素，记为集合D，则第k种类农作物有效积温记为，
，
其中表示集合D中第i个元素对应的温度，/>表示集合D中元素总个数；
步骤2004、分析当前地段中第k种类农作物平均气温下产量值，记为，
，
其中表示比例系数，所述比例系数为数据库预设常数，/>表示历史数据中当前地段第k种类农作物成熟所需平均天数；
步骤2005、分析第k种类农作物生长状态时受病虫害影响产生的损失估计量，记为，
，
其中表示历史数据查询得到的第k种类农作物平均产量值，/>表示历史数据中病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率，所述病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率通过数据库预置表单查询得到，/>表示当前第k种类农作物种植面积，/>表示历史数据中病虫害发生面积，/>表示病虫害发生程度对应的总发生面积，/>表示农药喷洒总面积，/>表示病虫害发生程度，其中根据病虫害发生程度，全国公分5级，即1级轻发生，2级中等偏轻发生，3级中等发生，4级中等偏重发生，5级大发生，其中
步骤2006、根据步骤2003与步骤2005计算当前第k种类农作物产量预测值，
，
其中表示当前第k种类农作物产量预测值。
本发明通过历史数据获取第k种类农作物生长过程中温度变化情况，将温度差值最大情况对应的第k种类农作物生长周期作为参考样本，获取参考样本中第k种类农作物每天平均气温，并计算对应生长周期内有效积温总值，进而通过计算得到当前地段中第k种类农作物平均气温下产量值，其次通过分析第k种类农作物生长状态时受病虫害影响产生的损失估计量，结合当前地段中第k种类农作物平均气温下产量值进一步预测当前地段中当前第k种类农作物产量，为后续对当前地段农作物种植进行匹配最佳种植条件提供数据参照。
进一步的，所述S3中的方法包括以下步骤：
步骤3001、提取MA地段中第k种类农作物种植方式为单一种植的植株数量，提取MB地段中第k种类农作物种植方式为混载种植的植株数量，其中MA地段中第k种类农作物植株数量与MB地段中第k种类农作物植株数量相同；
步骤3002、分析到/>时刻MA地段种植模式对第k种类农作物产量之间的关系，
对病虫害发生进行分类，记为，T表示转置，/>表示/>到/>时刻农作物发生病虫害概率在/>，/>表示/>到/>时刻农作物发生病虫害概率在/>，/>表示/>到时刻农作物发生病虫害概率在/>，其中/>对应的病虫害威胁等级分别为III、II及I，/>、/>及/>为数据库预置常数，
对病虫害威胁等级产生的后果进行分类，记为，其中/>表示/>到/>时刻农作物产量在/>间，/>表示/>到/>时刻农作物产量在/>间，/>表示/>到/>时刻农作物产量在/>间，/>、/>及/>为数据库预置常数，
计算，并将计算结果记录表格M中，实时匹配/>到/>时刻MA地段中单一种植模式对第k种类农作物产量，记为/>；
步骤3003、获取MB地段中与第k种类农作物混栽的农作物，并分析到/>时刻MB地段种植模式对第k种类农作物产量之间的关系，
，
其中表示MB地段内不同农作物之间相克相生作用情况，/>表示历史数据中/>到/>时刻MB地段第k种类农作物产量值。
本发明通过分析MA地段与MB地段不同种植方式，其中通过构建矩阵，将病虫害发生的可能性与发生病虫害的危害程度作为矩阵中元素值进行计算，得到MA地段中采用单一种植情况下，较容易产生病虫害的威胁，根据不同程度的威胁造成第k种类农作物产量的减产程度不同，并分析MB地段内采用混载的情况下，根据不同农作物之间的相克相生作用进行分析，进一步判断MB地段中第k种类农作物的产量值，通过比较不同种植方式对农作物产量的影响情况，为后续对当前地段农作物种植进行匹配最佳种植条件提供数据参照。
进一步的，所述S4中的方法包括以下步骤：
步骤4001、获取环境因素对第k种类农作物产量影响情况；
步骤4002、获取不同种植方式对第k种类农作物产量的影响情况；
步骤4003、分析第k种类农作物最佳生长条件，
将MA地段环境因素对第k种类农作物产量影响情况记为，将MB地段环境因素对第k种类农作物产量影响情况记为/>，
若，则表明MA地段种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，
当，则保持MA地段原来种植方式，当/>，则将MA地段种植方式修改为混载，
若，则表明/>种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，
当，则保持/>原来种植方式，当/>，则将/>种植方式修改为单一。
一种基于大数据的农业数据分析管理系统，所述系统包括以下模块：
历史数据查询模块：所述历史数据查询模块用于获取历史农业数据，并根据获取的数据分析不同区域中相同种类农作物平均产量差异情况；
生长环境分析模块：所述生长环境分析模块用于结合历史数据查询模块中分析结果，进一步分析不同区域中相同种类农作物与生长环境之间的关系；
种植方式分析模块：所述种植方式分析模块用于结合历史数据查询模块中分析结果，进一步分析不同区域中相同种类农作物与对应种植方式之间的关系；
综合种植条件评估模块：所述综合条件评估模块用于结合生长环境分析模块与种植方式分析模块的结果，进一步分析待监测农作物最佳生长条件。
进一步的，所述历史数据查询模块包括数据获取单元、数据分析单元以及数据比对单元：
所述数据获取单元用于通过历史数据获取农业数据，并根据获取的农业数据进行整合，构建原始数据模型；
所述数据分析单元用于结合数据获取单元整合的原始数据模型，随机选取任意两区域中同种农作物产量情况；
所述数据比对单元用于根据数据分析单元的分析结果，对任意两区域间的农作物产量进行比较，根据比较结果进一步分析农作物产量与区域环境以及区域种植方式之间的关系。
进一步的，所述生长环境分析模块包括气候监测单元、病虫害监测单元以及农药施用监测单元：
所述气候监测单元用于实时监测任意两区域之间的气候变化情况，进而分析不同气候与农作物产量之间的关系；
所述病虫害监测单元用于分析病虫害不同程度对农作物产量之间的关系；
所述农药施用监测单元用于分析农药施用量与农作物产量之间的关系。
进一步的，所述种植方式分析模块包括农作物分布单元、因素分析单元以及影响评估单元：
所述农作物分布单元用于获取任意两区域之间相同种类农作物的种植分区情况；
所述因素分析单元用于结合农作物分布单元获取的数据，进一步分析不同区域单一种植与混种对待监测的农作物影响关系；
所述影响评估单元用于结合因素分析单元的分析结果对不同种植方式对待监测农作物的影响进行评估。
进一步的，所述综合种植条件评估模块包括条件分析单元、种植适宜单元以及评估比对单元：
所述条件分析单元用于结合生长环境分析模块与种植方式分析模块的分析结果，对待监测农作物最佳生长条件进行分析；
所述种植适宜单元用于结合条件分析单元的分析结果得到待监测农作物最佳生长环境下对应的最佳种植方式；
所述评估比对单元用于根据种植适宜单元的分析结果进行评估，并根据评估结果选取最佳状态作为待监测农作物的最佳种植环境与最佳种植方式。
本发明通过历史数据分析得到任意地段相同农作物产量情况，并提取任意地段内种植同一种类农作物生长状态进行分析，结合同一种类农作物在不同生长环境以及不同种植方式下的产量情况，通过分析结果进行匹配对应种类农作物最佳生长条件，进而使得农作物生产质量得到有效提高，还使得农作物产量得到有效提高。
附图说明
图1是本发明一种基于大数据的农业数据分析管理方法的流程示意图；
图2是本发明一种基于大数据的农业数据分析管理系统的模块示意图。
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。
实施例1：请参阅图1，本实施例中：
实现了一种基于大数据的农业数据分析管理方法，所述方法包括以下步骤：
S1、获取历史农业数据，分析待监测区域中不同地段中第k种类农作物产量差异情况；
所述S1中的方法包括以下步骤：
步骤1001、将待监测区域划分成n个地段，任意获取其中两个地段，记为MA和MB；
步骤1002、通过历史数据获取MA地段中第k种类农作物产量值，记为；
步骤1003、通过历史数据获取MB地段中第k种类农作物产量值，记为；
步骤1004、结合步骤1002与步骤1003中获取的第k种类农作物产量值，比较待监测区域内不同地段中第k种类农作物产量值的差异情况，
若， 则表明MA地段与MB地段中第k种类农作物产量值存在差异值且差异值不超过预设值/>，进一步分析不同地段中环境因素与种植方式的不同对第k种类农作物产量的影响情况；
若，则表明MA地段与MB地段中第k种类农作物产量值差异值在区间中，不需要进一步分析不同地段中环境因素与种植方式的不同对第k种类农作物产量的影响情况。
S2、根据S1分析情况，分析待监测区域中环境因素对第k种类农作物产量的影响情况；
所述S2中的方法包括以下步骤：
步骤2001、通过历史数据获取第k种类农作物生长过程中温度变化情况，并将第k种类农作物生长过程中温度最高值作为温度上限值，记为，温度最低值作为温度下限值，记为/>；
步骤2002、通过历史数据获取温度差值最大时，对应的第k种类农作物生长周期，记为，并获取第k种类农作物每天平均气温，记为集合，其中m表示第k种类农作物从播种到收获所需天数；
步骤2003、筛选集合C中气温超过第k种类农作物预设下限温度值的元素，记为集合D，则第k种类农作物有效积温记为，
，
其中表示集合D中第i个元素对应的温度，/>表示集合D中元素总个数；
步骤2004、分析当前地段中第k种类农作物平均气温下产量值，记为，
，
其中表示比例系数，所述比例系数为数据库预设常数，/>表示历史数据中当前地段第k种类农作物成熟所需平均天数；
步骤2005、分析第k种类农作物生长状态时受病虫害影响产生的损失估计量，记为，
，
其中表示历史数据查询得到的第k种类农作物平均产量值，/>表示历史数据中病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率，所述病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率通过数据库预置表单查询得到，/>表示当前第k种类农作物种植面积，/>表示历史数据中病虫害发生面积，/>表示病虫害发生程度对应的总发生面积，/>表示农药喷洒总面积，/>表示病虫害发生程度，其中病虫害发生程度对应的总发生面积为亩地大小与对应亩地发生病虫害频率的乘积；
步骤2006、根据步骤2003与步骤2005计算当前第k种类农作物产量预测值，
，
其中表示当前第k种类农作物产量预测值。
S3、根据S1分析情况，分析不同区域中第k种类农作物种植方式不同对产量的影响情况；
所述S3中的方法包括以下步骤：
步骤3001、提取MA地段中第k种类农作物种植方式为单一种植的植株数量，提取MB地段中第k种类农作物种植方式为混载种植的植株数量，其中MA地段中第k种类农作物植株数量与MB地段中第k种类农作物植株数量相同；
步骤3002、分析到/>时刻MA地段种植模式对第k种类农作物产量之间的关系，
对病虫害发生进行分类，记为，T表示转置，/>表示/>到/>时刻农作物发生病虫害概率在/>，/>表示/>到/>时刻农作物发生病虫害概率在/>，/>表示/>到时刻农作物发生病虫害概率在/>，其中/>对应的病虫害威胁等级分别为III、II及I，/>、/>及/>为数据库预置常数，
对病虫害威胁等级产生的后果进行分类，记为，其中/>表示/>到/>时刻农作物产量在/>间，/>表示/>到/>时刻农作物产量在/>间，/>表示/>到/>时刻农作物产量在/>间，/>、/>及/>为数据库预置常数，
计算，并将计算结果记录表格M中，实时匹配/>到/>时刻MA地段中单一种植模式对第k种类农作物产量，记为/>；
步骤3003、获取MB地段中与第k种类农作物混栽的农作物，并分析到/>时刻MB地段种植模式对第k种类农作物产量之间的关系，
，
其中表示MB地段内不同农作物之间相克相生作用情况，/>表示历史数据中/>到/>时刻MB地段第k种类农作物产量值。
S4、根据S2、S3分析结果，对当前地段农作物种植进行匹配最佳种植条件。
所述S4中的方法包括以下步骤：
步骤4001、获取环境因素对第k种类农作物产量影响情况；
步骤4002、获取不同种植方式对第k种类农作物产量的影响情况；
步骤4003、分析第k种类农作物最佳生长条件，
将MA地段环境因素对第k种类农作物产量影响情况记为，将MB地段环境因素对第k种类农作物产量影响情况记为/>，
若，则表明MA地段种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，
当，则保持MA地段原来种植方式，当/>，则将MA地段种植方式修改为混载，
若，则表明/>种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，
当，则保持/>原来种植方式，当/>，则将/>种植方式修改为单一。
本实施例中：
公开了一种基于大数据的农业数据分析管理系统（如图2所示），所述系统用于实现方法的具体方案内容。
实施例2：设定A地段中第k种类农作物平均气温下产量值为，B地段中第k种类农作物平均气温下产量值为/>，
设定病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率为25%，
设定A地段与B地段中第k种类农作物种植面积均为60万亩，亩产420公斤，第k种类农作物遭受病虫害总发生面积为300万亩次，其中第k种类农作物患病发生面积50万亩地，防治面积40万亩地，发生程度为2级，则第k种类农作物生长状态时受病虫害影响产生的损失估计量为，
则当前A地段第k种类农作物产量预测值为，当前B地段第k种类农作物产量预测值为/>，
，
，
将A地段环境因素对第k种类农作物产量影响情况记为，B地段环境因素对第k种类农作物产量影响情况记为/>，
若，则表明A地段种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，进而根据不同种植方式对应的第k种类农作物产量情况进一步判断A地段种植第k种类农作物的种植方式，从而使得第k种类农作物的产量最大化。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。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 (6)
1.一种基于大数据的农业数据分析管理方法，其特征在于，所述方法包括以下步骤：
S1、获取历史农业数据，分析待监测区域中不同地段中第k种类农作物产量差异情况；
S2、根据S1分析情况，分析待监测区域中环境因素对第k种类农作物产量的影响情况；
S3、根据S1分析情况，分析不同区域中第k种类农作物种植方式不同对产量的影响情况；
S4、根据S2、S3分析结果，对当前地段农作物种植进行匹配最佳种植条件；
所述S1中的方法包括以下步骤：
步骤1001、将待监测区域划分成n个地段，任意获取其中两个地段，记为MA和MB；
步骤1002、通过历史数据获取MA地段中第k种类农作物产量值，记为；
步骤1003、通过历史数据获取MB地段中第k种类农作物产量值，记为；
步骤1004、结合步骤1002与步骤1003中获取的第k种类农作物产量值，比较待监测区域内不同地段中第k种类农作物产量值的差异情况，
若， 则表明MA地段与MB地段中第k种类农作物产量值存在差异值且差异值不超过预设值/>，进一步分析不同地段中环境因素与种植方式的不同对第k种类农作物产量的影响情况；
若，则表明MA地段与MB地段中第k种类农作物产量值差异值在区间/>中，不需要进一步分析不同地段中环境因素与种植方式的不同对第k种类农作物产量的影响情况；
所述S2中的方法包括以下步骤：
步骤2001、通过历史数据获取第k种类农作物生长过程中温度变化情况，并将第k种类农作物生长过程中温度最高值作为温度上限值，记为，温度最低值作为温度下限值，记为/>；
步骤2002、通过历史数据获取温度差值最大时，对应的第k种类农作物生长周期，记为，并获取第k种类农作物每天平均气温，记为集合，其中m表示第k种类农作物从播种到收获所需天数；
步骤2003、筛选集合C中气温超过第k种类农作物预设下限温度值的元素，记为集合D，则第k种类农作物有效积温记为，
，
其中表示集合D中第i个元素对应的温度，/>表示集合D中元素总个数；
步骤2004、分析当前地段中第k种类农作物平均气温下产量值，记为，
，
其中表示比例系数，所述比例系数为数据库预设常数，/>表示历史数据中当前地段第k种类农作物成熟所需平均天数；
步骤2005、分析第k种类农作物生长状态时受病虫害影响产生的损失估计量，记为，
，
其中表示历史数据查询得到的第k种类农作物平均产量值，/>表示历史数据中病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率，所述病虫害发生程度为大发生时对应第k种类农作物产量的综合损失率通过数据库预置表单查询得到，/>表示当前第k种类农作物种植面积，/>表示历史数据中病虫害发生面积，/>表示病虫害发生程度对应的总发生面积，/>表示农药喷洒总面积，/>表示病虫害发生程度；
步骤2006、根据步骤2003与步骤2005计算当前第k种类农作物产量预测值，
，
其中表示当前第k种类农作物产量预测值；
所述S3中的方法包括以下步骤：
步骤3001、提取MA地段中第k种类农作物种植方式为单一种植的植株数量，提取MB地段中第k种类农作物种植方式为混载种植的植株数量，其中MA地段中第k种类农作物植株数量与MB地段中第k种类农作物植株数量相同；
步骤3002、分析到/>时刻MA地段种植模式对第k种类农作物产量之间的关系，
对病虫害发生进行分类，记为，T表示转置，/>表示/>到/>时刻农作物发生病虫害概率在/>，/>表示/>到/>时刻农作物发生病虫害概率在/>，/>表示/>到/>时刻农作物发生病虫害概率在/>，其中/>对应的病虫害威胁等级分别为III、II及I，/>、/>及/>为数据库预置常数，
对病虫害威胁等级产生的后果进行分类，记为，其中/>表示/>到/>时刻农作物产量在/>间，/>表示/>到/>时刻农作物产量在/>间，/>表示/>到/>时刻农作物产量在/>间，/>、/>及/>为数据库预置常数，
计算，并将计算结果记录表格M中，实时匹配/>到/>时刻MA地段中单一种植模式对第k种类农作物产量，记为/>；
步骤3003、获取MB地段中与第k种类农作物混栽的农作物，并分析到/>时刻MB地段种植模式对第k种类农作物产量之间的关系，
，
其中表示MB地段内不同农作物之间相克相生作用情况，/>表示历史数据中/>到/>时刻MB地段第k种类农作物产量值；
所述S4中的方法包括以下步骤：
步骤4001、获取环境因素对第k种类农作物产量影响情况；
步骤4002、获取不同种植方式对第k种类农作物产量的影响情况；
步骤4003、分析第k种类农作物最佳生长条件，
将MA地段环境因素对第k种类农作物产量影响情况记为，将MB地段环境因素对第k种类农作物产量影响情况记为/>，
若，则表明MA地段种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，
当，则保持MA地段原来种植方式，当/>，则将MA地段种植方式修改为混载，
若，则表明/>种植环境更有助于提高第k种类农作物产量，进而分析第k种类农作物种植方式，
当，则保持/>原来种植方式，当/>，则将/>种植方式修改为单一。
2.一种基于大数据的农业数据分析管理系统，所述系统应用权利要求1中所述的一种基于大数据的农业数据分析管理方法，其特征在于，所述系统包括以下模块：
历史数据查询模块：所述历史数据查询模块用于获取历史农业数据，并根据获取的数据分析不同区域中相同种类农作物平均产量差异情况；
生长环境分析模块：所述生长环境分析模块用于结合历史数据查询模块中分析结果，进一步分析不同区域中相同种类农作物与生长环境之间的关系；
种植方式分析模块：所述种植方式分析模块用于结合历史数据查询模块中分析结果，进一步分析不同区域中相同种类农作物与对应种植方式之间的关系；
综合种植条件评估模块：所述综合种植条件评估模块用于结合生长环境分析模块与种植方式分析模块的结果，进一步分析待监测农作物最佳生长条件。
3.根据权利要求2所述的一种基于大数据的农业数据分析管理系统，其特征在于，所述历史数据查询模块包括数据获取单元、数据分析单元以及数据比对单元：
所述数据获取单元用于通过历史数据获取农业数据，并根据获取的农业数据进行整合，构建原始数据模型；
所述数据分析单元用于结合数据获取单元整合的原始数据模型，随机选取任意两区域中同种农作物产量情况；
所述数据比对单元用于根据数据分析单元的分析结果，对任意两区域间的农作物产量进行比较，根据比较结果进一步分析农作物产量与区域环境以及区域种植方式之间的关系。
4.根据权利要求3所述的一种基于大数据的农业数据分析管理系统，其特征在于，所述生长环境分析模块包括气候监测单元、病虫害监测单元以及农药施用监测单元：
所述气候监测单元用于实时监测任意两区域之间的气候变化情况，进而分析不同气候与农作物产量之间的关系；
所述病虫害监测单元用于分析病虫害不同程度对农作物产量之间的关系；
所述农药施用监测单元用于分析农药施用量与农作物产量之间的关系。
5.根据权利要求4所述的一种基于大数据的农业数据分析管理系统，其特征在于，所述种植方式分析模块包括农作物分布单元、因素分析单元以及影响评估单元：
所述农作物分布单元用于获取任意两区域之间相同种类农作物的种植分区情况；
所述因素分析单元用于结合农作物分布单元获取的数据，进一步分析不同区域单一种植与混种对待监测的农作物影响关系；
所述影响评估单元用于结合因素分析单元的分析结果对不同种植方式对待监测农作物的影响进行评估。
6.根据权利要求5所述的一种基于大数据的农业数据分析管理系统，其特征在于，所述综合种植条件评估模块包括条件分析单元、种植适宜单元以及评估比对单元：
所述条件分析单元用于结合生长环境分析模块与种植方式分析模块的分析结果，对待监测农作物最佳生长条件进行分析；
所述种植适宜单元用于结合条件分析单元的分析结果得到待监测农作物最佳生长环境下对应的最佳种植方式；
所述评估比对单元用于根据种植适宜单元的分析结果进行评估，并根据评估结果选取最佳状态作为待监测农作物的最佳种植环境与最佳种植方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584420.8A CN117033810B (zh) | 2023-05-23 | 2023-05-23 | 一种基于大数据的农业数据分析管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584420.8A CN117033810B (zh) | 2023-05-23 | 2023-05-23 | 一种基于大数据的农业数据分析管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117033810A CN117033810A (zh) | 2023-11-10 |
| CN117033810B true CN117033810B (zh) | 2024-04-23 |
Family
ID=88626860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310584420.8A Active CN117033810B (zh) | 2023-05-23 | 2023-05-23 | 一种基于大数据的农业数据分析管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117033810B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105897920A (zh) * | 2016-05-27 | 2016-08-24 | 北京农业信息技术研究中心 | 一种农作物监测分析方法和系统 |
| US9563848B1 (en) * | 2016-07-06 | 2017-02-07 | Agrian, Inc. | Weighted multi-year yield analysis for prescription mapping in site-specific variable rate applications in precision agriculture |
| CN106444929A (zh) * | 2016-09-30 | 2017-02-22 | 苏州工业园区职业技术学院 | 一种农作物种植监控系统 |
| CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
| CN108693902A (zh) * | 2018-05-16 | 2018-10-23 | 西南大学 | 一种基于互联网的农作物种植小环境监测系统 |
| CN110545531A (zh) * | 2019-09-20 | 2019-12-06 | 河南工业大学 | 一种基于大数据和云计算的农作物长势监控方法与系统 |
| CN111011146A (zh) * | 2019-11-06 | 2020-04-17 | 青岛农业大学 | 一种盐碱地花生/棉花等幅间作交替轮作种植方法 |
| WO2021199298A1 (ja) * | 2020-03-31 | 2021-10-07 | 日本電信電話株式会社 | 結晶成長条件解析方法、結晶成長条件解析システム、結晶成長条件解析プログラムおよび結晶成長データのデータ構造 |
| CN114549224A (zh) * | 2022-02-24 | 2022-05-27 | 中联智慧农业股份有限公司 | 一种基于大数据的农作物种植指导方法 |
| CN115983509A (zh) * | 2023-03-21 | 2023-04-18 | 河北泽润信息科技有限公司 | 基于物联网的智慧农业用布局管理系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| EP4312490A1 (en) * | 2021-03-31 | 2024-02-07 | Biome Makers Inc. | Methods and systems for assessing agriculture practices and inputs with time and location factors |
| CN113674099B (zh) * | 2021-08-27 | 2022-07-05 | 中国农业科学院农业环境与可持续发展研究所 | 苹果旱涝灾害综合风险评估方法 |
-
2023
- 2023-05-23 CN CN202310584420.8A patent/CN117033810B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105897920A (zh) * | 2016-05-27 | 2016-08-24 | 北京农业信息技术研究中心 | 一种农作物监测分析方法和系统 |
| US9563848B1 (en) * | 2016-07-06 | 2017-02-07 | Agrian, Inc. | Weighted multi-year yield analysis for prescription mapping in site-specific variable rate applications in precision agriculture |
| CN106444929A (zh) * | 2016-09-30 | 2017-02-22 | 苏州工业园区职业技术学院 | 一种农作物种植监控系统 |
| CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
| CN108693902A (zh) * | 2018-05-16 | 2018-10-23 | 西南大学 | 一种基于互联网的农作物种植小环境监测系统 |
| CN110545531A (zh) * | 2019-09-20 | 2019-12-06 | 河南工业大学 | 一种基于大数据和云计算的农作物长势监控方法与系统 |
| CN111011146A (zh) * | 2019-11-06 | 2020-04-17 | 青岛农业大学 | 一种盐碱地花生/棉花等幅间作交替轮作种植方法 |
| WO2021199298A1 (ja) * | 2020-03-31 | 2021-10-07 | 日本電信電話株式会社 | 結晶成長条件解析方法、結晶成長条件解析システム、結晶成長条件解析プログラムおよび結晶成長データのデータ構造 |
| CN114549224A (zh) * | 2022-02-24 | 2022-05-27 | 中联智慧农业股份有限公司 | 一种基于大数据的农作物种植指导方法 |
| CN115983509A (zh) * | 2023-03-21 | 2023-04-18 | 河北泽润信息科技有限公司 | 基于物联网的智慧农业用布局管理系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Data Driven Assessment Algorithm of Wind Farm AGC System";Yangfan Zhang 等;《2022 IEEE 5th International Electrical and Energy Conference (CIEEC)》;第3949-3954页 * |
| "农业应对气候变化现状与科技对策研究";陈兆波 等;《中国人口 · 资源与环境》;第446-450页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117033810A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11222385B2 (en) | Method and system for forecasting crop yield | |
| CN110110595B (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
| Yethiraj | Applying data mining techniques in the field of agriculture and allied sciences | |
| Sonka et al. | Valuing climate forecast information | |
| Vaishnavi et al. | Agricultural crop recommendations based on productivity and season | |
| Dhaliwal et al. | Sweet corn yield prediction using machine learning models and field-level data | |
| CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| Matis et al. | An application of the Markov chain approach to forecasting cotton yields from surveys | |
| CN117033810B (zh) | 一种基于大数据的农业数据分析管理系统及方法 | |
| CN116361562A (zh) | 一种面向农业产业互联网的知识化推荐方法及系统 | |
| CN116757707A (zh) | 一种农作物果实生长溯源方法及系统 | |
| Tidake et al. | Design efficient model to increase crop yield using deep learning | |
| Mohsin et al. | Modeling and forecasting of declining area and production of mango orchards in district Bahawalpur, Pakistan: A case of tehsil Ahmedpur East | |
| Verma et al. | Plantosphere: Next generation adaptive and smart agriculture system | |
| Bagal et al. | Data Mining in Agriculture-A Novel Approach | |
| BOSTANCI et al. | Decision Support Tools for Barley Yield: The Case of Menemen-Turkey | |
| Akter et al. | Financial analysis of IPM and non-IPM technology used on brinjal production in some selected areas of Bangladesh | |
| Sturman | Applied climatology | |
| JP2024007918A (ja) | 広告提供システム | |
| Naher | A Spatiotemporal Economic Analysis of Crop Production in the Texas High Plains | |
| Khoirunnisa et al. | Climate Change and Rice Production: A Study in Central Java | |
| Ngcobo et al. | A yield gap analysis to assess vulnerability of commercial sugarcane to climatic extremes in southern Africa | |
| Sulochana et al. | Factors Affecting the Productivity of the Big Onion in Hambantota District during the Off Season | |
| Núñez-Rocha et al. | Comprehensive Study of Data Mining Applications in Agriculture | |
| Weerasinghe et al. | SmartPredi–Development of Agricultural Crop Wastage Reduction System using Machine Learning |
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 |