CN117744861A - 物候期预测方法、装置、电子设备及存储介质 - Google Patents
物候期预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117744861A CN117744861A CN202311684417.XA CN202311684417A CN117744861A CN 117744861 A CN117744861 A CN 117744861A CN 202311684417 A CN202311684417 A CN 202311684417A CN 117744861 A CN117744861 A CN 117744861A
- Authority
- CN
- China
- Prior art keywords
- weather
- period
- predicted
- prediction
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 17
- 230000012010 growth Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 244000144730 Amygdalus persica Species 0.000 description 7
- 235000006040 Prunus persica var persica Nutrition 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000008267 milk Substances 0.000 description 3
- 210000004080 milk Anatomy 0.000 description 3
- 235000013336 milk Nutrition 0.000 description 3
- 230000005070 ripening Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 235000021062 nutrient metabolism Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧农业技术领域,提供一种物候期预测方法、装置、电子设备及存储介质,所述方法包括:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到待预测物候期的气象累计值;将气象累计值输入至物候期预测模型,得到预测结果,预测结果是待预测物候期的预测时间序数;将预测时间序数转化为预测日期,得到待预测物候期对应的日期。该物候期预测方法基于与物候期相关的气象数据预测物候期,气象数据采集较为简单,气象数据采集设备成本较低,降低了物候期预测成本;通过累计的方式扩大计算数值的量纲,从而降低小幅度的数值变化对预测结果的影响程度,控制预测误差,提高模型预测的准确度。
Description
技术领域
本发明涉及智慧农业技术领域,尤其涉及一种物候期预测方法、装置、电子设备及存储介质。
背景技术
物候期是指作物的生长、发育、活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。物候期是作物生长的重要信息,作物物候期的识别和预测是作物种类的识别、分类以及作物产量估计等的重要方法,是指导农业生产、施肥灌溉等田间管理、作物长势分析、产量估计和制定计划决策等的重要依据。
目前,通常使用机理模型来预测作物的物候期,具体地,通过建立作物生长的水分代谢、养分代谢、干物质积累等生理模型,从而通过数字化方式模拟作物生长过程,达到预测生长阶段物候期时间的目的。然而该方法需要大量精密实验仪器进行数据测定后,才能基于这些数据进行物候期预测。
因此,如何降低物候期预测成本成为亟待解决的技术问题。
发明内容
本发明提供一种物候期预测方法、装置、电子设备及存储介质,用以解决现有技术中物候期预测成本较高的缺陷,降低物候期预测成本。
本发明提供一种物候期预测方法,包括:
对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;
将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;
将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
根据本发明提供的一种物候期预测方法,所述物候期预测模型是基于如下步骤建立的:
基于所述待预测物候期在每个地区的多个历史日期,确定待预测作物在各所述地区的平均时间序数;
基于各所述地区历年的气象数据和各所述地区的平均时间序数,确定各所述地区的气象累计值;
基于各所述地区的气象累计值和所述待预测物候期在各所述地区的历史日期对应的时间序数,建立所述物候期预测模型。
根据本发明提供的一种物候期预测方法,各所述地区的气象数据是所述地区内一个或多个格点气象数据的均值,所述格点气象数据是一个气象格点的气象数据,所述气象格点是对所述地区进行网格划分后得到的多个网格中的一格。
根据本发明提供的一种物候期预测方法,所述气象数据包括一个或多个气象参数,各所述地区的气象累计值对应包括一个或多个参数累计值,所述基于各所述地区历年的气象数据和各所述地区的平均时间序数,确定各所述地区的气象累计值,包括:
对各所述地区,分别将平均时间序数的各所述气象参数进行累加,得到各所述气象参数的参数累计值。
根据本发明提供的一种物候期预测方法,所述基于各所述地区的气象累计值和所述待预测物候期在各所述地区的历史日期对应的时间序数,建立所述物候期预测模型,包括:
以各所述地区的气象累计值为自变量,以所述待预测物候期在各所述地区的历史日期对应的时间序数为因变量,建立所述待预测物候期的多元回归方程,得到所述物候期预测模型。
根据本发明提供的一种物候期预测方法,所述平均时间序数的气象数据包括真实气象数据和预测气象数据:
所述真实气象数据是当前日期之前的气象数据;
所述预测气象数据是所述当前日期之后的气象数据,所述预测气象数据是历年同期的气象数据的均值。
根据本发明提供的一种物候期预测方法,所述气象数据包括日平均气温、日最高气温、日最低气温、日平均光照强度、日降雨量、日平均风速、日平均大气湿度和日平均气压中的至少一种。
本发明还提供一种物候期预测装置,包括:
数据处理模块,用于:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;
模型预测模块,用于:将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;
日期转换模块,用于:将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
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物候期预测方法。
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物候期预测方法。
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物候期预测方法。
本发明提供的物候期预测方法、装置、电子设备及存储介质,对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。本发明提供的物候期预测方法基于与物候期相关的气象数据预测物候期,气象数据采集较为简单,气象数据采集设备成本较低,降低了物候期预测成本;通过累计的方式扩大计算数值的量纲,从而降低小幅度的数值变化对预测结果的影响程度,控制预测误差,提高模型预测的准确度。
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是本发明提供的物候期预测方法的流程示意图;
图2是本发明提供的物候期预测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
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作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。
物候期是指作物的生长、发育、活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。物候期是作物生长的重要信息,作物物候期的识别和预测是作物种类的识别、分类以及作物产量估计等的重要方法,是指导农业生产、施肥灌溉等田间管理、作物长势分析、产量估计和制定计划决策等的重要依据。
对物候期的预测主要有基于时间间隔模型的预测方法和基于机理模型的预测方法:时间间隔模型是统计历年作物不同物候期阶段之间的时间差值,用该差值来预测未来该作物物候期的时间阶段,然而时间间隔模型受影响因素较多,如气候、作物养分等,每年作物生长发育程度都有差异,造成预测不够准确;机理模型是通过建立作物生长的水分代谢、养分代谢、干物质积累等生理模型,从而通过数字化方式模拟作物生长过程,达到预测生长阶段物候期时间的目的,然而机理模型需要大量精密实验仪器进行数据测定和数据的积累,才能建立作物生长模型,成本和周期都比较高。
针对上述问题,本发明提出以下各实施例。图1是本发明提供的物候期预测方法的流程示意图,如图1所示,该物候期预测方法可以包括:
S110、对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值。
本发明实施例中,该物候期预测方法的执行主体可以为物候期预测设备,该物候期预测设备可以包括但不限于:服务器、台式电脑、笔记本电脑、平板电脑、手机等等。该物候期预测方法的执行主体还可以为物候期预测系统,该物候期预测系统归属于该物候期预测设备。
此处,目标地区的范围大小不限。优选地,由于不同地区的气象数据差异较大,因此同一作物品种在不同地区的物候期具有差异,为了提高物候期预测的准确性,目标地区可以以县域为单位。
本发明实施例中,所述气象数据表征所述目标地区一天的气象状态,所述气象数据的累加天数是所述待预测物候期的平均时间序数,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数。
此处,气象数据包括多种影响作物物候期的气象指标,如温度、日照、降雨等气象指标。时间序数是日期对应的天数,例如,2023年1月23日对应的时间序数为23,2023年2与3日对应的时间序数为31+3=34,2023年4月20日对应的时间序数为31+28+31+20=110。若待预测物候期的平均时间序数为110,则气象累计值即为这110天的气象数据的累加值,当气象数据包括温度、日照和降雨量时,气象累计值包括这110天的温度的累加值、日照强度的累加值,以及降雨量的累加值。
此处,平均时间序数是待预测物候期的历年平均日期对应的天数,也就是待预测物候期的历年时间序数的平均值,例如,北京平谷区连续4年的桃树的开花期分别是每年4月20日、4月21日、4月23日,以及4月24日,则平谷区桃树4年平均开花时间是对4个日期的平均,即4月22日,平均时间序数为4月22日对应的时间序数,即31+28+31+22=112。此外,可以理解的是,历史数据的年份并不限定为四年,可以根据实际使用需求进行相应调整,如三年、五年、六年等,平均时间序数为整数,即对历年时间序数的平均值进行取整,取整方式不限,例如可以是四舍五入取整、向下取整、向上取整。
S120、将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数。
此处,物候期预测模型是预先训练或建立的模型,用于基于气象累计值,确定待预测物候期的时间序数。物候期预测模型采用的算法在此不做限制,可以使用统计方法建立模型,也可以使用机器学习算法训练模型。
此处,气象累计值包括n个维度的气象指标,对应的物候期预测模型的输入包括n个维度的数据,物候期预测模型的输出为基于输入数据预测的待预测物候期的时间序数。可以理解的是,物候期预测模型用于对某一特定的物候期进行预测,不同物候期的预测使用不同的物候期预测模型,例如萌芽期的预测使用萌芽期对应的物候期预测模型,开花期的预测使用开花期对应的物候期预测模型,果实采收期的预测使用果实采收期对应的物候期预测模型。
优选地,由于不同气候带地区的气候不同,造成同一作物在不同气候带地区的物候期相差较大,因此,对不同的气候带地区构建不同的物候期预测模型,在进行物候期预测时,使用对应的物候期预测模型进行预测。例如,华北平原气候带统一建立一个物候期预测模型,华北平原气候带中的各地区均可使用该物候期预测模型来预测物候期,新疆气候带统一建立另一个物候期预测模型,新疆气候带中的各地区使用该物候期预测模型来预测物候期。可以理解的是,气候带的划分方式可以根据使用需求进行设定。
S130、将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
此处,预测日期可以是待预测物候期的开始日期,也可以是待预测物候期的结束日期。当物候期预测模型用于确定待预测物候期的开始日期时,使用多个不同的物候期对应的模型分别预测各物候期的开始日期,确定当前待预测物候期的持续阶段为当前待预测物候期对应的物候期预测模型确定的预测日期,至,下一个物候期对应的物候期预测模型确定的预测日期。例如,对于某一地区的玉米的物候期预测,当前待预测物候期为开花期,则使用开花期对应的物候期预测模型确定开花期的开始日期,记为第一日期,下一阶段的物候期为乳熟期,使用乳熟期对应的物候期预测模型确定乳熟期的开始日期,记为第二日期,则可以确定该地区的玉米的开花期为第一日期至第二日期。物候期预测模型用于确定待预测物候期的结束日期时,物候期的确定方法同理,在此不再赘述。为便于理解,下述各实施例均以预测开始日期为例进行说明。
本申请实施例提供的物候期预测方法,对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。本发明提供的物候期预测方法基于与物候期相关的气象数据预测物候期,气象数据采集较为简单,气象数据采集设备成本较低,降低了物候期预测成本;通过累计的方式扩大计算数值的量纲,从而降低小幅度的数值变化对预测结果的影响程度,控制预测误差,提高模型预测的准确度。
在可选的实施例中,所述物候期预测模型是基于如下步骤建立的:
基于所述待预测物候期在每个地区的多个历史日期,确定待预测作物在各所述地区的平均时间序数;
基于各所述地区历年的气象数据和各所述地区的平均时间序数,确定各所述地区的气象累计值;
基于各所述地区的气象累计值和所述待预测物候期在各所述地区的历史日期对应的时间序数,建立所述物候期预测模型。
此处,分别采集每个地区的待预测物候期的历年日期,基于这些日期,分别确定每个地区的平均时间序数,例如,待预测物候期为开花期,共有三个地区四年的开花期数据,其中一个地区为北京平谷区,桃树连续四年的开花期分别为2020年4月20日、2021年4月21日、2022年4月23日,以及2023年4月24日,则确定平谷区的平均时间序数为112,同理确定其他三个地区的平均时间序数。
此处,对于每一个地区历史多年的气象数据,分别累加得到各年的气象累计值。以上述北京平谷区桃树的开花期为例,分别将四年的气象数据进行累加,也就是说,对于2020年,将112天的气象数据进行累加,即将2020年1月1日的气象数据至2020年4月22日的气象数据进行累加,对于2021年,将2021年1月1日的气象数据至2021年4月22日的气象数据进行累加,以此类推,得到平谷区四年的气象累计值。其他地区的气象累计值的计算同理。
此处,一个地区一年的待预测物候期的实际观测日期对应的时间序数,以及该地区该年的气象累计值作为一个样本数据。使用多个地区多年的样本数据进行训练,得到物候期预测模型。
优选地,多个地区是同一气候带中的地区,训练得到的物候期预测模型用于对作物在该气候带中的地区的物候期进行预测。
本申请实施例提供的物候期预测方法,使用多个地区的样本数据训练模型,使得训练得到的物候期预测模型适用范围广,可以对多个地区的物候期进行有效预测,为作物物候期的科学管理提供基础支撑与参考依据;基于时间序数建立模型,而不使用具体的日期,简化了计算,减少计算量,提高计算效率。
在可选的实施例中,各所述地区的气象数据是所述地区内一个或多个格点气象数据的均值,所述格点气象数据是一个气象格点的气象数据,所述气象格点是对所述地区进行网格划分后得到的多个网格中的一格。
此处,以一个地区是一个县域为例,一个县域内气象数据差异不大,可在一个县域内的一个或多个气象格点采集同一个日期的气象数据后,计算气象数据的均值,作为该县域在该日期的气象数据。
可选地,气象格点为5公里*5公里的大小,或1公里*1公里的大小。
本申请实施例提供的物候期预测方法,对地区进行网格划分后,基于多个网格的气象数据确定该地区的气象数据,使得确定的气象数据能够准确刻画该地区的气象情况,提高气象数据的精确度,从而提高模型预测的准确性。
在可选的实施例中,所述气象数据包括一个或多个气象参数,各所述地区的气象累计值对应包括一个或多个参数累计值,所述基于各所述地区历年的气象数据和各所述地区的平均时间序数,确定各所述地区的气象累计值,包括:
对各所述地区,分别将平均时间序数的各所述气象参数进行累加,得到各所述气象参数的参数累计值。
例如,气象数据包括温度、湿度、光照强度、降雨量四个气象参数,对于北京平谷区2020年的桃树开花期4月20日,该地区的平均时间序数为112,则气象累计值包括112天的温度累计值、湿度累计值、光照强度累计值以及降雨量累计值,温度累计值即2020年1月1日至4月22日的每一天温度的累加之和,湿度累计值即2020年1月1日至4月22日的每一天湿度的累加之和,光照强度累计值即2020年1月1日至4月22日的每一天光照强度的累加之和,降雨量累计值即2020年1月1日至4月22日的每一天降雨量的累加之和。
此处,通过累加的方式扩大计算数值的量纲,用较大的数值对应天数变化,例如从1累加到100,参与计算的求和值为5050,数值纲量达到千位,若用平均值,则参与计算的平均值为50.5,数值纲量仅到十位,意味着数值仅仅小幅变化,例如结果变为52,物候期预测模型计算结果对应的天数可能发生大幅变化,不利于控制预测误差。
本申请实施例提供的物候期预测方法,可以通过多个气象参数全面刻画气象状态,从而提高气象数据的精确度,进而提高模型预测的准确性;通过累加的方式扩大计算数值的量纲,用较大的数值对应天数变化。
在可选的实施例中,所述基于各所述地区的气象累计值和所述待预测物候期在各所述地区的历史日期对应的时间序数,建立所述物候期预测模型,包括:
以各所述地区的气象累计值为自变量,以所述待预测物候期在各所述地区的历史日期对应的时间序数为因变量,建立所述待预测物候期的多元回归方程,得到所述物候期预测模型。
例如,对于北京平谷区的桃树的开花期,2020年的气象累计值以及4月20日对应的时间序数是一个样本数据,也即2020年的气象累计值以及时间序数110是一个样本数据,其中,2020年的气象累计值作为自变量,时间序数110作为因变量;2021年的气象累计值以及4月21日对应的时间序数是一个样本数据,也即2021年的气象累计值以及时间序数111是一个样本数据,其中,2021年的气象累计值作为自变量,时间序数111作为因变量;以此类推,基于样本数据建立多元回归方程。
此处,多元回归方程只分析建立气象数据中各气象参数与物候期时间序数之间的计算逻辑,不涉及其他因素,因此各地区、多年的数据可以均参与计算,扩大模型的使用范围。
本申请实施例提供的物候期预测方法,通过多元回归方程建立物候期预测模型,实现方式简单,仅需要少量数据即可建立模型,一方面降低模型建立的成本,另一方面,距当前时间较近的数据更具有参考价值,通过使用近几年多个地区的数据即可成功建立模型,且模型预测准确性较高。
基于上述任一实施例,所述平均时间序数的气象数据包括真实气象数据和预测气象数据:
所述真实气象数据是当前日期之前的气象数据;
所述预测气象数据是所述当前日期之后的气象数据,所述预测气象数据是历年同期的气象数据的均值。
例如,当前日期为2023年4月1日,北京平谷区桃树开花期的平均时间序数为112天,为了预测2023年准确的开花期时间点,需要计算112天的气象累计值,对于1月1日至4月1日的气象数据,可以直接获取平谷区真实的历史气象数据,而对于4月2日至4月22日的气象数据,需要使用预测气象数据,以4月2日为例,其气象数据为历史若干年4月2日的气象数据的均值,例如是2022年4月2日、2021年4月2日、2020年4月2日的气象数据的均值。
可以理解的是,预测气象数据的计算使用的历史数据的年份不限,可以是近五年的均值、近四年的均值等。优选地,基于近三年的同期气象数据进行计算。
本申请实施例提供的物候期预测方法,对当前日期之前的气象数据采用真实的气象数据,更符合当年的实际情况;对于当前日期之后的气象数据采用历史同期几年的气象数据均值预测,控制预测误差,提高预测的准确性。
在另一实施例中,距离当前日期最近的物候期的预测基于气象预报数据进行计算,从而更符合当年的实际情况,之后的物候期的预测基于历年同期气象数据进行计算。例如,当前日期为2023年4月1日,距离当前日期最近的物候期为开花期,对于开花期的预测,4月1日前的气象数据使用真实的历史气象数据,对于4月2日至4月22日的气象数据,使用气象预报数据,对于开花期之后的物候期,例如结果期,使用历年同期的气象数据来计算。
本申请实施例提供的物候期预测方法,对下一物候期的预测,采用当年真实的气象数据,更符合当年的实际情况;对远期物候期采用历史同期几年的气象数据均值预测,控制预测误差,进一步提高预测的准确性。
基于上述任一实施例,所述气象数据包括日平均气温、日最高气温、日最低气温、日平均光照强度、日降雨量、日平均风速、日平均大气湿度和日平均气压中的至少一种。
本申请实施例提供的物候期预测方法,通过与物候期强相关的气象参数来表征一日的气象状况,准确、全面地刻画气象状态,从而准确确定物候期与气象数据的关系,提高物候期预测模型的准确性。
下面对本发明提供的物候期预测装置进行描述,下文描述的物候期预测装置与上文描述的物候期预测方法可相互对应参照。
图2是本发明提供的物候期预测装置的结构示意图,如图2所示,该物候期预测装置,包括:
数据处理模块210,用于:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;
模型预测模块220,用于:将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;
日期转换模块230,用于:将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
本发明提供的物候期预测装置,对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。本发明提供的物候期预测方法基于与物候期相关的气象数据预测物候期,气象数据采集较为简单,气象数据采集设备成本较低,降低了物候期预测成本;通过累计的方式扩大计算数值的量纲,从而降低小幅度的数值变化对预测结果的影响程度,控制预测误差,提高模型预测的准确度。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行物候期预测方法,该方法包括:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
此外,上述的存储器330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物候期预测方法,该方法包括:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
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物候期预测方法,该方法包括:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
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 (10)
1.一种物候期预测方法,其特征在于,包括:
对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;
将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;
将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
2.根据权利要求1所述的物候期预测方法,其特征在于,所述物候期预测模型是基于如下步骤建立的:
基于所述待预测物候期在每个地区的多个历史日期,确定待预测作物在各所述地区的平均时间序数;
基于各所述地区历年的气象数据和各所述地区的平均时间序数,确定各所述地区的气象累计值;
基于各所述地区的气象累计值和所述待预测物候期在各所述地区的历史日期对应的时间序数,建立所述物候期预测模型。
3.根据权利要求2所述的物候期预测方法,其特征在于,各所述地区的气象数据是所述地区内一个或多个格点气象数据的均值,所述格点气象数据是一个气象格点的气象数据,所述气象格点是对所述地区进行网格划分后得到的多个网格中的一格。
4.根据权利要求2所述的物候期预测方法,其特征在于,所述气象数据包括一个或多个气象参数,各所述地区的气象累计值对应包括一个或多个参数累计值,所述基于各所述地区历年的气象数据和各所述地区的平均时间序数,确定各所述地区的气象累计值,包括:
对各所述地区,分别将平均时间序数的各所述气象参数进行累加,得到各所述气象参数的参数累计值。
5.根据权利要求2所述的物候期预测方法,其特征在于,所述基于各所述地区的气象累计值和所述待预测物候期在各所述地区的历史日期对应的时间序数,建立所述物候期预测模型,包括:
以各所述地区的气象累计值为自变量,以所述待预测物候期在各所述地区的历史日期对应的时间序数为因变量,建立所述待预测物候期的多元回归方程,得到所述物候期预测模型。
6.根据权利要求1-5中任一项所述的物候期预测方法,其特征在于,所述平均时间序数的气象数据包括真实气象数据和预测气象数据;
所述真实气象数据是当前日期之前的气象数据;
所述预测气象数据是所述当前日期之后的气象数据,所述预测气象数据是历年同期的气象数据的均值。
7.根据权利要求1-5中任一项所述的物候期预测方法,其特征在于,所述气象数据包括日平均气温、日最高气温、日最低气温、日平均光照强度、日降雨量、日平均风速、日平均大气湿度和日平均气压中的至少一种。
8.一种物候期预测装置,其特征在于,包括:
数据处理模块,用于:对待预测物候期在目标地区对应的平均时间序数的气象数据进行累加,得到所述待预测物候期的气象累计值,所述气象数据表征所述目标地区一天的气象状态,所述平均时间序数是所述待预测物候期的历史平均日期所对应的天数;
模型预测模块,用于:将所述气象累计值输入至物候期预测模型,得到所述物候期预测模型输出的预测结果,所述预测结果是所述待预测物候期的预测时间序数;
日期转换模块,用于:将所述预测时间序数转化为预测日期,得到所述待预测物候期对应的日期。
9.一种电子设备,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7任一项所述物候期预测方法。
10.一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7任一项所述物候期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684417.XA CN117744861A (zh) | 2023-12-08 | 2023-12-08 | 物候期预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684417.XA CN117744861A (zh) | 2023-12-08 | 2023-12-08 | 物候期预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117744861A true CN117744861A (zh) | 2024-03-22 |
Family
ID=90276775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684417.XA Pending CN117744861A (zh) | 2023-12-08 | 2023-12-08 | 物候期预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744861A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264018A (zh) * | 2019-07-09 | 2019-09-20 | 北京兴农丰华科技有限公司 | 一种基于历年有效积温的冬小麦生育期预测方法 |
CN110889547A (zh) * | 2019-11-20 | 2020-03-17 | 中国农业大学 | 一种作物生育期预测方法及装置 |
RU2770821C1 (ru) * | 2020-11-30 | 2022-04-22 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет имени М.В.Ломоносова» (МГУ) | Способ прогноза урожайности сельскохозяйственных культур посредством определения комплекса метеорологических параметров в суточном разрешении |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
CN116362399A (zh) * | 2023-03-31 | 2023-06-30 | 青海省气象科学研究所 | 一种基于气候变化的小麦物候期和产量预测方法及系统 |
CN116451823A (zh) * | 2022-12-15 | 2023-07-18 | 陕西省农业遥感与经济作物气象服务中心 | 一种基于气象主控因子的苹果产量预测方法 |
-
2023
- 2023-12-08 CN CN202311684417.XA patent/CN117744861A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264018A (zh) * | 2019-07-09 | 2019-09-20 | 北京兴农丰华科技有限公司 | 一种基于历年有效积温的冬小麦生育期预测方法 |
CN110889547A (zh) * | 2019-11-20 | 2020-03-17 | 中国农业大学 | 一种作物生育期预测方法及装置 |
RU2770821C1 (ru) * | 2020-11-30 | 2022-04-22 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет имени М.В.Ломоносова» (МГУ) | Способ прогноза урожайности сельскохозяйственных культур посредством определения комплекса метеорологических параметров в суточном разрешении |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
CN116451823A (zh) * | 2022-12-15 | 2023-07-18 | 陕西省农业遥感与经济作物气象服务中心 | 一种基于气象主控因子的苹果产量预测方法 |
CN116362399A (zh) * | 2023-03-31 | 2023-06-30 | 青海省气象科学研究所 | 一种基于气候变化的小麦物候期和产量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dahane et al. | An IoT based smart farming system using machine learning | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN110633841B (zh) | 基于集合采样的省级范围地块尺度数据同化产量预测方法 | |
CN109615148B (zh) | 一种确定玉米气象产量的方法和系统 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN115860581B (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
Lad et al. | Factors affecting agriculture and estimation of crop yield using supervised learning algorithms | |
CN116502050B (zh) | 全球通量站点蒸散发观测缺失的动态插补方法与系统 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN109615149B (zh) | 一种确定甜菜气象产量的方法和系统 | |
CN117744861A (zh) | 物候期预测方法、装置、电子设备及存储介质 | |
CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
CN109858678A (zh) | 一种确定向日葵气象产量的方法和系统 | |
CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
CN114626010A (zh) | 一种基于CatBoost的灌溉量计算方法及系统 | |
CN117236519B (zh) | 水肥调控方法、装置、电子设备和存储介质 | |
CN117933946B (zh) | 一种基于大数据的乡村业务管理方法 | |
CN116542403B (zh) | 作物产量预测方法、装置、电子设备及可读存储介质 | |
CN111241485B (zh) | 一种新型作物产量对气候变化响应的诊断方法 | |
CN117784290B (zh) | 一种基于贝叶斯神经网络的骤旱预警方法及系统 | |
WO2023119529A1 (ja) | 生育予測装置、生育予測方法、及び生育予測プログラム | |
CN116386031A (zh) | 一种果树养分胁迫诊断方法及系统 | |
CN118246604A (zh) | 一种作物模块化生长数据采集及生长预测系统 |
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 |