CN117556996A - 基于区域历史数据的林业虫灾预测方法及系统 - Google Patents
基于区域历史数据的林业虫灾预测方法及系统 Download PDFInfo
- Publication number
- CN117556996A CN117556996A CN202311570120.0A CN202311570120A CN117556996A CN 117556996 A CN117556996 A CN 117556996A CN 202311570120 A CN202311570120 A CN 202311570120A CN 117556996 A CN117556996 A CN 117556996A
- Authority
- CN
- China
- Prior art keywords
- data
- pest
- insect
- forestry
- climate
- 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.)
- Pending
Links
- 241000238631 Hexapoda Species 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 142
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011161 development Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 21
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 241000243770 Bursaphelenchus Species 0.000 claims description 3
- 241000254171 Curculionidae Species 0.000 claims description 3
- 241001631712 Dendrolimus pini Species 0.000 claims description 3
- 241000012249 Dendrolimus spectabilis Species 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 239000000575 pesticide Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 239000004753 textile Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000000556 factor analysis Methods 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002023 wood Substances 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于区域历史数据的林业虫灾预测方法及系统,涉及林业管理技术领域,包括以下步骤:数据的采集、模型的构建、因素的分析、虫害情况预测和结果的调整。本发明通过分析当地的气候数据与林业虫灾之间的关系,通过对区域内历史气候分析预测未来一段时间内的气候变化,再根据未来的气候变化情况对未来一段时间内区域范围内的林业虫害的发展趋势进行预测,并且在此过程中通过近三年的数据对训练模型进行完善优化,从而使林业虫害发展趋势的预测结果更加的精准,将预测结果结合虫害防治措施和未来区域内林业的规划等因素进行调整,进一步提高了林业虫害的发展趋势的预测更加准确。
Description
技术领域
本发明涉及林业管理技术领域,具体为基于区域历史数据的林业虫灾预测方法及系统。
背景技术
林业是指保护生态环境保持生态平衡,培育和保护森林以取得木材和其他林产品、利用林木的自然特性以发挥防护作用的生产部门,是国民经济的重要组成部分之一;林业在人和生物圈中,通过先进的科学技术和管理手段,从事培育、保护、利用森林资源,充分发挥森林的多种效益,且能持续经营森林资源,促进人口、经济、社会、环境和资源协调发展的基础性产业和社会公益事业,在林业发展的过程中,林业中会出现各种各样的病虫害问题,影响着林业的健康发展,基于此,需要制定相应的林业虫害防治措施,以及根据未来的虫害预测,从而制定相应的防治措施,保护林业的发展。
传统对林业虫灾的了解主要是依靠在林业中批量设置监测设备,通过监测设备对林业出现的问题进行了解或者通过人工进行分片区的抽样检测,从而了解林业的病虫害情况,但上述的对病虫害的了解方式存在效率低和准确性差以及不及时的情况,从而影响林业的正常发展,为此,我们提出基于区域历史数据的林业虫灾预测方法及系统。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于区域历史数据的林业虫灾预测方法及系统,具备根据未来的气候变化情况对未来一段时间内区域范围内的林业虫害的发展趋势进行预测,并且在此过程中通过近三年的数据对训练模型进行完善优化,从而使林业虫害发展趋势的预测结果更加的精准等优点,解决了对病虫害的了解方式存在效率低和准确性差以及不及时的情况,从而影响林业的正常发展的问题。
(二)技术方案
为实现上述通过对区域内历史气候分析预测未来一段时间内的气候变化,再根据未来的气候变化情况对未来一段时间内区域范围内的林业虫害的发展趋势进行预测,并且在此过程中通过近三年的数据对训练模型进行完善优化,从而使林业虫害发展趋势的预测结果更加的精准目的,本发明提供如下技术方案:
基于区域历史数据的林业虫灾预测方法,包括以下步骤:
S1、数据的采集
对区域内的林业分布、区域内的气候环境、主要虫害的类型、进行的虫害防治措施和历史虫害情况等数据进行收集;
S2、模型的构建
对收集到的数据进行整理,结合近三年的气候数据和虫害历史情况的特性选择适合的训练模型,分别将近三年气候数据和虫害数据输入到模型中进行训练;
S3、因素的分析
对采集到的数据进行分析,确定林业类型、气候环境和防治措施与虫害变化的关系;
S4、虫害情况预测
根据近三年的气候数据对未来的气候数据进行预测,将气候数据输入到训练模型中,从而得到未来的虫害情况;
S5、结果的调整
将所得到的未来虫害情况结合预计使用虫害防治措施和未来区域内林业的规划等情况进行分析,得到未来一段时间林业虫灾的发展趋势。
优选的,所述步骤S1中,林业的分布包括区域林业中树木种类、河流、建筑和地形地势;
对区域内的林业按照地形地势、树木种类、河流和建筑等条件进行划分,将其分割成数个小型区域;
区域内的气候环境包括气温、降水和日照时间;
主要虫害的类型包括历史虫害种类、虫害消失种类和新增虫害类型;
常见的林业害虫主要包括:松材线虫、油松尺蛾、马尾松象甲虫和油松毛虫等;
虫害防治措施包括无人机喷药、天敌预防法、增加耐虫害树木的栽种和强化对林业虫害的监测;
历史虫害情况包括历史虫害的数据、历史虫害的类型、历史虫害的治理情况和历史虫害分布位置。
优选的,所述步骤S1中,林业分布数据可通过区域林业规划数据进行查找,并且通过工作人员每隔一段时间对数据进行更新;
区域类的气候环境可通过历年来的气候报表进行获取;
主要虫害的类型可通过对区域类林业中的害虫进行取样分析;
虫害的纺织措施可通过区域类虫害防治规划中进行获取;
历史虫害情况可通过区域虫害防治的日志报表等相关数据进行获取。
优选的,所述步骤S2中,在对S1中的数据进行整理时需要对采集到的数据进行清洗、预处理和特征工程,确保数据的质量和适用性;
将处理后的数据对线性回归模型进行训练;训练过程通常是通过最小化损失函数来调整模型的参数,使其能够更好地拟合数据。
优选的,所述步骤S3中,通过区域内的林业分布、主要虫害的类型和进行的虫害防治措施等因素分析其对区域内林业中的虫害情况的影响大小。
优选的,所述步骤S4中,在对区域内未来一段时间的气候数据进行预测时,对近三年本区域的温度、降水量、大气压力、风速等,并将这些数据整合成年、月、季度时间序列;通过建立统计或物理模型,利用历史气候数据、大气环流和海洋循环等影响气候的因素,预测未来气候的变化趋势和可能出现的极端事件。
优选的,所述步骤S4中,将所得到的目标区域内一段时间的气候情况输入到S2所构建的训练模型中,通过线性回归模型得到未来一段时间区域内的虫害情况。
优选的,所述步骤S5中,结合S3中所分析出的其他因素对区域内林业中的虫害情况的影响大小,预计使用虫害防治措施和未来区域内林业的规划对S4中得到的虫害情况调整,得到最终的本区域未来的虫害情况。
本发明要解决的另一技术问题是提供基于区域历史数据的林业虫灾预测系统,执行上述的控制方法,包括:
数据收集模块,所述数据收集模块用于对气候数据、林业分布数据、历史虫害情况数据、虫害防治措施数据和虫害类型数据进行收集;
微处理器模块,所述微处理器模块用于对气候数据、林业分布数据、历史虫害情况数据、虫害防治措施数据和虫害类型数据进行处理和分析,以及对训练模型进行控制出料;
存储模块,所述存储模块用于对预测过程中产生的数据以及数据收集模块收集到的相关数据进行存储。
优选的,所述微处理器模块包括:
计算模块,所述计算模块用于对相关数据进行计算和分析;
训练模块,所述训练模块用于对将气候数据输入到线性回归模型中进行训练。
(三)有益效果
与现有技术相比,本发明提供了基于区域历史数据的林业虫灾预测方法及系统,具备以下有益效果:
1、本发明通过分析当地的气候数据与林业虫灾之间的关系,通过对区域内历史气候分析预测未来一段时间内的气候变化,再根据未来的气候变化情况对未来一段时间内区域范围内的林业虫害的发展趋势进行预测,并且在此过程中通过近三年的数据对训练模型进行完善优化,从而使林业虫害发展趋势的预测结果更加的精准。
2、本发明将预测结果结合虫害防治措施和未来区域内林业的规划等因素进行调整,进一步提高了林业虫害的发展趋势的预测更加准确,最后,通过对林业虫害发展趋势的预测,从而使林业防护人员尽早的制定相应的应对措施,对林业虫害进行预防和处理,极大的降低了林业虫害对林业造成的影响。
附图说明
图1是本发明实施例的基本流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供以下技术方案:
基于区域历史数据的林业虫灾预测方法,包括以下步骤:
S1、数据的采集
对区域内的林业分布、区域内的气候环境、主要虫害的类型、进行的虫害防治措施和历史虫害情况等数据进行收集。
具体的,林业的分布包括区域林业中树木种类、河流、建筑和地形地势;
对区域内的林业按照地形地势、树木种类、河流和建筑等条件进行划分,将其分割成数个小型区域;
区域内的气候环境包括气温、降水和日照时间;
主要虫害的类型包括历史虫害种类、虫害消失种类和新增虫害类型;
常见的林业害虫主要包括:松材线虫、油松尺蛾、马尾松象甲虫和油松毛虫等;
虫害防治措施包括无人机喷药、天敌预防法、增加耐虫害树木的栽种和强化对林业虫害的监测;
历史虫害情况包括历史虫害的数据、历史虫害的类型、历史虫害的治理情况和历史虫害分布位置;
林业分布数据可通过区域林业规划数据进行查找,并且通过工作人员每隔一段时间对数据进行更新;
具体的,区域类的气候环境可通过历年来的气候报表进行获取;
主要虫害的类型可通过对区域类林业中的害虫进行取样分析;
虫害的纺织措施可通过区域类虫害防治规划中进行获取;
历史虫害情况可通过区域虫害防治的日志报表等相关数据进行获取;
S2、模型的构建
对收集到的数据进行整理,结合近三年的气候数据和虫害历史情况的特性选择适合的训练模型,分别将近三年气候数据和虫害数据输入到模型中进行训练。
具体的,在对步骤S1中的数据进行整理时需要对采集到的数据进行清洗、预处理和特征工程,确保数据的质量和适用性;
将处理后的数据对线性回归模型进行训练;训练过程通常是通过最小化损失函数来调整模型的参数,使其能够更好地拟合数据。
S3、因素的分析
对采集到的数据进行分析,确定林业类型、气候环境和防治措施与虫害变化的关系。
具体的,通过区域内的林业分布、主要虫害的类型和进行的虫害防治措施等因素分析其对区域内林业中的虫害情况的影响大小。
S4、虫害情况预测
根据近三年的气候数据对未来的气候数据进行预测,将气候数据输入到训练模型中,从而得到未来的虫害情况;
具体的,在对区域内未来一段时间的气候数据进行预测时,对近三年本区域的温度、降水量、大气压力、风速等,并将这些数据整合成年、月、季度时间序列;通过建立统计或物理模型,利用历史气候数据、大气环流和海洋循环等影响气候的因素,预测未来气候的变化趋势和可能出现的极端事件。
具体的,将所得到的目标区域内一段时间的气候情况输入到步骤S2所构建的训练模型中,通过线性回归模型得到未来一段时间区域内的虫害情况。
S5、结果的调整
将所得到的未来虫害情况结合预计使用虫害防治措施和未来区域内林业的规划等情况进行分析,得到未来一段时间林业虫灾的发展趋势。
具体的,结合步骤S3中所分析出的其他因素对区域内林业中的虫害情况的影响大小,预计使用虫害防治措施和未来区域内林业的规划对步骤S4中得到的虫害情况调整,得到最终的本区域未来的虫害情况。
本发明要解决的另一技术问题是提供基于区域历史数据的林业虫灾预测系统,执行上述的控制方法,包括:
数据收集模块,所述数据收集模块用于对气候数据、林业分布数据、历史虫害情况数据、虫害防治措施数据和虫害类型数据进行收集;
微处理器模块,所述微处理器模块用于对气候数据、林业分布数据、历史虫害情况数据、虫害防治措施数据和虫害类型数据进行处理和分析,以及对训练模型进行控制出料;
存储模块,所述存储模块用于对预测过程中产生的数据以及数据收集模块收集到的相关数据进行存储。
具体的,微处理器模块包括:
计算模块,所述计算模块用于对相关数据进行计算和分析;
训练模块,所述训练模块用于对将气候数据输入到线性回归模型中进行训练。
本发明通过分析当地的气候数据与林业虫灾之间的关系,通过对区域内历史气候分析预测未来一段时间内的气候变化,再根据未来的气候变化情况对未来一段时间内区域范围内的林业虫害的发展趋势进行预测,并且在此过程中通过近三年的数据对训练模型进行完善优化,从而使林业虫害发展趋势的预测结果更加的精准。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于区域历史数据的林业虫灾预测方法,其特征在于,包括以下步骤:
S1、数据的采集
对区域内的林业分布、区域内的气候环境、主要虫害的类型、进行的虫害防治措施和历史虫害情况等数据进行收集;
S2、模型的构建
对收集到的数据进行整理,结合近三年的气候数据和虫害历史情况的特性选择适合的训练模型,分别将近三年气候数据和虫害数据输入到模型中进行训练;
S3、因素的分析
对采集到的数据进行分析,确定林业类型、气候环境和防治措施与虫害变化的关系;
S4、虫害情况预测
根据近三年的气候数据对未来的气候数据进行预测,将气候数据输入到训练模型中,从而得到未来的虫害情况;
S5、结果的调整
将所得到的未来虫害情况结合预计使用虫害防治措施和未来区域内林业的规划等情况进行分析,得到未来一段时间林业虫灾的发展趋势。
2.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S1中,林业的分布包括区域林业中树木种类、河流、建筑和地形地势;
对区域内的林业按照地形地势、树木种类、河流和建筑等条件进行划分,将其分割成数个小型区域;
区域内的气候环境包括气温、降水和日照时间;
主要虫害的类型包括历史虫害种类、虫害消失种类和新增虫害类型;
常见的林业害虫主要包括:松材线虫、油松尺蛾、马尾松象甲虫和油松毛虫等;
虫害防治措施包括无人机喷药、天敌预防法、增加耐虫害树木的栽种和强化对林业虫害的监测;
历史虫害情况包括历史虫害的数据、历史虫害的类型、历史虫害的治理情况和历史虫害分布位置。
3.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S1中,林业分布数据可通过区域林业规划数据进行查找,并且通过工作人员每隔一段时间对数据进行更新;
区域类的气候环境可通过历年来的气候报表进行获取;
主要虫害的类型可通过对区域类林业中的害虫进行取样分析;
虫害的纺织措施可通过区域类虫害防治规划中进行获取;
历史虫害情况可通过区域虫害防治的日志报表等相关数据进行获取。
4.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S2中,在对S1中的数据进行整理时需要对采集到的数据进行清洗、预处理和特征工程,确保数据的质量和适用性;
将处理后的数据对线性回归模型进行训练;训练过程通常是通过最小化损失函数来调整模型的参数,使其能够更好地拟合数据。
5.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S3中,通过区域内的林业分布、主要虫害的类型和进行的虫害防治措施等因素分析其对区域内林业中的虫害情况的影响大小。
6.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S4中,在对区域内未来一段时间的气候数据进行预测时,对近三年本区域的温度、降水量、大气压力、风速等,并将这些数据整合成年、月、季度时间序列;通过建立统计或物理模型,利用历史气候数据、大气环流和海洋循环等影响气候的因素,预测未来气候的变化趋势和可能出现的极端事件。
7.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S4中,将所得到的目标区域内一段时间的气候情况输入到S2所构建的训练模型中,通过线性回归模型得到未来一段时间区域内的虫害情况。
8.根据权利要求1所述的基于区域历史数据的林业虫灾预测方法,其特征在于,所述步骤S5中,结合S3中所分析出的其他因素对区域内林业中的虫害情况的影响大小,预计使用虫害防治措施和未来区域内林业的规划对S4中得到的虫害情况调整,得到最终的本区域未来的虫害情况。
9.基于区域历史数据的林业虫灾预测系统,其特征在于,执行所述权利要求1-8任一项所述的控制方法,包括:
数据收集模块,所述数据收集模块用于对气候数据、林业分布数据、历史虫害情况数据、虫害防治措施数据和虫害类型数据进行收集;
微处理器模块,所述微处理器模块用于对气候数据、林业分布数据、历史虫害情况数据、虫害防治措施数据和虫害类型数据进行处理和分析,以及对训练模型进行控制出料;
存储模块,所述存储模块用于对预测过程中产生的数据以及数据收集模块收集到的相关数据进行存储。
10.根据权利要求9所述的基于区域历史数据的林业虫灾预测系统,其特征在于,所述微处理器模块包括:
计算模块,所述计算模块用于对相关数据进行计算和分析;
训练模块,所述训练模块用于对将气候数据输入到线性回归模型中进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311570120.0A CN117556996A (zh) | 2023-11-23 | 2023-11-23 | 基于区域历史数据的林业虫灾预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311570120.0A CN117556996A (zh) | 2023-11-23 | 2023-11-23 | 基于区域历史数据的林业虫灾预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556996A true CN117556996A (zh) | 2024-02-13 |
Family
ID=89822958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311570120.0A Pending CN117556996A (zh) | 2023-11-23 | 2023-11-23 | 基于区域历史数据的林业虫灾预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852724A (zh) * | 2024-03-05 | 2024-04-09 | 杨凌职业技术学院 | 一种林业有害生物的预测方法及系统 |
-
2023
- 2023-11-23 CN CN202311570120.0A patent/CN117556996A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852724A (zh) * | 2024-03-05 | 2024-04-09 | 杨凌职业技术学院 | 一种林业有害生物的预测方法及系统 |
CN117852724B (zh) * | 2024-03-05 | 2024-05-28 | 杨凌职业技术学院 | 一种林业有害生物的预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Assessment of ozone toxicity among 14 Indian wheat cultivars under field conditions: growth and productivity | |
CN113095555B (zh) | 基于物联网的农作物病虫害监控方法、系统及存储介质 | |
CN117556996A (zh) | 基于区域历史数据的林业虫灾预测方法及系统 | |
Hammer et al. | Sugarcane yield prediction through data mining and crop simulation models | |
CN116842350B (zh) | 一种污染场地植物修复的分析方法、系统及介质 | |
CN115185220A (zh) | 一种基于物联网的农林病虫害监控系统 | |
EP3932198A1 (de) | Identifizierung von nützlingen und/oder schadstoffen in einem feld für kulturpflanzen | |
CN109190545A (zh) | 输电线路中的鸟巢自动识别系统及其方法和应用 | |
EP3673425A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
Meshkova et al. | Prediction for bark beetles caused desiccation of pine stands | |
Sarkar et al. | A comprehensive study on the emerging effect of artificial intelligence in agriculture automation | |
CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
CN116757707A (zh) | 一种农作物果实生长溯源方法及系统 | |
Valeriano et al. | A process-based model to simulate sugarcane orange rust severity from weather data in Southern Brazil | |
Bechtold et al. | FIA Crown Analysis Guide | |
Ibiev et al. | Unmanned aerial vehicles (UAVs)-One of the digitalization and effective development segments of agricultural production in modern conditions | |
Mandal et al. | Development of disease scoring system for severity analysis of late blight of potato based on image processing approach | |
Qiao et al. | Airport bird strike risk assessment and research | |
Li et al. | The field phenotyping platform's next darling: Dicotyledons | |
Parpan et al. | Simulation of Decline of Norway Spruce (L. Karst.) Forests in Gorgan Mountains (Ukrainian Carpathians): Case Study Using Forkome Model | |
CN117709604B (zh) | 面向植保无人机飞防的冬小麦遥感监测方法、装置和设备 | |
Chun et al. | A study on the design and operation method of plant factory using artificial intelligence | |
Panuganti et al. | Automation in Agriculture and Smart Farming Techniques using Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |