一种预测农作物产量的方法、装置及计算机可读存储介质与流程

本发明涉及农业生产技术领域，具体而言，涉及一种预测农作物产量的方法、装置及计算机可读存储介质。

背景技术：

现有技术中，传统的作物估产方法主要是农学预报方法、统计预报方法、气象预报方法等。这些估产方法都需要大量的人工调查、数据统计，不适宜大范围的作物估产。并且这些估产方法只考虑了农作物的播种情况，但是农作物在生长过程中还受到多重因素的制约，尤其是气候灾害、病虫灾害会对生产预测结果偏差产生严重影响。

技术实现要素：

为了克服上述现有技术中的不足，本发明提供一种预测农作物产量的方法、装置及计算机可读存储介质，以解决上述问题。

为了解决上述技术问题，本发明实施例第一方面提供一种预测农作物产量的方法，所述方法包括：获取预设区域中目标农作物的静态信息；采集预设区域中目标农作物在当前生长阶段的动态信息；所述静态信息和所述动态信息为影响所述目标农作物生长的因信息；将所述静态信息和所述动态信息输入到预先建立的目标农作物产量预测模型中，获得所述目标农作物的预测产量。

可选的，所述获取预设区域中目标农作物的静态信息，包括：获取预设区域中目标农作物的农作物类型信息、种植面积信息、土壤类型信息、种植密度信息和灌溉类型信息中的至少一种维度或任意组合维度的信息。

可选的，所述采集预设区域中目标农作物在当前生长阶段的动态信息，包括：采集所述目标农作物在所述当前生长阶段的农事作业信息、自然灾害信息、病害信息、虫害信息和气候信息中的至少一种维度或任意组合维度的信息。

可选的，所述获取预设区域中目标农作物的静态信息，包括：获取预设静态采集维度下的预设静态一级指标的下级指标的静态信息；所述采集预设区域中目标农作物在当前生长阶段的动态信息，包括：采集所述目标农作物在所述当前生长阶段的田地图像；将所述田地图像输入到预先训练好的第一神经网络中，得到预设动态采集维度下的预设动态一级指标的下级指标的动态信息。

可选的，所述采集预设区域中目标农作物在当前生长阶段的动态信息，还包括：将所述田地图像输入到预先训练好的第二神经网络中，获得所述目标农作物的受灾面积和受灾级别；根据所述受灾面积和所述受灾级别确定对应的受灾参数；根据所述受灾参数对三个所述预设动态采集维度：自然灾害信息、病害信息、虫害信息下的所述动态信息进行校正，获得校正后的所述动态信息。

可选的，在所述将所述静态信息和所述动态信息输入到预先建立的目标农作物产量预测模型中之前，所述方法还包括：设定所述目标农作物产量预测模型的权重参数；其中，所述权重参数包括每个所述预设静态一级指标的下级指标的权重参数和每个所述预设动态一级指标的下级指标的权重参数；

对应的，所述将所述静态信息和所述动态信息输入到预先建立的目标农作物产量预测模型中，获得所述目标农作物的预测产量，包括：根据每个所述预设静态一级指标的下级指标的权重参数与所述下级指标的静态信息计算得到每个所述预设静态一级指标的评价值；根据每个所述预设动态一级指标的下级指标的权重参数与所述下级指标的动态信息计算得到每个所述预设动态一级指标的评价值；根据所述预设静态一级指标的评价值和所述预设动态一级指标的评价值调用预设分类模型；根据所述预设分类模型查找对应的回归方程；将所述预设静态一级指标的评价值和所述预设动态一级指标的评价值代入所述回归方程，获得所述目标农作物的预测产量。

可选的，在所述根据所述预设静态一级指标的评价值和所述预设动态一级指标的评价值调用预设分类模型之前，所述方法还包括：根据所述目标农作物的亩产量和各个生长阶段建立分类数据模型；将所述目标农作物的历史亩产量和各个生长阶段的所述预设静态一级指标的历史评价值和所述预设动态一级指标的历史评价值作为样本，采用svm分类算法对所述分类数据模型进行分类训练，生成多个所述预设分类模型；针对每个所述分类模型进行多元回归训练，生成所述回归方程。

本发明实施例第二方面提供一种预测农作物产量的装置，所述装置包括：获取单元，用于获取预设区域中目标农作物的静态信息；采集单元，用于采集预设区域中目标农作物在当前生长阶段的动态信息；所述静态信息和所述动态信息为影响所述目标农作物生长的因信息；处理单元，用于将所述静态信息和所述动态信息输入到预先建立的目标农作物产量预测模型中，获得所述目标农作物的预测产量。

可选的，所述处理单元还用于设定所述目标农作物产量预测模型的权重参数；其中，所述权重参数包括每个预设静态一级指标的下级指标的权重参数和每个预设动态一级指标的下级指标的权重参数；

对应的，所述处理单元还用于根据每个所述预设静态一级指标的下级指标的权重参数与所述下级指标的静态信息计算得到每个所述预设静态一级指标的评价值；所述处理单元还用于根据每个所述预设动态一级指标的下级指标的权重参数与所述下级指标的动态信息计算得到每个所述预设动态一级指标的评价值；所述处理单元还用于根据所述预设静态一级指标的评价值和所述预设动态一级指标的评价值调用预设分类模型；所述处理单元还用于根据所述预设分类模型查找对应的回归方程；所述处理单元还用于将所述预设静态一级指标的评价值和所述预设动态一级指标的评价值代入所述回归方程，获得所述目标农作物的预测产量。

本发明实施例第三方面提供一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面或第一方面中任一实施例所述的预测农作物产量的方法。

相对于现有技术而言，本发明实施例第一方面提供的一种预测农作物产量的方法能够在目标农作物播种时采集目标农作物在生长周期内不变的静态信息，也能够采集目标农作物在当前生长周期内变化的田间管理情况信息作为动态信息，从而综合考虑目标农作物的播种情况以及在生长过程中受到的动态影响因素(例如缺水导致的干旱和降雨过多导致的渍涝)，还考虑了目标农作物在受到自然灾害、病害和虫害时的影响，进而能够精确预测目标农作物的产量。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的一种预测农作物产量的方法的第一实施例的流程图。

图2为本发明实施例提供的一种预测农作物产量的方法的第二实施例的流程图。

图3为本发明实施例提供的一种预测农作物产量的方法的第三实施例的流程图。

图4为本发明实施例提供的一种预测农作物产量的方法的第四实施例的流程图。

图5为本发明实施例提供的一种预测农作物产量的方法的第五实施例的流程图。

图6为本发明实施例提供的一种预测农作物产量的装置结构图。

图标：800-获取单元；810-采集单元；820-处理单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1所示，图1为本发明实施例提供的一种预测农作物产量的方法的第一实施例的流程图。

步骤s200，获取预设区域中目标农作物的静态信息。

步骤s210，采集预设区域中目标农作物在当前生长阶段的动态信息；静态信息和动态信息为影响目标农作物生长的因信息。

步骤s220，将静态信息和动态信息输入到预先建立的目标农作物产量预测模型中，获得目标农作物的预测产量。

可理解的，通过获取预设区域中目标农作物在生长周期内不变的静态信息，采集预设区域中目标农作物在当前生长周期内变化的田间管理情况信息作为动态信息，静态信息和动态信息为影响目标农作物生长的因信息；再将静态信息和动态信息输入到预先建立的目标农作物产量预测模型中，获得目标农作物的预测产量。能够得到目标农作物在当前生长阶段的产量预测，进而能够对同一时期各个地域处于不同生长阶段的农作物进行产量预测，并得到农作物的预测产量。

为便于本领域技术人员更好的理解本方案，下面先介绍各个步骤中的名词。预设区域可以表示为目标农作物的一个种植单位，也可以表示所处的地域，例如第一个预设区域在四川，第二个预设区域在黑龙江，在预设区域内观察和采集目标农作物，例如预设区域可以为用来种植目标农作物的100亩田地。目标农作物可以是小麦，也可以是水稻，还可以是玉米、大豆和高粱等。

以下内容以小麦作为目标农作物，并对目标农作物进行产量预测的描述。需要注意的是，该预测农作物产量的方法同样能够适用于以其他农作物作为目标农作物，从而进行产量预测。

可理解的，目标农作物在当前生长阶段，当前生成阶段即为在该方法实施时，小麦在生育周期中当前所处于的生长阶段。小麦的生育周期分为11个生长阶段，分别是：出苗、分蘖、越冬、返青、起身、拔节、挑旗、抽穗、开花、灌浆和成熟。

可选的，获取预设区域中目标农作物的静态信息，包括：采集目标农作物在当前生长阶段的农作物类型信息、种植面积信息、土壤类型信息、种植密度信息和灌溉类型信息中的至少一种维度或任意组合维度的信息。

可理解的，静态信息为目标农作物的播种信息，包括麦种类型、种植面积、土壤类型、种植密度和灌溉类型等静态的信息。

可选的，采集预设区域中目标农作物在当前生长阶段的动态信息，包括：采集目标农作物在当前生长阶段的农事作业信息、自然灾害信息、病害信息、虫害信息和气候信息中的至少一种维度或任意组合维度的信息。

可理解的，动态信息为目标农作物的田间管理信息，包括农事作业维度、自然灾害维度、病害维度、虫害维度和气候维度等动态的信息。每个维度的信息具体如下所示：

农事作业维度包含过冬水，返青除草，拔节浇水，拔节施肥，挑旗浇水，挑旗施肥信息；自然灾害维度包含抽穗、开花、灌浆、成熟四个阶段的根倒伏与茎倒伏面积；病害维度包含抽穗、开花、灌浆、成熟四个阶段的根倒伏与茎倒伏面积；虫害维度包含锈病、麦叶螨、黏虫、吸浆虫等病虫害；气候维度包含抽穗、开花、灌浆、成熟四个生育阶段中的大气中co2(二氧化碳)浓度、光照强度，以及生育周期的11个生长阶段的降水量。

在本技术方案中，根据目标农作物的不同特征信息，设定相应的具体指标内容。具体如下：

静态信息，即播种信息包括2个一级指标，分别是生物特性和种植环境，根据这2个一级指标分解出11个二级指标。具体为，生物特性包括种子质量、抗寒性、株高、抗逆性、分蘖性和基础亩产量6个二级指标；种植环境包括土壤类型、灌溉类型、种植密度、种植面积和土壤湿度，5个二级指标。

动态信息，即田间管理信息中包括农事作业维度、自然灾害维度、病害维度、虫害维度和气候维度，在各个维度下设置指标，具体如下：

农事维度包括2个一级指标，分别是灌溉和施肥，根据这2个一级指标分解出5个二级指标。具体为，灌溉包括过冬灌溉、拔节灌溉和挑旗灌溉3个二级指标；施肥包括拔节施肥和挑旗施肥，总计2个二级指标。

自然灾害维度包括1个一级指标，该一级指标为倒伏，根据这个一级指标分解出2个二级指标，该二级指标分别为根倒伏和茎倒伏。该二级指标按照目标农作物的生长阶段分解出8个三级指标。具体为，根倒伏包括抽穗根倒伏、开花根倒伏、灌浆根倒伏和成熟根倒伏，总计4个三级指标；茎倒伏包括抽穗茎倒伏、开花茎倒伏、灌浆茎倒伏和成熟茎倒伏，总计4个三级指标。

病害维度包括1个一级指标，该一级指标为病害，根据这个一级指标分解出22个二级指标。具体为，病害包含赤霉病、白粉病、麦纹枯病、条锈病、麦叶锈病、全蚀病、黄矮病、根腐病、散黑穗病、腥黑穗病、颖枯病、黄斑叶枯病、链格孢叶枯病、壳针孢叶枯病、秆黑粉病、秆枯病、褐叶斑病、梭条斑花叶病、黑颖病、黑节病、细菌性条斑病，总计21个二级指标。

虫害维度包括1个一级指标，该一级指标为虫害，根据这个一级指标分解出14个二级指标。具体为，虫害包含麦长管蚜、禾谷缢管蚜、麦二叉蚜、小麦吸浆虫、小麦叶蜂、小麦管蓟马、黏虫、西北麦蝽、麦黑斑潜叶蝇、小地老虎、东方蝼蛄、华北蝼蛄、沟金针虫、麦圆蜘蛛，总计14个二级指标。

气候维度包括1个一级指标，该一级指标为气候，根据这个一级指标分解出6个二级指标。具体为，气候包含光照度、降雨量、c02(二氧化碳)浓度、大气温度、大气湿度和土壤湿度，总计6个二级指标。

以下将详细介绍各个步骤的具体实现过程。

步骤s200执行的方式，在小麦播种时使用物联网设备，例如智能小麦播种机，通过在物联网设备上输入小麦的种子类型信息和土壤类型信息，该智能小麦播种机在进行播种时可以自动采集出小麦的种植面积信息、种植密度信息和灌溉类型信息，物联网设备再将这五个静态维度信息发送给预测农作物产量的装置，以使预测农作物产量的装置获取预设区域中目标农作物的静态信息。

可理解的，在步骤s200中，物联网设备再将这五个静态维度信息发送给预测农作物产量的装置，具体而言，物联网设备根据这五个静态维度信息进行分析得到这五个静态维度下的静态一级指标的下级指标的静态信息，再将这五个静态维度下的静态一级指标的下级指标的静态信息发生给预测农作物产量的装置，以使预测农作物产量的装置获取预设静态采集维度下的预设静态一级指标的下级指标的静态信息。

步骤s210执行的采集时机，通过预测农作物产量的装置，可以是自动根据预先设定好的采集周期，采集预设区域中目标农作物在当前生长阶段的动态信息，也可以是预测农作物产量的装置在接收到用户或者管理人员的采集操作时执行。

请参照图2所示，图2为本发明实施例提供的一种预测农作物产量的方法的第二实施例的流程图。步骤s200包括：

步骤s300，采集目标农作物在当前生长阶段的田地图像。

步骤s320，将田地图像输入到预先训练好的第一神经网络中，得到预设动态采集维度下的预设动态一级指标的下级指标的动态信息。

可理解的，采集目标农作物在当前生长阶段的田地图像，可以是通过大田气象站采集，也可以是通过物联网系统采集，还可以通过卫星或者无人飞行器采集。在采集田地图像的同时，能够采集目标农作物的生长周期的各个生长阶段的开始日期和结束日期。

可理解的，第一神经网络为152层的深度残差神经网络模型，对小麦的生育周期的11个生长阶段的图像，建立数据模型，并通过非监督神经网络训练获得生育周期神经网络模型。之所以采用这么深的层数的深度残差神经网络模型，是因为要满足对小麦的生育周期的识别需要。浅层的深度残差神经网络模型，例如20层或56层的深度残差神经网络模型，学习识别率没有办法达到本技术方案实现产量预测所需的精度。非监督神经网络训练，对于输入的图像只需要进行分类，不要人工标注就可以进行的训练的方式，节省训练人工成本。

请参照图3所示，图3为本发明实施例提供的一种预测农作物产量的方法的第三实施例的流程图。步骤s200还包括：

步骤s400，将田地图像输入到预先训练好的第二神经网络中，获得目标农作物的受灾面积和受灾级别。

步骤s420，根据受灾面积和受灾级别确定对应的受灾参数。

可理解的，受灾参数是根据历史受灾面积和历史受灾级别能够预先确定好的受灾参数。

步骤s440，根据受灾参数对三个预设动态采集维度：自然灾害信息、病害信息、虫害信息下的动态信息进行校正，获得校正后的动态信息。

具体而言，第二神经网络为faster-r-cnn(目标检测详解)的目标检测神经网络模型。按照目标农作物受到的自然灾害维度、病害维度和虫害维度及其各自维度下的指标建立目标检测神经网络模型，并可以使用采集的历史田地图像进行监督训练。训练好的目标检测神经网络模型，通过将步骤s300采集的田地图像输入到步骤s400中，对该田地图像进行目标农作物的受灾检测，对检测出的受灾目标农作物的区域采用模式匹配进行图像面积测算，从而获得目标农作物的受灾面积和受灾级别。

可理解的，在步骤s400、步骤s420和步骤s440中的校正，是将包含受灾面积和受灾级别的受灾信息作为参考信息，与步骤s320中获得的动态信息进行比较，修改步骤s320中获得的关于自然灾害维度、病害维度和虫害维度三个维度下的下级指标的动态信息。因为在步骤s320中检测的关于自然灾害维度、病害维度和虫害维度三个维度下的下级指标的动态信息，没有考虑自然灾害维度、病害维度和虫害维度三个维度中的多种情况同时发生，但是在目标农作物的实际生育周期中，这些多种情况会同时发生。

请参照图4所示，图4为本发明实施例提供的一种预测农作物产量的方法的第四实施例的流程图。在步骤s240之前，所述方法还包括：

步骤s500，设定目标农作物产量预测模型的权重参数；其中，权重参数包括每个预设静态一级指标的下级指标的权重参数和每个预设动态一级指标的下级指标的权重参数。

具体而言，设定权重参数的目标农作物产量预测模型的设计，采用层次分析法(ahp：analytichierarchyprocess)。层次分析法是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。

可理解的，前面已经说明了在本技术方案中，根据目标农作物的不同特征信息，设定相应的具体指标内容。根据设定相应的具体指标，设定相应的权重参数。权重参数可以是通过已有的历史数据得到，还可以是通过小麦种植专家设定的。三级指标的权重之和等于二级指标的权重，二级指标权重之和等于一级指标的权重，一级指标权重之和等于农事维度的权重。

相应的，步骤s240包括：步骤s510，根据每个预设静态一级指标的下级指标的权重参数与下级指标的静态信息计算得到每个预设静态一级指标的评价值。

步骤s520，根据每个预设动态一级指标的下级指标的权重参数与下级指标的动态信息计算得到每个预设动态一级指标的评价值。

具体而言，计算三级指标各分量对二级指标的评价值，是将二级评价指标集记作：p11＝{p1101，p1102，…，p1111}，其中的项或者元素为三级指标的动态信息，根据公式转换得到评价判断向量：m11＝[x1101，x1102，…，x1111]，再依据权重配合，综合评价值为：

公式(1)二级指标评估公式

其中，ep11为二级指标的平均值，向量w11为三级指标权重，t为矩阵倒置。

计算二级指标各分量对一级指标的评价值，以一级指标“灌溉”下的各二级指标为例，共包含3个二级指标，分别记作：过冬灌溉p11、拔节灌溉p12、挑旗灌该p13，，指标集记作：p1＝{p11，p12，p13}。假设计算得到各二级指标的评价值分别为ep11，ep12，ep13，，记作向量ep1＝[ep11，ep12，ep13]；各二级指标对应的权重记作向量则对应的一级指标“田间管理”的综合评价指标为：

公式(2)一级指标评估公式

其中，ep1为一级指标的平均值，向量w1为二级指标权重，t为矩阵倒置。

步骤s530，根据预设静态一级指标的评价值和预设动态一级指标的评价值调用预设分类模型。

具体而言，通过公式(1)和公式(2)的计算获取到目标农作物的一级指标数据，根据一级指标数据调用预设分类模型，从而获得该预设区域的分类模型。

步骤s540，根据预设分类模型查找对应的目标农作物的回归方程(公式(3))。

步骤s550，将预设静态一级指标的评价值和预设动态一级指标的评价值代入回归方程，获得目标农作物的预测产量。

可理解的，根据目标农作物的预测产量的评估值e，可以将其转化为评估结论集(预设区域的目标农作物产量)v＝{v1，v2，…，v5}中的项，通过对各个预设区域的目标农作物产量进行计算得出评估结果，根据评估结果制定小麦收购粮食价格和小麦仓储战略。

具体而言，先将目标农作物的种植信息给予一定分值量化，作为目标农作物产量基础分，即目标农作物静态产量或固定产量。然后将目标农作物生长周期的各个生长阶段气象信息、病虫灾害和农事信息，也都给予一定分值量化，作为目标农作物的产量加减分，即目标农作物动态产量。

可以是通过大田气象站采集，也可以是通过物联网系统采集，还可以通过卫星或者无人飞行器采集，以及图像分析设备(例如工控机(industrialpersonalcomputer，ipc)即工业控制计算机)自动收集并分析这些动态信息，并记录到目标农作物的预测产量模型中，本发明的预测农作物产量的方法能够自动计算出小麦预产量。

请参照图5所示，图5为本发明实施例提供的一种预测农作物产量的方法的第五实施例的流程图。在步骤s240之前，所述方法还包括：

步骤s600，根据目标农作物的亩产量和各个生长阶段建立分类数据模型。

可理解的，采用svm分类算法进行分类训练。分类模型的信息有：生育阶段，亩产量，生物特性(x1)，种植环境(x2)，灌溉(x3)，施肥(x4)，倒伏(x5)，病害(x6)，虫害(x7)和气候(x8)等一级指标。其中，x1至x8为八个变量。

步骤s620，将目标农作物的历史亩产量和各个生长阶段的预设静态一级指标的历史评价值和预设动态一级指标的历史评价值作为样本，采用svm分类算法对分类数据模型进行分类训练，生成多个预设分类模型。

步骤s640，针对每个分类模型进行多元回归训练，生成回归方程。

可理解的，步骤s620和步骤s640为：再针对不同分类分别进行多元回归训练生成回归方程，公式如下：

y＝c0+c1x1+c2x2+c3x3...+c8x8

公式(3)小麦产量预测回归方程

其中：y代表亩产量；c代表回归系数，通过回归训练获得；x代表小麦产量预测模型中的一级指标的评价值。

请参照图6所示，图6为本发明实施例提供的一种预测农作物产量的装置结构图。所述装置包括：获取单元800，用于获取预设区域中目标农作物的静态信息；采集单元810，用于采集预设区域中目标农作物在当前生长阶段的动态信息；其中，所述静态信息和所述动态信息为影响所述目标农作物生长的因信息；处理单元820，用于将所述静态信息和所述动态信息输入到预先建立的目标农作物产量预测模型中，获得所述目标农作物的预测产量。

获取单元800、采集单元810和处理单元820的具体实施方式前面步骤s200、s210和步骤s220已经进行了详细描述，此处不再赘述。

可选的，所述获取预设区域中目标农作物的静态信息，包括：获取单元800还用于获取预设静态采集维度下的预设静态一级指标的下级指标的静态信息；所述采集预设区域中目标农作物在当前生长阶段的动态信息，包括：采集单元810还用于采集所述目标农作物在所述当前生长阶段的田地图像；处理单元820还用于将所述田地图像输入到预先训练好的第一神经网络中，得到预设动态采集维度下的预设动态一级指标的下级指标的动态信息。

此处的获取单元800的具体实施方式前面步骤s200已经进行了详细描述；采集单元810和处理单元820的具体实施方式前面步骤s300和步骤s320已经进行了详细描述，此处不再赘述。

可选的，所述采集预设区域中目标农作物在当前生长阶段的动态信息，还包括：处理单元820还用于将所述田地图像输入到预先训练好的第二神经网络中，获得所述目标农作物的受灾面积和受灾级别；处理单元820还用于根据所述受灾面积和所述受灾级别确定对应的受灾参数；处理单元820还用于根据所述受灾参数对三个所述预设动态维度：自然灾害信息、病害信息、虫害信息下的所述动态信息进行校正，获得校正后的所述动态信息。

此处的处理单元820的具体实施方式前面步骤s400、步骤s420和步骤s440已经进行了详细描述，此处不再赘述。

可选的，所述处理单元820还用于设定所述目标农作物产量预测模型的权重参数；其中，所述权重参数包括每个预设静态一级指标的下级指标的权重参数和每个预设动态一级指标的下级指标的权重参数；

对应的，所述处理单元820还用于根据每个所述预设静态一级指标的下级指标的权重参数与所述下级指标的静态信息计算得到每个所述预设静态一级指标的评价值；所述处理单元820还用于根据每个所述预设动态一级指标的下级指标的权重参数与所述下级指标的动态信息计算得到每个所述预设动态一级指标的评价值；所述处理单元820还用于根据所述预设静态一级指标的评价值和所述预设动态一级指标的评价值调用预设分类模型；所述处理单元820还用于根据所述预设分类模型查找对应的回归方程；所述处理单元820还用于将所述预设静态一级指标的评价值和所述预设动态一级指标的评价值代入所述回归方程，获得所述目标农作物的预测产量。

此处的处理单元820的具体实施方式前面步骤s500至步骤s550已经进行了详细描述，此处不再赘述。

可选的，在所述根据所述预设静态一级指标的评价值和所述预设动态一级指标的评价值调用预设分类模型之前，所述方法还包括：处理单元820还用于根据所述目标农作物的亩产量和各个生长阶段建立分类数据模型；处理单元820还用于将所述目标农作物的历史亩产量和各个生长阶段的所述预设静态一级指标的历史评价值和所述预设动态一级指标的历史评价值作为样本，采用svm分类算法对所述分类数据模型进行分类训练，生成多个所述预设分类模型；处理单元820还用于针对每个所述分类模型进行多元回归训练，生成所述回归方程。

此处的处理单元820的具体实施方式前面步骤s600、步骤s620和步骤s640已经进行了详细描述，此处不再赘述。

可选的，本发明实施例第三方面提供一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行图1-图5中任一实施例所述的预测农作物产量的方法。

综上所述，本发明提供一种预测农作物产量的方法、装置及计算机可读存储介质，采用基于深度学习的物体识别技术和图像测量技术，准确计算出小麦的气象灾害、病虫灾的受灾面积和级别，提高小麦产量预测精度。本技术方案采用基于深度学习的图像分类算法识别小麦所处生长阶段并自动记录小麦生长周期，实现小麦产量分阶段预测，解决了我国南北地域跨度大，小麦在同一时间处于不同生长周期的问题。本技术方案中的目标农作物产量预测模型的顶层采用svm分类回归统计方法，在精确分类的基础上进行回归预测，有效提高预测精度。

本技术方案采用基于深度学习的物体识别、图像分类和物联网技术自动采集小麦指标因子数据，避免人工手动采集效率低下的问题，能够及时计算出小麦的预产量。本技术方案根据小麦生育周期的不同，在不同的分类模型中选择合适的回归方程，能够进一步提高小麦产量预测的精度。本技术方案采用层次分析法，既不单纯地追求高深数学，又不片面地注重行为、逻辑、推理，而是把定性方法与定量方法有机地结合起来，使复杂的系统分解，能将人们的思维过程数学化、系统化，便于人们接受。计算简便，并且所得结果简单明确，容易为决策者了解和掌握。

在本发明所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。

也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。

所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。