CN104134003B - 基于知识与数据共同驱动的作物单产量预测方法 - Google Patents
基于知识与数据共同驱动的作物单产量预测方法 Download PDFInfo
- Publication number
- CN104134003B CN104134003B CN201410371605.1A CN201410371605A CN104134003B CN 104134003 B CN104134003 B CN 104134003B CN 201410371605 A CN201410371605 A CN 201410371605A CN 104134003 B CN104134003 B CN 104134003B
- Authority
- CN
- China
- Prior art keywords
- mrow
- crop
- data
- model
- msub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000012010 growth Effects 0.000 claims description 18
- 210000000056 organ Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 239000002028 Biomass Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000035508 accumulation Effects 0.000 claims 1
- 238000009825 accumulation Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 8
- 238000012272 crop production Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 3
- 240000003768 Solanum lycopersicum Species 0.000 description 3
- 240000008415 Lactuca sativa Species 0.000 description 2
- 235000003228 Lactuca sativa Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识与数据共同驱动的作物单产量预测方法，该方法包括以下步骤：利用基于数据驱动的作物单产量生产潜力子模型，根据输入的环境数据得到作物的单产量生产潜力E；利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，然后根据作物的单产量生产潜力E和作物内在的机理参数得到作物的单产量y；利用区域历史环境数据和作物的单产量y，辨识得到模型参数θd和θk，以根据未来某区域的气象数据来对该区域作物的单产量进行预测。本发明能够最大化利用历史环境数据和作物知识模型，使模型参数得到系统化估计，潜力分析更加精确，易于使用，这为辅助温室作物生产、环境调控以及栽培管理提供了更加可靠的方法。
Description
技术领域
本发明属于数据处理方法和一般植物学技术领域，尤其涉及一种基于知识与数据共同驱动的作物单产量预测方法。
背景技术
温室作物生产、环境调控以及栽培管理需要可靠的作物单产量预测方法。通常来说，作物单产量预测方法根据是否包含与作物生长发育规律相关的知识，可分为基于数据驱动的作物单产量预测方法和基于知识驱动的作物单产量预测方法。
基于数据驱动的作物单产量预测方法将作物的复杂生长行为视为黑箱，对生长过程不作考虑，其方法的构建完全依赖于历史环境数据和作物单产量数据(不包含任何作物相关的知识)，如采用基于人工神经网络的作物单产量预测方法。这种方法能够通过数据学习方式来处理机理未知的非线性关系，且对一定环境生长下的数据能达到较高的预测精度。但是该方法不能够最大化利用已有的作物知识去改善作物单产量的预测精度，且当增加输出变量时模型的复杂度迅速提升。
不同于基于数据驱动的方法，基于知识驱动的作物单产量预测方法则是基于作物生长发育规律建立的模型，包括作物的生物量产生、分配、叶面积形成等动态过程，如基于中法合作研究发展而来的植物功能结构模型(GreenLab)，该模型是一种通用的植物生长模型，已成功应用于玉米、小麦、黄瓜、西红柿等经济作物，且能够辅助温室作物生产、环境调控以及栽培管理。但是该模型不能够最大化利用环境数据去提高作物单产量的预测精度。
区别于传统的作物单产量预测方法，为了最大化利用作物知识和环境数据来改善作物单产量预测精度，本发明提出一种基于知识与数据共同驱动的作物单产量预测方法，可辅助温室作物生产、环境调控以及栽培管理。
发明内容
本发明的目的在于提供一种可靠的作物单产量预测方法，并使该方法能够最大化利用已有的作物知识和环境数据，提高作物单产量预测精度，且能够辅助温室作物生产、环境调控以及栽培管理。
为实现上述目的，本发明提供一种基于知识与数据共同驱动的作物单产量预测方法，该方法包括以下步骤：
步骤1，利用基于数据驱动的方法构建作物单产量生产潜力子模型，其表示为：
E＝fd(x,θd)，
其中，fd(·)表示基于数据驱动的方法，x为输入的环境数据，E为对应环境条件下作物单产量的生产潜力，θd为子模型E的参数；
步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，其表示为：
y＝fk(E,θk)，
其中，fk(·)表示基于过程的作物模型，θk为子模型y的参数，即作物内在的机理参数；
步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量子模型y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θd和所述基于知识驱动的作物单产量子模型的模型参数θk，以根据未来某区域的气象数据来对该区域作物的单产量进行预测。
本发明提出的基于知识与数据共同驱动的作物单产量预测方法充分利用了基于知识驱动的方法和基于数据驱动的方法各自的优点，能够最大化利用作物知识和环境数据，提高作物单产量预测精度的可靠性。本发明与现有技术的区别主要体现在本发明采用基于数据驱动的方法，构建基于数据驱动的作物单产量生产潜力子模型，采用基于过程的作物模型，构建基于知识驱动的作物单产量子模型，两个子模型采用串联的方式耦合在一起。因此，本发明可以更加灵活的应用历史环境数据构建基于数据驱动的作物单产量生产潜力模型，且结合作物生长发育规律(作物知识)，从机理角度对作物单产量进行了预测。实验表明，本发明方法集成了二者的优点，并具有较高的作物单产量预测精度。
本发明利用区域历史环境数据和作物单产量数据，辨识出模型参数，以用于未来该区域作物的单产量预测。本发明能够最大化利用历史环境数据和作物知识模型，使模型参数得到系统化估计，潜力分析更加精确，易于使用，这也为温室作物生产、环境调控以及栽培管理提供了更加可靠的方法。
附图说明
图1是本发明基于知识与数据共同驱动的作物单产量预测方法的原理框图。
图2是根据本发明一实施例的基于知识与数据共同驱动的作物单产量预测方法的框图。
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明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
图1是本发明基于知识与数据共同驱动的作物单产量预测方法的原理框图，如图1所示，所述方法包括以下步骤：
步骤1，利用基于数据驱动的方法构建作物单产量生产潜力子模型，其表示为：
E＝fd(x,θd)，
其中，fd(·)表示基于数据驱动的方法，x为输入的环境数据，E为该环境条件下作物单产量的生产潜力，θd为子模型E的参数。
该步骤反映了气候环境对于作物单产量的影响。
其中，所述环境数据包括但不限于温度、光照、CO2浓度、相对湿度等气象数据。
步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型；
其中，所述基于知识驱动的作物单产量子模型表示为：
y＝fk(E,θk)，
其中，fk(·)表示基于过程的作物模型，θk为子模型y的参数，即作物内在的机理参数。
所述步骤1和步骤2也可以认为将基于数据驱动的作物单产量生产潜力子模型和基于知识驱动的作物单产量子模型串联耦合，得到基于知识与数据共同驱动的作物单产量预测模型，对于该模型，输入环境数据，即可得到作物的单产量。
步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量子模型y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θd和所述基于知识驱动的作物单产量子模型的模型参数θk，以用于根据未来某区域的气象数据来对该区域作物的单产量进行预测。
在本发明一实施例中，利用梯度下降法辨识得到基于知识与数据共同驱动的作物单产量预测模型参数θd和θk。
图2是根据本发明一实施例的基于知识与数据共同驱动的作物单产量预测方法的框图，如图2所示，在本发明一实施例中，基于径向基函数神经网络(RBFN)构建基于数据驱动的作物单产量生产潜力子模型，基于植物功能结构模型(GreenLab)或园艺作物通用模型(HortiSim)构建基于知识驱动的作物单产量子模型。
基于径向基函数神经网络(RBFN)构建得到的基于数据驱动的作物单产量生产潜力子模型可表示为：
E＝fd(x,θd)＝Φ(x)θd，
其中，θd为RBFN的权值参数，Φ(x)＝[φ1(x),φ2(x),…,φh(x)]为径向基函数，且
在植物功能结构模型(GreenLab)中，第i个生长周期的生物量增量Q(i)表示为：
其中，E(i)为第i个生长周期在该周期气象环境条件下作物单产量生产潜力，r和Sp为内在生长发育的机理参数，常常根据实际生产数据进行估计设定，S(i)为第i个生长周期的作物总的叶面积。
对于生长周期i，不同作物器官o累积的生物量表示为：
其中，Po为作物器官o的相对库强参数，常常根据作物实际生产数据进行估计设定，fo为作物器官o扩展函数，Q(.)为不同生长周期的生物量增量，No(.)为器官o的个数，j为器官o的生长年龄，k为下标，作物器官o通常包括叶片b、节间e和果f。GreenLab模型属于常见的植物功能结构模型，限于篇幅，关于GreenLab模型的更多细节不再赘述。
需要说明的是，对于不同的经济作物，作物单产量的计算对象稍有不同。比如对于番茄作物，我们关注的是番茄果实的产量，则其单产量计算公式为：
对于生菜，我们主要关注的是生菜的叶片，则其单产量计算公式为：
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于知识与数据共同驱动的作物单产量预测方法，其特征在于，该方法包括以下步骤：
步骤1，利用基于数据驱动的方法构建作物单产量生产潜力子模型，其表示为：
E＝fd(x,θd)，
其中，fd(·)表示基于数据驱动的方法，x为输入的环境数据，E为对应环境条件下作物单产量的生产潜力，θd为子模型E的参数；
步骤2，利用基于过程的作物模型，构建得到基于知识驱动的作物单产量子模型，其表示为：
y＝fk(E,θk)，
其中，fk(·)表示基于过程的作物模型，θk为子模型y的参数，即作物内在的机理参数；
步骤3，利用区域历史环境数据和所述步骤2得到的作物的单产量子模型y，辨识得到所述基于数据驱动的作物单产量生产潜力子模型的模型参数θd和所述基于知识驱动的作物单产量子模型的模型参数θk，以根据未来某区域的气象数据来对该区域作物的单产量进行预测；
其中，基于植物功能结构模型或园艺作物通用模型构建基于知识驱动的作物单产量子模型；
在所述植物功能结构模型中，第i个生长周期的生物量增量Q(i)表示为：
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>r</mi>
<mo>&CenterDot;</mo>
<mi>S</mi>
<mi>p</mi>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>S</mi>
<mi>p</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中，E(i)为第i个生长周期在该周期气象环境条件下作物单产量生产潜力，r和Sp为内在生长发育的机理参数，S(i)为第i个生长周期的作物总的叶面积；
对于生长周期i，不同作物器官o累积的生物量表示为：
<mrow>
<msub>
<mi>q</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>o</mi>
</msub>
<msub>
<mi>f</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>o</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>N</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>o</mi>
</msub>
<msub>
<mi>f</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，Po为作物器官o的相对
库强参数，fo为作物器官o扩展函数，Q(.)为不同生长周期的生物量增量，No(.)为器官o的个
数，j为器官o的生长年龄，k为下标。
2.根据权利要求1所述的方法，其特征在于，所述环境数据包括但不限于气象数据。
3.根据权利要求1所述的方法，其特征在于，所述步骤3中，利用梯度下降法辨识得到基于数据驱动的作物单产量生产潜力子模型的模型参数θd和基于知识驱动的作物单产量子模型的模型参数θk。
4.根据权利要求1所述的方法，其特征在于，基于径向基函数神经网络RBFN构建基于数据驱动的作物单产量生产潜力子模型。
5.根据权利要求4所述的方法，其特征在于，基于径向基函数神经网络RBFN构建得到的基于数据驱动的作物单产量生产潜力子模型可表示为：
E＝fd(x,θd)＝Φ(x)θd，
其中，θd为RBFN的权值参数，Φ(x)＝[φ1(x),φ2(x),…,φh(x)]为径向基函数，且
6.根据权利要求1所述的方法，其特征在于，所述作物器官o包括但不限于叶片b、节间e和果f。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410371605.1A CN104134003B (zh) | 2014-07-30 | 2014-07-30 | 基于知识与数据共同驱动的作物单产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410371605.1A CN104134003B (zh) | 2014-07-30 | 2014-07-30 | 基于知识与数据共同驱动的作物单产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104134003A CN104134003A (zh) | 2014-11-05 |
| CN104134003B true CN104134003B (zh) | 2018-01-30 |
Family
ID=51806678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410371605.1A Active CN104134003B (zh) | 2014-07-30 | 2014-07-30 | 基于知识与数据共同驱动的作物单产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104134003B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110495408A (zh) * | 2019-09-20 | 2019-11-26 | 重庆工商大学 | 基于数据与知识共同驱动的鱼虾参养殖决策系统及装置 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656451B (zh) * | 2015-01-21 | 2017-06-09 | 中国科学院自动化研究所 | 一种基于作物模型的密闭系统环境因子优化调控方法 |
| JP2016146046A (ja) * | 2015-02-06 | 2016-08-12 | 株式会社Ｊｓｏｌ | 予測装置、予測方法及びプログラム |
| CN104732299A (zh) * | 2015-04-03 | 2015-06-24 | 中国农业科学院农业信息研究所 | 一种玉米产量组合预测系统和方法 |
| CN105494033B (zh) * | 2015-10-30 | 2018-06-01 | 青岛智能产业技术研究院 | 一种基于作物需求的智能节水灌溉方法 |
| CN105513096A (zh) * | 2015-11-18 | 2016-04-20 | 青岛农业大学 | 一种冬小麦生物量估算方法 |
| CN106570768B (zh) * | 2016-11-02 | 2019-08-27 | 江苏大学 | 一种温室番茄库强的表征方法 |
| CN107368687B (zh) * | 2017-07-25 | 2020-01-21 | 中国农业科学院农业信息研究所 | 一种气象单产模型的优选方法及装置 |
| JP7163881B2 (ja) * | 2019-08-02 | 2022-11-01 | トヨタ自動車株式会社 | 作物特性予測システム、作物特性予測方法、及び作物特性予測プログラム |
| CN115130269A (zh) * | 2021-03-25 | 2022-09-30 | 上海兰桂骐技术发展股份有限公司 | 一种人工智能辅助作物模型的调参方法 |
| CN113011683A (zh) * | 2021-04-26 | 2021-06-22 | 中国科学院地理科学与资源研究所 | 基于校正作物模型的作物估产方法及系统 |
| CN113379155B (zh) * | 2021-06-29 | 2022-08-12 | 哈尔滨工业大学 | 一种基于村镇人口预测评估生物质能发展适宜性的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
| CN103518516A (zh) * | 2013-10-21 | 2014-01-22 | 贵州省辣椒研究所 | 辣椒田间产量的测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI20085764L (fi) * | 2008-08-08 | 2010-03-26 | Ravintoraisio Oy | Menetelmä viljelykasvien tuotannon ympäristövaikutusten seuraamiseksi |
-
2014
- 2014-07-30 CN CN201410371605.1A patent/CN104134003B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
| CN103518516A (zh) * | 2013-10-21 | 2014-01-22 | 贵州省辣椒研究所 | 辣椒田间产量的测量方法 |
Non-Patent Citations (4)
| Title |
|---|
| 不同植物密度番茄生长行为的结构功能模型模拟;杨丽丽 等;《农业机械学报》;20091031;第40卷(第10期);第156-160页 * |
| 加工番茄产量组合预测模型研究;韩泽群 等;《中国农学通报》;20130131;第29卷(第3期);全文 * |
| 奇台县粮食生产潜力变化过程分析;卢文娟 等;《干旱区资源与环境》;20110228;第25卷(第2期);全文 * |
| 结构-功能模型在林木竞争研究中的应用;刁军 等;《世界林业研究》;20130430;第26卷(第2期);全文 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110495408A (zh) * | 2019-09-20 | 2019-11-26 | 重庆工商大学 | 基于数据与知识共同驱动的鱼虾参养殖决策系统及装置 |
| CN110495408B (zh) * | 2019-09-20 | 2021-08-17 | 重庆工商大学 | 基于数据与知识共同驱动的鱼虾参养殖决策系统及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104134003A (zh) | 2014-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104134003B (zh) | 基于知识与数据共同驱动的作物单产量预测方法 | |
| Wongchai et al. | Farm monitoring and disease prediction by classification based on deep learning architectures in sustainable agriculture | |
| US11741555B2 (en) | Crop yield estimation method based on deep temporal and spatial feature combined learning | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| Wang et al. | Deep belief network based deterministic and probabilistic wind speed forecasting approach | |
| CN105825230A (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
| CN106997495A (zh) | 一种电力负荷预测方法 | |
| CN103984980A (zh) | 一种温室内温度极值的预测方法 | |
| Huang | Improved SVM-based soil-moisture-content prediction model for tea plantation | |
| CN105446142A (zh) | 一种温室co2气肥增施方法、装置及系统 | |
| CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
| Parashar et al. | ENHANCING CROP YIELD PREDICTION IN PRECISION AGRICULTURE THROUGH SUSTAINABLE BIG DATA ANALYTICS AND DEEP LEARNING TECHNIQUES. | |
| Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
| Sizan et al. | Revolutionizing agriculture: an IoT-driven ML-blockchain framework 5.0 for optimal crop prediction | |
| Kadu et al. | Agriculture yield forecasting via regression and deep learning with machine learning techniques | |
| Pandey et al. | IoT and ML based Irrigation System using KNN Algorithm | |
| CN114647266A (zh) | 基于随机森林框架的牛舍小气候环境智能控制模块 | |
| CN110458438A (zh) | 植被水分利用效率wue的影响因子的计算方法及装置 | |
| Praveen et al. | AI for Smart Farming: Machine Learning Models for Precision Crop Yield Prediction | |
| Zheng et al. | Increasing crop yield using agriculture sensing data in smart plant factory | |
| CN113962482A (zh) | 一种基于改进dbn网络的冬枣产量预测方法 | |
| Alnayer et al. | Enhancement of Sorghum Forecasting Models Using Machine Learning in the rain-fed sector in Sudan | |
| An et al. | A study of crop yield prediction based on backpropagation artificial neural network (bp-ann) | |
| Ait Oussous et al. | Improving Greenhouse Climate: PLSTM-Based Time Series Forecasting with Seasonal Adaptability | |
| Dubey et al. | A comparative study of deep learning based MODWT-LSTM and machine learning model to predict environmental parameters of polyhouse |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |