CN117217372B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117217372B CN117217372B CN202311153901.XA CN202311153901A CN117217372B CN 117217372 B CN117217372 B CN 117217372B CN 202311153901 A CN202311153901 A CN 202311153901A CN 117217372 B CN117217372 B CN 117217372B
- Authority
- CN
- China
- Prior art keywords
- yield
- agronomic
- activities
- activity
- current
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009418 agronomic effect Effects 0.000 claims abstract description 154
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000004720 fertilization Effects 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 11
- 229910052757 nitrogen Inorganic materials 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 6
- 238000009331 sowing Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000009333 weeding Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 6
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 6
- 229910052698 phosphorus Inorganic materials 0.000 description 6
- 239000011574 phosphorus Substances 0.000 description 6
- 229910052700 potassium Inorganic materials 0.000 description 6
- 239000011591 potassium Substances 0.000 description 6
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
Landscapes
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,所述方法包括:确定每类农事活动的评价因子的范围和标准;生成各类农事活动与各评价因子的对应关系;根据上一年的历史数据和各类农事活动与各评价因子的对应关系计算各类农事活动对当前产量的影响系数;根据各类农事活动对当前产量的影响系数建立产量预测模型;实时采集农事活动数据,并基于产量预测模型预测本阶段的总产量。本发明通过设定每类农事活动的评价因子、计算各类农事活动对当前产量的影响系数建立产量预测模型,对农事活动与农产品产量之间的关系进行量化分析,可以阶段性地计算每一种农事活动后的产量预测变化,实现基于农事活动的农产品产量预测,更方便直观。
Description
技术领域
本发明属于数字乡村技术领域,具体涉及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。
背景技术
在数字化农村环境中,农民根据作物的生长状况进行一系列农事活动,以保障农产品的良好发育。这些活动无疑会对农产品的产量造成影响,但现在还没有一种可以帮助农民科学并实时地理解这些农事活动对农作物产量的具体影响的量化方法。
公开号为CN115796374A的发明公开了的一种农作物产量预测方法,其通过层次分析法确定影响其产量的自然因素指标相对于产量的权重系数,并建立产量模型预测农作物的产量。该方法结合历史产量和气候因素来预测农作物产量,但是并没有考虑农事活动对产量的影响。
发明内容
有鉴于此,本发明提出了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,用于解决现有技术无法量化农事活动对农作物产量的具体影响的问题。
本发明第一方面,公开了一种农产品产量预测方法,所述方法包括:
确定每类农事活动的评价因子的范围和标准;所述农事活动包括整地、播种、施肥、除草、除虫和收割;
生成各类农事活动与各评价因子的对应关系;
根据上一年的历史数据和各类农事活动与各评价因子的对应关系计算各类农事活动对当前产量的影响系数;所述历史数据包括每块土地的产量、各类农事活动的评价因子和环境系数;
根据各类农事活动对当前产量的影响系数及环境系数、理论产量建立产量预测模型;所述理论产量根据农产品产量受环境、气候、土壤的影响系数和历史产量计算得到;
实时采集农事活动数据,查找对应关系,并基于产量预测模型预测本阶段的总产量。
在以上技术方案的基础上,优选的,所述确定每类农事活动的评价因子的范围和标准具体包括:
确定每类农事活动的评价因子的取值范围、级别、每个级别对应的值以及每个级别对应的判定标准。
在以上技术方案的基础上,优选的,所述计算各类农事活动对当前产量的影响系数的公式为:
其中:s(k)是第k次计算S的值,αi为第i类农事活动的评价因子,i=1,2,…,N,N为农事活动总数,W(k-1)、b(k-1)分别为根据上一年的历史数据计算出来的权重系数和常量参数。
在以上技术方案的基础上,优选的,所述农事活动的权重系数和常量参数的计算方法包括:
根据上一年的历史数据中每块土地的真实的亩产数据和产量预测模型反推上一年每块土地上各类农事活动对当前产量的影响系数s(k-1);
根据上一年的历史数据及各类农事活动与各评价因子的对应关系计算每块土地上的各个农事活动的评价因子αi;
对每块土地,累积当前块土地上所有农事活动序列后的评价因子,得到上一年每块土地对应的评价因子累积值;
已知上一年每块土地上各类农事活动对当前产量的影响系数和上一年每块土地对应的评价因子累积值,采用最小二乘法或线性回归方法,,计算W(k-1)和b(k-1)。
在以上技术方案的基础上,优选的,所述产量预测模型的公式为:
其中,p为农产品本阶段的亩产产量预测值,P0为理论产量,s是对农产品进行各类农事活动后对当前产量的影响系数,λ为当前土地上的环境系数。
在以上技术方案的基础上,优选的,所述实时采集农事活动数据,并基于产量预测模型预测本阶段的总产量具体包括:
实时采集农事活动数据,根据各类农事活动与各评价因子的对应关系计算得到当前农事活动的评价因子;
根据当前农事活动的评价因子更新各类农事活动对当前产量的影响系数;
基于产量预测模型预测本阶段的亩产产量,根据本阶段的亩产产量得到本阶段的总产量。
本发明第二方面,公开了一种量化农事活动对产量的影响的方法,所述方法包括:
使用本发明第一方面所述的方法预测当前农事活动后本阶段的总产量,得到本阶段的总产量预测值;
获取上一个阶段的总产量预测值,则当前农事活动对农产品产量的影响=本阶段的总产量预测值-上一个阶段的总产量预测值。
在以上技术方案的基础上,优选的,所述基于产量预测模型预测本阶段的总产量的过程中,若当前的农事活动为整田,则通过各类农事活动后对当前产量的影响系数的变化来判断产量是否受到影响。
本发明相对于现有技术具有以下有益效果:
1)本发明通过设定每类农事活动的评价因子、计算各类农事活动对当前产量的影响系数建立产量预测模型,对农事活动与农产品产量之间的关系进行量化分析,可以阶段性地计算每一种农事活动后的产量预测变化,实现基于农事活动的农产品产量预测,相较于其他产量预测方式,更方便直观。
2)本发明通过对每块土地上农产品产量数据和其上各类农事活动进行量化评价,得出相应的评价因子,当获得实时的农事活动评价因子时,可以利用这些因子来实时更新预测模型,以预测当前农事活动的农产品总产量,实时性更高;
3)本发明预测的总产量会随着有时序的农事活动实时发生变化,可以方便地计算每次农事活动对农产品产量的影响,从而理解每一种农事活动的生产效率,有助于避免无效的农事活动,优化农业生产流程。
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,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地介绍,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他的附图。
图1为本发明的农产品产量预测及量化农事活动对产量的影响的方法流程图;
图2为本发明量化农事活动对产量的影响的方法流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
农产品生长过程中,需要按照农产品生长需求按照顺序进行不同类型的农事活动,因此农事活动具备时序性,一种农事活动的效果不仅仅影响到农产品的总产量,还会对后续农事活动的产量上限有影响。以水稻为例,播种过程决定了土地上水稻的最大产量;如果播种过于稀疏或密集,且其后农事活动补救困难,水稻的产量上限将会降低。因此一个农事活动影响结果会级联传递给下一个农事活动中,最终影响农产品产量。本发明建立了基于农事活动的产量预测模型进行农产品产量预测,并量化当前农事活动对农产品产量的影响。
请参阅图1,本发明提出一种农产品产量预测方法,所述方法包括:
S1、确定每类农事活动的评价因子的范围和标准。
为了确定每个农事活动对农产品产量的影响,首先需要明确每个农事活动评价因子的范围和标准,主要是确定每类农事活动的评价因子的取值范围、级别、每个级别对应的值以及每个级别对应的判定标准等。
S11、确定每类农事活动评价因子的范围。
需设定每类农事活动评价因子αi的取值范围,最小值必须为1,αi=1表示未从事此类农事活动,从事此类农事活动的αi值将大于1,建议在1到1.5之间。也可以根据具体情况设定不同的αi范围值,根据具体情况进行权衡和调整。
S12、确定每类农事活动评价因子的级别和对应值。
为了方便后续对每类农事活动的评价因子进行处理和分析,需要将每类农事活动评价因子分成若干个级别。虽然每类农事活动评价的级别可以不一样,但是建议保持相同的等级划分。增加级别的数量可能会使数据变得更加复杂,难以理解和分析,而级别过少则可能导致数据精度不够,影响预测效果。因此,可以将每类评价因子划分为6个级别,分别是无效果、差、一般、比较好、很好和最佳。这个级别划分可以根据具体情况进行调整。
在确定每类农事活动评价因子的级别后,需要为每个级别分别设定对应的值。最低级别对应最低值,最高级别对应最高值。以范围在1到1.5之间为例,若将每类评价因子分为6个级别,则各级别从低到高分别对应1,1.1,1.2,1.3,1.4和1.5。这个级别对应值的设定可以根据具体情况进行调整,以满足实际应用需要。
S13、确定每类农事活动评价因子的级别的判断标准。
不同的农事活动可能需要不同的评价标准。这些标准可以由有经验的农业专家结合现场采集的数据来判断。以施肥后需要评价土壤氮磷钾含量为例,需要根据专家的判断标准将数据分为不同的级别,具体判定标准如下表1(单位为毫克/公斤)所示:
表1施肥后土壤氮磷钾含量判定标准表
如果采集的数据处于不同的级别之间,可以通过差分法计算出该值。由于一个级别的标准通常需要多个维度来判断,因此需要进行综合判断。此外,不同维度按照标准所对应的级别也可能不同。
S2、生成各类农事活动与各评价因子的对应关系。
可采用步骤S13类似的设定判定标准表的方式建立各类农事活动与各评价因子的对应关系,以便于采集到农事活动数据后,能通过该对应关系快速计算出相应的评价因子。
为了得到一个农事活动的总评价因子,需要先分别计算每个维度所对应的评价因子,然后将这些评价因子进行加权平均。这个加权平均的过程可以根据具体情况进行调整,以满足实际应用需要。例如,以表1的判定标准为例,某一块田施肥后,通过土壤施肥检测仪器采集的数据如下:氮为165,磷为85,钾为90。
氮的评价因子=1.3+(1.4-1.3)*(165-150)/(180-150)=1.35
磷的评价因子=1.4+(1.5-1.4)*(85-80)/(100-80)=1.425
钾的评价因子=1.2+(1.3-1.2)*(90-75)/(100-75)=1.26
则施肥总的评价因子αi=(1.35+1.425+1.26)/3=1.345。
S3、根据上一年的历史数据和各类农事活动与各评价因子的对应关系计算各类农事活动对当前产量的影响系数。
为了预测本年度农产品的产量,需要使用上一年的历史数据,包括每块土地的产量、各种农事活动的评价以及各阶段的环境系数数据。通过上一年每块土地的产量计算出对应的各类农事活动对当前产量的影响系数s。
具体的,步骤S3包括如下分步骤:
S31、根据上一年的历史数据中每块土地的真实的亩产量数据反推上一年每块土地上各类农事活动对当前产量的影响系数。
从数字乡村系统中获得某区域来的亩产数据,例如获取某一个村此类农产品所有土地的亩产数据。通过每块土地的真实的亩产数据反推上一年每块土地上各类农事活动对当前产量的影响系数s(k-1)。
S32、根据上一年的历史数据计算每块土地上的各个农事活动的评价因子。
通过数字乡村的物联网设备或人工评价,可以获取上一年每块土地上进行的所有农事活动的评价因子。如果使用物联网传感器采集数据,则会得到一个包含多个时间段内农事活动的多维度数据集合。为了计算某一时间的评价因子,可以结合步骤S2的对应关系所采用的计算方法进行计算。同样地,需要对所有时间内此农事活动的评价因子进行计算,最后求其平均值得到该农事活动的αi值,用来评价农事活动后的效果。
S33、对每块土地,累积当前块土地上所有农事活动序列后的评价因子和环境系数,得到上一年每块土地对应的评价因子累积值。
S34、拟合各类农事活动对当前产量的影响系数。
已知上一年每块土地上各类农事活动对当前产量的影响系数和上一年每块土地对应的评价因子累积值,采用最小二乘法或线性回归方法,计算上一年每块土地对应的评价因子累积值的权重系数W(k-1)和各类农事活动对当前产量的影响系数的常量参数b(k-1)。
计算各类农事活动对当前产量的影响系数S的公式为:
其中:s(k)是第k次计算S的值,它与农产品类型有关,例如水稻、玉米是以年为单位,此时k代表第k年。αi为第i类农事活动后的评价因子,W(k-1)为用上一次真实产量计算出来的农事活动的权重系数,b(k-1)为用上一次真实产量计算的常量参数。
i=1,2,…,N,N为农事活动总数。一般来说,某产品的农事活动包括整地,播种,施肥,除草,除虫和收割。但因为收割是不会对农产品的总产量有影响的,只考虑除收获之外的其他农事活动,故N可为5。
S4、根据各类农事活动对当前产量的影响系数及环境系数、理论产量建立产量预测模型。
本发明引入Sigmoid函数作为产量预测模型。该函数在生物学中表示S型生长曲线,能够反映农产品生长、发展和成熟的一般规律。此函数的取值范围在(0,1)之间,农民采取农事活动后,农产品的单位产量将逐渐接近理论产量。
根据各类农事活动对当前产量的影响系数建立产量预测模型的公式为:
其中,p为农产品本阶段的亩产产量预测值,s是对农产品进行各类农事活动后对当前产量的影响系数,P0为理论产量,λ为当前土地上的环境系数。
该区域的农产品产量受环境、气候、土壤等因素的影响,一般情况下,选择近三年内亩产最大值Pmax的ρ倍作为该农产品的P0值,即,P0=ρPmax,ρ是农产品产量受环境、气候、土壤等因素的影响系数,ρ是一个经验数据,一般设定ρ在1.1~1.2之间。环境系数λ也需要考虑,若无重大自然灾害,则λ的值为1;如果有重大自然灾害对该土地产量造成影响,则根据影响程度设定λ的值小于1。
S5、实时采集农事活动数据,并基于产量预测模型预测本阶段的总产量。
本发明实时采集农事活动数据,根据当前农事活动数据查找对应关系,计算当前农事活动的评价因子,根据当前农事活动的评价因子更新各类农事活动对当前产量的影响系数s;基于产量预测模型预测本阶段的亩产产量,根据本阶段的亩产产量得到本阶段的总产量。
如图2所示为产量预测的流程图,步骤S5具体包括如下分步骤:
S501、判断农民从事何种农事活动:在农产品生产过程中,农民将依据农产品的生长需要,从事农事活动,为农产品提供良好的生长环境。通过特定技术手段判断农民从事何种农事活动。完成后进入子步骤S502。
S502、判断农产品是否收割:即判断是否能获得真实产量数据。若是收割,说明所有农事活动已经结束,可获得真实产量数据。否则,进入子步骤S503,进一步判断本阶段农事活动是否结束。
S503、判断本阶段农事活动是否结束:判断本阶段农事活动是否结束,若没有结束,则继续采集数据,进入子步骤S504。
S504、采集农事活动后的数据:采集进行农事活动后,与农事活动评价因子相关的数据。以施肥农事活动为例,施肥后,土壤的氮磷钾将增加。可通过传感器获得这些结果数据。进入子步骤S505。
S505、计算农事活动的αi:用采集的农事活动数据,结合各类农事活动与各评价因子的对应关系,获得此刻农事活动后的评价因子αi。完成后进入子步骤S506。
S506、预测农产品产量:若农事活动还未开始,设定其农事活动的评价因子αi为1。例如:在施肥这一农事活动阶段:播种和整田已经完成,但是除草,除虫还未开始。采集传感器数据中氮磷钾的含量,得到此刻施肥后的评价因子αi的值。若是第一次获得施肥的农事活动的数据,此时αi值就代表施肥后的评价因子。若不是第一次得到αi值,则施肥的农事活动的αi值就是所有时刻αi的平均值。除草,除虫的农事活动还未开始,则这2个农事活动对应的αi=1。而整田和播种的农事活动评价因子是其相应农事活动完成后的αi值。这样就能确定所有农事活动的评价因子αi值。利用上一年度W和b,,就能计算出影响系数s,从而能基于产量预测模型预测出农产品本阶段的总产量。完成后进入子步骤S507。
S507、判断产量是否降低:在农事活动中,若农事活动评价因子的值变低,则其产量将降低,通过对比,可以得到降低的产量的数值。但在整田阶段,由于还未播种,通过公式计算的值接近0,因此在此阶段需要用影响系数S值来比较,但是在其他阶段,用产量来比较。若降低,就进入子步骤S508;否则继续采集农事活动数据,进入子步骤S504。
S508、通知农民:通知此块土地的农民,让农民采取农事补救措施来提高产量。完成后进入子步骤S501。
本发明通过采集农事活动的数据,对农事活动与农产品产量之间的关系进行量化分析,可以阶段性地计算每一种农事活动后的产量预测变化。当预测值开始下降时,应该通知该土地的农民,以便农民继续从事农事活动并提高农事活动的效果。需要特别注意的是,在进行整田的农事活动时,由于其效果不会立即显现,因此预测的产量通常会接近0。然而,可以通过影响系数S值的变化来判断产量是否受到影响。除了整田阶段外,其他阶段都可以通过预测产量的变化情况来通知农民。对于农民来说,预测的产量变化更加直观,更容易促使他们从事农事活动,从而提高产量。
在以上方法实施例的基础上,本发明还提出一种量化农事活动对产量的影响的方法,如图2所示,所述方法包括:
使用前述步骤S1~S5所述的方法预测当前农事活动后本阶段的总产量,得到本阶段的总产量预测值。然后获取上一个阶段的总产量预测值,在步骤S5中继续执行以下步骤S509、S510:
S509、计算当前农事活动的产量:若本阶段农事活动结束,基于产量预测模型预测出农产品本阶段的总产量,进而计算当前农事活动对应的产量,若是整田阶段,其产量为0;若是其他阶段,计算公式为:当前农事活动的产量=本阶段的总产量预测值-上一个阶段的总产量预测值。
即:设本阶段农事活动为i,i=1,2,…,N,本阶段的总产量预测值为Pi,上一个阶段的总产量预测值为Pi-1,则当前农事活动i对应的产量ΔPi为:ΔPi=Pi-Pi-1。
S510、计算权重系数W和常量参数b:若农产品已收割,,表明今年已经收割完成,有真实的产量数据,就能利用今年产量数据计算来年的权重系数W和常量参数b,为来年预测提供支撑。
另外,基于产量预测模型预测本阶段的总产量的过程中,若当前的农事活动为整田,则通过各类农事活动后对当前产量的影响系数的变化来判断产量是否受到影响。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统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,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,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。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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 (6)
1.一种农产品产量预测方法,其特征在于,所述方法包括:
确定每类农事活动的评价因子的范围和标准;所述农事活动包括整地、播种、施肥、除草、除虫和收割;
生成各类农事活动与各评价因子的对应关系;
根据上一年的历史数据和各类农事活动与各评价因子的对应关系,计算各类农事活动对当前产量的影响系数;所述历史数据包括每块土地的产量、各类农事活动的评价因子和环境系数;
所述计算各类农事活动对当前产量的影响系数的公式为:
其中:s(k)是第k次计算s的值,αi为第i类农事活动的评价因子,i=1,2,…,N,N为农事活动总数,W(k-1)、b(k-1)分别为根据上一年的历史数据计算出来的权重系数和常量参数;
根据各类农事活动对当前产量的影响系数及环境系数、理论产量,引入Sigmoid函数建立产量预测模型;所述理论产量根据农产品产量受环境、气候、土壤的影响系数和历史产量计算得到;所述产量预测模型的公式为:
其中,p为农产品本阶段的亩产产量预测值,P0为理论产量,s为各类农事活动对当前产量的影响系数,λ为当前土地上的环境系数;
实时采集农事活动数据,并基于产量预测模型预测本阶段的总产量。
2.根据权利要求1所述的农产品产量预测方法,其特征在于,所述确定每类农事活动的评价因子的范围和标准具体包括:
确定每类农事活动的评价因子的取值范围、级别、每个级别对应的值以及每个级别对应的判定标准。
3.根据权利要求1所述的农产品产量预测方法,其特征在于,所述农事活动的权重系数和常量参数的计算方法包括:
根据上一年的历史数据中每块土地的真实的亩产数据和产量预测模型反推上一年每块土地上各类农事活动对当前产量的影响系数s(k-1);
根据上一年的历史数据及各类农事活动与各评价因子的对应关系计算每块土地上的各个农事活动的评价因子αi;
对每块土地,累积当前块土地上所有农事活动序列后的评价因子,得到上一年每块土地对应的评价因子累积值;
已知上一年每块土地上各类农事活动对当前产量的影响系数和上一年每块土地对应的评价因子累积值,采用最小二乘法或线性回归方法,计算权重系数W(k-1)和常量参数b(k -1)。
4.根据权利要求1所述的农产品产量预测方法,其特征在于,所述实时采集农事活动数据,并基于产量预测模型预测本阶段的总产量具体包括:
实时采集农事活动数据,根据各类农事活动与各评价因子的对应关系计算得到当前农事活动的评价因子;
根据当前农事活动的评价因子更新各类农事活动对当前产量的影响系数;
基于产量预测模型预测本阶段的亩产产量,根据本阶段的亩产产量得到本阶段的总产量。
5.一种量化农事活动对产量的影响的方法,其特征在于,所述方法包括:
使用权利要求1~4任一项所述的方法预测当前农事活动后本阶段的总产量,得到本阶段的总产量预测值;
获取上一个阶段的总产量预测值,则当前农事活动对农产品产量的影响=本阶段的总产量预测值–上一个阶段的总产量预测值。
6.根据权利要求5所述的量化农事活动对产量的影响的方法,其特征在于,所述基于产量预测模型预测本阶段的总产量的过程中,若当前的农事活动为整田,则通过各类农事活动后对当前产量的影响系数的变化来判断产量是否受到影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153901.XA CN117217372B (zh) | 2023-09-08 | 2023-09-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153901.XA CN117217372B (zh) | 2023-09-08 | 2023-09-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217372A CN117217372A (zh) | 2023-12-12 |
CN117217372B true CN117217372B (zh) | 2024-03-08 |
Family
ID=89038134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153901.XA Active CN117217372B (zh) | 2023-09-08 | 2023-09-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217372B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11313594A (ja) * | 1998-04-30 | 1999-11-16 | Omron Corp | 農作業決定支援装置および方法、並びに記録媒体 |
CN108022023A (zh) * | 2017-12-20 | 2018-05-11 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
US10768156B1 (en) * | 2014-10-27 | 2020-09-08 | Farmer's Business Network, Inc. | Yield analysis through agronomic analytics |
CN111985728A (zh) * | 2020-09-07 | 2020-11-24 | 浪潮软件股份有限公司 | 一种建立有机高粱产量预测模型的方法 |
CN113473840A (zh) * | 2019-02-21 | 2021-10-01 | 克莱米特公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3015018A1 (en) * | 2016-03-04 | 2017-09-08 | Basf Se | Devices and methods for planning and monitoring agricultural crop growing |
WO2019033055A1 (en) * | 2017-08-10 | 2019-02-14 | Clearag, Inc. | DEVELOPING COMPLEX AGRICULTURAL SIMULATIONS MODELS FROM LIMITED DATA SETS |
MX2020011572A (es) * | 2018-05-02 | 2021-01-20 | Supplant Ltd | Sistemas y procedimientos para aplicar una práctica agrícola a un campo agrícola objetivo. |
-
2023
- 2023-09-08 CN CN202311153901.XA patent/CN117217372B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11313594A (ja) * | 1998-04-30 | 1999-11-16 | Omron Corp | 農作業決定支援装置および方法、並びに記録媒体 |
US10768156B1 (en) * | 2014-10-27 | 2020-09-08 | Farmer's Business Network, Inc. | Yield analysis through agronomic analytics |
CN108022023A (zh) * | 2017-12-20 | 2018-05-11 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
CN113473840A (zh) * | 2019-02-21 | 2021-10-01 | 克莱米特公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
CN111985728A (zh) * | 2020-09-07 | 2020-11-24 | 浪潮软件股份有限公司 | 一种建立有机高粱产量预测模型的方法 |
Non-Patent Citations (2)
Title |
---|
春玉米生育中期阶段主要农事活动气象适宜度评价模型;朱海霞;李百超;赵慧颖;杜春英;温秀卿;姜丽霞;王萍;;中国农学通报;20190620(18);全文 * |
马云倩 ; 郭燕枝 ; 王秀丽 ; 孙君茂 ; .基于LASSO与GM(1,N)模型的中国粮食产量预测.干旱区资源与环境.2018,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117217372A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741555B2 (en) | Crop yield estimation method based on deep temporal and spatial feature combined learning | |
US11222385B2 (en) | Method and system for forecasting crop yield | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
AU2018226373A1 (en) | Using historical plant-available water metrics to forecast crop yield | |
CN116485040B (zh) | 种子活力预测方法、系统、电子设备及存储介质 | |
CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
CN111985728A (zh) | 一种建立有机高粱产量预测模型的方法 | |
Mertens et al. | An intelligent control chart for monitoring of autocorrelated egg production process data based on a synergistic control strategy | |
CN115271500A (zh) | 一种重金属污染农田土壤修复效果的综合评估方法 | |
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 | |
Meinke | Improving wheat simulation capabilities in Australia from a cropping systems perspective | |
Lyons et al. | Nitrogen response models for winter cereals grown for forage | |
CN117077868A (zh) | 一种基于模型的粮食产量预测系统及方法 | |
Xu et al. | Sensitivity analysis of the CROPGRO-Canola model in China: A case study for rapeseed | |
Tripathy et al. | Smart farming based on deep learning approaches | |
CN116228454A (zh) | 一种基于大数据的种植管理控制方法、系统和可读存储介质 | |
CN114936765A (zh) | 一种考虑空间异质性的农业干旱指数构建方法 | |
Ruiz-Velazco et al. | Evaluating partial harvesting strategies for whiteleg shrimp Litopenaeus (Penaeus) vannamei semi-intensive commercial production: profitability, uncertainty, and economic risk | |
Pease et al. | Comparisons between subjective and statistical forecasts of crop yields | |
Nyariki et al. | Technical innovation and farm productivity growth in dryland Africa: The effects of structural adjustment on smallholders in Kenya | |
Oduntan et al. | A predictive model for improving cereals crop productivity using supervised machine learning algorithm | |
CN110033187B (zh) | 一种基于环境数据的指标数据获取方法 | |
Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University | |
CN113298280A (zh) | 农业育种大数据的深度挖掘与智能决策算法 |
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 |