水稻物候期内温光序列分析预测APP的设计与实现开题报告

全文总字数：4173字

1. 研究目的与意义、国内外研究现状（文献综述）

1课题的意义、国内外研究进展、应用前景等（列出主要参考文献）

1.1研究意义

水稻是我国主要的粮食作物之一，全国范围内水稻的种植面积占总粮食作物面积

的30%，粮食产量占总产量的1/2，由此可知，水稻的生长发育对国民经济的发展有很大影响。而气象因素对水稻的生长发育有着重要影响，主要包括气温、光照日长、降雨量等气象因素对水稻生产发育的影响。不同水稻品种、不同地区这些主要的气象因素都对其生育期长短即物候期出现的实际有着重要影响，就江苏地区的粳稻品种而言，其发芽温度是10°C，低于10°C是不能发芽；发芽的最适温度是28-32°C，最高温度为40°C；当温度达到42°C时，芽内细胞原生质停止流动，出现烧芽现象；当温度低于20°C时或高于40°C时，会导致发芽延后。水稻在不同的生育期内对气温有不同的承受范围，超过这个范围会导致水稻产量的降低。而光照和降雨量也是水稻生产发育必不可少的条件和重要影响因素。对温光序列的预测对水稻种植减少灾害能够提供很大的帮助，使得人们能够了解到未来气温是否超过水稻生育期的承受范围，是否存在威胁，据此采取有效的防控措施，有利于最终达到水稻高优高产。

随着信息技术的迅猛发展，气象领域搜索、积累了大量的数据，对这些数据尤其是对水稻生长发育有重要影响作用的温光条件等进行分析具有实际的指导意义。气象数据属于时间序列数据，所谓时间序列是指按时间顺利排列的、随时间变化又相互关联的数字序列。通过对时间序列数据的分析、建立选择合适的数学模型，以预测未来的时间序列的目的。目前，对于气象序列预测方法主要分为两步，首先构建预测模型，然后利用气象序列通过误差损失函数对模型进行训练选择，使得预测的气象序列与真实气象序列逼近相似。因此，气象序列预测又分为气象序列预测和气象序列相似性度量两个方面。

1.2国内外研究进展

1.2.1气象序列相似性度量

气象序列相似性度量是气象序列预测的基础。目前主流的气象时间序列相似性度量使用L-P范数距离（如欧式距离）和动态时间弯曲（DTW），而由于水稻在不同的生育期阶段，气温、光照、降雨量等气象因素的分布及形态波动变化差异明显，给序列数据相似性分析带来困难，用DTW能够很好的解决这一问题。

DTW通过不均匀扭曲或弯折解决原本相似的样本序列数据由于时间尺度上产生的线性漂移而不能做相似性匹配的问题。随后，出现了许多基于DTW改进的算法，有基于导数的动态时间弯曲算法（DDTW）、基于形态与混合梯度动态时间弯曲算法（HGSDTW）、基于加权动态时间弯曲的多元时间序列相似性度量算法（CPCA-SWDTW）。

1.2.2气象时间序列预测方法

气象要素如气温、日照、降雨量等是影响水稻生长发育的重要因素。对未来气象进行预测对水稻的生产种植具有指导意义。

基于传统时间序列预测方法主要有K近邻算法（KNN）、线性自动回归滑动平均模型（ARMA）、自回归积分滑动平均模型（ARIMA），ARIMA在气象预测上更够取得更好的效果。

1.2.3 水稻物候期内气象数据分析预测APP

目前气象预测APP有很多，如天气预报软件等，但主要是直接预报结果，没有对水稻物候期内几个重要影响因素如温度、光照日长、降雨量等做具体分析。

1.3应用前景

针对水稻物候期内的气象序列预测，重点关注对水稻生产发育有着重要的影响的最高气温的极端情况，提高预测的时间步长和精度，对指导水稻生产有着重要意义；开发一款水稻物候期内温光序列分析预测应用，使得人们在水稻种植过程中能够及时关注到天气对水稻的影响并做好防控措施。

1.4参考文献

[1]李树岭.农业气象条件对水稻生长季的影响分析[J].现代农业,2018(11):17.

[2]叶燕清,杨克巍,姜江,葛冰峰,豆亚杰.基于加权动态时间弯曲的多元时间序列相似性匹配方法[J].模式识别与人工智能,2017,30(04):314-327.

[3]许宁,徐昌荣.改进型LSTM变形预测模型研究[J].江西理工大学学报,2018,39(05):45-51.

[4]李海林,杨丽彬.基于增量动态时间弯曲的时间序列相似性度量方法[J].计算机科学,2013,40(04):227-230.

[5]陆静良.奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用研究[J].水利技术监督,2018(04):115-117 230.

[6]彭天昊,潘有顺,杨胜林.基于MapReduce的聚类算法相似性度量分析研究[J].现代信息科技,2018,2(11):10-12.

[7]刘晓宇.时间序列预测模型及其应用[J].金融理论与教学,2018(01):46-49. [8]KatarzynaKaczmarek-Majer,Olgierd Hryniewicz. Application of linguistic summarization methodsin time series forecasting[J]. Information Sciences,2019,478.

[9]Mingchao Li,YangShen,Qiubing Ren,Heng Li. A new distributed time series evolution predictionmodel for dam deformation based on constituent elements[J]. AdvancedEngineering Informatics,2019,39.

[10]陈海燕,刘晨晖,孙博.时间序列数据挖掘的相似性度量综述[J].控制与决策,2017,32(01):1-11.

2. 研究的基本内容和问题

2研究的目标、内容和拟解决的关键问题

2.1研究的目标

3. 研究的方法与方案

3研究方法、技术路线、实验方案及可行性分析

3.1研究方法

4. 研究创新点

4特色或创新之处

（1） 考虑多个气象因素间的相关性，采用基于加权动态时间弯曲的多元时间序列相似性度量方法。

5. 研究计划与进展

5研究计划及预期进展

2018年12月-1月9日：确定题目，查找资料，撰写开题报告。