CN117574096B - 基于大数据的农林有害生物预测方法 - Google Patents
基于大数据的农林有害生物预测方法 Download PDFInfo
- Publication number
- CN117574096B CN117574096B CN202410051114.2A CN202410051114A CN117574096B CN 117574096 B CN117574096 B CN 117574096B CN 202410051114 A CN202410051114 A CN 202410051114A CN 117574096 B CN117574096 B CN 117574096B
- Authority
- CN
- China
- Prior art keywords
- day
- year
- pest
- area
- influence
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 321
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 14
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003111 delayed effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 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
- 238000010606 normalization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (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
本发明涉及预测管理技术领域，具体涉及一种基于大数据的农林有害生物预测方法，该方法先采集有害生物发生面积序列和湿度数据序列；然后，根据有害生物发生面积序列和湿度数据序列，确定每个有害生物发生面积的降雨量影响修正系数和降雨时间影响权重；再者，利用降雨量影响修正系数和降雨时间影响权重，对各个有害生物发生面积进行修正，获得各个新的有害生物发生面积；最后，将各个新的有害生物发生面积输入到预测模型，获得未来一年对应的各个预测有害生物发生面积。本发明通过增强预测模型输入数据的真实性，提升了农林有害生物预测结果的准确性。
Description
技术领域
本发明涉及预测管理技术领域，具体涉及一种基于大数据的农林有害生物预测方法。
背景技术
随着农业和林业生产规模的不断扩大，有害生物的威胁日益突出，其对农作物和森林健康产生了重要影响。为了更好地控制和预防有害生物产生的危害，通过大数据分析技术对有害生物进行早期预警和精准防控，如，利用预测模型识别出有害生物的潜在风险区域，并预测出有害生物的传播趋势和繁殖趋势，同时，预测模型为农民和林业从业者提供了相关的决策支持，包括调整种植时间、施用农药和制定合理的防治措施。
现有预测模型在运行时，输入数据通常为有害生物发生面积的时序数据，预测模型可以为ARIMA模型（Autoregressive Integrated Moving Average Model，自回归差分移动平均模型）。ARIMA模型对输入数据比较敏感，但受降雨时间不同的影响，不同历史年份的有害生物发生面积会出现一定程度的偏移，模型的输入数据的真实性较差，其导致ARIMA模型的预测结果的准确性较差，也就是农林有害生物预测结果的准确性低下。
发明内容
为了解决上述输入数据真实性较差，导致农林有害生物预测结果准确性低下的技术问题，本发明的目的在于提供一种基于大数据的农林有害生物预测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于大数据的农林有害生物预测方法，该方法包括以下步骤：
获取待预测区域的当前预设年数对应的有害生物发生面积序列和湿度数据序列；
根据有害生物发生面积序列和湿度数据序列，确定每年对应的每天的有害生物发生面积的降雨量影响修正系数；
根据每对相邻年对应的各对有害生物发生面积和湿度，确定每对相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重；
根据每年对应的每天的有害生物发生面积的降雨量影响修正系数、下一年对应的每天的有害生物发生面积的降雨时间影响权重以及有害生物发生面积序列中每天的有害生物发生面积，确定每天的新的有害生物发生面积；
将输入数据输入到预测模型中获得未来一年对应的各个预测有害生物发生面积，所述输入数据为每天的新的有害生物发生面积。
进一步地，所述有害生物发生面积序列包括每年的预设数目个目标月份内每天的有害生物发生面积，所述湿度数据序列包括每年的预设数目个目标月份内每天的待预测区域湿度，所述目标月份为有害生物高发期月份；所述每对相邻年由当前预设年数中的上一年和下一年组成。
进一步地，根据有害生物发生面积序列和湿度数据序列，确定每年对应的每天的有害生物发生面积的降雨量影响修正系数，包括：
将每年最初的预设天数对应的有害生物发生面积作为第一目标面积，将每年中除第一目标面积以外的有害生物发生面积作为第二目标面积；将各个第一目标面积的降雨量影响修正系数赋值为0；
对于任意一个的第二目标面积，根据第二目标面积以及其对应的湿度、位于第二目标面积之前的预设天数对应的每天的有害生物发生面积及其对应的湿度，确定第二目标面积与位于第二目标面积之前的预设天数对应的每天的湿度之间的关联影响指标；
根据第二目标面积的各个关联影响指标和预设天数，确定第二目标面积的降雨量影响修正系数。
进一步地，确定第二目标面积与位于第二目标面积之前的预设天数对应的每天的湿度之间的关联影响指标，包括：
将第二目标面积对应的湿度与第二目标面积的比值作为第一比值，将位于第二目标面积之前的预设天数对应的每天的湿度与其对应的有害生物发生面积的比值作为第二比值；计算第一比值与任意一个第二比值之间的差值绝对值，将两者之间的差值绝对值作为关联影响指标，获得各个关联影响指标。
进一步地，所述降雨量影响修正系数的计算公式为：
；式中，/>为第i年对应的第j天的第二目标面积的降雨量影响修正系数，K为预设天数，k为位于第i年对应的第j天之前的第k天，/>为第i年对应的第j天的第二目标面积与位于第i年对应的第j天之前的第/>天对应的湿度之间的关联影响指标；对于k，该数值呈现负方向逐渐增加。
进一步地，根据每对相邻年对应的各对有害生物发生面积和湿度，确定每对相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重，包括：
对于任意一对相邻年，根据相邻年对应的各对有害生物发生面积和湿度，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度；
根据相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度以及预设天数，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重。
进一步地，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度，包括：
对于相邻年中下一年对应的任意一天的有害生物发生面积，将该天的湿度与上一年对应位于该天之前的预设天数对应的每天的湿度之间的湿度差值的平方，确定为降雨时间提前的第一影响因子；将该天的有害生物发生面积与上一年对应位于该天之前的预设天数对应的每天的有害生物发生面积之间的面积差值的平方，确定为降雨时间提前的第二影响因子；根据各个降雨时间提前的第一影响因子和第二影响因子，确定下一年对应的该天的有害生物发生面积受上一年对应位于该天之前的预设天数中每天的降雨时间提前的影响程度；
对于相邻年中下一年对应的任意一天的有害生物发生面积，将该天的湿度与上一年对应位于该天之后的预设天数对应的每天的湿度之间的湿度差值的平方，确定为降雨时间延后的第三影响因子；将该天的有害生物发生面积与上一年对应位于该天之后的预设天数对应的每天的有害生物发生面积之间的面积差值的平方，确定为降雨时间延后的第四影响因子；根据各个降雨时间延后的第三影响因子和第四影响因子，确定下一年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中每天的降雨时间延后的影响程度；所述降雨时间影响程度包括降雨时间提前的影响程度和降雨时间延后的影响程度。
进一步地，所述下一年对应的该天的有害生物发生面积受上一年对应位于该天之前的预设天数中每天的降雨时间提前的影响程度的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的影响程度，/>为第i年对应的该天的湿度，/>为第/>年对应位于该天之前的预设天数中第p天的湿度，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的第一影响因子，/>为第i年对应的该天的有害生物发生面积，/>为第/>年对应位于该天之前的第p天的有害生物发生面积，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的第二影响因子；
所述下一年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中每天的降雨时间延后的影响程度的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的影响程度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的第三影响因子，/>为第/>年对应位于该天之后的第/>天的湿度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的第四影响因子，为第/>年对应位于该天之后的第/>天的有害生物发生面积，p为预设天数中每天的序号。
进一步地，根据相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度以及预设天数，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重，包括：
对于相邻年中下一年对应的任意一天的有害生物发生面积，确定该天的有害生物发生面积的降雨时间影响权重，所述该天的有害生物发生面积的降雨时间影响权重的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积的降雨时间影响权重，K为预设天数，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的影响程度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的影响程度，p为预设天数中每天的序号；对于预设年数中第一年的每天的有害生物发生面积的降雨时间影响权重，将降雨时间影响权重赋值为1。
进一步地，所述每天的新的有害生物发生面积的计算公式为：
；式中，/>为第q天的新的有害生物发生面积，I为当前预设年数，/>为第i年对应的第q天的有害生物发生面积的降雨时间影响权重，/>为第i年对应的第q天的有害生物发生面积，/>为第i年对应的第q天的有害生物发生面积的降雨量影响修正系数，i为当前预设年数对应的每年的序号，q为一年的预设数目个目标月份内每天的序号。
本发明具有如下有益效果：
受降雨等多方面因素的影响，导致采集的有害生物发生面积数据的真实性较差，导致基于该数据进行的有害生物预测准确性较差，为了克服上述缺陷，本发明提供了一种基于大数据的农林有害生物预测方法。该预测方法利用大数据技术，对采集的大量的不同年份的有害生物发生面积数据和气象数据之间的关系进行分析，可以获得所采集的每天的有害生物发生面积的降雨量影响修正系数和降雨时间影响权重，从两个方面考虑气象数据对有害生物发生面积数据的影响程度，有利于提高后续确定的新的有害生物发生面积的精准性；对于预测模型的输入数据，通过分析降雨量和降雨时间的不确定因素，对输入数据进行修正，有利于获得真实性更高的输入数据，即各个新的有害生物发生面积；利用更真实的输入数据和预测模型，有助于实现未来有害生物的预测，其提高了有害生物预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种基于大数据的农林有害生物预测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的应用场景可以为：对林业进行安全管理时，有害生物的大量繁殖导致林业产生了大面积的发病区域。为了提前预防有害生物产生的不良影响，需要根据历史数据对未来有害生物发生面积进行预测，具体为：在进行预测时通过历史有害生物发生面积获得真实的时序数据，利用该时序数据进行模型预测，其可以有效提高预测结果的准确性。
本实施例提供了一种基于大数据的农林有害生物预测方法，如图1所示，包括以下步骤：
S1，获取待预测区域的当前预设年数对应的有害生物发生面积序列和湿度数据序列。
在本实施例中，待预测区域可以为林业区域，也可以为农业区域，以林业为例进行后续步骤的描述；当前预测年数是指当前10年，从数据库中获取当前10年中5-9月份的每天对应的有害生物发生面积数据和湿度数据，可以组成当前预设年数对应的有害生物发生面积序列和湿度数据序列；有害生物发生面积序列包括每年的5-9月份内每天的有害生物发生面积，湿度数据序列包括每年的5-9月份内每天的待预测区域的湿度，目标月份为有害生物的高发期月份，湿度数据即为气象数据。5-9月份即为目标月份，也就是目标月份为一年的5月份、6月份、7月份、8月份、9月份，这5个月份，待预测区域的属性、当前预测年数以及目标月份的个数，可以由实施者根据具体实际情况设置，不做过多限定。
需要说明的是，每年的降雨时间、恶劣天气发生的时间以及降雨量不同，其均会影响林业有害生物的发生面积，也就是有害生物发生面积数据在不同年份的同天数的面积数据不尽相同，因此需要根据当前10年的有害生物发生面积数据和气象数据，获得更真实的有害生物发生面积的时序数据。选取每年的5-9月份的原因在于：夏季是林业有害生物的高发期，夏季对应的月份应是5-9月份。
进一步需要说明的是，有害生物发生面积的时序数据中存在大量不真实的干扰数据，其对于预测结果的准确性造成影响，降雨量的增大导致湿度增大，湿度增大进而影响有害生物发生面积增大的情况，故气象数据与有害生物发生面积之间存在数值变化关联。降雨量增大导致湿度增大是造成有害生物发生面积增加的主要原因，通常降雨量会影响林业连续多天的湿度数据，但是也存在湿度低而有害生物发生面积大的情况，其可能是其他生物原因造成的。
至此，本实施例获得了有害生物发生面积序列和湿度数据序列。
S2，根据有害生物发生面积序列和湿度数据序列，确定每年对应的每天的有害生物发生面积的降雨量影响修正系数。
关于降雨量影响修正系数，需要说明的是，通常林业有害生物的发生面积是由于降雨导致的湿度增加引起的，湿度随着降雨量的改变实时发生变化，而有害生物发生面积变化具有一定的滞后性。滞后性的具体表现为：在待预测区域的湿度发生明显变化后，有害生物发生面积变化较小。需要分辨有害生物发生面积是受该有害生物发生面积生成当天的前几天降雨影响发生的变化，还是受其他原因影响发生的变化，若是第一个原因则对当天有害生物发生面积进行修正的修正程度应越大，若是第二个原因则对当天有害生物发生面积进行修正的修正程度应越小。为了量化有害生物发生面积的修正程度，需要根据当前的有害生物发生面积生成之前的预设天数对应的每天的湿度和有害生物发生面积，对当前的有害生物发生面积进行修正，此时可以获得当前的有害生物发生面积的降雨量影响修正系数。
第一步，将每年最初的预设天数对应的有害生物发生面积作为第一目标面积，将每年中除第一目标面积以外的有害生物发生面积作为第二目标面积；将各个第一目标面积的降雨量影响修正系数赋值为0。
在本实施例中，有害生物发生面积受湿度影响时具有滞后性，也就是位于当天之前的湿度数据可以对当天有害生物发生面积变化造成影响，且有害生物发生面积可能会发生较为明显的变化。因此，为了量化位于当天之前的多个湿度数据对当天有害生物发生面积造成的影响程度，需要获取每天的有害生物发生面积对应的位于其自身之前的多个湿度数据和有害生物发生面积数据。
但是，每年对应的位置靠前的多天的有害生物发生面积将无法参与到降雨量影响修正系数的计算中，可以直接将其影响修正系数赋值为0。每年均有其对应的多个最初有害生物发生面积，为了便于描述将位置靠前的最初有害生物发生面积记为第一目标面积。同时，为了区分第一目标面积，将第一目标面积以外的有害生物发生面积记为第二目标面积。需要说明的是，最初的预设天数可以设置为5，实施者可以根据具体实际情况设置预设天数的大小，不作具体限定。
第二步，对于任意一个的第二目标面积，根据第二目标面积以及其对应的湿度、位于第二目标面积之前的预设天数对应的每天的有害生物发生面积及其对应的湿度，确定第二目标面积与位于第二目标面积之前的预设天数对应的每天的湿度之间的关联影响指标。
在本实施例中，关联影响指标越大，说明位于第二目标面积之前的预设天数对应的每天的湿度对该第二目标面积的影响越大，即位于第二目标面积之前的预设天数的降雨量较大造成待预测区域的湿度较大，受有害生物发生面积滞后性特征影响，第二目标面积发生的面积变化越大。
将第二目标面积对应的湿度与第二目标面积的比值作为第一比值，将位于第二目标面积之前的预设天数对应的每天的有害生物发生面积对应的湿度与其对应的有害生物发生面积的比值作为第二比值；计算第一比值与任意一个第二比值之间的差值绝对值，将两者之间的差值绝对值作为关联影响指标，获得各个关联影响指标。
作为示例，关联影响指标的计算公式可以为：
；式中，/>为第i年对应的第j天的第二目标面积与位于第i年对应的第j天之前的第/>天对应的湿度之间的关联影响指标，/>为第i年对应的第j天的第二目标面积对应的湿度，/>为第i年对应的第j天的第二目标面积，/>为第一比值，/>为位于第i年对应的第j天之前的第/>天对应的有害生物发生面积对应的湿度，/>为位于第i年对应的第j天之前的第/>天对应的有害生物发生面积，/>为第二比值，/>为求绝对值函数。
在关联影响指标的计算公式中，第一比值和第二比值均可以表征湿度与有害生物发生面积之间的关系，降雨天气对湿度的影响是实时的，但是由于有害生物发生面积存在一定的滞后性，所以当湿度小但有害生物发生面积大时，即第一比值小，其可能是第一比值的前5天发生了强降雨，对第一比值中有害生物发生面积产生了影响；通过前5天的第二比值与当天的第一比值的对比差异情况，可以获得各个关联影响指标，关联影响指标的个数为5，其与第二比值的个数保持一致；关联影响指标可以表征第一比值与各个第二比值之间的差异情况，差异越大，说明前5天的湿度数据对当前的有害生物发生面积的影响大，反之，则说明影响小。
第三步，根据第二目标面积的各个关联影响指标和预设天数，确定第二目标面积的降雨量影响修正系数。
作为示例，降雨量影响修正系数的计算公式可以为：
；式中，/>为第i年对应的第j天的第二目标面积的降雨量影响修正系数，K为预设天数，k为位于第i年对应的第j天之前的第k天，/>为第i年对应的第j天的第二目标面积与位于第i年对应的第j天之前的第/>天对应的湿度之间的关联影响指标；对于k，该数值呈现负方向逐渐增加，例如5,4,3,2,1。
在降雨量影响修正系数的计算公式中，可以表征位于第i年的第j天之前的5天的有害生物发生面积之间的时间位置关系，基于时间的连续性特征，前5天的有害生物发生面积中任意一个数据越靠近第i年的第j天的第二目标面积，/>就越大，说明该数据对于第i年的第j天的第二目标面积的重要程度越大；/>可以表示为/>，用于实现归一化处理，/>越大，/>越小，但/>越大，说明第i年的第j天的第二目标面积与位于第i年的第j天之前的第/>天对应的湿度之间的关联度越大，降雨量影响修正系数/>就会越大。
通过上述第二目标面积的降雨量影响修正系数的计算过程，可以获得各个第二目标面积的降雨量影响修正系数；基于各个第一目标面积的降雨量影响修正系数和各个第二目标面积的降雨量影响修正系数，得到了每天的有害生物发生面积的降雨量影响修正系数，每天的有害生物发生面积均有其对应的降雨量影响修正系数。
至此，本实施例获得了每年对应的每天的有害生物发生面积的降雨量影响修正系数。
S3，根据每对相邻年对应的各对有害生物发生面积和湿度，确定每对相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重。
每年的5-9月份的相同地区的降雨天气发生频率和时间通常是不规则的，受各种外部因素的影响，某年的某天的降雨天气相比过去年份的同日期的降雨天气可能发生推迟或提前。由于降雨天气的推迟或提前，每年的有害生物发生面积变化也会发生一定的提前或推迟。为了量化降雨时间对有害生物发生面积变化的影响情况，需要基于相邻年对应的某对有害生物发生面积、前5天和后5天的数据之间的关联度，确定下一年的该有害生物发生面积的权重。
第一步，对于任意一对相邻年，根据相邻年对应的各对有害生物发生面积和湿度，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度。
在本实施例中，降雨时间影响程度包括降雨时间提前的影响程度和降雨时间延后的影响程度，这里的降雨时间延后即为降雨时间推迟，每个相邻年中下一年对应的每天的有害生物发生面积均有其对应的降雨时间影响程度。
第一子步骤，确定下一年对应的每天的有害生物发生面积受上一年对应位于对应天之前的预设天数中每天的降雨时间提前的影响程度。
在本实施例中，每对相邻年由当前预设年数中的上一年和下一年组成，若当前预设年数中的第一年作为下一年，则其不存在相邻的上一年，故后续不对第一年为下一年时的情况进行分析。由于降雨提前或其他原因，相邻年的下一年中某一天的有害生物发生面积变化会比上一年中有害生物发生面积变化提前发生，需要对有害生物发生面积变化提前发生的情况进行分析，以避免后续在预测时受变化时间提前的影响，导致预测结果准确性低下。
对于相邻年中下一年对应的任意一天的有害生物发生面积，将该天的湿度与上一年对应位于该天之前的预设天数对应的每天的湿度之间的湿度差值的平方，确定为降雨时间提前的第一影响因子；将该天的有害生物发生面积与上一年对应位于该天之前的预设天数对应的每天的有害生物发生面积之间的面积差值的平方，确定为降雨时间提前的第二影响因子；根据各个降雨时间提前的第一影响因子和第二影响因子，确定下一年对应的该天的有害生物发生面积受上一年对应位于该天之前的预设天数中每天的降雨时间提前的影响程度。
作为示例，下一年对应的该天的有害生物发生面积受上一年对应位于该天之前的预设天数中每天的降雨时间提前的影响程度的计算公式可以为：
；式中，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的影响程度，/>为第i年对应的该天的湿度，/>为第/>年对应位于该天之前的预设天数中第p天的湿度，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的第一影响因子，/>为第i年对应的该天的有害生物发生面积，/>为第/>年对应位于该天之前的第p天的有害生物发生面积，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的第二影响因子。
在降雨时间提前的影响程度的计算公式中，第一影响因子可以表征当前湿度数据与位于当前湿度数据之前的各个湿度数据之间的差异情况，第一影响因子越大，说明两天的湿度数据之间的差异越大；同理，第二影响因子可以表征当前有害生物发生面积与位于当前有害生物发生面积之前的各个面积数据之间的差异情况，第二影响因子越大，说明两天的有害生物发生面积数据之间的差异越大；当第一影响因子和第二影响因子越大时，该天的有害生物发生面积的降雨时间提前的影响程度越小。
第二子步骤，确定下一年对应的每天的有害生物发生面积受上一年对应位于对应天之前的预设天数中每天的降雨时间延后的影响程度。
在本实施例中，由于降雨延迟或者其他原因，相邻年的下一年中某一天的有害生物发生面积变化会比上一年中有害生物发生面积变化延迟发生，需要对有害生物发生面积变化延迟发生的情况进行分析，以避免后续在预测时受变化时间延迟的影响，导致预测结果准确性低下。
对于相邻年中下一年对应的任意一天的有害生物发生面积，将该天的湿度与上一年对应位于该天之后的预设天数对应的每天的湿度之间的湿度差值的平方，确定为降雨时间延后的第三影响因子；将该天的有害生物发生面积与上一年对应位于该天之后的预设天数对应的每天的有害生物发生面积之间的面积差值的平方，确定为降雨时间延后的第四影响因子；根据各个降雨时间延后的第三影响因子和第四影响因子，确定下一年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中每天的降雨时间延后的影响程度。
作为示例，下一年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中每天的降雨时间延后的影响程度的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的影响程度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的第三影响因子，/>为第/>年对应位于该天之后的第/>天的湿度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的第四影响因子，为第/>年对应位于该天之后的第/>天的有害生物发生面积，p为预设天数中每天的序号。
在降雨时间延后的影响程度的计算公式中，第三影响因子可以表征当前湿度数据与位于当前湿度数据之后的各个湿度数据之间的差异情况，第三影响因子越大，说明两天的湿度数据之间的差异越大；同理，第四影响因子可以表征当前有害生物发生面积与位于当前有害生物发生面积之后的各个面积数据之间的差异情况，第四影响因子越大，说明两天有害生物发生面积数据之间的差异越大；在分母处加1是为了防止分母为0的特殊情况的出现；当第三影响因子和第四影响因子越大时，该天的有害生物发生面积的降雨时间延后的影响程度越小。
第二步，根据相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度以及预设天数，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重。
在本实施例中，通过综合降雨时间提前和降雨时间延后对有害生物发生面积的影响情况，可以量化有害生物发生面积的降雨时间影响权重。降雨时间影响权重的计算可以按照距离最大年份由远至近的顺序进行计算，由于是下一年与上一年进行比较，可以从当前预设年数的第2年开始计算降雨时间影响权重。
对于相邻年中下一年对应的任意一天的有害生物发生面积，确定该天的有害生物发生面积的降雨时间影响权重，该天的有害生物发生面积的降雨时间影响权重的计算公式可以为：
；式中，/>为第i年对应的该天的有害生物发生面积的降雨时间影响权重，K为预设天数，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的影响程度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的影响程度，p为预设天数中每天的序号，在分析降雨时间提前的影响程度时对应的预设天数中每天的序号p呈现负方向逐渐增加，例如，/>；而在分析降雨时间延后的影响程度时对应的预设天数中每天的序号p呈现正方向逐渐增加，例如，；对于预设年数中第一年对应每天的有害生物发生面积的降雨时间影响权重，将降雨时间影响权重赋值为1。
在降雨时间影响权重的计算公式中，表示第i年对应的该有害生物发生面积和第/>年对应位于该有害生物发生面积之前的第/>天的有害生物发生面积之间的相关性，越大，表示相关性越大，说明第i年对应的该天的有害生物发生面积受降雨时间提前的影响越大；/>表示第i年对应的该有害生物发生面积和第/>年对应位于该有害生物发生面积之后的第/>天的有害生物发生面积之间的相关性，/>越大，说明相关性越大，说明第i年对应的该有害生物发生面积受降雨时间延后的影响越大；/>可以表示位于当前有害生物发生面积之前或之后的面积数据与当前有害生物发生面积之间的时间位置距离的影响程度，距离越小，影响权重越大，例如，相比/>，/>对应的有害生物发生面积与当前有害生物发生面积之间的时间位置距离较小，/>越大，故/>对当前有害生物发生面积的影响越大。
至此，本实施例获得了每对相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重。
S4，根据每年对应的每天的有害生物发生面积的降雨量影响修正系数、下一年对应的每天的有害生物发生面积的降雨时间影响权重以及有害生物发生面积序列中每天的有害生物发生面积，确定每天的新的有害生物发生面积。
在本实施例中，根据降雨量影响修正系数和降雨时间影响权重，对有害生物发生面积序列中每天的有害生物发生面积进行修正，可以获得以年为单位的5-9月份对应的新的有害生物发生面积序列，新的有害生物发生面积序列在一定程度上考虑了降雨量和降雨时间，对有害生物发生面积的影响，真实性更强，便于后续获得准确性更高的预测结果。
作为示例，每天的新的有害生物发生面积的计算公式可以为：
；式中，/>为第q天的新的有害生物发生面积，I为当前预设年数，/>为第i年对应的第q天的有害生物发生面积的降雨时间影响权重，/>为第i年对应的第q天的有害生物发生面积，/>为第i年对应的第q天的有害生物发生面积的降雨量影响修正系数，i为当前预设年数对应的每年的序号，q为一年的预设数目个目标月份内每天的序号。
在新的有害生物发生面积的计算公式中，当前预设年数I可以为10，表示第i年对应的第q天的有害生物发生面积需要修正的数值；/>为每年对应的初始新的第q天的有害生物发生面积，为了提高获得的第q天的新的有害生物发生面积的精准性，通过求取均值获得准确性更高的第q天的新的有害生物发生面积。
至此，本实施例获得了每天的新的有害生物发生面积。
S5，将每天的新的有害生物发生面积输入到预测模型中，获得未来一年对应的各个预测有害生物发生面积。
在本实施例中，将获得的每天的新的有害生物发生面积作为输入数据，以便于使用ARIMA模型来对新的有害生物发生面积时序数据进行建模，根据建成的预测模型，对未来一年的5-9月份的林业有害生物发生面积进行预测。ARIMA模型的构建和训练过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
本发明提供了一种基于大数据的农林有害生物预测方法，该方法通过采集的有害生物发生面积和气象数据，可以获得真实性更高的有害生物发生面积时序数据，使用该时序数据进行预测可以有效提高ARIMA模型预测的准确性，以达到提前预测提前预防的效果。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于大数据的农林有害生物预测方法，其特征在于，包括以下步骤：
获取待预测区域的当前预设年数对应的有害生物发生面积序列和湿度数据序列；
根据有害生物发生面积序列和湿度数据序列，确定每年对应的每天的有害生物发生面积的降雨量影响修正系数；
根据每对相邻年对应的各对有害生物发生面积和湿度，确定每对相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重；
根据每年对应的每天的有害生物发生面积的降雨量影响修正系数、下一年对应的每天的有害生物发生面积的降雨时间影响权重以及有害生物发生面积序列中每天的有害生物发生面积，确定每天的新的有害生物发生面积；
将输入数据输入到预测模型中获得未来一年对应的各个预测有害生物发生面积，所述输入数据为每天的新的有害生物发生面积；
根据有害生物发生面积序列和湿度数据序列，确定每年对应的每天的有害生物发生面积的降雨量影响修正系数，包括：
将每年最初的预设天数对应的有害生物发生面积作为第一目标面积，将每年中除第一目标面积以外的有害生物发生面积作为第二目标面积；将各个第一目标面积的降雨量影响修正系数赋值为0；
对于任意一个的第二目标面积，根据第二目标面积以及其对应的湿度、位于第二目标面积之前的预设天数对应的每天的有害生物发生面积及其对应的湿度，确定第二目标面积与位于第二目标面积之前的预设天数对应的每天的湿度之间的关联影响指标；
根据第二目标面积的各个关联影响指标和预设天数，确定第二目标面积的降雨量影响修正系数；
确定第二目标面积与位于第二目标面积之前的预设天数对应的每天的湿度之间的关联影响指标，包括：
将第二目标面积对应的湿度与第二目标面积的比值作为第一比值，将位于第二目标面积之前的预设天数对应的每天的湿度与其对应的有害生物发生面积的比值作为第二比值；计算第一比值与任意一个第二比值之间的差值绝对值，将两者之间的差值绝对值作为关联影响指标，获得各个关联影响指标；
所述降雨量影响修正系数的计算公式为：
；式中，/>为第i年对应的第j天的第二目标面积的降雨量影响修正系数，K为预设天数，k为位于第i年对应的第j天之前的第k天，/>为第i年对应的第j天的第二目标面积与位于第i年对应的第j天之前的第/>天对应的湿度之间的关联影响指标；对于k，该数值呈现负方向逐渐增加；
根据每对相邻年对应的各对有害生物发生面积和湿度，确定每对相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重，包括：
对于任意一对相邻年，根据相邻年对应的各对有害生物发生面积和湿度，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度；
根据相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度以及预设天数，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重；
确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度，包括：
对于相邻年中下一年对应的任意一天的有害生物发生面积，将该天的湿度与上一年对应位于该天之前的预设天数对应的每天的湿度之间的湿度差值的平方，确定为降雨时间提前的第一影响因子；将该天的有害生物发生面积与上一年对应位于该天之前的预设天数对应的每天的有害生物发生面积之间的面积差值的平方，确定为降雨时间提前的第二影响因子；根据各个降雨时间提前的第一影响因子和第二影响因子，确定下一年对应的该天的有害生物发生面积受上一年对应位于该天之前的预设天数中每天的降雨时间提前的影响程度；
对于相邻年中下一年对应的任意一天的有害生物发生面积，将该天的湿度与上一年对应位于该天之后的预设天数对应的每天的湿度之间的湿度差值的平方，确定为降雨时间延后的第三影响因子；将该天的有害生物发生面积与上一年对应位于该天之后的预设天数对应的每天的有害生物发生面积之间的面积差值的平方，确定为降雨时间延后的第四影响因子；根据各个降雨时间延后的第三影响因子和第四影响因子，确定下一年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中每天的降雨时间延后的影响程度；所述降雨时间影响程度包括降雨时间提前的影响程度和降雨时间延后的影响程度；
所述下一年对应的该天的有害生物发生面积受上一年对应位于该天之前的预设天数中每天的降雨时间提前的影响程度的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的影响程度，/>为第i年对应的该天的湿度，/>为第/>年对应位于该天之前的预设天数中第p天的湿度，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的第一影响因子，/>为第i年对应的该天的有害生物发生面积，/>为第/>年对应位于该天之前的第p天的有害生物发生面积，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的第二影响因子；
所述下一年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中每天的降雨时间延后的影响程度的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的影响程度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的第三影响因子，/>为第/>年对应位于该天之后的第/>天的湿度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的第四影响因子，为第/>年对应位于该天之后的第/>天的有害生物发生面积，p为预设天数中每天的序号；
根据相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响程度以及预设天数，确定相邻年中下一年对应的每天的有害生物发生面积的降雨时间影响权重，包括：
对于相邻年中下一年对应的任意一天的有害生物发生面积，确定该天的有害生物发生面积的降雨时间影响权重，所述该天的有害生物发生面积的降雨时间影响权重的计算公式为：
；式中，/>为第i年对应的该天的有害生物发生面积的降雨时间影响权重，K为预设天数，/>为第i年对应的该天的有害生物发生面积受第i-1年对应位于该天之前的预设天数中第p天的降雨时间提前的影响程度，/>为第i年对应的该天的有害生物发生面积受上一年对应位于该天之后的预设天数中第p天的降雨时间延后的影响程度，p为预设天数中每天的序号；对于预设年数中第一年的每天的有害生物发生面积的降雨时间影响权重，将降雨时间影响权重赋值为1；
所述每天的新的有害生物发生面积的计算公式为：
；式中，/>为第q天的新的有害生物发生面积，I为当前预设年数，/>为第i年对应的第q天的有害生物发生面积的降雨时间影响权重，/>为第i年对应的第q天的有害生物发生面积，/>为第i年对应的第q天的有害生物发生面积的降雨量影响修正系数，q为一年的预设数目个目标月份内每天的序号。
2.根据权利要求1所述的一种基于大数据的农林有害生物预测方法，其特征在于，所述有害生物发生面积序列包括每年的预设数目个目标月份内每天的有害生物发生面积，所述湿度数据序列包括每年的预设数目个目标月份内每天的待预测区域湿度，所述目标月份为有害生物高发期月份；所述每对相邻年由当前预设年数中的上一年和下一年组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410051114.2A CN117574096B (zh) | 2024-01-15 | 2024-01-15 | 基于大数据的农林有害生物预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410051114.2A CN117574096B (zh) | 2024-01-15 | 2024-01-15 | 基于大数据的农林有害生物预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574096A CN117574096A (zh) | 2024-02-20 |
| CN117574096B true CN117574096B (zh) | 2024-04-05 |
Family
ID=89864573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410051114.2A Active CN117574096B (zh) | 2024-01-15 | 2024-01-15 | 基于大数据的农林有害生物预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574096B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2145190C1 (ru) * | 1998-04-07 | 2000-02-10 | Курский научно-исследовательский институт агропромышленного производства | Способ прогнозирования фасциолеза жвачных животных |
| CN103155836A (zh) * | 2011-12-16 | 2013-06-19 | 东北林业大学 | 一种预测林业有害生物发生程度的方法 |
| CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
| CN112561274A (zh) * | 2020-12-08 | 2021-03-26 | 中南大学 | 基于多要素情境的台风诱发地质灾害风险评估方法 |
| CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
| CN114638445A (zh) * | 2022-05-19 | 2022-06-17 | 北京佳格天地科技有限公司 | 作物病害预防的方法、装置、介质，及电子设备 |
| CN115564109A (zh) * | 2022-09-30 | 2023-01-03 | 江西裕丰智能农业科技有限公司 | 一种基于改进卷积神经网络结构的果树生长预测方法 |
| CN115841193A (zh) * | 2023-02-17 | 2023-03-24 | 航天宏图信息技术股份有限公司 | 一种林业有害生物的预测方法和装置 |
| CN116629117A (zh) * | 2023-05-23 | 2023-08-22 | 黑龙江省植检植保站(黑龙江省农药检定站) | 一种基于网格化监测的农作物病害发生面积预测方法 |
| CN116681279A (zh) * | 2023-05-25 | 2023-09-01 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
| CN116863410A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市中大合顺生物科技有限公司 | 基于有害生物防治的数据采集处理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11906621B2 (en) * | 2018-12-21 | 2024-02-20 | Climate Llc | Quantitative precipitation estimate quality control |
| CN113473840B (zh) * | 2019-02-21 | 2023-09-05 | 克莱米特有限责任公司 | 用于实现农业田地试验的农业田地数字建模和跟踪 |
-
2024
- 2024-01-15 CN CN202410051114.2A patent/CN117574096B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2145190C1 (ru) * | 1998-04-07 | 2000-02-10 | Курский научно-исследовательский институт агропромышленного производства | Способ прогнозирования фасциолеза жвачных животных |
| CN103155836A (zh) * | 2011-12-16 | 2013-06-19 | 东北林业大学 | 一种预测林业有害生物发生程度的方法 |
| CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
| CN112561274A (zh) * | 2020-12-08 | 2021-03-26 | 中南大学 | 基于多要素情境的台风诱发地质灾害风险评估方法 |
| CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
| CN114638445A (zh) * | 2022-05-19 | 2022-06-17 | 北京佳格天地科技有限公司 | 作物病害预防的方法、装置、介质，及电子设备 |
| CN115564109A (zh) * | 2022-09-30 | 2023-01-03 | 江西裕丰智能农业科技有限公司 | 一种基于改进卷积神经网络结构的果树生长预测方法 |
| CN115841193A (zh) * | 2023-02-17 | 2023-03-24 | 航天宏图信息技术股份有限公司 | 一种林业有害生物的预测方法和装置 |
| CN116629117A (zh) * | 2023-05-23 | 2023-08-22 | 黑龙江省植检植保站(黑龙江省农药检定站) | 一种基于网格化监测的农作物病害发生面积预测方法 |
| CN116681279A (zh) * | 2023-05-25 | 2023-09-01 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
| CN116863410A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市中大合顺生物科技有限公司 | 基于有害生物防治的数据采集处理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 林业有害生物发生发展与气象条件关系研究进展;张建新;包云轩;李芬;侯润兰;姚彩霞;;世界林业研究;20100215(01);全文 * |
| 河南省小麦病虫害气象预测预报模型研究;刘伟昌;王君;陈怀亮;余卫东;张弘;刘忠阳;陈占锋;;气象与环境科学;20080815(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574096A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| Zapata et al. | Estimation of the base temperature and growth phase duration in terms of thermal time for four grapevine cultivars | |
| CN116451879A (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| 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 | |
| CN111783516A (zh) | 一种基于深度学习的耕地质量自然等级评价方法 | |
| CN109886496A (zh) | 一种基于气象信息的农产量预测方法 | |
| CN117371727A (zh) | 一种基于物联网的智慧农业监测与规划方法及系统 | |
| Thorsen et al. | Modelling cold hardening and dehardening in timothy. Sensitivity analysis and Bayesian model comparison | |
| CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
| Moyer et al. | Weather during critical epidemiological periods and subsequent severity of powdery mildew on grape berries | |
| Kang et al. | Examining the Impact of Weather Factors on Yield Industry Vitalization on Big Data Foundation Technique | |
| CN117574096B (zh) | 基于大数据的农林有害生物预测方法 | |
| Başakın et al. | Estimation of daily reference evapotranspiration by hybrid singular spectrum analysis-based stochastic gradient boosting | |
| Baran et al. | A two‐step machine‐learning approach to statistical post‐processing of weather forecasts for power generation | |
| CN115510991A (zh) | 一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法 | |
| JP7332554B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| Kesavavarthini et al. | Bias correction of CMIP6 simulations of precipitation over Indian monsoon core region using deep learning algorithms | |
| CN117274825B (zh) | 一种基于遥感技术的作物产出评估方法及系统 | |
| Gommes | Non-parametric crop yield forecasting, a didactic case study for Zimbabwe | |
| CN113822495B (zh) | 基于机器学习模型的长势预测方法、装置、设备及介质 | |
| CN116611588B (zh) | 降水多驱动因子分段率定优化预报方法及系统 | |
| CN117391265B (zh) | 基于大数据分析的林业病虫灾害风险预测方法 | |
| CN116821589B (zh) | 促进生态服务功能提升的植被覆盖度恢复上限计算方法 | |
| US11640642B2 (en) | Method and system for dynamically predicting deoxynivalenol content of wheat at harvest | |
| CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |