CN117195028A - 一种芽苗菜种子萌发预测方法 - Google Patents
一种芽苗菜种子萌发预测方法 Download PDFInfo
- Publication number
- CN117195028A CN117195028A CN202311468070.5A CN202311468070A CN117195028A CN 117195028 A CN117195028 A CN 117195028A CN 202311468070 A CN202311468070 A CN 202311468070A CN 117195028 A CN117195028 A CN 117195028A
- Authority
- CN
- China
- Prior art keywords
- humidity
- germinated
- target
- target area
- preset
- 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
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000035784 germination Effects 0.000 claims abstract description 99
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000002791 soaking Methods 0.000 claims description 36
- 230000007226 seed germination Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 15
- 238000010899 nucleation Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种芽苗菜种子萌发预测方法,该方法包括:获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息;对历史待萌发信息进行聚类;从候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇;确定目标区域对应的目标修正度;确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数;确定目标区域在当前时刻下的湿度预测数据;根据湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低。本发明通过对历史待萌发信息集合和当前待萌发信息进行数据处理,提高了芽苗菜种子萌发率预测的准确度。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种芽苗菜种子萌发预测方法。
背景技术
随着芽苗菜产业的快速发展,市场规模的不断扩大,芽苗菜越来越与人们的生活息息相关。对芽苗菜种子萌发率的预测方法也成为行业关注的议题之一。目前,对芽苗菜种子萌发率进行预测时,通常采用的方式为:将历史芽苗菜种子萌发试验过程中得到的萌发率,作为当前芽苗菜种子萌发过程中萌发率的预测值。
然而,当采用上述方式时,经常会存在如下技术问题:
在当前芽苗菜种子萌发的实际过程中的环境等因素往往难以保持与历史芽苗菜种子萌发试验过程完全一致,由于环境等因素的不同,往往可能导致萌发率发生变化,因此直接将历史芽苗菜种子萌发试验过程中得到的萌发率,作为当前芽苗菜种子萌发过程中萌发率的预测值,往往导致芽苗菜种子萌发率预测的准确度较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决芽苗菜种子萌发率预测的准确度较差的技术问题,本发明提出了一种芽苗菜种子萌发预测方法。
本发明提供了一种芽苗菜种子萌发预测方法,该方法包括:
获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息,其中,预设时间段内的最后一个时刻为当前时刻;
根据历史待萌发信息包括的实际萌发率,对所述历史待萌发信息集合中的历史待萌发信息进行聚类,得到候选聚类簇集合;
从所述候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,作为目标聚类簇;
根据所述当前待萌发信息与所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度;
根据所述目标修正度,以及所述当前待萌发信息与所述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数,其中,当前时刻和预设时刻是所述当前待萌发信息包括的湿度数据序列中的湿度数据对应的采集时刻;
根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据;
根据所述湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低。
可选地,所述根据所述当前待萌发信息与所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度,包括:
根据所述当前待萌发信息包括的湿度数据序列中所有湿度数据的均值、所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据的均值、所述目标聚类簇中所有历史待萌发信息包括的种子浸泡时长的均值,以及所述当前待萌发信息包括的种子浸泡时长,确定目标区域对应的目标修正度。
可选地,目标区域对应的目标修正度对应的公式为:
;/>;其中,/>是目标区域对应的目标修正度;/>是归一化函数;/>是所述当前待萌发信息包括的湿度数据序列中所有湿度数据的均值;/>是所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据的均值;/>是所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据中的最大值;/>是所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据中的最小值;/>和/>是预先设置的大于0的因子;/>是取绝对值函数;/>是所述当前待萌发信息包括的种子浸泡时长;/>是所述目标聚类簇中所有历史待萌发信息包括的种子浸泡时长的均值;/>是所述当前待萌发信息包括的湿度数据序列中湿度数据的数量;/>是所述当前待萌发信息包括的湿度数据序列中第/>个湿度数据;/>是所述当前待萌发信息包括的湿度数据序列中湿度数据的序号。
可选地,所述根据所述目标修正度,以及所述当前待萌发信息与所述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数,包括:
根据所述当前待萌发信息与所述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在每个预设时刻下的湿度偏离度;
根据目标区域在每个预设时刻下的湿度偏离度,确定目标区域在每个预设时刻下的目标权重系数。
可选地,目标区域在预设时刻下的湿度偏离度对应的公式为:
;/>;
;其中,/>是目标区域在第/>个预设时刻下的湿度偏离度;/>是预设时刻的序号;/>是所述目标聚类簇中历史待萌发信息的数量;/>是所述当前待萌发信息与所述目标聚类簇中第/>个历史待萌发信息之间的相关系数;/>是所述目标聚类簇中历史待萌发信息的序号;/>是取绝对值函数;/>是目标区域在第/>个预设时刻下的数据差异度;/>是所述目标聚类簇中第/>个历史待萌发信息对应的时间段中与第/>个预设时刻对应的时刻下的数据差异度;/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值;/>是目标区域在第/>个预设时刻下采集的湿度数据;/>是目标区域对应的目标修正度;/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值;/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值。
可选地,目标区域在预设时刻下的目标权重系数对应的公式为:
;/>;其中,/>是目标区域在第/>个预设时刻下的目标权重系数;/>是目标区域在预设数量个预设时刻下的湿度偏离度的累加值;/>是预设数量;/>是目标区域在第/>个预设时刻下的湿度偏离度;/>是预设时刻的序号。
可选地,所述根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据,包括:
根据目标区域在每个预设时刻下的目标权重系数和所述预设时刻下采集的湿度数据,确定所述预设时刻对应的湿度子数据;
将预设数量个预设时刻对应的湿度子数据的累加和,确定为目标区域在当前时刻下的湿度预测数据。
可选地,所述根据目标区域在每个预设时刻下的目标权重系数和所述预设时刻下采集的湿度数据,确定所述预设时刻对应的湿度子数据,包括:
将所述预设时刻下的目标权重系数和所述预设时刻下采集的湿度数据的乘积,确定为所述预设时刻对应的湿度子数据。
可选地,所述根据所述湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低,包括:
根据所述湿度预测数据和所述标准湿度数据,确定目标区域在当前时刻下的当前湿度偏差;
当所述当前湿度偏差不在预设偏差范围内时,判定当前时刻会使目标区域内的芽苗菜种子的萌发率降低;
当所述当前湿度偏差在预设偏差范围内时,判定当前时刻不会使目标区域内的芽苗菜种子的萌发率降低。
可选地,所述根据所述湿度预测数据和所述标准湿度数据,确定目标区域在当前时刻下的当前湿度偏差,包括:
将所述湿度预测数据和所述标准湿度数据的差值,确定为目标区域在当前时刻下的当前湿度偏差。
本发明具有如下有益效果:
本发明的一种芽苗菜种子萌发预测方法,通过对历史待萌发信息集合和当前待萌发信息进行数据处理,解决了芽苗菜种子萌发率预测的准确度较差的技术问题,提高了芽苗菜种子萌发率预测的准确度。首先,获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息,可以便于后续对目标区域内的芽苗菜种子的萌发率进行预测。接着,基于历史待萌发信息包括的实际萌发率,对历史待萌发信息集合中的历史待萌发信息进行聚类,将实际萌发率相似的历史待萌发信息聚在一起,可以便于后续判断历史待萌发信息对应的萌发率等级。然后,从候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,往往是实际萌发率相对最好的一批历史芽苗菜种子萌发试验过程对应的历史待萌发信息组成的聚类簇。再者,由于芽苗菜种子萌发率往往与湿度数据和种子浸泡时长有关,因此综合考虑当前待萌发信息与目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,可以量化目标区域对应的目标修正度。之后,综合考虑目标修正度,以及当前待萌发信息与目标聚类簇中的各个历史待萌发信息之间的相关系数,可以提高目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数确定的准确度。而后,基于所有目标权重系数和预设数量个预设时刻下采集的湿度数据,可以提高目标区域在当前时刻下的湿度预测数据确定的准确度。最后,基于湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低,实现了对目标区域内的芽苗菜种子萌发率的预测,相较于直接将历史芽苗菜种子萌发试验过程中得到的萌发率,作为当前芽苗菜种子萌发过程中萌发率的预测值,本发明综合考虑了历史待萌发信息集合和目标区域在预设时间段内实际进行芽苗菜种子萌发过程时的当前待萌发信息,并考虑了多个影响芽苗菜种子萌发率的因素,比如湿度数据和种子浸泡时长,量化了目标区域在当前时刻下的湿度预测数据,并基于湿度预测数据和预先获取的标准湿度数据,进行当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低的判断,因此本发明提高了当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低的判断的准确度,从而提高了芽苗菜种子萌发率预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明的一种芽苗菜种子萌发预测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种芽苗菜种子萌发预测方法,该方法包括以下步骤:
获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息,其中,预设时间段内的最后一个时刻为当前时刻;
根据历史待萌发信息包括的实际萌发率,对历史待萌发信息集合中的历史待萌发信息进行聚类,得到候选聚类簇集合;
从候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,作为目标聚类簇;
根据当前待萌发信息与目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度;
根据目标修正度,以及当前待萌发信息与目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数,其中,当前时刻和预设时刻是当前待萌发信息包括的湿度数据序列中的湿度数据对应的采集时刻;
根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据;
根据湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种芽苗菜种子萌发预测方法的一些实施例的流程。该芽苗菜种子萌发预测方法,包括以下步骤:
步骤S1,获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息。
在一些实施例中,可以获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息。
其中,历史待萌发信息集合中的历史待萌发信息可以是历史进行芽苗菜种子萌发试验时记录的数据。历史待萌发信息可以包括:实际萌发率、湿度数据序列和种子浸泡时长。历史待萌发信息包括的实际萌发率可以是该历史待萌发信息对应的芽苗菜种子萌发试验结束得到的最终的萌发率。历史待萌发信息包括的湿度数据序列中的湿度数据可以是该历史待萌发信息对应的芽苗菜种子萌发试验中通过湿度传感器采集的湿度数据。湿度数据可以是芽苗菜种子种植在地上后采集的。历史待萌发信息包括的种子浸泡时长可以是该历史待萌发信息对应的芽苗菜种子萌发试验时进行种子浸泡的时长。
当前待萌发信息可以包括:湿度数据序列和种子浸泡时长。当前待萌发信息包括的湿度数据序列中的湿度数据可以是当前时刻对应的正在进行的芽苗菜种子萌发过程中通过湿度传感器采集的湿度数据。当前待萌发信息包括的种子浸泡时长可以是当前时刻对应的正在进行的芽苗菜种子萌发过程中进行种子浸泡的时长。目标区域可以是当前时刻对应的正在进行的芽苗菜种子萌发过程发生在的区域。预设时间段可以是预先设置的时间段。预设时间段内的第一个时刻可以为芽苗菜种子浸泡结束进行种植的时刻。预设时间段内的最后一个时刻可以为当前时刻。
需要说明的是,获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息,可以便于后续对目标区域内的芽苗菜种子的萌发率进行预测。
步骤S2,根据历史待萌发信息包括的实际萌发率,对历史待萌发信息集合中的历史待萌发信息进行聚类,得到候选聚类簇集合。
在一些实施例中,可以根据历史待萌发信息包括的实际萌发率,对上述历史待萌发信息集合中的历史待萌发信息进行聚类,得到候选聚类簇集合。
需要说明的是,基于历史待萌发信息包括的实际萌发率,对历史待萌发信息集合中的历史待萌发信息进行聚类,将实际萌发率相似的历史待萌发信息聚在一起,可以便于后续判断历史待萌发信息对应的萌发率等级。
作为示例,可以根据历史待萌发信息包括的实际萌发率,通过k-means聚类,对历史待萌发信息集合中的历史待萌发信息进行聚类,并将聚类得到的聚类簇,作为候选聚类簇,得到候选聚类簇集合。
步骤S3,从候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,作为目标聚类簇。
在一些实施例中,可以从上述候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,作为目标聚类簇。
需要说明的是,从候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,往往是实际萌发率相对最好的一批历史芽苗菜种子萌发试验过程对应的历史待萌发信息组成的聚类簇。
作为示例,本步骤可以包括以下步骤:
第一步,将候选聚类簇中所有历史待萌发信息包括的实际萌发率的均值,确定为该候选聚类簇对应的代表萌发率。
第二步,从候选聚类簇集合中筛选出代表萌发率最大的候选聚类簇,作为目标聚类簇。
步骤S4,根据当前待萌发信息与目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度。
在一些实施例中,可以根据上述当前待萌发信息与上述目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度。
需要说明的是,由于芽苗菜种子萌发率往往与湿度数据和种子浸泡时长有关,因此综合考虑当前待萌发信息与目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,可以量化目标区域对应的目标修正度。
作为示例,可以根据上述当前待萌发信息包括的湿度数据序列中所有湿度数据的均值、上述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据的均值、上述目标聚类簇中所有历史待萌发信息包括的种子浸泡时长的均值,以及上述当前待萌发信息包括的种子浸泡时长,确定目标区域对应的目标修正度对应的公式可以为:
;/>;其中,/>是目标区域对应的目标修正度。/>是归一化函数。/>是上述当前待萌发信息包括的湿度数据序列中所有湿度数据的均值。/>是上述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据的均值。/>是上述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据中的最大值。/>是上述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据中的最小值。/>和/>是预先设置的大于0的因子,主要用于防止分母为0,例如,/>和均可以为0.01。/>是取绝对值函数;/>是上述当前待萌发信息包括的种子浸泡时长。/>是上述目标聚类簇中所有历史待萌发信息包括的种子浸泡时长的均值。/>是上述当前待萌发信息包括的湿度数据序列中湿度数据的数量。/>是上述当前待萌发信息包括的湿度数据序列中第/>个湿度数据。/>是上述当前待萌发信息包括的湿度数据序列中湿度数据的序号。
需要说明的是,芽苗菜在生产过程中往往需要先对种子进行浸泡处理,浸泡时间的长短往往会影响后续催芽过程中环境中的湿度数据。所以需要往往根据种子浸泡时长来对湿度数据进行修正。并且湿度数据可能会由于某次浇水过程中水量过大导致湿度增加和其它芽苗菜种子萌发试验过程中的湿度数据产生差距。当大于0时,往往说明当前时刻对应的正在进行的芽苗菜种子萌发过程中的湿度高于了实际萌发率相对最好的一批历史芽苗菜种子萌发试验过程的平均湿度,往往说明可能需要对当前时刻对应的正在进行的芽苗菜种子萌发过程中湿度进行降低,往往说明目标区域内的芽苗菜种子萌发率可能会降低。当/>小于0时,往往说明当前时刻对应的正在进行的芽苗菜种子萌发过程中的湿度低于了实际萌发率相对最好的一批历史芽苗菜种子萌发试验过程的平均湿度,往往说明可能需要对当前时刻对应的正在进行的芽苗菜种子萌发过程中湿度进行增加,往往说明目标区域内的芽苗菜种子萌发率可能会降低。当/>越大时,往往说明当前时刻对应的正在进行的芽苗菜种子萌发过程对应的种子浸泡时长越偏离实际萌发率相对最好的一批历史芽苗菜种子萌发试验过程对应的平均种子浸泡时长,往往说明目标区域内的芽苗菜种子萌发率越可能会降低。/>是对/>的修正。比如,存在当/>较大,而/>较小时,往往说明当前时刻对应的正在进行的芽苗菜种子萌发过程中的湿度数据增大可能不是因为浸泡时间异常导致的,可能是湿度值突增造成的,此时往往需要较小的修正度。因此当越大时,往往说明可能需要对当前时刻对应的正在进行的芽苗菜种子萌发过程中湿度进行降低。
步骤S5,根据目标修正度,以及当前待萌发信息与目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数。
在一些实施例中,可以根据上述目标修正度,以及上述当前待萌发信息与上述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数。
其中,当前时刻和预设时刻可以是上述当前待萌发信息包括的湿度数据序列中的湿度数据对应的采集时刻。相关系数可以是皮尔森相关系数。预设数量可以是预先设置的数量。例如,预设数量可以是7。预设数量个预设时刻中的最后一个预设时刻可以是在当前时刻之前,并且距离当前时刻最近的一个采集时刻。预设数量个预设时刻可以是按时间顺序排列的时刻。
需要说明的是,综合考虑目标修正度,以及当前待萌发信息与目标聚类簇中的各个历史待萌发信息之间的相关系数,可以提高目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述当前待萌发信息与上述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在每个预设时刻下的湿度偏离度对应的公式可以为:
;/>;
;其中,/>是目标区域在第/>个预设时刻下的湿度偏离度。/>是预设时刻的序号。/>是上述目标聚类簇中历史待萌发信息的数量。/>是上述当前待萌发信息与上述目标聚类簇中第/>个历史待萌发信息之间的相关系数。/>是上述目标聚类簇中历史待萌发信息的序号。/>是取绝对值函数。/>是目标区域在第/>个预设时刻下的数据差异度。/>是上述目标聚类簇中第/>个历史待萌发信息对应的时间段中与第/>个预设时刻对应的时刻下的数据差异度。与第/>个预设时刻对应的时刻可以是与第/>个预设时刻芽苗菜种子生长时期相同的时刻。例如,若第/>个预设时刻是浸泡后的芽苗菜种子种植在目标区域内的第三个小时,则第/>个历史待萌发信息对应的时间段中与第/>个预设时刻对应的时刻可以是第/>个历史待萌发信息对应的芽苗菜种子萌发试验中芽苗菜种子被种植的第三个小时。比如,/>的确定方法可以与/>的确定方法相同。/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值。/>是目标区域在第/>个预设时刻下采集的湿度数据。/>是目标区域对应的目标修正度。/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值。是目标区域在第/>个预设时刻下采集的湿度数据的修正值。
需要说明的是,当越大时,往往说明目标区域在第/>个预设时刻下的数据差异度与其在第/>个历史待萌发信息对应的时间段中对应的时刻下的数据差异度之间的差异越大,往往说明第/>个预设时刻下采集的湿度数据是异常湿度的可能性越大,其对应的权重系数往往需要越小。当/>越大时,往往说明当前待萌发信息与第/>个历史待萌发信息越相关,往往说明当前待萌发信息与第/>个历史待萌发信息对应的萌发过程越相近,往往说明第个历史待萌发信息的可信度越高。所以,当/>越小时,往往说明第/>个预设时刻下采集的湿度数据是异常湿度的可能性越大,其对应的权重系数往往需要越小。
第二步,根据目标区域在每个预设时刻下的湿度偏离度,确定目标区域在每个预设时刻下的目标权重系数对应的公式可以为:
;/>;其中,/>是目标区域在第/>个预设时刻下的目标权重系数。/>是目标区域在预设数量个预设时刻下的湿度偏离度的累加值。/>是预设数量。/>是目标区域在第/>个预设时刻下的湿度偏离度。/>是预设时刻的序号。
需要说明的是,当越大时,往往说明第/>个预设时刻下采集的湿度数据是异常湿度的可能性越小,其对应的权重系数往往需要越大。当/>越大时,往往说明权重系数越大。
步骤S6,根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据。
在一些实施例中,可以根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据。
需要说明的是,基于所有目标权重系数和预设数量个预设时刻下采集的湿度数据,可以提高目标区域在当前时刻下的湿度预测数据确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,根据目标区域在每个预设时刻下的目标权重系数和上述预设时刻下采集的湿度数据,确定上述预设时刻对应的湿度子数据。
例如,可以将上述预设时刻下的目标权重系数和上述预设时刻下采集的湿度数据的乘积,确定为上述预设时刻对应的湿度子数据。
第二步,将预设数量个预设时刻对应的湿度子数据的累加和,确定为目标区域在当前时刻下的湿度预测数据,即可以使用EWMA(Exponentially Weighted MovingAverage,移动平均)模型进行加权平均,获得湿度预测数据。其中,湿度预测数据可以是预测的萌发过程中真实的湿度数据。
例如,在本实施例中,依据历史记录的通过湿度传感器采集的湿度数据和湿度预测数据,计算的确定系数R-square为0.9716,由此可以看出本发明实施例对湿度进行预测的效果较好。
步骤S7,根据湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低。
在一些实施例中,可以根据上述湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低,实现了对目标区域内的芽苗菜种子萌发率的预测。
其中,标准湿度数据可以是历史进行芽苗菜种子萌发试验时,萌发率最好的试验过程对应的湿度数据曲线中与当前时刻对应的时刻下的湿度数据。与当前时刻对应的时刻可以是与当前时刻芽苗菜种子生长时期相同的时刻。湿度数据曲线可以是以时刻为横坐标,以湿度数据为纵坐标的曲线。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述湿度预测数据和上述标准湿度数据,确定目标区域在当前时刻下的当前湿度偏差。
例如,可以将上述湿度预测数据和上述标准湿度数据的差值,确定为目标区域在当前时刻下的当前湿度偏差。
第二步,当上述当前湿度偏差不在预设偏差范围内时,判定当前时刻会使目标区域内的芽苗菜种子的萌发率降低。
其中,预设偏差范围可以是预先设置的范围。预设偏差范围可以表征正常的偏差范围。例如,预设偏差范围可以是[-5,5]。
可选地,当目标区域在当前时刻下的当前湿度偏差大于0时,往往说明当前时刻下目标区域可能偏高,往往说明可以通过松动土壤并加强通风的方式调低目标区域内的湿度。当目标区域在当前时刻下的当前湿度偏差小于0时,往往说明当前时刻下目标区域可能偏低,往往说明可以通过浇水的方式增加目标区域内的湿度。
第三步,当上述当前湿度偏差在预设偏差范围内时,判定当前时刻不会使目标区域内的芽苗菜种子的萌发率降低。
综上,相较于直接将历史芽苗菜种子萌发试验过程中得到的萌发率,作为当前芽苗菜种子萌发过程中萌发率的预测值,本发明综合考虑了历史待萌发信息集合和目标区域在预设时间段内实际进行芽苗菜种子萌发过程时的当前待萌发信息,并考虑了多个影响芽苗菜种子萌发率的因素,比如湿度数据和种子浸泡时长,量化了目标区域在当前时刻下的湿度预测数据,并基于湿度预测数据和预先获取的标准湿度数据,进行当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低的判断,因此本发明提高了当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低的判断的准确度,从而提高了芽苗菜种子萌发率预测的准确度。
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范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种芽苗菜种子萌发预测方法,其特征在于,包括以下步骤:
获取历史待萌发信息集合和目标区域在预设时间段内对应的当前待萌发信息,其中,预设时间段内的最后一个时刻为当前时刻;
根据历史待萌发信息包括的实际萌发率,对所述历史待萌发信息集合中的历史待萌发信息进行聚类,得到候选聚类簇集合;
从所述候选聚类簇集合中筛选出对应的平均实际萌发率最高的候选聚类簇,作为目标聚类簇;
根据所述当前待萌发信息与所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度;
根据所述目标修正度,以及所述当前待萌发信息与所述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数,其中,当前时刻和预设时刻是所述当前待萌发信息包括的湿度数据序列中的湿度数据对应的采集时刻;
根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据;
根据所述湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低。
2.根据权利要求1所述的一种芽苗菜种子萌发预测方法,其特征在于,所述根据所述当前待萌发信息与所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列和种子浸泡时长,确定目标区域对应的目标修正度,包括:
根据所述当前待萌发信息包括的湿度数据序列中所有湿度数据的均值、所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据的均值、所述目标聚类簇中所有历史待萌发信息包括的种子浸泡时长的均值,以及所述当前待萌发信息包括的种子浸泡时长,确定目标区域对应的目标修正度。
3.根据权利要求2所述的一种芽苗菜种子萌发预测方法,其特征在于,目标区域对应的目标修正度对应的公式为:
;/>;其中,/>是目标区域对应的目标修正度;/>是归一化函数;/>是所述当前待萌发信息包括的湿度数据序列中所有湿度数据的均值;/>是所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据的均值;/>是所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据中的最大值;/>是所述目标聚类簇中所有历史待萌发信息包括的湿度数据序列中所有湿度数据中的最小值;/>和/>是预先设置的大于0的因子;/>是取绝对值函数;/>是所述当前待萌发信息包括的种子浸泡时长;/>是所述目标聚类簇中所有历史待萌发信息包括的种子浸泡时长的均值;/>是所述当前待萌发信息包括的湿度数据序列中湿度数据的数量;/>是所述当前待萌发信息包括的湿度数据序列中第/>个湿度数据;/>是所述当前待萌发信息包括的湿度数据序列中湿度数据的序号。
4.根据权利要求1所述的一种芽苗菜种子萌发预测方法,其特征在于,所述根据所述目标修正度,以及所述当前待萌发信息与所述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在预设时间段内当前时刻之前的预设数量个预设时刻下的目标权重系数,包括:
根据所述当前待萌发信息与所述目标聚类簇中的各个历史待萌发信息之间的相关系数,确定目标区域在每个预设时刻下的湿度偏离度;
根据目标区域在每个预设时刻下的湿度偏离度,确定目标区域在每个预设时刻下的目标权重系数。
5.根据权利要求4所述的一种芽苗菜种子萌发预测方法,其特征在于,目标区域在预设时刻下的湿度偏离度对应的公式为:
;/>;/>;其中,/>是目标区域在第/>个预设时刻下的湿度偏离度;/>是预设时刻的序号;/>是所述目标聚类簇中历史待萌发信息的数量;/>是所述当前待萌发信息与所述目标聚类簇中第/>个历史待萌发信息之间的相关系数;/>是所述目标聚类簇中历史待萌发信息的序号;/>是取绝对值函数;/>是目标区域在第/>个预设时刻下的数据差异度;/>是所述目标聚类簇中第/>个历史待萌发信息对应的时间段中与第/>个预设时刻对应的时刻下的数据差异度;/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值;/>是目标区域在第/>个预设时刻下采集的湿度数据;/>是目标区域对应的目标修正度;/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值;/>是目标区域在第/>个预设时刻下采集的湿度数据的修正值。
6.根据权利要求4所述的一种芽苗菜种子萌发预测方法,其特征在于,目标区域在预设时刻下的目标权重系数对应的公式为:
;/>;其中,/>是目标区域在第/>个预设时刻下的目标权重系数;/>是目标区域在预设数量个预设时刻下的湿度偏离度的累加值;/>是预设数量;/>是目标区域在第/>个预设时刻下的湿度偏离度;/>是预设时刻的序号。
7.根据权利要求1所述的一种芽苗菜种子萌发预测方法,其特征在于,所述根据所有目标权重系数和预设数量个预设时刻下采集的湿度数据,得到目标区域在当前时刻下的湿度预测数据,包括:
根据目标区域在每个预设时刻下的目标权重系数和所述预设时刻下采集的湿度数据,确定所述预设时刻对应的湿度子数据;
将预设数量个预设时刻对应的湿度子数据的累加和,确定为目标区域在当前时刻下的湿度预测数据。
8.根据权利要求7所述的一种芽苗菜种子萌发预测方法,其特征在于,所述根据目标区域在每个预设时刻下的目标权重系数和所述预设时刻下采集的湿度数据,确定所述预设时刻对应的湿度子数据,包括:
将所述预设时刻下的目标权重系数和所述预设时刻下采集的湿度数据的乘积,确定为所述预设时刻对应的湿度子数据。
9.根据权利要求1所述的一种芽苗菜种子萌发预测方法,其特征在于,所述根据所述湿度预测数据和预先获取的标准湿度数据,判断当前时刻是否会使目标区域内的芽苗菜种子的萌发率降低,包括:
根据所述湿度预测数据和所述标准湿度数据,确定目标区域在当前时刻下的当前湿度偏差;
当所述当前湿度偏差不在预设偏差范围内时,判定当前时刻会使目标区域内的芽苗菜种子的萌发率降低;
当所述当前湿度偏差在预设偏差范围内时,判定当前时刻不会使目标区域内的芽苗菜种子的萌发率降低。
10.根据权利要求9所述的一种芽苗菜种子萌发预测方法,其特征在于,所述根据所述湿度预测数据和所述标准湿度数据,确定目标区域在当前时刻下的当前湿度偏差,包括:
将所述湿度预测数据和所述标准湿度数据的差值,确定为目标区域在当前时刻下的当前湿度偏差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468070.5A CN117195028B (zh) | 2023-11-07 | 2023-11-07 | 一种芽苗菜种子萌发预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468070.5A CN117195028B (zh) | 2023-11-07 | 2023-11-07 | 一种芽苗菜种子萌发预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195028A true CN117195028A (zh) | 2023-12-08 |
CN117195028B CN117195028B (zh) | 2024-01-26 |
Family
ID=89005635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311468070.5A Active CN117195028B (zh) | 2023-11-07 | 2023-11-07 | 一种芽苗菜种子萌发预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195028B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373857A (zh) * | 2015-11-27 | 2016-03-02 | 许昌许继软件技术有限公司 | 一种光伏电站辐照度预测方法 |
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测系统及方法 |
CN116418120A (zh) * | 2023-06-08 | 2023-07-11 | 深圳市联明电源有限公司 | 一种应用于水冷电源的智能预警方法 |
CN116578890A (zh) * | 2023-07-14 | 2023-08-11 | 山东焦易网数字科技股份有限公司 | 基于数字孪生的智能工厂数据优化采集方法 |
CN116628488A (zh) * | 2023-03-31 | 2023-08-22 | 兰州交通大学 | 风电功率预测模型的训练方法、风电功率预测方法及设备 |
CN116821729A (zh) * | 2023-08-24 | 2023-09-29 | 北京普达迪泰科技有限公司 | 用于驱动测量标定的数据处理系统 |
-
2023
- 2023-11-07 CN CN202311468070.5A patent/CN117195028B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373857A (zh) * | 2015-11-27 | 2016-03-02 | 许昌许继软件技术有限公司 | 一种光伏电站辐照度预测方法 |
CN116628488A (zh) * | 2023-03-31 | 2023-08-22 | 兰州交通大学 | 风电功率预测模型的训练方法、风电功率预测方法及设备 |
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测系统及方法 |
CN116418120A (zh) * | 2023-06-08 | 2023-07-11 | 深圳市联明电源有限公司 | 一种应用于水冷电源的智能预警方法 |
CN116578890A (zh) * | 2023-07-14 | 2023-08-11 | 山东焦易网数字科技股份有限公司 | 基于数字孪生的智能工厂数据优化采集方法 |
CN116821729A (zh) * | 2023-08-24 | 2023-09-29 | 北京普达迪泰科技有限公司 | 用于驱动测量标定的数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117195028B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180322344A1 (en) | System and method for remote nitrogen monitoring and prescription | |
CN111582554B (zh) | 一种农作物长势预测方法及系统 | |
Zhang et al. | Impacts of climate change on drought risk of winter wheat in the North China Plain | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
KR101762757B1 (ko) | 작물의 수확량 영향 요인 평가 방법 및 장치 | |
CN115987295A (zh) | 基于物联网的农作物监控数据高效处理方法 | |
CN105389739A (zh) | 设施葡萄低温灾害天气指数保险纯费率的确定方法 | |
CN115688997A (zh) | 一种基于积温的茶叶采摘时期预测方法及系统 | |
CN117195028B (zh) | 一种芽苗菜种子萌发预测方法 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN117272209B (zh) | 一种芽苗菜生长数据采集方法及系统 | |
CN109034450B (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
CN112785036A (zh) | 一种基于农作物的关键生育时期对产量进行预测的方法及系统 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN114782837B (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
Tollenaar et al. | Modeling the effects of genotypic and environmental variation on maize phenology: the phenology subroutine of the AgMaize crop model | |
CN113052407A (zh) | 一种大豆气象单产预测方法及预测系统 | |
CN118097422A (zh) | 一种农业环境监测预警方法 | |
CN117574096B (zh) | 基于大数据的农林有害生物预测方法 | |
Rodríguez et al. | CONTRIBUTIONS OF EARLY SEASON TEMPERATURES TO PYRUS COMMUNIS'BARTLETT'FRUIT GROWTH | |
CN117217372B (zh) | 一种农产品产量预测及量化农事活动对产量的影响的方法 | |
CN117311417B (zh) | 基于物联网的智慧农业信息综合管理方法及系统 | |
CN117236519B (zh) | 水肥调控方法、装置、电子设备和存储介质 | |
CN116735538B (zh) | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |