CN117808176B - 一种魔芋产量预测方法及设备 - Google Patents

一种魔芋产量预测方法及设备 Download PDF

Info

Publication number
CN117808176B
CN117808176B CN202410233315.4A CN202410233315A CN117808176B CN 117808176 B CN117808176 B CN 117808176B CN 202410233315 A CN202410233315 A CN 202410233315A CN 117808176 B CN117808176 B CN 117808176B
Authority
CN
China
Prior art keywords
konjak
feature vector
data
mapping module
soil
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
Application number
CN202410233315.4A
Other languages
English (en)
Other versions
CN117808176A (zh
Inventor
李永红
吴杨
卢秋云
彭俊文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202410233315.4A priority Critical patent/CN117808176B/zh
Publication of CN117808176A publication Critical patent/CN117808176A/zh
Application granted granted Critical
Publication of CN117808176B publication Critical patent/CN117808176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明公开了一种魔芋产量预测方法及设备，属于魔芋和智慧农业技术领域。预测方法包括：获取魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和风速数据，然后输入第一非线性映射模块得到第一特征向量；获取魔芋幼苗期的土壤、光照和气温数据，然后输入第二非线性映射模块得到第二特征向量；获取魔芋换头期的土壤、光照和气温数据，然后输入第三非线性映射模块得到第三特征向量；将第四特征向量输入第四非线性映射模块，输出得到魔芋产量预测值。本发明将块茎膨大期数据作为主要部分，以幼苗期和换头期数据作为校准部分，从而更好地实现了预测精度与模型复杂度的平衡，更适合实际农业生产场景下的部署和应用。

Description

一种魔芋产量预测方法及设备
技术领域
本发明属于魔芋和智慧农业技术领域，具体地说，涉及一种魔芋产量预测方法及设备。
背景技术
魔芋不仅可以作为保健食品，在食品、医药、化工、石油、纺织等工业领域都具有巨大的开发潜力，国内外市场对魔芋需求越来越旺盛，经济效益巨大。在当前的趋势下，将魔芋种植与信息科学、物联网、人工智能和大数据等技术结合起来，发展智慧农业，是实现优质、高效和可持续发展的一种有效途径，可以实现农民增收，保护生态环境。
发明内容
针对上述现象，本发明提供了一种魔芋产量预测方法及设备，以增强对魔芋种植的管理水平，提升生产效益。
为了达到上述目的，本发明采用的解决方案是：一种魔芋产量预测方法，包括以下步骤：
S100、获取魔芋种植区域内、魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和风速数据；
S200、将步骤S100中获取的数据输入第一非线性映射模块，然后所述第一非线性映射模块输出第一特征向量；
S300、获取所述魔芋种植区域内、魔芋幼苗期的土壤、光照和气温数据；
S400、将步骤S300中获取的数据输入第二非线性映射模块，然后所述第二非线性映射模块输出第二特征向量；
S500、获取所述魔芋种植区域内、魔芋换头期的土壤、光照和气温数据；
S600、将步骤S500中获取的数据输入第三非线性映射模块，然后所述第三非线性映射模块输出第三特征向量；
S700、所述第一特征向量与所述第二特征向量、所述第三特征向量融合，生成第四特征向量；
S800、将所述第四特征向量输入第四非线性映射模块，然后所述第四非线性映射模块输出得到魔芋产量预测值。
进一步地，步骤S100中，获取的土壤数据包括土壤水分、土壤pH值、土壤钾含量和土壤磷含量；
获取的光照数据包括日平均光照强度和日光照时间；
获取的气温数据包括气温日较差和日平均气温；
获取的二氧化碳浓度数据包括日平均二氧化碳浓度；
获取的风速数据包括日平均风速。
进一步地，步骤S300中，获取的土壤数据包括土壤水分和土壤pH值；
获取的光照数据包括日光照时间；
获取的气温数据包括日最高气温和日平均气温。
进一步地，步骤S500中，获取的土壤数据包括土壤钾含量、土壤pH值和土壤氮含量；
获取的光照数据包括日平均光照强度；
获取的气温数据包括日平均气温。
进一步地，所述第二特征向量和所述第三特征向量均与所述第一特征向量长度相等，步骤S700中，所述第一特征向量与所述第二特征向量、所述第三特征向量融合，生成第四特征向量，包括：
所述第一特征向量先与所述第二特征向量通过元素对应乘积融合得到前置综合向量，所述前置综合向量经过核心激活层激活后，生成中置综合向量，所述中置综合向量与所述第三特征向量相加，生成所述第四特征向量。
进一步地，步骤S100中，获取魔芋块茎膨大期内多天的数据；所述第一非线性映射模块内部依次设有第一主体全连接层、第一主体激活层和第二主体激活层，所述第一主体全连接层和所述第一主体激活层均为多个，所述第一主体全连接层与所述第一主体激活层一一对应设置；
所述第一非线性映射模块内部的计算过程包括以下步骤：
A1、将S100中获取的数据分别输入各个第一主体全连接层，其中，同一天的数据输入同一个第一主体全连接层，第一主体全连接层输出的向量经过对应的第一主体激活层激活后，得到第一预制向量；
A2、将各个第一预制向量拼接起来，得到预制矩阵；
A3、对所述预制矩阵进行卷积运算，生成第二预制向量；
A4、所述第二预制向量经过所述第二主体激活层激活后，得到所述第一特征向量。
进一步地，所述第二非线性映射模块包括第一旁侧全连接层和第一旁侧激活层。
进一步地，所述第三非线性映射模块包括第二旁侧全连接层和第二旁侧激活层。
进一步地，所述第四非线性映射模块包括第二主体全连接层和第三主体激活层。
本发明还提供了一种魔芋产量预测设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的魔芋产量预测方法。
本发明的有益效果是：
农作物不同时期的生长情况对最终产量的影响效果是不同的，而现有的产量预测模型并没有对农作物不同时期的数据进行区别性地对待，导致要么预测精度低，要么计算量大；魔芋生长周期包括幼苗期、换头期、块茎膨大期、块茎成熟期和块茎休眠期，本发明将对产量影响较大的块茎膨大期数据作为主要部分，以幼苗期和换头期数据作为校准部分，从而更好地实现了预测精度与模型复杂度的平衡，更适合实际农业生产场景下的部署和应用；
在本发明提供的方法中，通过全连接层与卷积运算的巧妙结合，有机地将魔芋幼苗期、块茎膨大期和换头期数据结合起来，控制数据采集量和计算量的同时，保障了预测结果的准确性。
附图说明
图1为本发明的魔芋产量预测方法的一种流程示意图；
图2为本发明生成第一预制向量的流程示意图；
图3为第一预制向量拼接生成预制矩阵的示意图；
附图中：1-第一非线性映射模块，2-第二非线性映射模块，3-第三非线性映射模块，4-第四非线性映射模块，5-第一预制向量，6-预制矩阵。
实施方式
以下结合附图对本发明作进一步描述：
实施例：在四川西部某地区实施了本发明提出的魔芋产量预测方法，具体实施过程如图1所示，包括：
S100、获取魔芋种植区域内、魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和风速数据；其中，
获取的土壤数据包括土壤水分、土壤pH值、土壤钾含量和土壤磷含量；
获取的光照数据包括日平均光照强度和日光照时间；
获取的气温数据包括气温日较差和日平均气温；
获取的二氧化碳浓度数据包括日平均二氧化碳浓度；
获取的风速数据包括日平均风速。
S200、将步骤S100中获取的数据输入第一非线性映射模块1，然后第一非线性映射模块1输出第一特征向量；
S300、获取魔芋种植区域内、魔芋幼苗期的土壤、光照和气温数据；其中，获取的土壤数据包括土壤水分和土壤pH值；
获取的光照数据包括日光照时间；
获取的气温数据包括日最高气温和日平均气温。
S400、将步骤S300中获取的数据输入第二非线性映射模块2，然后第二非线性映射模块2输出第二特征向量；
S500、获取魔芋种植区域内、魔芋换头期的土壤、光照和气温数据；其中，获取的土壤数据包括土壤钾含量、土壤pH值和土壤氮含量；
获取的光照数据包括日平均光照强度；
获取的气温数据包括日平均气温。
S600、将步骤S500中获取的数据输入第三非线性映射模块3，然后第三非线性映射模块3输出第三特征向量。
在上述的步骤中，S100、S300和S500采集数据的魔芋种植区域相同。其中土壤相关的数据（土壤水分、土壤pH值、土壤钾含量、土壤氮含量和土壤磷含量等）每12小时测量一次，一天测量2次，然后取平均值作为当天的测量结果。光照、气温、二氧化碳浓度和风速都通过设置传感器实时测量数据。获取的数据都预先经过了标准化（如归一化）处理。
S700、第一特征向量与第二特征向量、第三特征向量融合，生成第四特征向量；
S800、将第四特征向量输入第四非线性映射模块4，然后第四非线性映射模块4输出得到每亩土地的魔芋产量预测值。
在本实施例中，步骤S100中，获取魔芋块茎膨大期内9天的数据，这9天可以是连续的，也可以是分散的；第一非线性映射模块内部依次设有第一主体全连接层、第一主体激活层和第二主体激活层，第一主体全连接层和第一主体激活层均为9个，第一主体全连接层与第一主体激活层一一对应设置；
第一非线性映射模块1内部的计算过程包括以下步骤：
A1、如图2所示，将S100中获取的数据分别输入各个第一主体全连接层，其中，同一天的数据输入同一个第一主体全连接层，（例如，第1天的数据输入第1个第一主体全连接层，第2天的数据输入第2个第一主体全连接层，以此类推），第一主体全连接层输出的向量经过对应的第一主体激活层激活后，得到第一预制向量5。
由于获取的魔芋块茎膨大期的数据一共包含了10个维度，所以第一主体全连接层输入层维度为10，第一主体全连接层输出层维度为5，第一主体激活层均采用sigmoid函数实现。9个第一主体激活层输出得到9个维度为5的第一预制向量。
A2、将各个第一预制向量5依次拼接起来，得到预制矩阵6。如图3所示，在预制矩阵6中，每一列的数据对应一个第一预制向量5。拼接后，原本位于第一预制向量5左边的数据位于预制矩阵6的上方，原本位于第一预制向量5右边的数据位于预制矩阵6的下方。第1个第一主体激活层输出的向量位于预制矩阵6的左边，中间各个第一预制向量5从左往右依次排列，直到第9个第一主体激活层输出的向量位于预制矩阵6的右边。因此，本实施例预制矩阵6的宽度为9，高度为5。
A3、对预制矩阵6进行卷积运算，生成第二预制向量。在本实施例中，卷积运算为两次。第一次对预制矩阵卷积运算（卷积核尺寸为3*3、步长为1）后得到宽为7、高为3的过渡矩阵，第二次对过渡矩阵卷积运算（卷积核尺寸为3*3、步长为1）后得到宽为5、高为1的第二预制向量。
A4、第二主体激活层采用ReLU函数实现，第二预制向量经过第二主体激活层激活后，得到长度为5的第一特征向量。
第二非线性映射模块2包括第一旁侧全连接层和第一旁侧激活层，第三非线性映射模块3包括第二旁侧全连接层和第二旁侧激活层，第一旁侧全连接层和第一旁侧激活层、第二旁侧全连接层和第二旁侧激活层均只有一个。S300中获取魔芋幼苗期内7天数据，然后对这7天的各类数据分别求平均值后作为第二非线性映射模块的输入。比如，对幼苗期内7天的土壤水分数据求平均值后的结果输入第一旁侧全连接层。同样的，S500中获取魔芋换头期内7天数据，然后对7天的各类数据求分别平均值后作为第二非线性映射模块的输入。上述幼苗期内7天和换头期内7天可以是连续的7天，也可以是分散的7天。由于获取的魔芋幼苗期和换头期的数据都包含了5个维度，因此，第一旁侧全连接层、第二旁侧全连接层的输入层维度和输出层维度均为5。第一旁侧激活层和第二旁侧激活层均采用sigmoid函数实现，激活后得到的第二特征向量和第三特征向量长度均为5，与第一特征向量保持一致。
步骤S700中，第一特征向量先与第二特征向量通过元素对应乘积融合得到前置综合向量，前置综合向量经过核心激活层（采用Tanh函数实现）激活后，生成中置综合向量，中置综合向量与第三特征向量相加，生成长度为5的第四特征向量。测试结果表明，采用上述的方式融合第一特征向量、第二特征向量和第三特征向量，得到的预测结果更准确。
第四非线性映射模块4包括第二主体全连接层和第三主体激活层，第二主体全连接层输入层维度为5，输出层维度为1，第三主体激活层采用sigmoid函数实现，第三主体激活层激活后输出得到魔芋产量预测值。
在训练集上完成模型训练后，在测试集上的测试结果表明，本发明提供的方法能够比现有技术更加准确地预测魔芋产量。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (9)

1.一种魔芋产量预测方法，其特征在于，包括以下步骤：
S100、获取魔芋种植区域内、魔芋块茎膨大期的土壤、光照、气温、二氧化碳浓度和风速数据；
S200、将步骤S100中获取的数据输入第一非线性映射模块，然后所述第一非线性映射模块输出第一特征向量；
S300、获取所述魔芋种植区域内、魔芋幼苗期的土壤、光照和气温数据；
S400、将步骤S300中获取的数据输入第二非线性映射模块，然后所述第二非线性映射模块输出第二特征向量；
S500、获取所述魔芋种植区域内、魔芋换头期的土壤、光照和气温数据；
S600、将步骤S500中获取的数据输入第三非线性映射模块，然后所述第三非线性映射模块输出第三特征向量；
S700、所述第一特征向量与所述第二特征向量、所述第三特征向量融合，生成第四特征向量；
S800、将所述第四特征向量输入第四非线性映射模块，然后所述第四非线性映射模块输出得到魔芋产量预测值；
步骤S100中，获取魔芋块茎膨大期内多天的数据；所述第一非线性映射模块内部依次设有第一主体全连接层、第一主体激活层和第二主体激活层，所述第一主体全连接层和所述第一主体激活层均为多个，所述第一主体全连接层与所述第一主体激活层一一对应设置；
所述第一非线性映射模块内部的计算过程包括以下步骤：
A1、将S100中获取的数据分别输入各个第一主体全连接层，其中，同一天的数据输入同一个第一主体全连接层，第一主体全连接层输出的向量经过对应的第一主体激活层激活后，得到第一预制向量；
A2、将各个第一预制向量拼接起来，得到预制矩阵；
A3、对所述预制矩阵进行卷积运算，生成第二预制向量；
A4、所述第二预制向量经过所述第二主体激活层激活后，得到所述第一特征向量。
2.根据权利要求1所述的魔芋产量预测方法，其特征在于，步骤S100中，获取的土壤数据包括土壤水分、土壤pH值、土壤钾含量和土壤磷含量；
获取的光照数据包括日平均光照强度和日光照时间；
获取的气温数据包括气温日较差和日平均气温；
获取的二氧化碳浓度数据包括日平均二氧化碳浓度；
获取的风速数据包括日平均风速。
3.根据权利要求1所述的魔芋产量预测方法，其特征在于，步骤S300中，获取的土壤数据包括土壤水分和土壤pH值；
获取的光照数据包括日光照时间；
获取的气温数据包括日最高气温和日平均气温。
4.根据权利要求1所述的魔芋产量预测方法，其特征在于，步骤S500中，获取的土壤数据包括土壤钾含量、土壤pH值和土壤氮含量；
获取的光照数据包括日平均光照强度；
获取的气温数据包括日平均气温。
5.根据权利要求1所述的魔芋产量预测方法，其特征在于，所述第二特征向量和所述第三特征向量均与所述第一特征向量长度相等，步骤S700中，所述第一特征向量与所述第二特征向量、所述第三特征向量融合，生成第四特征向量，包括：
所述第一特征向量先与所述第二特征向量通过元素对应乘积融合得到前置综合向量，所述前置综合向量经过核心激活层激活后，生成中置综合向量，所述中置综合向量与所述第三特征向量相加，生成所述第四特征向量。
6.根据权利要求1所述的魔芋产量预测方法，其特征在于，所述第二非线性映射模块包括第一旁侧全连接层和第一旁侧激活层。
7.根据权利要求1所述的魔芋产量预测方法，其特征在于，所述第三非线性映射模块包括第二旁侧全连接层和第二旁侧激活层。
8.根据权利要求1所述的魔芋产量预测方法，其特征在于，所述第四非线性映射模块包括第二主体全连接层和第三主体激活层。
9.一种魔芋产量预测设备，其特征在于，包括处理器和存储器，所述存储器储存有计算机程序，其特征是：所述处理器通过加载所述计算机程序，用于执行如权利要求1至8任一项所述的魔芋产量预测方法。
CN202410233315.4A 2024-03-01 2024-03-01 一种魔芋产量预测方法及设备 Active CN117808176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410233315.4A CN117808176B (zh) 2024-03-01 2024-03-01 一种魔芋产量预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410233315.4A CN117808176B (zh) 2024-03-01 2024-03-01 一种魔芋产量预测方法及设备

Publications (2)

Publication Number Publication Date
CN117808176A CN117808176A (zh) 2024-04-02
CN117808176B true CN117808176B (zh) 2024-06-04

Family

ID=90433826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410233315.4A Active CN117808176B (zh) 2024-03-01 2024-03-01 一种魔芋产量预测方法及设备

Country Status (1)

Country Link
CN (1) CN117808176B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036830B (zh) * 2024-04-11 2024-06-14 成都信息工程大学 多熟栽培模式下花魔芋产量预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766132A (zh) * 2019-09-10 2020-02-07 淮阴工学院 一种基于物联网的果园产量智能预测系统
CN115829162A (zh) * 2023-01-29 2023-03-21 北京市农林科学院信息技术研究中心 作物产量预测方法、装置、电子设备及介质
CN116307190A (zh) * 2023-03-21 2023-06-23 信通院(江西)科技创新研究院有限公司 一种基于蓝牙mesh网络的果园环境对产量的预测方法
CN117236503A (zh) * 2023-09-20 2023-12-15 电子科技大学长三角研究院(湖州) 一种基于空间信息约束的数据驱动预测方法、系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022221719A2 (en) * 2021-04-16 2022-10-20 Strong Force Vcn Portfolio 2019, Llc Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766132A (zh) * 2019-09-10 2020-02-07 淮阴工学院 一种基于物联网的果园产量智能预测系统
CN115829162A (zh) * 2023-01-29 2023-03-21 北京市农林科学院信息技术研究中心 作物产量预测方法、装置、电子设备及介质
CN116307190A (zh) * 2023-03-21 2023-06-23 信通院(江西)科技创新研究院有限公司 一种基于蓝牙mesh网络的果园环境对产量的预测方法
CN117236503A (zh) * 2023-09-20 2023-12-15 电子科技大学长三角研究院(湖州) 一种基于空间信息约束的数据驱动预测方法、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Strawberry Yield Prediction Based on a Deep Neural Network Using High-Resolution Aerial Orthoimages";Yang Chen等;《remote sensing》;20190704;第1-21页 *
"基于改进灰色马尔可夫模型的花生产量预测研究--以河南省为例";王茜;《中国优秀硕士学位论文全文数据库 基础科学辑》;20230615;第A002-95页 *

Also Published As

Publication number Publication date
CN117808176A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN117808176B (zh) 一种魔芋产量预测方法及设备
Alibabaei et al. Irrigation optimization with a deep reinforcement learning model: Case study on a site in Portugal
Benes et al. Multiscale computational models can guide experimentation and targeted measurements for crop improvement
CN102222313A (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
CN113570048B (zh) 基于电路仿真的忆阻器阵列神经网络的构建及优化方法
CN110119086A (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN114638048A (zh) 三维喷管流场快速预测与敏感性参数分析方法及装置
Patil et al. Rainfall prediction using linear approach & neural networks and crop recommendation based on decision tree
CN201716727U (zh) 基于遥感与gis的地理模拟系统
Peng et al. Growth model and visualization of a virtual jujube tree
CN104764414A (zh) 一种利用群算法的fbg非均匀应变重构方法
CN112364710B (zh) 一种基于深度学习算法的植物电信号分类识别方法
CN114004389A (zh) 一种对农作物产量预测的混合方法
CN110532646B (zh) 基于自适应动态规划的湖库蓝藻水华预测方法
CN116703638A (zh) 大棚蔬菜种植管理系统及其方法
CN115730660B (zh) 基于因果解耦的链接生成方法和相关装置
CN116484193A (zh) 一种作物产量的预测方法、系统、设备及介质
CN113722951B (zh) 基于神经网络的散射体三维有限元网格优化方法
CN112215351B (zh) 增强的多尺度卷积神经网络软测量方法
Milroy et al. Row configuration in rainfed cotton systems: modification of the OZCOT simulation model
CN112348175A (zh) 一种基于强化学习来进行特征工程的方法
CN118036830B (zh) 多熟栽培模式下花魔芋产量预测方法
Jin et al. Application of deep learning based on thermal images to identify the water stress in cotton under film-mulched drip irrigation
CN116453583B (zh) 一种lucc的元胞自动机矫正的蛋白核藻类变化模拟方法
CN117764762B (zh) 用于提高玉米种植中氮肥利用率的方法

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