CN117371529B - 作物表型数据知识图谱生成方法、装置、电子设备及介质 - Google Patents
作物表型数据知识图谱生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117371529B CN117371529B CN202311668865.0A CN202311668865A CN117371529B CN 117371529 B CN117371529 B CN 117371529B CN 202311668865 A CN202311668865 A CN 202311668865A CN 117371529 B CN117371529 B CN 117371529B
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- variety
- point
- environmental
- 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 67
- 238000012360 testing method Methods 0.000 claims abstract description 254
- 238000012544 monitoring process Methods 0.000 claims abstract description 233
- 230000007613 environmental effect Effects 0.000 claims description 215
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003306 harvesting Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 abstract description 11
- 238000010168 coupling process Methods 0.000 abstract description 11
- 238000005859 coupling reaction Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000013499 data model Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种作物表型数据知识图谱生成方法、装置、电子设备及介质，属于智能农业技术领域，该方法包括：获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取种植区域中各个环境监测点的环境监测数据；基于各品种试验点和各环境监测点之间的第一距离、各品种试验点的第一环境预测数据以及各环境监测点的环境监测数据，生成初始知识图谱；利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，生成目标作物的作物表型数据知识图谱。本发明可以实现作物品种表型特征与种植区域环境之间耦合关系的有效表示，有利于实现作物品种在未试验地点的表型预测。
Description
技术领域
本发明涉及智能农业技术领域，尤其涉及一种作物表型数据知识图谱生成方法、装置、电子设备及介质。
背景技术
种业是农业的芯片，选育和推广高产、优质、多抗的品种，是种业创新和发展的根本动力。但是品种产量、品质、抗性等表型特征和种植区域环境有复杂的耦合关系，基于这种耦合关系，可以实现预测品种在不同区域环境特征下的表现。
然而，现有技术中关于上述耦合关系表示方法的研究甚少，如何实现作物品种表型特征与种植区域环境之间耦合关系的有效表示已成为业界亟待解决的技术问题。
发明内容
本发明提供一种作物表型数据知识图谱生成方法、装置、电子设备及介质，用以实现作物品种表型特征与种植区域环境之间耦合关系的有效表示。
本发明提供一种作物表型数据知识图谱生成方法，包括：
获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；
基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；
利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的。
根据本发明提供的一种作物表型数据知识图谱生成方法，所述基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱，包括：
以各所述品种试验点为第一顶点，各所述环境监测点为第二顶点，各所述品种试验点和各所述环境监测点之间的第一距离为边，以各所述环境监测点的环境监测数据为所述第二顶点的属性信息，各所述品种试验点的第一环境预测数据为所述第一顶点的属性信息，生成初始知识图谱。
根据本发明提供的一种作物表型数据知识图谱生成方法，所述利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱，包括：
根据各所述品种试验点的作物品种试验数据，获取所述目标作物的各个作物品种以及各所述作物品种在对应品种试验点的试验数据；
以各所述作物品种为第三顶点，各所述作物品种到参加试验的品种试验点为参试边，所述作物品种在对应品种试验点的试验数据为所述参试边的第一属性信息，目标环境属性信息为所述参试边的第二属性信息，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述目标环境属性信息是基于各所述品种试验点的第一环境预测数据确定的。
根据本发明提供的一种作物表型数据知识图谱生成方法，在所述生成所述目标作物的作物表型数据知识图谱之后，所述方法还包括：
基于预测点与各所述环境监测点之间的第二距离，以及各所述环境监测点的环境监测数据，确定所述预测点的环境属性信息；
利用所述预测点的环境属性信息以及各个所述参试边的第二属性信息，确定待测作物品种在所述预测点的性状特征数据。
根据本发明提供的一种作物表型数据知识图谱生成方法，所述基于预测点与各所述环境监测点之间的第二距离，以及各所述环境监测点的环境监测数据，确定所述预测点的环境属性信息，包括：
基于所述第二距离和各所述环境监测点的环境监测数据，预测所述预测点的第二环境预测数据；
从所述预测点的第二环境预测数据中，确定所述待测作物品种在目标作物生长期内的环境预测数据；
将所述目标作物生长期的环境预测数据，作为所述预测点的环境属性信息。
根据本发明提供的一种作物表型数据知识图谱生成方法，所述利用所述预测点的环境属性信息以及各个所述参试边的第二属性信息，确定待测作物品种在所述预测点的性状特征数据，包括：
基于各个所述参试边的第二属性信息，确定与所述预测点的环境属性信息相匹配的多个目标参试边；
基于各个所述目标参试边的第二属性信息与所述预测点的环境属性信息的相似度，以及各个所述目标参试边的第二属性信息，确定所述待测作物品种在所述预测点的性状特征数据；
所述性状特征数据包括但不限于亩产、比对照增减产、收获时籽粒平均含水量、生育期、出苗期、成熟期、株高、穗位高、倒伏率、倒折率、空秆率、百粒重、穗长、穗粗和轴粗。
根据本发明提供的一种作物表型数据知识图谱生成方法，获取各所述品种试验点的第一环境预测数据的具体步骤，包括：
确定每个所述品种试验点与各所述环境监测点之间的第一距离；
利用每个所述第一距离以及各所述环境监测点的环境监测数据进行空间插值计算，得到每个所述品种试验点的第一环境预测数据；所述环境监测数据中的环境要素包括但不限于最高温度、最低温度、平均温度、平均地面气压、降水量、最大风速、平均风速和日照时长。
本发明还提供一种作物表型数据知识图谱生成装置，包括：
第一获取模块，用于获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；
第一生成模块，用于基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；
第二生成模块，用于利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上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上述任一种所述作物表型数据知识图谱生成方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物表型数据知识图谱生成方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述作物表型数据知识图谱生成方法。
本发明提供的作物表型数据知识图谱生成方法、装置、电子设备及介质，通过利用知识图谱技术，获取目标作物的各个品种试验点位置及其作物品种试验数据、各个环境监测点位置及其环境监测数据，利用各品种试验点和各环境监测点之间的空间距离、各品种试验点的环境预测数据以及各环境监测点的环境监测数据构建初始知识图谱，得到可以表征作物种植环境数据的知识图谱表示，进一步，利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，最终生成作物表型数据知识图谱，以此通过自动解析作物品种试验数据和环境监测数据生成目标作物的作物表型数据知识图谱，可以实现作物品种表型特征与种植区域环境之间耦合关系的有效表示，有利于实现作物品种在未试验地点的表型预测。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的作物表型数据知识图谱生成方法的流程示意图；
图2是本发明提供的作物表型数据知识图谱生成方法中作物表型数据预测的结果示意图；
图3是本发明提供的作物表型数据知识图谱生成装置的结构示意图；
图4是本发明提供的电子设备的实体结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图4描述本发明的作物表型数据知识图谱生成方法、装置、电子设备及介质。
图1是本发明提供的作物表型数据知识图谱生成方法的流程示意图，如图1所示，包括：
步骤110，获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取种植区域中各个环境监测点的环境监测数据；
步骤120，基于各品种试验点和各环境监测点之间的第一距离、各品种试验点的第一环境预测数据以及各环境监测点的环境监测数据，生成初始知识图谱；
步骤130，利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，生成目标作物的作物表型数据知识图谱；
第一环境预测数据是基于各品种试验点与各环境监测点之间的第一距离以及各环境监测点的环境监测数据确定的。
具体地，本发明实施例所描述的第一距离指的是目标作物的各个品种试验点与各个环境监测点之间的空间距离，其中，目标作物可以为任何一类作物，如玉米、甘蔗、大豆等。
本发明实施例所描述的第一环境预测数据指的是作物测试点所处地理区域的环境数据，其可以利用环境监测点的环境监测数据及环境监测点与作物测试点之间的空间距离进行估算预测得到。
本发明实施例所描述的初始知识图谱指的是用于表征作物种植环境特征的知识图谱。
在本发明的实施例中，步骤110中，以目标作物为筛选条件，构建作物品种试验数据集P，通过作物品种试验数据集P，获取目标作物所处种植区域中的各个品种试验点位置信息以及各品种试验点的作物品种试验数据，其中，品种试验数据集P中的每条数据均以四元数据类型{品种编号，试验点，试验年度，性状特征数据集合}来表示，试验点以三元数据类型{试验点编号，经度，纬度}来表示，作物品种试验数据集P内所有数据的试验点构成试验点集合LP。
以目标作物所处种植区域为筛选条件，构建环境监测数据集E，通过环境监测数据集E，获取其中各个环境监测点位置信息以及各环境监测点的环境监测数据。其中，环境监测数据集E中的每条数据均以三元数据类型{环境监测点，日期，环境要素集合}来表示，环境监测点以三元数据类型{监测点编号，经度，纬度}来表示，环境监测数据集E内所有数据的监测点构成监测点集合LE。
进一步地，在本发明的实施例中，步骤120中，利用地球空间距离公式，计算各品种试验点和各环境监测点之间的第一距离，并通过空间插值的方法，结合各环境监测点的环境监测数据，计算各品种试验点的第一环境预测数据，最终利用各品种试验点的第一环境预测数据和各环境监测点的环境监测数据，生成初始知识图谱GE。
基于上述实施例的内容，作为一种可选的实施例，获取各品种试验点的第一环境预测数据的具体步骤，包括：
确定每个品种试验点与各环境监测点之间的第一距离；
利用每个第一距离以及各环境监测点的环境监测数据进行空间插值计算，得到每个品种试验点的第一环境预测数据；环境监测数据中的环境要素包括但不限于最高温度、最低温度、平均温度、平均地面气压、降水量、最大风速、平均风速和日照时长。
具体地，在本发明的实施例中，试验点集合LP中各品种试验点与监测点集合LE中各监测点的第一距离计算方式为：
；
其中，、分别表示品种试验点和监测点的纬度，、分别表示品种试验点和监测点的经度，表示地球半径，取值为6371千米。
在本发明的实施例中，通过上述公式，可以确定试验点集合LP中每个品种试验点与监测点集合LE中各环境监测点之间的第一距离。
在本发明的一个具体实施例中，以表1中品种试验点和表2中#1监测点间的距离为例进行计算：
；
在本实施例中，初始知识图谱便可以插入一条数据为< LP#1，492km，LE#1>。通过遍历计算所有试验点与监测点之间的距离，完成初始知识图谱GE的初始化。
表1
表2
进一步地，在本实施例中，将环境监测数据集E中各监测点的环境监测数据作为该监测点的属性补充环境型知识图谱，即初始知识图谱GE。以表3中#1环境监测点为例，其环境型属性可以表示为“< LE#1，2021环境要素，{2021.1.1：（最高温度：5.3，最低温度：-6.2，……）；2021.1.2：（最高温度：8.1，最低温度：-6，……）；……}>”。
进一步地，在本实施例中，利用每个第一距离以及各环境监测点的环境监测数据进行空间插值计算，得到每个品种试验点的第一环境预测数据。
表3
具体来说，在本实施例中，对于任一品种试验点，利用该品种试验点与各环境监测点之间的第一距离，计算各第一距离的平方值以及各第一距离平方值的倒数和，然后计算各环境监测点的环境监测数据与对应的平方值的第一比值，最后计算各第一比值的和与各第一距离平方值的倒数和的第二比值，得到品种试验点的第一环境预测数据。
更具体地，本实施例中，使用反距离权重差值法计算品种试验点的环境要素，得到品种试验点的第一环境预测数据，其中，逐日计算品种试验点的环境要素的公式为：
其中，表示第个品种试验点在第日的环境要素的估计值，环境要素为第一环境预测数据中的任一环境要素；表示第个环境监测点在第日的环境监测数据；表示预定义的幂函数，可控制反距离权重的影响；表示环境监测点的集合；表示预测点的集合。
可选地，本实施例中，预定义可以取值为2。使用表2中#1监测点和#2监测点作为监测点集合LE，计算表1中#1品种试验点在日期为2021.1.1下的最高温度：
；
逐日计算#1试验点在2021年的所有环境要素，则#1品种试验点的环境型属性数据，即第一环境预测数据，可以表示为“< LP#1，2021环境要素，{2021.1.1：（最高温度：7.2，最低温度：-4.8，……）；2021.1.2：（最高温度：8.3，最低温度：-3.9，……）；……}>”。
本发明实施例的方法，通过利用空间插值法，结合各品种试验点与各环境监测点之间的距离以及各环境监测点的环境监测数据，可以有效测算出每个品种试验点的环境预测数据，为后续的作物表型知识图谱的构建提供可靠的数据源，提高作物表型知识图谱表示的准确性。
进一步地，在本发明的实施例中，步骤130中，利用各品种试验点的作物品种试验数据，获取目标作物的各个作物品种的表型特征属性数据，对初始知识图谱进行作物表型数据扩充，生成目标作物的作物表型数据知识图谱。
本发明实施例的作物表型数据知识图谱生成方法，通过利用知识图谱技术，获取目标作物的各个品种试验点及其作物品种试验数据、各个环境监测点及其环境监测数据，利用各品种试验点和各环境监测点之间的空间距离、各品种试验点的环境预测数据以及各环境监测点的环境监测数据构建初始知识图谱，得到可以表征作物种植环境数据的知识图谱表示，进一步，利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，最终生成作物表型数据知识图谱，以此通过自动解析作物品种试验数据和环境监测数据生成目标作物的作物表型数据知识图谱，可以实现作物品种表型特征与种植区域环境之间耦合关系的有效表示，有利于实现作物品种在未试验地点的表型预测。
基于上述实施例的内容，作为一种可选的实施例，基于各品种试验点和各环境监测点之间的第一距离以及各环境监测点的环境监测数据，生成初始知识图谱，包括：
以各品种试验点为第一顶点，各环境监测点为第二顶点，各品种试验点和各环境监测点之间的第一距离为边，以各环境监测点的环境监测数据为第二顶点的属性信息，各品种试验点的第一环境预测数据为第一顶点的属性信息，生成初始知识图谱。
具体地，在本发明的实施例中，以试验点集合LP中的各品种试验点、监测点集合LE中的各环境监测点为顶点，可以分为第一顶点和第二顶点，进而以各个品种试验点与环境监测点之间的第一距离为边初始化环境型知识图谱，即初始知识图谱GE。
进一步地，将环境监测数据集E中各环境监测点的环境监测数据作为该监测点的属性来补充初始知识图谱GE；并使用空间插值法计算各个品种试验点的第一环境预测数据，并将计算结果作为属性来补充初始知识图谱GE，生成最终的初始知识图谱GE。
本发明实施例的方法，通过以品种试验点和环境监测点作为知识图谱的顶点，以各品种试验点与各环境监测点的距离为边，并以各品种试验点和环境监测点的监测数据作为各顶点的属性，来构建作物环境型的知识图谱表示，可以有效表征各品种试验点、监测点与作物种植环境特征之间的耦合关系。
基于上述实施例的内容，作为一种可选的实施例，利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，生成目标作物的作物表型数据知识图谱，包括：
根据各品种试验点的作物品种试验数据，获取目标作物的各个作物品种以及各作物品种在对应品种试验点的试验数据；
以各作物品种为第三顶点，各作物品种到参加试验的品种试验点为参试边，作物品种在对应品种试验点的试验数据为参试边的第一属性信息，目标环境属性信息为参试边的第二属性信息，对初始知识图谱进行作物表型数据扩充，生成目标作物的作物表型数据知识图谱；
目标环境属性信息是基于各品种试验点的第一环境预测数据确定的。
具体地，本发明实施例所描述的参试边用于表征作物品种与其参与对应品种试验点之间的试验记录关系，其可以作为知识图谱中的边。
本发明实施例所描述的第一属性信息用于表示作物的表型属性，其可以通过作物品种在对应品种试验点的试验数据确定的，其可以以四元数据类型{品种编号，试验点，试验年度，性状特征数据集合}来表示。
其中，性状特征数据包括但不限于亩产（单位：千克）、比对照增减产（单位：百分率）、收获时籽粒平均含水量（单位：百分率）、生育期（单位：天）、出苗期、成熟期、株高（单位：厘米）、穗位高（单位：厘米）、倒伏率（单位：百分率）、倒折率（单位：百分率）、空秆率（单位：百分率）、百粒重（单位：克）、穗长（单位：厘米）、穗粗（单位：厘米）和轴粗（单位：厘米）。如表4，给出了目标作物的部分品种试验数据示意。
表4
本发明实施例所描述的第二属性信息用于表示作物的环境型属性，其可以通过各品种试验点的第一环境预测数据估算目标环境属性信息得到。
在本发明的实施例中，通过作物品种试验数据集P中各品种试验点的作物品种试验数据，获取目标作物的各个作物品种以及各作物品种在对应品种试验点的试验数据。以各个作物品种作为顶点，以各作物品种在对应试验点试验的情况，各作物品种到参加试验的品种试验点作为参试边，扩充初始知识图谱GE为初始的作物表型数据知识图谱G。
进一步地，在本发明的实施例中，将作物品种试验数据集P中各作物品种-试验点的试验数据作为参试边的表型属性，即第一属性信息，来补充作物表型数据知识图谱G。同时，可以根据目标作物生育进程设计时间窗，利用各品种试验点第一环境预测数据中的各环境要素数据，计算各个参试边的目标环境属性信息，并以其作为环境型属性即第二属性信息，来补充作物表型数据知识图谱G，生成最终的作物表型数据知识图谱G。
可选地，可使用目标作物的作物季、生育期等作为时间窗计算参试边的环境型属性，环境型属性可以采用各时间窗范围中各类环境要素的平均值、最大值、最小值、累计值等统计特征来表示。
在本实施例中，在初始知识图谱GE的基础上，增加作物品种为新顶点，每条数据新增一条参试边，以表4中第一条数据为例，将在作物表型数据知识图谱G中增加一条参试边，其可以表示为“<S#1，2021参试，LP#1>”，该边的表型属性可以表示为“<S#1-2021-LP#1，表型属性，{亩产：665.2，比对照增减产：15.0，……}>”。
在本实施例中，以生育期作为时间窗计算参试边的环境型属性，环境型属性可以包括{生育期内有效积温，生育期内最高温度，生育期内最低温度，生育期内平均温度，生育期内平均相对湿度，生育期内平均地面气压，生育期内累计降水量，生育期内最大风速，生育期内平均风速，生育期内累计日照时数}。参试边“S#1-2021-LP#1”的环境型属性需依据该参试边的表型属性中的生育期信息，对前述计算所得的顶点为“LP#1” 品种试验点的2021环境要素进行计算，计算结果可以表示为“<S#1-2021-LP#1，环境型属性，{生育期内有效积温：1594.8，生育期内最高温度：38.3，……}>”。
本发明实施例的方法，通过以各作物品种为顶点，各作物品种到参加试验的品种试验点为参试边，计算各参试边的表型属性信息和环境型属性信息，来构建目标作物的作物表型数据知识图谱表示，可以有效表征各品种试验点、监测点的表型数据与作物种植环境特征之间的耦合关系。
基于上述实施例的内容，作为一种可选的实施例，在生成目标作物的作物表型数据知识图谱之后，该方法还包括：
基于预测点与各环境监测点之间的第二距离，以及各环境监测点的环境监测数据，确定预测点的环境属性信息；
利用预测点的环境属性信息以及各个参试边的第二属性信息，确定待测作物品种在预测点的性状特征数据。
具体地，本发明实施例所描述的预测点指的是目标作物种植区域中，对目标作物的作物品种未设定试验点的地点区域。
在本发明的实施例中，在生成目标作物的作物表型数据知识图谱之后，便可以利用该知识图谱来预测待测作物品种在预测点的表型。其中，每条待预测数据均可以以四元数据类型{品种编号，预测点，预测年度，性状特征集合}来表示。
针对任意待预测数据，以预测点k为目标，基于作物表型数据知识图谱G中各环境监测点的环境监测数据，使用空间插值法计算预测点k在预测年度的环境要素。针对预测点k，使用前述距离公式，计算预测点k与监测点集合LE中所有监测点的第二距离。使用前述计算品种试验点环境要素的空间插值法，逐日计算预测点k在预测年度的环境要素，结合设定的时间窗，确定出预测点k的环境属性信息。
基于上述实施例的内容，作为一种可选的实施例，基于预测点与各环境监测点之间的第二距离，以及各环境监测点的环境监测数据，确定预测点的环境属性信息，包括：
基于第二距离和各环境监测点的环境监测数据，预测预测点的第二环境预测数据；
从预测点的第二环境预测数据中，确定待测作物品种在目标作物生长期内的环境预测数据；
将目标作物生长期的环境预测数据，作为预测点的环境属性信息。
具体地，本发明实施例所描述的目标作物生长期指的是目标作物生育进程的各个阶段周期，如生育期、出苗期等。
在本发明的实施例中，使用空间插值法，结合第二距离和各环境监测点的环境监测数据，预测预测点的第二环境预测数据。
下面，以#1预测点（经度113，纬度34）为目标，示意计算预测点在预测年度2021年的环境要素。
在本实施例中，使用表2中#1环境监测点和#2环境监测点作为监测点集合LE，则#1预测点与#1环境监测点和#2环境监测点的第二距离分别为：
；
；
进一步地，#1预测点在日期“2021.1.1”的最高温度为：
；
进而，可以逐日计算#1预测点在2021年的所有环境要素，得到第二环境预测数据，其结果可以表示为“< P#1，2021环境要素，{2021.1.1：（最高温度：7.1，最低温度：-4.9，……）；2021.1.2：（最高温度：8.3，最低温度：-4.0，……）；……}>”。
进一步地，在本发明的实施例中，利用目标作物生长期设计时间窗，利用预测点k的第二环境预测数据中的各个环境要素，计算预测点k的环境型属性，即环境属性信息。
在本实施例中，使用的时间窗为生育期，使用空间插值法计算预测点在预测年度的生育期，然后利用预测点的第二环境预测数据，计算预测点的环境型属性。
下面，以#1预测点（经度113，纬度34）为目标，示意计算预测点在预测年度2021年的出苗期和成熟期。
在本实施例中，使用表1中#1品种试验点和#2品种试验点作为试验点集合LP，则#1预测点与#1品种试验点和#2品种试验点的距离分别为：
；
；
进而，#1预测点在2021年的出苗期和成熟期可以表示：
；
；
其中，品种试验点的出苗期和成熟期分别为当年试验品种的平均出苗期与成熟期。由此，利用#1预测点第二环境预测数据中的环境要素来计算其对应的环境型属性，结果可以表示为“<P#1，2021环境型属性，{生育期内有效积温：1631.5，生育期内最高温度：37.6，……}>”。
本发明实施例的方法，通过利用构建的作物表型数据知识图谱，利用预测点与各环境监测点的距离，以及各环境监测点的环境监测数据，结合空间插值法，计算待测作物品种在目标作物生长期内的环境预测数据，预测出预测点的环境属性信息，实现了目标作物中待测作物品种在未试验地点的环境型数据的预测。
进一步地，在本发明的实施例中，利用作物表型数据知识图谱G中各作物品种及各个参试边的属性信息，结合预测点的环境属性信息，确定待测作物品种在预测点的性状特征数据。
基于上述实施例的内容，作为一种可选的实施例，利用预测点的环境属性信息以及各个参试边的第二属性信息，确定待测作物品种在预测点的性状特征数据，包括：
基于各个参试边的第二属性信息，确定与预测点的环境属性信息相匹配的多个目标参试边；
基于各个目标参试边的第二属性信息与预测点的环境属性信息的相似度，以及各个目标参试边的第二属性信息，确定待测作物品种在预测点的性状特征数据；
性状特征数据包括但不限于亩产、比对照增减产、收获时籽粒平均含水量、生育期、出苗期、成熟期、株高、穗位高、倒伏率、倒折率、空秆率、百粒重、穗长、穗粗和轴粗。
具体地，在本发明的实施例中，使用待预测作物品种的品种编号为s，定位作物表型数据知识图谱G中的作物品种顶点，基于品种顶点各参试边的表型和环境型属性构建环境型-表型数据模型，并使用该数据模型完成性状特征集合的预测。
更具体地，将前述计算出的预测点的环境属性信息与作物表型数据知识图谱G中各个参试边的第二属性信息进行相识度匹配，从而可以确定与预测点的环境属性信息相匹配的多个目标参试边。
可以理解的是，目标参试边对应的第二属性信息与预测点的环境属性信息相匹配。
进一步地，对各个目标参试边的第二属性信息与预测点的环境属性信息的相似度进行求和，得到第一求和结果；同时，确定每个目标参试边的第二属性信息与其对应的相似度之间的乘积，并对每个乘积进行求和，得到第二求和结果；最后，计算前述第二求和结果与前述第一求和结果的比值，得到待测作物品种在预测点的性状特征数据。
可选的，本实施例使用K近邻算法构建环境型-表型数据模型，并进行预测。其中，环境型-表型数据模型公式表示如下：
；
其中，表示待测作物品种s在预测点k性状特征数据q的预测值；表示待测作物品种s在试验点参试的参试边的表型属性值，即第二属性信息；表示预测点k与参试边的环境型属性的相似度；表示与预测点k环境型属性最相似的K个作物品种s的参试边。
下面，以#1作物品种为例，预测其在#1预测点的性状特征表现。
在本实施例中，首先定位品种顶点为S#1，其参试边分别可以表示为“<S#1，2021参试，LP#1>”和“<S#1，2021参试，LP#2>”，对应的表型属性和环境型属性分别可以表示为“<S#1-2021-LP#1，表型属性，{亩产：665.2，比对照增减产：15.0，……}>”，“<S#1-2021-LP#1，环境型属性，{生育期内有效积温：1594.8，生育期内最高温度：38.3，……}>”，“<S#1-2021-LP#2，表型属性，{亩产：678.0，比对照增减产：6.1，……}>”，“<S#1-2021-LP#2，环境型属性，{生育期内有效积温：1498.4，生育期内最高温度：35.2，……}>”。
进一步地，使用K近邻算法构建环境型-表型数据模型，预测#1作物品种在#1预测点的性状特征数据集合可以表示为“< P#1，2021S#1表型属性，{亩产：670.1，比对照增减产：11.6，……}>”。
可以理解的是，按照上述实施方式，可以完成对所有待测作物品种在预测点的性状特征数据的预测。
本发明实施例的方法，通过利用构建的作物表型数据知识图谱，实现了目标作物中待测作物品种在未试验地点的表型数据的预测，可以为高产、优质、多抗的品种选育和推广提供有效的技术支持。
在本发明的实施例中，还提供了一种作物表型数据知识图谱表示系统，该系统包括品种试验信息采集单元、环境信息采集单元、知识图谱表示单元、查询单元、计算单元和展示单元。
其中，品种试验信息采集单元，用于获取目标作物在品种试验点的品种试验数据，并将这些试验数据整理存储到服务器；
环境信息采集单元，用于获取目标作物所处种植区域中各个环境监测点的环境监测数据，并将环境监测数据整理存储到服务器；
知识图谱表示单元，用于遍历品种试验数据和环境监测数据，构建作物表型数据知识图谱，并将知识图谱整理存储到服务器；
查询单元，用于用户设置预测条件，预测条件包括待测作物品种、预测点和预测年度；
计算单元，用于根据用户设置的预测条件使用作物表型数据知识图谱预测待测作物品种在预测点的表型数据；
展示单元，用于将计算单元的计算结果以可视化的形式向用户展示。本实施例计算结果的展示形式如图2所示，可以显示预测作物品种预测年度在预测点的表型数据，其中显示的性状特征数据包括亩产、比对照增减产、收获时籽粒平均含水量、生育期、出苗期、成熟期、株高、穗位高、倒伏率、倒折率、空秆率、百粒重、穗长、穗粗和轴粗。
下面对本发明提供的作物表型数据知识图谱生成装置进行描述，下文描述的作物表型数据知识图谱生成装置与上文描述的作物表型数据知识图谱生成方法可相互对应参照。
图3是本发明提供的作物表型数据知识图谱生成装置的结构示意图，如图3所示，包括：
第一获取模块310，用于获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取种植区域中各个环境监测点的环境监测数据；
第一生成模块320，用于基于各品种试验点和各环境监测点之间的第一距离、各品种试验点的第一环境预测数据以及各环境监测点的环境监测数据，生成初始知识图谱；
第二生成模块330，用于利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，生成目标作物的作物表型数据知识图谱；
第一环境预测数据是基于各品种试验点与各环境监测点之间的第一距离以及各环境监测点的环境监测数据确定的。
本实施例所述的作物表型数据知识图谱生成装置可以用于执行上述作物表型数据知识图谱生成方法实施例，其原理和技术效果类似，此处不再赘述。
本发明实施例的作物表型数据知识图谱生成装置，通过利用知识图谱技术，获取目标作物的各个品种试验点及其作物品种试验数据、各个环境监测点及其环境监测数据，利用各品种试验点和各环境监测点之间的空间距离、各品种试验点的环境预测数据以及各环境监测点的环境监测数据构建初始知识图谱，得到可以表征作物种植环境数据的知识图谱表示，进一步，利用各品种试验点的作物品种试验数据，对初始知识图谱进行作物表型数据扩充，最终生成作物表型数据知识图谱，以此通过自动解析作物品种试验数据和环境监测数据生成目标作物的作物表型数据知识图谱，可以实现作物品种表型特征与种植区域环境之间耦合关系的有效表示，有利于实现作物品种在未试验地点的表型预测。
图4是本发明提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器（processor）410、通信接口（Communications Interface）420、存储器（memory）430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各方法所提供的作物表型数据知识图谱生成方法，该方法包括：获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的作物表型数据知识图谱生成方法，该方法包括：获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的作物表型数据知识图谱生成方法，该方法包括：获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的。
以上所描述的装置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，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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精神和范围。
Claims (8)
1.一种作物表型数据知识图谱生成方法，其特征在于，包括：
获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；
基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；
利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的；
其中，所述利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱，包括：
根据各所述品种试验点的作物品种试验数据，获取所述目标作物的各个作物品种以及各所述作物品种在对应品种试验点的试验数据；
以各所述作物品种为第三顶点，各所述作物品种到参加试验的品种试验点为参试边，所述作物品种在对应品种试验点的试验数据为所述参试边的第一属性信息，目标环境属性信息为所述参试边的第二属性信息，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述目标环境属性信息是基于各所述品种试验点的第一环境预测数据确定的；
其中，在所述生成所述目标作物的作物表型数据知识图谱之后，所述方法还包括：
基于预测点与各所述环境监测点之间的第二距离，以及各所述环境监测点的环境监测数据，确定所述预测点的环境属性信息；
利用所述预测点的环境属性信息以及各个所述参试边的第二属性信息，确定待测作物品种在所述预测点的性状特征数据。
2.根据权利要求1所述的作物表型数据知识图谱生成方法，其特征在于，所述基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱，包括：
以各所述品种试验点为第一顶点，各所述环境监测点为第二顶点，各所述品种试验点和各所述环境监测点之间的第一距离为边，以各所述环境监测点的环境监测数据为所述第二顶点的属性信息，各所述品种试验点的第一环境预测数据为所述第一顶点的属性信息，生成初始知识图谱。
3.根据权利要求1所述的作物表型数据知识图谱生成方法，其特征在于，所述基于预测点与各所述环境监测点之间的第二距离，以及各所述环境监测点的环境监测数据，确定所述预测点的环境属性信息，包括：
基于所述第二距离和各所述环境监测点的环境监测数据，预测所述预测点的第二环境预测数据；
从所述预测点的第二环境预测数据中，确定所述待测作物品种在目标作物生长期内的环境预测数据；
将所述目标作物生长期的环境预测数据，作为所述预测点的环境属性信息。
4.根据权利要求1所述的作物表型数据知识图谱生成方法，其特征在于，所述利用所述预测点的环境属性信息以及各个所述参试边的第二属性信息，确定待测作物品种在所述预测点的性状特征数据，包括：
基于各个所述参试边的第二属性信息，确定与所述预测点的环境属性信息相匹配的多个目标参试边；
基于各个所述目标参试边的第二属性信息与所述预测点的环境属性信息的相似度，以及各个所述目标参试边的第二属性信息，确定所述待测作物品种在所述预测点的性状特征数据；
所述性状特征数据包括但不限于亩产、比对照增减产、收获时籽粒平均含水量、生育期、出苗期、成熟期、株高、穗位高、倒伏率、倒折率、空秆率、百粒重、穗长、穗粗和轴粗。
5.根据权利要求1-4任一项所述的作物表型数据知识图谱生成方法，其特征在于，获取各所述品种试验点的第一环境预测数据的具体步骤，包括：
确定每个所述品种试验点与各所述环境监测点之间的第一距离；
利用每个所述第一距离以及各所述环境监测点的环境监测数据进行空间插值计算，得到每个所述品种试验点的第一环境预测数据；所述环境监测数据中的环境要素包括但不限于最高温度、最低温度、平均温度、平均地面气压、降水量、最大风速、平均风速和日照时长。
6.一种作物表型数据知识图谱生成装置，其特征在于，包括：
第一获取模块，用于获取目标作物所处种植区域中各个品种试验点的作物品种试验数据，并获取所述种植区域中各个环境监测点的环境监测数据；
第一生成模块，用于基于各所述品种试验点和各所述环境监测点之间的第一距离、各所述品种试验点的第一环境预测数据以及各所述环境监测点的环境监测数据，生成初始知识图谱；
第二生成模块，用于利用各所述品种试验点的作物品种试验数据，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述第一环境预测数据是基于各所述品种试验点与各所述环境监测点之间的第一距离以及各所述环境监测点的环境监测数据确定的；
所述第二生成模块具体用于：
根据各所述品种试验点的作物品种试验数据，获取所述目标作物的各个作物品种以及各所述作物品种在对应品种试验点的试验数据；
以各所述作物品种为第三顶点，各所述作物品种到参加试验的品种试验点为参试边，所述作物品种在对应品种试验点的试验数据为所述参试边的第一属性信息，目标环境属性信息为所述参试边的第二属性信息，对所述初始知识图谱进行作物表型数据扩充，生成所述目标作物的作物表型数据知识图谱；
所述目标环境属性信息是基于各所述品种试验点的第一环境预测数据确定的；
其中，所述装置具体还用于：
基于预测点与各所述环境监测点之间的第二距离，以及各所述环境监测点的环境监测数据，确定所述预测点的环境属性信息；
利用所述预测点的环境属性信息以及各个所述参试边的第二属性信息，确定待测作物品种在所述预测点的性状特征数据。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述作物表型数据知识图谱生成方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述作物表型数据知识图谱生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668865.0A CN117371529B (zh) | 2023-12-07 | 2023-12-07 | 作物表型数据知识图谱生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668865.0A CN117371529B (zh) | 2023-12-07 | 2023-12-07 | 作物表型数据知识图谱生成方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117371529A CN117371529A (zh) | 2024-01-09 |
| CN117371529B true CN117371529B (zh) | 2024-04-05 |
Family
ID=89394792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311668865.0A Active CN117371529B (zh) | 2023-12-07 | 2023-12-07 | 作物表型数据知识图谱生成方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371529B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118471327B (zh) * | 2024-07-11 | 2024-10-01 | 北京市农林科学院信息技术研究中心 | 基于基因型与环境互作异构图的基因组预测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899786A (zh) * | 2015-05-13 | 2015-09-09 | 中国农业大学 | 玉米品种种植适宜性精细区划方法与系统 |
| CN114461903A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 作物品种适宜推广区域确定方法及装置 |
| CN115438232A (zh) * | 2022-09-13 | 2022-12-06 | 中国电信股份有限公司 | 知识图谱构建方法及装置、电子设备、存储介质 |
| CN115564145A (zh) * | 2022-11-17 | 2023-01-03 | 北京市农林科学院信息技术研究中心 | 基于分布式数据的农作物品种产量预测方法及装置 |
| CN115618021A (zh) * | 2022-12-19 | 2023-01-17 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜种植区域推荐方法及装置 |
| CN116611546A (zh) * | 2023-04-14 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6865582B2 (en) * | 2000-01-03 | 2005-03-08 | Bechtel Bwxt Idaho, Llc | Systems and methods for knowledge discovery in spatial data |
| US20200005163A1 (en) * | 2017-02-10 | 2020-01-02 | Nec Corporation | Inference-use knowledge generation apparatus, inference-use knowledge generation method, and computer-readable recording medium |
| CN110737758B (zh) * | 2018-07-03 | 2022-07-05 | 百度在线网络技术（北京）有限公司 | 用于生成模型的方法和装置 |
| CN109815343B (zh) * | 2019-01-28 | 2021-01-22 | 北京百度网讯科技有限公司 | 获得知识图谱中的数据模型的方法、装置、设备和介质 |
-
2023
- 2023-12-07 CN CN202311668865.0A patent/CN117371529B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899786A (zh) * | 2015-05-13 | 2015-09-09 | 中国农业大学 | 玉米品种种植适宜性精细区划方法与系统 |
| CN114461903A (zh) * | 2021-12-29 | 2022-05-10 | 北京市农林科学院信息技术研究中心 | 作物品种适宜推广区域确定方法及装置 |
| CN115438232A (zh) * | 2022-09-13 | 2022-12-06 | 中国电信股份有限公司 | 知识图谱构建方法及装置、电子设备、存储介质 |
| CN115564145A (zh) * | 2022-11-17 | 2023-01-03 | 北京市农林科学院信息技术研究中心 | 基于分布式数据的农作物品种产量预测方法及装置 |
| CN115618021A (zh) * | 2022-12-19 | 2023-01-17 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜种植区域推荐方法及装置 |
| CN116611546A (zh) * | 2023-04-14 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117371529A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | A neural network integrated approach for rice crop monitoring | |
| Fang et al. | Corn‐yield estimation through assimilation of remotely sensed data into the CSM‐CERES‐Maize model | |
| US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| CN117371529B (zh) | 作物表型数据知识图谱生成方法、装置、电子设备及介质 | |
| CN115829162B (zh) | 作物产量预测方法、装置、电子设备及介质 | |
| CN107122739B (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| CN106845428A (zh) | 一种作物产量遥感估算方法及系统 | |
| CN112070297A (zh) | 农事活动的天气指标预测方法、装置、设备及存储介质 | |
| CN108106676B (zh) | 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 | |
| CN114254964B (zh) | 水稻区域气候品质评估方法及系统 | |
| Peng et al. | Global estimates of 500 m daily aerodynamic roughness length from MODIS data | |
| Martin et al. | By-plant prediction of corn grain yield using optical sensor readings and measured plant height | |
| CN115564145A (zh) | 基于分布式数据的农作物品种产量预测方法及装置 | |
| CN118072178B (zh) | 基于分类后百分比数据同化的玉米产量估算方法及系统 | |
| Sharma et al. | Hybrid deep learning techniques for estimation of daily crop evapotranspiration using limited climate data | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| CN113139717B (zh) | 作物苗情分级遥感监测方法及装置 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| Domaas | The reconstruction of past patterns of tilled fields from historical cadastral maps using GIS | |
| Chu et al. | Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement | |
| Washmon et al. | Within field variability in wheat grain yields over nine years in Oklahoma | |
| CN116503681A (zh) | 一种平原和丘陵区的作物识别特征优选方法及系统 | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 |
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 |