基于地温的农作物生长期预测方法及相关设备与流程

本发明涉及智能农业技术领域，尤其涉及一种基于地温的农作物生长期预测方法及相关设备。

背景技术：

随着农业科技的发展，自然天气影响农业生产的相关研究越来越多，具体到大气、温度、水分、风以及灾害性天气。以利用有利的气候资源，克服不利的气候因素影响，为农业生产发展、农业经济调整，提供农业气候资源，同时对于其他农业环境因子和农业自然资源还有着重要影响。

现存在通过多种自然气候变化的相关数据，与对应的农作物生长数据记录，对农作物的生长期进行预测，其中最主要的包括气温、积温。比如，油菜积温在111.7℃时，进入发芽出苗期，积温在505.9℃时，进入苗期，积温在810.1℃时，进入现蕾抽薹期，积温在956.1℃时，进入开花期，积温在1355.6℃时，进入角果发育成熟期。然而，作物的根系生长在土壤中，土壤温度(地温)的高低对农作物生长的影响比气温、积温等更加直观，甚至可能扭转气温、积温等对农作物生长的影响。但现有技术中，仍未存在系统地对地温数据进行分析，以预测农作物的生长期。

技术实现要素：

本发明的主要目的在于解决现有技术中暂无通过地温数据预测农作物生长期的技术问题。

本发明第一方面提供了一种基于地温的农作物生长期预测方法，包括：

获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

根据所述年均地温序列，估算待预测年度对应的年均地温；

将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

可选的，在本发明第一方面的第一种实现方式中，在所述获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据的步骤之后，还包括：

分别对各观测站连续m年的气温数据进行均一性检验，保留通过均一性检验的气温数据；

采用通过均一性校验的多个相邻观测站连续m年的气温数据，对单个观测站非连续的m年地温数据进行逐步多元线性回归分析，建立单个观测站的地温数据与多个相邻观测站的气温数据之间的回归方程；

以所述通过均一性校验的多个相邻观测站连续m年的气温数据为参考值，基于所述回归方程，对所述单个观测站非连续的m年地温数据进行插补，得到各观测站连续m年的地温数据。

可选的，在本发明第一方面的第二种实现方式中，所述基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列包括：

选取单个或多个观测站作为局部站，获取所述局部站连续m年的月度气温数据并逐年进行均值计算，得到连续m年的第一局部年均气温数据；

获取各观测站连续m年的月度地温数据并逐年进行均值计算，得到连续m年的第一全区年均地温数据；

对连续m年的第一局部年均气温数据和第一全区年均地温数据进行线性回归分析，建立局部年均气温数据与全区年均地温数据之间的线性回归方程；

获取所述局部站连续(n-m)年的月度气温数据并逐年进行均值计算，得到连续(n-m)年的第二局部年均气温数据，其中，所述连续(n-m)年对应为有气温数据而无地温数据的年份；

根据所述线性回归方程和所述第二局部年均气温数据，计算连续(n-m)年的第二全区年均地温数据；

将连续m年的所述第一全区年均地温数据与连续(n-m)年的所述第二全区年均地温数据拼接，得到全区连续n年的年均地温序列。

可选的，在本发明第一方面的第三种实现方式中，所述分别对各观测站连续m年的气温数据进行均一性检验，保留通过均一性检验的气温数据包括：

分别采用预置的第一突变年份检验算法和第二突变年份检验算法，对所述各观测站连续m年的气温数据进行检验，对应得到第一预测突变年份和第二预测突变年份；

判断所述第一预测突变年份和所述第二预测突变年份是否相同；

若相同，则剔除对应年份的气温数据；

若不同，则判断所述第一预测突变年份或所述第二预测突变年份是否标记有预置突变标签；

若标记有预置突变标签，则剔除对应年份的气温数据，并确定未剔除的气温数据通过均一性检验并进行保留。

本发明第二方面提供了一种基于地温的农作物生长期预测装置，包括：

获取模块，用于获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

构建模块，用于基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

训练模块，用于以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

估算模块，用于根据所述年均地温序列，估算待预测年度对应的年均地温；

预测模块，用于将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

可选的，在本发明第二方面的第一种实现方式中，所述基于地温的农作物生长期预测方法装置还包括：

检验模块，用于分别对各观测站连续m年的气温数据进行均一性检验，保留通过均一性检验的气温数据；

分析模块，用于采用通过均一性校验的多个相邻观测站连续m年的气温数据，对单个观测站非连续的m年地温数据进行逐步多元线性回归分析，建立单个观测站的地温数据与多个相邻观测站的气温数据之间的回归方程；

插补模块，用于以所述通过均一性校验的多个相邻观测站连续m年的气温数据为参考值，基于所述回归方程，对所述单个观测站非连续的m年地温数据进行插补，得到各观测站连续m年的地温数据。

可选的，在本发明第二方面的第二种实现方式中，所述构建模块包括：

第一均值计算单元，用于选取单个或多个观测站作为局部站，获取所述局部站连续m年的月度气温数据并逐年进行均值计算，得到连续m年的第一局部年均气温数据；用于获取各观测站连续m年的月度地温数据并逐年进行均值计算，得到连续m年的第一全区年均地温数据；

分析单元，用于对连续m年的第一局部年均气温数据和第一全区年均地温数据进行线性回归分析，建立局部年均气温数据与全区年均地温数据之间的线性回归方程；

第二均值计算单元，用于获取所述局部站连续(n-m)年的月度气温数据并逐年进行均值计算，得到连续(n-m)年的第二局部年均气温数据，其中，所述连续(n-m)年对应为有气温数据而无地温数据的年份；

地温数据计算单元，用于根据所述线性回归方程和所述第二局部年均气温数据，计算连续(n-m)年的第二全区年均地温数据；

拼接单元，用于将连续m年的所述第一全区年均地温数据与连续(n-m)年的所述第二全区年均地温数据拼接，得到全区连续n年的年均地温序列。

可选的，在本发明第二方面的第三种实现方式中，所述检验模块包括：

第一判别单元，用于判断所述第一预测突变年份和所述第二预测突变年份是否相同；

第一筛选单元，用于若所述第一预测突变年份和所述第二预测突变年份相同，则剔除对应年份的气温数据；

第二判别单元，用于若所述第一预测突变年份和所述第二预测突变年份不同，则判断所述第一预测突变年份或所述第二预测突变年份是否标记有预置突变标签；

第二筛选单元，用于若标记有预置突变标签，则剔除对应年份的气温数据，并确定未剔除的气温数据通过均一性检验并进行保留。

本发明第三方面提供了一种基于地温的农作物生长期预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于地温的农作物生长期预测设备执行上述的基于地温的农作物生长期预测方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于地温的农作物生长期预测方法。

本发明提供的技术方案中，首先通过非连续的m年地温数据进行多元线性回归，插补缺失的地温数据，得到连续m年的地温数据；然后通过连续的n年气温数据和连续的m年的地温数据，预测n-m年的地温数据，得到连续n年的地温数据；接着以连续n年的地温数据与相关的农作物生长期节点进行训练，生成农作物生长期预测模型；最后预测年均地温，再输入农作物生长期预测模型以预测农作物的生长期。本发明实现了通过地温预测农作物生成期节点，可有效把控农作物的生长。

附图说明

图1为本发明基于地温的农作物生长期预测方法的第一个实施例示意图；

图2为本发明基于地温的农作物生长期预测方法的第二个实施例示意图；

图3为本发明基于地温的农作物生长期预测方法的第三个实施例示意图；

图4为本发明基于地温的农作物生长期预测方法的第四个实施例示意图；

图5为本发明基于地温的农作物生长期预测装置的一个实施例示意图；

图6为本发明基于地温的农作物生长期预测装置的另一个实施例示意图；

图7为本发明基于地温的农作物生长期预测设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种基于地温的农作物生长期预测方法及相关设备，获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；基于气温数据与地温数据，构建全区连续n年的年均地温序列；以连续n年的年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；根据年均地温序列，估算待预测年度对应的年均地温；将年均地温输入农作物生长期预测模型进行处理，输出待预测年度农作物的生长期节点。本发明实现了通过地温预测农作物生成期节点，可有效把控农作物的生长。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在讲解本发明的实施例之前，先对本发明的主要思想进行介绍，如下所示：

可能由于技术发展原因或者历史原因，各地区的历史地温数据的监测与记录存在两个问题：第一，地温数据历史记录时间短，使可用数据样本少；第二，地温数据记录不齐全，使可用数据样本不连续。

故本发明基于地温的农作物生长期预测方法分为地温数据的补齐、农作物生长期的预测两个主要部分，而地温数据的补齐包括局部地温数据插补、地温数据全局修正；农作物生长期的预测包括农作物生长期预测模型训练、农作物生长期节点预测。先对本发明的两个主要部分和四个分支部分进行简单介绍，如下所示：

(一)局部地温数据插补

若我们需要连续n年的地温数据，但现只存在连续的、观测序列离散、连续性较好的n年气温数据和非连续的m年(m＜n)地温数据，缺失第a、b、c、d、e年的地温数据，则通过连续的m年气温数据对非连续的m年地温数据进行多元线性回归分析，得到地温数据-气温数据相关的回归方程，将第a、b、c、d、e年的气温数据代入该回归方程，即可得到缺失的地温数据，对非连续的m年地温数据进行插补。

(二)地温数据全局修正

在得到连续m年的地温数据后，分别计算连续m年的年均气温数据和年均地温数据，并计算两者之间的线性回归方程；再通过连续n-m年的年均气温数据代入该线性回归方程中，计算连续n-m年的年均地温数据；拼接连续m年与连续n-m年的年均地温数据，即可得到连续n年的年均地温序列。

(三)农作物生长期预测模型训练

通过连续n年的年均地温序列与对应年份的农作物的各生长期节点，训练出农作物生长期预测模型，其中，输入为预测年份的年均地温，输出为农作物的各生长期节点。

(四)农作物生长期节点预测

通过年均地温序列可以预测过去未记录或未来某一年份的年均地温；然后将预测的年均地温输入农作物生长预测模型中，即可得到该农作物在预测年份的各个生长期节点。

接下来对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于地温的农作物生长期预测方法的第一个实施例包括：

101、获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

可以理解的是，本发明的执行主体可以为基于地温的农作物生长期预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

本实施例中，多个相邻且不同地区观测站指的是全区内多个不同地区的多个观测站；其中，根据不同地区可以将多个观测站中可分为多组观测站，每组观测站以其中一个观测站为参照，与其他各观测站之间的海拔差和直线距离均不超过预设值a、b。

本实施例中，连续n年的气温数据，指的是在指定的n年中，每一年均记录有气温数据；非连续的m年地温数据，指的是在指定的m年中，记录有其中多年的地温数据，但缺少其中一年或多年的地温数据。

其中，地温数据、气温数据指对应年份中，每个预设周期所记录的地温温度、气温温度，预设周期可以是半年、一个季度、一个月、一个星期、一天等；地温数据可以包括地表0cm和地下5cm、10cm、15cm、20cm等不同深度的温度。

另外，m是观测站中记录有地温数据的最大年限，故n大于m是为了保证后续通过n-m年的气温数据，计算及预测没有记载的n-m年的地温数据。而n、m采用相同的基准年份是为了保证两者的可比性。

102、基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

本实施例中，年均地温序列指的是：指定年份地温数据中记录的周期地温平均温度，比如地温数据记录指定年份中每一个月的地温温度，则对每一个月的地温温度进行相加，然后除以12个月，即为年均地温序列；故需先求得全区连续n年的地温数据。

本实施例中，获取的地温数据中包含两个问题：

1、缺少m年内其中一个或多个年份的地温数据；

2、缺少n-m年的地温数据；

故需先补齐m年内缺少的一个或多个年份的地温数据，以及n-m年的地温数据，具体可通过以下方式进行地温数据的补齐：

1、补齐m年内缺少的一个或多个年份的地温数据：通过连续m年的气温数据对非连续的m年地温数据逐步多元线性回归分析，建立两者之间的回归方程；然后将待补齐的年份代入回归方程中，即可得到缺少的一个或多个年份的地温数据。

2、补齐n-m年的地温数据：对连续m年的年均气温数据和年均地温数据进行线性回归分析，建立两者之间的线性回归方程，然后将n-m年份代入该线性回归方程中，即可得到n-m年的年均地温数据。

103、以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

本实施例中，对于农作物的生长期节点，如油菜的生长期节点包括发芽出苗期、苗期、现蕾抽薹期、开花期和角果发育成熟期等。此处农作物的生长期节点指连续n年全区(即地温监测区域)中，农作物各生长期节点的时间，以日为单位，即通过年/月/日的方式进行记载。其中，采用地温数据进行生长期节点预测的农作物优选旱地作物。

本实施例中，对年均地温序列、农作物的生长期节点进行标签标注，然后通过预置机器学习算法对两者之间的关系进行训练，其中机器学习算法可以为：spark(火花)机器学习、xgboost(extremegradientboosting，极端梯度提升)机器学习，以预测不同年均地温对应的农作物的生长期节点。

其中，年均地温序列可先通过低通滤波进行预处理，得到年均低温序列的年际变化特征。

104、根据所述年均地温序列，估算待预测年度对应的年均地温；

本实施例中，年均地温序列可通过一个线性回归方程进行表示，可将待预测年份输入该线性回归方程中，即可得到该待预测年度对应的年均地温。其中，待预测年度可以包括n年之前未记录的年均地温、未来年份的年均地温。

105、将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

本实施例中，直接使用训练完成的农作物生长期预测模型，输入待预测年度的年均地温，即可预测到该待预测年度的农作物的生长期节点。

本发明实施例中，首先通过非连续的m年地温数据进行多元线性回归，插补缺失的地温数据，得到连续m年的地温数据；然后通过连续的n年气温数据和连续的m年的地温数据，预测n-m年的地温数据，得到连续n年的地温数据；接着以连续n年的地温数据与相关的农作物生长期节点进行训练，生成农作物生长期预测模型；最后预测年均地温，再输入农作物生长期预测模型以预测农作物的生长期。本发明实现了通过地温预测农作物生成期节点，可有效把控农作物的生长。

请参阅图2，本发明实施例中基于地温的农作物生长期预测方法的第二个实施例包括：

201、获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

本实施例中，使用多个相邻且不用地区观测站的气温数据和地温数据，其作用在于保证后续计算得到的年均气温数据与年均地温数据，在全区具有代表性、全面性。

202、分别对各观测站连续m年的气温数据进行均一性检验，保留通过均一性检验的气温数据；

本实施例中，均一性检验指检查连续m年中与平均气温数据水平之间差值异常的气温数据；与平均气温数据水平之间差值异常的气温数据包括：监测异常的气温数据、以及因检测站迁移导致的骤变气温数据，其他的气温数据则处于平均气温数据水平，认为其通过均一性检验。比如一观测站从城市迁移到山区，则迁移年度之前与之后的气温数据会因环境变化而导致气温数据骤变，故该年监测到的气温数据无法通过均一性检验，不作保留。

本实施例中，对气温数据进行均一性检验，并只保留通过均一性检验的气温数据，其作用在于增加后续建立的回归方程与真实气温数据的变化趋势的拟合度，避免异常气温数据对回归方程的影响。

具体的，可使用pmft(thepenalizedmaximalftest，惩罚最大f检验)和pmt(thepenalizedmaximalttest，惩罚最大t检验)对各观测站连续m年的气温数据进行均一性检验。

203、采用通过均一性校验的多个相邻观测站连续m年的气温数据，对单个观测站非连续的m年地温数据进行逐步多元线性回归分析，建立单个观测站的地温数据与多个相邻观测站的气温数据之间的回归方程；

本实施例中，对单个观测站非连续的m年地温数据进行逐步多元线性回归分析具体如下所示：

(1)构建只含常数项的模型；

(2)计算每一个气温数据与地温数据的相关系数绝对值，并选择相关系数绝对值最大的两个气温数据输入该模型；

(3)对气温数据进行显著性检验，并将不满足显著性检验的气温数据剔除；

(4)根据相关系数绝对值的大小顺序，再选择一个气温数据输入模型，并执行步骤(3)；

(5)依次循环执行步骤(4)、步骤(3)，直到模型中所有的气温数据均满足显著性检验时停止，而尚未在模型中的每一个气温数据都是不满足显著性检验的，得到气温数据与地温数据之间的回归方程。

204、以所述通过均一性校验的多个相邻观测站连续m年的气温数据为参考值，基于所述回归方程，对所述单个观测站非连续的m年地温数据进行插补，得到各观测站连续m年的地温数据；

本实施例中，确定非连续m年地温数据中缺少的地温数据年份；确定缺少地温数据年份对应的气温数据；将该气温数据代入回归方程中，计算对应年份的地温数据；将计算得到的地温数据拼接至对应的年份中，得到各观测站连续m年的地温数据。其中，具回归方程如下所示：

其中，t(j)为第j个年份缺失的地温，tij为第i个观测站第j个年份的气温，ri为第i观测站与监测地温数据的检测站之间的关系系数，k为临近观测站个数。

205、基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

206、以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

207、根据所述年均地温序列，估算待预测年度对应的年均地温；

208、将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

本发明实施例详细介绍了如何插补非连续的地温数据中缺失的部分，具体通过现有的连续气温数据与非连续地温数据，拟合两者相关的回归方程，通过将缺失年份的气温数据代入该回归方程，插补缺失的地温数据，得到连续的地温数据。

请参阅图3，本发明实施例中基于地温的农作物生长期预测方法的第三个实施例包括：

301、获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

302、选取单个或多个观测站作为局部站，获取所述局部站连续m年的月度气温数据并逐年进行均值计算，得到连续m年的第一局部年均气温数据；

本实施例中，具体可通过局部台站观测值全局修正(globaladjustingofstationvalue，gaosv)构建全区连续n年的年均地温序列，指通过局部(m年)的地温数据补齐全局(n-m年)的地温数据。

本实施例中，局部站指的是与全区所有观测站收集的气温数据(以及地温数据)相关程度最高的一个或多个观测站，其作用在于通过局部站的气温数据代表全区全部观测站的气温数据，具体的选取过程如下所示：

(1)计算各观测站si相对于全部观测站的相关系数ri，并对ri由大至小进行排序；

(2)根据ri的排序顺序，从si中选取一个或多个观测站作为局部站；

对于单个局部站，只需对连续m年每一年中，该局部站的每个月度气温数据相加除以12，即可得到连续m年的第一局部年均气温数据；对于多个局部站，需再计算各局部站的年均气温数据的均值，方可得到连续m年的第一局部年均气温数据。

303、获取各观测站连续m年的月度地温数据并逐年进行均值计算，得到连续m年的第一全区年均地温数据；

本实施例中，由于各观测站收集的地温数据比较少，而且通过插补以预测缺少的地温数据，才得到连续m年的地温数据，为保证年均地温数据在全区的全面性与代表性，故此处使用全区的地温数据，计算连续m年的第一全区年均地温数据。

而对连续m年中的每一年中，各检测站的每个月度气温数据相加除以12，即可得到连续m年的第一全区年均地温数据。

304、对连续m年的第一局部年均气温数据和第一全区年均地温数据进行线性回归分析，建立局部年均气温数据与全区年均地温数据之间的线性回归方程；

本实施例中，对连续m年的第一局部年均气温数据和第一全区年均地温数据建立回归模型，以对其进行线性回归分析，即可输出两者之间的线性回归方程。具体的，可通过excel、matlab进行线性拟合。

其中，线性回归方程以ts＝atc+b进行表示，其中，ts为第一全区年均地温数据tc为第一局部平均气温数据。

305、获取所述局部站连续(n-m)年的月度气温数据并逐年进行均值计算，得到连续(n-m)年的第二局部年均气温数据，其中，所述连续(n-m)年对应为有气温数据而无地温数据的年份；

306、根据所述线性回归方程和所述第二局部年均气温数据，计算连续(n-m)年的第二全区年均地温数据；

本实施例中，n-m年中缺少地温数据，而线性回归方程用于表达局部年均气温数据与全区年均地温数据之间的关系；故此处可通过计算n-m各年的第二局部年均气温数据，并分别代入线性回归方程中，即可对应得到n-m各年的第二全区年均地温数据。

307、将连续m年的所述第一全区年均地温数据与连续(n-m)年的所述第二全区年均地温数据拼接，得到全区连续n年的年均地温序列；

308、以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

309、根据所述年均地温序列，估算待预测年度对应的年均地温；

310、将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

本发明实施例中，详细介绍了未收集年段地温数据的预测与补齐，具体通过连续局部年均气温数据和连续全区年均地温数据，拟合两者相关的线性回归方程，将未收集年段的局部年均气温数据代入该线性回归方程中，即可得到对应的全区年均地温数据，以实现对未收集年段地温数据的预测与补齐。

请参阅图4，本发明实施例中基于地温的农作物生长期预测方法的第四个实施例包括：

401、获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

402、分别采用预置的第一突变年份检验算法和第二突变年份检验算法，对所述各观测站连续m年的气温数据进行检验，对应得到第一预测突变年份和第二预测突变年份；

本实施例中，第一突变年份检验算法和第二突变年份检验算法可以为：pmft和pmt。

其中，pmft无需考虑气温数据的顺序，则可以使用待检验的检测站或与多个临近检测站的气温数据进行计算即可；而pmt为保证气温数据的正态分布序列具有均一性与区域代表性，则同时使用多个临近检测站，且通过pmft的气温数据进行计算，多个临近检测站的选择标准为：以待检验的检测站为参照，与其他检测站之间的相关系数、海拔差值、距离均满足预设条件；比如待检验的检测站与其他检测站之间的相关系数需大于r；海拔差值不超过h，距离不超过d。

另外，pmft侧重气温数据的平均水平对突变年份进行检验；pmt则侧重气温数据的趋势特征对突变年份进行检测。

403、判断所述第一预测突变年份和所述第二预测突变年份是否相同；

404、若相同，则剔除对应年份的气温数据；

本实施例中，若第一预测突变年份和所述第二预测突变年份相同，则说明在该年份气温数据的平均水平与趋势特征均符合突变气温数据的特征，则不通过均一性检验。

405、若不同，则判断所述第一预测突变年份或所述第二预测突变年份是否标记有预置突变标签；

406、若标记有预置突变标签，则剔除对应年份的气温数据，并确定未剔除的气温数据通过均一性检验并进行保留；

本实施例中，检测站的迁移，当地理环境的变化明显时，比如从森林迁移到沙地，收集到的地温数据明显会升高，而对于发生检测站迁移的年份，进行预置突变标签的标注；对于只通过一个均一性检验的气温数据，判断该年是否对检测站进行迁移；而对于检测站迁移所导致的气温数据异常，亦判定不通过均一性检验，故剔除。

407、采用通过均一性校验的多个相邻观测站连续m年的气温数据，对单个观测站非连续的m年地温数据进行逐步多元线性回归分析，建立单个观测站的地温数据与多个相邻观测站的气温数据之间的回归方程；

408、以所述通过均一性校验的多个相邻观测站连续m年的气温数据为参考值，基于所述回归方程，对所述单个观测站非连续的m年地温数据进行插补，得到各观测站连续m年的地温数据；

409、基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

410、以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

411、根据所述年均地温序列，估算待预测年度对应的年均地温；

412、将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

本发明实施例中，通过均一性判别，将异常收集到的气温数据进行剔除，通过均一性较高的气温数据用于后续回归方程与线性回归方程的拟合，其拟合优度更高，对地温数据的预测更加准确。

上面对本发明基于地温的农作物生长期预测方法进行了初步描述，为了使本发明更容易理解，下面选取一个最优实施例进行进一步的说明，其中，取n＝37(1981年-2018年)，m＝27(1991年-2018年)，气温数据与地温数据来源于a区域中的68个检测站。

(一)局部地温数据插补

本实施例中，获取1981年-2018年内a区域中的68个检测站的气温数据，以及获取1991年-2018年内a区域中的68个检测站的地温数据(缺少1991年-2018年中4年的地温数据)。

本实施例中，对1991年-2018年各检测站收集到的气温数据与地温数据进行均一性检验、置信度设为0.95。

优选的，使用pmft与pmt计算突变年份，并剔除突变年份收集到的气温数据与地温数据，保留剩余的气温数据与地温数据即为通过均一性检验。

将通过均一性检验的临近气温数据与地温数据进行逐步多元线性回归分析，得到对应的回归方程，然后查找1991年-2018年中缺少地温数据的4年气温数据，并代入回归方程中，即可得到这4年的地温数据，插补到1991年-2018年中缺少的地温数据中，得到1991年-2018年连续的地温数据。

(二)地温数据全局修正

本实施例中，通过1991年-2018年的气温数据，计算各检测站与全部68个检测站的相关系数；假设2号检测站与3号检测站与全部68个检测站的相关系数最高，分别为0.98、0.97，则计算2号检测站与3号检测站的第一局部年均气温数据；然后再计算1991年-2018年的第一全区年均地温数据。

本实施例中，通过2号检测站与3号检测站的第一局部年均气温数据，以及第一全区年均地温数据，线性回归分析局部年均气温数据和全区年均地温数据的拟合方程(1991年-2018年)：ts＝0.8722tc+3.2551，其中，拟合精度为0.99。

本实施例中，计算1981年-1990年2号检测站与3号检测站的局部年均气温数据，再代入ts＝0.8722tc+3.2551中，即可得到1981年-1990年的全区年均地温数据。

本实施例中，将1981年-1990年的全区年均地温数据与1991年-2018年的全区年均地温数据进行拼接，即可得到1981年-2018年的年均地温序列。

(三)农作物生长期预测模型训练

本实施例中，通过1981年-2018年的年均地温序列与1981年-2018年农作物的各生长期节点，训练出农作物生长期预测模型，其中，输入为预测年份的年均地温，输出为农作物的各生长期节点。

(四)农作物生长期节点预测

本实施例中，预测气温数据的相关技术已经较成熟，如若预测2025年农作物的各生长期节点，则先根据年均地温序列，构建年均地温数据相对于时间的线性拟合曲线，得到对应的线性回归方程；然后将2025年代入该线性回归方程中，以预测2025年的年均地温数据t2025c，接着将t2025c农作物生长期预测模型中，即可预测2025年农作物的各生长期节点。

上面对本发明实施例中基于地温的农作物生长期预测方法进行了描述，下面对本发明实施例中基于地温的农作物生长期预测装置进行描述，请参阅图5，本发明实施例中基于地温的农作物生长期预测装置一个实施例包括：

获取模块501，用于获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

构建模块502，用于基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

训练模块503，用于以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

估算模块504，用于根据所述年均地温序列，估算待预测年度对应的年均地温；

预测模块505，用于将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

本发明实施例中，首先通过非连续的m年地温数据进行多元线性回归，插补缺失的地温数据，得到连续m年的地温数据；然后通过连续的n年气温数据和连续的m年的地温数据，预测n-m年的地温数据，得到连续n年的地温数据；接着以连续n年的地温数据与相关的农作物生长期节点进行训练，生成农作物生长期预测模型；最后预测年均地温，再输入农作物生长期预测模型以预测农作物的生长期。本发明实现了通过地温预测农作物生成期节点，可有效把控农作物的生长。

请参阅图6，本发明实施例中基于地温的农作物生长期预测装置的另一个实施例包括：

获取模块501，用于获取多个相邻且不同地区观测站连续n年的气温数据以及非连续的m年地温数据，其中，n大于m且采用相同的基准年份；

构建模块502，用于基于所述气温数据与所述地温数据，构建全区连续n年的年均地温序列；

训练模块503，用于以连续n年的所述年均地温序列以及农作物的生长期节点为训练样本，采用预置机器学习算法进行训练，生成农作物生长期预测模型；

估算模块504，用于根据所述年均地温序列，估算待预测年度对应的年均地温；

预测模块505，用于将所述年均地温输入所述农作物生长期预测模型进行处理，输出待预测年度所述农作物的生长期节点。

具体的，所述基于地温的农作物生长期预测方法装置还包括：

检验模块506，用于分别对各观测站连续m年的气温数据进行均一性检验，保留通过均一性检验的气温数据；

分析模块507，用于采用通过均一性校验的多个相邻观测站连续m年的气温数据，对单个观测站非连续的m年地温数据进行逐步多元线性回归分析，建立单个观测站的地温数据与多个相邻观测站的气温数据之间的回归方程；

插补模块508，用于以所述通过均一性校验的多个相邻观测站连续m年的气温数据为参考值，基于所述回归方程，对所述单个观测站非连续的m年地温数据进行插补，得到各观测站连续m年的地温数据。

具体的，所述构建模块502包括：

第一均值计算单元5021，用于选取单个或多个观测站作为局部站，获取所述局部站连续m年的月度气温数据并逐年进行均值计算，得到连续m年的第一局部年均气温数据；用于获取各观测站连续m年的月度地温数据并逐年进行均值计算，得到连续m年的第一全区年均地温数据；

分析单元5022，用于对连续m年的第一局部年均气温数据和第一全区年均地温数据进行线性回归分析，建立局部年均气温数据与全区年均地温数据之间的线性回归方程；

第二均值计算单元5023，用于获取所述局部站连续(n-m)年的月度气温数据并逐年进行均值计算，得到连续(n-m)年的第二局部年均气温数据，其中，所述连续(n-m)年对应为有气温数据而无地温数据的年份；

地温数据计算单元5024，用于根据所述线性回归方程和所述第二局部年均气温数据，计算连续(n-m)年的第二全区年均地温数据；

拼接单元5025，用于将连续m年的所述第一全区年均地温数据与连续(n-m)年的所述第二全区年均地温数据拼接，得到全区连续n年的年均地温序列。

具体的，所述检验模块506包括：

检验单元5061，用于分别采用预置的第一突变年份检验算法和第二突变年份检验算法，对所述各观测站连续m年的气温数据进行检验，对应得到第一预测突变年份和第二预测突变年份；

第一判别单元5062，用于判断所述第一预测突变年份和所述第二预测突变年份是否相同；

第一筛选单元5063，用于若所述第一预测突变年份和所述第二预测突变年份相同，则剔除对应年份的气温数据；

第二判别单元5064，用于若所述第一预测突变年份和所述第二预测突变年份不同，则判断所述第一预测突变年份或所述第二预测突变年份是否标记有预置突变标签；

第二筛选单元5065，用于若标记有预置突变标签，则剔除对应年份的气温数据，并确定未剔除的气温数据通过均一性检验并进行保留。

本发明实施例中，通过现有的连续气温数据与非连续地温数据，拟合两者相关的回归方程，以供插补缺失的地温数据，得到连续的地温数据；再通过连续局部年均气温数据和连续全区年均地温数据，拟合两者相关的线性回归方程，以实现对未收集年段地温数据的预测与补齐；其中对于地温数据与气温数据，通过均一性判别，将异常收集到的气温数据进行剔除，通过均一性较高的气温数据与地温数据，在用于后续回归方程与线性回归方程的拟合时，其拟合优度更高，对缺失与未收集的地温数据预测更加准确。

上面图5和图6从模块化功能实体的角度对本发明实施例中的基于地温的农作物生长期预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于地温的农作物生长期预测设备进行详细描述。

图7是本发明实施例提供的一种基于地温的农作物生长期预测设备的结构示意图，该基于地温的农作物生长期预测设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于地温的农作物生长期预测设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在基于地温的农作物生长期预测设备700上执行存储介质730中的一系列指令操作。

基于地温的农作物生长期预测设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如windowsserve，macosx，unix，linux，freebsd等等。本领域技术人员可以理解，图7示出的基于地温的农作物生长期预测设备结构并不构成对基于地温的农作物生长期预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于地温的农作物生长期预测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以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全部或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(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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。