CN117391482B - 一种基于大数据监测的大棚温度智能预警方法及系统 - Google Patents
一种基于大数据监测的大棚温度智能预警方法及系统 Download PDFInfo
- Publication number
- CN117391482B CN117391482B CN202311700974.6A CN202311700974A CN117391482B CN 117391482 B CN117391482 B CN 117391482B CN 202311700974 A CN202311700974 A CN 202311700974A CN 117391482 B CN117391482 B CN 117391482B
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- temperature
- data
- historical
- crop
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims description 33
- 230000007613 environmental effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 230000001276 controlling effect Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
Abstract
本发明公开了一种基于大数据监测的大棚温度智能预警方法及系统,涉及农业应用技术领域,包括获取大棚温度实时监测数据和大棚农作物数据,获取大棚历史温度数据和大棚历史农作物数据,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据。本发明通过K近邻算法对大棚历史温度数据中的异常值进行剔除,避免之后大棚温度预测误差较大,通过对大棚农作物的温度影响情况进行评估,设定温度阈值,确保及时对大棚温度异常进行预警,通过将大棚温度实时监测数据和大棚温度调控信息进行可视化处理,判断大棚温度调控是否正常,避免温度调控异常造成的农作物异常和电力资源的浪费。
Description
技术领域
本发明涉及农业应用技术领域,具体是涉及一种基于大数据监测的大棚温度智能预警方法及系统。
背景技术
大棚温度是作物生长的重要环境因素之一。过高或过低的温度都会对作物的生长和发育产生不利影响。通过温度预警系统,可以及时发现温度异常情况,采取措施调整大棚内的温度,保持适宜的生长环境,提高作物的产量和质量,温度异常往往会导致病虫害的滋生和传播。例如,高温和潮湿的环境容易导致霉菌和真菌的滋生,而低温则可能使作物受冻,增加病虫害的风险。
大棚温度预警可以帮助农民及时发现和解决温度问题,保护作物的生长环境,减少病虫害的发生,节约能源和成本,提高农业生产效益,保障作物的健康生长和高产高质。
目前对于大棚的温度预警还存在着无法对大棚温度变化值进行准确预测,无法根据当地天气气温对温度预测进行实时调整,使得温度预测值与实际值产生较大偏差,导致无法及时预警,对大棚温度进行调控时,无法及时发现大棚温度调控故障,影响农作物生长状况的问题。
发明内容
为解决上述技术问题,提供一种基于大数据监测的大棚温度智能预警方法及系统,本技术方案解决了上述背景技术中提出的无法对大棚温度变化值进行准确预测,无法根据当地天气气温对温度预测进行实时调整,使得温度预测值与实际值产生较大偏差,导致无法及时预警,对大棚温度进行调控时,无法及时发现大棚温度调控故障,影响农作物生长状况的问题。
为达到以上目的,本发明采用的技术方案为:
一种基于大数据监测的大棚温度智能预警方法,包括:
获取大棚温度实时监测数据和大棚农作物数据;
获取大棚历史温度数据和大棚历史农作物数据,所述大棚历史农作物数据包括大棚历史农作物信息和大棚历史农作物状态数据;
根据大棚历史温度数据,基于数据预处理,获取大棚历史温度标准数据;
根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型;
根据大棚历史温度数据和大棚历史农作物数据,获取大棚农作物温度影响评估模型;
根据大棚农作物数据和大棚农作物温度影响评估模型,获取大棚温度最大阈值和大棚温度最小阈值;
获取当地气象信息,所述当地气象信息包括大棚环境温度数据;
根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据;
根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,若大棚温度预测数据位于大棚温度最大阈值和大棚温度最小阈值之间,则大棚温度正常;
若大棚温度预测数据高于大棚温度最大阈值或大棚温度预测数据低于大棚温度最小阈值,则大棚温度出现异常,输出显示大棚温度预警信息;
根据大棚温度预测数据,对大棚温度进行动态调控,直至大棚温度预测值位于大棚温度最大阈值和大棚温度最小阈值之间,获取大棚温度调控信息;
对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度可视化数据;
根据大棚温度可视化数据,判断大棚温度调控是否出现异常,若是,则输出显示大棚温度调控预警信息,若否,则对大棚温度可视化数据进行记录。
优选的,所述根据大棚历史温度数据,基于数据预处理,获取大棚历史温度标准数据,具体包括:
根据大棚历史温度数据,获取大棚历史温度数据矩阵:
式中,为第i天第j时刻的大棚温度监测值,m为大棚历史温度数据的总天数,n为大棚历史温度数据中每天的时刻数;
根据大棚历史温度数据矩阵,基于K近邻算法,获取大棚历史温度数据离群因子;
根据大棚历史温度数据离群因子,获取大棚历史温度数据离群阈值;
根据大棚历史数据离群阈值,获取大棚历史温度离群数据,对大棚历史温度离群数据进行剔除;
根据大棚历史温度数据,对大棚历史温度数据的哈希值进行计算,获取大棚历史温度哈希值数据;
根据大棚历史温度哈希值数据,对大棚历史温度数据进行重复值检测,获取大棚历史温度重复数据,对大棚历史温度重复数据进行剔除;
基于线性插值法,对于剔除大棚历史温度离群数据和大棚历史温度重复数据后的大棚历史温度数据进行填补,获取大棚历史温度标准数据。
优选的,所述根据大棚历史温度数据矩阵,基于K近邻算法,获取大棚历史温度数据离群因子,具体包括:
根据大棚历史温度数据矩阵,计算大棚历史温度数据矩阵每个数据点的欧几里得距离:
式中,Z为每个大棚历史温度数据的欧几里得距离,为第i天第j时刻的大棚温度监测值,/>为第x天第y时刻的大棚温度监测值,m为大棚历史温度数据的总天数,n为大棚历史温度数据中每天的时刻数;
根据设定的近邻值K,选取与每个数据点最近的K个近邻数据点;
根据每个数据点与其K个近邻数据点之间的平均距离,获取大棚历史温度数据离群因子:
式中,Q为大棚历史温度数据离群因子,为数据点与第s个近邻数据点的欧几里得距离,K为设定的近邻值;
根据大棚历史温度数据离群因子,基于大棚历史温度数据离群因子分布状况,获取离群因子阈值;
根据离群因子阈值,判断每个数据点是否为大棚历史温度离群数据。
优选的,所述根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,具体包括:
获取大棚历史气象数据,所述大棚历史气象数据包括大棚历史环境温度数据和大棚历史环境温度变化曲线;
根据大棚历史温度标准数据和大棚历史气象数据,对大棚历史温度标准数据进行分类,以相同环境温度作为分类依据,获取大棚历史温度标准数据分类信息;
根据大棚历史农作物数据,获取大棚农作物温度影响数据,所述大棚农作物温度影响数据包括若干对大棚温度造成影响的农作物温度影响指标;
根据大棚历史温度标准数据分类信息和大棚历史农作物温度影响数据,基于线性回归方程,获取大棚温度初始预测模型;
基于大棚温度初始预测模型和大棚历史气象数据,获取大棚温度预测模型;
其中大棚温度预测模型的计算公式为:
式中,T为大棚温度预测值,为大棚温度预测误差值,/>为大棚温度环境影响系数,/>为环境温度,/>为大棚温度,k为大棚的温度传导系数,t为时间,/>为大棚农作物第h个温度影响指标,/>为大棚农作物第h个温度影响指标的温度影响系数,C为大棚农作物温度影响指标的总数目。
优选的,所述根据大棚农作物数据和大棚农作物温度影响评估模型,获取大棚温度最大阈值和大棚温度最小阈值,具体包括:
根据大棚历史农作物数据,获取大棚历史农作物信息和大棚历史农作物状态数据;
根据大棚历史农作物信息和大棚历史农作物状态数据,对农作物进行评估,获取大棚历史农作物评估指数;
根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型;
根据大棚农作物数据,获取大棚农作物信息和大棚农作物状态数据;
根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息;
基于实际生产需求,获取大棚农作物评估指数阈值;
根据大棚农作物评估指数阈值,获取大棚温度最大阈值和大棚温度最小阈值;
其中,大棚农作物温度影响评估模型具体为:
式中,R为大棚农作物温度影响评估指数,为第/>种农作物的种植面积比例系数,为农作物第g个农作物指标的温度影响系数,T为大棚温度值,/>为第/>种农作物的第g个农作物指标的评估指数。
优选的,所述根据大棚温度可视化数据,判断大棚温度调控是否出现异常,具体包括:
对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度调控曲线,所述大棚温度调控曲线包括大棚温度实时监测数据曲线、大棚温度预警点位信息和大棚温度调控点位信息;
根据大棚温度调控曲线,获取大棚调控温度数据,判断大棚温度是否仍继续预警,若是,则大棚温度调控异常,若否,则根据大棚温度调控曲线,获取大棚温度调控频率信息;
基于实际使用需求,获取大棚温度调控频率阈值;
根据大棚温度调控频率信息和大棚温度调控频率阈值,判断大棚温度调控频率信息是否超出大棚温度调控频率阈值,若是,则大棚温度调控异常,若否,则对大棚温度调控频率信息进行记录。
进一步的,提出一种基于大数据监测的大棚温度智能预警系统,用于实现如上述的智能预警方法,包括:
主控制模块,所述主控制模块用于根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息,基于实际生产需求,设置大棚农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,设置大棚温度最大阈值和大棚温度最小阈值,根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,输出显示大棚温度预警信息,根据大棚温度预测数据,对大棚温度进行动态调控,根据大棚温度可视化数据,判断大棚温度调控是否出现异常;
信息获取模块,所述信息获取模块用于获取大棚历史温度数据、大棚历史农作物数据、大棚历史农作物信息、大棚历史农作物状态数据、大棚历史气象数据、大棚温度实时监测数据、大棚农作物数据、大棚农作物信息、大棚农作物状态数据和当地气象信息,并传输至主控制模块和预测评估模块;
预测评估模块,所述预测评估模块用于根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据,根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型,根据大棚农作物数据和大棚温度预测数据,对大棚农作物温度影响程度进行评估,计算大棚农作物温度影响评估指数;
显示模块,所述显示模块用于显示大棚温度预警信息、大棚温度实时监测数据和大棚温度调控信息,并对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度调控曲线。
可选的,所述主控制模块,具体包括:
控制单元,所述控制单元用于根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,输出显示大棚温度预警信息,根据大棚温度预测数据,对大棚温度进行动态调控,根据大棚温度可视化数据,判断大棚温度调控是否出现异常;
信息接收单元,所述信息接收单元与信息获取模块和预测评估模块交互,用于接收信息、大棚温度预测数据和大棚农作物温度影响评估指数,并传输至判断单元;
温度设定单元,所述温度设定单元用于根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息,基于实际生产需求,设置大棚农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,设置大棚温度最大阈值和大棚温度最小阈值
可选的,所述信息获取模块,具体包括:
第一获取单元,所述第一获取单元用于获取大棚历史温度数据、大棚历史农作物数据、大棚历史农作物信息、大棚历史农作物状态数据和大棚历史气象数据,并对数据进行预处理;
第二获取单元,所述第二获取单元用于获取大棚温度实时监测数据、大棚农作物数据、大棚农作物信息、大棚农作物状态数据和当地气象信息,并传输至主控制模块。
可选的,所述预测评估模块,具体包括:
预测单元,所述预测单元用于根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据;
评估单元,所述评估单元用于根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型,根据大棚农作物数据和大棚温度预测数据,对大棚农作物温度影响程度进行评估,计算大棚农作物温度影响评估指数。
与现有技术相比,本发明的有益效果在于:
本发明提出一种基于大数据监测的大棚温度智能预警方法及系统,通过K近邻算法对大棚历史温度数据中的异常值进行剔除,避免之后大棚温度预测误差较大,通过对大棚农作物的温度影响情况进行评估,设定温度阈值,确保及时对大棚温度异常进行预警,通过将大棚温度实时监测数据和大棚温度调控信息进行可视化处理,判断大棚温度调控是否正常,避免温度调控异常造成的农作物异常和电力资源的浪费。
附图说明
图1为本发明提出的一种基于大数据监测的大棚温度智能预警方法流程图;
图2为本发明中大棚历史温度数据预处理流程图;
图3为本发明中大棚温度预测模型获取流程图;
图4为本发明中大棚温度阈值设定流程图;
图5为本发明提出的一种大数据监测的大棚温度智能预警系统结构框图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图1-4所示,本发明实施例一种基于大数据监测的大棚温度智能预警方法,包括:
获取大棚温度实时监测数据和大棚农作物数据;
获取大棚历史温度数据和大棚历史农作物数据,所述大棚历史农作物数据包括大棚历史农作物信息和大棚历史农作物状态数据;
根据大棚历史温度数据,基于数据预处理,获取大棚历史温度标准数据;
具体而言,通过数据预处理,对大棚历史温度数据进行处理,具体包括:
根据大棚历史温度数据,获取大棚历史温度数据矩阵:
式中,为第i天第j时刻的大棚温度监测值,m为大棚历史温度数据的总天数,n为大棚历史温度数据中每天的时刻数;
根据大棚历史温度数据矩阵,基于K近邻算法,获取大棚历史温度数据离群因子;
根据大棚历史温度数据离群因子,获取大棚历史温度数据离群阈值;
根据大棚历史数据离群阈值,获取大棚历史温度离群数据,对大棚历史温度离群数据进行剔除;
根据大棚历史温度数据,对大棚历史温度数据的哈希值进行计算,获取大棚历史温度哈希值数据;
根据大棚历史温度哈希值数据,对大棚历史温度数据进行重复值检测,获取大棚历史温度重复数据,对大棚历史温度重复数据进行剔除;
基于线性插值法,对于剔除大棚历史温度离群数据和大棚历史温度重复数据后的大棚历史温度数据进行填补,获取大棚历史温度标准数据。
具体地,根据大棚历史温度数据矩阵,基于K近邻算法,获取大棚历史温度数据离群因子,具体包括:
根据大棚历史温度数据矩阵,计算大棚历史温度数据矩阵每个数据点的欧几里得距离:
式中,Z为每个大棚历史温度数据的欧几里得距离,为第i天第j时刻的大棚温度监测值,/>为第x天第y时刻的大棚温度监测值,m为大棚历史温度数据的总天数,n为大棚历史温度数据中每天的时刻数;
根据设定的近邻值K,选取与每个数据点最近的K个近邻数据点;
根据每个数据点与其K个近邻数据点之间的平均距离,获取大棚历史温度数据离群因子:
式中,Q为大棚历史温度数据离群因子,为数据点与第s个近邻数据点的欧几里得距离,K为设定的近邻值;
根据大棚历史温度数据离群因子,基于大棚历史温度数据离群因子分布状况,获取离群因子阈值;
根据离群因子阈值,判断每个数据点是否为大棚历史温度离群数据。
本方案中,通过计算每个数据点与其他数据点之间的欧几里得距离,基于设定的近邻值K,选取与其距离最近的K个近邻数据点,通过计算每个数据点与其K个近邻数据点之间的平均距离,获取大棚历史温度数据离群因子,根据对大棚历史温度数据的离群因子的分布状况进行分析,可以选择一个合适的百分位数作为阈值,例如,选择离群因子的上百分位数作为阈值,提高了对于大棚历史温度数据中的离群数据的检测效率,有效提高了数据的准确性,便于之后对于模型的训练;
根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型;
具体而言,通过大棚历史温度标准数据,对现有的预测模型进行训练,获取大棚温度预测模型,具体为:
获取大棚历史气象数据,所述大棚历史气象数据包括大棚历史环境温度数据和大棚历史环境温度变化曲线;
根据大棚历史温度标准数据和大棚历史气象数据,对大棚历史温度标准数据进行分类,以相同环境温度作为分类依据,获取大棚历史温度标准数据分类信息;
根据大棚历史农作物数据,获取大棚农作物温度影响数据,所述大棚农作物温度影响数据包括若干对大棚温度造成影响的农作物温度影响指标;
根据大棚历史温度标准数据分类信息和大棚历史农作物温度影响数据,基于线性回归方程,获取大棚温度初始预测模型;
基于大棚温度初始预测模型和大棚历史气象数据,获取大棚温度预测模型;
其中大棚温度预测模型的计算公式为:
式中,T为大棚温度预测值,为大棚温度预测误差值,/>为大棚温度环境影响系数,/>为环境温度,/>为大棚温度,k为大棚的温度传导系数,t为时间,/>为大棚农作物第h个温度影响指标,/>为大棚农作物第h个温度影响指标的温度影响系数,C为大棚农作物温度影响指标的总数目。
本方案中,通过对大棚历史温度标准数据进行分析,将大棚历史温度标准数据和大棚历史气象数据进行匹配,获得不同环境温度下的大棚历史温度标准数据,根据一定的环境温度变化范围,将在环境温度变化范围内的大棚历史温度数据进行聚类,减小环境温度对大棚温度的影响值,通过对同一类的大棚历史温度数据进行分析,获取大棚农作物对大棚温度的影响模型,之后根据大棚历史气象环境,获取环境温度对大棚温度的影响模型,最终获取大棚温度预测模型。
根据大棚历史温度数据和大棚历史农作物数据,获取大棚农作物温度影响评估模型;
根据大棚农作物数据和大棚农作物温度影响评估模型,获取大棚温度最大阈值和大棚温度最小阈值;
具体而言,对大棚农作物温度影响程度进行评估,设定大棚温度预警阈值,具体包括:
根据大棚历史农作物数据,获取大棚历史农作物信息和大棚历史农作物状态数据;
根据大棚历史农作物信息和大棚历史农作物状态数据,对农作物进行评估,获取大棚历史农作物评估指数;
根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型;
根据大棚农作物数据,获取大棚农作物信息和大棚农作物状态数据;
根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息;
基于实际生产需求,获取大棚农作物评估指数阈值;
根据大棚农作物评估指数阈值,获取大棚温度最大阈值和大棚温度最小阈值;
其中,大棚农作物温度影响评估模型具体为:
式中,R为大棚农作物温度影响评估指数,为第/>种农作物的种植面积比例系数,为农作物第g个农作物指标的温度影响系数,T为大棚温度值,/>为第/>种农作物的第g个农作物指标的评估指数。
本方案中,通过大棚历史农作物信息和大棚历史农作物状态数据,对农作物进行评估,获取大棚历史农作物评估指数,将大棚历史农作物评估指数与大棚历史温度数据进行匹配,分析大棚温度对农作物的影响程度,根据实际生产需求,设置农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,获取大棚温度最大阈值和大棚温度最小阈值,使得大棚温度预警范围更加准确,减小了温度变化对大棚农作物的影响。
获取当地气象信息,所述当地气象信息包括大棚环境温度数据;
根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据;
根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,若大棚温度预测数据位于大棚温度最大阈值和大棚温度最小阈值之间,则大棚温度正常;
若大棚温度预测数据高于大棚温度最大阈值或大棚温度预测数据低于大棚温度最小阈值,则大棚温度出现异常,输出显示大棚温度预警信息;
根据大棚温度预测数据,对大棚温度进行动态调控,直至大棚温度预测值位于大棚温度最大阈值和大棚温度最小阈值之间,获取大棚温度调控信息;
对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度可视化数据;
根据大棚温度可视化数据,判断大棚温度调控是否出现异常,若是,则输出显示大棚温度调控预警信息,若否,则对大棚温度可视化数据进行记录。
具体而言,通过对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,进而判断大棚温度调控是否异常,具体包括:
对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度调控曲线,所述大棚温度调控曲线包括大棚温度实时监测数据曲线、大棚温度预警点位信息和大棚温度调控点位信息;
根据大棚温度调控曲线,获取大棚调控温度数据,判断大棚温度是否仍继续预警,若是,则大棚温度调控异常,若否,则根据大棚温度调控曲线,获取大棚温度调控频率信息;
基于实际使用需求,获取大棚温度调控频率阈值;
根据大棚温度调控频率信息和大棚温度调控频率阈值,判断大棚温度调控频率信息是否超出大棚温度调控频率阈值,若是,则大棚温度调控异常,若否,则对大棚温度调控频率信息进行记录。
本方案中,通过将大棚温度实时监测数据和大棚温度调控信息进行可视化处理,在显示的大棚温度实时变化曲线中,显示温度预警的点位和预警信息,显示温度调控的点位和调控信息,并根据温度调控之后的大棚温度变化,判断温度调控是否异常,同时对温度调控频率进行分析,判断温度调控频率是否过高,避免了温度调控异常无法及时对大棚温度进行调控,避免了温度调控频率过高造成的资源的浪费。
参照图5所示,进一步的,结合上述一种基于大数据监测的大棚温度智能预警方法,提出一种基于大数据监测的大棚温度智能预警系统,包括:
主控制模块,所述主控制模块用于根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息,基于实际生产需求,设置大棚农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,设置大棚温度最大阈值和大棚温度最小阈值,根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,输出显示大棚温度预警信息,根据大棚温度预测数据,对大棚温度进行动态调控,根据大棚温度可视化数据,判断大棚温度调控是否出现异常;
信息获取模块,所述信息获取模块用于获取大棚历史温度数据、大棚历史农作物数据、大棚历史农作物信息、大棚历史农作物状态数据、大棚历史气象数据、大棚温度实时监测数据、大棚农作物数据、大棚农作物信息、大棚农作物状态数据和当地气象信息,并传输至主控制模块和预测评估模块;
预测评估模块,所述预测评估模块用于根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据,根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型,根据大棚农作物数据和大棚温度预测数据,对大棚农作物温度影响程度进行评估,计算大棚农作物温度影响评估指数;
显示模块,所述显示模块用于显示大棚温度预警信息、大棚温度实时监测数据和大棚温度调控信息,并对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度调控曲线。
主控制模块,具体包括:
控制单元,所述控制单元用于根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,输出显示大棚温度预警信息,根据大棚温度预测数据,对大棚温度进行动态调控,根据大棚温度可视化数据,判断大棚温度调控是否出现异常;
信息接收单元,所述信息接收单元与信息获取模块和预测评估模块交互,用于接收信息、大棚温度预测数据和大棚农作物温度影响评估指数,并传输至判断单元;
温度设定单元,所述温度设定单元用于根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息,基于实际生产需求,设置大棚农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,设置大棚温度最大阈值和大棚温度最小阈值。
信息获取模块,具体包括:
第一获取单元,所述第一获取单元用于获取大棚历史温度数据、大棚历史农作物数据、大棚历史农作物信息、大棚历史农作物状态数据和大棚历史气象数据,并对数据进行预处理;
第二获取单元,所述第二获取单元用于获取大棚温度实时监测数据、大棚农作物数据、大棚农作物信息、大棚农作物状态数据和当地气象信息,并传输至主控制模块。
预测评估模块,具体包括:
预测单元,所述预测单元用于根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据;
评估单元,所述评估单元用于根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型,根据大棚农作物数据和大棚温度预测数据,对大棚农作物温度影响程度进行评估,计算大棚农作物温度影响评估指数。
综上所述,本发明的优点在于:通过K近邻算法对大棚历史温度数据中的异常值进行剔除,避免之后对大棚温度预测模型训练时造成影响,导致大棚温度预测误差较大,通过对大棚农作物的温度影响情况进行评估,设定温度阈值,确保及时对大棚温度异常进行预警,避免温度对大棚农作物造成过多的影响,导致农作物状态下降,通过将大棚温度实时监测数据和大棚温度调控信息进行可视化处理,生成大棚温度调控曲线,对大棚温度调控进行检测,判断大棚温度调控是否正常,调控后温度预测值是否回归正常阈值范围,温度调控频率是否超出设定值,避免温度调控异常造成的农作物异常和电力资源的浪费。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种基于大数据监测的大棚温度智能预警方法,其特征在于,包括:
获取大棚温度实时监测数据和大棚农作物数据;
获取大棚历史温度数据和大棚历史农作物数据,所述大棚历史农作物数据包括大棚历史农作物信息和大棚历史农作物状态数据;
根据大棚历史温度数据,基于数据预处理,获取大棚历史温度标准数据;
获取大棚历史气象数据,所述大棚历史气象数据包括大棚历史环境温度数据和大棚历史环境温度变化曲线;
根据大棚历史温度标准数据和大棚历史气象数据,对大棚历史温度标准数据进行分类,以相同环境温度作为分类依据,获取大棚历史温度标准数据分类信息;
根据大棚历史农作物数据,获取大棚农作物温度影响数据,所述大棚农作物温度影响数据包括若干对大棚温度造成影响的农作物温度影响指标;
根据大棚历史温度标准数据分类信息和大棚历史农作物温度影响数据,基于线性回归方程,获取大棚温度初始预测模型;
基于大棚温度初始预测模型和大棚历史气象数据,获取大棚温度预测模型;
其中大棚温度预测模型的计算公式为:
式中,T为大棚温度预测值,为大棚温度预测误差值,/>为大棚温度环境影响系数,为环境温度,/>为大棚温度,k为大棚的温度传导系数,t为时间,/>为大棚农作物第h个温度影响指标,/>为大棚农作物第h个温度影响指标的温度影响系数,C为大棚农作物温度影响指标的总数目;
根据大棚历史农作物数据,获取大棚历史农作物信息和大棚历史农作物状态数据;
根据大棚历史农作物信息和大棚历史农作物状态数据,对农作物进行评估,获取大棚历史农作物评估指数;
根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型;
根据大棚农作物数据,获取大棚农作物信息和大棚农作物状态数据;
根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息;
基于实际生产需求,获取大棚农作物评估指数阈值;
根据大棚农作物评估指数阈值,获取大棚温度最大阈值和大棚温度最小阈值;
其中,大棚农作物温度影响评估模型具体为:
式中,R为大棚农作物温度影响评估指数,为第/>种农作物的种植面积比例系数,/>为农作物第g个农作物指标的温度影响系数,T为大棚温度值,/>为第/>种农作物的第g个农作物指标的评估指数;
获取当地气象信息,所述当地气象信息包括大棚环境温度数据;
根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据;
根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,若大棚温度预测数据位于大棚温度最大阈值和大棚温度最小阈值之间,则大棚温度正常;
若大棚温度预测数据高于大棚温度最大阈值或大棚温度预测数据低于大棚温度最小阈值,则大棚温度出现异常,输出显示大棚温度预警信息;
根据大棚温度预测数据,对大棚温度进行动态调控,直至大棚温度预测值位于大棚温度最大阈值和大棚温度最小阈值之间,获取大棚温度调控信息;
对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度可视化数据;
根据大棚温度可视化数据,判断大棚温度调控是否出现异常,若是,则输出显示大棚温度调控预警信息,若否,则对大棚温度可视化数据进行记录。
2.根据权利要求1所述的一种基于大数据监测的大棚温度智能预警方法,其特征在于,所述根据大棚历史温度数据,基于数据预处理,获取大棚历史温度标准数据,具体包括:
根据大棚历史温度数据,获取大棚历史温度数据矩阵:
式中,为第i天第j时刻的大棚温度监测值,m为大棚历史温度数据的总天数,n为大棚历史温度数据中每天的时刻数;
根据大棚历史温度数据矩阵,基于K近邻算法,获取大棚历史温度数据离群因子;
根据大棚历史温度数据离群因子,获取大棚历史温度数据离群阈值;
根据大棚历史数据离群阈值,获取大棚历史温度离群数据,对大棚历史温度离群数据进行剔除;
根据大棚历史温度数据,对大棚历史温度数据的哈希值进行计算,获取大棚历史温度哈希值数据;
根据大棚历史温度哈希值数据,对大棚历史温度数据进行重复值检测,获取大棚历史温度重复数据,对大棚历史温度重复数据进行剔除;
基于线性插值法,对于剔除大棚历史温度离群数据和大棚历史温度重复数据后的大棚历史温度数据进行填补,获取大棚历史温度标准数据。
3.根据权利要求2所述的一种基于大数据监测的大棚温度智能预警方法,其特征在于,所述根据大棚历史温度数据矩阵,基于K近邻算法,获取大棚历史温度数据离群因子,具体包括:
根据大棚历史温度数据矩阵,计算大棚历史温度数据矩阵每个数据点的欧几里得距离:
式中,Z为每个大棚历史温度数据的欧几里得距离,为第i天第j时刻的大棚温度监测值,/>为第x天第y时刻的大棚温度监测值,m为大棚历史温度数据的总天数,n为大棚历史温度数据中每天的时刻数;
根据设定的近邻值K,选取与每个数据点最近的K个近邻数据点;
根据每个数据点与其K个近邻数据点之间的平均距离,获取大棚历史温度数据离群因子:
式中,Q为大棚历史温度数据离群因子,为数据点与第s个近邻数据点的欧几里得距离,K为设定的近邻值;
根据大棚历史温度数据离群因子,基于大棚历史温度数据离群因子分布状况,获取离群因子阈值;
根据离群因子阈值,判断每个数据点是否为大棚历史温度离群数据。
4.根据权利要求1所述的一种基于大数据监测的大棚温度智能预警方法,其特征在于,所述根据大棚温度可视化数据,判断大棚温度调控是否出现异常,具体包括:
对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度调控曲线,所述大棚温度调控曲线包括大棚温度实时监测数据曲线、大棚温度预警点位信息和大棚温度调控点位信息;
根据大棚温度调控曲线,获取大棚调控温度数据,判断大棚温度是否仍继续预警,若是,则大棚温度调控异常,若否,则根据大棚温度调控曲线,获取大棚温度调控频率信息;
基于实际使用需求,获取大棚温度调控频率阈值;
根据大棚温度调控频率信息和大棚温度调控频率阈值,判断大棚温度调控频率信息是否超出大棚温度调控频率阈值,若是,则大棚温度调控异常,若否,则对大棚温度调控频率信息进行记录。
5.一种基于大数据监测的大棚温度智能预警系统,用于实现如权利要求1-4任一项所述的智能预警方法,其特征在于,包括:
主控制模块,所述主控制模块用于根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息,基于实际生产需求,设置大棚农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,设置大棚温度最大阈值和大棚温度最小阈值,根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,输出显示大棚温度预警信息,根据大棚温度预测数据,对大棚温度进行动态调控,根据大棚温度可视化数据,判断大棚温度调控是否出现异常;
信息获取模块,所述信息获取模块用于获取大棚历史温度数据、大棚历史农作物数据、大棚历史农作物信息、大棚历史农作物状态数据、大棚历史气象数据、大棚温度实时监测数据、大棚农作物数据、大棚农作物信息、大棚农作物状态数据和当地气象信息,并传输至主控制模块和预测评估模块;
预测评估模块,所述预测评估模块用于根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据,根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型,根据大棚农作物数据和大棚温度预测数据,对大棚农作物温度影响程度进行评估,计算大棚农作物温度影响评估指数;
显示模块,所述显示模块用于显示大棚温度预警信息、大棚温度实时监测数据和大棚温度调控信息,并对大棚温度实时监测数据和大棚温度调控信息进行可视化处理,获取大棚温度调控曲线。
6.根据权利要求5所述的一种基于大数据监测的大棚温度智能预警系统,其特征在于,所述主控制模块,具体包括:
控制单元,所述控制单元用于根据大棚温度预测数据、大棚温度最大阈值和大棚温度最小阈值,判断大棚温度是否出现异常,输出显示大棚温度预警信息,根据大棚温度预测数据,对大棚温度进行动态调控,根据大棚温度可视化数据,判断大棚温度调控是否出现异常;
信息接收单元,所述信息接收单元与信息获取模块和预测评估模块交互,用于接收信息、大棚温度预测数据和大棚农作物温度影响评估指数,并传输至判断单元;
温度设定单元,所述温度设定单元用于根据大棚农作物信息、大棚农作物状态数据和大棚农作物温度影响评估模型,获取大棚农作物温度影响信息,基于实际生产需求,设置大棚农作物评估指数阈值,根据大棚农作物评估指数阈值和大棚农作物温度影响评估模型,设置大棚温度最大阈值和大棚温度最小阈值。
7.根据权利要求5所述的一种基于大数据监测的大棚温度智能预警系统,其特征在于,所述信息获取模块,具体包括:
第一获取单元,所述第一获取单元用于获取大棚历史温度数据、大棚历史农作物数据、大棚历史农作物信息、大棚历史农作物状态数据和大棚历史气象数据,并对数据进行预处理;
第二获取单元,所述第二获取单元用于获取大棚温度实时监测数据、大棚农作物数据、大棚农作物信息、大棚农作物状态数据和当地气象信息,并传输至主控制模块。
8.根据权利要求5所述的一种基于大数据监测的大棚温度智能预警系统,其特征在于,所述预测评估模块,具体包括:
预测单元,所述预测单元用于根据大棚历史温度标准数据,基于预测模型,获取大棚温度预测模型,根据当地气象信息、大棚温度预测模型和大棚温度实时监测数据,获取大棚温度预测数据;
评估单元,所述评估单元用于根据大棚历史温度数据和大棚历史农作物评估指数,获取大棚农作物温度影响评估模型,根据大棚农作物数据和大棚温度预测数据,对大棚农作物温度影响程度进行评估,计算大棚农作物温度影响评估指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311700974.6A CN117391482B (zh) | 2023-12-12 | 2023-12-12 | 一种基于大数据监测的大棚温度智能预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311700974.6A CN117391482B (zh) | 2023-12-12 | 2023-12-12 | 一种基于大数据监测的大棚温度智能预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391482A CN117391482A (zh) | 2024-01-12 |
CN117391482B true CN117391482B (zh) | 2024-02-09 |
Family
ID=89470635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311700974.6A Active CN117391482B (zh) | 2023-12-12 | 2023-12-12 | 一种基于大数据监测的大棚温度智能预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391482B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106258644A (zh) * | 2016-10-31 | 2017-01-04 | 深圳前海弘稼科技有限公司 | 农作物大棚的温度调节方法及温度调节装置 |
CN106773720A (zh) * | 2017-01-25 | 2017-05-31 | 张彩芬 | 一种温室大棚环境自动控制系统 |
CN107783572A (zh) * | 2016-08-24 | 2018-03-09 | 南京乐朋电子科技有限公司 | 基于大数据分析的智能农作物种植大棚系统 |
WO2018077102A1 (zh) * | 2016-10-31 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
KR20180130741A (ko) * | 2017-05-30 | 2018-12-10 | 가톨릭관동대학교산학협력단 | 지역별 날씨데이터 모델링을 통한 Smart Farmer의 의사결정지원 시스템 |
CN110545529A (zh) * | 2019-09-03 | 2019-12-06 | 淮阴工学院 | 一种温室大棚环境监测与管理服务系统 |
CN112068623A (zh) * | 2020-09-30 | 2020-12-11 | 内蒙古科技大学 | 基于互联网的温室大棚群智慧管理系统 |
JP2021007339A (ja) * | 2019-07-01 | 2021-01-28 | Nttテクノクロス株式会社 | ハウス内情報管理装置、ハウス内情報管理方法及びプログラム |
CN113157030A (zh) * | 2021-05-07 | 2021-07-23 | 西安石油大学 | 一种基于机器学习的大棚温湿度监测及自适应调节系统 |
CN113885603A (zh) * | 2021-09-10 | 2022-01-04 | 河北省农林科学院农业信息与经济研究所 | 冷棚补温控制方法 |
CN116164843A (zh) * | 2022-11-25 | 2023-05-26 | 大唐珲春发电厂 | 一种基于物联网的电缆监测预警方法及系统 |
CN116301138A (zh) * | 2023-04-10 | 2023-06-23 | 武威陇原智慧物联网科技有限公司 | 基于日光温室的农业大棚智能化监管系统 |
CN117147007A (zh) * | 2023-10-30 | 2023-12-01 | 山东省气候中心 | 一种设施农业低温冷害预报系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10372705B2 (en) * | 2015-07-07 | 2019-08-06 | International Business Machines Corporation | Parallel querying of adjustable resolution geospatial database |
-
2023
- 2023-12-12 CN CN202311700974.6A patent/CN117391482B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783572A (zh) * | 2016-08-24 | 2018-03-09 | 南京乐朋电子科技有限公司 | 基于大数据分析的智能农作物种植大棚系统 |
WO2018076515A1 (zh) * | 2016-10-31 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 农作物大棚的温度调节方法及温度调节装置 |
WO2018077102A1 (zh) * | 2016-10-31 | 2018-05-03 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
CN106258644A (zh) * | 2016-10-31 | 2017-01-04 | 深圳前海弘稼科技有限公司 | 农作物大棚的温度调节方法及温度调节装置 |
CN106773720A (zh) * | 2017-01-25 | 2017-05-31 | 张彩芬 | 一种温室大棚环境自动控制系统 |
KR20180130741A (ko) * | 2017-05-30 | 2018-12-10 | 가톨릭관동대학교산학협력단 | 지역별 날씨데이터 모델링을 통한 Smart Farmer의 의사결정지원 시스템 |
JP2021007339A (ja) * | 2019-07-01 | 2021-01-28 | Nttテクノクロス株式会社 | ハウス内情報管理装置、ハウス内情報管理方法及びプログラム |
CN110545529A (zh) * | 2019-09-03 | 2019-12-06 | 淮阴工学院 | 一种温室大棚环境监测与管理服务系统 |
CN112068623A (zh) * | 2020-09-30 | 2020-12-11 | 内蒙古科技大学 | 基于互联网的温室大棚群智慧管理系统 |
CN113157030A (zh) * | 2021-05-07 | 2021-07-23 | 西安石油大学 | 一种基于机器学习的大棚温湿度监测及自适应调节系统 |
CN113885603A (zh) * | 2021-09-10 | 2022-01-04 | 河北省农林科学院农业信息与经济研究所 | 冷棚补温控制方法 |
CN116164843A (zh) * | 2022-11-25 | 2023-05-26 | 大唐珲春发电厂 | 一种基于物联网的电缆监测预警方法及系统 |
CN116301138A (zh) * | 2023-04-10 | 2023-06-23 | 武威陇原智慧物联网科技有限公司 | 基于日光温室的农业大棚智能化监管系统 |
CN117147007A (zh) * | 2023-10-30 | 2023-12-01 | 山东省气候中心 | 一种设施农业低温冷害预报系统 |
Non-Patent Citations (1)
Title |
---|
"塑料大棚环境的温湿度预测模型研究";王旭东等;《节水灌溉》;20131231;第23-26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117391482A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6753936B2 (ja) | 情報処理装置および情報処理システム | |
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
Ramos-Giraldo et al. | Drought stress detection using low-cost computer vision systems and machine learning techniques | |
CN115220506B (zh) | 一种基于物联网终端的多点源冷暖控制系统 | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN109378031B (zh) | 一种基于植保和气象信息结合的水稻纹枯病预测方法 | |
WO2021140941A1 (ja) | 収穫予測装置、収穫予測方法 | |
KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
CN114429592A (zh) | 一种基于人工智能的自动灌溉方法及设备 | |
CN115115126A (zh) | 基于知识图谱的农作物灾害损失及产量预测系统及方法 | |
CN116649160A (zh) | 食用菌菌种生产监测系统及监测方法 | |
Sun et al. | Design of feed rate monitoring system and estimation method for yield distribution information on combine harvester | |
CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
Fan et al. | A multi-parameter control method for maize threshing based on machine learning algorithm optimisation | |
CN110414859B (zh) | 一种基于物联网技术的稻谷收储作业5t评价方法 | |
CN116452358A (zh) | 基于物联网的智慧农业管理系统 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
Tidake et al. | Design efficient model to increase crop yield using deep learning | |
EP3984349A1 (en) | Information processing device and method | |
CN113587986A (zh) | 一种自适应自调整的多维度养殖环境质量评估方法及系统 | |
CN112131954A (zh) | 基于卷积神经网络的中国北方冬小麦遥感估产 | |
KR102471743B1 (ko) | 스마트팜의 미래 생산량 예측 방법 | |
Ahmed et al. | Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm |
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 |