本发明涉及农业管理，具体为一种智慧农业种植的农作物产量预估方法。
背景技术：
1、随着人口的不断增长和农业资源的日益紧张，提高农作物产量和生产效率已成为农业领域的重要课题，因此对农作物产量预估显得尤为关键，它不仅关系到农业资源的有效利用，还直接影响着农业生产的决策和规划，智慧农业作为一种融合了现代信息技术的创新农业模式，旨在通过精准的数据分析和智能决策支持，优化农业生产流程，提升农业生产的可持续性和经济效益。
2、在现有的智慧农业技术中，农作物产量预估是一个关键环节，它依赖于对历史种植数据的分析和模型构建。这些技术通常包括使用传感器收集环境数据、应用统计模型分析作物生长趋势以及利用机器学习算法预测产量，尽管这些技术在一定程度上提高了产量预估的准确性，但它们往往忽视了环境数据的趋势性和季节性变化，以及这些变化对农作物生长的综合影响。
3、然而，现有的农作物产量预估方法存在明显的不足。首先，现有的方法往往依赖于历史数据集进行预测，但是农作物的产量受自然因素影响较大，例如非季节性的气候变化、极端天气事件，这些因素对于产量的影响具有很大的偶然性，若不进行筛选，会影响预测的准确性，其次，现有的方法未能充分考虑环境和管理数据的动态变化，特别是在不同种植周期之间环境条件和管理措施的差异，因此现有的预估方法缺乏足够的灵活性和适应性，导致在实际应用中的效果不尽如人意。
4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的在于提供一种智慧农业种植的农作物产量预估方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种智慧农业种植的农作物产量预估方法，具体步骤包括：
4、步骤1：针对待预估产量的农作物类型，分别获取同种类农作物个历史种植周期的历史种植数据，所述历史种植数据包括农作物生长周期内每月的环境数据，农作物的管理数据以及最终产量数据；
5、步骤2：依据每个历史种植周期的历史种植数据，对种植周期内相邻两个月份之间的环境数据进行趋势性和季节性分析，根据趋势性和季节性分析的结果生成两个月份之间环境数据残差，根据每个历史种植周期的残差数据，生成每个历史种植周期的随机波动指数；
6、步骤3：依据随机波动指数对个历史种植数据进行筛选，去除随机波动指数大于波动阈值的历史种植数据，将筛选下的历史种植数据构成历史参照数据集；
7、步骤4：采集待预估产量的农作物截至当前生长周期内的每月的环境数据和农作物的管理数据，构成评估数据集，遍历历史参照数据集内各个历史种植数据的趋势性、季节性分析结果，和评估数据集内环境数据相结合生成环境近似指数；
8、步骤5：依据环境近似指数，挑选出两组历史种植数据，依据挑选出的历史种植数据内的农作物的管理数据以及最终产量数据，结合评估数据集内的农作物的管理数据，对待预估的农作物的产量进行预测。
9、进一步地，所述环境数据包括农作物种植环境的温度、降水量和光照强度数据，根据相邻两个月份之间的环境数据进行趋势性和季节性分析所依据的逻辑为：
10、依据时间顺序，对作物生长周期的每个月份进行编号，分别采集农作物生长周期内每月的平均温度、平均降水量和平均光照强度；
11、依据每月的平均温度、平均降水量和平均光照强度计算相邻两个月份之间温度、降水量和光照强度数据的趋势指数和季节性指数；
12、依据趋势指数和季节性指数，计算相邻两个月份之间温度、降水量和光照强度的残差。
13、进一步地，计算相邻两个月份之间温度、降水量和光照强度的趋势指数所依据的公式为：其中，分别为第个历史种植数据中第个月份和第个月份之间温度、降水量和光照强度的趋势指数，分别表示第个历史种植数据中第个月份的平均温度、平均降水量和平均光照强度，分别表示第个历史种植数据中第个月份的平均温度、平均降水量和平均光照强度；
14、计算相邻两个月份之间温度、降水量和光照强度的季节性指数所依据的公式为：其中，分别表示第个历史种植数据中第个月份和第个月份之间温度、降水量和光照强度的季节性指数；
15、计算相邻两个月份之间温度、降水量和光照强度的残差所依据的公式为：其中，分别表示第个历史种植数据中第个月份和第个月份之间温度、降水量和光照强度的残差，表示历史种植数据的编号，为正整数，, 表示种植周期中月份的编号。
16、进一步地，生成每个历史种植周期的随机波动指数所依据的逻辑为：
17、根据每个历史种植数据中，相邻两个月份之间温度、降水量和光照强度的残差，分别生成各个历史种植周期的温度残差的平均数和方差、降水量残差的平均数和方差，以及光照强度残差的平均数和方差，所依据的具体公式为：其中，分别表示第个历史种植数据的温度残差的平均数和方差，表示第个历史种植数据中，农作物种植周期的月份数；
18、其中，分别表示第个历史种植数据的降水量残差的平均数和方差，分别表示第个历史种植数据的光照强度残差的平均数和方差。
19、进一步地，生成每个历史种植周期的随机波动指数所依据的公式为：其中，表示第个历史种植数据的随机波动指数，分别表示第一权重系数和第二权重系数，其中，且；
20、依据随机波动指数对个历史种植数据进行筛选的方法为：
21、若，则将第个历史种植数据筛选至历史参照数据集内部，若，则将第个历史种植数据剔除。
22、进一步地，生成评估数据集和历史参照数据集中各个历史种植数据之间的环境近似指数的方法为：
23、根据评估数据集内的环境数据，分别生成待预估产量的农作物截至当前生长周期的时间段内，相邻两个月份之间的温度、降水量和光照强度的趋势指数和季节性指数；
24、将评估数据集对应的相邻两个月份之间温度、降水量和光照强度的趋势指数和季节性指数，与历史参照数据集中各个历史种植数据对应的相邻两个月份之间温度、降水量和光照强度的趋势指数和季节性指数按照时间顺序，将月份一一对应，生成二者之间的环境近似指数；
25、生成环境近似指数所依据的逻辑为：
26、
27、其中，分别表示评估数据集和历史参照数据集中第个历史种植数据之间的趋势相似指数、季节性相似指数和环境近似指数，表示待预估产量的农作物截至当前的生长月数编号，即待预估产量的农作物自种植月份开始计算，当前时间为第个月，分别表示评估数据集中第个月份和第个月份之间温度、降水量和光照强度的趋势指数， 分别表示评估数据集中第个月份和第个月份之间温度、降水量和光照强度的季节性指数；
28、分别表示历史参照数据集中第个历史种植数据的第个月份和第个月份之间温度、降水量和光照强度的趋势指数，分别表示历史参照数据集中第个历史种植数据的第个月份和第个月份之间温度、降水量和光照强度的季节性指数，表示历史参照数据集中历史种植数据的编号，表示生成待预估产量的农作物截至当前生长周期的时间段内月份的编号。
29、进一步地，生成评估数据集中相邻两个月份之间的温度、降水量和光照强度的趋势指数所依据的逻辑为：生成评估数据集中相邻两个月份之间的温度、降水量和光照强度的季节性指数所依据的逻辑为：其中，分别为评估数据集中第个月份的平均温度、平均降水量和平均光照强度，分别表示第个月份的平均温度、平均降水量和平均光照强度。
30、进一步地，依据环境近似指数挑选两组历史种植数据时，挑选历史参照数据集中，和评估数据集之间的环境近似指数最小的两个历史种植数据，并获取两个历史种植数据对应的农作物的管理数据，所述农作物的管理数据包括种植密度，所述种植密度的生成逻辑为：其中，表示种植密度，表示播种时种子的重量，表中农田的面积。
31、进一步地，对待预估的农作物的产量进行预测的方法为：其中，表示待预估的农作物的产量的预估量，表示评估数据集中示待预估的农作物的种植密度，分别表示环境近似指数最小的两个历史种植数据中的最终产量数据，和分别表示环境近似指数最小的两个历史种植数据中的农作物的种植密度。
32、与现有技术相比，本发明的有益效果是：
33、本发明通过综合分析历史种植数据中的环境数据，对这些数据进行趋势性和季节性进行深入分析，生成环境数据残差和随机波动指数，基于随机波动指数来筛选历史种植数据，构建一个更为可靠的历史参照数据集，去除那些受到极端气候条件影响的历史数据，从而提高历史参照数据集的代表性和预估的准确性；
34、本发明通过综合考虑历史参照数据集内各个历史数据的温度、降水量和光照强度的趋势和季节性差异，构建了环境近似指数，并利用环境近似指数挑选出的两组历史种植数据，环境近似指数最小意味着这两个历史数据的环境条件与待预估农作物的环境条件最为接近，利用环境条件相近的历史数据，结合种植密度与产量的关系，采用平均值的方法对农作物的产量进行预估，本发明通过对历史参照数据集和实时数据整合，基于环境条件最相关的历史数据进行预估，并结合管理数据，有效地提高了预估的准确性。
1.一种智慧农业种植的农作物产量预估方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种智慧农业种植的农作物产量预估方法，其特征在于，所述环境数据包括农作物种植环境的温度、降水量和光照强度数据，根据相邻两个月份之间的环境数据进行趋势性和季节性分析所依据的逻辑为：
3.根据权利要求2所述的一种智慧农业种植的农作物产量预估方法，其特征在于，计算相邻两个月份之间温度、降水量和光照强度的趋势指数所依据的公式为：其中，分别为第个历史种植数据中第个月份和第个月份之间温度、降水量和光照强度的趋势指数，分别表示第个历史种植数据中第个月份的平均温度、平均降水量和平均光照强度，分别表示第个历史种植数据中第个月份的平均温度、平均降水量和平均光照强度；
4.根据权利要求3所述的一种智慧农业种植的农作物产量预估方法，其特征在于，生成每个历史种植周期的随机波动指数所依据的逻辑为：
5.根据权利要求4所述的一种智慧农业种植的农作物产量预估方法，其特征在于，生成每个历史种植周期的随机波动指数所依据的公式为：其中，表示第个历史种植数据的随机波动指数，分别表示第一权重系数和第二权重系数，其中，且；
6.根据权利要求2所述的一种智慧农业种植的农作物产量预估方法，其特征在于，生成评估数据集和历史参照数据集中各个历史种植数据之间的环境近似指数的方法为：
7.根据权利要求1所述的一种智慧农业种植的农作物产量预估方法，其特征在于，生成评估数据集中相邻两个月份之间的温度、降水量和光照强度的趋势指数所依据的逻辑为：生成评估数据集中相邻两个月份之间的温度、降水量和光照强度的季节性指数所依据的逻辑为：其中，分别为评估数据集中第个月份的平均温度、平均降水量和平均光照强度，分别表示第个月份的平均温度、平均降水量和平均光照强度。
8.根据权利要求1所述的一种智慧农业种植的农作物产量预估方法，其特征在于，依据环境近似指数挑选两组历史种植数据时，挑选历史参照数据集中，和评估数据集之间的环境近似指数最小的两个历史种植数据，并获取两个历史种植数据对应的农作物的管理数据，所述农作物的管理数据包括种植密度，所述种植密度的生成逻辑为：其中，表示种植密度，表示播种时种子的重量，表中农田的面积。
9.根据权利要求8所述的一种智慧农业种植的农作物产量预估方法，其特征在于，对待预估的农作物的产量进行预测的方法为：其中，表示待预估的农作物的产量的预估量，表示评估数据集中示待预估的农作物的种植密度，分别表示环境近似指数最小的两个历史种植数据中的最终产量数据，和分别表示环境近似指数最小的两个历史种植数据中的农作物的种植密度。
