TWM572533U - Crop yield management analysis system - Google Patents
Crop yield management analysis system Download PDFInfo
- Publication number
- TWM572533U TWM572533U TW107214035U TW107214035U TWM572533U TW M572533 U TWM572533 U TW M572533U TW 107214035 U TW107214035 U TW 107214035U TW 107214035 U TW107214035 U TW 107214035U TW M572533 U TWM572533 U TW M572533U
- Authority
- TW
- Taiwan
- Prior art keywords
- production
- value
- supply
- crop
- estimated
- Prior art date
Links
Abstract
一種農作物產期產量管理分析系統,用以解決習知農作物產量供需失衡的問題。係包含:一需求端,用以輸出一需求產期及一產量需求值;數個供應端,用以各別輸出一供應產期及一產量供應值;數個檢測平台,用以分別取得農作物種植過程中的一生長參數組;及一管理平台,將該產量需求值進行分配給該供應產期與該需求產期有產生重疊的該數個供應端中的至少一供應端,對該至少一供應端的生長參數組進行解析,以取得一預估產期及一產量預估值,計算取得該至少一供應端於該預估產期內的一總產量預估值,分析該總產量預估值是否符合該產量需求值,以產生一配套措施。
Description
本創作係關於一種管理分析系統,尤其是一種能夠用以分析特定期間內的農作物之總產量預估值是否符合產量需求值的農作物產期產量管理分析系統。
農產品為民生所需,亦是農民生計的主要來源。近年來由於氣候異常與快速變遷,因此,對全球農業造成嚴重的衝擊,進而影響農作物的產期、產量,以及對農作物之價格產生劇烈的波動。再且,由於農作物之產量及價格往往受限於產地、產季、耕種作業及種植過程的氣候等因素影響,因此,在未能有效掌握上述因素的情形之下,使得農民農作物實際收成結果與原先預估產量、產期大幅差距,亦使得最終供應量與需求量無法平衡,導致農作物之價格暴漲或是產量過剩之供需失衡的問題。
有鑑於此,有必要提供一種管理分析系統,以解決上述之問題。
為解決上述問題,本創作的目的是提供一種農作物產期產量管理分析系統,能夠用以分析特定期間內的農作物之總產量預估值是否符合產量需求值者。
本創作的農作物產期產量管理分析系統,包含:一需求端,用以輸出一需求產期及一產量需求值;數個供應端,用以各別輸出所屬的種植
農地之農作物的一供應產期及一產量供應值;數個檢測平台,用以分別對種植於各該種植農地之農作物進行檢測,以分別取得農作物種植過程中的一生長參數組;及一管理平台,耦接該需求端、該數個供應端及該數個檢測平台,該管理平台將該產量需求值進行分配,以分配給該供應產期與該需求產期有產生重疊的該數個供應端中的至少一供應端,對該至少一供應端的生長參數組進行解析,以取得一預估產期及一產量預估值,計算取得該至少一供應端於該預估產期內的一總產量預估值,分析該總產量預估值是否符合該產量需求值,以產生一配套措施。
據此,本創作的農作物產期產量管理分析系統,能夠將該產量需求值分配給該供應產期與該需求產期有產生重疊的至少一供應端,計算取得該至少一供應端於該預估產期內的一總產量預估值,並確認該總產量預估值是否符合該產量需求值,以產生一配套措施。藉此,本創作農作物產期產量管理分析系統能夠避免最後的實際產量與該產量需求值相差甚遠,係具有維持農作物產量供需平衡以穩定市場價格的功效。
其中,當該總產量預估值大於該產量需求值時,該配套措施係為該管理平台計算該總產量預估值與該產量需求值之產量差額,供提早擬定配套措施以解決該農作物過剩問題。如此,本創作農作物產期產量管理分析系統係具有可以提早解決問題,以避免因農作物產量生產過剩,而導致農作物價格大幅崩盤的功效。
其中,當該總產量預估值小於該產量需求值時,該配套措施係為該管理平台計算該產量需求值與該總產量預估值之產量差額,供提早擬定配套措施以解決該農作物不足問題。如此,本創作農作物產期產量管理分析系統係具有可以提早解決問題,以避免發生缺貨情況,進而造成農作物價格大幅上漲的功效。
其中,各該檢測平台以一環境感測模組感測各該種植農地之環境因子,以分別取得一環境參數組,該管理平台對各該生長參數組及各該環境參數組進行解析,以分別取得各該農作物的預估產期及產量預估值。如此,本創作農作物產期產量管理分析系統係具有掌握各該農地實際生長的環境,以利通路商提早因應各該農地環境的變化,以確保農作物最終實際的產量能符合該產量需求值的功效。
其中,該管理平台係將各該生長參數組及各該環境參數組輸入一學習預測模型中,以計算取得各該農作物的預估產期及產量預估值。如此,本創作農作物產期產量管理分析系統係具有提升分析農作物的產量預估值精準度的功效。
其中,該學習預測模型能夠對該環境參數組之訓練資料執行一特徵萃取處理,該特徵萃取處理可依據農作物於各生長階段的一有效積溫要求門檻值、特定環境因子數據要求門檻值或特定田間作業行為紀錄進行生長階段的時間點切割,再針對該環境參數組依據各時間點進行各生長階段之特徵萃取處理。如此,本創作農作物產期產量管理分析系統係具有提升資料可用性的功效。
其中,該管理平台依據該環境參數組判斷是否有農作物災情發生,若符合農作物災情發生之判斷條件時,該管理平台提供農作物災情預警通報,以供該至少一供應端所屬的農民可因應處理,或改善農地及農作物的情況。如此,本創作農作物產期產量管理分析系統能夠提供因應的策略,減輕農作物產量因災害所造成的耗損的功效。
其中,該管理平台依據改善後的農地及農作物的情況,重新評估該農地所種植的農作物的預估產期及產量預估值。如此,本創作農作物產期產量管理分析系統係具有進一步提升分析農作物的預估產期及產量預估值
精準度的功效。
1‧‧‧需求端
2‧‧‧供應端
3‧‧‧檢測平台
4‧‧‧管理平台
41‧‧‧儲存單元
〔第1圖〕本創作一較佳實施例的系統方塊圖。
為讓本創作之上述及其他目的、特徵及優點能更明顯易懂,下文特舉本創作之較佳實施例,並配合所附圖式,作詳細說明如下:請參照第1圖所示,其係本創作農作物產期產量管理分析系統的第一實施例,係包含一需求端1、數個供應端2、數個檢測平台3及一管理平台4,該管理平台4耦接該需求端1、該數個供應端2及該數個檢測平台3。
該需求端1能夠用以輸出一需求產期及一產量需求值,該產量需求值係為該需求端1所屬的農產流通商或通路商,於該需求產期內所欲收購之農作物產量。該需求端1可以為一桌上型電腦或一行動裝置,惟不以此為限。
該數個供應端2能夠用以各別輸出所屬的種植農地之農作物的一供應產期及一產量供應值,該產量供應值係為各該供應端2所屬的用戶(如:供應農民或供應農場),的種植農地之農作物生產量。各該供應端2可以為一桌上型電腦或一行動裝置,惟不以此為限。
各該檢測平台3能夠用以對種植於各該種植農地之農作物進行檢測,以分別取得農作物種植過程中的一生長參數組,該數個檢測平台3的數量較佳係等同於該數個供應端2的數量。例如但不限制地,各該檢測平台3可以包含選自一莖稈直徑檢測器、一徑流檢測器及一葉片厚度檢測器中
的至少一個檢測器。其中,該生長參數組係可以包含選自一種植作業紀錄、一栽培期程紀錄及一收成結果紀錄中的至少一種。較佳地,各該檢測平台3還能夠以一環境感測模組感測各該種植農地之環境因子,以分別取得一環境參數組。該環境參數組係可以包含選自一農地環境的一大氣溫度、一大氣濕度、一土壤溫度、一土壤濕度、一土壤PH、一土壤EC、一光量子、一光輻射、一雨量、一水位、一風向及一風速中的至少一個,惟不以此為限。
該管理平台4能夠耦接該需求端1、該數個供應端2及該數個檢測平台3,該管理平台4可以為任何具有高計算能力,且能夠透過網路同時提供多個用戶使用特定服務的電腦,例如可以為一工作群組級伺服器、一部門級伺服器或一企業級伺服器,惟不以此為限。該管理平台4係能夠將該產量需求值分配給該數個供應端2中的至少一供應端2,並分析該至少一供應端2的種植農地之農作物的一總產量預估值是否符合該產量需求值,以產生一配套措施。
具體而言,該管理平台4係可以將該產量需求值分配給該供應產期與該需求產期有產生重疊的至少一供應端1,使該至少一供應端1所屬的種植農地依據分配到的部份產量需求值種植相對應數量的農作物。其中,該分配的方式在本創作中不加以限制,舉例而言,該管理平台4能夠以一儲存單元41紀錄各該供應端1所擅長種植的農作物種類。藉此,該管理平台4在分配時,能夠將較多部份的產量需求值分配給較擅長種植所需的農作物的供應端1。
該管理平台4係能夠對各該生長參數組及/或各該環境參數組進行解析,以分別取得各該農作物的一預估產期及一產量預估值。詳言之,該管理平台4係能夠將各該生長參數組及/或各該環境參數組輸入一學習預測模型中,以計算取得各該農作物的預估產期及產量預估值。該管理平台4能
夠藉由收集巨量的生長參數組及/或環境參數組,作為該學習預測模型的訓練資料,以完成該學習預測模型的訓練。其中,該學習預測模型能夠對該環境參數組之訓練資料執行一特徵萃取處理,該特徵萃取處理可依據農作物於各生長階段的一有效積溫要求門檻值、特定環境因子數據要求門檻值或特定田間作業行為紀錄進行生長階段的時間點切割,再針對該環境參數組依據各時間點進行各生長階段之特徵萃取處理。其中,該學習預測模型係可以透過機器學習(Machine Learning)的遞歸神經網路(Recurrent Neural Network,RNN)與長短期記憶模型(Long Short Term Memory,LSTM)等演算法進行模型的訓練,惟不以此為限。
該管理平台4能夠計算取得該至少一供應端2於該預估產期內的一總產量預估值。該管理平台4能夠藉由分析該總產量預估值是否符合該產量需求值,以產生一配套措施。舉例而言,當該總產量預估值大於該產量需求值時,該管理平台4計算該總產量預估值與該產量需求值之產量差額,並可以提早擬定配套措施以解決該農作物過剩問題,例如可以將該產量差額的農作物外銷至國外或外縣市;或著是分配至加工食品工廠,以製成冷凍食品或醃製品;或者是提早安排儲存場所,可將該農作物予以儲存。此外,當該總產量預估值小於該產量需求值時,該管理平台4計算該產量需求值與該總產量預估值之產量差額,並提早擬定配套措施以解決該農作物不足問題,例如可以為使該管理平台4從國外或外縣市進口該產量差額的農作物,以維持農作物之供需平衡。
較佳地,該管理平台4還可以建立用以判斷各農作物是否產生災情的至少一判斷條件,該至少一判斷條件能夠儲存於該儲存單元41,該至少一判斷條件之規則內容係可以包含農作物於特定種植天數或日期區間內,針對該環境參數組中的特定參數設定對應可能發生之農作物災情事件判斷條
件。
據由前述系統架構,本創作的農作物產期產量管理分析系統在使用時,農產流通商、通路商能夠以一行動裝置發佈一收購資訊至該管理平台4,該收購資訊係可以包含所欲收購的農作物之需求產期及產量需求值。例如:需求產期為6月份第一週,產量需求值為10公噸。此外,供應農民或供應農場能夠以一行動裝置或一桌上型電腦發佈一種植資訊至該管理平台4,該種植資訊係可以包含所種植的農作物之供應產期及產量供應值。例如:A農民於6月份第一週的產量供應值為5公噸;B農民於6月份第一週的產量供應值為2公噸;C農民於6月份第一週的產量供應值為6公噸。舉例而言,該管理平台4能夠將10公噸的產量需求值分配給A農民3公噸,B農民2公噸,C農民5公噸,使A~C農民依據各自所被分配到的產量需求值的數量種植相對應數量的農作物。
各農民在種植的過程中,該檢測平台3能夠用以對各農民的種植農地之農作物進行檢測,以分別取得一生長參數組。再且,該檢測平台3能夠透過架設於各該種植農地現場的一環境感測模組感測各農民的種植農地之大氣溫度、大氣濕度、土壤溫度、土壤濕度、土壤PH、土壤EC、光量子、光輻射、雨量、水位、風向及風速中的至少一個,以分別取得一環境參數組。該管理平台4對各該生長參數組及/或各該環境參數組進行解析,以分別取得各農民的種植農地之預估產期及產量預估值。例如:A農民所分配之產量供應值中預估有1公噸將會延後一週採收;B農民所分配之產量供應值中預估有1公噸將會延後一週採收;C農民所分配之產量供應值中預估有2公噸將會提前一週採收。該管理平台4計算取得A~C農民於6月份第一週的總產量預估值為6公噸,由於該總產量預估值少於該產量需求值所需的10公噸,因此,由該管理平台4能夠提早瞭解供應短缺而及早進行供應協調,更甚之能
夠從國外或外縣市進口4噸的農作物,以維持農作物之供需平衡。
其中,於各該種植農地的種植期間,若符合農作物災情發生之判斷條件時,該管理平台4能夠提供農作物災情預警通報,以供各農民可因應處理,或改善農地及農作物的情況。舉例而言,以種植蓮霧為例,當該管理平台4取得一氣象資料為「持續的陰雨天及低溫特報」時,該管理平台4可以發出預警通報,並建議增加對於蓮霧的光照度及溫度,以避免寒害及落果發生。該管理平台4再依據改善後的農地及農作物的情況,重新評估該農地所種植的農作物的預估產期及產量預估值。
綜上所述,本創作的農作物產期產量管理分析系統,能夠將該產量需求值分配給該供應產期與該需求產期有產生重疊的至少一供應端,計算取得該至少一供應端於該預估產期內的一總產量預估值,並確認該總產量預估值是否符合該產量需求值,以產生一配套措施。藉此,本創作農作物產期產量管理分析系統能夠避免最後的實際產量與該產量需求值相差甚遠,係具有維持農作物產量供需平衡以穩定市場價格的功效。
雖然本創作已利用上述較佳實施例揭示,然其並非用以限定本創作,任何熟習此技藝者在不脫離本創作之精神和範圍之內,相對上述實施例進行各種更動與修改仍屬本創作所保護之技術範疇,因此本創作之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (8)
- 一種農作物產期產量管理分析系統,包含:一需求端,用以輸出一需求產期及一產量需求值;數個供應端,用以各別輸出所屬的種植農地之農作物的一供應產期及一產量供應值;數個檢測平台,用以分別對種植於各該種植農地之農作物進行檢測,以分別取得農作物種植過程中的一生長參數組;及一管理平台,耦接該需求端、該數個供應端及該數個檢測平台,該管理平台將該產量需求值進行分配,以分配給該供應產期與該需求產期有產生重疊的該數個供應端中的至少一供應端,對該至少一供應端的生長參數組進行解析,以取得一預估產期及一產量預估值,計算取得該至少一供應端於該預估產期內的一總產量預估值,分析該總產量預估值是否符合該產量需求值,以產生一配套措施。
- 如申請專利範圍第1項所述之農作物產期產量管理分析系統,其中,當該總產量預估值大於該產量需求值時,該配套措施係為該管理平台計算該總產量預估值與該產量需求值之產量差額,供提早擬定配套措施以解決該農作物過剩問題。
- 如申請專利範圍第1項所述之農作物產期產量管理分析系統,其中,當該總產量預估值小於該產量需求值時,該配套措施係為該管理平台計算該產量需求值與該總產量預估值之產量差額,供提早擬定配套措施以解決該農作物不足問題。
- 如申請專利範圍第1項所述之農作物產期產量管理分析系統,其中,各該檢測平台以一環境感測模組感測各該種植農地之環境因子,以分別取得一環境參數組,該管理平台對各該生長參數組及各該環境參數組 進行解析,以分別取得各該農作物的預估產期及產量預估值。
- 如申請專利範圍第4項所述之農作物產期產量管理分析系統,其中,該管理平台係將各該生長參數組及各該環境參數組輸入一學習預測模型中,以計算取得各該農作物的預估產期及產量預估值。
- 如申請專利範圍第5項所述之農作物產期產量管理分析系統,其中,該學習預測模型能夠對該環境參數組之訓練資料執行一特徵萃取處理,該特徵萃取處理可依據農作物於各生長階段的一有效積溫要求門檻值、特定環境因子數據要求門檻值或特定田間作業行為紀錄進行生長階段的時間點切割,再針對該環境參數組依據各時間點進行各生長階段之特徵萃取處理。
- 如申請專利範圍第4項所述之農作物產期產量管理分析系統,其中,該管理平台依據該環境參數組判斷是否有農作物災情發生,若符合農作物災情發生之判斷條件時,該管理平台提供農作物災情預警通報,以供該至少一供應端所屬的農民可因應處理,或改善農地及農作物的情況。
- 如申請專利範圍第7項所述之農作物產期產量管理分析系統,其中,該管理平台依據改善後的農地及農作物的情況,重新評估該農地所種植的農作物的預估產期及產量預估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107214035U TWM572533U (zh) | 2018-10-17 | 2018-10-17 | Crop yield management analysis system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107214035U TWM572533U (zh) | 2018-10-17 | 2018-10-17 | Crop yield management analysis system |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM572533U true TWM572533U (zh) | 2019-01-01 |
Family
ID=65804486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107214035U TWM572533U (zh) | 2018-10-17 | 2018-10-17 | Crop yield management analysis system |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM572533U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI695339B (zh) * | 2018-10-17 | 2020-06-01 | 凌誠科技股份有限公司 | 農作物產期產量管理分析系統 |
-
2018
- 2018-10-17 TW TW107214035U patent/TWM572533U/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI695339B (zh) * | 2018-10-17 | 2020-06-01 | 凌誠科技股份有限公司 | 農作物產期產量管理分析系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hakkim et al. | Precision farming: the future of Indian agriculture | |
Zhichkin et al. | The agricultural crops production profitability in modern conditions | |
Hedley | The role of precision agriculture for improved nutrient management on farms | |
Liu et al. | Study on the impacts of climate change on China's agriculture | |
Monteiro et al. | Sugarcane yield gap: can it be determined at national level with a simple agrometeorological model? | |
Tayari et al. | Role of GPS and GIS in precision agriculture | |
Yang et al. | A modified soil water deficit index (MSWDI) for agricultural drought monitoring: Case study of Songnen Plain, China | |
Romera et al. | Use of a pasture growth model to estimate herbage mass at a paddock scale and assist management on dairy farms | |
Morari et al. | Coupling proximal sensing, seasonal forecasts and crop modelling to optimize nitrogen variable rate application in durum wheat | |
EP3422280B1 (en) | A method for forecasting the parameters of a phenomenon or the activities of an object, particularly animate, in a given geographic area | |
Rosegrant et al. | The effect of fertiliser on risk: a heteroscedastic production function with measurable stochastic inputs | |
WO2023108213A1 (en) | Methods and systems for classifying and benchmarking irrigation performance | |
CA2987761A1 (en) | Water-driven crop yield potential forecasting | |
Ehlert et al. | Widescale testing of the Crop-meter for site-specific farming | |
Colaço et al. | Spatial variability in commercial orange groves. Part 1: canopy volume and height | |
Qasemi-Kordkheili et al. | Modeling and optimization of energy consumption for grapefruit production in Iran | |
Rahman et al. | Use of proximal sensors to evaluate at the sub-paddock scale a pasture growth-rate model based on light-use efficiency | |
Amarasingha et al. | Aligning sowing dates with the onset of rains to improve rice yields and water productivity: modelling rice (Oryza sativa L.) yield of the Maha season in the dry zone of Sri Lanka | |
Islam et al. | Use of normalised difference vegetation index, nitrogen concentration, and total nitrogen content of whole maize plant and plant fractions to estimate yield and nutritive value of hybrid forage maize | |
CN117178769A (zh) | 一种基于自动化的园林植物养护方法及系统 | |
TWM572533U (zh) | Crop yield management analysis system | |
Cabezas et al. | Impact of climate change on economic components of Mediterranean olive orchards | |
Kaneda | Substitution of labor and non-labor inputs and technical change in Japanese agriculture | |
TWI695339B (zh) | 農作物產期產量管理分析系統 | |
Vogeler et al. | Development of an algorithm for relating pasture nitrogen status to yield response curves |